Dissertação

{en_GB=Scalable and Memory-Efficient Approaches for Spatial Data Downscaling Leveraging Machine Learning} {} EVALUATED

{pt=No contexto da analise espacial, a desagregação espacial é um processo em que informação a uma escala de resolução grosseira é traduzida para escalas mais finas, mantendo a consistência com os de dados de origem. Descrições finas de informação espacial são um recurso chave em áreas como estudos socioeconómicos, planeamento urbano e regional, planeamento de transportes ou análise de impacto ambiental. Um método para desagregação espacial é o algoritmo Dissever, uma abordagem híbrida que combina interpolação picnofiláctica e mapeamento dasimétrico baseado em regressão com base em dados auxiliares com vista ao aumento de precisão de desagregação. Implementado em R, a atual versão do algoritmo Dissever assume um modelo de execução sequencial bem como o uso de sequencias computacionais que não ultrapassem a memoria RAM disponível, limitando a resolução e escala dos dados auxiliares passíveis de serem usados. Este artigo apresenta uma variante do algoritmo Dissever, denominado SDissever (Scalable Dissever), desenhado para uma execução eficiente e escalável em ambientes paralelos, aproveitando arquitecturas multi-core modernas, bem como o uso memoria secundaria por forma a dimensionar computações que excedem a RAM disponível. As avaliações experimentais no S-Dissever demonstram a viabilidade do procedimento de desagregação ao usar dados auxiliares com altas resoluções em extensões geográficas significativas, bem como acelerações obtidas pela utilização de arquitecturas multi-core., en=In the context of spatial analysis, spatial disaggregation or spatial downscaling are processes by which information at a coarse spatial scale is translated to finer scales, while maintaining consistency with the original dataset. Fine-grained descriptions of geographical information is a key resource in fields such as social-economic studies, urban and regional planning, transport planning, or environmental impact analysis. One such method for spacial disaggregation is the Dissever algorithm, a hybrid approach that combines pycnophylactic interpolation and regression-based dasymetric mapping, leveraging auxiliary data to increase desegregation precision. Implemented in R, the current Dissever version assumes a sequential execution model and the usage of smaller-than-ram computational sequences, limiting the resolution and scale of usable datasets. This paper presents a variant of the Dissever algorithm, called S-Dissever (Scalable Dissever) suitable for efficiently executing in parallel environments, taking advantage of modern multi-core architectures, while using secondary memory to scale out computations that exceed RAM capacity. Experimental evaluations on the S-Dissever demonstrate the feasibility of the desegregation procedure while using high-resolution auxiliary data at significant geographical extents, as well as notable speedups obtained by the utilization of multi-core environments.}
{pt=Análise espacial, Sistemas de informação geográfica, Desagregação espacial via regressão, Programação em R, Aplicações Escaláveis, en=Spatial analysis, Geographic information systems, Regression-based spatial disaggregation, R Programming, Scalable Applications}

novembro 17, 2017, 9:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Bruno Emanuel Da Graça Martins

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Paolo Romano

Departamento de Engenharia Informática (DEI)

Professor Associado