Microsoft Fabric e ESRI GeoAnalytics demonstram modelagem geoespacial

São Paulo — InkDesign News — A integração do machine learning com dados geoespaciais está em ascensão, oferecendo novas perspectivas para análise e manipulação de grandes volumes de dados. A implementação do ESRI GeoAnalytics na Microsoft Fabric, que permite o processamento eficaz de dados vetoriais, é uma elevada inovação.

Arquitetura de modelo

O modelo apresentado utiliza uma combinação de dados de elevação e superfície de edifícios, com mais de 11 milhões de registros. A arquitetura de dados faz uso de formatos como geoparquet e LAZ, que são fundamentais para o processamento de dados de nuvem de pontos e polígonos. O suporte nativo do Spark para formatos de dados espaciais aprimora a eficiência do processamento.

“Os volumes crescentes de dados impõem restrições sobre os sistemas que manipulam dados geoespaciais.”
(“Ever growing data volumes put constraints on systems that handle geospatial data.”)

— Autor desconhecido, Artigo

Treinamento e otimização

As funções do GeoAnalytics permitem o uso de operações espaciais, como a indexação automática, o que resulta em um tempo de treinamento otimizado para análise geoespacial. As operações incluem a agregação de dados, permitindo a geração de estatísticas como média e desvio padrão por região. Um exemplo é a regressão ponderada geograficamente (GWR), utilizada para prever a altura de edifícios com base em sua história de altura.

“A função GWR pode trabalhar apenas com dados de pontos, do polígono de edifícios, seu centróide é extraído.”
(“As the GeoAnalytics function GWR can only work on point data, from the building polygons their centroid is extracted.”)

— Autor desconhecido, Artigo

Resultados e métricas

Os resultados obtidos demonstraram a capacidade preditiva do modelo e a sua aplicação na análise de subsídios em áreas geográficas específicas. O modelo gerou diagnósticos com R² em 0,994, apresentando um desvio padrão de 0,046 para valores estimados. Embora esses resultados não sejam definitivos para aplicações no mundo real, eles evidenciam o potencial da integração entre machine learning e dados geoespaciais.

“Resultados não podem ser utilizados para aplicações do mundo real, pois a metodologia pode não se adequar ao propósito da modelagem de subsídios.”
(“Note, again, that these results cannot be used for real world applications as the data and methodology might not best fit the purpose of subsidence modelling.”)

— Autor desconhecido, Artigo

A aplicação prática dessas técnicas pode revolucionar a análise de dados urbanos, ajudando no planejamento e na gestão de cidades. O uso de deep learning em conjunto com dados geoespaciais abre portas para novas pesquisas e soluções inovadoras.

Fonte: (Towards Data Science – AI, ML & Deep Learning)