Localizar finca por poligono y parcela
¿Cómo puedo ver las líneas de parcela en Google Earth?
Un Sistema de Información Geográfica (SIG) es una herramienta que crea representaciones visuales de datos y realiza análisis espaciales para tomar decisiones con conocimiento de causa. Es una tecnología que combina hardware, software y datos. Los datos pueden representar casi cualquier cosa imaginable, siempre que tengan un componente geográfico. El hardware puede ser cualquier cosa, desde un ordenador de sobremesa o un portátil hasta satélites, drones y unidades GPS portátiles. Existen varios paquetes de software, pero el paquete ArcGIS de ESRI es el estándar del sector. Los sectores público, privado y sin ánimo de lucro emplean los SIG para todo, desde la gestión de servicios públicos hasta la organización del movimiento y la dispersión de bienes y servicios. Los SIG son muy útiles en la cartografía tradicional, para trazar elementos como bocas de incendio a lo largo de una carretera, o para dibujar límites, como la superficie de los distintos campos de cultivo de una granja.
Pero el verdadero poder de los SIG reside en su capacidad para analizar múltiples capas de datos o variables. Algunos ejemplos sencillos en el ámbito de la agricultura serían: un mapa que muestre el número de lesiones en explotaciones agrícolas por condado, o el número de acres de cultivo perdidos por inundación por parcela del mapa fiscal. Los polígonos que representan las diferentes propiedades o municipios pueden transmitir el cambio de valores de diferentes maneras, siendo la más común una rampa de color cambiante.
Google Earth
Nuestra API proporciona a su aplicación un acceso rápido y fiable a polígonos de parcelas y atributos de datos, incurriendo en costes sólo cuando sus clientes acceden a los datos. Con tecnología de última generación, nuestra API de datos de parcelas ofrece a los clientes detalles actuales de propiedades y polígonos de parcelas para su uso en cualquier aplicación de mapas de cualquier sector.
Descubra cómo dos valiosos clientes de ReportAll, Tillable, un mercado de tierras de cultivo, y Maprisk, una herramienta de evaluación de riesgos de seguros, utilizan la API de ReportAll para crear soluciones personalizadas y específicas del sector para sus clientes.
La aplicación Tillable ofrece una amplia gama de soluciones, incluido un visor de mapas que conecta a agricultores y propietarios de todo el país con parcelas agrícolas para arrendar, comprar o vender. Cuando Tillable quiso ampliar su aplicación a escala nacional, la API ReportAll le proporcionó la solución que necesitaba.
NOVEDAD de Tillable: La última característica de Tillable permite a los usuarios ver y acceder a las granjas recientemente listadas para la venta. Utilizando la conexión API de ReportAll, los usuarios pueden dibujar alrededor del área de la granja que les gustaría evaluar con facilidad y acceder a los detalles de la propiedad a través de múltiples parcelas. Más información sobre Tillable.
Mapas de Google
AcreTrader (empresa matriz de AcreMaps) utiliza tecnología propia para facilitar la compraventa de tierras agrícolas, uno de los mayores sectores inmobiliarios de Estados Unidos, con un valor superior a los 3 billones de dólares. La visión de nuestro producto es la de un mundo en el que todas las explotaciones agrícolas se compren y vendan a un precio justo. Lea el caso práctico de AcreMaps UX para conocer mejor nuestro proceso de desarrollo.
AcreMaps está configurado para permitir a los usuarios seleccionar terrenos al nivel en que se negocian, es decir, por parcelas. Históricamente, a la hora de analizar los terrenos, nuestros analistas agrícolas observaban discrepancias entre los datos de las parcelas y los terrenos agrícolas reales que intentaban evaluar. Esto nos ayudó a definir un problema más general.
En este proyecto me resultaron muy útiles los personajes que habíamos establecido previamente. Al evaluar la necesidad de nuevas funciones, me propuse hacer pruebas con los grupos de usuarios pertinentes y resolver sus problemas. Los tres grupos de usuarios acabaron siendo relevantes a la hora de diseñar esta función.
Una vez que se estableció un problema más claro a través de la discusión con nuestros analistas de granja, pudimos hablar a través de hipótesis potenciales para una solución. Una de las características que surgió en las conversaciones fue la posibilidad de crear formas personalizadas para seleccionar terrenos no definidos por nuestros datos de parcelas. Nuestra propuesta se reducía a lo siguiente
Mapa por satélite gratuito que muestra las líneas de propiedad
La optimización en el aprendizaje profundo consiste en ajustar los "hiperparámetros". En este paso, encontraremos una "tasa de aprendizaje óptima" para nuestro modelo en los datos de entrenamiento. La tasa de aprendizaje es un parámetro muy importante, ya que durante el entrenamiento nuestro modelo verá los datos de entrenamiento varias veces y se ajustará a sí mismo (los pesos de la red). Una tasa de aprendizaje demasiado alta hará que nuestro modelo converja a una solución subóptima y una tasa de aprendizaje demasiado baja puede ralentizar la convergencia de nuestro modelo. Podemos utilizar el método lr_find() para encontrar una tasa de aprendizaje óptima con la que podamos entrenar un modelo robusto lo suficientemente rápido.
Para empezar, vamos a entrenar el modelo durante 30 épocas. Una epoch significa que el modelo verá el conjunto de entrenamiento completo una vez y así sucesivamente. Si crees que los resultados no son satisfactorios podemos entrenarlo con un mayor número de épocas.
El código que se muestra a continuación elegirá algunas muestras aleatorias y nos mostrará la verdad sobre el terreno y las respectivas predicciones del modelo una al lado de la otra. Esto nos permite previsualizar los resultados de su modelo en el propio cuaderno, una vez satisfechos podemos guardar el modelo y utilizarlo más adelante en nuestro flujo de trabajo.