Dissertação
Hybrid Approaches for Spatial Data Interpolation EVALUATED
A interpolação de dados espaciais é um problema que atravessa uma panóplia de ciências naturais e sociais. Como em qualquer interpolação, o objetivo é aproximar valores estimados aos valores reais. As técnicas tradicionais de interpolação espacial são baseadas em abordagens matemáticas e, em algumas técnicas, combinadas com conceitos geográficos. Uma das consequências do crescimento do poder de computação foi a evolução de técnicas de aprendizagem, especialmente ao nível de redes neuronais. Um dos passos mais relevantes nesse crescimento foi o desenvolvimento de redes neuronais capazes de processar imagens e capturar as suas caraterísticas. Quando aplicadas ao problema de interpolação espacial, as redes neuronais, como o perceptrão multi-camada, podem igualar o desempenho das técnicas tradicionais, mas as redes neuronais mais recentes, baseadas no processamento de imagens e utilizando camadas convolucionais podem superar as técnicas tradicionais. As redes neuronais enfrentam o problema de generalização, onde a rede treinada dentro de um contexto particular pode ter um desempenho inferior quando colocada num contexto diferente. Este artigo apresenta uma abordagem híbrida. Com base numa rede adversarial generativa, combinamos a rede neuronal com uma abordagem de interpolação espacial tradicional, a fim de superar as abordagens tradicionais e alcançar um grau de generalização maior. Este estudo mostra que a nossa abordagem é uma opção viável para resolver o problema da interpolação espacial uma vez que os resultados da interpolação do modelo digital de elevação de Portugal Continental e das ilhas das regiões autónomas portuguesas evidenciam um sólido desempenho e capacidade de generalização.
janeiro 27, 2022, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado