Búsqueda de patrones relacionados con la obra civil derivados del uso de la RAP

Abstract

La actualización de la cartografía sigue siendo un desafío hoy en día. Sin embargo, herramientas como la Red Andaluza de Posicionamiento (RAP) pueden permitir avanzar en la materia, ya que los registros recopilados por la Red permiten identificar patrones al tratar los datos. En este proyecto, la metodología seguida ha sido la creación de algoritmos escritos en lenguaje Python, mediante los cuales se trata de identificar las obras lineales que no estén reflejadas en el DERA. Esto se ha realizado en distintas fases. Una primera de extracción y simplificación de puntos que no fueran de interés (aislados y en núcleos urbanos). Después, se han identificado aquellas conexiones que ya estén reflejadas en el DERA, para poder diferenciar finalmente todas aquellas que no lo estén. Serán los patrones obtenidos de estas últimas las que permitirán realizar un análisis. Finalmente se han obtenido una serie de resultados los cuales, aunque no demuestran una total eficacia de los algoritmos, sí que permiten atisbar un camino a seguir para poder obtener mejores resultados. También se analiza una posible forma de categorizar los patrones obtenidos mediante algoritmos de Machine Learning. A pesar de esto esta técnica no podrá ser llevada a cabo por la naturaleza de los datos, fuertemente dependiente del comportamiento aleatorio del topógrafo.

Nowadays, the update of the cartography continues being a challenge. However, tools such as the Andalusian Network of Positioning (RAP) let us to improve in the matter, because the records of the Network allow us to identify patterns. In this project, the methodology is based in creating algorithms in Python language. With these scripts we try to identify linear patterns that are not reflected in the DERA. This process has been done in different phases. Firstly, an extraction and simplification of points that are not useful (isolated or in urban zones). Afterwards, connections that were already reflected in the DERA have been identified, in order to differentiate from the “new” patterns. Finally, we have obtained a series of results which, although they are not efficient enough, they let us to discover a way to keep researching. A possible way of categorizing patterns by using Machine Learning is also analyzed. Unfortunately, this technique cannot be carried out due to the nature of the data, highly dependent on the random behavior of the topographer.