Caracterización geoespacial de infraestructura vial mediante machine learning en el distrito de San Isidro de El General
Barra lateral del artículo
Contenido principal del artículo
Resumen
La propuesta para lograr conocer el valor estimado de la red de caminos de Pérez Zeledón será dividir los caminos por zonas homogéneas, estas presentan diferentes precios por metro cuadrado; además, del levantamiento de algunos caminos, estimación de cantidades de materiales con proyectos realizados en estas zonas. Se brinda un valor aproximado de la red vial del distrito de San Isidro de El General para el costo de metro cuadrado a superficies de ruedo, metro lineal de sistema de drenajes y metro cuadrado de aceras. Así, se concreta la idea de crear un modelo integrado a QGis y determine estas variables. Pasos para completar la metodología: Minería de datos: se extrae la mayor cantidad de información para integrar al modelo, revisión de expedientes físicos de los caminos, obtención de capas relevantes de la red por medio de los departamentos de Catastro y Gestión Vial en la Municipalidad de Pérez Zeledón, información geográfica del SNIT como capas hidrológicas, zonas homogéneas y orto fotos. Luego, para clasificar los resultados, se realiza clasificación supervisada al espectro de análisis (materiales). Una vez acomodados los datos, la clasificación no supervisada por medio de algoritmos de clustering, herramientas vectoriales y ráster, complementos API integrados al sistema, también como la digitalización avanzada o diferentes geoprocesos de un SIG que ajusten de manera óptima las características de la red vial. Estos parámetros se adaptan a los modelos que se encuentran en las bases presupuestarias y se establecen estimaciones acertadas. Se evalúa la red y se concluye con su estimación paramétrica.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
Humacata, L. (2020). Sistemas de Información Geográfica, Aplicaciones para el análisis de clasificaión espacial y cambios de uso de suelos. Impresiones Buenos Aires.
MOPT. (2014). Manual de especificaciones técnicas para realizar el inventario y evaluación de la Red Vial Cantonal (Decreto No. 38578-MOPT- 21-10-2014). San José: Gaceta.
Hird, J., DeLancey, E., McDermid, G., & Kariyeva, J. (2017). Google Earth Engine, datos satelitales de acceso abierto y aprendizaje automático en apoyo del mapeo probabilístico de humedales de área grande. MDPI Remote Sensing, 9-1315.
Paul Mather, B. T. (2009). Métodos de clasificación para datos de detección remota. En B. T. Paul Mather, Métodos de clasificación para datos de detección remota (págs. 54-74). New York: Taylor y Francis Group.
Castañeda, R. A. (2021). Implementación del método máquinas de soporte vectorial en bases de datos espaciales para análisis de clasificación supervisada en imágenes de sensores remotos. Revista Cartográfica, 2-6.
Frank, I. N. (2017). Teoría-Teledetección Espacial. Geomática Ambiental S.R.L.
Eyco, L. (22 de Marzo de 2021). ¿Por qué es tan importante el Índice de Reflectancia Solar (SRI) para la construcción y cómo se mide? https://www.laboratorioseyco.com/por-que-es-importante-el-indice-de-reflectancia-solar-en-la-construccion/#queesreflactanciasolar
Basemaps, M. I. (07 de 2020). Maxar.com.
https://resources.maxar.com/imagery-basemaps
Congelo, L. (2017). Semiautomatic classification manual-v5. Obtenido de Semiautomatic classification manual-v5: https://semiautomaticclassificationmanual-v5.readthedocs.io/es/latest/remote_sensing.html
Buzai, G. D. (2011). Geografía y Sistemas de Información Geográfica. Evolución Teórico Metodológica Hacia Campos Emergentes. Revista Geográfica de América Central, 2(48E), 15-67.
Lythe, M. (2020). Automating land classification with machine learning. https://www.lynker-analytics.com/theblog/2020/4/24/automating-land-classification-with-machine-learning
NASA Programa de capacitación en ciencias aplicadas. (22 de Octubre de 2015). ARSET Fundamentos de la teledetección.
Fundamentals of Remote Sensing: https://appliedsciences.nasa.gov/sites/default/files/Fundamentals_RS_Session2_Land_Final.pdf
Mishra, S. (2017). Aprendizaje no supervisado y agrupación de datos. Towards Data Science.
https://towardsdatascience.com/unsupervised-learning-and-data-clustering-eeecb78b422a
Google Motor de Tierra. (28 de 10 de 2020c). Supervised Classification. https://developers.google.com/earth-engine/guides/classification
Google Motor de Tierra. (20 de 10 de 2020b). Unsupervised Classification (clustering). https://developers.google.com/earth-engine/guides/clustering
Vásquez Varela, L. R. (2002). Indice de condición del pavimento (PCI) PARA PAVIMENTOS ASFÁLTICOS Y DE CONCRETO HIDRÁULICO EN CARRETERAS.
Manizales: ingepav.
Ministerio de Obras Públicas y Transportes. (2013). TERMINOS DE REFERENCIA TECNICOS PARA ESTUDIOS HIDROLOGICOS E HIDRAULICOS PARA PUENTES. tr-hidrologicos-hidraulicos.pdf.