Cartografías semánticas mediante redes neuronales: los mapas auto-organizados (SOM) como representación de patrones y campos

Francisco Javier Abarca-Alvarez, Fernando Osuna Pérez

Resumen

Las ciencias de la Inteligencia Artificial proporcionan técnicas para la comprensión y caracterización de las coherencias y de los patrones que constituyen la realidad. Entre ellas destacan las redes neuronales artificiales y concretamente los Mapas Auto-organizados (SOM) por su capacidad de cartografiar la realidad, representando sus objetivos distribuidos estructurados bidimensionalmente, a partir únicamente de sus propiedades. Se generan así toda una serie de relaciones topológicas que permiten a su vez la agrupación y caracterización de la realidad. En la investigación se exploran estas representaciones como método válido de obtención de información e interpretación de la realidad. Como experimentación se implementan tales técnicas para la comprensión de diversos tejidos residenciales ejemplares, obteniéndose un agrupamiento tipológico que permite caracterizar las formas urbanas a partir de sus variables definidoras.

Palabras clave

Cartografía semántica; Mapa Auto-organizado; SOM; Patrón; Estructura

Texto completo:

PDF

Referencias

ALLEN, S., 2009. From object to field: Field conditions in architecture and urbanism. En: S. Allen, ed., 2009. Practice: Architecture, tecnique + representation, Nueva York: Routledge, p. 150.

AUGÉ, M., 2000. Los no lugares. Espacios del anonimato. Una antropología de la sobremodernidad (5ª ed.). Barcelona: Gedisa, p. 51. [Nonlieux. Introduction à une anthropologie de la surmodenitè. Seuil: Edition de Seuil. 1992].

DUPUY, G., 1991. L’Urbanisme des Réseaux. Théories et methods. Paris: Armand Colin.

JACOBS, J., 1961. The death and life of great American cities. Nueva York: Random House.

GOLDENFELD, N. y KADANOFF L. P., 1999. Simple lessons from complexity. Science, 284(5411), pp. 87–89. http://dx.doi.org/10.1126/science.284.5411.87

PRECEDO LEDO, A., 2004. Nuevas realidades territoriales para el siglo XXI: desarrollo local, identidad territorial y ciudad difusa, Volumen 10. Madrid: Síntesis.

ALEXANDER, C., 1971. El medio ambiente. En: C. Alexander, ed. 1971. La estructura del medio ambiente. Barcelona: Tusquets. p. 95.

KOHONEN, T., 1989. Self-organizing semantic maps. Biological cybernetics 61(4), pp. 241–254. http://dx.doi.org/10.1007/BF00203171

CHERKASSKY, V. S. y FRIEDMAN J. H., 1994. From Statics to Neural Networks: Theory and Pattern Recognition Appications. Berlin: Springer.

PITARQUE, A., ROY J. F. y RUIZ J. C., 1998. Redes neuronales vs modelos estadísticos: Simulaciones sobre tareas de predicción y clasificación. Psicológica 19, pp. 387–400.

WEISS, S. M. y INDURKHYA, N., 1998. Predictive Data Mining: A Practical Guide. San Francisco: Morgan Kaufmann.

WHITE, R. y ENGELEN G., 1993. Cellular-automata and fractal urban form a cellular modeling approach to the evolution of urban land use patterns. Environment and Planning A, 25(8), pp. 1175–1199. http://dx.doi.org/10.1068/a251175

IRWIN, E. G. y GEOGHEGAN, J., 2001. Theory, data, methods: Developing spatially explicit economic models of land use change. Agriculture Ecosystems and Environment, 85(1-3), pp. 7–23. http://dx.doi.org/10.1016/S0167-8809(01)00200-6

OPENSHAW, S. y ABRAHART, R. J., 2000. Geocomputation. Londres y Nueva York: Taylor and Francis.

WU, F., 1998. An experiment on the generic polycentricity of urban growth in a cellular automatic city. Environment and Planning B Planning and Design 25(5), pp. 731–752. http://dx.doi.org/10.1068/b250731

DIAPPI, L., BOLCHIM, P. y BUSCEMA, M., 2004. Improved Understanding of Urban Sprawl Using Neural Networks. Dordrecht: Springer.

HAGEN ZANKER, A. y TIMMERMANS, H. J. P., 2009. A metric of compactness of urban change illustrated to 22 european countries. En: Hagen Zanker, A. y Timmermans, H. J. P. eds, 2009. European Information Society: Taking Geoinformation Science One Step further, 181–200.

Abarca-Alvarez, F. J. y Fernández Avidad, A., 2010. Generation of Downtown Planning-Ordinances using Self Organizing Maps. En: Design & Decision Support Systems 2010 International Conference. Eindhoven: Tue Eindhoven.

ABARCA-ALVAREZ, F. J. 2011. Identificación de patrones para la ordenación urbanística mediante redes neuronales. Hacia la Ordenanza-Red. Serie Geográfica. 17, pp. 45-60. Disponible en http://hdl.handle.net/10481/18495.

BERGHAUSER PONT, M. y HAUPT, P., 2010. Spacematrix: Space, Density and Urban Form. Rotterdam: Nai Publishers.

Abstract Views

4021
Metrics Loading ...

Metrics powered by PLOS ALM


 

Citado por (artículos incluidos en Crossref)

This journal is a Crossref Cited-by Linking member. This list shows the references that citing the article automatically, if there are. For more information about the system please visit Crossref site

1. Survey Assessment for Decision Support Using Self-Organizing Maps Profile Characterization with an Odds and Cluster Heat Map: Application to Children's Perception of Urban School Environments
Abarca-Alvarez, Campos-Sánchez, Mora-Esteban
Entropy  vol: 21  num.: 9  primera página: 916  año: 2019  
doi: 10.3390/e21090916



Esta revista se publica bajo una licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional

Universitat Politècnica de València

e-ISSN: 2254-6103   ISSN: 1133-6137  https://doi.org/10.4995/ega