地籍

神經網絡,玻利維亞最好的

從玻利維亞返回的行程很累,旅行了22個小時,最複雜的事情是在到達我的出發地之前,在薩爾瓦多的Comalapa機場進行的最後一次中途停留。 這是一個很累的一周,一天中大部分時間要花8到5個工作日,有很多食物,但也有很多學習知識。

幾乎我們所有人都得出結論,該課程內容太多,實際工作量太少,這影響了必須處理一整天的演講的講師的負擔,這些講師有無聊的Powerpoint和不同級別的聽眾...半打do睡,另一半則迷失了方向,另一些人則希望從他們已經做過的事情中獲得實際利益。 但是,帶有演示文稿的CD和來自各個國家的展覽的補充都取得了良好的效果。

在這些演講中,最引起我注意的演講是在人工智能原理下將神經網絡應用於復雜過程。

圖片

問題

無論是由中央機構還是地方政府來徵收財產稅,都需要實施大規模的估值方法。 為此,從簡化(撒謊)到過於復雜(不可持續),有好幾種。 這些廣泛傳播的方法之一是通過市場法對土地進行評估和建築物重置成本。 這至少需要三個艱鉅的任務:

1.更新 改進值。 它的手段是通過所謂的建設性類型學建立的,這些結構性預算由預算章節組成,而預算章節則由建設性要素組成,並由基本要素作為單位成本表構成。 這樣,最簡單的方法就是更新輸入基礎:材料,人工,設備和機械,更專業的服務,然後可以使用建築類型。 像這樣的方法的實用性在於,為評估表收集現場數據僅需要計算建築面積,建築特徵,質量和保護……有據可查的文件可以克服主觀性。

對於農村地區,還對那些賦予土地生產價值的特性進行了研究,例如永久性作物,可銷售的資源或潛在用途。

2.更新地圖 地面價值。 這是建立在房地產可靠交易樣本的基礎上的,它具有重要的代表性,並隨著時間的推移具有市場價值。 然後這些值成為包含基於鄰近度和服務趨勢的同質區域。

3.網絡更新 公用事業。 舉個例子,當道路基礎設施的狀態發生變化時,這些特徵會影響一個或多個正面的屬性。 因此,理想的是將值從街區轉移到街道軸線,以便可以將其與影響物業前端的比例相關聯...社區與收益之間的關係不僅影響可以線性變化的土地價值。

每5年進行一次操作並不困難,但是即使有計算機應用程序,對於許多城市而言,以不同的方式進行操作也變得不可持續,因為它仍然依賴於外部數據和現場樣本。

應用

西班牙經濟部的YedraGarcía做了關於該主題的演講 “人工智能應用於大規模估價”

該概念以英文發佈在網絡上,但是Yedra提出了一種可能性,通過使用應用於該問題的神經網絡可以解決方法學的自動化問題,無論它看起來多麼複雜:

這意味著在中等水平上最少數量的指標可以具有比較關係,即通過發送輸入值的趨勢並通過條件相似性的空間分析通過向上求同構區域的值的初步建議,可以生成矩陣從而以兩種方式針對實際數據(例如來自建築價格或房地產價格的電子公告中的數據)提供冗餘。

當然,這不涉及對錶格數據的簡單分析,而是涉及影響評估,公路幹線互連以及共享鄰域的拓撲分析的圖層的空間分析。

這可能會帶來超出財產稅目的簡單估價的結果,例如根據對重估資本收益和收回資本收益的影響條件進行的作品規劃……等等。

圖片

這個職位讓我有一天想實現綠色的目標。

高爾基阿爾瓦雷斯

作家、研究員、土地管理模型專家。 他參與了模型的概念化和實施,例如:洪都拉斯國家財產管理系統 SINAP、洪都拉斯聯合市政管理模型、地籍管理綜合模型 - 尼加拉瓜登記處、哥倫比亞領土 SAT 管理系統. 自 2007 年以來,Geofumadas 知識博客的編輯和 AulaGEO 學院的創建者,其中包括 100 多門關於 GIS - CAD - BIM - 數字孿生主題的課程。

相關文章

發表評論

您的電子郵件地址將不會被發表。 必填字段標有 *

返回頂部按鈕