Kartapullautin + Machine Learning

Imaginemos un repositorio hecho por la Federación Española de Orientación en la Naturaleza, en la que se encuentran todos los mapas cartografiados en formato OCAD, de manera parecida a como actúa el registro cartográfico actual.

Imaginemos, a su vez, una aplicación del estilo a la ya existente con un mapa de España en la que aparecen superpuestas las ubicaciones de cada mapa en el registro. Navegando por el mapa (parecido a Google Maps) sabríamos de un vistazo rápido que zonas han sido cartografiadas y cuándo.

Ahora supongamos que en el despacho de la FEDO existe un PC GAMING con una tarjeta gráfica ketkjas, un procesador cucumber y acceso al repositorio con todos los mapas en formato OCAD.

Uno podría, en principio, tomar en consideración las bases de datos Lídar del IGN y de Ocad de la FEDO, y diseñar un algoritmo apoyado en un programa de machine learning que opere de la siguiente manera:

1. Se selecciona una zona y un tipo de criterio cartográfico. Podríamos tomar, por ejemplo, todos los mapas cartografiados por Jaime Montero y Richi en la serranía de Cuenca.

2. Se descargan los datos lídar de las zonas cartografiadas.

3. Con un algoritmo que actúe de manera análoga al Kartapullautin, es decir, clasificando los datos Lídar por alturas (bosque alto es blanco, bosque bajo es verde, diferencias bruscas de altimetría se identifican como terraplenes etc) se analizan los datos Lídar de las zonas cartografiadas.

4. Si este algortimo se implementa en un programa de Machine Learning, el programa comparará los datos lídar procesados por el algoritmo inicial con los datos del mapa cartografiado, y utilizará la comparativa para mejorar el análisis de más datos. De esta manera se optimiza el algoritmo para que imite lo mejor posible el criterio cartográfico de los mapas comparados.

5. Una vez procesada una gran cantidad de mapas, se emplea el algoritmo que se ha optimizado con Machine Learning para cartografiar de manera automática nuevas superficies de terreno que compartan criterios con los mapas utilizados para optimizar el algoritmo.

Nótese que el resultado del programa de procesamiento de datos Lídar no tiene por qué ser exactamente el actual que da el Kartapullautin, se podría diseñar el algoritmo de manera que pinte el mapa en formato vectorial (como el OCAD) en vez de imagen. Por otra parte, habría elementos que el algoritmo no sería capaz de procesar satisfactoriamente, imaginemos por ejemplo las cárcavas en los mapas de Murcia pintadas con una línea azul en el centro de la cárcava, o vegetación baja como podrían ser Jaras de altura media debajo de pinares de gran altura como ocurre en la Jarosa.

Las complicaciones son grandes y llevar a cabo este proyecto presenta una serie de problemas:

1. La burocracia necesaria para obtener mapas de terrenos aledaños tratados con un mismo criterio en formato .ocd

2. El acceso y desarrollo de un software de procesamiento de datos Lídar por alturas similar al Kartapullautin, pero que pueda ser implementado con Machine Learning.

3. El flujo de datos entre el algoritmo y el Ocad debe ser total y a día de hoy todavía es necesario cambiar el formato de los datos lídar para poder subirlos al Ocad. Creo que el Ocad12 ya presenta ventajas al respecto, pero todavía las desconozco.

Las ideas están ahí. Es momento de llevarlas a cabo. Si sabéis cómo, adelante.