MineraÃ§Ã£o de dados para inferÃªncia da relaÃ§Ã£o solo ... - IAC

More documents

Recommendations

Info

) Curvatura em perfil (VALERIANO, 2003): -1 a -0,02 (Convexo), -0,02 a 0,02(Retilíneo), 0,02 a 1 (Côncavo);c) Curvatura em planta (VALERIANO, 2003): -5 a -0,05 (Divergente), -0,05 a0,05 (Plano), 0,05 a 5 (Convergente);d) Área de contribuição (QUINN et al., 1991): menor que 12.000 metrosquadrados (muito baixa), 12.000 a 150.000 (baixa), 150.000 a 700.000 (média), 700.000a 1.000.000 (alta), maior que 1.000.000 metros quadrados (muito alta);e) Distância diagonal da drenagem: 8 a 20 m (muito pequena), 20 a 45 m(pequena), 45 a 70 m (média), 70 a 150 m (grande), maior que 150 m (muito grande).Uma vez gerados os mapas com os parâmetros discretos, o próximo passoconsistiu em fazer o seu cruzamento para se obter uma matriz de dados das variáveismorfométricas e os tipos de solo, utilizada como dado de entrada para as análises porárvores de decisão.As tabelas contendo os parâmetros descritores do relevo e os solos foramtratadas em uma análise hierárquica da família das árvores de decisão e para istoutilizou-se o programa Weka (WEKA, 2006), pelo fato de ser um software de domíniopúblico e possibilitar a análise dos dados através de diversos algoritmos.3.4 Análise dos dados3.4.1 No programa Weka 3.5.6 explorerA análise dos dados foi realizada através do algorítimo C5 das árvores dedecisão, por esta ser uma metodologia que permite uma fácil interpretação do modelo deaprendizado gerado, assim como ser uma ferramenta capaz de trabalhar com um extensobanco de dados, como neste caso, além de possibilitar a classificação de amostrasdesconhecidas sem necessariamente analisar todos os atributos.Assim, as árvores de decisão realizam a partição sucessiva de um conjunto dedados em subconjuntos cada vez mais homogêneos (BREIMAN et al., 1984). Estemétodo representa funções como regra de decisão. Estas árvores são treinadas de acordocom um conjunto de amostras previamente classificadas e posteriormente, outrasamostras são classificadas de acordo com essa mesma árvore.Para aplicar a técnica de mineração de dados foi utilizado o software de domíniopúblico, denominado Waikato Environment for Knowledge Analysis (Weka), da43
Universidade de Waikato, Nova Zelândia. O pacote Weka consiste de uma coleção dealgoritmos de aprendizado de máquina para tarefas de mineração de dados. Pode serusado para aplicar métodos de aprendizado a um conjunto de dados e analisar a saídapara extrair informações a partir dos dados de entrada (WEKA, 2006).O Weka usa arquivos de dados de treinamento onde devem ser explicitadas quaisvariáveis são permitidas para uma relação específica, bem como o tipo de dado de cadavariável, isto é, nominal ou valor numérico. O Weka pode detectar padrões em dadosque podem ser explorados mediante regras. Dos recursos disponíveis, foi utilizado osistema de aprendizado com o algoritmo de indução de árvore de decisão C4.5desenvolvido por QUINLAN (1983) e implementado em sua versão para linguagemJava (no Weka) com o nome J4.8, para gerar árvores de decisão (WEKA, 2006).Para a utilização do conjunto de dados, foi necessário um pré-processamento afim de torná-los compatíveis com o formato da ferramenta utilizada. Além disso, oalgoritmo de classificação requer que a variável a ser explicada seja uma variávelnominal, sendo necessário transformar os dados em variáveis nominais.A primeira etapa foi corrigir as matrizes de dados, pois estas apresentavamalguns dados que não contribuiriam no desenvolvimento do modelo, ou seja, retiraramseos dados conflitantes das tabelas. A folha Dois Córregos apresentou 794.273 linhasna tabela enquanto a folha São Pedro apresentou 826.136 linhas.Foi utilizada uma técnica de balanceamento de classes, que tem por finalidadeaumentar a proporção de amostragem nas classes com menor área de ocorrência ereduzir a proporção nas unidades com maior área, ou seja, elevar a representatividadedas classes com menor representatividade e diminuir a das com maiorrepresentatividade (BATISTA, 2003).Os balanceamentos das classes utilizados foram de: 0 (representa os dadosbrutos, sem balanceamento de classes), 0,5 (as classes são balanceadas de modointermediário entre zero e um) e 1 (situação na qual todas as classes apresentam mesmadistribuição na folha).Para a criação do modelo de aprendizagem solo - geomorfometria para os dadosbrutos e os diversos balanceamentos das classes, uma amostra de 10 % dos dados foiretirada aleatoriamente da matriz de dados pelo programa Weka, porém com todas asunidades de mapeamento contempladas, mantendo-se a proporção de cada uma. Apartir disso, o modelo de aprendizado foi gerado com os outros 90 % dos dados. Porfim, a acurácia de cada modelo foi obtida por aplicação do modelo gerado nos 10 % dos44
Page 1 and 2:
INSTITUTO AGRONÔMICOCURSO DE PÓS-
Page 4 and 5:
Primeiramente a Deus, pela vida,Ao
Page 6 and 7:
- A toda turma do geoprocessamento
Page 8 and 9: ÍNDICE DE TABELASTabela 1 - Distri
Page 10 and 11: ÍNDICE DE FIGURASFigura 1 - Repres
Page 12 and 13: CRIVELENTI, Rafael Castro. Mineraç
Page 14 and 15: CRIVELENTI, Rafael Castro. Data min
Page 16 and 17: 1 INTRODUÇÃOA distribuição espa
Page 18 and 19: 2 REVISÃO DE LITERATURA2.1 Histór
Page 20 and 21: 2.2 Levantamento pedológico por m
Page 22 and 23: corretivas ou compensatórias de ca
Page 24 and 25: Nesta perspectiva, é oportuno dese
Page 28 and 29: irregulares (MONTGOMERY, 2003). As
Page 30 and 31: o objetivo de diminuir o erro por e
Page 32 and 33: Recentemente, SIRTOLI et al. (2008)
Page 34 and 35: intermediário, é a unidade de tom
Page 36 and 37: −∑H x / y)= p .ln( p / p )[3](i
Page 38 and 39: Estes sistemas manipulam dados geor
Page 40 and 41: 2.9 Comparação entre resultados d
Page 42 and 43: mapeamento, considerando as classes
Page 44 and 45: correlacionaram com a distribuiçã
Page 46 and 47: 3 MATERIAL E MÉTODOS3.1 Descriçã
Page 48 and 49: (a)120Extrato do Balanço Hídrico
Page 50 and 51: (a)(b)Figura 5 - Mapas de geologia
Page 52 and 53: Conforme PONÇANO (1981), o ambient
Page 54 and 55: h) Cambissolo: Solos constituídos
Page 56 and 57: 1:1.000.000 (IPT, 1981), e evidenci
Page 60 and 61: dados estratificados retirados ante
Page 62 and 63: 4 RESULTADOS E DISCUSSÃO4.1 MDE, G
Page 64 and 65: (a)(b)(c)Figura 7 - Mapas de variá
Page 66 and 67: (a)(b)(c)Figura 8 - Mapas de variá
Page 68 and 69: 4.2 Análise dos dados e elaboraç
Page 70 and 71: BalanceamentosFigura 10 - Distribui
Page 72 and 73: ocorrência deixe de ser amostrada
Page 74 and 75: unidades de mapeamento de solos fos
Page 76 and 77: devido a sua grande representativid
Page 78 and 79: Tabela 12 - Atualização da legend
Page 80 and 81: A análise do mapa permite verifica
Page 82 and 83: Tabela 15 - Ordenamento das variáv
Page 84 and 85: A partir da sobreposição dos mapa
Page 86 and 87: Tabela 16 - Matiz de confusão das
Page 88 and 89: Tabela 17 - Porcentagem de acerto e
Page 90 and 91: Como pode ser observado na figura 1
Page 92 and 93: unidades de mapeamento. Por exemplo
Page 94 and 95: O latossolo vermelho amarelo textur
Page 96 and 97: mapeamento de solos fosse classific
Page 98 and 99: predominância de latossolos (64 %)
Page 100 and 101: um banco de dados digitais para ess
Page 102 and 103: 6 SUGESTÕESComo trabalhos futuros
Page 104 and 105: mapa de solos na região de Três P
Page 106 and 107: COSTA CABRAL, M. & BURGES, S.J. Dig
Page 108 and 109:
IBGE - INSTITUTO BRASILEIRO DE GEOG
Page 110 and 111:
McBRATNEY, A.B.; MENDONÇA SANTOS,
Page 112 and 113:
PISSARA, T.C.T.; POLITANO, W.; FERR
Page 114 and 115:
TURCOTTE, R.; FORTIN, J.P.; ROUSSEA
Page 116 and 117:
8 ANEXO(S)Anexo I………………
Page 118 and 119:
65,9 0,9 3,6 6,8 LVdf text. argilos
Page 120 and 121:
Balanceamento de classes = 1a b c d
Page 122:
Anexo VI - Matriz de confusão para
show all

MineraÃ§Ã£o de dados para inferÃªncia da relaÃ§Ã£o solo ... - IAC

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?