Применение информационных технологий для научных исследований в области земельного, природоресурсного, аграрного права

1. «Применение информационных технологий (в частности, нейронных сетей) для научных исследований в области земельного,

природоресурсного,
экологического, аграрного права.
Специализированные
прикладные информационные системы,
применяемые для научных исследований в
области земельного, природоресурсного,
экологического, аграрного права».

2. Понятие искусственной нейронной сети

• Искусственные нейронные сети – это математические модели и их
программные или аппаратные реализации, построенные по принципу
организации и функционирования биологических нейронных сетей –
сетей нервных клеток живого организма.

3. Структура биологической нейронной сети

Биологическая нейронная сеть
состоит из миллионов нейронов.
Каждый нейрон принимает
входящие сигналы, поступающие от
многих тысяч других нейронов.
Нейроны соединены аксонами и
дендритами. Нейроны получают
сигналы от других нейронов через
дендриты и направляют свой сигнал
другим нейронам через аксон.
То место, где дендрит соединяется с
другим нейроном, называется
синапсом. Синапсы пластичны, то
есть сила их связи с нейроном может
увеличиваться или уменьшаться.
Сильный сигнал, передаваемый
через слабый синапс, может иметь
такой же эффект, как слабый сигнал,
передаваемый через сильный
синапс. Полученные через синапс
данные приводят нейрон в
возбуждение, которое он передает по
своему аксону другим нейроном.

4. Принцип работы ИНС

Искусственный нейрон – это
вычислительная единица, которая
получает информацию, производит
над ней простые вычисления и
передает информацию дальше
посредством синапсов. Каждый
нейрон обрабатывает информацию
совершенно одинаково, поэтому
особое значение имеют синапсы,
которые соединяют нейроны друг с
другом.
В итоге информация, полученная
следующим нейроном, представляет
собой сумму всех данных,
перемноженных на коэффициент
веса (характеристика синапса).
Так информация передается пока не
дойдет до выходного слоя.

5. Преимущества и недостатки ИНС

Преимущества
Способствует снижению
субъективного фактора
Может решать
нелинейные проблемы
В случае успешного
обучения дает точные
прогнозы в кратчайшие
сроки
Позволяет
визуализировать
последствия
Недостатки
Требует большого количества
усилий на этапе разработки и
обучения нейронной сети.
Необходимы специалисты из
различных направлений: как
программисты, работающие с
нейронной сетью, так и
специалисты той области, для
которой нейронная сеть
разрабатывается
Как правило, используется дорогое
программное обеспечение
Сложность определения критериев
оценки
Трудно унифицировать ИНС.

6. Примеры применения нейронных сетей в сфере земельного, природоресурсного, аграрного и экологического права

ПРИМЕРЫ ПРИМЕНЕНИЯ
НЕЙРОННЫХ СЕТЕЙ В
СФЕРЕ ЗЕМЕЛЬНОГО,
ПРИРОДОРЕСУРСНОГО,
АГРАРНОГО И
ЭКОЛОГИЧЕСКОГО ПРАВА

7. Моделирование роста городов

• Причина: нерегулируемый рост городов,
• . обусловленный
постоянным приростом городского населения.
• Негативные последствия: потеря сельскохозяйственных земель,
уменьшение количества подземных вод, загрязнение окружающей
среды, недостаточное количество объектов инфраструктуры.
• Цель: обеспечение устойчивого развития территорий
• Способ решения: разработка одной или нескольких моделей роста
городов
• Средство: ИНС
• Обусловленность выбранного средства: рост городов – это
сложный феномен, обусловленный рядом переменных, нелинейно
взаимодействующих друг с другом.

8. Решаемые задачи:

• понимание процесса роста городов;
• устойчивое и предсказуемое развитие
населенных пунктов;
• сохранность плодородных и пригодных для
сельскохозяйственного использования земель;
• сохранность иных природных ресурсов
(например, лес, водные объекты);
• создание благоприятных условий для жизни
населения

9. Моделирование роста г. Сахаранпур (Индия)

• Последовательность действий:
• 1)Характеристика исследуемого города.
• Занимает плодородные земли. Является основным рынком сбыта
зерновых культур, имеет много медицинских и сервисных
учреждений. Занимает выгодное транспортное положение. В
последнее время снижается количество сельскохозяйственного
сектора, развивается промышленность. Является центром миграции.
• 2)Сбор данных для ИНС
• Данные получены благодаря аэрофотоснимкам и снимкам, сделанных
спутниками (Индийская программа дистанционного зондирования),
генеральному плану города. Полученные снимки позволяют увидеть
застроенные и незастроенные территории. Их точность составляет 9193 процента. И

10.

• 3)Определены факторы роста города: доступность дорог,
удаленность от центра города; достаточность объектов
инфраструктуры; плотность застройки соседних территорий
• 4)Выбор структуры ИНС: Входной слой (5 по количеству
используемых карт), два скрытых слоя (определяли методом
проб и ошибок), выходной слой (1, по количеству результата)
• 5) Выбор метода обучения и его проведение: разработанная
ИНС была основана на дихотомии застроенной и незастроенной
территории. Обучение ИНС было проведено при помощи
специального программного обеспечения, позволившего
отобрать на полученных картах 1993-2001 года 1800 точек,
которые были не застроены в 1993 году, но застроены в 2001
году (0-1), и 1800 точек, которые как были не застроены, так и
остались таковыми (0-0).

11. Полученные результаты

Оценка полученного результата: одна из архитектур ИНС дала 72 процентное
попадание. Был сделан вывод о том, что ИНС позволяет понять общее
направление и форму роста города, а не точное место новых застроек.
Полученные данные показывают, что ИНС смогла смоделировать
фактический рост города. При этом наиболее точно она смоделировала рост в
тех местах, где действительно велась активная застройка; меньшую точность
показала в областях, удаленных от центра города, где плотность застройки
была ниже.

12. Наглядное сравнение фактических данных на 2001 год и выходных данных , полученных ИНС

Данные со спутников о застроенной и
незастроенной территории 1993 и 2001 гг.
Модель роста города на 2001 и 2009
гг.

13. Моделирование роста г. Дунгуань к 2024 г.

• Актуальность исследования
• Урбанизация – это явление, которое свойственно
сейчас практически всем странам мира. В Китае
города растут также с очень высокой скоростью. В
сочетании
с
постоянно
ухудшающейся
экологической обстановкой перед учеными стоит
задача разработки программ планирования роста
городов и их реализации, которые будут
способствовать сохранению и защите городского
зеленого пространства, плодородных земель, лесов
и иных природных ресурсов в округе.

14.

• Город Дунгуань выбран по причине его быстрого
роста, он является центром трудовой миграции и за
последние два десятилетия превратился из центра
с/х в индустриальный центр.
• Практически все данные, на основе которых
проводился анализ, были получены из открытых
источников: Google карты и снимки, сделанные
спутниками.
• Критерии: тип земель (городские, с/х, лесные,
водные объекты и иные); социально-экономические
факторы (расстояние до центра города, расстояние
до границ города, расстояние до дорог
(центральной и провинциалных).

15. Полученные результаты

1)Сравнение фактических
данных за 2014 год и
результатов, полученных при
помощи ИНС – совпадение 85
процентов.
2)Разработана модель роста
города на 2024 год. Это
позволяет понять направления
роста города и скорректировать
политику управления развитием
территорий и контроля за
сохранностью окружающей
среды. Выявлены факторы,
ограничивающие рост городов.

16. Выводы ученых по поводу использования ИНС для целей моделирования роста городов

• Утомительно искать и выбирать факторы,
влияющие на рост города
• Нужны исходные данные, на основе которых
будет происходить обучение ИНС
• После обучение сокращается время получения
выходных данных, снижаются мощности на
получение результата

17. Использование ИНС для разработки карт градостроительного зонирования

• Обоснование необходимости разработки ИНС в сфере
обновления содержания карт градостроительного
зонирования
• Градостроительное зонирование – это практика планирования
использования земель населенных пунктов, применяемая
многими
развитыми
странами.
Основная
цель
градостроительного зонирования состоит в разделении
территории населенного пункта на отдельные зоны: жилые,
коммерческие, промышленные и др. Эффективное управление
развитием населенного пункта возможно только при наличии
актуальных карт градостроительного зонирования. Обновление
карт является сложным и долгим процессом, в ходе которого не
избежать серьезных ошибок. Принята попытка разработки
нейронной сети, которая позволит автоматически обновлять
содержание карт градостроительного зонирования.

18.

Объект исследования: три города (два
использовались для обучения, один для
тестирования).
Источники данных: спутниковые
снимки (вид сверху), фотографии из
публичных карт (например, Google
карты; вид с улицы), карты
градостроительного зонирования.
Работа со снимками должна быть более
эффективна в данном случае, нежели в
случае оценки состояния земельного
покрова или вида землепользования,
поскольку градостроительное
зонирование основывается на наличии
зданий разных видов в соответствующих
зонах. При использовании данных со
спутника и фотографий из публичных
карт точность повышалась на 8,76
процента.
Определение количества выделяемых
зон и их типов. (В данном случае
выделили 4 зоны: жилые, коммерческие,
промышленные и другие). Для каждой
зоны подобрали характеризующие её
изображения.

19. Полученные результаты

Наилучший результат был
получен в отношении Бостона и
Сан-Франциско. Наихудший в
Нью-Йорке. Это обусловлено
большим количеством
промышленного сектора (в НьюЙорке 14.15 процентов, в СанФранциско – 6.49 и в Бостоне
3.42). ИНС хуже всего
распознает именно
промышленные зоны. ИНС не
видит маленькие участки зоны.
Прогнозируемый результат:
сопоставляя данные,
полученные со спутников, а
также данные с публичных карт,
социальных сетей, можно на
карте градостроительного
зонирования сразу выделять
соответствующие
территориальные зоны.

20. Полученные результаты: сравнение

• Слева: фактические данные.
• Справа: результат работы ИНС.

21. Использование ИНС для анализа землепользования и состояния земель

• Актуальность проблемы
• Наземная экосистема является важным
компонентом природы, поскольку влияет на
климат, удовлетворяют потребности человека
посредством предоставления пространства для
жизни. Однако за последние 300 лет состояние
наземной
экосистемы
существенно
изменилось, в том числе и в с связи с вырубкой
лесов,
изменением
состояния
земель,
осушением болот и пр. Основная причина
изменений – деятельность человека.

22. Анализ влияния роста города Халиско (Мексика) на состояние окружающей среды при помощи ИНС

Используемые средства:
спутниковые снимки.
Использовались снимки 1973, 1985,
2000 и 2015 гг.
Описание исследуемой
территории: территория
населенного пункта окружена
землями сельскохозяйственного
назначения и особо охраняемыми
природными территориями. Рост
города привел к существенному
уменьшению
сельскохозяйственных земель и к
ухудшению экологической
ситуации.
Средство: моделирование будущих
изменений в землепользовании,
разработка нескольких сценариев.
4)ИНС обучали различать 5
типов земельного покрытия:
городские земли,
сельскохозяйственные земли,
водные поверхности, леса и земли
с небольшим количеством
растительности (кустарники, луга и
пр.)

23. Полученные результаты

• Результат на 94 процента соответствует
фактическим данным.
• Подобное использование ИНС позволит
осуществлять более грамотное управление
ростом городов и способствовать
сохранению окружающей среды.

24. Моделирование вырубки лесов в ходе реализации строительных проектов

• Актуальность
• В ходе реализации крупных строительных проектов, связанных,
например, со строительством объектов инфраструктуры, вырубается
очень много деревьев, что также ведет к уменьшению
биоразнообразия. Проблемы состоит в том, что научные
исследования, направленные на изучение воздействий в ходе
строительства на окружающую среду, носят в большинстве своем
описательный характер, не могут дать точных количественных
прогнозов и не работают с реально измеримыми показателями. В
связи с этим они не могут доказать, что причиной ухудшения
экологической обстановки выступают новые строительные объекты.
Моделирование процессов влияния строительных объектов на
состояние окружающей среды позволит прогнозировать изменение
состояния окружающей среды и принимать меры по поиску
компромисса между развитием населенных пунктов и строительство
объектов инфраструктуры и сохранением природы.

25. Моделирование влияния строительства дорог на вырубку лесов в регионах Колумбии

• Исследуются регионы Колумбии Бахо-Каука и Носист,
в которых осуществляется развитие как сельского
хозяйства, так и горной промышленности. Изучается
влияние на состояние этих регионов двух дорог,
строительство одной из которых было отклонено в 90х годах из-за того, что возможно нанесение
существенного вреда экосистеме. Однако в настоящее
время
проект
строительства
данной
дороги
рассматривается вновь по причине экономической
выгоды, состоящей как в том, что будут соединены
различные части страны, так в меньшей длине дороги
(на 60 км) по сравнению с другим проектом.

26.

Данные о состоянии земель 1980 г. были предоставлены Министерством
сельского хозяйства
Выбор критериев оценки был обусловлен наибольшей простотой измерений.
Исследователи признают, что обезлесивание может стать следствием и таких
явлений как бедность, плохо управление использованием лесов и пр., но их
более сложно установить из-за отсутствия надлежащего количества данных. В
связи с этим в качестве критериев оценки были выбраны следующие:
расстояние до рек, до дорог, до границы с лесом, пригодность земель для с/х,
стоимость земель, наклон земель. Использовалась многослойная ИНС с одним
выходным нейроном. На выходе получали информацию о состоянии лесов (0
– обезлесивание, 1 – леса сохранены).
Обучение проводилось на 3 процентах собранных данных (250 000 пунктов), в
которых 50 процентов составляли места без леса, другие же 50 процентов
составляли земли, покрытые лесом.
Полученные результаты показали, что вероятность уменьшения количества
лесов и территории, в пределах которых произойдет обезлесивание,
значительно выше в связи со строительством дороги, нежели чем указано в
научной литературе. При этом не исключаются ошибка в моделировании,
поскольку прогностическая способность сети оценивается как 82 процента.
Была отмечена обратная пропорциональная зависимость между скоростью
обучения и эффективностью ИНС.

27. Выводы

• Исследования показали, что строительство дорог оказывает
существенное влияние на состояние земли в пределах
расположения дороги. При этом даже если в краткосрочной
перспективе не произошло значительное изменение ландшафта,
в долгосрочной перспективе это неминуемо.
• Необходимо учитывать назначение дороги при формулировании
выводов. В частности, иногда дороги строятся для обеспечения
доступа к лесу в целях его охраны, в таком случае влияние на
лес будет оказываться в меньшей степени.
• Необходимо разрабатывать не только такие модели ИНС,
которые предсказывают места обезлесивания, но и те, которые
хотя и имеют меньшую пространственную точность, но
показывают места, в отношении которых существует высокая
вероятность изменения растительного покрова в долгосрочной
перспективе.

28. Использование ИНС для разработки пространственного планирования

• Актуальность
• Пространственное
планирование
позволяет
определить цели и способы использования
территорий с учетом социальных, экономических,
экологических условий. ИНС позволят провести
анализ использования земель с учетом всех
вышеназванных факторов, на основе полученных
данных возможен поиск и разработка наиболее
эффективного способа управления землей.

29. Разработка пространственного планирования для 16 муниципалитетов Бразилии

• Описание обстановки в регионе: высокий
уровень развития с/х.
• Выбор критериев оценки: экологические
характеристики, такие как количество осадков,
свойства почв, растительное покрытие и др.;
социально-экономические: общее человеческое
развитие, наличие объектов водоснабжения,
развитие энергетики и пр.

30. Полученные результаты

ИНС распределила территории по 13
группам с особыми характеристиками,
что позволит выработать политику их
управления.
Класс 0: не наблюдаем из-за облаков
(нет данных)
Класс 1: низкий социальноэкономический потенциал, высокая
деградация растительного покрова.
Класс 2: хорошо развита городская
инфраструктуры и с\х деятельность
Класс 3: восстановление окружающей
среды, не представляет социальноэкономической привлекательности
Класс 4: население занимается в
основном сельским хозяйством, низкий
уровень жизни
Класс 5: низкий социальноэкономический потенциал и малое
количество населения.
И др.
Для каждого класса выработаны
определенные рекомендации по
использованию и управлению
территориями.

31. Применение ИНС в целях выявления опасных территорий

• Осуществлению строительства должен
предшествовать мониторинг планируемой к
использованию территории. Прежде всего
необходимо исследовать экологическую
безопасность,
свидетельствующую
о
возможности размещения зданий и об их
необходимых характеристиках.

32. Применение ИНС для целей зонирования территорий в Сочи в целях выделения оползнеопасных территорий

• Разработка и строительство защитных противооползневых
сооружений – крайне дорогая статья затрат. Следовательно,
прежде чем принимать решение об их создании необходимо
проверить целесообразность их строительства и определить их
характеристики. Для этого необходимо провести анализ
территории.
Используемые в настоящее время методики
расчетов устойчивости склонов к оползням, физическое и
математическое моделирование природных процессов и
последующая разработка карты районирования степени
опасности оползневых процессов во многом субъективна и
опирается на опыт привлеченных специалистов. Использование
ИНС позволит снизить субъективный фактор.

33. Общая последовательность действий

Сбор
необходимых
данных,
являющихся
факторами,
провоцирующих
возникновение оползней.
Создание базы данных
при помощи ГИС ArcGIS
Обучение
нейронной
сети
Сравнение
выходных
данных нейронной сети с
фактическими данными

34. Полученные результаты

Выходные данные нейронной сети совпали с фактическими всего на 42
процента.
Для исправления данной ситуации необходимо пользоваться более
высокоточными изображениями

35. Использование нейронной сети для оценки характеристик отдельных районов города

• Состояние города влияет на уровень жизни населения и успешное
состояние самого города - к таким выводам приходили ученые.
Однако их исследования ограничивались обобщением данных по
нескольким районам или городам. В прошлом десятилетии
появилась возможность просматривать фотографии улиц разных
городов и на этом основании получать информацию
складывающейся обстановке в городе. Однако физический
просмотр даже фотографий всех улиц большого города – это крайне
сложная задача. Кроме того, наиболее объективной будет та оценка,
которая позволяет изучать ситуацию с позиций одних и тех же
критериев в одно и то же время, желательно уметь сопоставлять
результаты, достигнутые разными городами мира. Именно в этой
сфере могут помочь нейронные сети, которые будут способны
оценивать состояние разных городов по одним и тем же
параметрам.

36. Группа американских ученых разрабатывает ИНС Streetscore, компьютерный алгоритм, который умеет выявлять безопасные улицы по

ГРУППА АМЕРИКАНСКИХ УЧЕНЫХ
РАЗРАБАТЫВАЕТ ИНС STREETSCORE,
КОМПЬЮТЕРНЫЙ АЛГОРИТМ,
КОТОРЫЙ УМЕЕТ ВЫЯВЛЯТЬ
БЕЗОПАСНЫЕ УЛИЦЫ ПО
ФОТОГРАФИЯМ

37.

Первый вариант Streetscore
Второй вариант Streetscore
Сначала люди смотрели на фотографии
улиц и выбирали те, которые, по их
мнению,
выглядели
безопасными,
красивыми,
уникальными.
Были
выбраны эти три атрибута и проведено
в общей сложности 200 000 попарных
сравнений изображений улиц НьюЙорка, Бостона, Линца и Зальцбурга.
На основе этих данных нейронная сеть
научилась делать выводы о том, какие
улицы
являются
безопасными,
красивыми и уникальными. Затем был
проанализирован 21 город Америки на
предмет
безопасности
улиц.
Выяснилось, что Streetscore нельзя
применять к Северо-Восточным и
штатам и штатам Среднего запада,
поскольку там совершенно иная
архитектура и конструкции городского
планирования. Кроме того для обучения
данной нейронной сети использован
очень ограниченный набор параметров
Проведено
1.7
миллионов
сравнений для 110988 картинок,
оценены 56 городов из 28 стран на
6 континентах. Принимали участие
волонтеры. Они оценивали по
следующим
критериям:
безопасность, приспособленность
для жизни, скучность, богатство,
удручающий,
красивый.
Исследования
показали,
что
наиболее эффективный способ
обучения сети, если пользователи
просто сравнивают фотографии, а
не
проводят
количественную
оценку.
В
среднем
каждый
доброволец
проводил
1000
сравнений.
Привлекались
англоговорящие пользователи из
162 стран. Это были жители
развитых и развивающихся стран.
Топ 5 стран – Англия, Индия,
Бразилия, Канада и США.

38. Полученный результат

Проведены испытания, в ходе
которых были
проанализированы улицы
городов, которые не были
включены в обучающую
выборку: Ванкувер, БуэносАйрес, Санкт-Петербург, Дубаи,
Сеул и Брисбен. И полученные
данные соответствуют
человеческой интуиции.
Дальнейшая цель разработчиков
состоит в том, чтобы научить
ИНС аргументировать причину,
по которой она считает
соответствующую улицу более
безопасной, красивой и т.д.

39. Иные сферы использования ИНС

• При помощи технологии
спутниковых датчиков
(спутниковый
мониторинг)
осуществлять контроль за
состоянием и
использованием земель
сельскохозяйственного
назначения (пока еще
предстоит определить, как
проводить соответствие
между первоначальным и
наблюдаемым состоянием
земель).
• В России разрабатываются
ИНС, при помощи
которых станет
возможным проведение
кадастровой оценки
земельных участков.
Сложность состоит в том,
что многое зависит от
характеристик самого
города. Например, ИНС,
применяемые к
моногородам, вряд ли
смогут быть применены к
городам федерального
значения.

40. Собственная идея

• Диссертационное исследование направлено на изучение
правового регулирования комплексного освоения и
комплексного развития территорий земель населенных
пунктов.
• Цель комплексного и устойчивого развития территорий
состоит в обеспечении наиболее эффективного
использования земель населенных пунктов и земель,
прилегающих к землям населенных пунктов.
• Для достижения поставленной цели необходимо
определить территории, которые нуждаются в развитии.
Иными словами, необходимо выявить земли и земельные
участки, которые используются неэффективно, например,
они заброшены, не используются, загрязнены и т.д. и
разместить с их пределах новый жилой район, завод и т.д.

41.

• Одна из актуальных проблем на данный момент времени – это
отсутствие критериев выделения территорий и механизмов их
установления на картах градостроительного зонирования. На
данный момент времени преобладает субъективный фактор при
выделении территории: нередки случаи, когда площадь ранее
предоставленного земельного участка урезается для поддержки
более сильного представителя бизнеса.
• Использование ИНС позволило бы снизить субъективный
фактор и отслеживать именно те территории, которые
действительно нуждаются в комплексном освоении и развитии.
Также из нескольких проектов можно было бы выбрать тот,
который позволит наиболее рационально использовать земли
населенных пунктов с учетом социальных, экономических и
экологических последствий.
• Однако стоит признать, что всему этому должна
предшествовать, прежде всего, деятельность, направленная на
разработку критериев оценки неэффективного использования
территорий.

42. Практическая значимость ИНС в сфере земельного, природоресурсного , экологического и аграрного права

ИНС позволяют моделировать варианты управления использования земель,
предсказывать возможные последствия, способствовать их предотвращению
или смягчению, выбирать наиболее привлекательные модели управления
Понимание возможных последствий будет способствовать усиленному
вниманию со стороны надзорных органов, работающих в сфере
природоохранной деятельности; осуществлению постоянного мониторинга за
состоянием окружающей среды
Наглядная модель может послужить серьезным стимулов для разработки
нового проекта, который будет оказывать меньше негативного воздействия на
состояние окружающей среды.
Помощь специалистам в визуализации прогнозируемых результатов
Увеличение объективности при принятии решений

43. Список использованных источников

1) Maithani S.: A Neural Network based Urban Growth Model of an Indian City. Journal of the Indian
Society of Remote Sensing. September 2009. pp.363-376.
2) Tian Feng, Quang-Trung Truong, Duc Thanh Nguyen, Jing Yu Koh, Lap-Fai Yu, Alexander Binder, and
Sai-Kit Yeung : Urban Zoning Using Higher-Order Markov Random Fields on Multi-View Imagery Data.
The European Conference on Computer Vision (ECCV), 2018, pp. 614-630;
3) Armando Avalos Jiménez & Fernando Flores Vilchez & Oyolsi Nájera González & Susana M. L.
Marceleño Flores, 2018. "Analysis of the Land Use and Cover Changes in the Metropolitan Area of TepicXalisco (1973–2015) through Landsat Images," Sustainability, MDPI, Open Access Journal, vol. 10(6),
pages 1-15, June;
4)Кузин А.А. Выделение оползнеопасных территорий на основе методов нейронных сетей.//Записки
Горного института. Т.204. 2013 г. С. 46-51.
5)Abhimanyu Dubey, Nikhil Naik, Devi Parikh, Ramesh Raskar, César A. Hidalgo:Deep Learning the City
: Quantifying Urban Perception At A Global Scale. European Conference on Computer Vision ECCV 2016:
Computer Vision – ECCV 2016 pp 196-212;
6) Michael Aikenhead.:The Uses and Abuses of Neural Networks in Law, 12 Santa Clara High Tech. L.J.
31. 1996.
7) Luisa Fernanda Gómez-Ossa & Verónica Botero-Fernández:Application of artificial neural networks in
modeling deforestation associated with new road infrastructure projects. DYNA 84(201), pp. 68-73, 2017.
8) SADECK, Luis Waldyr Rodrigues; LIMA, Aline Maria Meiguins de and ADAMI, Marcos. Artificial
neural network for ecological-economic zoning as a tool for spatial planning. Pesq. agropec. bras. [online].
2017, vol.52, n.11, pp.1050-1062
9) Thomas Stark: Using Deep Convolutional Neural Networks for the Identification of Informal Settlements
to Improve a Sustainable Development in Urban Environments. URL:
https://elib.dlr.de/119019/1/Stark_MA.pdf