💬 NLP

Georeferencing Non-Gazetteered Place Names using Biological Specimen Records

Este estudo apresenta um método para georreferenciar nomes de lugares históricos não gazeteados encontrados em registros de espécimes biológicos, aproveitando relações espaciais entre múltiplos registros, demonstrando que a inferência probabilística supera os modelos de linguagem de grande escala em alcançar alta precisão espacial.

Autores originais: Aneesha Fernando, Surangika Ranathunga, Kristin Stock, Raj Prasanna, Christopher B. Jones

Publicado 2026-08-10

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Aneesha Fernando, Surangika Ranathunga, Kristin Stock, Raj Prasanna, Christopher B. Jones

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério, mas em vez de encontrar uma pessoa desaparecida, você está tentando encontrar um lugar que não existe em nenhum mapa. Este é o mundo da georreferenciação, um ramo da ciência que transforma palavras que descrevem uma localização em coordenadas reais (como latitude e longitude) que os computadores podem usar. Normalmente, isso é fácil: se um texto diz "Paris", um computador procura em um dicionário digital de lugares chamado gazetteer (gazeta) e encontra o ponto exato. Mas o que acontece quando o texto menciona um lugar que não está no dicionário? Talvez seja um nome antigo de 100 anos atrás, um apelido local que apenas os vizinhos conhecem, ou um ponto específico como "o grande carvalho perto do riacho" que nunca recebeu um nome oficial. Esses são chamados de nomes de lugares não gazetteerados. Eles são como fantasmas na máquina — lugares reais que o computador simplesmente não consegue ver porque estão faltando em seus livros de referência. Isso é importante porque milhões de registros históricos, de cartas antigas a registros científicos, estão repletos desses nomes invisíveis, trancando um conhecimento geográfico valioso que não podemos acessar ou usar.

Este artigo mergulha em um tesouro de tais localizações ocultas: registros de espécimes biológicos. Pense neles como as notas de campo de cientistas que passaram mais de um século coletando plantas, insetos e fungos. Quando encontravam uma nova espécie, eles anotavam exatamente onde a encontravam, muitas vezes usando nomes locais e não oficiais para marcos geográficos. Os pesquisadores deste estudo fizeram uma grande pergunta: Podemos usar as pistas espalhadas por milhares dessas notas antigas para descobrir onde esses lugares "fantasma" realmente estão? Eles trataram os registros de espécimes como um enorme quebra-cabeça. Se uma nota diz que uma planta foi encontrada "ao norte de Cabstand" e outra diz que ela foi encontrada "ao sul de Cabstand", e sabemos as coordenadas exatas de onde essas plantas foram colhidas, podemos trabalhar de trás para frente para descobrir onde "Cabstand" deve estar. Combinando essas pistas, a equipe tentou localizar os pontos das localizações desses lugares ausentes usando três estratégias de detetive diferentes: um método de seguir regras estritas, um método de probabilidade baseado em matemática e um método moderno de Inteligência Artificial (IA).

O Mistério dos Lugares Ausentes

A história começa com uma coleção massiva de dados do Allan Herbarium, na Nova Zelândia. Os pesquisadores analisaram mais de 13.000 registros digitais de espécimes de plantas. Eles escanearam o texto em busca de nomes de lugares e depois os verificaram contra os bancos de dados de mapas governamentais oficiais. Como suspeitavam, encontraram centenas de nomes que não existiam em nenhum gazetteer oficial. Estes eram os Nomes de Lugares Não Gazetteerados (NGPs). Alguns eram estações agrícolas históricas, outros eram antigos pontos de controle (marcos de levantamento) e alguns eram apenas pontos comunitários locais, como uma escola específica ou uma casa de chá.

O problema era que esses nomes não tinham coordenadas. Para resolver isso, a equipe percebeu que tinha uma arma secreta: a redundância. No mundo da biologia de campo, os cientistas frequentemente coletam muitas amostras na mesma área geral. Isso significa que o mesmo nome de lugar oculto pode aparecer em dezenas de notas diferentes, cada vez com uma descrição diferente. Uma nota pode dizer "Encontrado perto de Cabstand", enquanto outra diz "Encontrado a 1 milha ao norte de Cabstand". Embora "Cabstand" não esteja em um mapa, os espécimes ao redor dele estão. Sabendo exatamente onde os espécimes foram encontrados, os pesquisadores puderam fazer a engenharia reversa da localização do nome de lugar ausente.

Três Maneiras de Resolver o Quebra-Cabeça

Para decifrar o código, a equipe testou três abordagens, cada uma com sua própria personalidade.

1. O Seguidor de Regras Estritas (Método Determinístico)
Imagine um robô que segue instruções perfeitamente, mas fica confuso se as instruções forem ligeiramente vagas. Este método tentou desenhar uma "caixa" estrita ao redor da localização possível do lugar ausente. Se uma nota dizia "ao norte de", o robô desenhava uma linha e dizia: "O lugar deve estar acima desta linha". Se outra nota dizia "ao sul de", ele desenhava outra linha. A resposta tinha que ser onde todas as linhas se cruzavam.

O Resultado: Este método era muito exigente. Se as pistas não se alinhassem perfeitamente (o que frequentemente não acontecia, pois as notas antigas podem ser vagas), o robô desistia e dizia: "Não consigo resolver isso". Ele falhou em encontrar uma localização para 108 dos 365 lugares que tentou resolver. Quando funcionava, não era muito preciso.

2. O Mago da Matemática (Método Probabilístico)
Esta abordagem era mais parecida com um meteorologista. Em vez de desenhar linhas rígidas, usava a matemática para calcular a probabilidade de um lugar estar em um determinado ponto. Tratava cada pista como um "voto". Uma nota dizendo "1 km leste" lançava um voto forte para um ponto a 1 km de distância para o leste. Uma nota dizendo "perto" lançava um voto mais suave e amplo. O computador somava todos os votos para encontrar o ponto com a maior pontuação total.

O Resultado: Este foi o campeão. Ele encontrou com sucesso uma localização para cada lugar. Foi o mais preciso, com um erro mediano de 1,43 km. Isso significa que, metade das vezes, a localização estimada estava a dentro de 1,43 km do local real. Também conseguiu a localização a menos de 1 km da verdade 36% das vezes.

3. O Detetive de IA (Método LLM)
Este método utilizou um Modelo de Linguagem Grande (um modelo de IA avançado) e forneceu a ele o texto bruto das notas e as coordenadas, pedindo-lhe para "descobrir". A IA teve que ler as pistas, entender as relações (como "ao norte de" ou "perto") e fazer o cálculo mental para adivinhar o ponto. Os pesquisadores até pediram à IA que explicasse seu raciocínio, o que surpreendentemente a ajudou a melhorar.

O Resultado: A IA foi uma forte candidata. Ela encontrou localizações para todos os lugares e teve um erro médio muito baixo, sugerindo que raramente cometia erros enormes ou absurdos. No entanto, não foi tão precisa quanto o Mago da Matemática. Seu erro mediano foi de 1,80 km, e ela conseguiu chegar a menos de 1 km da verdade 31% das vezes.

O Que as Pistas Nos Dizem

O estudo encontrou alguns padrões interessantes sobre como esses métodos lidam com diferentes tipos de pistas.

A distância importa: Quando uma nota dizia "1 km norte", todos os métodos funcionavam melhor. A distância fornecia uma âncora sólida.
Apenas a direção é complicada: Se uma nota dissesse apenas "norte" sem uma distância, o Mago da Matemática tinha um pouco mais de dificuldade, porque "norte" poderia significar qualquer coisa, de alguns metros a centenas de quilômetros de distância. A IA, no entanto, foi surpreendentemente boa em adivinhar a distância correta mesmo sem um número, provavelmente usando seu treinamento sobre como as pessoas costumam descrever as coisas.
O problema do "perto": A pista mais comum era apenas "perto". Isso é vago. O Mago da Matemática lidou bem com isso, tratando "perto" como um círculo difuso ao redor do espécime. A IA também se saiu bem, mas às vezes dependia de seu próprio conhecimento interno de como o mundo funciona, o que é uma faca de dois gumes (ela pode acertar por sorte ou errar baseada em uma suposição ruim).

O Veredito

O artigo conclui que, embora a IA seja incrivelmente inteligente e flexível, a modelagem matemática tradicional (o Método Probabilístico) ainda é a rainha da precisão quando se precisa encontrar um ponto específico no solo. A IA é ótima para fazer um bom palpite e explicar seu pensamento, mas se você precisa da localização mais precisa possível, a abordagem baseada em matemática vence.

Os pesquisadores ressaltam cuidadosamente que esta não é uma solução mágica que resolve tudo. Os métodos funcionam melhor quando há múltiplas pistas (pelo menos três notas mencionando o mesmo lugar) e quando as coordenadas dos espécimes são precisas. Eles também observam que seu teste foi feito em um conjunto de dados "pseudo" onde eles já sabiam as respostas previamente para verificar o trabalho, portanto, a aplicação no mundo real pode apresentar desafios diferentes.

Em última análise, este estudo prova que não temos que descartar notas de campo antigas e desorganizadas só porque elas mencionam lugares que não estão nos mapas modernos. Ao tratar esses registros como uma rede de pistas, podemos trazer esses lugares "fantasma" de volta à vida, preenchendo as lacunas em nossos mapas digitais e preservando a história geográfica do nosso mundo. Da próxima vez que você vir uma nota dizendo "encontrado perto do velho moinho", saberá que, com notas suficientes, provavelmente poderemos encontrar exatamente onde aquele moinho costumava ficar.

Resumo Técnico: Georreferenciamento de Nomes de Lugares Não Gazetados utilizando Registros de Espécimes Biológicos

Definição do Problema
Os registros de espécimes biológicos, coletados ao longo de mais de um século por instituições de história natural, constituem uma fonte rica, porém subutilizada, de conhecimento geográfico. Esses registros contêm descrições de localidade em texto livre que frequentemente incluem nomes de lugares ausentes nos gazetteiros atuais. Os autores definem estes como Nomes de Lugares Não Gazetados (NGPs): nomes inteiramente ausentes dos gazetteiros existentes (incluindo variantes e grafias alternativas) e, portanto, desprovidos de uma pegada espacial associada. Estes NGPs são tipicamente marcos históricos, vernaculares ou coloquiais utilizados na época da coleta.

O desafio central abordado é o georreferenciamento desses NGPs utilizando apenas as informações limitadas contidas nos registros dos espécimes. Diferente da geocodificação padrão, que depende da correspondência de nomes com um banco de dados, esta tarefa requer a inferência da localização de um nome que não possui uma entrada pré-existente. O estudo aproveita a redundância espacial inerente à coleta de espécimes: múltiplos espécimes coletados na mesma área geral frequentemente compartilham o mesmo NGP em suas descrições de localidade, acompanhados de diferentes coordenadas de espécimes e variando em termos de relação espacial (ex: "ao norte de", "1 km a oeste de"). Ao inverter essas relações espaciais, o estudo visa derivar restrições sobre a localização do NGP.

Metodologia
A pesquisa utiliza dados digitalizados do Allan Herbarium (Nova Zelândia), filtrando registros que contenham tanto coordenadas de espécimes quanto descrições de localidade em texto livre. Após a remoção de duplicatas e a extração de nomes de lugares via Reconhecimento de Entidades Nomeadas (NER), os autores identificaram NGPs candidatos através do cruzamento com o New Zealand Geographic Board (NZGB) Gazetteer, GeoNames e OpenStreetMap (OSM). A verificação manual confirmou que aproximadamente 60% dos candidatos filtrados automaticamente eram verdadeiros NGPs.

Para avaliar o desempenho do georreferenciamento, os autores construíram um benchmark de pseudo-NGPs. Este conjunto de dados consiste em 365 nomes de lugares conhecidos e gazetados (tratados como NGPs ao omitir suas coordenadas) referenciados em pelo menos três descrições de localidade distintas. Três metodologias distintas foram instanciadas para inferir a localização destes nomes:

Abordagem Determinística:
- Baseada em um modelo de espaço de busca formal, este método constrói uma Região de Localização Aproximada (ALR).
- Modela relações espaciais como restrições geométricas relativas às coordenadas dos espécimes (relata).
- Direções cardinais definem semiplanos; distâncias definem buffers; relações de proximidade definem buffers adaptativos baseados no espaçamento de vizinho mais próximo da mediana dos pontos de espécimes.
- A localização final é o centroide da interseção de todas as regiões de restrição. Se as restrições forem incompatíveis, nenhuma estimativa é produzida.
Abordagem Probabilística:
- Este método substitui as interseções geométricas rígidas por uma formulação baseada em verossimilhança.
- As relações espaciais são modeladas como funções de verossimilhança (log-verossimilhança) condicionadas às coordenadas dos espécimes.
- A proximidade é modelada via decaimento de distância, enquanto relações de direção e distância utilizam distribuições Gaussianas para desvios angulares e de distância.
- Parâmetros de incerteza ( $s_{near}$ , $\sigma_\theta$ , $\sigma_d$ ) foram estimados usando um conjunto de dados auxiliar de nomes de lugares com referência única ou dupla.
- Uma busca em grade de grosseira a fina (de 3 km a 0,2 km de resolução) identifica a coordenada que maximiza a verossimilhança agregada através de todas as relações.
Abordagem Baseada em LLM:
- Utiliza o modelo GPT-5.1 via um prompt zero-shot.
- O prompt fornece descrições de localidade e coordenadas de espécimes, instruindo o modelo a inferir a localização do NGP usando apenas a evidência fornecida (mascarando o nome alvo com um marcador como "Kolombo" para evitar a dependência de conhecimento pré-treinado).
- O modelo é incumbido de retornar uma estimativa de coordenada e um rastro de raciocínio. Duas variantes foram testadas: um prompt direto e um prompt solicitando explicitamente o raciocínio.

Principais Contribuições

Identificação de NGPs: O estudo demonstra que os registros de espécimes biológicos contêm um número significativo de nomes de lugares não gazetados (aprox. 2% das descrições de localidade na amostra), destacando-os como uma fonte de conhecimento geográfico temporal.
Estratégia Baseada em Dados: Uma nova estratégia é proposta para georreferenciar NGPs ao explorar a ocorrência repetida do mesmo nome em múltiplas descrições de localidade para derivar e inverter restrições espaciais.
Análise Comparativa: O artigo fornece uma comparação sistemática de abordagens determinísticas, probabilísticas e baseadas em LLM para inferência espacial baseada em texto, avaliando seus respectivos pontos fortes e limitações.
Conjunto de Dados de Benchmark: Um novo conjunto de dados de benchmark com 365 pseudo-NGPs com coordenadas de verdade fundamental (ground-truth) é construído para avaliar métodos de georreferenciamento derivados de registros biológicos.

Resultos
A avaliação foi conduzida no conjunto de teste de 365 pseudo-NGPs utilizando Erro Médio, Erro Mediano e Acurácia em 1 km (A@1) e 161 km (A@161) de limiares.

Modelo Determinístico: Teve o desempenho mais fraco. Falhou em produzir estimativas para 108 nomes de lugares (29,6%) devido a interseções vazias de restrições conflitantes. Registrou o maior erro médio (9,19 km) e o menor A@1 (20,3%).
Modelo Probabilístico: Alcançou a maior precisão geral. Produziu estimativas para todos os 365 casos, com o menor erro mediano (1,43 km) e o maior A@1 (36,0%). Desempenhou-se particularmente bem quando restrições de proximidade estavam presentes, mas teve dificuldades com relações de apenas direção.
Modelo Baseado em LLM: Desempenhou-se de forma competitiva, mas com menos precisão que o modelo probabilístico. A variante de prompt de raciocínio alcançou um erro mediano de 1,80 km e um A@1 de 28,1%. Embora o LLM tenha alcançado o menor erro médio (5,89 km), sugerindo menos outliers extremos, seu erro mediano foi superior ao da abordagem probabilística.
Impacto da Relação Espacial: O modelo probabilístico destacou-se com restrições de proximidade e combinadas, mas teve desempenho inferior em dados de apenas direção. O LLM mostrou um desempenho consistente entre os tipos de relação, sintetizando efetivamente pistas de texto livre e invertendo relações sem processamento explícito.

Significância e Alegações
O artigo alega que os registros de espécimes biológicos são uma fonte prática e credível para identificar e georreferenciar nomes de lugares não gazetados. O estudo estabelece que, mesmo em um país bem mapeado como a Nova Zelândia, existe um volume significativo de nomes de lugares históricos e vernaculares fora dos gazetteiros atuais.

Em relação à metodologia, os autores concluem que, embora os Grandes Modelos de Linguagem (LLMs) possam integrar linguagem espacial e informações de coordenadas para produzir estimativas amplamente aceitáveis, a modelagem probabilística tradicional continua sendo vantajosa quando alta precisão espacial é necessária. A abordagem probabilística superou o LLM na localização de grão fino (erro mediano e A@1), sugerindo que, para tarefas que exigem inferência espacial rigorosa, estruturas probabilísticas estruturadas são atualmente superiores ao prompting zero-shot de LLMs.

O trabalho posiciona-se como a primeira investigação sistemática utilizando registros de espécimes biológicos como fonte primária de dados para extrair e georreferenciar NGPs, oferecendo um caminho para enriquecer gazetteiros digitais com conhecimento espacial histórico e vernacular.

O Mistério dos Lugares Ausentes

Três Maneiras de Resolver o Quebra-Cabeça

O Que as Pistas Nos Dizem

O Veredito

Mais como este