Machine learning to location analysis
DOI:
https://doi.org/10.52076/eacad-v3i3.267Keywords:
Machine learning; Geoprocessing; Location alternative; Regression; Neural networks.Abstract
Data Science can be understood as a multidisciplinary area to data analysis and to decision making support. Deciding the best location for a project or enterprise can be an extremely complex task, as it needs to consider several variables, many of which having conflicting characteristics. Within the Data Science, Machine Learning is used to deal with several application areas, where spatial aspects are essential, such as location analysis, urban growth an agriculture. However, the properties of spatial data are often underrated for Machines Learning algorithms. NIKPARVAR and THILL 2021 argue that spatial data exhibit distinct properties that differentiate them, such as spatial heterogeneity, spatial dependence, and scale. When it is necessary to carry out studies that involves understanding the territory, it becomes necessary to analyze the spatial data. This paper presents a Machine Learning approach as an alternative to determine the best location for a project or enterprise, that can be complementary to geoprocessing and multicriteria analysis.
References
Carnasciali, A, M dos S. & Delazari, L. S. (2011). A Localização Geográfica como Recurso Organizacional: Utilização de Sistemas Especialistas para Subsidiar a Tomada de Decisão Locacional do Setor Bancário. RAC, Curitiba, 15(1), 103-125. https://doi.org/10.1590/S1415-65552011000100007
Carvalho, C., P., L., F., A. Aprendizado de Máquina. Apostila do Curso de Ciência de Dados. Universidade de São Paulo. ICMC São Carlos. CeMEAI.
Davis, C. & Fonseca F. (2001). Introdução aos Sistemas de Informação Geográficos, 2001. Apostila do Curso de Especialização em Geoprocessamento. Disponível em http://www.csr.ufmg.br/geoprocessamento/publicacoes/introducao%20aos%20SIG.pdf em 25/06/2021.
Decreto-Lei Nº 89.817, de 20 de junho de 1984. Estabelece as Instruções Reguladoras das Normas Técnicas da Cartografia Nacional. Recuperado de http://www.planalto.gov.br/ccivil_03/decreto/1980-1989/d89817.htm
Faceli K., Lorena, C. A., Gama, J. & Carvalho, F. L. A. (2011). Inteligência Artificial: Uma abordagem por aprendizado de máquina. Rio de Janeiro: LTC.
Fernandes, V. H. A., Cassiano, A. de M., Guimarães, S. C. T. & Almeida, R. R. M. (2017). Alternativas locacionais em Avaliação de Impacto Ambiental de rodovias mineiras. Desenvolv. Meio Ambiente, 43, Edição Especial: Avaliação de Impacto Ambiental, 73-90. Doi: 10.5380/dma. v43i0.54056
Furlanetto, T. (2012). Estudo de alternativas locacionais para viabilidade ambiental de empreendimentos: o caso de aeroporto de Ribeirão Preto – SP (Dissertação de mestrado). Escola de Engenharia, Ciências da Engenharia Ambiental, Universidade de São Paulo.
Li, W. (2020). GeoAI: Where machine learning and big data converge in GIScience. Journal of Spatial Information Science, 20, 71-77. Doi:10.5311/JOSIS.2020.20.658
Lindholm, A., Wahlstrom, N., Lindsten, F. & Schon, B. T. (2021). Machine Learning: A First Course for Engineers and Scientists. Draft version: April 30, 2021.
Mattos, N. A. S. (2018). Alternativas locacionais em estudos de impacto ambiental no Estado de São Paulo (Dissertação de mestrado). Escola de Artes, Ciência e Humanidades, Universidade de São Paulo.
Nikparvar, B.; Thill, J.-C. Machine Learning of Spatial Data. (2021). ISPRS Int. J. Geo-Inf., 10, 600. https://doi.org/10.3390/ijgi10090600. Disponível em https://www.mdpi.com/2220-9964/10/9/600/htm 14/02/2022
Rodrigues, A., F. (2019). Introdução a Ciências de Dados. Apostila do Curso de Ciência de Dados. Universidade de São Paulo. ICMC São Carlos. CeMEAI.
Sathya, R., Niva, J. & Abraham, A. (2013). Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. (IJARAI) International Journal of Advanced Research in Artificial Intelligence, 2(2), 34-38.
Souza de F. M., Pinto, G. H. P., Teixeira, A. B. R., Nascimento, L. O. de C. & Nóbrega A. de A. R. (2020). Otimização locacional de portos secos para fomentar o desenvolvimento regional sustentável. Sustainability in Debate, Brasília, 11(2), 223-237.
Spigolon, G. M. L. (2015). A otimização da rede de transporte de RSU baseada no uso do SIG e análise de decisão multicritério para localização de aterros sanitários. (Tese de Doutorado). Escola de Engenharia de São Carlos, Universidade de São Paulo.
Stephens, D. & Diesing, M. A. (2014). A Comparison of Supervised Classification Methods for the Prediction of Substrate Type Using Multibeam Acoustic and Legacy Grain-Size Data. PLOS ONE, 9(4): e93950. https://doi.org/10.1371/journal.pone.0093950
Xiaojia, W., Changyan, S., Sheng, X., Shanshan, Z., Weiqun, X. & Yuxiang, G. (2020) Study on the Location of Private Clinics Based on K-Means Clustering Method and an Integrated Evaluation Model. IEEE Access. Doi: 10.1109/ACCESS.2020.2967797.
Zambon, L. K. (2004). Localização de usinas termoelétricas utilizando sistemas de informação geográficas e métodos de decisão multicritério. (Tese de Douturado). Escola de Engenharia de São Carlos, Universidade de São Paulo.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Hebert Ramos; Vladimir Diniz
This work is licensed under a Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
