Tesi etd-07042005-104412 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea specialistica
Autore
Scrimitore, Luigi
Indirizzo email
scrimito@cli.di.unipi.it
URN
etd-07042005-104412
Titolo
Metodo di Knowledge Discovery applicato ai Geographical Information Systems
Dipartimento
SCIENZE MATEMATICHE, FISICHE E NATURALI
Corso di studi
INFORMATICA
Relatori
relatore Dott. Rinzivillo, Salvatore
relatore Prof. Turini, Franco
relatore Prof. Turini, Franco
Parole chiave
- Geographical Information Systems (GIS)
- Knowledge discovery
Data inizio appello
22/07/2005
Consultabilità
Completa
Riassunto
La notevole crescita dei dati raccolti e memorizzati in databases ha creato la necessità di elaborarli al fine di ottenere conoscenze ed informazioni latenti e non facilmente rilevabili. Tale processo prende il nome di data mining o, più propriamente, knowledge discovery in databases (KDD).
I dati spaziali sono informazioni riguardanti oggetti che occupano uno spazio. Uno spatial database immagazzina, perciò, tali informazioni. Tra i vari modelli di rappresentazione dei dati spaziali, un cenno a parte meritano i Geographic Information Systems (GIS), in cui gli oggetti vengono rappresentati per mezzo di mappe.
I GIS e il processo di Knowledge Discovery in Databases (KDD) sono due tecnologie sviluppatesi con deboli correlazioni tra di loro. Recentemente, con l accumulo di informazioni geografiche all interno dei databases, si è realizzato l effettivo potenziale delle informazioni contenute, rendendo logico, ed estremamente importante, l uso delle tecniche di data mining applicate ai GIS.
L esigenza di fondere due strumenti tecnologici così differenti infatti, nasce dalla consapevolezza che è lecito supporre che tra i dati aventi una valenza spaziale possono sussistere influenze e correlazioni tali da condizionare il comportamento e la distribuzione degli oggetti stessi presenti nel sistema. E impensabile non ritenere che, ad esempio, la presenza di un mare nei pressi di una città non agisca su di essa e sulle dinamiche che la regolano.
Permettere di definire modelli in grado di prevedere andamenti, spiegare comportamenti all apparenza complessi e di intervenire efficacemente sul territorio in esame è un aspetto essenziale in molti settori dell economia, dell industria, della ricerca e in generale in qualunque caso si debba analizzare dati geograficamente distribuiti.
Fino a pochi anni fa, gli unici strumenti utilizzati per risolvere tali problematiche erano basati su modelli statistico-descrittivi, spesso insufficienti o imperfetti nel rappresentare la realtà in quanto non in grado di rilevare le interdipendenze tra gli oggetti. Gli strumenti di analisi realizzati applicando tecniche di data mining ai dati presenti in un GIS, invece, sono in grado di evidenziare relazioni spaziali e patterns significativi non facilmente rilevabili tramite una semplice interpretazione visuale delle mappe.
In questa tesi, dopo aver evidenziato i metodi più noti in letteratura, si espone un sistema integrato in grado di combinare gli strumenti tradizionali di knowledge discovery con il modello di memorizzazione dei dati spaziali denominato GIS, al fine di ottenere patterns da cui ottenere regole assocative spaziali in grado di esprimere le correlazioni più importanti tra classi di oggetti spaziali.
I dati spaziali sono informazioni riguardanti oggetti che occupano uno spazio. Uno spatial database immagazzina, perciò, tali informazioni. Tra i vari modelli di rappresentazione dei dati spaziali, un cenno a parte meritano i Geographic Information Systems (GIS), in cui gli oggetti vengono rappresentati per mezzo di mappe.
I GIS e il processo di Knowledge Discovery in Databases (KDD) sono due tecnologie sviluppatesi con deboli correlazioni tra di loro. Recentemente, con l accumulo di informazioni geografiche all interno dei databases, si è realizzato l effettivo potenziale delle informazioni contenute, rendendo logico, ed estremamente importante, l uso delle tecniche di data mining applicate ai GIS.
L esigenza di fondere due strumenti tecnologici così differenti infatti, nasce dalla consapevolezza che è lecito supporre che tra i dati aventi una valenza spaziale possono sussistere influenze e correlazioni tali da condizionare il comportamento e la distribuzione degli oggetti stessi presenti nel sistema. E impensabile non ritenere che, ad esempio, la presenza di un mare nei pressi di una città non agisca su di essa e sulle dinamiche che la regolano.
Permettere di definire modelli in grado di prevedere andamenti, spiegare comportamenti all apparenza complessi e di intervenire efficacemente sul territorio in esame è un aspetto essenziale in molti settori dell economia, dell industria, della ricerca e in generale in qualunque caso si debba analizzare dati geograficamente distribuiti.
Fino a pochi anni fa, gli unici strumenti utilizzati per risolvere tali problematiche erano basati su modelli statistico-descrittivi, spesso insufficienti o imperfetti nel rappresentare la realtà in quanto non in grado di rilevare le interdipendenze tra gli oggetti. Gli strumenti di analisi realizzati applicando tecniche di data mining ai dati presenti in un GIS, invece, sono in grado di evidenziare relazioni spaziali e patterns significativi non facilmente rilevabili tramite una semplice interpretazione visuale delle mappe.
In questa tesi, dopo aver evidenziato i metodi più noti in letteratura, si espone un sistema integrato in grado di combinare gli strumenti tradizionali di knowledge discovery con il modello di memorizzazione dei dati spaziali denominato GIS, al fine di ottenere patterns da cui ottenere regole assocative spaziali in grado di esprimere le correlazioni più importanti tra classi di oggetti spaziali.
File
Nome file | Dimensione |
---|---|
KDinGIS.pdf | 1.53 Mb |
Contatta l’autore |