Hoe kunnen Machine Learning en Deep Learning de Cartografie en Geospatiale Data-analyse Transformeren?

Machine Learning (ML) en Deep Learning (DL) zijn technieken die in toenemende mate invloed hebben op de manier waarop we geospatiale data analyseren en visualiseren. Deze technieken maken het mogelijk om enorme hoeveelheden onbewerkte data te verwerken, patronen te herkennen en voorspellingen te doen, die voorheen onbereikbaar leken. Het proces van het extraheren van betekenisvolle informatie uit grote hoeveelheden ruwe gegevens kan alleen met voldoende rekenkracht en geavanceerde algoritmes. Het resultaat is dat de modellen in staat zijn om complexe structuren, zoals de verspreiding van ziektes, te identificeren en te voorspellen met behulp van data die voorheen nauwelijks interpreteerbaar waren.

Het proces begint met de keuze van een geschikt modeltype, afhankelijk van de aard van het probleem en de gegevenssituatie. Het gebruik van Convolutional Neural Networks (CNN) is bijvoorbeeld bijzonder effectief voor het analyseren van matrixstructuren, zoals beelden, waarbij de algoritmes leren kenmerken, patronen en relaties te extraheren na het toepassen van verschillende filteringstechnieken. Andere veelgebruikte technieken zijn Recurrent Neural Networks (RNN) voor gegevens met lineaire structuren, en Graph Neural Networks (GNN) voor topologische relaties.

Een bijzonder toepassingsgebied van deze algoritmes is Natural Language Processing (NLP), waarbij tekstgegevens worden geanalyseerd om correlaties en anomalieën te ontdekken. Dit is bijvoorbeeld van toepassing bij het analyseren van gezondheidsrapporten of sociale media om verbanden met de verspreiding van ziektes zoals COVID-19 te identificeren. Het gebruik van machine learning en deep learning in deze context stelt onderzoekers in staat om voorspellingen te doen over waar uitbraken kunnen plaatsvinden en welke gebieden het meeste risico lopen.

Het gebruik van ML/DL-modellen vereist niet alleen het trainen van het model met voldoende data, maar ook een zorgvuldige evaluatie en optimalisatie van het model. Dit gebeurt door de resultaten te vergelijken met een onafhankelijke dataset en het model aan te passen om de voorspellingen te verbeteren. De zogenaamde verliesfunctie wordt hierbij gebruikt om te bepalen hoe goed het model presteert in het herkennen van de gewenste patronen. In het geval van COVID-19 kan dit bijvoorbeeld betekenen dat het model wordt geëvalueerd op basis van de nauwkeurigheid van de voorspellingen over de geografische spreiding van gevallen.

Een van de grootste uitdagingen bij het gebruik van machine learning in de geospatiale data-analyse is de rasterisatie van input- en outputdata. Veel modellen vereisen de conversie van complexe, continue gegevens naar rasterformaat, wat kan leiden tot een verlies van belangrijke informatie. Dit kan bijvoorbeeld betekenen dat wegen in een netwerk niet goed worden weergegeven of dat de geometrische kenmerken van gebouwen worden vervormd. De Europese Unie heeft deze uitdaging erkend en roept in de "Artificial Intelligence Act" op tot transparantie en begrijpelijkheid in AI-modellen, met name in de context van geospatiale data.

In dit kader heeft het veld van Explainable AI (XAI) zich ontwikkeld. Het doel van XAI is niet alleen om modellen te leveren die werken, maar ook om modellen te ontwikkelen die begrijpelijk en uitlegbaar zijn voor de gebruiker. Dit is met name relevant in de context van geospatiale data, waar de mogelijkheid om de beslissingen van een model te begrijpen essentieel is voor het vertrouwen en de toepassing in praktische scenario’s. Graph-gebaseerde modellen, bijvoorbeeld, worden gepromoot als een oplossing voor het overkomen van de beperkingen van rasterisatie. Ze kunnen een rijkere representatie van geografische data leveren en tegelijkertijd de transparantie en begrijpelijkheid van het model verbeteren.

Bij het gebruik van kaarten als inputgegevens kunnen geavanceerdere patronen worden afgeleid uit al geclassificeerde en gevisualiseerde data. In het geval van historische kaarten kan machine learning bijvoorbeeld worden gebruikt om specifieke objecten te identificeren, zoals kruispunten in oude kaarten, of om functionele stadsgebieden af te bakenen. Dit kan bijdragen aan de verrijking van cartografische kennis, door het mogelijk te maken om verbanden te ontdekken die voorheen verborgen waren in de gegevens.

Het gebruik van machine learning en deep learning in cartografie en geospatiale data-analyse is echter nog niet zonder uitdagingen. Hoewel de technologie steeds verder verfijnt, is het gebruik van semantische en topologische informatie in beeldherkenning nog relatief onderontwikkeld. Geometrische informatie wordt vaak de focus van onderzoek, terwijl de rijke context die topologische en semantische gegevens bieden, vaak niet volledig wordt geïntegreerd in de modellen. Dit vormt een belangrijk gebied voor toekomstige ontwikkeling en onderzoek.

Hoe internationale cartografische verenigingen de wetenschap en praktijken van kaartproductie beïnvloeden

Na de Tweede Wereldoorlog werden verschillende nationale en internationale cartografische verenigingen opgericht, die sindsdien fungeren als belangrijke platforms voor de uitwisseling van kennis en voor het bevorderen van cartografische wetenschappen. Deze verenigingen brengen wetenschappers, beheerders, en vakgenoten samen, en vormen daarmee de brug tussen de theoretische benaderingen van cartografie en hun praktische toepassingen. Ze dragen ook bij aan de ontwikkeling van normen en best practices, die essentieel zijn voor de geavanceerde productie van kaarten en geografische informatie.

De International Cartographic Association (ICA), opgericht in 1959 in Bern, is een van de prominente internationale organisaties die zich inzet voor het bevorderen van cartografie op mondiaal niveau. Met 74 nationale verenigingen en 38 private of officiële instellingen als leden, is de ICA een netwerk dat de krachten bundelt van verschillende cartografische gemeenschappen. De vereniging is verantwoordelijk voor het organiseren van de International Cartographic Conference (ICC), die om de twee jaar plaatsvindt, en voor het publiceren van het International Journal of Cartography, een toonaangevend tijdschrift op het gebied van cartografie.

Naast de ICA bestaat er ook de International Map Industry Association (IMIA), voorheen bekend als de International Map Trade Association (IMTA). Deze organisatie is een overkoepelende vereniging van bedrijven en instellingen die zich richten op de kaarten- en geoinformatie-industrie, en speelt een cruciale rol in het bevorderen van samenwerking tussen verschillende marktspelers. De IMIA biedt een platform voor de nieuwste innovaties op het gebied van kaartproductie, geospatiale technologieën en de verkoop van kaarten en geografische informatieproducten.

Verschillende tijdschriften hebben zich gepositioneerd als belangrijke publicaties voor de verspreiding van cartografisch onderzoek. Cartographic Perspectives, bijvoorbeeld, gepubliceerd door de North American Cartographic Information Society (NACIS), heeft sinds zijn oprichting in 1989 bijgedragen aan de verspreiding van zowel academische als praktijkgerichte artikelen. Andere tijdschriften zoals Cartographica (1964) en Cartography and Geographic Information (1974) richten zich op zowel de theorie als de praktijk van cartografie en geoinformatics.

In Nederland, evenals in andere landen, dragen kartografische verenigingen bij aan het ontwikkelen van normatieve standaarden en het stimuleren van onderzoek. Dit heeft niet alleen invloed op het ontwerp van kaarten, maar ook op hoe deze kaarten worden gepresenteerd en geanalyseerd. Het begrijpen van deze dynamieken is essentieel voor zowel academici als professionals in het veld, omdat ze bijdragen aan de verduidelijking van complexe geografische concepten en het verbeteren van de precisie en bruikbaarheid van kaarten in diverse contexten.

Wat belangrijk is om te begrijpen is dat de invloed van cartografische verenigingen en de ontwikkeling van kaarten niet alleen gericht is op het verbeteren van wetenschappelijke kennis, maar ook op praktische toepassingen die van invloed kunnen zijn op beleid, planning en besluitvorming. Het blijft van cruciaal belang dat men zich bewust is van de ethische en praktische overwegingen die gepaard gaan met het produceren van kaarten, zoals de keuze van projectie, schaal en symbolen, omdat deze keuzes de perceptie van de geografische realiteit kunnen beïnvloeden. Dit maakt de rol van cartografie als wetenschap, maar ook als krachtig communicatiemiddel, uiterst relevant in het moderne tijdperk van big data en geografische informatiesystemen (GIS).