1 noviembre 2009 Grupo de Investigación Mercator. Laboratorio de Tecnologías de la Información Geográfica (IGN +UPM).España VI Jornadas técnicas de la IDE de España JIDEE09 - Murcia Comparación de algoritmos para la conflación geométrica de información vectorial Carlos López-Vázquez (*) y Carlos H. González

2 Grupo de Investigación Mercator. Laboratorio de Tecnologías de la Información Geográfica (IGN +UPM).España noviembre 2009 Conflación Usar conjuntamente cartografía A con B Discrepancias Semánticas Topológicas Geométricas El problema…

3 Procedimiento estándar 1)Detectar objetos homólogos Típicamente puntos Automático, semiautomático, manual, etc. 2)Efectuar transformación matemática [X,Y]=[x+g(x,y),y+h(x,y)]= f(x,y) Problema: estimar f(x,y) Basada en homólogos disponibles Opciones: Interpolar/Aproximar

4 Estimar f(x,y)... ¿cómo? Problema estándar Muchos métodos bien establecidos Si ignoramos restricciones cartográficas… Trabajos comparativos Pocos Metodológicamente endebles Un único juego de datos de prueba Análisis estadístico débil Típico EMC Sin nivel de confianza

5 Procedimiento propuesto Varios pasos: 1)Detectar objetos homólogos 2)Efectuar transformación matemática 3)Evaluar éxito Selección de una métrica adecuada Validación cruzada Simulación de Monte Carlo

6 Algún detalle… Para cada k se obtiene un orden M3>M5>M2>M4>M1 Hay K tuplas, con K grande Test de Friedman Usado para evaluar K jueces catando P vinos, o K pacientes tratados con P medicinas Señala diferencias sistemáticas Requiere especificar nivel de confianza Aplicable si K>15; P>4

7 Resultados preliminares KO es el típicamente el mejor TINTERP_QUAD es casi siempre el segundo KO es paramétrico; el otro no Los demás están más o menos cerca ¿Qué tan buenos son?

8 La reducción típica es del 75% Muy lejos del 0%

9 Conclusiones Se han considerado varios métodos Ensayo estadísticamente válido Resultados aún lejos del deseado ¿Poca densidad de puntos homólogos? ¿Métodos inadecuados? ¿Caso patológico? Métrica quizá no representativa

10 Trabajos futuros Agregar otros métodos ¿Desarrollar alguno nuevo? Ensayar en otras regiones Forzar nuevos puntos homólogos Considerar restricciones cartográficas Para imponerlas Para ignorarlas Desarrollar otras métricas

Gracias por su atención 11 noviembre 2009 Carlos López-Vázquez UPM-Topografía

12 Métricas tradicionales Heredadas de la cartografía tradicional Error Medio Cuadrático Error Máximo Percentiles Recogidas en estándares (ej.: NSSDA) Ventaja: Miden discrepancias del dato puro Desventaja: Ignoran ámbito de aplicación

13 El experimento Incluye Monte Carlo y Validación Cruzada Repetir para k=1,2,…,K: Seleccionar M homólogos de un subconjunto Para cada método: Estimar f, y realizar la transformación Evaluar el NSSDA, y guardar Analizar estadísticamente Ordenar los métodos según desempeño

14 Validación Cruzada Si hay N pares de homólogos… Usar M para estimar f(x,y) y g(x,y) Calcular X e Y en los (N-M) restantes Analizar discrepancias NSSDA requiere (N-M)20 Si los M pueden elegirse al azar Monte Carlo

15 Métricas no tradicionales Tendrían en cuenta El dispositivo de despliegue Iluminación ambiente Limitaciones del sistema visual humano Vistazo vs. Análisis parsimonioso Poco estudiadas Tema a investigar

16 Varias clasificaciones posibles Métodos no paramétricos IDW Transformación afín a trozos GRIDDATA® TINTERP Métodos paramétricos Krigeado Ordinario Krigeado Residual GRIDFIT

17 Varias clasificaciones posibles Basados en triangulación Transformación afín a trozos TINTERP Basados en grillas regulares GRIDDATA® Sin grillas ni triangulación IDW Krigeado Ordinario Krigeado Residual

18 Varias clasificaciones posibles C 0 : La superficie es continua Transformación afín a trozos GRIDDATA con opción DEFAULT TINTERP con opción QUAD C 1 : La superficie es diferenciable GRIDDATA con opción CUBIC C p : La superficie es diferenciable p veces IDW Krigeado Ordinario Krigeado Residual …