Procedure di Digital Soil Mapping sono ampiamente utilizzate per calcolare mappe bidimensionali di parametri pedologici. Il lavoro propone un esercizio di applicazione per costituire servizi real-time di mappatura via internet con kriging regressivo (RK) e gruppi di reti neuronali artificiali (BAGAP) per valutare e comparare (i) l'accuratezza delle predizioni, (ii) la suscettibilità di essere inclusi in motori di calcolo automatici (WPS, web processing services), e (iii) i tempi di calcolo necessari a calibrare i modelli ed a realizzare predizioni spaziali.Il kriging regressivo è probabilmente il metodo geostatistico più diffuso per la mappatura digitale dei suoli. Nel nostro esperimento abbiamo testato il kriging regressivo EBLUP (Estimated Best Linear Unbiased Predictor) basato su REML (REstricted Maximum Likelyhood) in quanto è considerata la variante di RK statisticamente più robusta dai pedometrici. L'esperimento comprende l'analisi di un approccio multi-parametrico e non lineare basato sull'apprendimento automatico (machine learning) e chiamato BAGAP (Bootstrap aggregating Artificial neural networks with Genetic Algorithms and Principal component regression). BAGAP combina (mediante regressione delle componenti principali) un gruppo selezionato di reti neuronali (la selezione è operata da algoritmi genetici) per produrre una risposta aggregata a livello di gruppo di reti neuronali.Lo scopo di implementare e testare questi due particolari modelli è quello di verificare se e quanto il metodo più complesso basato sul neurocomputing è più accurato nelle predizioni spaziali. Consapevoli delle difficoltà generali e particolari legate alla manipolazione di oggetti basati sui metodi RK e BAGAP quando applicati in svariati contesti applicativi, esploriamo la suscettibilità di incapsularli in dispositivi WPS per una valutazione comparativa e di fattibilità anche in considerazione degli aspetti di automaticità e tempi di risposta. Questi ultimi sono possibilmente esplorati mediante l'ausilio di leve computazionali basate su tecniche di calcolo ad alta prestazione.

Automaticità e tempi di calcolo per la mappatura digitale: esperimenti con kriging regressivo e neurocomputing

Giuliano Langella;Angelo Basile;Antonello Bonfante;Piero Manna;
2013

Abstract

Procedure di Digital Soil Mapping sono ampiamente utilizzate per calcolare mappe bidimensionali di parametri pedologici. Il lavoro propone un esercizio di applicazione per costituire servizi real-time di mappatura via internet con kriging regressivo (RK) e gruppi di reti neuronali artificiali (BAGAP) per valutare e comparare (i) l'accuratezza delle predizioni, (ii) la suscettibilità di essere inclusi in motori di calcolo automatici (WPS, web processing services), e (iii) i tempi di calcolo necessari a calibrare i modelli ed a realizzare predizioni spaziali.Il kriging regressivo è probabilmente il metodo geostatistico più diffuso per la mappatura digitale dei suoli. Nel nostro esperimento abbiamo testato il kriging regressivo EBLUP (Estimated Best Linear Unbiased Predictor) basato su REML (REstricted Maximum Likelyhood) in quanto è considerata la variante di RK statisticamente più robusta dai pedometrici. L'esperimento comprende l'analisi di un approccio multi-parametrico e non lineare basato sull'apprendimento automatico (machine learning) e chiamato BAGAP (Bootstrap aggregating Artificial neural networks with Genetic Algorithms and Principal component regression). BAGAP combina (mediante regressione delle componenti principali) un gruppo selezionato di reti neuronali (la selezione è operata da algoritmi genetici) per produrre una risposta aggregata a livello di gruppo di reti neuronali.Lo scopo di implementare e testare questi due particolari modelli è quello di verificare se e quanto il metodo più complesso basato sul neurocomputing è più accurato nelle predizioni spaziali. Consapevoli delle difficoltà generali e particolari legate alla manipolazione di oggetti basati sui metodi RK e BAGAP quando applicati in svariati contesti applicativi, esploriamo la suscettibilità di incapsularli in dispositivi WPS per una valutazione comparativa e di fattibilità anche in considerazione degli aspetti di automaticità e tempi di risposta. Questi ultimi sono possibilmente esplorati mediante l'ausilio di leve computazionali basate su tecniche di calcolo ad alta prestazione.
2013
Istituto per i Sistemi Agricoli e Forestali del Mediterraneo - ISAFOM
kriging
dss
neurocomputing
File in questo prodotto:
File Dimensione Formato  
prod_237600-doc_60787.pdf

solo utenti autorizzati

Descrizione: programma convegno
Licenza: NON PUBBLICO - Accesso privato/ristretto
Dimensione 1.84 MB
Formato Adobe PDF
1.84 MB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14243/207388
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact