Representation and classification of geospatial data: a comparison of Kohonen's maps and the Neural Gas method

Representación y clasificación de datos geoespaciales: comparación entre mapas autoorganizativos de Kohonen y el método Gas Neuronal

Approximately 80% of all the existing information in the world correspond to geo-referenced information. This creates an increasing necessity to have tools more flexible, precise and easy to use to the visualization, exploration and classification of great volumes of geospatial data. Additionally its necessary achieve smaller times to process this kind of information. In this preliminary investigation, different techniques are compared to visualize and to classify geo-referenced data using two types of neuronal networks: Kohonen's maps (SOM) and the Neural Gas method (NG). For the visualization cases, SOM showed a better performance than NG, occurring the opposite case for the classification examples.

Aproximadamente el 80% de toda la información existente en el mundo corresponde a información georreferenciada. Esto crea una creciente necesidad de disponer de herramientas más flexibles, precisas y fáciles de usar para la visualización, exploración y clasificación de grandes volúmenes de datos geoespaciales. En esta investigación preliminar se comparan diferentes técnicas para representar y clasificar datos georreferenciados utilizando dos tipos de redes neuronales: mapas auto organizativos de Kohonen (SOM) y el método Gas Neuronal (NG). El estudio incluye dos tipos de análisis: visualización y clasificación. Para el estudio correspondiente a visualización se escogieron dos tipos de datos: En primer lugar se seleccionó una muestra de 23000 coordenadas (x, y, z) de una zona montañosa de Colombia con el objetivo de analizar la capacidad de cada uno de los métodos para modelar el terreno, es decir, para presentar visualmente la forma del relieve. El segundo conjunto de datos corresponde a la población de cada uno de los 1090 municipios de Colombia (coordenadas x, y, y población total). El objetivo poder visualizar geográficamente la densidad poblacional de cada una de las regiones. Para el análisis de clasificación igualmente se seleccionaron dos conjuntos de datos: el primero corresponde a la codificación climática de los municipios de Colombia; el segundo, a la clasificación de los municipios en su respectivo departamento. Para los casos de visualización, SOM mostró un mejor desempeño que NG, dándose el caso contrario para los ejemplos de clasificación.