Alternativas locacionais de empreendimentos utilizando aprendizado de máquina
DOI:
https://doi.org/10.52076/eacad-v3i3.267Palavras-chave:
Aprendizado de máquina; Geoprocessamento; Alternativa locacional; Regressão; Redes neurais.Resumo
A Ciência de Dados pode ser descrita como uma área multidisciplinar voltada para a estruturação e análise de dados, tendo como objetivo extrair conhecimento para a tomada de decisão. Decidir a melhor localização para um projeto ou empreendimento pode ser uma tarefa extremamente complexa, na medida em que precisa considerar diversas variáveis, muitas das quais com características conflitantes. Dentro da Ciência de Dados o Aprendizado de Máquina é amplamente utilizado para lidar com problemas de diversas áreas de aplicação, onde os aspectos espaciais são essenciais como a análise de alternativa locacional, análise de transporte, crescimento urbano, predição em agricultura, dentre outras. Porém as propriedades dos dados espaciais frequentemente são ignoradas pelos algoritmos de Aprendizado de Máquina, em domínios de aplicações espaciais. NIKPARVAR e THILL 2021, argumentam que os dados espaciais apresentam certas propriedades distintas que os diferenciam de outros tipos de dados, como dependência espacial, heterogeneidade espacial e escala. Quando é necessário realizar estudos que envolvem as variáveis e as características de determinado território, torna-se indispensável analisar os dados espaciais. Este trabalho avalia a aplicação de Aprendizado de Máquina como alternativa para determinar a melhor localização para um projeto ou empreendimento. O trabalho busca utilizar uma abordagem que possa ser empregada de forma complementar a métodos já consagrados de geoprocessamento e análise multicritério.
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Hebert Ramos; Vladimir Diniz
Este trabalho está licenciado sob uma licença 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.
