Reamostragem em Redes Neurais: Uma Abordagem Alternativa aos Métodos Tradicionais de Interpolação Espacial para Modelagem de Superfícies
DOI:
https://doi.org/10.26848/rbgf.v17.6.p4467-4486Palavras-chave:
rede neural artificial; divisão de dados; reamostragem; leave-one-out; predição de intervaloResumo
As Redes Neurais Artificiais (RNAs) têm sido empregadas em diversas aplicações, destacando-se como um poderoso recurso para analisar dados e resolver problemas em diversas áreas do conhecimento. Na modelagem de superfícies, as RNAs desempenham o papel de um método de interpolação espacial. Entretanto ao empregar as redes neurais, as predições dos valores de altitude não vêm acompanhadas de suas correspondentes incertezas. Nesta contribuição, fornecemos o aprimoramento das estimativas de RNAs em uma abordagem inovadora, aplicando um método de reamostragem para prever intervalos de altitudes em vez de uma única estimativa, como é comumente realizado por técnicas convencionais. Uma rede Perceptron de Múltiplas Camadas (MLP) foi usada para prever os intervalos de altitudes com base nas coordenadas dos pontos coletados em campo por Posicionamento Cinemático em Tempo Real (RTK). A rede foi treinada e validada usando o método de reamostragem Repeated Leave-One-Out Cross-Validation (RLOOCV), uma extensão do clássico método Leave-One-Out Cross-Validation (LOOCV), que ao realizar diversas iterações permite a captura da aleatoriedade associada à rede neural, incluindo fatores como arquitetura, inicialização e procedimento de aprendizado. As métricas de desempenho revelaram resultados satisfatórios na estimativa de altitudes, apresentando valores de Raiz do Erro Quadrático Médio (RMSE) consistentes, com a média global de RMSE, RMSE máximo e RMSE mínimo de 0,081 m (± 0,002), 0,520 m e 0,027 m, respectivamente. Embora essa metodologia tenha apresentado um desempenho satisfatório, a análise espacial revelou desafios na generalização em áreas vertentes, de talvegue e com variações abruptas na inclinação do terreno.
Downloads
Referências
Abbas, A. I., Alhamadani, O. Y. M., & Mohammed, M. U. (2022). The application of an artificial neural network for 2d coordinate transformation. Journal of Intelligent Systems, 31(1), 739–752. https://doi.org/10.1515/jisys-2022-0033
Abdi, H., & Williams, L. J. (2010). Jackknife. Em D. M. Salkind (Org.), Encyclopedia of Research Design (p. 655–660). Sage. https://personal.utdallas.edu/~herve/abdi-Jackknife2010-pretty.pdf
Afsari, R., Nadizadeh Shorabeh, S., Bakhshi Lomer, A. R., Homaee, M., & Arsanjani, J. J. (2023). Using artificial neural networks to assess earthquake vulnerability in urban blocks of tehran. Remote Sensing, 15(5). https://doi.org/10.3390/rs15051248
Aggarwal, C. C. (2018). Neural networks and deep learning (1st ed.). Springer Cham. https://doi.org/10.1007/978-3-319-94463-0
Akwensi, P. H., Brantson, E. T., Niipele, J. N., & Ziggah, Y. Y. (2021). Performance evaluation of artificial neural networks for natural terrain classification. Applied Geomatics, 13(3), 453–465. https://doi.org/10.1007/s12518-021-00360-9
Bagheri, H., Sadeghian, S., & Sadjadi, S. Y. (2014). The assessment of using an intelligent algorithm for the interpolation of elevation in the DTM generation. Photogrammetrie, Fernerkundung, Geoinformation, 2014(3), 197–208. https://doi.org/10.1127/1432-8364/2014/0220
Baltensweiler, A., Walthert, L., Ginzler, C., Sutter, F., Purves, R. S., & Hanewinkel, M. (2017). Terrestrial laser scanning improves digital elevation models and topsoil pH modelling in regions with complex topography and dense vegetation. Environmental Modelling and Software, 95, 13–21. https://doi.org/10.1016/j.envsoft.2017.05.009
Cakir, L., & Yilmaz, N. (2014). Polynomials, radial basis functions and multilayer perceptron neural network methods in local geoid determination with GPS/levelling. Measurement: Journal of the International Measurement Confederation, 57, 148–153. https://doi.org/10.1016/j.measurement.2014.08.003
Celisse, A. (2008). Model selection via cross-validation in density estimation, regression, and change-points detection. https://theses.hal.science/tel-00346320
Cetó, X., Céspedes, F., & delValle, M. (2013). Assessment of Individual polyphenol content in beer by means of a voltammetric bioelectronic tongue. Electroanalysis, 25(1), 68–76. https://doi.org/10.1002/elan.201200299
Cetó, X., Céspedes, F., Pividori, M. I., Gutiérrez, J. M., & Del Valle, M. (2012). Resolution of phenolic antioxidant mixtures employing a voltammetric bio-electronic tongue. Analyst, 137(2), 349–356. https://doi.org/10.1039/c1an15456g
Chen, W., Pourghasemi, H. R., Kornejady, A., & Zhang, N. (2017). Landslide spatial modeling: introducing new ensembles of ann, mxent, and svm machine learning techniques. Geoderma, 305, 314–327. https://doi.org/10.1016/j.geoderma.2017.06.020
Chernick, M. R. (2012). Resampling methods. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2(3), 255–262. https://doi.org/10.1002/widm.1054
Coelho, F. F., Giasson, E., Campos, A. R., de Oliveira e Silva, R. G. P., & Costa, J. J. F. (2021). Geographic object-based image analysis and artificial neural networks for digital soil mapping. Catena, 206. https://doi.org/10.1016/j.catena.2021.105568
Ebrahimi, M., Safari Sinegani, A. A., Sarikhani, M. R., & Mohammadi, S. A. (2017). Comparison of artificial neural network and multivariate regression models for prediction of Azotobacteria population in soil under different land uses. Computers and Electronics in Agriculture, 140, 409–421. https://doi.org/10.1016/j.compag.2017.06.019
Efron, B. (1982). The jacknife, the bootstrap and other resampling plans. Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611970319
Fanos, A. M., Pradhan, B., Alamri, A., & Lee, C. W. (2020). Machine learning-based and 3d kinematic models for rockfall hazard assessment using lidar data and gis. Remote Sensing, 12(11). https://doi.org/10.3390/rs12111755
Farolfi, G., & Del Ventisette, C. (2016). Contemporary crustal velocity field in alpine mediterranean area of italy from new geodetic data. GPS Solutions, 20(4), 715–722. https://doi.org/10.1007/s10291-015-0481-1
Fuso, F., Crocetti, L., Ravanelli, M., & Soja, B. (2024). Machine learning-based detection of TEC signatures related to earthquakes and tsunamis: the 2015 Illapel case study. Em GPS Solutions (Vol. 28). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/s10291-024-01649-z
Haykin, S. (1998). Neural networks - a comprehensive foundation (2nd ed.). Prentice Hall.
Hilborn, E. D., Catanzaro, D. G., & Jackson, L. E. (2012). Repeated holdout cross-validation of model to estimate risk of Lyme disease by landscape characteristics. International Journal of Environmental Health Research, 22(1), 1–11. https://doi.org/10.1080/09603123.2011.588320
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (1st ed.). Springer. https://doi.org/10.1007/978-1-4614-7138-7
Jang, J. S. R., Sun, C. T., & Mizutani, E. (1997). Neuro-fuzzy and soft computing - a computational approach to learning and machine intelligence. IEEE Transactions on Automatic Control, 42(10), 1482–1484. https://doi.org/10.1109/tac.1997.633847
Jian, L., Wang, X., Jiang, W., Hao, H., Xi, R., & Yang, L. (2024). Improved tide level prediction model combined GA-BP neural networks and GNSS SNR data. Advances in Space Research, 74(4), 1595–1608. https://doi.org/10.1016/j.asr.2024.05.030
Jiang, H. (2021). Machine learning fundamentals. Em Machine Learning Fundamentals. Cambridge University Press. https://doi.org/10.1017/9781108938051
Kaloop, M. R., & Hu, J. W. (2015). Optimizing the de-noise neural network model for gps time-series monitoring of structures. Sensors (Switzerland), 15(9), 24428–24444. https://doi.org/10.3390/s150924428
Kaloop, M. R., & Kim, D. (2014). Gps-structural health monitoring of a long span bridge using neural network adaptive filter. Survey Review, 46(334), 7–14. https://doi.org/10.1179/1752270613Y.0000000053
Kavzoglu, T., & Saka, M. H. (2005). Modelling local gps/levelling geoid undulations using artificial neural networks. Journal of Geodesy, 78(9), 520–527. https://doi.org/10.1007/s00190-004-0420-3
Khaledian, Y., & Miller, B. A. (2020). Selecting appropriate machine learning methods for digital soil mapping. Applied Mathematical Modelling, 81, 401–418. https://doi.org/10.1016/j.apm.2019.12.016
Kim, J. H. (2009). Estimating classification error rate: repeated cross-validation, repeated hold-out and bootstrap. Computational Statistics and Data Analysis, 53(11), 3735–3745. https://doi.org/10.1016/j.csda.2009.04.009
Kim, S., Rhee, S., & Kim, T. (2019). Digital surface model interpolation based on 3D mesh models. Remote Sensing, 11(1). https://doi.org/10.3390/rs11010024
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. https://www.ijcai.org/Proceedings/95-2/Papers/016.pdf
Konakoglu, B., Cakir, L., & Gökalp, E. (2016). 2D coordinate transformation using artificial neural networks. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2W1), 183–186. https://doi.org/10.5194/isprs-archives-XLII-2-W1-183-2016
Lehmann, R. (2012). Improved critical values for extreme normalized and studentized residuals in Gauss-Markov models. Journal of Geodesy, 86(12), 1137–1146. https://doi.org/10.1007/s00190-012-0569-0
Lemmens, M. (2011). Geo-information (J. D. Gatrell & R. R. Jensen, Orgs.; 2011th ed, Vol. 5). Springer . https://doi.org/10.1007/978-94-007-1667-4
Li, J., & Heap, A. D. (2008). A review of spatial interpolation methods for environmental scientists (Vol. 23). Geoscience Australia.
Li, Y., Li, L., Chen, C., & Liu, Y. (2023). Correction of global digital elevation models in forested areas using an artificial neural network-based method with the consideration of spatial autocorrelation. International Journal of Digital Earth, 16(1), 1568–1588. https://doi.org/10.1080/17538947.2023.2203953
Lorenz, R., & Petryna, Y. (2024). Monitoring of thermal deformations of a highway bridge: comparison of geodetic measurements, finite element simulations and AI predictions. Journal of Physics: Conference Series, 2647(25), 252035. https://doi.org/10.1088/1742-6596/2647/25/252035
Moghtased-Azar, K., & Zaletnyik, P. (2009). Crustal velocity field modelling with neural network and polynomials. Observing our Changing Earth, 133. https://doi.org/10.1007/978-3-540-85426-5_93
Monico, J. F. G. (2008). Posicionamento pelo GNSS (2nd ed.). Editora Unesp.
Özarpacı, S., Kılıç, B., Bayrak, O. C., Taşkıran, M., Doğan, U., & Floyd, M. (2024). Machine learning approach for GNSS geodetic velocity estimation. GPS Solutions, 28(2). https://doi.org/10.1007/s10291-023-01607-1
Pacci, S., Dengiz, O., Alaboz, P., & Saygın, F. (2024). Artificial neural networks in soil quality prediction: significance for sustainable tea cultivation. Science of the Total Environment, 947. https://doi.org/10.1016/j.scitotenv.2024.174447
Provost, F., & Fawcett, T. (2013). Data science for business (1st ed.). O’Reilly Media.
Quenouille, M. H. (1949). Problems in plane sampling. The Annals of Mathematical Statistics, 20(3), 355–375. http://www.jstor.org/stable/2236533
Raschka, S., & Mirjalili, V. (2017). Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow (2nd ed.). Packt Publishing.
Reitermanová, Z. (2010). Data splitting. Matfyzpress.
Rodrigues, B. P., Rofatto, V. F., Matsuoka, M. T., & Teles Assunção, T. (2022). Resampling in neural networks with application to spatial analysis. Geo-Spatial Information Science, 25(3), 413–424. https://doi.org/10.1080/10095020.2022.2040923
Rofatto, V. F., Bonimani, M. L. S., Matsuoka, M. T., Klein, I., & Campos, C. C. de. (2023). Resampling methods in neural networks: from point to interval application to coordinate transformation. Journal of Surveying Engineering, 149(1). https://doi.org/10.1061/jsued2.sueng-1366
Rofatto, V. F., Matsuoka, M. T., Klein, I., Veronez, M. R., & da Silveira, L. G. (2020). A monte carlo-based outlier diagnosis method for sensitivity analysis. Remote Sensing, 12(5). https://doi.org/10.3390/rs12050860
Santos, H. G. dos, Jacomine, P. K. T., Anjos, L. H. C. dos, Oliveira, V. Á. de, Lumbreras, J. F., Coelho, M. R., Almeida, J. A. de, Araújo Filho, J. C. de, Oliveira, J. B. de, Cunha, T. J. F., & Embrapa Solos. (2018). Sistema brasileiro de classificação de solos (5th ed.). Embrapa. https://www.agroapi.cnptia.embrapa.br/portal/assets/docs/SiBCS-2018-ISBN-9788570358004.pdf
Sen, A., & Gumus, K. (2023). Comparison of different parameters of feedforward backpropagation neural networks in DEM height estimation for different terrain types and point distributions. Systems, 11(5). https://doi.org/10.3390/systems11050261
Shao, J., & Tu, D. (1995). The jackknife and bootstrap (1st ed.). Springer Science+Business Media. https://doi.org/10.1007/978-1-4612-0795-5
Silva, I. N., Spatti, D. H., & Flauzino, R. A. (2016). Redes neurais artificiais para engenharia e ciências aplicadas (M. A. Eckersdorff, Org.; 2nd ed.). Artliber.
Stopar, B., Ambrožič, T., Kuhar, M., & Turk, G. (2006). GPS-derived geoid using artificial neural network and least squares collocation. Survey Review, 38(300), 513–524. https://doi.org/10.1179/sre.2006.38.300.513
Sun, D., Lee, V. C., & Lu, Y. (2016). An intelligent data fusion framework for structural health monitoring. ICIEA, 11, 49–54. https://doi.org/10.1109/ICIEA.2016.7603550
Tukey, J. W. (1958). Bias and confidence in not-quite large samples. The Annals of Mathematical Statistics, 614–623.
Wang, L., & Yu, F. (2020). Jackknife resampling parameter estimation method for weighted total least squares. Communications in Statistics - Theory and Methods, 49(23), 5810–5828. https://doi.org/10.1080/03610926.2019.1622725
Yadav, S., & Shukla, S. (2016). Analysis of k-fold cross-validation over hold-out validation on colossal datasets for quality classification. Proceedings - 6th International Advanced Computing Conference, IACC 2016, 78–83. https://doi.org/10.1109/IACC.2016.25
Yager, R. R., & Zadeh, L. A. (1992). An introduction to fuzzy logic applications in intelligent systems (1st ed.). Springer Science+Business Media. https://doi.org/10.1007/978-1-4615-3640-6
Zhang, P. (1993). Model selection via multifold cross validation. Em The Annals of Statistics (Vol. 21, Número 1, p. 299–313). http://www.jstor.org/stable/3035592
Zhang, R., Bian, S., & Li, H. (2021). Rspcn: super-resolution of digital elevation model based on recursive sub-pixel convolutional neural networks. ISPRS International Journal of Geo-Information, 10(8). https://doi.org/10.3390/ijgi10080501
Zhang, Y., Yu, W., & Zhu, D. (2022). Terrain feature-aware deep learning network for digital elevation model superresolution. ISPRS Journal of Photogrammetry and
Remote Sensing, 189, 143–162. https://doi.org/10.6084/m9.figshare.19597201
Zhong, Y., He, J., & Chalise, P. (2020). Nested and repeated cross validation for classification model with high-dimensional data. Revista Colombiana de Estadistica, 43(1), 103–125. https://doi.org/10.15446/rce.v43n1.80000
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Wilker de Jesus Silva, Marcelo Tomio Matsuoka, Vinicius Francisco Rofatto
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
