Agua de Lastro PDF

IDENTIFICANDO SIMILARIDADES:
UMA APLICAO PARA A AVALIAO DE RISCO DE GUA DE LASTRO

Alexandre de Carvalho Leal Neto
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS
PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL
DO
RIO
DE
JANEIRO
COMO
PARTE
DOS
REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS

EM PLANEJAMENTO ENERGTICO.
Aprovada por:
________________________________________________
Prof. Luiz Fernando Loureiro Legey, Ph.D.
________________________________________________
Profa. Roseli Suzi Wedemann D.Sc.
________________________________________________
Profa. Alessandra Magrini D.Sc.
________________________________________________
Prof. Luiz Pereira Calba Dr.Ing.
________________________________________________
Prof. Rubens Mendes Lopes D.Sc.
________________________________________________
Prof. Silvio Jablonski D.Sc.
RIO DE JANEIRO, RJ - BRASIL

ABRIL DE 2007
LEAL NETO, ALEXANDRE DE CARVALHO

Identificando similaridades: Uma aplicao para
a avaliao de risco de gua de lastro [Rio de
Janeiro] 2007
VIII, 179 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Planejamento Energtico, 2007)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1. Espcies invasoras
2. gua de lastro
3. Mapa auto-organizvel
4. Anlise multivariada de dados
I. COPPE/UFRJ
II. Ttulo ( srie )
ii
Aos meus pais

Alexandre (in memoriam) e Marly
minha homenagem e gratido
Flavia, Thiago e Guilherme

fontes de afeio
dedico
iii
AGRADECIMENTOS
Ao Prof. Luiz Fernando L. Legey um agradecimento especial pelo incentivo e interesse

demonstrado como orientador desta tese.
Ao projeto GLO/99/G31/A/AG/19-GEF/UNDP/IMO Programa Global de Gesto de gua de
Lastro pela oportunidade de capacitao proporcionada e, em especial, a Steve Raaymakers e
Robert Hilliard incentivadores da atividade de avaliao de risco.
A Companhia Docas do Rio de Janeiro, em particular, Direo do Instituto de Pesquisas
Hidrovirias.
A Profa. Roseli Wedemann pelo apoio durante a realizao deste trabalho.
Aos Profs. Andra Junqueira, Sergio Exel e Silvio Jablonski pela rica troca de experincias.
A Leonardo Rodrigues pelo apoio na utilizao de software estatstico.
Georg Plzlbauer da Vienna University of Technology, ustria, e Susan Worner da Lincoln
University, Nova Zelndia pelo interesse com que acolheram minhas dvidas e pelo
fornecimento de valiosas informaes.
Aos funcionrios do Programa de Planejamento Energtico pela gentileza com que sempre me
atenderam.
E a todos que de alguma maneira contriburam para a realizao deste trabalho.
iv
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios para a
obteno do grau de Doutor em Cincias (D.Sc.)
IDENTIFICANDO SIMILARIDADES:
UMA APLICAO PARA A AVALIAO DE RISCO DE GUA DE LASTRO

Abril/2007
Orientadores: Luiz Fernando Loureiro Legey
Roseli Suzi Wedemann
Programa: Planejamento Energtico
Este trabalho apresenta um estudo sobre similaridade ambiental, desenvolvido para um
conjunto de 357 portos, cujas caractersticas ambientais e geogrficas esto representadas por
dados relativos a 34 parmetros. Na minerao de dados efetuada foram testados mtodos da
anlise multivariada de dados, dividida em duas categorias, agrupamento (mtodos Ward e kmdias) e ordenao (Anlise de Componentes Principais e Escalonamento Multidimensional
No-mtrico). Alm desses mtodos foi utilizado, tambm, um algoritmo de redes neuronais,
o Mapa Auto-Organizvel, que pode ser usado ao mesmo tempo para reduzir a quantidade de
dados por agrupamento, e para projetar os dados de forma no linear em um visor de menor
dimenso. Os resultados so apresentados e analisados visando entender, o tanto quanto
possvel, o fator de risco de similaridade ambiental, e contribuir para o desenvolvimento de
um sistema de apoio deciso para preveno da introduo de espcies invasoras.
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements for

the degree of Doctor of Science (D.Sc.)
IDENTIFYING SIMILARITIES: AN APPLICATION FOR

BALLAST WATER RISK ASSESSMENT

April/2007
Advisors: Luiz Fernando Loureiro Legey
Roseli Suzi Wedemann
Department: Energy Planning
This work presents a study on environmental similarity, developed for a set of 357
ports, whose environmental and geographical characteristics are represented by data related to
34 parameters. In doing the data mining, multivariate data analysis divided in two categories,
clustering (Ward and k-means methods) and ordination (Principal Components Analysis and
Non-metric Multidimensional Scaling) were tested. Besides these methods, a neural network
algorithm, the Self-Organizing Map was also used at the same time both to reduce the amount
of data by clustering, and for projecting the data nonlinearly onto a lower dimensional
display. The results are presented and analyzed aiming to understand, as far as possible, the
environmental similarity risk factor, and to contribute for developing a decision support
system for invasive species introduction prevention.
vi
SUMRIO
1 Introduo........................................................................................................................... 1
2 gua de Lastro.................................................................................................................... 5
2.1 Definio ..................................................................................................................... 6
2.2 Transladao de espcies.............................................................................................. 7
2.3 Espcies invasoras........................................................................................................ 8
2.4 Organismos na gua de lastro ..................................................................................... 13
2.5 Tipos de impactos ...................................................................................................... 15
2.6 Iniciativas................................................................................................................... 16
2.6.1 Programa GloBallast............................................................................................ 17
2.6.2 Conveno Internacional sobre Gesto de gua de Lastro ................................... 19
2.6.3 Iniciativas nacionais ............................................................................................ 23
3 Avaliao de risco de gua de lastro.................................................................................. 25
3.1 Componentes da avaliao de risco de gua de lastro ................................................. 28
3.1.1 Similaridade ambiental ........................................................................................ 29
3.2 Avaliao de risco do Programa GloBallast................................................................ 31
3.2.1 Obteno dos dados porturios ............................................................................ 32
3.2.2 Identificao dos portos fonte .............................................................................. 33
4 Reconhecimento de padres .............................................................................................. 37
4.1 Medidas de similaridade............................................................................................. 38
4.2 Reduo da dimensionalidade .................................................................................... 43
5 Anlise Multivariada de Dados ......................................................................................... 44
5.1 Anlise de Agrupamentos........................................................................................... 51
5.1.1 Mtodos hierrquicos .......................................................................................... 51
5.1.2 Mtodos no-hierrquicos.................................................................................... 56
5.1.3 Matriz de Concordncia....................................................................................... 65
5.2 Mtodos de Ordenao ............................................................................................... 70
5.2.1 Anlise de Componentes Principais ..................................................................... 70
5.2.2 Escalonamento Multidimensional no-mtrico..................................................... 80
vii
6 Redes neuronais ................................................................................................................ 86

6.1 Regras de aprendizado competitivo ............................................................................ 87
6.1.1 Inicializao dos vetores de pesos........................................................................ 91
6.2 Mapa Auto-Organizvel ............................................................................................. 94
6.2.1 Algoritmo de Kohonen ........................................................................................ 95
6.2.2 Funo de vizinhana .......................................................................................... 97
7 Implementao do SOM.................................................................................................. 102
7.1 Aprendizado............................................................................................................. 103
7.1.1 Treinamento seqencial ..................................................................................... 104
7.1.2 Treinamento em lote.......................................................................................... 105
7.2 Vetores de peso ........................................................................................................ 106
7.3 Avaliao da qualidade do treinamento .................................................................... 107
7.4 Resultados................................................................................................................ 108
7.4.1 Agrupamento do SOM....................................................................................... 125
7.4.2 Avaliao do comportamento dos parmetros .................................................... 128
8 Discusso........................................................................................................................ 134
9 Concluso ....................................................................................................................... 140
Referncias Bibliogrficas ................................................................................................. 144
Anexo 1 - Vetores comuns de bioinvaso marinha ............................................................. 153
Anexo 2 - Parmetros da anlise de similaridade ambiental do sistema GloBallast/URS .... 155
Anexo 3 - Base de Dados GloBallast.................................................................................. 157
Anexo 4 - Coeficiente de Similaridade do sistema GloBallast/URS.................................... 170
Anexo 5 - Lei N 11.200, de 24 de novembro de 2005........................................................ 178
viii
1
1 Introduo
As espcies exticas invasoras so na atualidade reconhecidas como uma das maiores
ameaas biodiversidade global. Elas podem provocar srios impactos econmicos, ambientais
e na sade humana. Em ambientes marinhos e costeiros, as espcies invasoras foram
identificadas como uma das quatro grandes ameaas aos oceanos do mundo, junto com: fontes
terrestres de contaminao; sobreexplotao dos recursos marinhos; e alterao fsica ou
destruio dos habitats. Plantas, animais e organismos microscpicos so transportados de seus
ambientes nativos para novos locais de diferentes maneiras, seja intencionalmente ou no.
A gua de lastro um dos muitos vetores de transferncia de espcies ao redor do
mundo. Navios so projetados para navegar com seus cascos submersos at certo nvel na
gua. Se um navio no est com sua capacidade de carga completa, necessita encher seus
tanques de lastro com gua para manter um calado apropriado e estabilidade durante sua
viagem. Quando o navio recebe carga num porto, precisa descarregar parte ou toda sua gua
de lastro para compensar o peso da carga. Estima-se que aproximadamente 3 a 4 bilhes de
toneladas de gua de lastro so transferidas globalmente cada ano, e que 7.000 espcies
podem ser transportadas num dia na gua de lastro de navios. Espcies contidas na gua de
lastro tomada a bordo em um determinado local, podem ser descarregadas nas guas de uma
outra regio. Embora muitas dessas introdues de espcies exticas tenham sido e continuem
sendo incuas, algumas tiveram conseqncias econmicas e ambientais severas, com
considerveis alteraes na fauna e flora marinha, e causando eventualmente o
desaparecimento de alguma espcie nativa.
Esta tese discute o problema de transporte de espcies exticas na gua de lastro de
navios, apresentando um estudo sobre similaridade ambiental, desenvolvido para um conjunto
de 357 portos, cujas caractersticas ambientais e geogrficas esto representadas por dados
relativos a 34 parmetros. O objetivo da pesquisa foi entender, tanto quanto possvel, o fator
2
de risco de similaridade ambiental, e contribuir para o desenvolvimento de um sistema de
apoio deciso para preveno da introduo de espcies invasoras.
A Conveno Internacional sobre Controle e Gesto da gua de Lastro e Sedimentos
de Navios foi adotada em 2004 com o intuito de a prevenir, minimizar e, por fim, eliminar os
riscos ao meio ambiente, sade pblica, s propriedades e recursos decorrentes da
transferncia de organismos aquticos nocivos e agentes patognicos atravs do controle e
gesto da gua de lastro dos navios e dos sedimentos nela contidos.Vrias diretrizes esto
sendo desenvolvidas com o propsito de assegurar sua aplicao uniforme. A minuta das
diretrizes para avaliao de risco d significante flexibilidade na determinao do mtodo de
abordagem: por compatibilidade ambiental ou por espcie alvo, e objetiva aplicar a
regulamentao de uma maneira cientificamente robusta.
A compatibilidade ambiental assume que a probabilidade de estabelecimento de uma
espcie proporcional ao grau de similaridade entre o porto doador e o porto receptor. Embora
essa abordagem receba crticas, pois muitas espcies invasoras tm tolerncia muito ampla, por
exemplo, salinidade ou temperatura, este , dentre outros, um importante fator de risco. Uma
vez que os parmetros sejam definidos, similaridades podem ser calculadas por meio de
diversos mtodos. Vrias anlises diferentes podem ser feitas para diferentes propsitos.
Uma avaliao de risco foi conduzida para o porto de Sepetiba pelo Programa Global
de Gesto de gua de Lastro (GloBallast), e os dados foram compilados ao longo do estudo
para 357 portos ao redor do mundo. Este banco de dados bastante heterogneo tanto na sua
montagem quanto em seu contedo. Diferentes equipes trabalharam simultaneamente no
levantamento dos dados, e vrias foram as fontes de obteno das informaes.
Eventualmente alguns dados foram estimados com base na localizao geogrfica do porto ou
em valores obtidos para portos comparveis mais prximos, no correspondendo, portanto, a
valores reais, sejam mdios ou extremos.
3
Essa heterogeneidade e as incertezas associadas com os descritores ambientais
motivaram esta tese, que buscou ir alm da simples medida direta da distncia Euclidiana
entre os descritores dos portos. O aumento na quantidade e complexidade dos dados vem
estimulando o desenvolvimento contnuo de novas tcnicas. Alm disso, a maior capacidade
computacional, hoje disponvel, facilita a implementao de algoritmos existentes, mas
anteriormente pouco empregados. Apesar de as tcnicas de anlise multivariada terem muitas
caractersticas em comum, vrias diferenas importantes surgem em seus princpios e
objetivos. Foram escolhidos dois mtodos de anlise de agrupamentos (Ward e k-mdias) e
dois mtodos de ordenao (Anlise em Componentes Principais e Escalonamento
Multidimensional no-mtrico).
Outra linha de investigao dos dados foi o uso do algoritmo de redes neuronais
artificiais da classe de aprendizado competitivo o Mapa Auto-Organizvel (SOM do ingls
Self-Organizing Map), que tem a propriedade de poder ser usado ao mesmo tempo para
reduzir a quantidade de dados pelo agrupamento, e para projetar os dados no linearmente
num visor de menor dimenso. O interesse nesse algoritmo deve-se sua habilidade de
organizar dados, de modo no supervisionado, em grupos homogneos. Essa tarefa realizada
ajustando as distncias de uma estrutura de espao multidimensional numa projeo de baixa
dimenso que preserva a topologia do espao de entrada.
O trabalho est organizado em 8 captulos, alm desta Introduo. No captulo 2 so
descritos alguns tpicos relativos questo da introduo de espcies aquticas invasoras e
agentes patognicos por meio da gua de lastro. Esse captulo apresenta ainda propostas de
gesto do problema, buscando mostrar a relevncia e a atualidade da temtica a ser abordada.
O captulo 3 contm a exposio dos aspectos envolvidos no assunto que se pretende
pesquisar: a avaliao de risco de gua de lastro e, em especial, o componente de anlise de
similaridade ambiental.
4
Nos captulos subseqentes so exploradas e avaliadas diferentes tcnicas e
abordagens para identificar a similaridade entre os portos que compem a amostra. O captulo
4 faz uma breve considerao sobre o tema de reconhecimento de padres e seu objetivo de
classificao. Discute ainda como as medidas de similaridade so utilizadas para agrupar
objetos de mesmas caractersticas. O captulo 5 apresenta as tcnicas de anlise multivariada
de dados e a justificativa para a utilizao desses mtodos no contexto do problema da gua
de lastro. No captulo 6 o Mapa Auto-Organizvel (SOM) detalhado.
A implementao do algoritmo SOM feita no captulo 7 onde so realizadas diversas
simulaes, com diferentes parmetros de treinamento, visando gerar mapas que permitam
avaliar as similaridades entre os portos analisados. A partir da escolha de um mapa
representativo, os resultados so interpretados e analisada a influncia dos descritores no
agrupamento dos portos.
Uma discusso apresentada no captulo 8 onde se procurou comparar os mtodos da
anlise multivariada e das redes neuronais, cotejando-os com alguns trabalhos semelhantes de
outros autores.
No nono e ltimo captulo so feitas as consideraes finais do trabalho, comentandose a potencialidade e aplicabilidade dos mtodos empregados. A tese traz, ainda, anexos
contendo informaes complementares e os dados utilizados neste trabalho.
Finalmente, cabe ressaltar que no decorrer da tese, foi aprovada a Lei n 11.200, de 24
de novembro de 2005 (Anexo 5), que alterou o nome do porto de Sepetiba para porto de
Itagua. Como todos os textos de referncia fazem meno ao nome Sepetiba e uma parte
substancial da tese e das anlises j tinham sido desenvolvidas, optou-se por manter o nome
original, atribudo desde a inaugurao do porto em 1982.
5
2 gua de Lastro
Diariamente, um grande nmero de vetores relacionados s atividades humanas move
milhares de organismos marinhos ao redor do mundo. Embora vrios vetores tenham sido
identificados como responsveis pela transferncia de organismos entre reas martimas
geograficamente separadas (Anexo 1), a descarga de gua de lastro de navios considerada
como o vetor mais importante de movimentos, transocenicos e intra-ocenicos, de
organismos costeiros de guas rasas. A introduo no intencional de organismos exticos
resultou no estabelecimento de muitas espcies, fora de seus limites naturais, com o potencial
para ameaar ambientes e economias. Fatores como poluio ambiental e destruio de
habitats podem prover condies que favoream a invaso de espcies exticas (IUCN, 2000).
Muitas espcies de bactrias, plantas e animais podem sobreviver em uma forma
vivel na gua de lastro e no sedimento levado em navios, mesmo aps viagens com vrias
semanas de durao. A descarga subseqente da gua de lastro ou sedimento nas guas
porturias pode resultar no estabelecimento de colnias de espcies nocivas e patognicas que
podem perturbar seriamente o equilbrio ecolgico existente. Desde a introduo, no fim do
sculo XIX, de navios com casco de ao, as descargas de gua de lastro aumentaram
consideravelmente, em todas as partes do mundo, a probabilidade do estabelecimento
prspero de populaes de espcie no-nativas auto-sustentveis. Gollasch (1997) relata que
a primeira meno da introduo de uma espcie indesejada foi feita por Ostenfeld (1908)
aps uma ocorrncia macia da alga fitoplanctnica asitica Odontella (Bidulpphia) sinensis
no Mar do Norte em 1903.
O incremento no tamanho e na velocidade dos navios aumentou o risco de disperso
de novas espcies pelos mares, com maiores volumes de gua de lastro bem como o tempo de
viagem tornando-se menor, o que significa que mais organismos podem sobreviver jornada.
6
O potencial da descarga de gua de lastro causar dano foi reconhecido no s pela
Organizao Martima Internacional (IMO), mas tambm pela Organizao Mundial de Sade
(WHO), preocupada a respeito do papel da gua de lastro como um meio de disperso de
bactrias de doenas epidmicas (ICS & INTERTANKO, 2000). Apesar da preocupao
mundial com o assunto, no existem estatsticas detalhadas do volume de gua de lastro
transportado anualmente. Estimativas iniciais variavam em torno de 10 a 12 bilhes de
toneladas por ano e clculos mais recentes indicam volumes da ordem de 3 a 4 bilhes
(Endresen et al., 2003). De acordo com Royal Haskoning (2001), os lucros potenciais para
sistemas de tratamento de gua de lastro a bordo so avaliados em mais de um bilho de
dlares por ano aps a entrada em vigor da Conveno Internacional sobre Gesto de gua de
Lastro (ver item 2.6.2).
2.1 Definio
Lastro qualquer material usado para fazer peso ou equilibrar um objeto. Exemplos
so os sacos de areia carregados em bales de ar quente que podem ser descartados para
aliviar a carga do balo, permitindo que ele suba.
A gua de lastro colocada em um navio para aumentar o calado de modo a permitir a
operao efetiva (em casos onde os navios esto vazios, ou pouco carregados, para submergir
o hlice e o leme na gua); controlar o trim1; aumentar a estabilidade; e manter cargas de
tenso dentro de limites aceitveis. Normalmente, a gua de lastro carregada, por
bombeamento ou gravidade, em tanques de lastro segregado ou em pores de carga vazios. A
gua de reas rasas freqentemente contm sedimentos que se depositam no fundo desses
tanques ou pores. A gua de lastro , ento, descarregada, toda ou em parte, nos portos onde
o navio recebe novas cargas.
Trim a diferena de imerso entre a proa e a popa do navio.
7
A gua se tornou comumente usada como lastro a partir dos anos 1880, por ser mais
fcil de carregar e descarregar, sendo mais eficiente e econmica que o lastro slido, tal como
pedras, areia, solo, e outros materiais baratos e pesados. Este movimento de lastro seco,
composto de pedras e cascalho das praias prximas, conduziu ao espalhamento de milhares de
espcies de insetos e outros artrpodes, moluscos e plantas (Carlton, 2001).
A maioria dos navios, mesmo aqueles que levam carga, tm um pouco de gua de lastro
a bordo que pode ser de diversas origens. Pode ser gua doce, salobra, ou salgada, e carregada a
bordo em um ou vrios pontos ao longo da rota do navio dependendo da carga, quantidade de
combustvel que levado, e o estado do mar. A quantidade de gua que um navio pode levar
varia enormemente, desde algumas centenas de toneladas de gua residual at vrias milhares
de toneladas de lastro para os navios realmente grandes (Carlton, 1993).
De acordo com a Conveno Internacional sobre Controle e Gesto da gua de Lastro
e Sedimentos de Navios Conveno BWM 2004 em seu artigo 1 Definies, gua de
Lastro significa gua com seu material em suspenso tomada a bordo do navio para controlar
trim, adernamento, calado, estabilidade ou tenses de um navio (IMO, 2004).
2.2 Transladao de espcies

Uma das principais ameaas para diversidade biolgica nativa reconhecida pelos
cientistas e governos como sendo as invases biolgicas causadas por espcies invasoras
exticas. Os impactos dessas espcies so imensos, insidiosos, e normalmente irreversveis.
Elas podem ser to prejudiciais para as espcies nativas e os ecossistemas numa escala global
como a perda e degradao de habitats. A Unio Internacional para a Conservao da
Natureza e dos Recursos Naturais (IUCN), ou World Conservation Union, define transladao
como o movimento de organismos vivos de uma rea com livre soltura em outra, dividindo
em trs classes principais: introduo; re-introduo; e re-estocagem (IUCN, 1987).
8
Durante milnios, as barreiras naturais dos oceanos e acidentes geogrficos
(montanhas, rios, desertos etc) proveram o isolamento gentico essencial para a evoluo e
manuteno da diversidade de espcies e ecossistemas que compem a riqueza biolgica do
planeta. Em algumas centenas de anos essas barreiras tornaram-se ineficazes por foras
globais que, combinadas, ajudaram espcies a viajar grandes distncias para novos habitats, e
tornarem-se espcies invasoras bem sucedidas, dominando crescentemente grandes reas. A
perturbao desse isolamento interferiu com a dinmica natural dos sistemas, causando a
substituio de diversas comunidades autctones ou a extino de espcies nativas.
A globalizao e crescimento no volume de comrcio e turismo, juntamente com a
nfase do comrcio livre, proveram mais oportunidades para as espcies se espalharem
acidentalmente ou deliberadamente. Prticas de alfndegas e de quarentena, desenvolvidas no
passado para resguardar contra doenas e pestes, so freqentemente protees inadequadas
contra espcies que ameaam a biodiversidade nativa. Assim, o fim inadvertido de milhes de
anos de isolamento biolgico criou grandes problemas que afetam pases desenvolvidos e em
desenvolvimento (IUCN, 2000).
2.3 Espcies invasoras

Espcies introduzidas tambm so conhecidas como espcies invasoras, aliengenas,
exticas, estrangeiras, no-nativas, naturalizadas, imigrantes e no-indgenas. s vezes estas
palavras so tratadas como sinnimos, em outros momentos, cada uma tem significados diferentes.
Uma espcie extica aquela que ocorre em uma regio onde ela previamente no existia, pelo
menos em uma base de tempo histrica. Nove critrios podem ser usados para testar se uma espcie
nativa ou extica, sendo os seis primeiros de acordo com situaes em nvel regional e os demais
de carter mais global (Chapman & Carlton, 1991, 1994; Cranfield et al., 1998):
9
1. a espcie apareceu subitamente num local onde no era encontrada antes?
2. a espcie ampliou sua distribuio em seguida?
3. a distribuio da espcie est associada a mecanismos humanos de disperso?
4. a espcie est associada com, ou dependente de, outra espcie introduzida?
5. a espcie predomina em, ou est restrita a, ambientes anteriormente no ocupados e/ou
ambientes artificiais?
6. a distribuio da espcie restrita em comparao com a distribuio das espcies nativas?
7. a espcie possui uma distribuio mundial disjunta (no contnua)?
8. a espcie possui capacidade de disperso passiva ou ativa insuficiente para explicar a
distribuio observada?
9. a espcie se encontra isolada de espcies geneticamente e morfologicamente similares
existentes em outras partes do mundo?
O termo espcies invasoras se refere a um grupo, definido em termos gerais, de

espcies introduzidas que traz, ou poderia trazer, alguma medida de dano (ambiental,
econmico ou para sade humana). Uma espcie introduzida pode se tornar prejudicial em
algumas reas e no em outras, normalmente como resultado de idiossincrasias muito difceis,
se no impossveis, de predizer com confiana a partir das caractersticas do histrico do
organismo em seus limites naturais.
Uma espcie introduzida pode falhar em estabelecer uma populao vivel a longo
prazo devido inibio de uma fase chave do ciclo de vida por fatores locais que limitem o
crescimento, restrinjam a reproduo ou recrutamento, e/ou causem uma alta mortalidade. Em
tais casos, s repetidas inoculaes possibilitaro a contnua (ou espordica) presena de uma
populao detectvel.
10
Organismos que sobrevivem aos rigores de uma viagem no interior de um tanque de
lastro podem ser considerados como espcies relativamente resistentes. A maioria das
espcies introduzidas no estabelece uma populao a longo prazo, ou ento permanecem
relativamente incuas e restritas em sua distribuio. Isto acontece, presumivelmente, porque
o ecossistema local e suas comunidades nativas exercem respectivamente suficiente stress
fsico e presses defensivas (competio, predao etc), e/ou porque estmulos crticos e
condies para reproduo ou mecanismos que facilitam a fase de disperso esto faltando.
Cohen & Carlton (1995) definiram espcies estabelecidas como organismos
introduzidos que esto presentes e reproduzindo-se na natureza, e cujos nmeros,
amadurecimento, distribuio e persistncia com o passar do tempo sugerem que eles
continuaro a estar presentes exceto em decorrncia de esforos de erradicao ou um
grande evento catastrfico natural. 'Na natureza' considerado potencialmente confuso, pois
muitas espcies podem se estabelecer prosperamente em reas artificiais ou altamente
transtornadas. Ento, uma espcie estabelecida definida como uma espcie introduzida,
tendo pelo menos uma populao que (Hilliard et al., 1997):
aparece vivel em tamanho e exibe uma estrutura de idade madura;
persistiu, por meios naturais, em pelo menos uma rea, alm de um certo perodo (i.e.
durante vrios anos); e
tenha se dispersado, ou ameace se espalhar mais, por meios naturais ou antrpicos (i.e.
capaz de superar qualquer fator local que possa impedir ou destruir um estgio
crucial de disperso).
As propriedades chave de uma espcie potencialmente prejudicial no s tm que

prover a ela habilidade para se espalhar, a partir de seu ponto inicial, para novos locais ao
longo da costa, mas tambm tm que incluir um conjunto de caractersticas suficientemente
11
competitivas, invasoras ou nocivas. Para obter a condio de espcie nociva, aps seu
estabelecimento, a espcie tem que conseguir realizar, pelo menos, uma das seguintes aes
(Hilliard et al., 1997):
prontamente colonizar reas no necessariamente vagas deslocando espcies nativas
via competio por espao, luz ou alimento; e/ou
infectar, parasitar, predar ou danificar espcies recreativas ou comerciais importantes;
com alto significado ecolgico ou valor de conservao;
lanar toxinas que se acumulam na cadeia alimentar com riscos para a sade pblica e/ou
envenenar outros organismos (ex. acumulao de toxinas de dinoflagelados em ostras
comerciais, causando interrupo ou fechamento nas atividades de aqicultura para evitar
o risco de epidemias por envenenamento paralisante (paralytic shellfish poisoning- PSP))
ou por infeco direta (ex. vrus ou bactrias como Vibrio ou Clostridium);
causar perdas econmicas significativas para infra-estrutura litoral (ex. por volumosa
incrustao em sistemas de tomadas dgua, circuitos de refrigerao, molhes,
embarcadouros, marinas, bias, cascos de embarcaes e outras superfcies entremars
ou submersas).
De acordo com a Conveno BWM 2004 em seu artigo 1 Definies, Organismos

Aquticos Nocivos ou Patognicos significam organismos aquticos ou patognicos que, se
introduzidos no mar, incluindo esturios, ou em cursos de gua doce, podem criar riscos para
o meio ambiente, sade humana, propriedade ou recursos, deteriorao da diversidade
biolgica ou interferir com outros usos legtimos de tais reas (IMO, 2004).
Informaes sobre espcies invasoras so geralmente dispersas numa variedade de
banco de dados e relatrios publicados e no publicados. O Ministrio do Meio Ambiente, por
meio do Projeto de Conservao e Utilizao Sustentvel da Diversidade Biolgica Brasileira
12
(PROBIO), financiou cinco projetos, com cobertura nacional, focados na busca de
informaes sobre espcies invasoras. Cada projeto lidou com um aspecto do problema
relacionado com organismos que afetam: a sade; os sistemas produtivos (pecuria,
agricultura); os ambientes terrestres; a gua doce; e o ambiente marinho. Os relatrios foram
coordenados pela Fundao Oswaldo Cruz; Empresa Brasileira de Pesquisa Agropecuria;
Instituto Hrus; Universidade Federal de Viosa; e o Instituto Oceanogrfico da Universidade
de So Paulo, respectivamente. Os resultados dessa iniciativa foram compilados como um
Informe Nacional de Espcies Exticas Invasoras (a ser publicado) e apresentados no I
Simpsio Brasileiro sobre Espcies Exticas Invasoras, realizado em 2005 (Brasil, 2006). No
ambiente marinho foram inventariadas 65 espcies invasoras (Tabela 1).
Grupo
Bactrias Pelgicas
Fitoplncton
Zooplncton
Macroalgas
Zoobentos
Ictiofauna
Total
Detectadas Estabelecidas Invasoras

1
1
2
3
1
2
1
3
1
20
9
5
3
1
28
15
10
Contidas
4
5
3
12
Total
1
3
10
10
37
4
65
Tabela 1 - Situao populacional das espcies exticas invasoras marinhas no Brasil,

conforme o grupo biolgico (adaptado de informaes do I Simpsio Brasileiro sobre
Espcies Exticas Invasoras, 2005)
Embora esse Informe Nacional no tenha exaurido as informaes sobre o assunto no

Brasil, configura um passo importante na formao de uma viso anteriormente inexistente.
Mais dados podero ser coletados sempre, porm os dados coletados so inicialmente
suficientes para gerar diversas aes prticas no mbito da preveno, erradicao e controle
de espcies exticas invasoras (Romais et al., 2005).
13
2.4 Organismos na gua de lastro
Navios podem levar a bordo qualquer espcie presente na gua de portos, baas e
esturios ao redor do mundo. O conjunto de organismos que podem ser transportados na gua
de lastro muito grande. Mesmo espcies que quando adultas dificilmente seriam encontradas
na gua de lastro, seja porque so muito grandes ou porque vivem junto ao fundo, podem ser
transferidas atravs do lastro durante a sua fase planctnica (Figura 1). Muitas das espcies
esto em seu estgio larval ou de disperso, com hbitos bentnicos na fase adulta (e.g. Figura
2). Dentre elas pode-se citar anmonas, vermes, cracas, caranguejos, caracis, moluscos,
mexilhes, ostras, briozorios, ourios do mar, ascdias, macroalgas e muitas outras. Outras
espcies vivem permanentemente como adultas na gua, incluindo diatomceas,
dinoflagelados, coppodes, medusas entre outras. Organismos causadores de doena como
vrus, bactrias e parasitas tambm foram detectados em gua de lastro (Ruiz et al., 2000).
Assim, organismos na gua de lastro variam desde tamanhos microscpicos at peixes de
30cm ou mais.
Figura 1 - Ilustrao do ciclo de vida e fase planctnica dos bivalves e do camaro

(http://www.mma.gov.br/aguadelastro)
14
a
110-130m
130-180 m
c
200-300m
Figura 2 - Estgios larvais do mexilho dourado Limnoperna fortunei a: larva D; b: larva

umbonada; c: larva pedivliger (Cataldo & Boltovskoy, 2000 apud LATEC/COPEL, 2003).
Pelo menos 7.000 diferentes espcies de vida marinha so provavelmente
transportadas, a cada dia, ao redor do mundo, e evidncias apontam para uma diversidade
ainda maior do que se suspeitava inicialmente entre os organismos do fitoplncton e outros
organismos da mesma faixa de tamanho (Carlton, 1999). De acordo com Carlton (2001) a
gua de lastro contm quatro tipos de comunidades vivas:
plncton: organismos que derivam passivamente, ou nadam moderadamente, na gua;
necton: espcies que nadam livremente na gua;
inscrustantes: organismos fixos (incluindo filmes bacterianos) nas paredes verticais e

estruturas horizontais dos compartimentos de lastro; e
bentos: organismos de fundo ou bentnicos, tais como leito de lama com vermes
marinhos e espcies associadas; estgios excistado ou de repouso de plncton vegetal
(fitoplncton); e plncton animal (zooplncton).
Para algumas espcies de vida marinha, pode ser difcil determinar o modo de
introduo. A gua de lastro e os organismos contidos nela, por exemplo, so sempre
descarregados quando um navio recebe carga. Entretanto, organismos incrustados nos cascos
dos navios tm que se reproduzir, soltar-se ou nadar para fora do navio. Muitos organismos,
incluindo cracas, mexilhes, hidrides, ascdias e macroalgas, podem ser transportados por meio
de ambos os mecanismos, tornando-se difcil distinguir entre os dois vetores (Carlton, 2001).
15
A espcie aqutica introduzida mais conhecida no Brasil, tendo a gua de lastro como
vetor, o mexilho dourado (Limnoperna fortunei), originrio da China e sudeste da sia, que
foi avistado pela primeira vez na Amrica do Sul na desembocadura do rio da Prata, na costa
argentina, em 1991. O mexilho dourado teve seu primeiro registro no Brasil, no estado do Rio
Grande do Sul, em 1999, e sua rea de distribuio inicialmente atingiu grandes extenses do
lago Guaba, em Porto Alegre (Mansur, 2000). Na bacia do rio Paran o mexilho dourado foi
detectado inicialmente em abril de 2001 na usina hidroeltrica de Itaipu (Fontes Jnior, 2002) e,
posteriormente, em vrias outras usinas como Porto Primavera em 2002; So Simo no rio
Paranaba em 2003; e Jupi e Ilha Solteira em 2004. O registro mais a montante no rio Uruguai
ocorreu na represa de Salto Grande em setembro de 2001. A chegada do mexilho dourado no
Pantanal se deu em 2003 num ambiente ligado ao rio Paraguai, nas proximidades de Corumb,
e no ano de 2005 foram coletados exemplares em Cceres que constitui o limite mais ao norte
dessa espcie no Pantanal (Mansur & Darrigran, 2006). A presena do mexilho dourado nessa
latitude preocupante pela proximidade com a bacia Amaznica.
2.5 Tipos de impactos

Uma espcie estabelecida, suficientemente expansiva, dispersiva e agressiva pode
causar efeitos adversos. A introduo de organismos exticos em uma determinada rea pode
causar impactos ambientais, econmicos e para a sade humana, os quais podem variar de
degradao de vias fluviais (e.g. pelo crescimento de mexilhes zebra nos Grandes Lagos),
mortes de peixes at enfermidade humana ou mesmo mortes (e.g. devido a dinoflagelados
txicos) (Royal Haskoning, 2001).
Organismos no precisam ter caractersticas de pestes para causar danos severos.
Alguns invasores afetam a flora e fauna nativa competindo por alimento, espao, iluminao,
habitat e outros recursos. A reduo da biodiversidade nativa pode se dar por alterao do
16
substrato, parasitismo ou infeco, sufocando e suplantando espcies nativas localmente
importantes. O pior caso ecolgico a substituio de uma espcie nativa pelo invasor extico.
Isto pode afetar no apenas uma nica espcie pela extino, mas tambm outros organismos
dependentes desta espcie como fonte de alimento ou habitat. Como resultado a estrutura da
cadeia alimentar pode mudar significativamente depois da introduo de uma espcie.
2.6 Iniciativas
Em 1992, a IMO, a partir de solicitao da Conferncia das Naes Unidas sobre Meio
Ambiente e Desenvolvimento (UNCED), deu incio a uma abordagem sistemtica para a
questo da gua de lastro, buscando a definio de regras adequadas, para evitar a
disseminao de organismos aquticos no nativos das regies nas quais as descargas so
realizadas.
A IMO uma agncia especializada da Organizao das Naes Unidas (ONU),
contando com 167 Estados Membros2, e cujas principais responsabilidades referem-se, entre
outras, segurana da navegao; facilitao do comrcio martimo; preveno da
poluio do mar por navios; e aos regimes de compensao por danos. A resposta demanda
da UNCED concretizou-se pelas seguintes aes:
formao de grupo de trabalho de gua de lastro no mbito de seu Comit de Proteo
ao Meio Ambiente Marinho (MEPC);
adoo de Diretrizes para o controle e gerenciamento da gua de lastro de navios para
minimizar a transferncia de organismos aquticos nocivos e patognicos;
desenvolvimento de um novo instrumento legal de mbito internacional (Conveno)
sobre o gerenciamento de gua de lastro a ser considerado para adoo por uma
Conferncia Diplomtica; e
2
At janeiro de 2007.
17
definio de uma iniciativa conjunta com o Fundo para o Meio Ambiente Mundial
(GEF) e o Programa das Naes Unidas para o Desenvolvimento (UNDP) para
identificar e avaliar barreiras ao efetivo trato da questo da gua de lastro em algumas
das regies em desenvolvimento do mundo.
2.6.1 Programa GloBallast

Essa ltima linha de ao, mencionada no item anterior, levou aprovao, pelo Conselho
do GEF, em 1999, do Programa Global de Gesto de gua de Lastro (GloBallast), tendo como
base as recomendaes das diversas misses preparatrias e acordos com os governos envolvidos.
O projeto contou com recursos do GEF, repassados por intermdio do UNDP, sendo executado
pela IMO, com o apoio dos Estados Membros e da indstria do transporte martimo. O oramento
total para o projeto foi de US$10.192.000 (incluindo os custos de administrao da agncia
executora e a contribuio dos governos envolvidos de US$2,8 milhes).
Esse projeto, denominado originalmente Remoo de Barreiras para a Implementao
Efetiva do Controle da gua de Lastro e Medidas de Gerenciamento em Pases em
Desenvolvimento, visava reduzir a transferncia de espcies aquticas exticas indesejveis
que tinham como vetor a gua de lastro dos navios. Teve, ainda, como propsito ajudar os
pases em desenvolvimento a implementar as medidas de carter voluntrio previstas na
Resoluo de Assemblia da IMO A.868 (20) Diretrizes para o Controle e Gerenciamento da
gua de Lastro dos Navios para Minimizar a Transferncia de Organismos Aquticos
Nocivos e Agentes Patognicos (Brasil, 1998).
Alm disso, o GloBallast tencionava preparar os pases, antecipadamente, para a
implementao da Conveno BWM 2004 que estava sendo elaborada. Para que essa meta
pudesse ser alcanada, foram providos, a seis pases participantes, capacitao, assistncia
tcnica, e reforo institucional, tendo como objetivo uma efetiva gesto da gua de lastro.
18
Pretendia-se que seis locais de demonstrao representassem as principais regies em
desenvolvimento do mundo, de acordo com as polticas de financiamento de projetos do GEF.
Os estudos de caso desenvolvidos nesses pases serviram, numa primeira etapa, como
demonstrao de dificuldades e experincias de sucesso de gesto do problema (Figura 3).
Sepetiba Brasil
Dalian China
Bombaim ndia
Ilha Khark Ir
Saldanha frica do Sul
Odessa Ucrnia
Figura 3 - Portos e pases-piloto do Programa GloBallast
(http://www.mma.gov.br/aguadelastro)
A implementao do projeto teve incio no ano 2000, com uma durao prevista de
trs anos. Quando o GloBallast foi proposto, a comunidade internacional planejava adotar um
regime regulador para a transferncia de gua de lastro em 2002. Entretanto, devido
complexidade do tema, as negociaes entre os Estados Membros da IMO alongaram-se mais
do que o esperado, e a Conferncia Diplomtica foi remarcada para 20043. Assim, o intervalo
entre o final do GloBallast, previsto para maro de 2003, e a adoo da nova Conveno,
determinaria uma perda do impulso j obtido pelo Programa. Considerando esses aspectos
decidiu-se estender o Programa, mantido o oramento total original, at dezembro de 2004.
O Ministrio do Meio Ambiente (MMA) desempenhou o papel de Agncia Lder para
o Programa GloBallast, no Brasil, sendo a Secretaria de Qualidade Ambiental nos
Assentamentos Humanos, do MMA, o Ponto Focal Nacional designado para o projeto.
Diversas organizaes nacionais participaram ativamente do projeto; juntamente com
universidades e representaes da rea do transporte martimo (Leal Neto & Jablonski, 2004).
3
Deciso da 48a reunio do Marine Environment Protection Committee (MEPC) da IMO em outubro de 2002.
19
Cada pas elaborou seu Plano de Trabalho Nacional que esboava as atividades a
serem desenvolvidas no decorrer do Programa no local de demonstrao; no caso brasileiro, o
porto de Sepetiba, no Estado do Rio de Janeiro. Os principais componentes constantes deste
plano foram: Comunicao, Educao e Mobilizao; Avaliao de Risco da gua de Lastro;
Levantamento da Biota do Porto; Medidas de Gesto de gua de Lastro; Treinamento;
Legislao; Conformidade, Monitoramento e Efetivao; e Cooperao Regional.
Com o fim do Programa GloBallast, o GEF e o PNUD aprovaram um fundo para o
desenvolvimento de uma proposta de projeto chamado GloBallast Partnerships. Esta proposta
foi preparada pela IMO ao longo dos anos 2005 e 2006 para ser submetida ao Conselho do
GEF. Caso a proposta seja aprovada, o projeto dever ser iniciado em 2007 e ser desenvolvido
em 5 anos, com um oramento de US$ 17 milhes, dos quais US$ 7 milhes seriam fundos do
GEF e o restante contribuies dos pases participantes. Distintamente da primeira fase
desenvolvida em seis pases pilotos, nesta segunda fase o novo projeto pretende ter um
enfoque regional, apoiando reformas legais e de polticas para minimizar os impactos
adversos de espcies aquticas invasoras transferidas por navios em pases/regies no
cobertas na primeira fase como Caribe e ilhas do Pacfico (Fernandes & Leal Neto, 2006).
2.6.2 Conveno Internacional sobre Gesto de gua de Lastro

Em 1993, foram publicadas pela IMO as primeiras diretrizes para preveno e controle
da introduo de espcies invasoras via gua de lastro. Essas diretrizes visavam orientar os
governos dos pases membros no manejo de gua de lastro para evitar a transferncia de
espcies invasoras e organismos patognicos.
Posteriormente, em 1997, foram adotadas medidas mais abrangentes atravs da
Resoluo IMO A.868(20). As medidas propostas por esta Resoluo so de carter
voluntrio e incluem: limpeza regular dos tanques de lastro; evitar captao de lastro em reas
20
em que tenham ocorrido irrupes ou infestaes de organismos nocivos ou agentes
patognicos ou prximas descarga de esgotos sanitrios; evitar a descarga desnecessria de
gua de lastro na rea porturia, realizar a troca de lastro em guas ocenicas; e descarregar a
gua de lastro em instalaes adequadas.
Culminando esses esforos, a Conveno BWM 2004 foi adotada numa Conferncia
Diplomtica em fevereiro de 2004 com a participao de 74 Estados Membros da IMO. Esta
Conveno s entrar em vigor 12 meses aps a data em que no menos do que 30 pases, cujas
frotas mercantes combinadas constituam no menos que 35% da arqueao bruta da frota
mercante mundial, tenham assinado a mesma sem reservas no que tange a ratificao.
A abordagem adotada pela Conveno BWM 2004 para o combate ao problema foi
funo da inexistncia, no momento, de tecnologia que viabilize um tratamento da gua de
lastro a bordo dos navios que atenda padres considerados seguros. Assim, foram
estabelecidas uma norma para troca de gua de lastro (Regra D-1) e uma norma de
desempenho de gua de lastro (Regra D-2). A Tabela 2 resume os prazos para cumprimento
dessas exigncias em funo da capacidade de lastro dos navios.
Construo do navio
Antes de 2009
Antes de 2009
A partir de 2009
Entre 2009 e 2012
A partir 2012
Capacidade de lastro
(cal) (m3)
1.500 cal 5.000
cal < 1.500 ou > 5.000
cal < 5.000
cal 5.000
cal 5.000
Exigncia
D-1 aps a entrada em vigor e D-2 aps 2014
D-1 aps a entrada em vigor e D-2 aps 2016
D-2
D-1 aps 2009 e D-2 aps 2016.
D-2
Tabela 2 - Prazos estabelecidos pela Conveno BWM 2004 para adaptao dos navios
(Almeida & Leal Neto, 2005)
A Regra D-1 prev que os navios que realizarem a troca da gua de lastro em
conformidade com esta regra devero faz-lo com uma eficincia de pelo menos 95% por
cento de troca volumtrica. J a Regra D-2, que para ser atingida depende ainda de avanos
cientficos, estabelece que os navios que realizarem gesto de gua de lastro em conformidade
com esta regra devero descarregar menos de 10 organismos viveis por metro cbico com
21
dimenso mnima igual ou maior que 50 micrmetros e menos de 10 organismos viveis por
mililitro com dimenso mnima menor que 50 micrmetros e com dimenso mnima igual ou
maior que 10 micrmetros. Os indicadores microbiolgicos, como padres de sade pblica,
devero incluir:
- Vibrio cholerae (O1 e O139): menos que uma unidade formadora de colnia (UFC)
por 100ml ou por 1 grama de amostra de zooplncton.
- Escherichia coli: menos que 250 UFC por 100ml.
- Enterococos fecais: menos que 100 UFC por 100ml.
A Conveno BWM 2004 foi aberta para assinatura na sede da IMO de 01/06/04 at
31/05/05 e oito pases (Argentina, Austrlia, Brasil4, Finlndia, Maldivas, Holanda, Espanha e
Sria) assinaram o instrumento sujeito a ratificao. Desde 31/05/05 a Conveno est aberta a
adeso de qualquer Estado, e Maldivas se tornou a primeira Parte Contratante depois de
depositar o instrumento de ratificao pertinente em 22/06/05. At 31 de maro de 2007
apenas oito Estados tornaram-se Partes Contratantes: Espanha, Maldivas, Nigria, Noruega,
Quiribati, So Cristvo e Neves, Sria e Tuvalu, representando somente 3,21% da arqueao
bruta da frota mercante mundial.
Desde a adoo da Conveno, a IMO vem se dedicando ao desenvolvimento e anlise
de diretrizes que visem garantir a aplicao global e uniforme de seus requerimentos. A maior
parte dessas diretrizes j foi adotada no mbito do MEPC (ver Tabela 3). Alguns temas foram
postergados sejam por questes de prioridade ou complexidade. A reunio do MEPC 56, em
julho de 2007, dever adotar as diretrizes G7 e G13, restando a G2 para ser concluda na
reunio do BLG 12 (Sub-Committee on Bulk, Liquid and Gases), em 2008. A minuta de
diretrizes de avaliao de risco, foi inicialmente preparada por representante da Noruega,
passando depois para discusso num grupo de correspondncia sob a coordenao da Austrlia.
4
O Brasil assinou a Conveno BWM 2004 em 25 de janeiro de 2005. Esta assinatura est sujeita a ratificao
aps a aprovao pelo Congresso Nacional.
22
Diretrizes
Observaes
G1
Instalaes de recepo de sedimentos
Adotada - Resoluo MEPC 152(55)
G2
Amostragem de gua de lastro
Minuta
G3
Conformidade equivalente para embarcaes de passeio e de busca e salvamento com
relao a gesto de gua de lastro
G4
Planos de gesto de gua de lastro
G5
Instalaes de recepo de gua de lastro
G6
Troca de gua de lastro
G7
Avaliao de risco sob a regra de iseno do gerenciamento da gua de lastro
Minuta
G8
Aprovao de sistemas de gesto de gua de lastro
G9
Procedimento para aprovao de sistemas de gesto de gua de lastro que faam uso de
substncias ativas
G10 Aprovao e superviso de prottipos de tecnologias para tratamento de gua de lastro
G11 Padres de projeto e de construo de navios para realizao da troca da gua de lastro
G12 Padres de projeto e de construo de navios para facilitar o controle de sedimentos nos
navios
G13 Medidas adicionais e situaes de emergncia
Minuta
G14 Designao de reas para troca da gua de lastro
Troca de gua de lastro na rea do Tratado Antrtico
Diretrizes propostas mais recentemente
Vistorias do sistema de gesto de gua de lastro pelo Estado de Bandeira
ainda por serem desenvolvidas.
Vistoria do controle do Estado do Porto
Obs 1: O nmero entre parnteses em cada resoluo indica a reunio do MEPC. Datas: MEPC 53 - julho 2005; MEPC 54 - maro 2006; e
MEPC 55 - outubro 2006.
Tabela 3 - Situao das Diretrizes desenvolvidas pela IMO aps a 55 reunio do MEPC (elaborao prpria)
23
2.6.3 Iniciativas nacionais

Nos anos que antecederam a adoo da Conveno BWM 2004 o Brasil participou
ativamente das discusses na IMO, inclusive com o desenvolvimento pela Petrobras de um
mtodo alternativo para troca de gua de lastro em alto mar que passou a ser considerado, a partir
44a reunio do MEPC, em maro de 2000, como mais um padro de referncia, alm dos mtodos
seqencial e de fluxo contnuo constantes de Resoluo IMO A.868(20). Este mtodo, conhecido
como mtodo de diluio, consiste em carregar gua de lastro pela parte superior do tanque
enquanto, simultaneamente, descarrega a gua pelo fundo do tanque, numa mesma vazo. O nvel
da gua no tanque conservado constante. Tal mtodo permite aos navios manter sua condio
normal de carregamento de lastro ao longo de toda a durao da viagem (Leal Neto, 2001).
A Agncia Nacional de Vigilncia Sanitria (ANVISA) teve uma contribuio
relevante no que diz respeito incluso da temtica relativa a agentes patognicos, por
estudos realizados em vrios portos do Brasil e testes a bordo.
Num primeiro momento, as aes da IMO refletiram-se no Brasil, atravs da adoo
pela Diretoria de Portos e Costas (DPC), do Comando da Marinha, da Norma da Autoridade
Martima NORMAM-08, de fevereiro de 2000; e pela ANVISA da Resoluo de Diretoria
Colegiada (RDC) 17, de 12 de janeiro de 2001. Essas duas normas internalizaram para a
legislao nacional as orientaes da Resoluo IMO A.868(20) (Almeida & Leal Neto, 2005).
A ANVISA iniciou, em junho de 2000, uma coleta de formulrios para informaes
sobre a gua de lastro entregues de forma voluntria pelos navios. A partir de janeiro de 2001,
com base na Resoluo RDC 17, revista pela RDC 217 (Brasil, 2001), a submisso do
formulrio passou a ser obrigatria por todos os navios que solicitam a Livre Prtica5.
Livre Prtica a autorizao emitida, pelo rgo de vigilncia sanitria, a uma embarcao procedente ou no
do exterior a entrar em um porto do territrio nacional e iniciar as operaes de desembarque e embarque de
cargas e viajantes.
24
A exigncia da troca de gua de lastro em alto mar passou a ter o carter obrigatrio
com a entrada em vigor da NORMAM-20/DPC em 15 de outubro de 2005. Os requisitos da
legislao nacional foram informados aos Estados Membros da IMO por meio da Carta
Circular BWM.2/Circ.1 de 22 de setembro de 2005. As principais caractersticas da
NORMAM-20/DPC (Brasil, 2005) so:
- Exige que os navios possuam Plano de Gesto de gua de Lastro e apresentem o
Formulrio de gua de Lastro;
- D diretrizes para troca e captao de gua de lastro, bem como para descarga de
sedimentos do tanque de lastro;
- Sujeita os navios que escalem em terminais brasileiros inspeo para conformidade
com esta norma;
- Estabelece a obrigatoriedade de troca de lastro para navios engajados em navegao
de cabotagem entre bacias hidrogrficas distintas.
Essa norma recebeu algumas modificaes, principalmente relacionadas ao prazo para

a aprovao do plano de gesto de gua de lastro dos navios pelo Estado de Bandeira ou por
Sociedade Classificadora (Portarias nos 1/DPC e 66/DPC de 2006).
25
3 Avaliao de risco de gua de lastro
Uma avaliao de risco ambiental envolve a busca pelo equilbrio entre o benefcio social
e o risco ambiental, com a responsabilidade de proteger a sociedade e o meio ambiente dentro de
um realismo econmico. um processo de negociao em que vrias combinaes de riscos so
comparadas e avaliadas contra ganhos sociais ou econmicos. Isso no implica, necessariamente,
numa poltica de risco zero ou mesmo mnimo. Entretanto, os riscos devem ser compreendidos
tanto quanto possvel caso se deseje manej-los eficazmente, considerando que isso geralmente
tem que ser feito com recursos limitados e de forma custo efetiva (SCOPE, 1980).
A modelagem do problema uma importante ferramenta de tomada de deciso mesmo
onde dados cientficos confiveis so escassos e o modelo um simples diagrama de fluxo
exibindo causas, rotas de transmisso e seus efeitos. Os sistemas humanos e ecolgicos podem
ser expostos atravs de todos os compartimentos ambientais ar, gua, solo/sedimentos e
biomassa (alimento). Os caminhos do risco podem ser ilustrados de uma forma simples, como
na Figura 4, ou muito mais complexa, por exemplo, como na Figura 5.
Derramamento
Contaminao do alimento
comunidade de algas num local especifico

populao humana num local especfico
Figura 4 - Caminhos de risco simples (adaptado de Calow & Forbes (1997) apud
MPP-EAS, 1999, p. 17)
O caminho destacado na Figura 5 ilustra o risco de introduo de espcies invasoras
em novos ambientes tendo como vetor o comrcio martimo por meio da gua de lastro e o
casco dos navios.
26
Populao
Refino
Agentes
E. coli
etc
Sedimentos
Orgnicos
Extrao
gs, leo,
minerais
Qumicos
Inorgnicos
Manufatura
e.g. txteis,
etc.
Comrcio
Martimo
Extrao de
madeira
(manguezais)
Agricultura
Aqicultura
Pesca
Qumicos
Orgnicos
Pesticidas
Nutrientes
Petrleo
TBT
Espcies
Invasoras
T er r est r e
Alvos
Sade
Humana
Sobrepesca
Impulsores
Scioeconmicos
Aq u t i c o
H ab i t at
Manguezais,
pntanos
Corais
E s p ci e s
Grama
marinha
Sedimento
Em geral
Peixes
Efeitos na Economia
Figura 5 - Fluxos de riscos (adaptado de Calow & Forbes (1997) apud MPP-EAS, 1999, p. 18)
Espcies em
extino
27
A Conveno BWM 2004 e as atuais diretrizes da IMO oferecem significativa
flexibilidade aos Estados Membros na determinao da natureza e extenso de seus regimes
nacionais de controle de gua de lastro. As aes dos pases se do em diferentes nveis com
responsabilidades como Estado de Bandeira (Flag State), garantindo o cumprimento dos
procedimentos por parte dos navios do prprio pas, assim como Estado do Porto (Port State),
com um sistema de inspeo de navios estrangeiros, prevenindo-se tanto contra a importao
quanto a exportao no intencional de organismos nocivos e patognicos.
Um pas pode aplicar um regime uniforme a todos os navios ou, buscando avaliar o
risco relativo que os navios impem aos recursos da regio, aplicar procedimentos seletivos
queles julgados como de maior risco. A opo de aplicao uniforme oferece as vantagens de
um programa simplificado de administrao no qual no h julgamentos a serem feitos (ou
justificados) pelas autoridades do porto a respeito de quais navios devem ou no ser
vistoriados. Adicionalmente, o sistema uniforme requer menos informaes e oferece maior
proteo em relao introduo de espcies inesperadas e esta proteo no depende da
eficincia do sistema de apoio deciso, o qual pode no ser completo. Entretanto, algumas
desvantagens advm desta abordagem como custos adicionais de inspecionar navios que em
princpio no precisariam ser fiscalizados. Como mais navios so envolvidos, a autoridade do
Estado do Porto necessita estabelecer um sistema de controle de maior porte.
Alguns pases esto experimentando sistemas que permitem uma seletividade baseada
na avaliao de risco, pois esta abordagem reduz o nmero de navios sujeitos ao controle e
monitoramento da gua de lastro. A perspectiva de aplicar um programa de controle num
nmero reduzido de navios especialmente atrativa pelo ponto de vista de evitar organismosalvo. Medidas mais rigorosas podem ser justificadas em navios julgados como sendo de alto
risco, se menos restries forem impostas a navios de baixo risco. Entretanto, a efetividade
depende da qualidade da informao que sustenta o sistema. Essa abordagem pode deixar o
28
pas/porto vulnervel a riscos desconhecidos oriundos de organismos no-alvo (Clarke et al.,
2004). Em contraste com uma abordagem uniforme, uma abordagem baseada na avaliao de
risco pode fornecer uma ferramenta para melhor compreenso do problema da bioinvaso, para
determinar melhores procedimentos de operao, para identificar rotas de risco e falhas no
sistema (como falsos relatrios de gua de lastro ou trocas inadequadas). Esta avaliao tambm
pode auxiliar na estratgia de gerenciamento determinando que componentes do processo de
invaso so mais susceptveis ao controle (Hewitt & Hayes, 2002).
Para pases/portos que elegerem uma abordagem seletiva ser essencial estabelecer um
modo organizado de avaliar o risco potencial imposto por cada navio que entre no porto, por
meio de um Sistema de Apoio Deciso. Somente dessa maneira torna-se possvel tomar a
deciso mais apropriada no que diz respeito a qualquer ao que seja necessria quanto
descarga de gua de lastro de um navio. O Sistema de Apoio Deciso um instrumento de
gesto que fornece mecanismos para avaliar todas as informaes disponveis relacionadas a
um navio em particular, e suas medidas de gesto de gua de lastro, de modo a, baseado na
avaliao de risco, orientar a ao a ser tomada (Clarke et al., 2004).
3.1 Componentes da avaliao de risco de gua de lastro

Ecologistas vm buscando determinar um conjunto de fatores que permita predizer o
risco de invaso biolgica. A probabilidade de uma espcie introduzida se estabelecer em
novas regies e causar problemas depende de vrios fatores, principalmente relacionados s
suas caractersticas biolgicas e s condies ambientais nas quais a espcie for introduzida.
Fatores adicionais so clima; nmero de espcies introduzidas (tamanho de populao
fundadora); competidores nativos; e disponibilidade de alimento. As espcies tendem a se
estabelecer em ambientes que so semelhantes ao ambiente de origem delas (Gollasch, 1997).
29
Existem pelo menos 4 importantes hipteses a respeito de esse risco ser proporcional:
(1)
ao nmero de inoculaes A probabilidade de introduo aumenta com o
nmero de inoculaes num dado local pois medida que o tempo passa as espcies se
deparam com uma variedade de condies abiticas (temperatura, salinidade, habitats) e
biticas (densidade de competidores, abundncia de predadores) e, portanto, mais
possivelmente encontram uma situao apropriada.
(2)
quantidade de indivduos transferidos Cada espcie precisa de uma quantidade
mnima de indivduos para manter uma populao inicial, embora muito mais indivduos possam
ser necessrios para superar fortes variaes ambientais ou catstrofes naturais. Organismos que
se reproduzem vegetativamente esto hipoteticamente menos sujeitos s limitaes impostas pela
estocasticidade demogrfica e gentica para estabelecer-se num ecossistema.
(3)
similaridade ambiental A probabilidade de estabelecimento aumenta com o
grau de similaridade entre os ambientes da distribuio atual da espcie (nativa e/ou

introduzida) e do local de potencial invaso.
(4)
ao potencial das espcies de risco Novas espcies so transferidas para os
sistemas aquticos na forma de cistos, gametas, larvas, juvenis ou adultos. Cada uma dessas
formas tem um diferente potencial de inoculao em termos de probabilidade de
sobrevivncia e de habilidade para estabelecer uma populao fundadora. As espcies
chamadas de risco apresentam um maior potencial de invaso em virtude de poder ter
nesses estgios uma maior tolerncia a variaes ambientais, menores taxas de mortalidade
e/ou maior capacidade reprodutiva.
3.1.1 Similaridade ambiental

Um dos componentes da avaliao de risco a determinao do ndice de similaridade
ambiental entre o porto em estudo e cada um de seus portos fonte (origem da gua de lastro).
30
Quanto mais um porto recebedor de gua de lastro ecologicamente similar a um porto doador
de gua de lastro, maior a possibilidade dos organismos descarregados com a gua de lastro
importada poder tolerar o novo ambiente e manter um nmero de indivduos suficientes para
crescer, reproduzir e desenvolver uma populao vivel. A comparao de similaridades
ambientais porto-a-porto fornece, conseqentemente, uma medida relativa do risco da
sobrevivncia do organismo, bem como do estabelecimento e do potencial de propagao.
O grau de similaridade entre dois stios terrestres usualmente avaliado a partir de
dados climticos (temperatura, precipitao) disponveis de um grande nmero de estaes
meteorolgicas espalhadas pelo mundo. J em ambientes aquticos, a comparao menos
praticvel porque: a) existem menos dados disponveis para esses ambientes; e b) no h
ainda uma definio consensual de quais variveis ambientais so preditivas para o
estabelecimento de espcies (Lodge et al., 2006).
At o momento, a bibliografia especializada contm poucos exemplos de abordagens.
Anlises simples tm aplicao limitada porque so baseadas puramente na comparao de
salinidade (Tabela 4) ou de faixas de latitude (Tabela 5) entre a regio de origem (doadora da
gua de lastro) e a regio de destino (recebedora da gua de lastro), onde as espcies podem
ser introduzidas.
Uma anlise multivariada foi proposta por Hilliard et al. (1997) num estudo conduzido
em doze portos no nordeste da Austrlia para o Ports Corporation of Queensland, e
posteriormente revisada em Clarke et al. (2004) na metodologia desenvolvida para o Programa
GloBallast pelo grupo consultores da URS Australia Pty que considerou uma lista de 34
parmetros como descritores de cada porto (Anexo 2). Entre os 34 descritores existe uma
predominncia de parmetros de temperatura (8) e de salinidade e relacionados com salinidade
(tambm 8). Dados de temperaturas extremas do ar, precipitao e de mar foram includos
devido a sua influncia na sobrevivncia de organismos intermars e de habitats rasos.
31
Regio de Origem
Destino
gua doce
gua salobra
gua salgada
gua doce
alto
mdio
baixo
gua salobra
mdio
alto
alto
gua salgada
baixo
alto
alto
Tabela 4 - Probabilidade de colonizao de espcies exticas de acordo com a combinao de

salinidade entre a regio de origem e a regio de destino (Carlton, 1985 apud Gollasch, 1997).
Regio de Origem
Destino
rtico &
Antrtico
Temperada
baixa
Temperada
mdia
Trpicos
rtico & Antrtico
alto
mdio
baixo
baixo
Temperada baixa
mdio
alto
mdio
baixo
Temperada mdia
baixo
mdio
alto
mdio
Trpicos
baixo
baixo
mdio
alto
Tabela 5 - Probabilidade de colonizao de espcies exticas de acordo com a combinao de

clima entre a regio de origem e a regio de destino (Gollasch, 1997, p. 151).
3.2 Avaliao de risco do Programa GloBallast
Uma das atividades empreendidas pelo Programa GloBallast foi a experimentao de
uma avaliao de risco da gua de lastro com um mtodo padronizado conduzido em cada um
dos seis locais de demonstrao. Essa avaliao visou determinar o nvel de risco associado a
espcies aquticas invasoras que o porto enfrenta, avaliando os processos presentes na
introduo e no estabelecimento bem sucedido dessas espcies. Um banco de dados foi
estruturado reunindo os componentes necessrios para a determinao dos coeficientes de
risco primrio integrantes do clculo de um coeficiente de risco global:
a freqncia relativa do nmero de tanques de lastro provenientes de um determinado

porto em relao ao total de tanques descarregados;
a proporo do volume de gua de lastro oriundo de um determinado porto em relao

ao volume total descarregado no porto estudado;
32
a similaridade ambiental entre o porto receptor e cada porto doador de gua de lastro; e
o grau de risco de cada porto doador, representado pelo nmero de espcies de risco
(introduzidas, potencialmente nocivas e nocivas) presentes na biorregio desse porto.
O sistema foi desenvolvido utilizando-se um conjunto de softwares onde os resultados
da avaliao de risco podem ser verificados no Microsoft Access ou na forma de mapas

distintos elaborados no ESRI Arcview. A viso esquemtica desse sistema, cuja metodologia
descrita em Junqueira & Leal Neto (2003) e Clarke et al. (2004), apresentada na Figura 6.
3.2.1 Obteno dos dados porturios

Antes de 1998 o porto de Sepetiba tinha a caracterstica de ser, principalmente, exportador
de gua de lastro. Dessa forma, a anlise de risco foi desenvolvida para o perodo compreendido a
partir de 1998 at 2002. Foram utilizadas informaes sobre a movimentao de navios do porto
de Sepetiba, reunidas pela Companhia Docas do Rio de Janeiro (CDRJ) num banco de dados
Access, para o que se chamou perodo pr-formulrio de 1998 a 2000. Essas informaes
foram conferidas com os dados repassados pela Valesul e Ferteco (empresas que operam
alumina e minrio de ferro respectivamente) e pela Capitania dos Portos do Rio de Janeiro.
Estimativas do volume de gua de lastro descarregado pelos navios nesse perodo foram feitas
com base numa planilha Excel fornecida pelos consultores do Programa GloBallast.
Este conjunto de dados foi consolidado juntamente com as informaes dos
formulrios de gua de lastro analisados entre 2001 e 2002 (at maio) em um nico banco de
dados contendo 919 registros de visitas (Tabela 6).
Ano
Registros
1998
98
1999
132
2000
359
2001
208
2002
122
Total
919
Tabela 6 - Nmero de registros por ano (Fonte: Junqueira & Leal Neto, 2003)
33
MS Access
Registros porturios
e Formulrios de gua
de lastro A.868(20)
Parmetros
ambientais do porto
Resultados / Sadas
Computador
Registros/Dados brutos
IGU
Tabelas de navios,
portos e
gua de lastro
Tabelas de Resultados
- sumrio de visitas de navios
- sumrio de gua de lastro
- sumrio de espcies de risco
- coeficientes de risco *
PRIMER 5
Anlise de similaridade
multivariada
Dados de distribuio
e taxonomia das
espcies de risco
Cartas do Porto,
mapas dos hbitats,
dados dos recursos
Tabela de
coeficientes
de risco
Mapa do Porto
- batimetria, navegao
- infra-estrutura, hbitats
- recursos, etc
- padres de lastro/deslastro
ESRI ArcView GIS

IGU
IGU = Interface Grfica do Usurio
Arquivos
de mapas
IGU
Mapa Mundi
- biorregies
- portos de origem
- portos de destino
- lista de espcies de risco
- coeficientes de risco *
* para os locais de demonstrao relativos a cada porto fonte e destino
Figura 6 - Esquema do sistema de avaliao de risco (adaptado de Clarke et al., 2004, p.6)
Verificou-se que uma notvel proporo dos formulrios de gua de lastro foi
preenchida incompleta e/ou incorretamente. Vrios tipos de problemas foram identificados,
sendo os mais comuns: diferentes tipos de formulrios; diferentes unidades utilizadas
(algumas vezes a falta de informao da unidade); falta de dados (e.g. data de chegada, nome
e posto do oficial responsvel); diferentes combinaes de tanques na fonte e na descarga
da gua de lastro; cpias ilegveis; escrita incompreensvel; dados incoerentes entre as
diferentes sees do formulrio (nmero de tanques e/ou volumes); e confuso no campo Sea
height (m) entre profundidade onde aconteceu a troca de gua de lastro e altura da onda.
3.2.2 Identificao dos portos fonte

No caso do porto de Sepetiba, a partir dos 919 registros de visitas e 1.540 tanques
descarregados, o sistema de avaliao de risco identificou 148 portos como fontes de gua de
lastro. A Figura 7 mostra a sada do Sistema de Informao Geogrfica com a representao e
importncia relativa desses portos fonte com respeito aos volumes descarregados.
34
Figura 7 - Localizao e importncia relativa dos portos fonte com relao aos volumes
descarregados no porto de Sepetiba (Clarke et al., 2004, p.39)
Num esforo de reunir o maior nmero possvel de informaes sobre os portos fonte
dos portos-piloto participantes do Programa GloBallast, foram levantados descritores para um
total de 357 portos ao redor do mundo. As informaes desses portos e os respectivos 34
parmetros descritores so apresentadas numa lista que tem o porto de Sepetiba na primeira
linha e os demais esto em ordem alfabtica de acordo com seu cdigo das Naes Unidas.
Esse conjunto de dados, apresentado no Anexo 3, servir como base para todas as anlises que
se seguem nesta tese, e ser referido como banco de dados GloBallast.
As similaridades entre o porto de Sepetiba e seus portos fonte de gua de lastro foram
determinadas usando o software PRIMER (Clarke & Gorley, 2001). Das vrias medidas da
distncia disponveis, a distncia Euclidiana normalizada (ver item 4.1) foi considerada a mais
apropriada, pois a normalizao dos vrios parmetros de entrada remove o problema de
diferenas de escala, e esta medida pode lidar com uma mistura de valores escalares, inteiros e
mesmo valores categorizados. Os valores produzidos pelo PRIMER do uma medida direta,
porm inversa, da similaridade. Uma distncia de 0 entre dois portos significa um casamento
ambiental perfeito e isso somente acontece caso todos os parmetros tenham exatamente os
mesmos valores. No sistema, as distncias foram convertidas num coeficiente de similaridade
35
ambiental fazendo uma inverso e uma mudana de escala. Os valores na faixa de variao de
0 a 12,481 foram escalonados para a amplitude de 1,00 (similaridade mxima) a 0,05
(similaridade mnima). Um valor mnimo foi estabelecido (0,05), pois nenhum ambiente pode
ser infinitamente distante de outro. Esses coeficientes esto listados no Anexo 4 para todos os
357 portos.
Esses clculos indicaram que Sepetiba tem uma similaridade relativamente alta com
um grande nmero de portos com os quais mantm comrcio (i.e. faixa 0,60 a 0,80). Isso pode
estar relacionado sua localizao limtrofe subtropical-tropical com significativa amplitude
trmica, e mais o padro de chuva que restringe qualquer desenvolvimento de salinidades
extremas.
Analisando os coeficientes de similaridade apenas dos portos fonte do Anexo 4 nota-se
que o porto mais ambientalmente similar com Sepetiba foi o Rio de Janeiro (0,86), junto com
outros portos da costa brasileira com coeficientes na faixa de 0,70 a 0,80. Os portos
estrangeiros mais similares foram Cingapura (300-SGSIN) (0,63); Trieste (168-ITTRS) na
Itlia (0,62); e Kembla (25-AUPKL) na costa Leste da Austrlia (0,61). Os portos mais
dissimilares ambientalmente foram vrios fluviais, salobros e/ ou portos de guas frias na
Amrica do Norte, sul da Argentina e noroeste europeu (0,20 a 0,30).
importante notar que foram obtidos dados ambientais suficientes para a anlise de
similaridade multivariada de apenas 58% dos portos fonte identificados para Sepetiba que
respondem por 79,5% dos tanques descarregados registrados. Para os demais portos, nos quais
no foi possvel obter dados ou esses eram limitados, o coeficiente de similaridade foi
estimado a partir do tipo de porto e do coeficiente dos portos mais prximos, com base no
Princpio da Precauo. Esta estratgia levou escolha de valores bastante conservativos em
comparao aos coeficientes calculados.
36
O banco de dados GloBallast contm vrios valores que a equipe que finalizou a
compilao dos dados julgou no serem muito precisos. Esses valores em particular esto
representados com fonte em itlico no Anexo 3. As incertezas associadas com esses
descritores ambientais so de vrios tipos. Pode ser que tenham sido estimados com base na
localizao geogrfica do porto ou em valores obtidos para os portos comparveis mais
prximos, no significando valores mdios/extremos reais. Pode denotar, tambm, ter como
origem uma fonte de dados de pequena escala / baixa resoluo, na qual apenas dados
grosseiros estavam disponveis.
Este banco de dados bastante heterogneo tanto na sua montagem quanto em seu
contedo. Vrias equipes, distribudas nos seis pases-piloto do Programa GloBallast e em
algumas filiais da empresa URS, trabalharam simultaneamente no levantamento dos dados.
Vrias, tambm, foram as fontes de obteno dos dados, seja diretamente ou derivados de
informaes selecionadas de uma ampla gama de publicaes governamentais, porturias e
cientficas; pginas da internet; cartas de temperatura da superfcie do mar e de salinidade;
bases de dados de clima; Atlas; tabelas de mar; cartas nuticas; mapas de sensibilidade de
habitats; fotografias areas; e informaes de especialistas locais.
Essa heterogeneidade e as imprecises existentes nos dados motivaram o objetivo
desta tese de avaliar, alm da simples medida direta da distncia Euclidiana entre os descritores
dos portos, outras tcnicas e abordagens para identificar similaridades, comparando mtodos
alternativos.
37
4 Reconhecimento de padres
Ross (1998) destaca o trabalho de Herbert Simon, psiclogo, ganhador do Prmio
Nobel de economia em 1978: His central finding was that pattern recognition is critical. The
more relevant patterns at your disposal, the better your decisions will be6 e enfatiza que
This is hopeful news to proponents of artificial intelligence, since computers can surely be
taught to recognize patterns. Indeed, successful computer programs that help banks score
credit applicants, help doctors diagnose disease and help pilots land airplanes depend in some
way on pattern recognition7.
A abordagem intuitiva na concepo de um classificador o uso do conceito de
similaridade: objetos que so similares devem ser designados mesma classe. O conceito de
similaridade extensamente difundido na teoria psicolgica. A percepo da similaridade tem
sido assunto de muitos estudos e vrias teorias so propostas, as quais fazem diferentes
suposies a respeito de seus mecanismos (Santini & Jain, 1997). A similaridade desempenha
um papel fundamental nas teorias do conhecimento e comportamento. Serve como princpio
organizador pelo qual indivduos classificam objetos, formam conceitos e fazem
generalizaes (Tversky, 1977).
Supe-se que medidas de similaridade baseadas em distncia no fornecem uma
explicao adequada da similaridade percebida (Ashby & Perrin, 1998). Tem sido discutido
que as representaes dimensionais quantitativas so apropriadas para certos estmulos, mas
no para outros. Conforme Tversky (1977) seria mais apropriado representar faces, pases, ou
personalidades em termos de vrias caractersticas qualitativas do que em termos de
grandezas quantitativas. A avaliao de similaridade entre tais estmulos, poderia ser mais
6
Sua principal concluso foi que o reconhecimento de padres crtico.

Quanto mais padres relevantes disposio, melhores sero as decises. Esta uma notcia promissora para
proponentes de inteligncia artificial, pois computadores podem ser ensinados a reconhecer padres. De fato,
programas computacionais bem sucedidos, que ajudam bancos a classificar clientes que solicitam crdito; mdicos
a fazerem diagnsticos e pilotos a aterrissarem avies, dependem de alguma forma de reconhecimento de padres.
7
38
bem descrita como uma comparao de caractersticas do que um clculo de uma distncia
mtrica entre pontos. No entanto, a anlise terica das relaes de similaridade tem sido
dominada por modelos geomtricos. Esses modelos representam objetos como pontos em
algum espao de coordenadas tal que as dissimilaridades observadas entre objetos
correspondem distncia mtrica entre os respectivos pontos.
Para agrupar objetos de mesmas caractersticas preciso antes descrev-los de acordo
com algum esquema. Medir uma similaridade significativa uma dicotomia que se apia em
dois elementos: descobrir um grupo de descritores que codifiquem adequadamente as
caractersticas do que se pretende medir; e dotar o espao dos descritores com uma mtrica
apropriada (Santini & Jain, 1999). Aps ter selecionado um conveniente grupo de descritores e
ter caracterizado o objeto como um ponto num espao vetorial propcio, escolhe-se uma medida
apropriada que quantifique o grau de associao entre os objetos ou descritores desses objetos.
4.1 Medidas de similaridade

As medidas de similaridade so grandezas numricas que quantificam o grau de
associao entre um par de objetos pelos seus descritores. Esses objetos podem ser descritos
de trs formas principais (Clarke & Warwick, 2001):
a) nmeros absolutos: dados quantitativos obtidos para cada descritor.
b) nmeros relativos: dados escalonados, tal padronizao essencial quando os nmeros
absolutos no so comparveis seja por diferena de unidades ou pela base de medio.
c) nmeros binrios - dados reduzidos simples presena (1) ou ausncia (0).
Vrias medidas de similaridade podem ser encontradas na bibliografia especializada.
Valentin (2000) cita como referncias mais recentes: Sneath & Sokal (1973); Wolda (1981);
Pielou (1984); Ludwig & Reynolds (1988); e Legendre & Legendre (1998). necessrio
verificar a adequabilidade (vantagens e desvantagens) de cada medida e quais critrios e
39
condies satisfazem. Existem muitas maneiras de definir o conceito de similaridade entre
pares de objetos, cada uma enfatizando um aspecto diferente do conjunto de dados
representativos desses objetos. O que constitui a similaridade total, ou a dissimilaridade total,
de dois objetos depende do coeficiente adotado.
Uma medida, particularmente comum em ecologia, o coeficiente de Bray-Curtis que
tem a propriedade de variar entre 1 (similaridade) e 0 (dissimilaridade) caso todos os valores
de entrada sejam positivos. O clculo da similaridade baseado na razo entre as diferenas
absolutas e as somas das entradas:
S A B
= 1
n
i =1
n
x Ai xBi
( x Ai + xBi )
i =1
(1)
Aqui xAi e xBi representam a entrada i do vetor de dados dos objetos A e B. Outras
medidas tm formulao semelhante de Bray-Curtis, tais como as medidas de Manhattan e de
Camberra, e em certas aplicaes os resultados so virtualmente indistinguveis.
Os coeficientes de distncia so preferencialmente adotados quando se pretende
verificar a proximidade entre dois objetos, em funo da composio especfica ou de
qualquer outro descritor desses objetos. Quanto mais prximos forem os objetos, i.e., menor a
distncia mtrica entre os pontos representativos desses dois objetos, maior ser a
similaridade entre eles (Valentin, 2000).
Uma funo de distncia mtrica, d, uma escala que assinala a cada par de objetos
um valor no negativo de acordo com certos axiomas mtricos. A primeira exigncia que
d(A,A)= d(B,B) para todos os objetos (constncia de auto-similaridade). Um segundo axioma
da funo a minimalidade d(A,B) d(A,A). O terceiro axioma, da simetria, implica que para
todos os objetos A e B: d(A,B) = d(B,A). O axioma final para a funo conhecido como a
desigualdade do tringulo. Para trs objetos A, B e C, a desigualdade do tringulo expressa
que: d(A,B) + d(B,C) d(A,C) (Santini & Jain, 1996; Ashby & Perrin,1998).
40
A distncia Euclidiana, uma das mais conhecidas, e perfeitamente mtrica, calculada
com base no teorema de Pitgoras, sobre a hipotenusa do tringulo retngulo (Figura 8).
X2
xA2
DA B = ( x A1 xB1 ) 2 + ( x A2 xB 2 ) 2
DA-B
B
xB2
xA1
xB1
X1
Figura 8 - Distncia Euclidiana DA-B entre dois objetos A e B (elaborao prpria)

A distncia Euclidiana no tem limite superior. Ela aumenta medida que aumenta o
nmero de descritores. Alm disso, ela depende da escala de valores de cada descritor. Este
inconveniente pode ser corrigido pela padronizao dos dados. Generalizando para dois objetos
contendo p descritores, a distncia Euclidiana expressa-se por:
DA B =
p
i =1
( x Ai xBi ) 2
(2)
Considerando que muitos algoritmos utilizam a mtrica Euclidiana para medir distncias
entre objetos, altamente desejvel (mas no obrigatrio) realizar um pr-processamento nos
dados antes de analis-los, seja por meio de simples transformaes ou normalizao. Quando
se mede a distncia entre objetos pode-se deparar com um problema de escala: descritores que
tenham maiores valores iro quase que completamente dominar os resultados. De modo a obter
uma comparao mais adequada, onde os descritores tenham igual importncia, examinou-se a
normalizao e a normalizao padronizada dos dados de entrada.
A normalizao feita dividindo cada componente do vetor pelo comprimento deste
vetor. O comprimento determinado pela raiz quadrada da soma dos quadrados de todos os
componentes do vetor. Assim, se xk = xk1 , xk2 , ... , xkp :
xk' = xk / (xk12 + xk22 + ... + xkp2)
(3)
41
onde xk' um vetor unitrio na mesma direo de xk, ou seja xk' um vetor de
comprimento unitrio no espao p-dimensional. A equao (3) generaliza o caso familiar de
duas dimenses no qual o comprimento de um vetor igual hipotenusa do tringulo retngulo
formado por seus componentes x e y (aplicao do teorema de Pitgoras (ver Figura 9)).
v = 1
Figura 9 - Vetor Unitrio (adaptado de Wasserman, 1989, p. 65)

A transformao conhecida como norma-Z faz com que os dados transformados
tenham mdia zero e varincia igual a um. A varivel normal padronizada ou normal reduzida
z, obtida conforme a equao (4):
zk =
x k xk
s xk
(4)
onde: xk e s xk denotam, respectivamente, a mdia e o desvio padro do componente xk.

Experimentalmente as duas maneiras de se normalizar conduziram a resultados
divergentes. Para ilustrar isso se utilizou um conjunto de entradas com duas dimenses e escalas
diferentes, formado por 1.000 dados divididos em quatro grupos representados por marcadores
geomtricos distintos (, , + e ) como mostrado na Figura 10.
Um inconveniente ao se usar a normalizao que essa operao causa uma mudana
na geometria dos dados de entrada. Os dados normalizados ficam mesclados (em formato de
arco de crculo, com raio igual a 1) de forma que a separao existente entre os grupos se
perde, enquanto que com a normalizao padronizada, a disposio relativa entre os dados se
mantm (Figura 11).
42
2000
1500
1000
500
0
0
10
15
20
Figura 10 - Exemplo de dados de entrada (adaptado de Carvalho, 2001, p. 120).
0
-2
-1
-1
-2
Figura 11 - Resultado da normalizao em formato de arco de crculo restrito ao primeiro

quadrante e da normalizao padronizada (elaborao prpria)
43
4.2 Reduo da dimensionalidade
Existem duas razes principais para manter a dimensionalidade da representao (i.e.

o nmero de descritores) to pequena quanto possvel: custos de medio e preciso da
classificao. Um conjunto de descritores limitado, porm, relevante, simplifica ambos a
representao e os classificadores que so construdos baseados na representao selecionada.
Por outro lado, uma reduo no nmero de descritores pode levar a uma perda no poder de
discriminao e desse modo diminuir a preciso resultante do sistema de reconhecimento.
importante fazer uma distino entre a seleo e a extrao de descritores. O termo
seleo de descritores refere-se a algoritmos que selecionam o melhor subgrupo dentro do
grupo de descritores de entrada. Mtodos que criam novos descritores baseados em
transformaes ou combinaes do conjunto original so chamados algoritmos de extrao de
descritores. Freqentemente a extrao precede a seleo de descritores; primeiro, descritores
so extrados dos dados medidos (e.g. usando anlise de componentes principais ou
discriminante) e, ento, alguns dos descritores extrados com menor capacidade de
discriminao so descartados.
A seleo de descritores leva economia nos custos de medio (j que alguns so
abandonados). Alm disso, por reter sua interpretao fsica original, os descritores mantidos
podem ser importantes para entender o processo que forma os padres. Por outro lado,
descritores transformados gerados pela extrao podem fornecer uma melhor capacidade
discriminativa que o melhor subgrupo dos descritores dados inicialmente, porm, esses novos
descritores (obtidos por uma combinao linear ou no-linear) podem no ter um claro
significado fsico (Jain et al., 2000).
44
5 Anlise Multivariada de Dados
Conjuntos de dados ecolgicos so oriundos de numerosos processos biticos e

abiticos que interagem entre si, de tal forma que seus diferentes efeitos no podem ser
interpretados separadamente. A anlise multivariada de dados refere-se a todos os mtodos
estatsticos que analisam simultaneamente mltiplas medidas feitas em amostras do objeto
pesquisado (Hair et al., 2005), ao contrrio da estatstica elementar que trata de variveis
independentemente. Os principais objetivos das tcnicas de anlise multivariada so detectar e
descrever a estrutura de dependncia entre descritores, quantificando seu grau de associao.
O sucesso da anlise e interpretao relacionado com a compatibilidade entre os
dados e os mtodos de processamento. Portanto, importante levar em considerao os
requisitos das tcnicas diante dos dados amostrados. Essas tcnicas podem ser divididas em
dois grandes grupos (Legendre & Legendre, 1998): (1) agrupamento por algoritmos de
aglomerao ou diviso; e (2) ordenao num espao de dimensionalidade reduzida. Os itens
a seguir as descrevem sucintamente. Informaes mais detalhadas sobre os mtodos esto nas
publicaes referidas.
O exame dos dados uma parte essencial de qualquer anlise multivariada. A Tabela 7
apresenta os principais parmetros estatsticos (mximo, mnimo, mdia e desvio padro) dos
descritores dos portos contidos no banco de dados GloBallast. Para auxiliar esse exame foram
elaborados grfico de caixas8 para os descritores escalares (Figura 12 a Figura 21). Em alguns
grficos certos rtulos foram suprimidos por questo de visualizao.
Conforme Hair et al. (2005), o grfico de caixas uma representao pictria da distribuio dos dados. Os
limites superior e inferior marcam os quartis superior e inferior, de modo que a caixa contm 50% dos valores
centrais dos dados. A linha traada no interior da caixa representa a mediana. Se a mediana se encontra
prxima a um dos extremos da caixa, isso indica assimetria naquela direo. Quanto maior a caixa, maior a
disperso dos dados. As linhas que se estendem de cada caixa (chamadas de whiskers) representam a distncia
menor e maior observao que esto a menos de um quartil da caixa. As observaes atpicas so as que
variam entre 1,0 e 1,5 quartis de distncia da caixa. Os valores extremos so as observaes que esto a mais
de 1,5 quartis do extremo da caixa.
45
Dos dezoito descritores, apenas 5 no tiveram valores fora da variao de um quartil,
as temperaturas mdia e mnima da gua e temperatura mdia do ar na estao fria, e a
salinidade mdia e mnima do perodo chuvoso (MWNWT, LWNWT, WMART, MWSAL e
LWSAL). Na Figura 14 pode-se verificar que o porto Bandar Imam Khomeyni (153-IRBKM)
do Ir tem a maior temperatura mxima do ar do dia na estao mais quente de 52C e na
Figura 17 que o porto de Jubail (289-SAJUB) na Arbia Saudita tem a maior salinidade mdia
e mxima durante o perodo seco de 50,0 e 52,0 g/l, respectivamente.
No Descritor
Mximo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
6
34,9
36,5
31,0
30,0
37,0
52,0
28,0
24,8
49,0
48,0
50,0
52,0
9,1
5,5
1.759,9
2.915,4
9
450
2.000.000
5
5
5
4
5
5
5
5
5
5
5
4
5
5
PTYPE
MSUWT
USUWT
MWNWT
LWNWT
MSART
USART
MWART
LWART
MWSAL
LWSAL
MDSAL
UDSAL
MSPR
MNER
D6MRF
W6MRF
RNFL75
DISRVM
SIZRVC
INASMW
INARKW
INAWP
INHTSM
INSNDB
INSTNB
INLTMF
INMANG
INRKSH
SUFSND
SUSFTM
SUSGRM
SURKRF
SUCORF
Mnimo
1
8,0
11,5
-1,0
-6,0
14,0
21,0
-17,0
-30,0
0,0
0,0
0,0
0,0
0,0
0,0
0
13,7
2
-250
10
3
0
0
0
0
0
0
0
0
0
0
0
0
0
Mdia
3,17
24,64
27,51
16,25
13,28
28,01
35,91
11,38
4,17
26,49
22,73
29,35
31,39
2,08
0,89
347,93
766,36
6,45
22,86
100.765,71
4,96
3,88
3,51
1,52
3,03
2,35
2,75
1,25
3,06
3,71
4,30
2,22
3,11
1,07
Mediana
3,00
25,00
27,50
16,50
14,00
29,00
36,00
9,50
3,00
30,00
24,00
32,20
34,00
1,90
0,60
323,00
739,20
7,00
5,00
1.500,00
5
4
4
2
3
3
3
0
3
4
5
2
3
0
Desvio
Padro
1,41
5,04
5,14
7,51
7,89
4,40
5,04
9,28
10,76
11,09
12,47
10,08
9,36
1,64
0,93
293,12
546,30
1,85
71,82
283.665,83
0,22
1,25
1,33
1,29
1,13
1,47
1,47
1,61
1,37
1,10
1,10
1,38
1,58
1,58
Tabela 7 - Estatstica dos descritores dos portos contidos no banco de dados GloBallast
46
30,0
20,0
286
342
62 58
60 341
61
343
342
62
10,0
343
58
61 60 160
160
161
161 341
0,0
Temp. mdia da
Temp. mxima da
Temp. mdia da
gua da
gua durante a
gua durante a
estao mais quente estao mais quente estao mais fria
Temp. mnima da
gua da
estao mais fria
Figura 12 - Grfico de caixas dos descritores MSUWT, USUWT, MWNWT e LWNWT

(elaborao prpria)
35,0
30,0
25,0
20,0
15,0
353 107
260
106
79
80 58
341 83
78
82
57
160
161
Temp. mdia do ar do dia na estao mais quente
Figura 13 - Grfico de caixas do descritor MSART (elaborao prpria)
47
153
50,0
287
289
290 236
156 155
45,0
40,0
35,0
30,0
196 59 286
354
217
355
341
83
78
57
353
62
61
110
106
82
80
25,0
79
160
161
20,0
Temp. mxima do ar do dia na estao mais quente
Figura 14 - Grfico de caixas do descritor USART (elaborao prpria)

30,0
20,0
10,0
0,0
-10,0
-20,0
284
286
318
319
-30,0
321 58
Temp. mdia do ar da noite

na estao mais fria
Temp. mnima do ar da noite

na estao mais fria
Figura 15 - Grfico de caixas dos descritores MWART e LWART (elaborao prpria)
48
50,0
40,0
30,0
20,0
10,0
0,0
Salinidade mdia durante o perodo
chuvoso
Salinidade mnima do perodo chuvoso
Figura 16 - Grfico de caixas dos descritores MWSAL e LWSAL (elaborao prpria)

289
50
289
40
30
318
82
313
312
310
283
20
304
304 66
10
245
243
281
340
111
256
48
253
319 332
341 41
252 337
327
69
326
139
256
348
79
340 341
332
41
70 337
252
69
319
48
327
326 325
333
342
258
343
342 43
334
258
333 42 343
Salinidade mdia durante o perodo seco
Salinidade mxima do perodo seco
142
70
325
Figura 17 - Grfico de caixas dos descritores MDSAL e UDSAL (elaborao prpria)
49
108
109
341
104
8,0
107
100
229
99
6,0
229
341
135
316
104
4,0
109
142
62 61108
78
107
99
2,0
0,0
Variao mdia da mar de sizgia
Variao mdia da mar de quadratura
Figura 18 - Grfico de caixas dos descritores MSPR e MNER (elaborao prpria)

3000
144
141
264
2500
36
122
121
139
137
2000
264
314 249
1500
133
132
129
134
248
1000
500
0
Precipitao total nos 6 meses mais
secos
Precipitao total nos 6 meses mais

chuvosos
Figura 19 - Grfico de caixas dos descritores D6MRF e W6MRF (elaborao prpria)
50
310
313
308
400
44
322
300
284
88 45
19
242 290
18
293
238
7
236 282
159 285
158 239
133 4
4746 116
274
143
307
317
357 852
9
312
335
89
200
100
0
253
325
327 69 70 252337
43
333 321
42 66
63
79
334
16
138
-100
343
-200
342
17
Distncia entre os beros e a foz de rio mais prxima
Figura 20 - Grfico de caixas do descritor DISRVM (elaborao prpria)

88
2000000
232
69
1500000
70
138
140
1000000
334 335
122 121 64
322 283
310
308
320
500000
154
153
238
348
318
291
237
240
66
63
17
273 304
272 343
142 29
252
62 18 61
152 155 345
307 303 143
344
Tamanho da bacia hidrogrfica
Figura 21 - Grfico de caixas do descritor SIZRVC (elaborao prpria)
51
5.1 Anlise de Agrupamentos
O objetivo da anlise de agrupamentos classificar, com respeito a algum critrio

predeterminado, objetos em grupos mutuamente exclusivos. Para agrupar objetos necessrio
reconhecer entre eles um grau de similaridade suficiente que permita reuni-los num mesmo
grupo e, simultaneamente, perceber distines ou separaes entre os grupos. Desta forma, os
grupos resultantes devem exibir homogeneidade interna (entre os objetos de um mesmo grupo)
e heterogeneidade externa (entre objetos de grupos distintos). No caso do meio fsico, a no ser
que este seja fortemente descontnuo e que a amostragem tenha sido realizada de cada lado de
um forte gradiente, tem-se geralmente dificuldade em definir nitidamente agrupamentos em
virtude do conceito de continuum que caracteriza os ecossistemas (Valentin, 2000).
A anlise de agrupamentos abrange diferentes algoritmos e mtodos que podem ser
divididos em seqenciais ou simultneos; aglomerativos ou divisivos; monotticos ou politticos9;
probabilsticos ou no-probabilsticos; e hierrquicos ou no-hierrquicos, tambm chamados
mtodos de partio (Legendre & Legendre, 1998). Na tese utilizada essa ltima diviso.
5.1.1 Mtodos hierrquicos
Nos mtodos de agrupamento hierrquico as amostras pertencentes a um grupo so

progressivamente reunidas num grupo maior, at formar um nico grupo. O processo pode
iniciar, tambm, com este nico grupo, contendo todas as amostras, e prosseguir dividindo-se
at chegar ao final com grupos individuais. Os mtodos diferem de acordo com o critrio
usado para decidir quais dois pequenos grupos sero aglutinados ou qual grupo maior dividir.
Para fazer os agrupamentos utiliza-se sempre o mesmo critrio: renem-se amostras / grupos
que tiverem maior similaridade entre si. O que caracteriza os diferentes algoritmos
O mtodo polittico utiliza todas as variveis simultaneamente enquanto o monottico faz cada diviso de
acordo com uma nica varivel.
52
exatamente o critrio usado para definir a similaridade. Entre os principais mtodos de
agrupamento hierrquicos esto: ligao simples (ou vizinho mais prximo); ligao completa
(ou vizinho mais distante); associao mdia; pesos proporcionais; e varincia mnima.
O mtodo escolhido para o agrupamento dos portos, realizado por meio do software
SPSS, foi o mtodo da varincia mnima, tambm chamado de mtodo Ward, pois este
considerado por vrios autores (e.g. Valentin, 2000; Brandalize & Philips, 2002) como sendo
bastante eficiente na formao de grupos. No princpio, tm-se um grupo para cada amostra
componente da base de dados. Neste estgio inicial a varincia em todos os grupos nula,
pois cada amostra o prprio vetor mdio do grupo. A cada etapa no procedimento de
agrupamento, a pertinncia um grupo avaliada calculando-se a varincia intragrupo para
todas as alternativas de aglomerao, escolhendo a que proporciona a menor. As
possibilidades de aglutinao entre os grupos so verificadas, e escolhido o agrupamento
que causa o menor aumento no erro interno do grupo.
Na Figura 22 o resultado final obtido com o mtodo Ward aplicado aos dados
normalizados (norma Z) representado graficamente numa estrutura chamada dendrograma10
que mostra como os grupos esto relacionados entre si. Conforme a Tabela 8, o grupo 16 foi o
maior, constitudo de 54 portos, principalmente oriundos do Japo (45 portos). No foram
detectados dados extremos (outliers), normalmente identificados como ramos isolados da rvore
e que acabam por encontrar os demais ramos somente quando prximos ao topo. O menor
grupo foi o 21 com quatro portos (3 da Turquia e 1 da Ucrnia). O porto de Sepetiba situou-se
no grupo 5, juntamente com outros 8 portos brasileiros (Salvador; Praia Mole; Tubaro; Vitria;
Ponta Ubu; Rio de Janeiro; Santos; e Paranagu) e 8 oito portos da ndia e um da Colmbia.
6
9 10 11 12 13 14 15 16 17 18 19 20 21 22
Portos 19 13 6 22 18 6
Grupo
9 23 22 11 18 20 54 29 13 17 13 4 18
Tabela 8 - Nmero de portos em cada grupo formado pelo mtodo de Ward (elaborao prpria)
10
Com origem na palavra dendrologia, ramo da botnica dedicado ao estudo das rvores.
53
Um problema com a anlise de agrupamento identificar um nmero timo de grupos.
medida que o processo de fuso prossegue, grupos cada vez mais dissimilares so aglutinados. A
deciso do nmero de grupos para anlise muito subjetiva e tomada, geralmente, a partir do
exame do dendrograma, onde podem ser lidas as distncias de ligao em que ocorrem nas
junes dos pontos observados para formar grupos. Um grande salto nessas distncias no
dendrograma indica que a agregao reuniu dois grupos muito dissimilares e, em razo disso,
deve-se definir o nmero de grupos anterior a este salto.
Ao cortar o dendrograma num nvel desejado, um agrupamento dos dados em grupos
disjuntos obtido. A Tabela 9 apresenta vrias solues de agrupamentos de acordo com a
distncia de combinao de grupos. Aumentando a distncia obtm-se diferentes composies
de grupos at a unio total. No dendrograma percebe-se uma relativa homogeneidade at uma
distncia de combinao entre 4 e 6, com oito e cinco grupos formados respectivamente.
Inicial
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
2
W14-1
W14-2
Distncia de combinao de grupos

4
5
6
10
W8-1
W6-1
W5-1
W4-1
W10-2
W2-1
W14-5
W10-3
W8-2
W6-2
W5-2
W14-6
W10-4
W8-3
W6-3
W5-3
W4-2
W14-7
W10-5
W8-4
W14-8
W10-6
W8-5
W6-4
W5-4
W4-3
W10-7
W8-6
W10-8
W8-7
W6-5
W8-8
W6-6
W14-9
W14-10
W14-11
W14-12
W14-13
Final
W10-1
W14-3
W14-4
20
W2-2
W10-9
W14-14 W10-10
W5-5
W4-4
Tabela 9 - Agrupamentos de acordo com a distncia de combinao de grupos (elaborao prpria)
54
Porto
Num
SGKEP
SGSIN
SGJUR
SGTPG
IDBLW
IDDUM
IDBPN
IDTBA
MYBTU
PGLAE
TWKEL
MYPKG
MYBTB
IDAMA
MYPGU
SGSEM
MYPEN
MYLUM
MYPDI
KEMBA
TZDAR
PGDAU
ZADUR
ZARCB
AUBNE
AUGLT
JPNAH
JPOKA
JPKIN
USGLS
USTXT
USSAB
AUCNS
AUWEI
AUMOU
AUBDB
AUPTL
AUKRB
AUMKY
AUTSV
AUHPT
AUPDT
AUABP
AULUC
IDCIG
IDSUB
PGPOM
AUCQP
PHBTG
PHBTN
PHLIM
PHSFS
IDMRK
PHMNL
THLCH
IDJKT
LKCMB
IDSRG
TWKHH
TWTXG
BRPRM
BRTUB
BRSSA
BRSPB
BRRIO
BRPNG
BRSSZ
BRVIX
INMRM
INPBD
INIXE
INBOM
INTUT
INVTZ
COCAR
INMAA
INPRT
BRPOU
HKHKG
HKKWN
CNCWN
KRPUS
USLOP
EGPSD
IRBKM
IRBMR
PKBQM
PKKHI
INMUN
INSAL
INSIK
298
300
297
301
124
125
133
132
249
264
314
245
247
134
248
299
243
244
246
226
317
266
354
356
26
28
198
203
186
338
339
336
37
39
36
27
29
40
32
34
30
31
33
35
126
131
265
38
267
268
269
271
127
270
305
128
241
130
315
316
54
55
56
1
51
49
50
53
144
146
141
137
150
152
74
143
147
52
121
122
64
232
335
88
153
154
272
273
145
148
149
Distncia reescalonada de combinao de grupos

0
5
10
15
20
25
+---------+---------+---------+---------+---------+
Porto
Num
CNSHA
CNSHB
BDCGP
INCCU
CNCAN
INHAL
INIXY
BRITJ
INCOK
NGLOS
NGTIN
NGBON
NGPHC
NGONN
THBKK
USLCH
USBPT
USHOU
USSAV
USMOB
ARBUE
USDVT
ARCMP
USMSY
AEPRA
AEDXB
AESHJ
AEAUH
AEMZD
AEJEA
AEQIW
DJJIB
IRKHK
BHMAN
BHMIN
QAUMS
SAJUB
YEADE
YEHOD
SDMBT
YERAI
QADOH
SADMN
SAJED
SDPZU
EGSUZ
SNDKR
IRLVP
IRSXI
AEFAT
AEDAS
QAHAL
AEZIR
AEJED
AERUW
EGAIS
SAYNB
AUDAM
AUPWL
KWMAA
KWSAA
KWMIS
SA001
KWMIB
SARAR
KWKWI
SARLT
IRBND
IRBUZ
JPBEP
JPOIT
JPSAE
JPSAG
JPKND
JPSKD
JPKII
CNHUA
INVAD
IDCXP
SAJUT
69
70
41
138
63
140
142
48
139
250
251
254
252
253
304
332
337
340
330
331
16
333
17
334
5
6
14
2
3
9
12
81
157
46
47
279
289
349
350
295
352
278
287
288
296
89
303
158
159
7
4
280
15
10
13
84
294
18
19
237
240
238
292
239
291
236
293
155
156
171
202
206
207
187
210
183
66
151
129
290
0
5
10
15
20
25
+---------+---------+---------+---------+---------+
Figura 22 - Dendograma para anlise hierrquica

de agrupamentos pelo mtodo de Ward
(elaborao prpria)
55
Porto
Num
0
5
10
15
20
25
+---------+---------+---------+---------+---------+
FRFOS
FRLAV
FRMRS
ITLIV
ITTAR
ESVLC
ESBCN
ESTAR
GREEU
GRVOL
GRASS
GRPIR
GRSKI
ESALG
GIGIB
ESLPA
PECLL
ESSCT
CYLCA
CYLMS
CYKYR
GRJKH
ITGOA
MTMLA
TRIZM
TRMER
TRDYL
PTSIE
EGDAM
ILASH
AEFJR
AEKLF
YEMKX
EGALY
EGEDK
GRPAC
ITPFX
AUPST
JPFKY
JPMOJ
JPHKT
JPKUD
JPTKY
JPMIZ
JPTAM
JPIWK
JPTBT
JPUBJ
KRONS
KRUSN
KRKPO
KRSCP
NZAKL
JPKSM
JPSMN
ITTRS
SIKOP
JPTOY
ITRAN
JPKIJ
JPMAI
JPABO
JPHIM
JPHHR
JPKGA
JPOSA
JPSAK
JPAMA
JPCHB
JPKMT
JPKWS
JPTYO
JPNGI
JPYOK
JPSMZ
JPYOS
JPNGS
JPUKB
JPKOJ
JPSBS
JPKCZ
JPKIK
JPMYJ
JPIMB
JPINS
JPONO
JPNGO
JPYKK
JPSMT
JPWAK
ITVCE
JPKNU
102
103
105
164
166
94
93
98
115
120
114
118
119
95
113
96
263
97
76
77
75
116
162
242
309
311
306
277
86
136
8
11
351
85
87
117
163
23
174
195
177
191
216
194
214
180
215
220
231
234
228
233
260
190
211
168
302
218
165
184
193
169
176
175
182
205
208
170
172
173
192
219
199
224
213
225
201
221
189
209
181
185
197
178
179
204
200
223
212
222
167
188
Porto
Num
NZWRE
NZMAP
AUWEP
AUPBY
AUWYA
AUPPI
AUPKL
ZASDB
ZAPLZ
USLGB
USSAN
USSFO
USOAK
ZACPT
CNDLC
CNYNT
KRKAN
KRYOS
CNTAO
KRMOK
CNTSN
KRKUV
ESGIJ
FRBES
ESVGO
PTFAO
PTLOS
ESBIO
PTLIS
DKENS
DKFRC
CASEI
CAHAL
USBOS
JPMUR
JPTMK
RUVVO
ISHAF
ISSTR
CACBC
CALHA
HROMI
CAVAN
CARBK
IEMOT
DEBRE
USANC
NLEUR
NLIJM
GBIMM
NLVLI
FRDKK
DEWVN
GB001
GBPTB
FRDON
FRLEH
GBHST
GBRER
UADNB
UANIK
BEANR
BEGNE
NLAMS
DEHAM
NLRTM
USPDX
USBCC
USPHL
USILG
USBAL
USNYC
TRIZT
TRYAR
TRIST
UASVP
UAODS
UAILK
ROCND
ROMAG
ROMID
BGBOJ
BGVAR
RUNVS
RUTUA
TRERE
TRSSX
GEBUS
GEPTI
CNNBO
CNNGB
USPHF
USNEN
UYMVD
261
262
24
20
21
22
25
357
355
346
347
344
345
353
65
73
227
235
71
230
72
229
90
100
92
274
276
91
275
82
83
58
59
323
196
217
286
160
161
57
60
123
61
62
135
78
341
255
257
107
259
99
80
108
109
101
104
106
110
319
321
42
43
258
79
256
342
343
325
326
327
324
310
313
308
322
318
320
281
282
283
44
45
284
285
307
312
111
112
67
68
328
329
348
0
5
10
15
20
25
+---------+---------+---------+---------+---------+
Figura 22 (continuao)
56
5.1.2 Mtodos no-hierrquicos
Os mtodos no-hierrquicos produzem uma nica partio que otimiza a

homogeneidade intragrupo em vez de uma srie de parties hierrquicas que otimizam os
caminhos hierrquicos entre as amostras e os principais grupos. Os mtodos no-hierrquicos
diferem entre si pela maneira que constituem a melhor partio, e o mais conhecido
frequentemente referido como mtodo k-mdias (MacQueen, 1967 apud Bottou & Bengio,
1995). Seu uso pressupe a escolha a priori de um nmero k de parties desejadas. Ao
contrrio dos mtodos hierrquicos, uma soluo com k grupos no apenas uma combinao
de dois grupos da soluo com k+1 grupos, mas baseada em encontrar a melhor soluo
com k grupos, onde os objetos so relocados se eles estiverem mais prximos de outro grupo
do que daquele que originalmente lhes foi atribudo.
O algoritmo iniciado escolhendo k centrides iniciais, seja de forma aleatria ou
usando alguma heurstica. Um centride o centro de massa de um grupo, cujas coordenadas
num modelo Euclidiano so a mdia aritmtica das coordenadas de todos os membros desse
grupo. Em seguida, calculada uma matriz de distncia entre todos os pontos e os centrides.
Constri-se, ento, uma partio pela associao de cada ponto com o centride mais
prximo. Os centrides so recalculados para os novos agrupamentos, e o algoritmo repete
esses dois passos at a convergncia, que obtida quando os pontos no trocam mais de
grupos (ou alternativamente, os centrides no se alteram mais). Finalmente, o algoritmo visa
minimizar a funo objetivo, neste caso uma funo de erro quadrado:
k
J = x j ci
i =1 j Gi
onde: k o nmero de grupos Gi, i = 1, 2,..., k

ci o centride ou mdia de todos os pontos xj Gi
(5)
57
Em termos de desempenho do algoritmo no h garantia que um timo global seja
atingido, ou seja, a funo objetivo minimizada. A qualidade da soluo final depende muito do
conjunto inicial de grupos. Costuma-se usar o agrupamento hierrquico como sugesto para o
estabelecimento do nmero de grupos a serem formados. A Tabela 10 rene os resultados
obtidos com o mtodo k-mdias, aplicado com o uso do software SPSS, para os mesmos
nmeros de grupos gerados pelo mtodo Ward. Os destaques (negrito e realado) na Tabela 10
indicam os grupos em que o porto de Sepetiba ficou inserido em cada partio. Nota-se que so
grupos com grande nmero de portos, em geral o primeiro ou segundo mais numeroso.
Grupo
I
II
III
IV
V
VI
VII
VIII
IX
X
XI
XII
XIII
XIV
XV
XVI
XVII
XVIII
XIX
XX
XXI
XXII
22
29
1
12
7
9
22
5
56
7
47
21
10
15
26
1
14
13
7
1
45
8
1
14
58
27
19
2
29
18
1
11
18
66
47
10
2
49
10
8
2
20
20
9
39
11
110
85
53
Nmero de grupos
8
6
52
10
11
30
32
159
80
80
28
20
58
90
44
20
5
97
131
43
11
75
4
30
94
77
156
2
179
178
Tabela 10 - Nmero de portos em cada grupo formado pelo mtodo k-mdias (elaborao
prpria)
A soluo em 6 grupos parece no ser um bom resultado, pois houve uma grande
concentrao de portos num nico grupo, desproporcional quando comparada com as outras
solues. Diferentemente do mtodo Ward, percebe-se que as parties em 10, 14 e 22
grupos, formadas pelo mtodo k-mdias, produziram grupos com apenas um ou dois portos:
58
Soluo com 10 grupos: Vadinar Terminal (151-INVAD), ndia, e Al Juaymah
Terminal (290-SAJUT), Arbia Saudita, no grupo K10-II.
Soluo com 14 grupos: Port Said (88-EGPSD), Egito, e Pusan (232-KRPUS), Coria
do Sul, no grupo K14-IV; Al Juaymah Terminal (290-SAJUT) no grupo K14-VII; e Cilacap
Java (129-IDCXP), Indonsia, e Kiire (183-JPKII), Kagoshima, Japo, no grupo K14-XIII.
Soluo com 22 grupos: Cilacap Java (129-IDCXP) no grupo K22-II; Port Said (88EGPSD) no grupo K22-XV; Al Juaymah Terminal (290-SAJUT) no grupo K22-XIX; e
Bangkok (304-THBKK), Tailndia, no grupo K22-XXII.
Verificando-se os dados dos portos listados acima foi possvel perceber alguns com
descritores atpicos e extremos. Os portos de Said (88-EGPSD) e de Pusan (232-KRPUS)
possuem as maiores reas de drenagem (SIZRVC) no valor de 2,00 e 1,69 milhes de
quilmetros quadrados, respectivamente (Figura 21). O porto de Al Juaymah Terminal (290SAJUT) tem uma temperatura mxima do ar do dia durante a estao mais quente (USART)
de 47oC (Figura 14). O porto de Cilacap Java (129-IDCXP) tem a precipitao total nos seis
meses mais secos (D6MRF) de 1.325mm (Figura 19).
Como visto nas Figura 12 a Figura 21 vrios outros portos tambm tm descritores
com valores atpicos e extremos. No entanto, muitos desses portos foram agrupados de forma
homognea nas diferentes parties. Com o auxlio de grficos de caixa foram analisadas
essas parties e identificados os portos que se comportaram como atpicos ou extremos
dentro de cada grupo. Esses portos esto listados na Tabela 11 e alguns notadamente possuem
descritores atpicos ou extremos, a exemplo dos portos de altas latitudes como 107-GBIMM
(53 38,0N); 160-ISHAF (61 04,0N); 161-ISSTR (64 03,0N); e 341-USANC (61 13,8N).
Entretanto, no foi possvel perceber o motivo pelo qual determinados portos se situaram
distantes dos centros de seus respectivos grupos.
59
Soluo com 2 grupos (Figura 23) - No grupo K2-I: Port Said (88-EGPSD); Cilacap
Java (129-IDCXP); Cochin (139-INCOK); Kandla (142-INIXY); Bandar Imam Khomeyni
(153-IRBKM); Bandar Mushar (154-IRBMR); Port Harcourt (252-NGPHC); e Al Juaymah
Terminal (290-SAJUT). No grupo K2-II: Calcut (138-INCCU) e Anchorage (341-USANC).
Soluo com 4 grupos (Figura 24) - No grupo K4-II: Cilacap Java (129-IDCXP) e
Bandar Mushar (154-IRBMR). No grupo K4-III: Port Said (88-EGPSD); Bandar Imam
Khomeyni (153-IRBKM); e Al Juaymah Terminal (290-SAJUT). No grupo K4-IV:
Anchorage (341-USANC).
Soluo com 5 grupos (Figura 25) - No grupo K5-I: Chittagong (41-BDCGP); Kandla
(142-INIXY); Bandar Imam Khomeyni (153-IRBKM) e Bandar Mushar (154-IRBMR). No
grupo K5-II: Come By Chance (57-CACBC); La Have (60-CALHA); Immingham (107GBIMM); Hafnarfjordur (160-ISHAF); Straumsvik (161-ISSTR); e Anchorage (341USANC). No grupo K5-III: Calcut (138-INCCU). No grupo K5-V: Port Said (88-EGPSD).
Soluo com 6 grupos (Figura 26) - No grupo K6-III: Karumba (40- AUKRB);
Tanjung Bara Coal Terminal (132- IDTBA); Cochin (139-INCOK); Mundra (145-INMUN);
Sikka (149- INSIK); Bandar Mushar (154-IRBMR); Lae (264- PGLAE); e Bangkok (304THBKK). No grupo K6-IV: Bandar Imam Khomeyni (153-IRBKM). No grupo K6-V: Port
Said (88-EGPSD) e Pusan (232-KRPUS). No grupo K6-VI: Anchorage (341-USANC).
Soluo com 8 grupos (Figura 27) - No grupo K8-I: Fateh Oil Terminal (7-AEFAT);
Dampier (18-AUDAM); Cape Flattery (38-AUCQP); e Bandar Imam Khomeyni (153IRBKM), Bandar Mushar (154-IRBMR), Lavan Island (158-IRLVP); Sirri Island Oil
Terminal (159-IRSXI). No grupo K8-III: Anchorage (341-USANC). No grupo K8-VII: Ponta
Ubu (52-BRPOU); Damietta (86-EGDAM); e Ashdod (136-ILASH). No grupo K8-VIII: Port
Said (88-EGPSD) e Pusan (232-KRPUS).
60
129
290
138
Distncia at o centro do grupo
10
341
153 88
154
139
252
142
8
2
I
II
Grupo
Figura 23 - Grfico de caixas da partio em 2 grupos pelo mtodo k-mdias (elaborao prpria)
12
129
290
10
341
153
154
88
2
I
II
III
IV
Grupo
61
10
341
138
153
88
154
142
41
161
160
57
232
107
60
2
I
II
III
IV
Grupo
153
9
154
341
88
139
149
264
304 132
40 145
232
2
I
II
III
IV
VI
Grupo
62
9
153
154
88
341
232
7
6
158
38
159
136
86
52
18
II
III
IV
VI
VII
VIII
Grupo
341
304
7
6
136
158
86 52
159 152
18
0
I
II
III
IV
VI
VII VIII
IX
XI
XII XIII XIV
Grupo
63
No
7
18
38
40
41
52
57
60
86
88
107
129
132
136
138
139
142
145
149
151
153
154
158
159
160
161
183
232
252
264
290
304
341
Cdigo
AEFAT
AUDAM
AUCQP
AUKRB
BDCGP
BRPOU
CACBC
CALHA
EGDAM
EGPSD
GBIMM
IDCXP
IDTBA
ILASH
INCCU
INCOK
INIXY
INMUN
INSIK
INVAD
IRBKM
IRBMR
IRLVP
IRSXI
ISHAF
ISSTR
JPKII
KRPUS
NGPHC
PGLAE
SAJUT
THBKK
USANC
Porto
Fateh Oil Terminal
Dampier
Cape Flattery
Karumba
Chittagong
Ponta Ubu
Come By Chance
La Have
Damietta
Port Said
Immingham
Cilacap Java
Tanjung Bara
Ashdod
Calcut
Cochin
Kandla
Mundra
Sikka
Vadinar Terminal
Bandar Imam Khomeyni
Bandar Mushar
Lavan Island
Sirri Island Oil Terminal
Hafnarfjordur
Straumsvik
Kiire Kagoshima
Pusan
Port Harcourt
Lae
Al Juaymah Terminal
Bangkok
Anchorage Alaska
Pas
Emirados rabes
Austrlia
Austrlia
Austrlia
Bangladesh
Brasil
Canad
Canad
Egito
Egito
Reino Unido
Indonsia
Indonsia
Israel
ndia
ndia
ndia
ndia
ndia
ndia
Ir
Ir
Ir
Ir
Islndia
Islndia
Japo
Coria do Sul
Nigria
Papua Nova Guin
Arbia Saudita
Tailndia
EUA
Latitude Longitude
25 36.0N
54 31.2E
20 39.0S
116 43.0E
14 59.0S
145 21.0E
17 29.0S
140 50.0E
22 13.0N
91 48.0E
20 47.0S
40 35.0W
47 28.8N
54 00.6W
44 17.0N
64 21.0W
31 25.8N
31 48.0E
31 15.6N
32 18.6E
53 38.0N
0 11.0W
7 44.0S
109 00.0E
0 32.0S
117 39.0E
31 50.0N
34 38.0E
22 33.0N
88 19.0E
9 58.0N
78 48.0E
22 52.0N
70 13.0E
22 54.0N
69 42.0E
22 31.0N
69 48.0E
22 30.0N
69 42.0E
30 25.0N
49 04.0E
30 28.0N
49 11.0E
26 47.0N
53 20.0E
25 57.0N
54 32.0E
61 04.0N
21 58.0W
64 03.0N
22 03.0W
31 23.0N 130 32.0E
35 06.0N 129 04.0E
4 46.2N
7 00.0E
6 44.0S
146 58.0E
26 55.2N
50 01.0E
13 42.0N 100 34.0E
61 13.8N 149 52.8W
Tabela 11 - Portos atpicos ou extremos dentro dos grupos formados pelo mtodo k-mdias
A Tabela 12 mostra as distncias Euclidianas entre os centros finais de cada grupo
formado pelo mtodo k-mdias nas diferentes parties testadas. Esses centros refletem as
caractersticas de cada grupo, de modo que distncias maiores entre grupos correspondem a
dissimilaridades maiores. Em cada soluo os portos se deslocam de um grupo para outro em
busca do centride mais prximo e a composio de cada grupo varia de acordo com o
nmero k de grupos predeterminado. Dessa forma, conjuntos de portos diferentes so reunidos
em cada soluo e a anlise de proximidade entre grupos depende desse k escolhido.
64
Grupo
K4-I
K4-II
K4-III
K4-IV
Grupo
K5-I
K5-II
K5-III
K5-IV
K5-V
Grupo
K6-I
K6-II
K6-III
K6-IV
K6-V
K6-VI
Grupo
K8-I
K8-II
K8-III
K8-IV
K8-V
K8-VI
K8-VII
K8-VIII
K8-I
7,571
9,453
6,179
9,672
4,747
4,649
7,937
K6-I
8,656
6,081
7,021
8,050
7,324
K8-II
7,571
8,090
6,019
8,468
6,508
6,703
7,863
K4-I
6,875
9,055
5,739
K4-II
6,875
4,461
5,094
K4-III
9,055
4,461
5,753
K4-IV
5,739
5,094
5,753
-
K5-I K5-II K5-III K5-IV K5-V

5,044 6,760 6,472 4,600
5,044
4,821 6,329 5,754
6,760 4,821
7,880 8,248
7,104
6,472 6,329 7,880
4,600 5,754 8,248 7,104
-
K6-II
8,656
6,149
9,011
6,158
6,480
K8-III
9,453
8,090
4,409
6,858
7,801
6,450
6,296
K6-III
6,081
6,149
4,112
5,901
4,984
K8-IV
6,179
6,019
4,409
5,823
4,504
3,538
4,885
K6-IV
7,021
9,011
4,112
7,106
7,023
K8-V
9,672
8,468
6,858
5,823
7,094
8,210
6,106
K6-V
8,050
6,158
5,901
7,106
5,536
K8-VI
4,747
6,508
7,801
4,504
7,094
5,016
7,187
K6-VI
7,324
6,480
4,984
7,023
5,536
-
K8-VII
4,649
6,703
6,450
3,538
8,210
5,016
5,841
K8-VIII
7,937
7,863
6,296
4,885
6,106
7,187
5,841
-
Tabela 12 - Matrizes de distncia final entre os grupos formados pelo mtodo k-mdias
(elaborao prpria)
No entanto, no existe nenhuma frmula geral para encontrar o nmero timo de

grupos para um determinado conjunto de dados. Uma forma de abordar esse problema rodar
o algoritmo para diferentes nmeros k de grupos e contrapor os resultados com outros
mtodos de acordo com algum critrio. No item a seguir os resultados dos dois mtodos
hierrquico e no-hierrquico so comparados.
65
5.1.3 Matriz de Concordncia
Uma matriz de confuso exibe a distribuio dos dados nos termos de suas classes reais e
classes previstas, e serve para avaliar a qualidade do classificador. A Tabela 13 mostra a matriz de
confuso para um conjunto com duas classes, onde as entradas tm os seguintes significados: a
verdadeiro negativo; b falso positivo; c falso negativo; e d verdadeiro positivo.
Real
Negativo
Positivo
Prevista
Negativo
Positivo
a
b
c
d
Tabela 13 - Exemplo de caso com duas classes negativo e positivo (adaptado de Kohavi
& Provost, 1998)
O conceito dessa matriz similar ao do teste de hiptese Ho onde existem dois tipos de
erro conforme a Tabela 14.
Estado
Ho verdadeiro
Ho falso
Deciso
Ho aceito
Ho rejeitado
Deciso
Erro tipo I
correta
Deciso
Erro tipo II
correta
Tabela 14 - Resultados possveis para o teste de hiptese (adaptado de Wonnnacott &

Wonnnacott, 1990, p. 303)
A matriz de confuso uma ferramenta de visualizao tipicamente usada no campo
do aprendizado supervisionado. No caso do aprendizado no-supervisionado chamada de
matriz de concordncia. Vrias so as medidas propostas para avaliar os resultados de uma
matriz de confuso, por exemplo, o coeficiente de preciso, que a proporo das previses
corretas (Kohavi & Provost, 1998). No caso da matriz de concordncia, como as classes reais
no so conhecidas, pode-se adaptar para um coeficiente de concordncia Cc que leva em
considerao as classificaes coincidentes de dois mtodos distintos (a diagonal da matriz)
em relao ao total de dados:
66
Cc =
a+d
a+b+c+d
(6)
Alguns softwares que dispem de ferramenta para construo da matriz de confuso

foram identificados na internet (e.g. GeneXproTools11; GeneLinker12; DB213). Contudo, como
esses programas no estavam disponveis, as matrizes foram elaboradas de forma manual.
Apesar de laboriosa, optou-se por realizar a anlise comparativa dos mtodos Ward e
k-mdias para as parties de 2, 4, 5, 6 e 8 grupos, conforme mostrado na Tabela 15. Como
no existem classes reais, as matrizes foram montadas de modo a associar os grupos com
maior nmero de coincidncias. Na comparao das parties obtiveram-se os seguintes
coeficientes de concordncia: 85,7% (2 grupos); 69,5% (4 grupos); 71,4% (5 grupos); e
56,3% (6 grupos); e 86,8% (8 grupos). De modo geral as discordncias pontuais observadas
foram exatamente de portos identificados como atpicos ou extremos nos grupos formados
pelo mtodo k-mdias (Tabela 11).
Um grupo constitudo por portos banhados pelo Mar da Arbia, Mar Vermelho e
Golfo Prsico (Arbia Saudita, Emirados rabes, Imen, Ir, Kuwait, Quatar e Sudo) e um
porto do Senegal, Dakar (303-SNDKR), se mostrou muito coeso. Formado pelo mtodo
Ward, este grupo, com 45 portos, coincidiu integralmente com um nico grupo formado pelo
mtodo k-mdias nas parties de 4, 5, 6 e 8 grupos. No mtodo hierrquico de Ward este
grupo, formado inicialmente pelos grupos 11 e 12, foi o ltimo a se fundir (Tabela 9).
11
http://www.gepsoft.com/gepsoft/APS3KB/Chapter09/Section2/SS03.htm
http://www.improvedoutcomes.com/docs/WebSiteDocs/Plots/Classification_and_Prediction/Confusion_Matrix.htm
13
http://publib.boulder.ibm.com/infocenter/db2luw/v8/index.jsp?topic=/com.ibm.im.visual.doc/idmu0mst125.html
12
67
Um outro grupo bastante consistente foi o 13 formado pelo mtodo Ward. Onze portos
compem este grupo, sendo sete portos do Japo e mais os portos de Huangpu Guangdong
(66-CNHUA), China; Cilacap Java (129-IDCXP); Vadinar Terminal (151-INVAD); e Al
Juaymah Terminal (290-SAJUT). Curiosamente, estes trs ltimos portos, e mais Kiire (183JPKII) do Japo, fazem parte dos portos listados como atpicos ou extremos nos grupos
formados pelo mtodo k-mdias na Tabela 11 que, contudo, no tiveram este comportamento
na partio em 8 grupos (Figura 27). Este grupo teve uma concordncia de 100% nessa
partio de 8 grupos (grupos W8-4 e K8-II so idnticos). Na partio em 5 grupos, o grupo
K5-IV foi formado integralmente por esses onze portos, e na partio em 6 grupos o K6-I foi
formado por dez dos onze portos do grupo 13, exceo foi o porto Huangpu Guangdong
(66-CNHUA), que se situou no grupo K6-II.
Pela anlise comparativa dos dois mtodos, a soluo em 8 grupos figura como a
melhor. Nesta partio quatro grupos formados pelo mtodo k-mdias se mostraram bem
coincidentes com grupos obtidos com o mtodo Ward, os grupos K8-II, K8-IV, K8-VI e K8VIII, com uma concordncia superior a 90%, sendo que no caso do grupo K8-II a
concordncia foi de 100%. O porto de Sepetiba ficou inserido no grupo K8-VI, formado pelo
mtodo k-mdias, que teve 82 coincidncias com o grupo W8-1; sete com o grupo W8-2; e
uma com o grupo W8-6, formados pelo mtodo Ward. Este conjunto de 82 portos revelou-se
bastante homogneo tambm na comparao das parties em 6 grupos (K6-III e W6-1).
A Tabela 16 relaciona os portos de cada grupo formado pelo mtodo k-mdias para a
soluo em 8 grupos. So realados no grupo K8-VI os oito portos que no coincidiram com o
grupo W8-1 do mtodo Ward.
68
Partio com
2 grupos
K2-I
k-mdias
K2-II
Partio com
4 grupos
K4-II
K4-III
k-mdias
K4-IV
K4-I
Partio com
5 grupos
K5-I
K5-IV
k-mdias K5-V
K5-II
K5-III
Partio com
6 grupos
K6-III
K6-II
K6-IV
k-mdias
K6-I
K6-VI
K6-V
Partio com
8 grupos
K8-VI
K8-V
K8-I
kK8-II
mdias K8-VII
K8-IV
K8-III
K8-VIII
W4-1
89
8
1
17
115
W5-1
83
7
1
91
W6-1
82
7
2
91
W8-1
82
6
1
2
91
Ward
W2-1
144
16
160
W5-2
12
12
24
W6-2
7
17
24
W8-2
7
16
1
24
W8-3
45
45
W2-2
35
162
197
179
178
357
Ward
W4-2
W4-3
5
24
45
102
1
45
132
Ward
W5-3
45
45
W4-4
53
12
65
W5-4
2
11
23
96
132
Ward
W6-3
W6-4
67
1
28
45
10
26
45
132
Ward
W8-4 W8-5
1
11
37
11
38
W6-5
1
29
30
W8-6
1
6
73
3
83
94
77
156
30
357
W5-5
34
31
65
W6-6
2
12
3
18
35
W8-7
2
28
30
97
11
75
131
43
357
159
30
80
10
58
20
357
W8-8
12
4
1
18
35
90
28
52
11
44
80
32
20
357
Tabela 15 - Matrizes de concordncia entre os mtodos Ward e k-mdias (elaborao prpria)
69
2
3
4
5
6
7
9
10
11
12
13
14
15
18
19
33
35
38
46
47
81
84
89
150
153
154
155
156
157
158
159
236
237
238
239
240
278
279
280
287
288
289
291
292
293
294
295
296
303
349
350
352
K8-I
AEAUH
AEMZD
AEDAS
AEPRA
AEDXB
AEFAT
AEJEA
AEJED
AEKLF
AEQIW
AERUW
AESHJ
AEZIR
AUDAM
AUPWL
AUABP
AULUC
AUCQP
BHMAN
BHMIN
DJJIB
EGAIS
EGSUZ
INTUT
IRBKM
IRBMR
IRBND
IRBUZ
IRKHK
IRLVP
IRSXI
KWKWI
KWMAA
KWMIS
KWMIB
KWSAA
QADOH
QAUMS
QAHAL
SADMN
SAJED
SAJUB
SARAR
SA001
SARLT
SAYNB
SDMBT
SDPZU
SNDKR
YEADE
YEHOD
YERAI
66
129
151
171
183
187
202
206
207
210
290
K8-II
CNHUA
IDCXP
INVAD
JPBEP
JPKII
JPKND
JPOIT
JPSAE
JPSAG
JPSKD
SAJUT
57
58
59
60
61
62
65
78
80
82
83
99
100
101
104
106
107
108
109
110
135
160
161
217
229
255
257
259
286
323
324
341
K8-III
CACBC
CASEI
CAHAL
CALHA
CAVAN
CARBK
CNDLC
DEBRE
DEWVN
DKENS
DKFRC
FRDKK
FRBES
FRDON
FRLEH
GBHST
GBIMM
GB001
GBPTB
GBRER
IEMOT
ISHAF
ISSTR
JPTMK
KRKUV
NLEUR
NLIJM
NLVLI
RUVVO
USBOS
USNYC
USANC
22
24
25
67
68
71
72
73
90
91
92
123
165
167
168
169
170
172
173
174
175
176
177
178
179
180
181
182
184
185
188
189
190
191
192
193
194
195
196
197
199
200
201
204
205
208
211
212
213
214
215
216
218
219
220
221
222
223
224
225
227
228
230
231
233
234
235
260
261
262
275
276
302
328
329
330
344
345
353
355
K8-IV
AUPPI
AUWEP
AUPKL
CNNBO
CNNGB
CNTAO
CNTSN
CNYNT
ESGIJ
ESBIO
ESVGO
HROMI
ITRAN
ITVCE
ITTRS
JPABO
JPAMA
JPCHB
JPKMT
JPFKY
JPHHR
JPHIM
JPHKT
JPIMB
JPINS
JPIWK
JPKCZ
JPKGA
JPKIJ
JPKIK
JPKNU
JPKOJ
JPKSM
JPKUD
JPKWS
JPMAI
JPMIZ
JPMOJ
JPMUR
JPMYJ
JPNGI
JPNGO
JPNGS
JPONO
JPOSA
JPSAK
JPSMN
JPSMT
JPSMZ
JPTAM
JPTBT
JPTKY
JPTOY
JPTYO
JPUBJ
JPUKB
JPWAK
JPYKK
JPYOK
JPYOS
KRKAN
KRKPO
KRMOK
KRONS
KRSCP
KRUSN
KRYOS
NZAKL
NZWRE
NZMAP
PTLIS
PTLOS
SIKOP
USPHF
USNEN
USSAV
USSFO
USOAK
ZACPT
ZAPLZ
16
17
41
42
43
48
63
69
70
79
138
142
252
256
258
319
321
325
326
327
331
332
333
334
337
340
342
343
K8-V
ARBUE
ARCMP
BDCGP
BEANR
BEGNE
BRITJ
CNCAN
CNSHA
CNSHB
DEHAM
INCCU
INIXY
NGPHC
NLRTM
NLAMS
UADNB
UANIK
USPHL
USILG
USBAL
USMOB
USLCH
USDVT
USMSY
USBPT
USHOU
USPDX
USBCC
1
26
27
28
29
30
31
32
34
36
37
39
40
49
50
51
53
54
55
56
64
74
121
122
124
125
126
127
128
130
131
132
133
134
137
139
140
141
143
144
145
146
147
148
149
152
186
198
203
209
226
241
243
244
245
246
247
248
249
250
251
253
254
264
265
266
267
268
269
270
271
272
273
297
298
299
300
301
304
305
314
315
316
317
335
336
338
339
354
356
K8-VI
BRSPB
AUBNE
AUBDB
AUGLT
AUPTL
AUHPT
AUPDT
AUMKY
AUTSV
AUMOU
AUCNS
AUWEI
AUKRB
BRPNG
BRSSZ
BRRIO
BRVIX
BRPRM
BRTUB
BRSSA
CNCWN
COCAR
HKHKG
HKKWN
IDBLW
IDDUM
IDCIG
IDMRK
IDJKT
IDSRG
IDSUB
IDTBA
IDBPN
IDAMA
INBOM
INCOK
INHAL
INIXE
INMAA
INMRM
INMUN
INPBD
INPRT
INSAL
INSIK
INVTZ
JPKIN
JPNAH
JPOKA
JPSBS
KEMBA
LKCMB
MYPEN
MYLUM
MYPKG
MYPDI
MYBTB
MYPGU
MYBTU
NGLOS
NGTIN
NGONN
NGBON
PGLAE
PGPOM
PGDAU
PHBTG
PHBTN
PHLIM
PHMNL
PHSFS
PKBQM
PKKHI
SGJUR
SGKEP
SGSEM
SGSIN
SGTPG
THBKK
THLCH
TWKEL
TWKHH
TWTXG
TZDAR
USLOP
USSAB
USGLS
USTXT
ZADUR
ZARCB
8
20
21
23
52
75
76
77
85
86
87
93
94
95
96
97
98
102
103
105
113
114
115
116
117
118
119
120
136
162
163
164
166
242
263
274
277
306
309
311
346
347
351
357
K8-VII
AEFJR
AUPBY
AUWYA
AUPST
BRPOU
CYKYR
CYLCA
CYLMS
EGALY
EGDAM
EGEDK
ESBCN
ESVLC
ESALG
ESLPA
ESSCT
ESTAR
FRFOS
FRLAV
FRMRS
GIGIB
GRASS
GREEU
GRJKH
GRPAC
GRPIR
GRSKI
GRVOL
ILASH
ITGOA
ITPFX
ITLIV
ITTAR
MTMLA
PECLL
PTFAO
PTSIE
TRDYL
TRIZM
TRMER
USLGB
USSAN
YEMKX
ZASDB
44
45
88
111
112
232
281
282
283
284
285
307
308
310
312
313
318
320
322
348
K8-VIII
BGBOJ
BGVAR
EGPSD
GEBUS
GEPTI
KRPUS
ROCND
ROMAG
ROMID
RUNVS
RUTUA
TRERE
TRIST
TRIZT
TRSSX
TRYAR
UAODS
UAILK
UASVP
UYMVD
Tabela 16 - Grupos formados pelo mtodo k-mdias para a soluo em k=8 (elaborao prpria)
70
5.2 Mtodos de Ordenao
Verificar a disperso de objetos com respeito a todos os possveis pares de descritores

uma abordagem bastante laboriosa. A ordenao consiste em mapear objetos num grfico,
usualmente de dois ou trs eixos, no qual as posies correspondem relao ordenada entre
esses objetos, representando a maior parte da variabilidade dos dados. Na ordenao os
objetos so reunidos na tentativa de combinar as dissimilaridades correspondentes: pontos
prximos tm caractersticas muito similares, os objetos que esto mais separados tm pouco
em comum. O termo tentativa importante, pois no h uma maneira definida nica em que
isto possa ser conseguido. De fato, quando se tem um grande nmero de descritores,
essencialmente uma situao multidimensional, pode ser impossvel obter uma representao
til em duas ou trs dimenses (Clarke & Warwick, 2001).
Os mtodos de ordenao so freqentemente chamados de mtodos de anlise
fatorial, uma vez que so baseados na extrao de autovetores ou fatores da matriz de
associao (Legendre & Legendre, 1998). Desses mtodos, optou-se pela utilizao de dois,
de certa forma por critrios opostos: a anlise de componentes principais (ACP) e o
escalonamento multidimensional no-mtrico (Non-metric Multidimensional Scaling-MDS).
A anlise de componentes principais (Hotelling, 1933 apud Kaski, 1997) tem importncia por
ser um mtodo de ordenao antigo e consagrado. Por outro lado, o MDS foi mais
desenvolvido recentemente, pois seu complexo algoritmo requer uma capacidade de clculo
s obtida com o avano da tecnologia computacional hoje disponvel.
5.2.1 Anlise de Componentes Principais
A anlise de componentes principais estabelece, com base em uma matriz de

correlaes, varincias-covarincias, ou at mesmo similaridade, um conjunto de eixos
71
(componentes ou fatores) perpendiculares. Cada componente corresponde a um autovetor
dessa matriz. Assim, para uma matriz de p variveis, so calculados p autovetores (= eixos
fatoriais) de comprimento decrescente em razo de sua contribuio varincia total dos
dados. Desse modo, o primeiro eixo da ACP, sobre o qual sero ordenadas as amostras,
representar a maior parte da variao dos dados. O resultado disso um sistema reduzido de
coordenadas, proporcionando informao sobre semelhanas das amostras.
Interpretar uma ACP consiste em tentar definir o que representa cada eixo em termos
de fator responsvel pela ordenao das amostras. Na medida em que a importncia dos eixos,
i.e., a sua participao varincia total vai diminuindo, a sua interpretao torna-se cada vez
mais difcil. natural citar os valores dessas varincias (em relao ao seu total) como uma
medida da quantidade de informao contida em cada eixo (Valentin, 2000).
A ACP aplicada base de dados GloBallast indica que o eixo do parmetro SIZRVC
(tamanho da bacia hidrogrfica) contm uma parte substancial da varincia total das amostras
no espao de descritores, fazendo com que a direo do eixo da componente principal 1 passe
a ser ditada por este descritor apenas (Tabela 17). Isso de se esperar considerando que o
desvio padro de SIZRVC da ordem de 105, muito superior aos demais.
Dados ambientais usualmente tm uma complexa mistura de escala de medidas
(salinidade em ppm, profundidade em m, concentraes em g/g etc). Numa visualizao
multidimensional da matriz de dados as amostras so pontos referidos a eixos. Se as unidades em
cada eixo diferem, e no tm conexo natural um com o outro, ento um ponto A pode se tornar
mais prximo de um ponto B que um ponto C, ou mais prximo de um ponto C que de um ponto
B simplesmente por uma mudana de escala em um dos eixos. Obviamente, seria errado para a
ordenao ACP variar com tais mudanas de escala arbitrrias. Existe uma soluo natural para
isto que fazer a ACP baseada em correlaes, i.e. normalizar todos os eixos de modo que estes
72
tenham escalas comparveis e adimensionais (Clarke & Warwick, 2001). A ACP obtida quando
os dados no so normalizados referida como baseada em covarincia.
O grau que uma ACP bidimensional bem sucedida em representar uma informao
multidimensional vista na percentagem da varincia total explicada pelas duas primeiras
componentes principais (CP). Um quadro mais equilibrado emergiu com o uso da ACP
baseada em correlaes, pois a normalizao faz com que todos os descritores sejam de igual
importncia potencial na determinao das componentes principais (Tabela 18). No entanto, a
anlise dos resultados mostrou que a CP1 e a CP2 juntas no conseguiram explicar mais do
que 40,7% da varincia total, e mesmo as cinco primeiras componentes principais explicaram
pouco mais do que 60%.
A Figura 29 mostra o grfico com a plotagem dos portos em relao s duas primeiras
componentes principais, onde nota-se a formao de duas aglomeraes. Como visto no item
3.1.1, uma importante parcela dos descritores refere-se caracterizao climtica dos portos,
e para buscar identificar o significado dessas aglomeraes, os dados foram separados de
acordo uma diviso dos portos em tropicais, localizados entre o Trpico de Cncer (23o 27
N) e o Trpico de Capricrnio (23o 27 S), e extra-tropicais, ao norte e ao sul desses trpicos
respectivamente. Com este critrio 96 portos ficaram na classe tropical e 261 na classe
extra-tropical, sendo o porto de Straumsvik (161-ISSTR), localizado na Islndia a 64o03N,
o de mais alta latitude. Verifica-se na Figura 30 que o porto de Sepetiba ficou na fronteira
entre as duas classes. A ACP conseguiu agrupar boa parte dos portos extra-tropicais,
visualizados na parte superior esquerda do grfico. No entanto, na parte inferior as duas
classes esto misturadas. Embora uma boa visualizao tenha sido obtida com essa prcategorizao, ela no foi suficientemente capaz de determinar grupos totalmente
homogneos.
73
CP
1
2
3
4
5
Autovalores
8,05 1010
336.131,30
47.816,64
4.511,31
396,45
Descritor
PTYPE
MSUWT
USUWT
MWNWT
LWNWT
MSART
USART
MWART
LWART
MWSAL
LWSAL
MDSAL
UDSAL
MSPR
MNER
D6MRF
W6MRF
RNFL75
DISRVM
SIZRVC
INASMW
INARKW
INAWP
INHTSM
INSNDB
INSTNB
INLTMF
INMANG
INRKSH
SUFSND
SUSFTM
SUSGRM
SURKRF
SUCORF
CP1
Variao (%)
100
0
0
0
0
Autovetores
CP3
0
0
-0,001
0,005
0
0,005
-0,004
0,008
-0,004
0,008
0
0,004
0,003
0,003
-0,003
0,011
-0,006
0,011
0,006
0,010
0,008
0,009
0,004
0,011
0,003
0,010
0
0
0
0
-0,359
-0,932
-0,932
0,360
-0,001
-0,005
0,035
0,01
0
0
0
0
0
0
0
0
0
0,001
0
0
0
0
0
0
-0,001
0,001
0
0
0
0
0
-0,001
0
0
0
0
0
0,001
CP2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Variao Acumulada(%)
100
0
0
0
0
CP4
0,009
-0,016
-0,015
-0,014
-0,014
-0,01
-0,017
-0,024
-0,011
-0,057
-0,061
-0,049
-0,044
0,002
0,001
-0,025
-0,029
0,002
-0,992
0
0
0
0,004
-0,001
-0,003
0
0,005
-0,001
-0,005
-0,003
0,003
-0,004
-0,005
-0,003
CP5
-0,023
0,160
0,155
0,280
0,291
0,119
0,102
0,332
0,397
0,364
0,386
0,322
0,301
-0,002
-0,005
0,026
-0,011
-0,031
-0,103
0
0
-0,003
-0,014
0,014
0,011
-0,025
-0,002
0,040
-0,004
0,015
-0,009
0,032
-0,012
0,041
Tabela 17 - Parmetros da ACP dos dados brutos (elaborao prpria)
74
CP
1
2
3
4
5
Autovalores
9,06
4,78
2,54
2,40
1,71
Descritor
PTYPE
MSUWT
USUWT
MWNWT
LWNWT
MSART
USART
MWART
LWART
MWSAL
LWSAL
MDSAL
UDSAL
MSPR
MNER
D6MRF
W6MRF
RNFL75
DISRVM
SIZRVC
INASMW
INARKW
INAWP
INHTSM
INSNDB
INSTNB
INLTMF
INMANG
INRKSH
SUFSND
SUSFTM
SUSGRM
SURKRF
SUCORF
CP1
-0,158
0,274
0,269
0,271
0,263
0,249
0,212
0,268
0,249
0,219
0,205
0,215
0,219
-0,038
-0,059
-0,080
-0,006
-0,191
0,089
-0,047
-0,012
-0,016
-0,114
0,109
0,096
-0,123
-0,030
0,202
0,014
0,131
-0,102
0,186
-0,024
0,219
Variao (%)
26,6
14,1
7,5
7,1
5,0
CP2
-0,217
-0,162
-0,160
-0,192
-0,185
-0,095
-0,007
-0,183
-0,183
0,275
0,287
0,259
0,234
-0,052
-0,033
-0,186
-0,250
-0,042
0,179
-0,111
0,007
0,109
-0,152
-0,019
0,132
0,172
-0,214
-0,211
0,237
0,154
-0,134
0,084
0,203
-0,086
Variao Acumulada(%)
26,6
40,7
48,2
55,2
60,3
Autovetores
CP3
-0,014
-0,158
-0,189
0,160
0,181
-0,132
-0,350
0,070
0,212
0,099
0,037
0,140
0,145
0,261
0,214
0,300
0,327
0,104
-0,203
-0,332
-0,063
-0,113
0,032
-0,144
-0,020
0,063
-0,085
0,060
0,193
0,024
0,012
0,053
0,254
0,089
CP4
-0,039
0,073
0,062
0,065
0,068
0,070
0,015
0,037
0,049
-0,130
-0,097
-0,156
-0,150
-0,472
-0,495
0,227
0,184
0,138
0,023
-0,020
-0,063
0,025
-0,040
-0,270
0,039
0,179
-0,337
-0,092
0,141
0,069
-0,184
0,056
0,169
0,019
CP5
-0,160
0,073
0,076
-0,038
-0,048
0,108
0,056
-0,030
-0,062
-0,047
-0,035
-0,046
-0,063
0,189
0,207
-0,056
0,058
-0,170
0,151
0,182
-0,266
-0,444
-0,280
-0,134
-0,448
0,072
-0,247
-0,138
-0,020
-0,225
-0,196
-0,035
0,089
0,111
Tabela 18 - Parmetros da ACP normalizada (elaborao prpria)
75
5
CP 2
-1
Sepetiba
-3
-5
-7
-9
-9
-6
-3
CP 1
Figura 29 - Grfico da ACP normalizada (elaborao prpria)

5
CP 2
-1
-3
-5
-7
Tropical
Extra-Tropical
-9
-9
-6
-3
CP 1
Figura 30 - Grfico da ACP normalizada com duas classes: Tropical x Extra-Tropical

(elaborao prpria)
76
O mesmo grfico foi construdo tomando como base o agrupamento obtido com o
mtodo Ward para 5 grupos (Figura 31). Nota-se que, de modo geral, as posies dos grupos
W5-4 e W5-5 correspondem dos portos extra-tropicais, localizados na parte superior
esquerda. Na parte inferior direita, os portos dos grupos W5-1 e W5-3 se mantiveram
agregados em pores separadas do plano das componentes principais, enquanto que os portos
do grupo W5-2 ficaram bem dispersos.
Figura 31 - Representao da ACP normalizada com 5 grupos obtidos pelo mdodo Ward
(elaborao prpria)
Outra representao do grfico com as duas primeiras componentes principais foi
testada, desta vez com a partio em 8 grupos obtida com o mtodo k-mdias. De modo
semelhante com a representao anterior, foi possvel identificar alguns grupos na parte
77
superior esquerda (K8-III, K8-IV, K8-VII e K8-VIII) e outros na parte inferior direita (K8-I e
K8-VI). Dois grupos no seguiram esta diviso, os grupos K8-II e K8-V. Alguns portos do
grupo K8-II esto junto ao grupo K8-IV (de difcil visualizao, pois esto superpostos) e
outros dispersos no grfico, exatamente os portos que se mostraram atpicos ou extremos nos
grupos formados pelo mtodo k-mdias, destacados na Figura 32. O grupo K8-V ficou bem
espalhado nessa representao. Na comparao entre os dois algoritmos de agrupamento o
grupo K8-V teve uma concordncia de 16 portos com o grupo W8-2 e 12 portos com o grupo
W8-8, o que demonstra uma segmentao neste conjunto.
183-JPKII
290-SAJUT
151-INVAD
129-ICXPD
66-CNHUA
Figura 32 - Representao da ACP normalizada com 8 grupos obtidos pelo mdodo k-mdias
com destaque para portos dispersos do grupo K8-II (elaborao prpria)
78
A ordenao essencialmente uma tcnica para converter dissimilaridades entre
amostras em distncias (Euclidianas) entre essas amostras. A ACP ao fazer a projeo das
distncias num plano bidimensional de ordenao pode distorcer bastante algumas dessas
distncias (Clarke & Warwick, 2001). A Figura 33 localiza o nmero dos portos no grfico
das duas primeiras componentes principais. Devido ao grande nmero de portos houve muita
superposio o que torna difcil a visualizao individual de alguns ndices.
Com a parte do grfico correspondente ao porto de Sepetiba (1-BRSPB) destacada,
constata-se que o porto do Rio de Janeiro (51-BRRIO) no est to prximo como era de se
esperar, j que Rio de Janeiro o porto considerado mais similar ambientalmente com
Sepetiba. Nas imediaes de Sepetiba esto Brisbane (26-AUBNE); Port Alma (29-AUPTL);
e Durban (354-ZADUR), enquanto que prximos ao Rio de Janeiro esto Santos (50-BRSSZ);
Hong Kong (121-HKHKG); LOOP Terminal (335-USLOP); e Texas (339-USTXT), todos
esses portos pertencentes ao mesmo grupo K8-VI.
A avaliao foi de que a ordenao ACP forneceu resultados coerentes com as anlises
de agrupamento vistas neste item. Porm, o exame desses resultados parece dependente de
alguma pr-classificao dos dados. Para avaliao da relao de similaridade entre os portos,
por sua pobre preservao de similaridades em distncias projetadas no grfico de ordenao,
a ACP pode ser potencialmente enganosa.
79
Figura 33 - Grfico da ACP normalizada com destaque para o porto de Sepetiba (1) e o porto
do Rio de Janeiro (51) (elaborao prpria)
80
5.2.2 Escalonamento Multidimensional no-mtrico
O escalonamento multidimensional (Multidimensional Scaling - MDS) um conjunto

de
tcnicas
frequentemente
usadas
para
explorar
visualmente
similaridades
ou
dissimilaridades em dados. O algoritmo do MDS observa os seguintes passos (Fasham, 1977;

Legendre & Legendre, 1998; Clarke & Warwick, 2001):
1) Especificar o nmero de eixos de ordenao (m), em geral escolhidos numa
configurao de duas ou trs dimenses.
2) Calcular uma matriz (p x p) de similaridade entre as amostras.
3) Construir uma configurao inicial para as p amostras que pode ser um conjunto
aleatrio de p pontos em m dimenses ou, por exemplo, o resultado da ACP14.
4) Desenhar um diagrama de disperso com a distncia (djk) versus a dissimilaridade
(jk) para todos os p(p-1)/2 pares de valores. Isso chamado diagrama de Shepard.
5) Fazer a regresso das distncias entre os pontos no grfico de ordenao e as
correspondentes dissimilaridades. Como definir esta relao que caracteriza diferentes
processos de ordenao. Existem duas abordagens principais:
5a) Ajustar uma regresso linear entre d e de modo que a distncia final seja
proporcional dissimilaridade original. Mais flexveis podem ser ajustes de uma regresso
curvilnea (quadrtica, cbica ou polinomial). Esses modelos paramtricos do origem ao
termo MDS mtrico.
5b) Realizar um regresso no-paramtrica a caracterstica do MDS no-mtrico15. A
Figura 34 ilustra uma linha de regresso no-paramtrica. Essa linha tem a restrio de
sempre ser crescente e, portanto, consiste numa srie e degraus. O sucesso relativo do MDS
14
15
A configurao inicial com resultados da ACP no est disponvel no software Primer 5

Conforme Clarke & Warwick (2001) o mtodo do escalonamento multidimensional no-mtrico (Non-metric
Multidimensional Scaling) foi introduzido por Shepard (1962) e Kruskal (1964) para aplicao a problemas da
psicologia.
81
no-mtrico em preservar as relaes entre as amostras nas distncias no grfico de ordenao
vem da flexibilidade no formato da linha de regresso no-paramtrica.
6) Medir a qualidade do ajuste da regresso. O quanto os pontos esto desviados da
linha de regresso mede a falha em ajustar a ordem de similaridades, e chamado de stress16,
medido pela frmula de Krustal (1964):
stress =
(d jk jk ) 2
d jk
(7)
Caso djk = jk para todos os p(p-1)/2 pares de valores, o stress zero.

7) Modificar a configurao corrente de modo a diminuir o stress. Esta mudana
baseada em tcnicas de otimizao numrica, e a idia essencial avaliar o stress para
pequenas mudanas nas posies dos pontos no grfico de ordenao.
8) Repetir os passos 5 a 7 at que o valor do stress alcance um valor predeterminado
ou at que se chegue a um mnimo local e no se obtenha reduo do stress.
Figura 34 - Exemplo de diagrama de Shepard com ajuste por regresso no-paramtrica

(adaptado de Clarke & Warwick, 2001)
16
A edio em portugus de Hair et al. (2005) traduz stress como medida de desajuste.
82
O MDS tem a vantagem de reduzir a influncia do pesquisador, uma vez que no
requer a especificao de parmetros iniciais. Por uma srie de pequenos ajustes o mtodo
MDS gradualmente busca o mnimo da funo de stress. Por vezes essa busca fica presa a um
mnimo local e no existe uma forma de garantir que o mnimo global da funo de stress
tenha sido alcanado. Se um mnimo local ou global ser encontrado depende muito do ponto
de partida da busca, isto , da configurao inicial dos pontos no grfico de ordenao. A
soluo prtica repetir a anlise MDS vrias vezes comeando com diferentes configuraes
iniciais, o que minimiza as chances de se prender num mnimo local nas iteraes adiante.
Para realizar o MDS no-mtrico foi utilizado o software PRIMER 5, cujo parmetro
nmero de reincios permite testar configuraes com diferentes posies iniciais aleatrias
(passo 3 acima). Com a escolha de 20 reincios para rodar o algoritmo, o stress mnimo de
0,18 ocorreu onze vezes. Testando-se uma quantidade maior de reincios no foi obtido um
stress menor, o que sugere que esse pode ser o mnimo global.
As posies multidimensionais podem ser rotadas em torno da origem, os eixos podem
ser trocados (reflexo) ou a soluo pode ser uniformemente expandida ou comprimida, tudo
isso sem alterar as posies relativas dos objetos. Assim a Figura 35 mostra o resultado numa
disposio na qual os pontos foram arranjados de forma a minimizar a superposio na rea
de interesse em torno do porto de Sepetiba.
Parte do grupo de portos identificados nas imediaes de Sepetiba e do Rio de Janeiro na
ACP tambm se localizou nesta circunvizinhana no MDS, como Brisbane (26-AUBNE); Texas
(339-USTXT) e Durban (354-ZADUR). Porm, outros portos como Hong Kong (121-HKHKG)
e LOOP Terminal (335-USLOP) j no mantiveram a mesma relao de proximidade, ao
contrrio dos portos de Mackay (32-AUMKY) e Galveston (338-USGLS), que na ACP no
estavam to prximos, e no MDS foram posicionados adjacentes ao porto de Sepetiba. A projeo
do MDS no-mtrico no mostra o porto do Rio de Janeiro como sendo o mais prximo.
83
ICXPD
INCCU
USANC
SAJUT
ISSTR
EGPSD
TRYAR
ISHAF
TRIZT
Figura 35 - Representao do MDS no-mtrico com destaque para o porto de Sepetiba (1); o
porto do Rio de Janeiro (51); e portos localizados nas extremidades da projeo observao:
alguns portos no esto representados no detalhe por questo de superposio (elaborao
prpria)
84
Os portos que se localizaram nas extremidades dessa projeo foram Port Said (88EGPSD); Cilacap Java (129-IDCXP); Calcut (138-INCCU); Hafnarfjordur (160-ISHAF);
Straumsvik (161-ISSTR); Al Juaymah Terminal (290-SAJUT); Izmit (310-TRIZT); Yarimca
(313-TRYAR); e Anchorage (341-USANC).
O posicionamento dos portos tropicais e extra-tropicais foi verificado no MDS por
meio da Figura 36. A disposio com que os portos foram arranjados nessa projeo mostra
que o MDS, tal como a ACP, conseguiu isolar parcialmente os portos extra-tropicais. Dois
portos extra-tropicais ficaram mais distantes dos demais: Bandar Imam Khomeyni (153IRBKM) e Bandar Mushar (154-IRBMR) no Ir.
154-IRBMR
153-IRBKM
Figura 36 - Representao do MDS com duas classes: Tropical x Extra-Tropical

(elaborao prpria)
85
Repetindo, tambm, o procedimento adotado na ACP, a representao do MDS foi
visualizada com os 8 grupos do mtodo k-mdias (Figura 37). Os grupos comportaram-se de
modo semelhante no que diz respeito diviso entre as duas classes Tropical x ExtraTropical; e aglomerao, sejam mais agrupados ou mais dispersos.
Figura 37 - Representao do MDS com 8 grupos obtidos pelo mdodo k-mdias (elaborao
prpria)
86
6 Redes neuronais
As redes neuronais artificiais consistem em um mtodo de solucionar problemas de

inteligncia artificial, construindo um sistema que tenha circuitos que simulem o crebro
humano, inclusive seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. So
mais que isso, so tcnicas computacionais inspiradas na estrutura neural de organismos
inteligentes e que adquirem conhecimento atravs da experincia. Uma grande rede neuronal
artificial pode ter centenas ou milhares de unidades de processamento, enquanto que o crebro
de um mamfero pode ter muitos bilhes de neurnios (Figura 38).
Figura 38 - Desenho esquemtico de um neurnio biolgico (Jain et al., 1996, p. 6)

Entre os usos das redes neuronais est o mapeamento entrada-sada, por exemplo,
uma tarefa de classificaes de padres, na qual o objetivo seja atribuir um sinal de entrada
representando um objeto fsico ou evento a uma entre vrias categorias (classes)
preestabelecidas (Haykin, 2001). Um modelo de redes neuronais comum para tarefas de
classificao no supervisionada o mapa auto-organizvel, que principalmente usado para
agrupamento de dados e mapeamento de atributos. Esse algoritmo pertence famlia de redes
do tipo alimentada adiante, onde os neurnios so organizados em camadas com conexes
estritamente unidirecionais de uma camada para outra.
87
A maioria dos modelos de redes neuronais mais conhecidos so implicitamente
equivalentes ou similares aos mtodos estatsticos clssicos de reconhecimento de padres. No
entanto, as redes neurorais diferem das tcnicas multivariadas mais tradicionais exploradas
anteriormente no sentido da formulao do modelo e, principalmente, nos tipos de relaes
mais complexas que podem ser acomodadas (Hair et al., 2005). Apesar dessas semelhanas, as
redes neuronais oferecem vrias vantagens tais como procedimentos flexveis para encontrar
solues no-lineares (Jain et al., 2000). Por exemplo, o mtodo k-mdias, pertencente classe
de tcnicas de partio, faz as divises do conjunto de dados por hiperplanos que no so
capazes de levar em conta estruturas no-lineares (Ultsch, 1995).
6.1 Regras de aprendizado competitivo
Ao contrrio de outras formas de aprendizado (correo de erro, Boltzmann, Hebbian)

onde mltiplas unidades de sada podem ser disparadas simultaneamente, no aprendizado
competitivo as sadas competem entre si para serem ativadas. Como resultado dessa
competio, apenas uma unidade de sada, ou apenas uma por grupo, ativada num dado
intervalo de tempo. Esse procedimento freqentemente chamado de winner-take-all.
O aprendizado competitivo foi encontrado em redes neuronais biolgicas.
Experimentos neurobiolgicos mostraram que o aprendizado competitivo tem um papel
importante na formao de mapas topogrficos no crebro, e na auto-organizao de clulas
nervosas de orientao sensitiva no crtex estriado (face mdia do lobo occipital) (Jain et al.,
1996).
A Figura 39 mostra uma rede de aprendizado competitivo simples que consiste em
conexes de alimentao adiante dos ns de entrada para uma nica camada de unidades de
sada (neurnios). Cada unidade de sada tambm se conecta lateralmente a todas as outras
unidades de sada via pesos inibitrios ou excitatrios.
88
Figura 39 - Arquitetura de aprendizado competitivo simples (adaptado de Jain et al., 1996, p. 25)
A sada do aprendizado competitivo um agrupamento ou categorizao dos dados de
entrada. Padres similares so agrupados pela rede e representados numa nica unidade. Esse
processo de agrupamento feito pela rede a partir das correlaes dos dados.
Cada unidade de sada na camada de imagem da rede se conecta a todas as unidades de
entrada x da camada de domnio via pesos wkj>0. O vetor representando o conjunto de sinais
de entrada denotado por:
x = [x1, . . ., xk , . . ., xp]
O vetor cujos componentes so os pesos sinpticos das arestas incidentes sobre o

neurnio j denotado por:
wj = [w1j, w2j, . . ., wpj],
j = 1, . . ., N
onde N o nmero de neurnios na camada de imagem. Como em outros tipos de redes, a

funo de ativao hj de cada neurnio na rede simplesmente um somatrio de entradas
ponderadas pelos pesos. Esta sada pode ser expressa como:
p
h j = xi wij = x wj ,
j = 1, . . ., N
(8)
i =1
Assim, para achar o melhor ajuste do vetor de entrada x com os vetores de pesos
sinpticos wj, simplesmente compara-se os produtos x wj e seleciona-se o maior.
x wj* x wj , j
(9)
89
O neurnio especfico j* que satisfaz esta condio chamado o neurnio vencedor ou
best matching para o vetor x. A sada desse neurnio (hj*) estabelecida como 1 e as
demais zero.
Ou seja:
1 ;
0 ;
hj =
j = j*
j j*
(10)
Na formulao do algoritmo o critrio de melhor ajuste pode, tambm, ser expresso

pela desigualdade (11) abaixo, onde denota a distncia Euclidiana entre os vetores.
x wj* x wj , j
(11)
Uma regra simples de aprendizado competitivo pode ser obtida como segue, quando
apenas os pesos da unidade vencedora j* so atualizados. tambm possvel implementar
um conjunto de unidades vencedoras com inibio lateral onde cada unidade inibe as outras
conforme por exemplo a arquitetura de rede da Figura 39.
wj(t) =
[x w j (t )] ;
0
j = j*
j j*
(12)
O efeito desta regra de aprendizado mover o peso das sinapses incidentes unidade
vencedora um pouco mais perto do padro de entrada. A Figura 40 mostra esse processo
geometricamente numa forma bidimensional, onde wj(t+1) o novo valor de um peso
conectando um componente de entrada x ao neurnio vencedor; wj(t) o valor prvio deste
peso; e a taxa de aprendizado (modificao sinptica).
90
wj(t+1) = wj(t) + [x wj(t)]
[x - wj(t)]
wj(t)
x - wj(t)
wj(t+1)
x
Figura 40 - Rotao de vetor de peso (adaptado de Wasserman, 1989, p. 68)

Cada peso associado com o neurnio vencedor alterado por uma quantidade
proporcional diferena entre seu valor e o valor da entrada ao qual est conectado. A direo
da mudana minimiza a diferena entre o peso e sua entrada. Como resultado, mais provvel
que o neurnio vencedor vena a competio na prxima vez em que um vetor de entrada
similar seja apresentado, e menos provvel que vena no caso de apresentao de um vetor de
entrada muito diferente.
A rede nunca ir parar de aprender, ou seja atualizar pesos. possvel que um padro
particular possa disparar diferentes unidades de sada (mudar as categorias) indefinidamente
durante o aprendizado. Isso levanta a questo da estabilidade do sistema de aprendizado. Um
sistema de aprendizado dito estvel, se nenhum padro nos dados de treinamento muda sua
categoria aps um nmero finito de iteraes de aprendizado. Uma forma de atingir a
estabilidade forar a taxa de aprendizado a decrescer gradualmente medida que o processo
de aprendizado prossegue, eventualmente aproximando-se de zero. Entretanto, essa
imobilizao artificial do aprendizado causa um problema de plasticidade, que definida
como a habilidade de se adaptar a novos dados, conhecido como dilema estabilidadeplasticidade de Grossberg em aprendizado competitivo.
91
O compromisso entre plasticidade e estabilidade consiste justamente em como
conseguir que o sistema aprenda um certo nmero de categorias estveis, capazes de agrupar
todo o conjunto de dados disponveis, alocando cada elemento sempre mesma classe quando
este apresentado, e por outro lado, mantendo suficiente plasticidade para acomodar novos
dados, alterando as categorias quando necessrio (Carvalho, 2001).
Existem algumas desvantagens genricas da representao em unidades vencedoras
(Caudill, 1989 apud Hertz et al., 1991); a seguir listadas:
a) precisa-se de um neurnio de sada (e as conexes associadas) para cada categoria
envolvida - N unidades podem representar apenas N categorias;
b) no robusta degradao ou falha; no caso de uma unidade de sada falhar, perde-se
ento toda a categoria; e
c) no se pode ter representao hierrquica - dois padres de entrada so agrupados
juntos ou no, no existe modo de se ter subcategorias.
6.1.1 Inicializao dos vetores de pesos
Devem ser designados valores iniciais a todos os vetores de pesos da rede antes de o
treinamento comear, e uma prtica comum com redes neuronais atribuir valores aleatrios.
Aps o treinamento, esses vetores de pesos devem terminar prximos aos vetores de entrada.
Os vetores de entrada usualmente no so uniformemente distribudos e tendem a se agrupar
numa poro relativamente pequena da superfcie da hiperesfera. Selecionar os vetores de
pesos de forma aleatria pode causar srios problemas de treinamento, pois estes ficam
uniformemente distribudos em volta da hiperesfera e, por essa razo, a maioria fica to
distante de qualquer vetor de entrada que nunca se tornam a melhor opo. Estes neurnios
tero sempre sada zero e sero desperdiados. Alm disso, os pesos restantes que se tornaram
a melhor opo podem ser insuficientes para permitir a separao das categorias dos vetores
92
de entrada que estejam prximos na superfcie da hiperesfera. Essas unidades distantes dos
vetores de entrada que nunca vencem e, portanto, nunca aprendem, so chamadas unidades
mortas (Hertz et al., 1991).
Supondo que haja vrios conjuntos de vetores de entrada, todos esses similares, mas
que ainda tenham que ser separados em categorias diferentes, a rede deve ser treinada para
ativar um neurnio diferente para cada categoria. Se a densidade inicial dos vetores de pesos
muito baixa na vizinhana dos vetores de treinamento, ser impossvel separar categorias
similares, pois podem no existir vetores de treinamento suficientes nessa vizinhana para
designar um para cada categoria de vetor de entrada.
Ao contrrio, se vrios vetores de entrada so pequenas variaes de um mesmo
padro e devem ser aglomerados juntos, eles devem disparar um nico neurnio. Se a
densidade de vetores de pesos muito alta prxima a um grupo de vetores de entrada
ligeiramente diferentes, cada vetor de entrada pode ativar um neurnio diferente.
A soluo mais desejvel distribuir os vetores de pesos de acordo com a densidade
dos vetores de entrada que devem ser separados, colocando mais vetores de pesos na
vizinhana do maior nmero de vetores de entrada. A seguir so apresentadas vrias tcnicas
que buscam prevenir unidades mortas (Wasserman, 1989; Hertz et al., 1991):
a) Inicializar os pesos com amostras dos vetores de entrada, assegurando assim que
estejam todos no domnio certo.
b) Atualizar os pesos de todos os perdedores bem como dos vencedores, porm, com uma
taxa de aprendizado bem menor. Uma unidade que esteja sempre perdendo
gradualmente move-se na direo da mdia das entradas at que eventualmente bem
sucedida em vencer uma competio. Essa tcnica chamada leaky learning.
c) Nos estgios iniciais do processo de treinamento ajustar todos os pesos, no apenas
aqueles associados com o neurnio vencedor. Isso move os vetores de pesos ao redor
93
da regio dos vetores de entrada. medida que o treinamento progride, os ajustes nos
pesos so restringidos aos neurnios mais prximos do vencedor. Para isso, os
neurnios so arranjados numa forma geomtrica uni ou bidimensional. O raio de
ajustamento gradualmente reduzido at que so ajustados apenas os pesos associados
com o neurnio vencedor. Esta a essncia do mapa auto-organizvel de Kohonen
que ser visto adiante.
d) No mtodo de combinao convexa, todos os pesos so fixados com o mesmo valor
1 / p , onde p a dimenso do vetor de entrada e, portanto, o nmero de componentes dos

vetores de pesos. Isto torna os vetores de pesos de comprimento unitrios e coincidentes.
Ademais, cada componente xi da entrada dado o valor axi + {[ 1 / p ] (1 a)}.
Inicialmente a atribudo um valor bem baixo, forando todos os vetores de entrada
a ter um comprimento prximo a 1 / p e coincidente com os vetores de pesos.
medida que a rede treina, a gradualmente incrementado at o limite de 1. Isso
permite que os vetores de entrada se separem e eventualmente assumam seus valores
reais. Os vetores de pesos seguem um ou um pequeno grupo de vetores de entrada e o
processo de treinamento termina produzindo o padro desejado de sadas. O mtodo
de combinao convexa opera bem, mas retarda o processo de treinamento, visto que
os vetores so ajustados a um alvo mvel.
e) Adicionar rudo aos vetores de entrada faz com que eles se movam aleatoriamente,
eventualmente capturando um vetor de pesos. Este mtodo ainda mais lento que a
combinao convexa.
f) Ainda um outro mtodo proposto por DeSieno (1988) d para cada neurnio uma
conscincia. Um ganhador freqente sente-se culpado e, caso esteja ganhando mais
do que uma parte justa do tempo (aproximadamente 1/N, onde N o nmero de
94
neurnios na camada de sada), cria temporariamente um limite que reduz suas chances
de vencer, dando assim aos outros neurnios uma oportunidade de serem treinados.
Em muitas aplicaes o problema da distribuio dos pesos pode afetar seriamente a
preciso do resultado. Infelizmente, a efetividade das vrias solues no foi completamente
avaliada e certamente dependente do problema.
6.2 Mapa Auto-Organizvel
O Mapa Auto-Organizvel (SOM do ingls Self-Organizing Map17) um algoritmo

neuronal no supervisionado, utilizado extensamente para visualizar e interpretar conjuntos de
dados com dimenso elevada. Uma lista de referncias com aplicaes do SOM e suas variaes
em diferentes reas, entre 1981 e 1997, apresentada em Kaski et al. (1998), e entre 1998 e 2001
em Oja et al. (2002). Uma aplicao recente do SOM em estudos com espcies invasoras foi a
determinao de padres geogrficos com modelagem da distribuio mundial de pestes de
insetos (Gevrey et al., 2006; Worner & Gevrey, 2006).
O SOM define uma rede elstica de pontos que so ajustados distribuio dos dados de
treinamento do espao de entrada. Pode ser usado, assim, para dados multidimensionais,
normalmente visualizados em uma trelia bidimensional (Laaksonen et al., 2001). Tal rede pode
aprender a detectar regularidades e correlaes em suas entradas e adaptar futuras respostas a
essas entradas. Os SOMs classificam vetores de entrada conforme esto agrupados no espao de
entrada. Eles diferem das redes competitivas simples, pois os neurnios vizinhos no SOM
aprendem a reconhecer sees vizinhas do espao de entrada. Por conseguinte, SOMs aprendem
tanto a distribuio (como as camadas competitivas) quanto a topologia dos vetores de entrada no
qual so treinados (MathWorks, 2005).
17
Tambm chamado Self-Organizing Feature Map (SOFM)
95
O SOM tem a propriedade desejvel de preservao topolgica que captura um
importante aspecto dos mapas de caractersticas no crtex dos crebros dos animais mais
desenvolvidos (Jain et al.,1996). Por preservao topolgica entende-se que padres de
entrada prximos devem ativar unidades de sada prximas no mapa. A arquitetura bsica da
rede de SOM mostrada na Figura 41. Essa arquitetura consiste basicamente de um array
bidimensional de unidades de sada onde cada uma conectada a todos os ns p de entrada.
De forma similar rede de aprendizado competitivo, o vetor p-dimensional associado com a
unidade no local (i,j) do array 2-D denotado como wij.
Camada de imagem
Pesos
Camada de domnio
Figura 41 - Mapa auto-organizvel de Kohonen (adaptado de Ultsch, 1995, p. 3)

6.2.1 Algoritmo de Kohonen
O algoritmo SOM, desenvolvido por Teuvo Kohonen, permite que um espao de

entrada contnuo seja mapeado em um conjunto discreto de neurnios (Figura 42). A motivao
dessa idia reside na reduo de dimensionalidade ou compresso de dados. Vrios padres so
apresentados rede. Cada entrada apresentada causa a ativao na camada de sada de um
grupo localizado de neurnios. Dependendo da aplicao de interesse, a resposta da rede pode
ser tanto a posio na trelia do neurnio vencedor dada pelo ndice j* quanto o vetor de peso
sinptico que est mais perto no sentido Euclidiano do vetor de entrada.
96
A ordem na qual os padres de entrada so apresentados para a rede interfere no
resultado final do mapeamento. Variaes na seqncia de entrada podem resultar em
mapeamentos topologicamente incorretos, pois a ordem de apresentao afeta o processo
competitivo na camada de sada influenciando nas direes de deslocamentos dos vetores de
peso (Hsu & Wu, 1992 apud Miranda, 1998). Em geral para minimizar problemas com
relao a vis, os padres so escolhidos de forma aleatria dentro do espao de entrada.
j*
Espao discreto de sada
Espao contnuo
de entrada X
Figura 42 Ilustrao da relao entre os espaos de entrada e sada por meio do vetor de
entrada x o vetor de peso w do neurnio vencedor j* (adaptado de Haykin, 1994, p. 415)
Segundo Haykin (1994) os ingredientes essenciais da rede neuronal so:

Uma trelia uni ou bi-dimensional de neurnios que calcula funes discriminantes

simples de entradas recebidas com dimenso arbitrria.
Um mecanismo que compara essas funes discriminantes e seleciona o neurnio com

o maior valor.
Uma rede interativa que ativa o neurnio selecionado e seus vizinhos

simultaneamente.
Um processo adaptativo que permite os neurnios ativados aumentar seus valores da

funo discriminante em relao aos sinais de entrada.
97
A procura pela unidade melhor ajustada domina o tempo de computao do algoritmo
do SOM, e pode ser computacionalmente caro em entradas com alta dimensionalidade ou
grandes redes SOM. O algoritmo bsico usa procura completa, onde todas as unidades devem
ser consideradas para achar a melhor ajustada.
A camada de Kohonen classifica os vetores de entrada em grupos que so similares.
Isso obtido pelo ajustamento dos pesos de forma que vetores de entrada similares ativem o
mesmo neurnio, como uma rede de aprendizado competitivo. O treinamento de Kohonen ,
portanto, um algoritmo auto-organizvel que opera num modo no supervisionado. Por essa
razo, difcil (e desnecessrio) predizer qual neurnio especfico ser ativado para um dado
vetor de entrada. necessrio apenas assegurar que o treinamento separa vetores de entrada
dissimilares e agrupa os semelhantes (Wasserman, 1989).
6.2.2 Funo de vizinhana
A rede do SOM identifica o neurnio vencedor j* usando o mesmo procedimento

empregado no aprendizado competitivo. Entretanto, ao invs de atualizar somente os pesos
sinpticos do neurnio vencedor, todos os pesos dos neurnios situados dentro de uma certa
vizinhana deste neurnio so atualizados. Assim, quando um vetor x apresentado, os pesos
do neurnio vencedor e seus vizinhos prximos movem-se em direo a x, conforme ilustrado
na Figura 43. Conseqentemente, aps vrias apresentaes, neurnios vizinhos tero
aprendido vetores similares um ao outro.
A Figura 44 ilustra o conceito de vizinhana em torno de um neurnio com raios
diferentes, igual a um e dois. A vizinhana j*(d) contm os ndices para todos os neurnios
situados dentro de um raio d do neurnio vencedor j*.
98
Figura 43 - Atualizao dos pesos do neurnio vencedor j* e dos seus vizinhos em direo
entrada apresentada x. Os crculos pretos e cinzas correspondem as situaes antes e depois da
atualizao (adaptado de Vesanto, 2002, p. 13)
d = 1 13 = {8, 12, 13, 14, 18}

d = 2 13 = {3, 7, 8, 9, 11, 12, 13, 14, 15, 17, 18, 19, 23}
Figura 44 - Esquemas de vizinhana (MathWorks, 2005, p. 8-10)

Os neurnios de um SOM no necessitam estar dispostos num padro bidimensional.
Pode-se usar um arranjo unidimensional ou mapas de trs ou mais dimenses que, contudo,
no so to comuns. No caso de um SOM unidimensional, um neurnio tem apenas dois
vizinhos dentro de um raio igual a 1 (ou um nico vizinho caso o neurnio esteja num
extremo da linha). Os neurnios na camada de imagem de um SOM so dispostos
originalmente numa determinada posio fsica de acordo com uma funo de topologia (ex:
grade, hexagonal, aleatria) como mostrado na Figura 45.
99
Figura 45 - Exemplos de topologias de mapas auto-organizveis (adaptado de MathWorks,

2005, p.8-12 a 8-14)
possvel definir o formato da vizinhana local de diferentes maneiras usando, por
exemplo, vizinhana quadrada, retangular, hexagonal ou circular (ver Figura 46). O
desempenho da rede no sensvel forma exata da vizinhana (MathWorks, 2005) que deve
encolher com o tempo de acordo com alguma programao tal como uma funo de
decrescimento exponencial.
Figura 46 - Exemplos de vizinhanas discretas (elaborao prpria)

Do ponto de vista neurobiolgico, existe evidncia de que um neurnio ao disparar
tende a excitar mais os neurnios em sua vizinhana imediata do que aqueles distantes dele
(Damsio, 1994). Seguindo essa motivao biolgica, as interaes laterais entre neurnios
so usualmente descritas pela funo do Chapu Mexicano, cuja forma ilustrada na Figura
47. As interaes se do numa estrutura on-center/off-surround. Nesta estrutura, podem-se
distinguir duas reas distintas, cada neurnio est em cooperao, por meio de sinapses
excitatrias, com seus vizinhos imediatos, ao mesmo tempo em que est em competio, por
meio de sinapses inibitrias, com seus vizinhos distantes (Carvalho et al., 2003).
100
j
Figura 47 - Forma da funo do Chapu Mexicano (adaptado de Hertz et al., 1991, p. 234)
Na forma tradicional do algoritmo SOM, a funo de vizinhana ao redor do
neurnio vencedor j* assumida com uma amplitude constante. A implicao disso que
todos os neurnios localizados dentro desta vizinhana disparam com uma mesma taxa, e a
interao independente da distncia lateral do neurnio vencedor j*. Esta forma simplificada
ilustrada na Figura 48.
1.0
-d
Figura 48 - Forma simplificada de vizinhana (adaptado de Haykin, 1994, p. 423)

Uma forma alternativa de levar em conta o efeito de decaimento com a distncia
lateral, adotar uma funo topolgica gaussiana que estabelece o raio em torno do neurnio
vencedor j*, dentro do qual os pesos dos neurnios prximos so fortemente modificados
(ocorre cooperao) enquanto os pesos dos neurnios distantes so pouco modificados ou
permanecem inalterados (Figura 49 e Figura 50). Uma escolha tpica para j,j* :
d 2j , j *
j , j * (t ) = exp 2
2 (t )
onde: (t) a disperso da funo de vizinhana (mede a largura para igual a e-1/8)
e
dj,j* a distncia lateral entre o neurnio j e o vencedor j*.
(13)
101
A funo j,j*(t) tem seu mximo em dj*,j* = 0, e a amplitude decai com o aumento da
distncia lateral, tendendo a zero para dj,j* .
e-1/8
e-1/2
-3
-2
Figura 49 - Funo de vizinhana gaussiana (elaborao prpria)
Figura 50 - Representao esquemtica da atualizao dos pesos sinpticos de um neurnio e

seus vizinhos no SOM (Merkl, 1995, p.3)
O processo de modificao dos pesos sinpticos wj(t) para cada neurnio j

semelhante ao da equao (12), embora sejam levados em conta os neurnios vizinhos para
cada passo de aprendizado t em que o estmulo x apresentado rede neuronal (Figura 50).
Assim, pode-se reescrever a equao (12) de modo a alterar todos os pesos dentro da
vizinhana (enquanto neurnios distantes de j* permanecem inalterados) da seguinte forma:
wj(t) = (t) j,j*(t) [x wj(t)]
(14)
102
7 Implementao do SOM
Os parmetros de projeto da rede incluem a dimensionalidade do array de neurnios,

nmero de neurnios em cada dimenso, forma da vizinhana, programao de encolhimento
da vizinhana e taxa de aprendizado. A aplicao do algoritmo do SOM pode ser sumarizada
em alguns passos bsicos (Haykin, 1994; Jain et al., 1996):
1. Inicializao: Escolha de valores para os vetores de peso iniciais wj(0). A nica
restrio que wj(0) sejam diferentes para j = 1, 2, ..., N, onde N o nmero de
neurnios na camada imagem da rede. Definio da taxa de aprendizado inicial
(0) e da largura da vizinhana inicial (0).
2. Para cada passo de aprendizagem (t):
2.1. Apresentao: Os vetores de entrada x so apresentados rede numa ordem
aleatria.
2.2. Similaridade: Para cada vetor de entrada apresentado encontra-se o neurnio
vencedor j* no tempo t, usando o critrio de mnima distncia Euclidiana:
x wj* = min x wj
2.3. Atualizao: Ajuste de todos os vetores de pesos sinpticos dos neurnios com a
seguinte regra de aprendizado:
wj(t+1) = wj(t) + (t) j,j*(t) [x wj(t)]
onde (t) o parmetro da taxa de aprendizado; e j,j*(t) a funo de vizinhana

centrada ao redor do neurnio vencedor j* na iterao t.
2.4. Reviso: Ambos e so variados dinamicamente durante o aprendizado:
decrescer o valor de (t) e encolher a largura (t).
3. Prosseguimento: Voltar ao passo 2 at que a mudana nos valores dos pesos for
menor que um limite pr-especificado, ou o nmero mximo de iteraes tenha
sido alcanado.
Para implementar o algoritmo do SOM decidiu-se inicialmente escrever um programa
na linguagem ANSI C que incorporasse todos esses passos. Este exerccio mostrou-se bastante
proveitoso do ponto de vista da obteno de um entendimento minucioso do funcionamento do
algoritmo e de uma melhor compreenso das possibilidades de pr-processamento dos vetores
103
de entrada e inicializao dos vetores de pesos; e do comportamento das diferentes funes de
decrscimo da taxa de aprendizado e encolhimento da vizinhana.
Um programa foi elaborado e checado inicialmente com bases de dados disponveis
para testes (e.g., banco de dados Iris18). Em seguida, foram realizadas rodadas com o banco de
dados GloBallast. No entanto, a pouca experincia com programao em C, principalmente
em desenvolver algoritmos para visualizao e anlise dos resultados, fez com que apesar de o
programa estar operacional, se optasse por usar aplicativos como o SOM_PAK (Kohonen et
al., 1995) e o SOM Toolbox para Matlab 5 (Vesanto et al., 2000) para produzir os mapas.
Ambos os aplicativos so bem documentados, de domnio pblico e disponveis na
internet19,20, e foram desenvolvidos pelo Laboratory of Computer and Information Science da
Helsinki University of Technology, sendo que o SOM_PAK, escrito em C, teve a participao
direta de Teuvo Kohonen. O SOM Toolbox funciona como uma biblioteca do software
MATLAB composta por vrias rotinas, e tem grande flexibilidade e variedade de funes
para visualizao. Um inconveniente nos dois pacotes a falta de possibilidade de suporte.
7.1 Aprendizado
O processo de aprendizado subjacente determinao de um SOM de natureza

estocstica, no qual a preciso do resultado depende do nmero de iteraes do algoritmo. Alm
disso, a seleo dos principais parmetros do algoritmo (taxa de aprendizado e funo de
vizinhana) crtica para o sucesso da formao do mapa. No existe uma base terica para a
escolha desses parmetros, que so de modo geral determinados pelo processo de tentativa e erro.
18
O conjunto de dados Iris includo como exemplo em muitas aplicaes que lidam com estatstica e anlise de
dados. Este conjunto contm 50 amostras de cada uma de 3 espcies da planta ris (Setosa, Virginica e
Versicolor) com valores de 4 caractersticas, comprimento da spala, largura da spala, comprimento
da ptala, e largura da ptala.
19
http://www.cis.hut.fi/research/som-research/nnrc-programs.shtml
20
http://www.cis.hut.fi/projects/somtoolbox/
104
7.1.1 Treinamento seqencial
As seguintes observaes servem como guia para o treinamento seqencial (Kohonen,

1990; Hertz et al., 1991; Haykin, 1994):
- O parmetro da taxa de aprendizado (t) usada para atualizar o vetor de pesos
sinpticos wj(t) deve variar no tempo. O valor de (0) deve ser prximo da unidade; depois
disso, durante as 1.000 primeiras iteraes, (t) deve decrescer gradualmente, mas ficando
acima de 0,1. A forma exata da variao de (t) com t no crtica; pode ser linear, exponencial
ou inversamente proporcional a t. durante essa fase inicial do algoritmo que a ordem
topolgica dos vetores de pesos wj(t) estabelecida. Esta fase do processo de aprendizado
chamada de fase de ordenamento. As iteraes restantes do algoritmo (relativamente longas)
so necessrias principalmente para o ajustamento fino dos vetores de peso; essa segunda fase
do processo de aprendizado chamada de fase de convergncia. Para uma boa preciso
estatstica, (t) deve ser mantido durante a fase de convergncia num valor pequeno (da ordem
de 0,01 ou menos) por um tempo razoavelmente longo, tipicamente de milhares de iteraes.
- Para que o ordenamento topolgico dos vetores de pesos wj acontea, um cuidado
especial deve ser dado funo j,j*(t). De modo geral, defini-se a funo de vizinhana com
(0) de forma a incluir todos os neurnios num raio de mais da metade do dimetro da rede
(Kohonen, 1990) reduzindo-a gradualmente com o tempo. Durante a fase inicial de 1.000
iteraes, quando a ordem topolgica dos vetores de pesos sinpticos est acontecendo, a
largura de (t) encolhida com o tempo t at um valor pequeno, de apenas uns poucos
neurnios vizinhos. Durante a fase de convergncia do algoritmo, j,j*(t) deve conter apenas
os vizinhos mais prximos do neurnio vencedor j* ou, eventualmente, apenas o neurnio
vencedor. Neste caso, o processo reduzido a um aprendizado competitivo simples.
105
A variao no tempo de (t) e (t) das equaes (13) e (14) pode tomar vrias formas.
Em particular, podem ter decaimentos conforme a Figura 51. interessante notar que, pelo
apropriado uso de vizinhanas topolgicas, o algoritmo SOM procura assegurar que os
neurnios da rede no sejam subutilizados, um problema que aflige outras redes de
aprendizado competitivo.
(t) 1.0
0.8
0.6
0.4
0.2
0.0
0
200
400
600
800
1000
Figura 51 - Diferentes funes para decaimento: linear (linha slida) (t) = (0) (1 t/T) e
inversa (linha tracejada) (t) = (0) / (1 + 100 t/T), onde T a durao do treinamento e
(0) o valor inicial da taxa de aprendizado ou vizinhana (elaborao prpria)
7.1.2 Treinamento em lote
O treinamento seqencial descrito anteriormente pode ser substitudo pelo treinamento

em lote que significantemente mais rpido e no requer a especificao da taxa de
aprendizado. Seja Vj o conjunto de vetores de entrada x capazes de atualizar o vetor de peso
wj, em outras palavras, o neurnio vencedor j* para cada xVj deve pertencer ao conjunto de
vizinhos Cj do neurnio j. O domnio Vj no espao de x tambm chamado regio de

influncia do neurnio j ou conjunto de Voronoi. A unio do conjunto Vj correspondente aos
neurnios em Cj denotado por Uj. A atualizao dos vetores de peso se d conforme a
seguinte equao (Kohonen, 1998):
wj* =
xUj
n(Uj )
onde n(Uj) significa o nmero de vetores de entrada x que pertence ao conjunto Uj.
(15)
106
Como Uj depende de wj*, a equao (15) deve ser resolvida iterativamente. Kohonen
(1997) descreve o procedimento com os seguintes passos:
1. Inicializar os vetores de peso iniciais wj(0).
2. Apresentar todos os vetores de entrada x rede de uma vez.
3. Para cada neurnio j listar todos os vetores de entrada x cujos neurnios vencedores
estejam inseridos dentro da vizinhana do neurnio j na iterao t.
4. Atualizar os vetores de pesos de cada neurnio de acordo com a mdia de sua
respectiva lista.
5. Repetir de 2 a 4 por algumas iteraes at que a soluo seja considerada estvel.
O tamanho da vizinhana e sua variao podem ser similares aos usados no treinamento
seqencial. Nas duas ltimas iteraes, deve conter apenas o neurnio j, e a ltima iterao do
algoritmo , ento, equivalente ao mtodo k-mdias. Este algoritmo particularmente efetivo caso
os pesos iniciais sejam aproximadamente ordenados (ver item a seguir).
7.2 Vetores de peso
Cada vetor de peso tem dois componentes. O primeiro componente do vetor a sua
localizao no mapa bidimensional. O segundo componente so os seus dados que tm a
mesma dimenso dos vetores de entrada. Como comentado no item 6.1.1, a distribuio dos
pesos no espao p-dimensional pode afetar o resultado e existem mltiplas possibilidades de
inicializao dos pesos wj(0) quando esses so escolhidos aleatoriamente de forma arbitrria.
Tanto o pacote SOM_PAK como o SOM Toolbox possuem uma rotina (LININIT) na
qual primeiramente so calculados os autovalores e autovetores dos dados de entrada. Em
seguida, os vetores de peso so inicializados de uma forma ordenada ao longo dos 2 maiores
autovetores da matriz de covarincia dos dados de entrada. Esta opo leva a uma
convergncia mais rpida e a fase de ordenamento pode ser dispensada, sendo necessria
apenas a fase de convergncia (Kohonen et al., 1995).
107
7.3 Avaliao da qualidade do treinamento
Como o SOM no possui uma funo objetivo, difcil decidir quando parar o
treinamento ou avaliar a qualidade relativa de vrios mapas obtidos com parmetros ou
inicializaes diferentes. Costuma-se dividir o total das entradas em dois conjuntos: de
treinamento e de teste. A rede treinada com o primeiro conjunto e a classificao , ento,
avaliada com base no desempenho com o conjunto de teste. O percentual de classificaes erradas
pode ser tomado como uma taxa de erro. No entanto, em algumas aplicaes difcil, ou mesmo
impossvel, dividir as entradas e, ainda, assinalar classes para o conjunto de treinamento.
Vrios processos de aprendizado podem ser definidos comeando o treinamento com
diferentes valores iniciais para os parmetros de aprendizado, e apresentando os vetores de
entrada x em diferentes seqncias. Alm disso, existe uma multiplicidade de possveis
inicializaes aleatrias de pesos wj(0) a serem testadas.
bvio que algum mapa timo para um dado conjunto de dados de entrada deva
existir (Kohonen et al., 1995). Portanto, aconselhvel selecionar o melhor SOM por meio
de um ndice de desempenho. Uma medida de avaliao o erro de quantizao mdio,
definido como a mdia de x wj* avaliado para o mapa com os vetores de pesos treinados.
Para cada vetor de entrada o neurnio vencedor procurado no mapa e o respectivo erro de
quantizao calculado. Espera-se que o melhor mapa tenha o menor erro de quantizao
mdio, pois estaria mais bem ajustado aos vetores de entrada. Outra medida o erro
topogrfico, calculado verificando-se para todas as entradas o neurnio mais bem ajustado e o
segundo neurnio mais bem ajustado (best and second-best matching). O erro topogrfico a
proporo das entradas para as quais esses neurnios no so adjacentes na trelia do mapa
(Kiviluoto, 1996). O erro total normalizado de 0 a 1, onde 0 significa a perfeita preservao
topolgica.
108
Essas duas medidas procuram avaliar a quantizao vetorial e a projeo vetorial,
chamada preservao topolgica. Tecnicamente so objetivos competitivos, mas no opostos
do SOM, pois existe um tradeoff, aumentar a qualidade de uma usualmente diminui a da outra
(Vesanto et al., 2003). No SOM acontece uma grande reduo na dimensionalidade e,
portanto, necessariamente h uma perda de informao no processo de projeo (e.g. no
banco de dados GloBallast, a projeo de dados com 34 dimenses num mapa bidimensional).
Plzlbauer (2004) fez um levantamento de outras medidas propostas para verificao
da qualidade do mapa como a medida de distoro; trustworthiness; e produto topogrfico.
Este ltimo pode ser usado para otimizar o tamanho do mapa para um certo conjunto de
dados, propriedade que no comum maioria das medidas de qualidade. O erro de
quantizao mdio, por exemplo, decresce monotonicamente com incremento no tamanho do
mapa. Essas outras medidas no esto disponveis nos pacotes SOM_PAK e SOM Toolbox, e
so de complexa implementao, fato pelo qual no sero utilizadas na tese.
7.4 Resultados
A escolha do tamanho do mapa pode ser feita de acordo com alguma regra ou por uma
determinada convenincia. O SOM Toolbox usa uma frmula heurstica para o nmero de
neurnios do mapa, caso este no seja explicitado, calculado como sendo igual a cinco vezes a
raiz quadrada do tamanho da amostra. Considerando que o banco de dados possui 357 portos,
por essa frmula o nmero de neurnios sugerido de 5 (357) = 94. Em seguida, outra
heurstica utilizada para determinar as dimenses do mapa. A razo entre os comprimentos
dos dois lados do mapa calculada como a raiz quadrada da razo dos dois maiores
autovalores do conjunto de dados. Os comprimentos dos lados so, ento, ajustados de modo
que seu produto seja prximo do nmero desejado de neurnios do mapa. Esta rotina do SOM
Toolbox determinou um tamanho de mapa de 138 e, portanto, com 104 neurnios.
109
Ainda no campo das rotinas automticas do SOM Toolbox, existe o comando
SOM_MAKE que cria, inicializa, e treina um SOM usando parmetros padro, com o
algoritmo de treinamento em lote com duas fases; a inicializao com a rotina LININIT; a
durao do treinamento calculada em pocas (i.e. a apresentao de todo o conjunto de
dados); a topologia dos neurnios em forma hexagonal e o formato da vizinhana dado pela
funo gaussiana; e o decrscimo linear da largura de vizinhana. O treinamento em lote no
utiliza a taxa de aprendizado. Os demais parmetros so determinados da seguinte forma21:
Raio inicial: Depende da inicializao, que caso seja aleatria, o raio inicial
corresponde a 1/4 do maior lado do mapa, e caso se utilize a rotina LININIT, adotado 1/8. O
raio inicial pode ser funo, tambm, da operao prvia de treinamento e, nessa
circunstncia, o raio inicial assume o valor do raio final do treinamento antecedente.
Raio final: O valor padro 1, mas caso seja uma fase de ordenamento, o raio final
estabelecido como 1/4 do raio inicial.
Durao do treinamento: Para a fase de ordenamento de 10 vezes a razo entre
nmero de unidades e quantidade de dados; e para a fase de convergncia de 40 vezes esta
mesma razo.
Dessa forma, com o comando SOM_MAKE, apenas com os argumentos padro, um
mapa (visto na Figura 52) gerado com o seguinte treinamento e medidas de qualidade:
Fase 1: 3 pocas (10104357) e reduo do raio de vizinhana de 2 (138) para 1
Fase 2: 12 pocas (40104357) e raio de vizinhana inicial e final igual a 1
- Erro de quantizao mdio: 3,4916
- Erro topogrfico: 0,0168
21
As frmulas para obteno dos valores usados como padro em cada parmetro foram verificadas diretamente
no cdigo fonte das rotinas, pois em alguns casos elas diferiam das frmulas apresentadas no texto de ajuda do
SOM Toolbox
110
Figura 52 - Mapa gerado com o comando automtico SOM_MAKE (elaborao prpria)

Como visto no item anterior, a medida de erro para comparar diferentes tamanhos de
mapas no est disponvel. De modo a obter uma visualizao mais distribuda dos portos no
mapa, optou-se por um nmero de neurnios maior, na ordem de 150, mantendo a razo
111
indicada pelo SOM Toolbox para a relao entre os lados do mapa, que ficaram definidos em
1510. O mapa gerado em seguida (visto na Figura 53), tambm utilizou o comando
SOM_MAKE com a definio do nmero de neurnios em 150 com o seguinte treinamento e
medidas de qualidade:
Fase 1: 5 pocas (10150357) e reduo do raio de vizinhana de 2 (158) para 1
Fase 2: 17 pocas (40150357) e raio de vizinhana inicial e final igual a 1
- Erro de quantizao mdio: 3,2780
- Erro topogrfico: 0,0140
Como esperado, por ser maior, o mapa 1510 apresentou menor erro de quantizao
mdio, e nesta configurao o erro topogrfico tambm foi menor. Curiosamente nesse mapa
o porto de Sepetiba (1-BRSPB) ficou isolado e os portos de Paranagu (49-BRPNG); Santos
(50-BRSSZ); Rio de Janeiro (51-BRRIO) e Vitria (53-BRVIX), que estavam no mesmo
neurnio que Sepetiba, passaram para um neurnio vizinho. Outras relaes de vizinhana
tambm mudaram. Os seguintes portos que estavam em neurnios adjacentes Sepetiba
(distncia = 1) passaram para uma distncia igual a 2: Mangalore (141-INIXE); Chennai
(143-INMAA); Porbandar (146-INPBD); Paradeep (147-INPRT); Lagos (250-NGLOS); e Tin
Can Island (251-NGTIN), enquanto o porto de Brisbane (26-AUBNE) passou para uma
distncia igual a 3. Os portos que mantiveram a vizinhana imediata nos dois mapas foram:
Chiwan Guangdong (64-CNCWN); Hong Kong (121-HKHKG); Hong Kong Kowloon (122HKKWN); Marmugao (144-INMRM); Galveston (338-USGLS); e Texas (339-USTXT).
Com o objetivo de encontrar o melhor mapa, uma explorao nos vrios parmetros
de treinamento foi realizada. Alguns dos parmetros foram fixados visando permitir a
verificao da sensibilidade dos demais. A topologia do mapa foi fixada com neurnios
posicionados em forma hexagonal com a dimenso em 1510, conforme a numerao
definida de acordo com a Figura 54. Considerou-se fixa, tambm, a forma de decrscimo da
vizinhana com a funo gaussiana.
112
Figura 53 - Mapa gerado com o comando SOM_MAKE para 150 neurnios (elaborao
prpria)
113
Figura 54 - Numerao dos neurnios no mapa 1510 (elaborao prpria)

No treinamento seqencial, Kohonen (1990) sugere uma rule of thumb onde o
nmero total de iteraes deveria ser pelo menos 500 vezes o nmero de neurnios (o que
num mapa com 150 neurnios resulta em 75.000 iteraes ou 210 pocas de 357 dados),
porm, indica que 10.000 iteraes ou menos podem ser suficientes em alguns aprendizados.
De fato, na forma seqencial, o treinamento requer longa durao para minimizar o erro de
quantizao como mostra a Figura 55 onde a fase de convergncia testada com 25, 50 e 100
pocas (Tabela 19), sendo a taxa de aprendizado inicial de 0,1 (decaindo com a funo
inversa), e o raio inicial e final igual a 1. Nos trs casos, a inicializao foi feita com a rotina
LININIT e a fase de ordenamento foi realizada em 5 pocas, sendo a taxa de aprendizado
inicial de 0,9 (decaindo com a funo inversa); o raio inicial igual a 2; e o raio final igual a 1.
114
Figura 55 - Erro de quantizao mdio em cada poca para 3 duraes (25, 50 e 100 pocas)
do treinamento seqencial (elaborao prpria)
Durao
(pocas)
25
50
100
Durao
(Iteraes)
8.925
17.850
35.700
Erro de Quantizao
Erro Topogrfico
3,3816
3,2977
3,2532
0,0252
0,0280
0,0112
Tabela 19 - Medidas de qualidade de acordo com a durao do treinamento seqencial

Para verificar a influncia da durao do treinamento em lote no erro de quantizao, a
configurao do SOM_MAKE foi repetida mudando a inicializao para pesos aleatrios
(rotina RANDINIT) com raio inicial da primeira fase aumentado para 4. Nos mapas gerados o
erro de quantizao mdio na segunda fase estabilizou a partir da 6 poca na inicializao
LININIT e a partir da 8 poca na inicializao RANDINIT (Figura 56), com as seguintes
medidas de qualidade:
Inicializao Erro de Quantizao
LININIT
3,2780
RANDINIT
3,3005
Erro Topogrfico
0,0140
0,0196
115
Figura 56 - Erro de quantizao mdio em cada poca para o treinamento em lote com
diferentes inicializaes: LININIT e RANDINIT (tracejado) (elaborao prpria)
Foi testada inicialmente a forma seqencial de treinamento com as duas possibilidades
de inicializao (rotinas RANDINIT e LININIT). Na fase de ordenamento so necessrias
aproximadamente 3 pocas para fazer as 1.000 iteraes com 357 dados e adotou-se, tambm,
a frmula proposta no SOM Toolbox de 10 vezes a razo entre nmero de unidades e
quantidade de dados, resultando em 5 pocas (1.785 iteraes). Para a fase de ordenamento
com inicializao aleatria foram estabelecidos raios de vizinhana iniciais de 7,5 e 5,0,
respectivamente 1/2 e 1/3 do maior lado, e raio de vizinhana final igual a 2. A taxa de
aprendizado inicial foi variada entre 0,6 e 0,9. Com a inicializao da rotina LININIT os
parmetros adotados foram raios de vizinhana iniciais de 4 e 3, e raio de vizinhana final
igual a 2; taxa de aprendizado inicial foi variada entre 0,3 e 0,5. A fase de convergncia foi
fixada com a durao de 210 pocas, com taxa de aprendizado inicial igual a 0,1; o raio inicial
definido em 2; e o raio final em 1. A Tabela 20 lista as vrias configuraes testadas inclusive
com as formas linear e inversa para decrscimo da taxa de aprendizado.
De modo a permitir a reproduo dessas configuraes, foram fixadas sementes para a
funo rand de gerao de nmeros aleatrios do MATLAB da seguinte forma: RANDINIT
(state = 1); fase de ordenamento (state = 2); fase de convergncia (state = 3).
116
Configurao
(0)
Decrscimo
da taxa de
aprendizado
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0,9
0,8
0,7
0,6
0,9
0,8
0,7
0,6
0,9
0,8
0,7
0,6
0,9
0,8
0,7
0,6
inversa
inversa
inversa
inversa
linear
linear
linear
linear
inversa
inversa
inversa
inversa
linear
linear
linear
linear
17
18
19
20
21
22
23
24
25
26
27
28
0,5
0,4
0,3
0,5
0,4
0,3
0,5
0,4
0,3
0,5
0,4
0,3
inversa
inversa
inversa
linear
linear
linear
inversa
inversa
inversa
linear
linear
linear
29
30
31
32
33
34
35
36
0,9
0,8
0,7
0,6
0,9
0,8
0,7
0,6
linear
linear
linear
linear
linear
linear
linear
linear
37
38
39
40
41
42
0,5
0,4
0,3
0,5
0,4
0,3
linear
linear
linear
linear
linear
linear
di
df
Durao
(pocas)
Inicializao: RANDINIT
7,5
2
3
7,5
2
3
7,5
2
3
7,5
2
3
7,5
2
3
7,5
2
3
7,5
2
3
7,5
2
3
5
2
3
5
2
3
5
2
3
5
2
3
5
2
3
5
2
3
5
2
3
5
2
3
Inicializao: LININIT
4
2
3
4
2
3
4
2
3
4
2
3
4
2
3
4
2
3
3
2
3
3
2
3
3
2
3
3
2
3
3
2
3
3
2
3
Inicializao: RANDINIT
7,5
2
5
7,5
2
5
7,5
2
5
7,5
2
5
5
2
5
5
2
5
5
2
5
5
2
5
Inicializao: LININIT
4
2
5
4
2
5
4
2
5
3
2
5
3
2
5
3
2
5
Erro de
Quantizao
Erro
Topogrfico
3,4651
3,4616
3,4625
3,4704
3,2882
3,2662
3,2758
3,2751
3,4457
3,4615
3,4348
3,4453
3,2580
3,2917
3,2798
3,2882
0,0056
0,0084
0,0028
0,0112
0,0084
0,0028
0,0056
0
0,0056
0,0056
0,0056
0,0028
0,0028
0,0056
0
0,0084
3,4610
3,4552
3,4548
3,2729
3,2882
3,2801
3,4666
3,4793
3,4606
3,2826
3,2882
3,2751
0,0056
0,0140
0,0084
0
0,0084
0
0,0028
0,0084
0,0084
0,0028
0,0084
0
3,2801
3,2809
3,2567
3,2567
3,2801
3,2809
3,2796
3,2653
0
0
0,0028
0,0028
0
0
0
0,0028
3,2801
3,2653
3,2882
3,2801
3,2801
3,2653
0
0,0028
0,0084
0
0
0,0028
Tabela 20 - Lista das configuraes testadas para a fase de

convergncia com o treinamento seqencial
117
Com a forma linear a reduo da taxa de aprendizado se d de forma mais lenta e
resultou em menores erros de quantizao, fator pelo qual a maior durao para a fase de
ordenamento s foi testada com essa funo. A escolha de raios menores na fase de
ordenamento 5 (RANDINIT) e 3 (LININIT) produziu, na maioria dos casos, mapas com
menores erros.
Dependendo da configurao escolhida, a distribuio dos portos no mapa gerado
pode ser bastante diferente. Foram escolhidas para anlise algumas configuraes cujos
resultados tiveram erro topogrfico igual a zero. O mapa gerado com a configurao 8
(idntico ao da configurao 28) foi muito semelhante ao da configurao 37 (idntico ao da
configurao 40). No caso de Sepetiba apenas dois portos se localizaram em vizinhanas
ligeiramente diferentes. O porto de Lagos (250-NGLOS) que na configurao 8 (Figura 57)
estava numa distncia igual a 2, na configurao 37 ficou numa distncia igual a 3. O reverso
aconteceu com o porto Laem Chabang (305-THLCH) que na configurao 8 estava numa
distncia igual a 3 e ficou numa distncia igual a 2 na configurao 37 (Figura 58).
Chama ateno que nesses mapas os neurnios situados com a distncia igual a 1 em
torno de Sepetiba no contm nenhum porto. Em ambas as situaes (configuraes 8/28 e
37/40) uma indicao de os mapas serem idnticos foi terem os mesmo erros de quantizao.
118
d = 0: 49; 50; 51; 53; 54; 55; 56; 143

d = 1: nenhum
d = 2: 121; 122; 124; 125; 133; 137; 141; 144; 146; 147; 244; 250; 251; 297; 298; 300; 301;
314; 335
Figura 57 - Treinamento seqencial (Configurao 8) (elaborao prpria)
119
d = 0: 49; 50; 51; 53; 54; 55; 56; 143

d = 1: nenhum
d = 2: 121; 122; 124; 125; 133; 137; 141; 144; 146; 147; 244; 251; 297; 298; 300; 301; 305;
314; 335
120
A forma como se d a localizao dos vetores de entrada no mapa varia muito em
funo dos parmetros de treinamento. Um exemplo disso pode ser visto com o aumento da
durao da fase de ordenamento de 3 para 5 pocas nas configuraes 15 (Figura 59) e 35
(Figura 60). Houve um decrscimo mnimo do erro de quantizao (de 3,2798 para 3,2796),
no entanto, o posicionamento dos portos modificou consideravelmente. O porto de Sepetiba
mudou do neurnio 86 para 127 e sua vizinhana na distncia igual a 2 foi bastante alterada.
Uma segunda bateria de simulaes foi realizada, dessa vez com a utilizao do
treinamento em lote, tomando como base a configurao dada pelo comando SOM_MAKE
para 150 neurnios. Buscou-se variar os raios iniciais e finais na fase de ordenamento e,
eventualmente, sua durao. Diferentemente dos resultados alcanados com o treinamento
seqencial, no se obteve nenhuma configurao com erro topogrfico zero (Tabela 21). Para
verificar onde esses erros estavam localizados, aps cada configurao testada, foram
identificados os portos cujos primeiro e segundo neurnios mais bem ajustados no eram
adjacentes no mapa. A partir da lista resultante (Tabela 22), observa-se que os portos Chiwan
Guangdong (64-CNCWN), China, e Lumut (244-MYLUM), Malsia, contriburam para o
erro topogrfico em vrias configuraes.
Configurao
SOM_MAKE
43
44
45
46
47
48
49
50
51
di
2
3
4
3
3
2,5
3
2,9
2,9
2,8
Ordenamento
Durao
df
(pocas)
1
5
1
5
1
5
2
5
1,5
5
1
5
1
6
1
4
1
5
1
5
Convergncia
Durao
di
df
(pocas)
1
1
17
1
1
17
1
1
17
2
1
17
1,5
1
17
1
1
17
1
1
17
1
1
17
1
1
17
1
1
17
Erro de
Quantizao
Erro
Topogrfico
3,2780
3,2741
3,2895
3,2724
3,2718
3,2834
3,2714
3,2572
3,2698
3,2703
0,0140
0,0056
0,0280
0,0168
0,0168
0,0168
0,0196
0,0112
0,0056
0,0112
Tabela 21 - Lista das configuraes testadas com o treinamento em lote
121
d = 0: 49; 50; 51; 53

d = 1: 54; 55; 56; 147; 150
d = 2: 48; 52; 64; 74; 137; 139; 141; 143; 144; 152; 167; 183; 189; 209; 211; 251; 328; 329;
330; 331; 338; 339
122
d = 0: 49; 50; 51; 53

d = 1: 48; 54; 55; 56; 137; 147
d = 2: 64; 139; 141; 143; 144; 146; 150; 152; 181; 188; 189; 201; 209; 250; 251; 252; 253;
254; 304
123
Configurao
SOM_MAKE
43
44
45
46
47
48
49
50
51
Portos com erro topolgico

25, 165, 249, 294, 344
244, 354
58, 59, 60, 165, 167, 169, 263, 328, 336, 338
64, 138, 241, 351, 353, 354
84, 138, 241, 249, 329, 344
64, 138, 226, 254, 324
64, 129, 199, 244, 249, 294
244, 266, 275, 329
100, 244
64, 129, 226, 244
Tabela 22 - Portos com erro topolgico nas configuraes de treinamento em lote

Ao decidir pelo melhor mapa no se deve ficar restrito apenas a uma combinao
arbitrria dos valores das medidas de qualidade (Vesanto et al., 2003) e o mapa escolhido para
a representao dos portos foi o da configurao 20 apesar de que outros mapas tiveram erro
de quantizao menor como, por exemplo, os gerados pelas configuraes 31 e 32 (3,2567);
49 (3,2572); 13 (3,2580). Entre os mapas com erro topogrfico zero, a configurao 20 obteve
o menor erro de quantizao (3,2729), porm, o critrio de escolha desta configurao foi o
fato de o porto de Sepetiba (1-BRSPB) estar localizado num neurnio central do mapa, onde
as relaes de vizinhana podem ser melhor observadas (Figura 61). Em geral, os vetores de
pesos so comprimidos prximos da borda do mapa sofrendo um efeito de fronteira e
causando uma diminuio na capacidade de representar a distribuio do espao dos dados de
entrada (Haykin, 1994). Para contornar esse efeito, existe o conceito do mapa sem fronteiras
que obtido com o uso de uma topologia em forma de toride, raramente usada (Ultsch &
Mrchen, 2005). Entretanto, essa topologia no foi aqui considerada.
124
125
7.4.1 Agrupamento do SOM
Algumas combinaes de metodologias podem ser especialmente teis como a

utilizao de um mtodo hierrquico de agrupamentos para estimar o nmero de grupos k para
o mtodo k-mdias, como foi realizado no item 5.1.2. Num outro exemplo pode-se reduzir o
nmero de dados por meio do SOM e, ento, fazer uma anlise de agrupamento dos pesos do
mapa gerado. Assim, num primeiro estgio, os vetores de peso de cada neurnio so
calculados e a sada do SOM torna-se entrada de um segundo estgio de aplicao do mtodo
k-mdias. Dessa forma, empregando o k-mdias, numa soluo com 8 grupos, obteve-se a
partio mostrada na Figura 62. Comparando o grupo no qual o porto de Sepetiba est
inserido (que se denominar SOM-K8-1) com o grupo anteriormente formado com o mtodo
k-mdias aplicado diretamente aos dados do banco de dados GloBallast (K8-VI) verifica-se
que 81 portos foram coincidentes em ambos grupos. A Tabela 23 lista os nove portos do
grupo K8-VI que no foram inseridos no grupo SOM-K8-1. Apesar de esses portos terem sido
designados para outros trs grupos, todos se localizaram em neurnios adjacentes ao grupo
SOM-K8-1, sendo que seis deles ocuparam neurnios na vizinhana imediata do neurnio de
Sepetiba, conforme detalhe do mapa visto na Figura 63. No grupo SOM-K8-1, dos sete portos
que no pertencem ao grupo K8-VI (relacionados na Tabela 24) apenas o porto de Lucinda
(35-AULUC) no coincidiu com os portos atpicos ou extremos dentro dos grupos formados
pelo mtodo k-mdias listados na Tabela 11.
126
Figura 62 - Agrupamento dos neurnios do mapa da configurao 20 em oito grupos pelo

mtodo k-mdias (elaborao prpria)
127
Figura 63 - Vizinhana em torno do neurnio no qual est localizado o porto de Sepetiba

(elaborao prpria)
No
28
54
55
74
152
338
339
354
356
Cdigo
AUGLT
BRPRM
BRTUB
COCAR
INVTZ
USGLS
USTXT
ZADUR
ZARCB
Porto
Gladstone
Praia Mole
Tubaro
Cartagena
Visakhapatnam
Galveston Texas
Texas City
Durban
Richards Bay
Pas
Austrlia
Brasil
Brasil
Colmbia
ndia
EUA
EUA
frica do Sul
frica do Sul
Latitude
23 51.0S
20 17.3S
20 17.3S
10 21.6N
17 14.0N
29 17.0N
29 23.0N
29 53.0S
28 48.0S
Longitude
151 15.0E
40 14.5W
40 14.6W
75 32.9W
83 18.0E
94 50.0W
94 54.0W
31 02.0E
32 03.0E
Tabela 23 - Portos do grupo K8-VI que no foram inseridos no grupo SOM-K8-1

No
35
41
138
142
153
154
252
Cdigo
AULUC
BDCGP
INCCU
INIXY
IRBKM
IRBMR
NGPHC
Porto
Lucinda
Chittagong
Calcut
Kandla
Bandar Mushar
Port Harcourt
Pas
Austrlia
Bangladesh
ndia
ndia
Ir
Ir
Nigria
Latitude Longitude
18 31.0S
146 19.0E
22 13.0N
91 48.0E
22 33.0N
88 19.0E
22 52.0N
70 13.0E
30 25.0N
49 04.0E
30 28.0N
49 11.0E
4 46.2N
7 00.0E
Tabela 24 - Portos do grupo SOM-K8-1 no pertencentes ao grupo K8-VI

Dois grupos comentados na anlise das matrizes de concordncia tiveram
comportamento semelhante nessa partio escolhida para o mapa. O grupo 13 formado pelo
mtodo Ward foi o nico com concordncia total na soluo de 8 grupos dos mtodos
hierrquico e no-hierrquico (grupos W8-4 e K8-II, ver Tabela 15). Esse conjunto de onze
portos ficou dividido na soluo em 6 grupos do mtodo k-mdias, com dez portos integrando
128
o grupo K6-I e o porto Huangpu Guangdong (66-CNHUA) situando-se no grupo K6-II. Foi
verificado no mapa que os mesmos dez portos se localizaram no neurnio 7, formando um
nico grupo afastado dos demais neurnios, e o porto Huangpu Guangdong (66-CNHUA)
ficou prximo, isolado no neurnio 5, e num outro grupo.
Um outro grupo considerado bastante coeso, pois seus 45 portos coincidiram
totalmente nas solues com 4, 5, 6 e 8 grupos, nos dois mtodos de agrupamento,
localizaram-se integralmente no canto direito inferior do mapa (ver Figura 64). Apenas o
porto de Gladstone (28-AUGLT), localizado no neurnio 105 junto com os portos Dampier
(18-AUDAM); Dakar (303-SNDKR); e Aden (349-YEADE), no pertence ao grupo K8-1.
Figura 64 - Detalhe do canto inferior direito do mapa com o grupo K8-1 destacado
(elaborao prpria)
7.4.2 Avaliao do comportamento dos parmetros
No importa o quo bom seja o mtodo, pois os resultados iro essencialmente

depender da qualidade e adequabilidade dos dados. As propriedades que emergem da
aplicao dos mtodos so determinadas pelos parmetros escolhidos para representar os
dados. A anlise dos dados deve levar em considerao essa escolha para evitar concluses
enganosas na avaliao dos resultados.
Foi comentado no item 3.1.1 que no h ainda uma definio consensual de quais
variveis ambientais so preditivas para o estabelecimento de espcies. No foi objetivo desta
129
tese questionar o conjunto de 34 parmetros escolhidos como descritores dos ambientes
porturios pelo grupo URS Australia Pty para realizar a avaliao de risco para o Programa
GloBallast. No entanto, buscou-se verificar a influncia desses descritores na formao do
mapa. Com o uso de uma ferramenta do SOM Toolbox (SOM_SHOW) possvel gerar
mapas mostrando, por meio de um cdigo de cores, a distribuio de determinado parmetro,
exibindo-se uma determinada dimenso do vetor de peso em cada neurnio.
Nos mapas dos parmetros de temperatura (gua e ar) e salinidade percebe-se a
formao de gradientes claramente definidos. Principalmente pelas temperaturas de vero
(MSUWT; USUWT; MSART; e USART ver Anexo2) identifica-se que os portos de mais
baixa temperatura (e.g., Canad, Dinamarca, Islndia) se concentraram nos neurnios do
canto superior direito (Figura 65). A disposio dos parmetros de salinidade se deu numa
forma diagonal do canto superior esquerdo, com as salinidades mais baixas, para o canto
inferior direito, com salinidades mais altas (Figura 66). A partir da visualizao do aspecto
dos gradientes possvel entender o posicionamento dos portos no mapa, por exemplo, a
aglomerao do grupo K8-1 no canto inferior direito do mapa, como visto anteriormente. Por
esta localizao percebe-se que so portos de altas temperaturas e altas salinidades.
Alguns parmetros foram decisivos individualmente pelo agrupamento de certos
portos. O exemplo mais marcante disso foi o descritor de distncia at cais de paredes
verticais (INASMW), mostrado na Figura 67. Dos 357 portos do banco de dados, dois foram
categorizados com o escalar 3 (5-10km), os portos de Cilacap Java (129-IDCXP) e Al
Juaymah Terminal (290-SAJUT); nove com o escalar 4 (1-5km); e os demais com 5
(<1km). Esses onze portos com valores diferentes de 5 so exatamente os que compem o
grupo W8-4 ou K8-II observado nas anlises anteriores como bastante consistente.
130
MSUWT
USUWT
MSART
USART
Figura 65 - Distribuio das dimenses de temperatura de vero do ar e da gua
MWSAL
LWSAL
MDSAL
UDSAL
Figura 66 - Distribuio das dimenses de salinidade (elaborao prpria)
131
Figura 67 - Distribuio da dimenso 21 correspondente ao descritor INASMW (distncia at

cais de paredes verticais) (elaborao prpria)
Outro descritor que contribuiu na aglomerao de portos em vrios neurnios foi o
tamanho da bacia hidrogrfica (SIZRVC) (Figura 68). No neurnio 61 foram agrupados os
portos Port Said (88-EGPSD) com 2.000.000km2; e Istanbul (308-TRIST); Izmit (310TRIZT); Yarimca (313-TRYAR) e Sevastopol (322-UASVP) com 817.000 km2. No neurnio
3 foram reunidos os portos Shanghai (69-CNSHA) e Shanghai Baoshan (70-CNSHB) com
1.500.000km2; e Davant (333-USDVT) e New Orleans (334-USMSY) com 1.000.000km2.
Outro neurnio com a reunio de portos com grandes bacias hidrogrficas foi o 15 com
Chittagong (41-BDCGP), Calcut (138-INCCU) e Haldia (140-INHAL) de 1.200.000km2.
Figura 68 - Distribuio da dimenso 20 correspondente ao descritor SIZRVC (tamanho da

bacia hidrogrfica) (elaborao prpria)
132
A Figura 69 mostra a distribuio dos outros descritores no mapa.
MWNWT
LWNWT
MWART
LWART
PTYPE
MSPR
MNER
D6MRF
W6MRF
RNFL75
DISRVM
INARKW
INSNDB
INSTNB
INAWP
INHTSM
Figura 69 - Distribuio dos demais descritores no mapa (elaborao prpria)
133
INLTMF
SUSFTM
INMANG
SUSGRM
INRKSH
SURKRF
SUFSND
SUCORF
Figura 69 - Distribuio dos demais descritores no mapa (continuao)
134
8 Discusso
As relaes entre objetos representados por dados multidimensionais podem ser

investigadas por vrias metodologias de minerao ou analise exploratria de dados.
Comparar a capacidade de diferentes mtodos, que se baseiam em diferentes princpios, de
reconhecer padres no espao original de dados de entrada pode ser uma tarefa difcil,
especialmente no caso em que os dados no estejam rotulados antecipadamente ou onde no
haja, pelo menos, informao prvia sobre o nmero de classes existentes. Uma comparao,
entretanto pode, eventualmente, ser feita com base na aplicao prtica qual a anlise se
destina. A seguir so feitas algumas dessas comparaes, a partir do exame das propriedades
do algoritmo do SOM e das metodologias empregadas na tese.
Embora o mtodo do k-mdias e o SOM sejam relacionados, certas diferenas podem
ser ressaltadas, conforme as comparaes efetuadas por Ultsch (1995) e Kaski (1997). No
SOM, a distncia entre cada vetor de entrada e todos os vetores de peso levada em
considerao, ponderada pela funo de vizinhana, ao invs de apenas o vetor de peso mais
prximo. No caso da adoo de vizinhana zero, o SOM funciona como um algoritmo
convencional de agrupamento. Enquanto no k-mdias o nmero de grupos k deve ser
escolhido de acordo com o nmero de grupos existentes nos dados de entrada (ou que se
supe existir), no SOM um nmero bem maior de neurnios pode ser escolhido, independente
do nmero de grupos esperados. Eventualmente a estrutura de grupos se tornar visvel com o
auxlio de tcnicas especiais (e.g. mtodo U-matrix (Ultsch, 1992 apud Ultsch, 1995)).
Intrinsecamente o SOM, por meio do uso da funo de vizinhana, menos sensvel s
condies iniciais, e exibe uma convergncia mais robusta do que o k-mdias.
Os estudos efetuados por Chon et al. (1996) sobre a anlise da ocupao espacial de
peixes num lago, e por Brosse et al. (2001), sobre a classificao de comunidades de
macroinvertebrados bentnicos, citam Melssen et al. (1993) ao discutir o aspecto da reduo
135
de dimenso da ACP: um grande nmero de descritores pode levar a muitas componentes
principais significativas na ACP de modo que no se possa reter informao suficiente nos
componentes principais usados para visualizar o espao multidimensional dos dados. Esse
fato foi constatado no caso do banco de dados GloBallast, com 34 descritores, onde as duas
primeiras componentes principais no conseguiram explicar, juntas, mais do que 40,7% da
varincia total.
Os resultados do SOM e do MDS no-mtrico podem ser bem distintos, apesar de que
a preservao de vizinhanas o objetivo de ambos. A diferena essencial na projeo
formada pelos dois mtodos que o SOM busca formar projees corretas localmente,
enquanto o MDS visa preservar todas as distncias entre os pontos, mantendo a ordem dos
postos (rank) dessas distncias. Assim, no MDS, o clculo do stress depende apenas da ordem
das distncias (similaridades) e no de suas magnitudes (Fasham, 1977).
No caso geral, no se consegue mapear precisamente um espao de alta dimenso num
de menor dimenso por nenhum mtodo. Assim, como no se podem preservar todas as
distncias, possvel que o mtodo do MDS preserve bem a maior parte dessas distncias, e
para algumas outras a preservao seja apenas aproximada. No SOM a ordem determinada
localmente pela funo de vizinhana e a ordem global surge pelas interaes entre neurnios, e
porque o gradual encolhimento da vizinhana evita configuraes desordenadas (Kaski, 1997).
Na anlise exploratria dos dados pode-se interpretar que o mtodo MDS fornea
grosseiramente uma melhor ordem global dos dados projetados que tende a ser mais precisa,
pois feita num sistema de coordenadas livres enquanto que no SOM, a representao da
camada de imagem de uma trelia fixa de neurnios. Os mesmos portos situados nas
extremidades da projeo do MDS no-mtrico, destacados na Figura 35, tambm se
localizaram nas bordas do mapa obtido com o SOM (Figura 70). Porm, o distanciamento
136
para os demais portos no ficou to evidente quanto na representao do MDS no-mtrico
que mostrou ser mais eficiente na indicao de dados atpicos ou extremos.
No SOM as estruturas globais so usualmente bem representadas, mas as locais so
consideradas mais importantes e onde a interpretao do mapa deve ser feita
predominantemente, baseada nas relaes prximas dos neurnios no mapa. Na comparao
das vizinhanas geradas pelo MDS no-mtrico e pelo SOM percebem-se mudanas nas
relaes de proximidade com Sepetiba entre os dois mtodos. Dos portos listados na Tabela
25, o porto de Lisboa (275-PTLIS) foi o que se localizou mais distante no mapa gerado pelo
SOM (ver Figura 71). Essa distncia coerente, pois os parmetros de temperatura,
principalmente de inverno, contribuem para que Lisboa fique prximo de outros portos de ar e
gua fria situados na parte superior direita do mapa. Nos demais portos no se identifica
nenhum descritor, ou conjunto de descritores responsveis por essa diferena. No entanto,
pressupe-se que a representao do SOM seja mais realista, pois este mtodo busca acima de
tudo garantir que dados projetados em neurnios prximos sejam similares, pelo qual a ordem
e o agrupamento local so to fidedignos quanto possvel.
No
Cdigo
Porto
Pas
Latitude
27
29
32
181
189
201
209
275
AUBDB
AUPTL
AUMKY
JPKCZ
JPKOJ
JPNGS
JPSBS
PTLIS
Bundaberg
Port Alma
Mackay
Kochi
Kagoshima
Nagasaki
Shibushi Kagoshima
Lisboa
Austrlia
Austrlia
Austrlia
Japo
Japo
Japo
Japo
Portugal
24 46.0S
23 35.0S
21 06.0S
33 31.0N
31 35.0N
32 45.0N
31 28.0N
38 42.0N
Distncia em
relao Sepetiba
5
5
5
3
3
3
3
8
Tabela 25 - Portos com distintas relaes de proximidade com Sepetiba nos mtodos SOM e
MDS no-mtrico
137
EGPSD
TRIZT TRYAR
ISHAF ISSTR
USANC
ICXPD
SAJUT
JPKII
Figura 70 - Localizao no mapa dos portos das extremidades da projeo do MDS nomtrico (setas) e portos realados na Figura 71 (elipses) (elaborao prpria)
Figura 71 - Reproduo do detalhe da projeo do MDS no-mtrico com destaque para

portos com distintas relaes de proximidade com Sepetiba em relao ao SOM
138
Com base na Figura 63, que mostra os portos dentro de um raio de dois neurnios em
torno do neurnio onde se situou o porto de Sepetiba, os resultados do SOM foram
comparados com a ordem obtida pelo coeficiente de similaridade determinado pela medida
direta da distncia Euclidiana utilizada no sistema de avaliao de risco do Programa
GloBallast (dados do Anexo 4). Nessa comparao verificou-se, tambm, a pertinncia desses
portos aos grupos gerados com as tcnicas de anlise de agrupamento (Tabela 26).
No neurnio 70, junto com Sepetiba, localizaram-se portos muito prximos em termos
da ordem do coeficiente de similaridade (2, 5, 6 e 8) e no raio de um neurnio esto includos
outros portos prximos (3, 4 e 7) e portos um pouco mais distantes (21, 47, 49, 52 e 75).
Na vizinhana do raio de dois neurnios foram situados portos que, pelo coeficiente de
similaridade, poderiam ser considerados todavia mais distantes ainda, com ordem at 202.
Chama a ateno que entre os 36 portos mais prximos de acordo com o coeficiente de
similaridade (10% dos 357 portos), apenas 11 esto inseridos na vizinhana de at dois neurnios.
Por outro lado, entre os 28 portos circunscritos num raio de dois neurnios, apenas os
portos Port Bonython (20-AUPBY); Whyalla (21-AUWYA); e Port Pirie (22-AUPPI) no
pertencem ao grupo K8-VI obtido com o mtodo k-mdias. Pela Figura 62 observa-se que
apesar de esses trs portos estarem dentro dessa vizinhana do porto de Sepetiba, o
agrupamento feito com os pesos do mapa indica que esto prximos, ambientalmente, de
portos europeus, na Espanha, Frana, Grcia e Itlia.
A apreciao desse resultado, corroborado por distintas metodologias SOM e kmdias , aponta que a simples medida direta da distncia Euclidiana no se mostrou uma
ferramenta eficiente para identificar similaridades. Por exemplo, nenhum porto com ordem do
coeficiente de similaridade entre 9 e 20 foi posicionado na vizinhana mais imediata do
neurnio 70, e de fato, de se esperar que portos localizados, por exemplo no Japo no
tenham condies ambientais to similares com Sepetiba que justifiquem esta proximidade.
139
Distncia
Porto
no SOM
Sepetiba
Paranagu
Santos
Rio de Janeiro
Vitria
Praia Mole
Tubaro
Salvador
Paradeep
Galveston Texas
Texas City Texas
Durban
Richards Bay
Port Bonython
Whyalla
Port Pirie
Brisbane
Hong Kong Hong Kong
Hong Kong Kowloon
Mangalore (New Mangalore)
Chennai (Ex Madras)
Marmugao (Marmagoa)
Porbandar
Kinwan (Ishikawa) Okinawa
Naha Okinawa
Okinawa Okinawa
Colombo
Sabine
No.
Cdigo
ONU
1
49
50
51
53
54
55
56
147
338
339
354
356
20
21
22
26
121
122
141
143
144
146
186
198
203
241
336
BRSPB
BRPNG
BRSSZ
BRRIO
BRVIX
BRPRM
BRTUB
BRSSA
INPRT
USGLS
USTXT
ZADUR
ZARCB
AUPBY
AUWYA
AUPPI
AUBNE
HKHKG
HKKWN
INIXE
INMAA
INMRM
INPBD
JPKIN
JPNAH
JPOKA
LKCMB
USSAB
Ordem de
Similaridade
GloBallast
1
8
5
2
6
3
4
7
47
75
49
21
52
59
95
88
166
196
202
170
74
192
69
106
80
81
27
36
Grupo
Ward
Inicial

Grupo
k-mdias
K8-VI

Tabela 26 - Comparao do resultado obtido com o SOM com a distncia Euclidiana e os

mtodos de agrupamento.
140
9 Concluso
Diferentemente de algumas formas de poluio geradas por navios, o problema da

transferncia de espcies exticas e/ou patognicas decorre de uma atividade inerente sua
prpria operao.
Empresas e pesquisadores esto buscando tecnologias que forneam alternativas
troca de gua de lastro em guas profundas, em mar aberto. O avano de tais tecnologias, e
seu eventual uso de forma a atender os requisitos da Conveno BWM 2004, enfrenta muitos
desafios, principalmente o de conseguir desenvolver sistemas de tratamento em grande escala
que possam ser acomodados nos limitados espaos das praas de mquinas dos navios. Como
resultado, a troca em alto mar nico mtodo aprovado para gesto da gua de lastro a
bordo continuar a ser empregada por um longo perodo, apesar de todas as preocupaes
com sua efetividade. De fato, a Conveno BWM 2004 estabelece que a troca ocenica de
lastro poder ser utilizada at 2016 pelos navios construdos antes de 2009 e com capacidade
de gua de lastro menor que 1.500 ou maior que 5.000 metros cbicos.
Em qualquer das formas de gesto a bordo, troca ou tratamento, o risco da introduo
de organismos prejudiciais e espcies patognicas aquticas por meio da gua de lastro dos
navios no deixa de existir. Um sistema de avaliao de risco deve ser posto em prtica por
uma razo bsica, qual seja, melhorar a gesto da gua de lastro por parte das autoridades do
controle do Estado do Porto, pois a vantagem de tal sistema apontar para uma fiscalizao
mais profunda nos navios que representam maior risco. Uma vez que se decida por uma
abordagem seletiva, ser importante assegurar: um modo organizado de definir os alvos de
interesse, os navios com risco potencial; e as aes necessrias quanto descarga da gua de
lastro desses navios.
Toda avaliao de risco envolve incertezas. No caso da gua de lastro, predizer com
confiana se uma espcie ir sobreviver viagem e, posteriormente, em um novo ambiente ou
141
ainda, se esta espcie tornar-se- invasora, muito difcil, se no impossvel. Dessa forma,
quantificar o grau de similaridade entre os ambientes um ponto de partida importante na
avaliao de risco de introduo de espcies invasoras, juntamente com o conhecimento dos
padres de navegao (cabotagem/longo curso) e caractersticas da movimentao de carga
(exportao/importao) existente no porto.
importante mencionar que os resultados da avaliao de risco devem ser validados
por meio de, pelo menos, duas aes: o levantamento das espcies exticas presentes no porto
em estudo, bem como a sua origem; e a amostragem da gua de lastro dos navios que escalam
naquele porto. Essa amostragem deve estar associada a mtodos que permitam a identificao
das espcies presentes na gua que est sendo descarregada, com o uso, por exemplo, de
ferramentas genticas.
No h ainda uma definio consensual de quais variveis ambientais so preditivas
para o estabelecimento de espcies aquticas e, possivelmente, essas variveis podem ser
diferentes de acordo com o tipo de espcie. Alm disso, muitos dados normalmente
requeridos para descrever os ambientes aquticos no esto disponveis para certas regies.
Na avaliao de risco conduzida pelo Programa GloBallast, foram eleitos 34
parmetros como descritores dos ambientes porturios. O levantamento desses parmetros
envolveu muitas equipes e consulta a uma grande variedade de fontes de informaes,
alcanando reunir dados para 357 portos ao redor do mundo. Esse processo extensivo criou
um ambiente de dados com diferentes graus de qualidade e confiabilidade.
Para um determinado conjunto de dados podem existir diversas representaes que so
teis para propsitos distintos. Como diferentes mtodos apresentam resultados que
correspondem a diversas vises da realidade que se quer representar, a abordagem mais
adequada seja, talvez, utilizar os vrios mtodos de forma complementar. Com esse objetivo
142
em mente, a tese procurou abordar o problema por intermdio de metodologias abrangendo
desde a anlise multivariada de dados at as redes neuronais.
Na anlise de agrupamento o conjunto de dados foi explorado com o mtodo
hierrquico, onde se utilizou a tcnica de ligao de Ward, e no-hierrquico, com o mtodo
k-mdias. Quando comparados entre si, esses mtodos geraram resultados similares, como foi
observado por meio das matrizes de concordncia. A flexibilidade de realocar os portos na
busca da melhor soluo com determinado nmero k de grupos ao invs de simples
combinaes como no mtodo hierrquico , indica que mtodo k-mdias pode gerar grupos
com melhor interpretao.
Como as categorias no eram previamente determinadas e nem todos os valores de k
apresentavam, a priori, grupos plausveis, aplicou-se o mtodo k-mdias para diferentes
nmeros de grupos, ou seja, valores de k. A construo das matrizes de concordncia serviu
para escolher, dentre os diversos resultados, a soluo com 8 grupos como a melhor.
Os resultados da ACP no foram satisfatrios para a visualizao da relao dos portos
em termos de sua proximidade no espao bidimensional. O resultado mais interessante da
ACP est na interpretao das projees sobre os novos eixos construdos pelo mtodo
(componentes principais). No entanto, as componentes obtidas no retiveram informao
suficiente em relao varincia total, tornando difcil sua interpretao.
Por outro lado, a ACP mostrou ser um bom mtodo de aproximao. Seus resultados
so teis como configurao inicial para o MDS no-mtrico e para o SOM. No caso do MDS
no-mtrico, as configuraes iniciais foram testadas somente com posies aleatrias, pois o
software usado no dispunha da opo de utilizar o resultado da ACP para essas posies. No
SOM, as componentes principais serviram como indicativo da razo entre os lados do mapa e
para inicializar os pesos sinpticos de forma ordenada.
143
Como tcnicas de visualizao, o MDS no-mtrico e o SOM so competidores. Na
anlise das representaes grficas produzidas pelos dois mtodos foi possvel verificar as
diferenas nas propriedades dos resultados obtidos. O algoritmo do SOM concentra-se na
preservao de relaes de vizinhana dos dados, enquanto o MDS no-mtrico na
preservao de distncias entre esses dados. Assim, no SOM, as estruturas locais so
consideradas mais importantes, conduzindo a uma interpretao do mapa que seja feita,
predominantemente, com base nas relaes de proximidade dos neurnios no mapa.
Como o objetivo do trabalho foi identificar similaridades entre o porto em estudo e os
demais portos levantados, o algoritmo do SOM provou sua utilidade, sendo uma alternativa
no apenas vivel, mas til, principalmente se a anlise for realizada aliada a outros mtodos.
No mapa obtido, possvel visualizar portos que, mesmo pertencendo a outros grupos, esto
prximos, do ponto de vista de similaridade ambiental, Sepetiba. Portanto, so portos aos
quais os sistemas de inspeo de navios devem enfatizar suas aes de fiscalizao.
Tendo em vista os resultados alcanados, observou-se a efetiva aplicabilidade das
tcnicas de anlise de agrupamento e do MDS no-mtrico, os quais se mostraram eficientes
no tratamento de dados. Sem pretender comparar diferentes algoritmos, pode-se afirmar que,
na aplicao prtica estudada, foi possvel mostrar que as habilidades do SOM produziram
resultados iguais ou melhores aos obtidos pelos mtodos de anlise multivariada. Isso no
significa afirmar que as anlises feitas mostrem, em geral, uma superioridade do SOM sobre
os outros mtodos. Em outros conjuntos de dados o SOM pode ter um desempenho diferente.
Essa uma questo de pesquisa em aberto.
144
Referncias Bibliogrficas
Almeida, L.P., Leal Neto, A.C. Conveno internacional para controle e gesto de gua de
lastro: Conseqncias para o porto de Suape. 5o Seminrio sobre Meio Ambiente
Marinho. Sociedade Brasileira de Engenharia Naval. Rio de Janeiro, 2005.
Ashby, F.G., Perrin, N.A. Toward a unified theory of similarity and recognition.
Psychological Review, 95(1): 124-150. Janeiro, 1988.
Brandalize, M.C.B., Philips, J. Anlise da distribuio de bens imobilirios no Brasil.
GEODSIA online 2. Revista da Comisso Brasileira de Geodsia. 2002. (Disponvel
na internet em http://geodesia.ufsc.br/Geodesia-online/arquivo/2002/02/BP.htm)
Bottou, L., Bengio, Y. Convergence properties of the K-means algorithm. In Advances in
Neural Information Processing Systems, volume 7. MIT Press. 1995.
Brasil. Resoluo RDC n 217, de 21 de novembro de 2001. Aprova o Regulamento Tcnico,
anexo a esta Resoluo, com vistas promoo da vigilncia sanitria nos Portos de
Controle Sanitrio instalados no territrio nacional, embarcaes que operem
transportes de cargas e ou viajantes nesses locais, e com vistas a promoo da vigilncia
epidemiolgica e do controle de vetores dessas reas e dos meios de transporte que
nelas circulam. Agncia Nacional de Vigilncia Sanitria (ANVISA). Dirio Oficial da
Unio; Poder Executivo, de 21 de dezembro de 2001. 2001.
_____. Portaria N 52/DPC, de 14 de junho de 2005. Norma da Autoridade Martima para o
gerenciamento da gua de lastro de navios. Diretoria de Portos e Costas (DPC), Marinha
do Brasil. Dirio Oficial da Unio N 121, Poder Executivo, de 27 de junho de 2005.
2005.
_____. Diretrizes para o controle e gerenciamento da gua de lastro dos navios para
minimizar a transferncia de organismos aquticos nocivos e agentes patognicos.
Resoluo A.868(20)-IMO, Diretoria de Portos e Costas (DPC), Marinha do Brasil.
25p. 1998.
_____. Espcies exticas invasoras: Situao Brasileira. Ministrio do Meio Ambiente,
Secretaria de Biodiversidade e Florestas. 24 p. Braslia. 2006. (disponvel em:
http://www.mma.gov.br/invasoras/capa/docs/invasoras.zip)
Brosse, S., Giraudel, J.L., Lek, S. Utilisation of non-supervised neural networks and principal
component analysis to study fish assemblages. Ecological Modelling. 146:159-166. 2001.
145
Calow, P., Forbes, V.E. Malacca Straits: Initial risk assessment. MPP-EAS/Info/97/117, 82p.
GEF/UNDP/IMO Regional Programme for the Prevention and Management of Marine
Pollution Prevention in the East Asian, Quezon City, Filipinas. 1997.
Carlton, J.T. Transoceanic and interoceanic dispersal of coastal marine organisms: The
biology of ballast water. Oceanogr. Mar. Biol. Ann. Rev., 23, pp.313-371. 1985.
_____. Marine species introductions by ships ballast water: An overview. p. 2325. In:
M.R.Devoe. (ed.) Introductions & transfers of marine species. Achieving a balance
between economic development and resource protection. Proceedings of the Conference
and Workshop, October 30 - November 2, 1991, Hilton Head Island, South Carolina.
S.C. Seagrant Consortium. Estados Unidos. 1993.
_____. The scale and ecological consequences of biological invasions in the worlds ocean.
In Invasive Species and Biodiversity Management (O.T. Sandlund, P.J. Schei, and .
Viken, eds.) Kluwer Academic Publishers. pp. 195-212. Dordrecht, Holanda. 1999.
_____. Introduced species in U.S. coastal waters: Environmental impacts and management
priorities. Pew Oceans Commission, Arlington, Virginia, Estados Unidos. 2001.
Cataldo, D. H., Boltovskoy, D. Yearly reproductive activity of Limnoperna fortunei (Bivalvia)
as inferred from the occurrence of its larvae in the plankton of the lower Parana River
and the Rio de La Plata estuary (Argentina). Aquatic Ecology 34(3): 307-317. 2000.
Carvalho, L.A.V. Datamining: A minerao de dados no marketing, medicina, economia,
engenharia e administrao. So Paulo: Ed. rica. 2001.
Carvalho, L.A.V., Mendes, D.Q., Wedemann, R.S. Creativity and delusions: The
dopaminergic control of cortical maps. In: (Org.) Lecture Notes in Computer Science.
Berlim: Springer Verlag, 2757: 511-520. 2003.
Caudill, M. Neural networks primer. So Francisco: Miller Freeman. EUA, 1989.
Chapman, J.W., Carlton J.T. A test of criteria for introduced species: The global invasion by
the isopod Synoditea laevidorsalis (Miers 1881). Journal of Crustacean Biology 11-3:
386-400. 1991.
_____. Predicted discoveries of the introduced isopod Synidotea laevidorsalis (Miers, 1881).
Journal of Crustacean Biology 14-4: 700-714. 1994.
146
Chon, T.S., Park, Y.S., Moon, K.H., Cha, E.Y. Patternizing communities by using an
artificial neural network. Ecological Modelling 90: 6978. 1996.
Clarke, C., Hilliard, R., Junqueira, A. de O.R., Leal Neto, A.C., Polglaze, J., Raaymakers, S.
Ballast water risk assessment, Port of Sepetiba, Federative Republic of Brazil: Final
Report. GloBallast Monograph Series No. 14. IMO London. 2004.
Clarke, K.R., Gorley, R.N. PRIMER v5: User manual / Tutorial. PRIMER-E: Plymouth,
United Kingdom. 2001.
Clarke, K.R., Warwick, R.M. Change in marine communities: An approach to statistical
analysis and interpretation. 2nd Edition. PRIMER-E: Plymouth, United Kingdom. 2001.
Cohen, A. N., Carlton, J. T. Non-Indigenous aquatic species in a United States estuary: A
case study of the biological invasions of the San Francisco bay and delta. Report for the
United States Fish and Wildlife Service, Washington D.C. and The National Sea Grant
College Program, Connecticut Sea Grant. Estados Unidos. 1995. (Disponvel na internet
em: http://www.sgnis.org/publicat/cc1.htm)
Cranfield, H.J., Gordon, D.P., Willan, R.C., Marshall, B.A., Battershill, C.N., Francis, M.P.,
Nelson, W.A., Glasby, C.J., Read, G.B. Adventive marine species in New Zealand.
National Institute of Water and Air Research (NIWA). Technical Report 34. 48p.
Auckland, Nova Zelndia. 1998.
Damsio, A.R. O erro de descartes: emoo, razo e crebro humano. 5a. Ed. Companhia
das Letras. Rio de Janeiro. 1994.
DeSieno, D. Adding a conscience to competitive learning. In: IEEE International Conference on
Neural Networks (San Diego, 1988), vol. I, 117-124. Nova Iorque: IEEE. EUA, 1988.
Endresen, ., Srgrd, E., Behrens, H.L., Andersen, A.B. How much ballast?. In: Ballast
Water News. Issue 14. pp. 6-7. Global Ballast Water Management Programme. 2003.
Fasham, M.J.R. A comparison of nonmetric multidimensional scaling, principal components
and reciprocal averaging for the ordination of simulated coenoclines, and coenoplanes.
Ecology 58: 551-561. 1977.
Fernandes, F.C., Leal Neto, A.C. Agua de lastre como va de introduccin de especies a nivel
global. In: Bio-invasin del mejilln dorado en el continente americano. Eds. Darrigran,
G. e Damborenea, M.C. Editorial de la Universidad de La Plata-EDULP, 220 pp., La
Plata. Argentina, 2006.
147
Fontes Jnior, H.M. A presena do bivalve invasor Limnoperna fortunei na Hidroeltrica de
Itaipu. II Seminrio Brasileiro sobre gua de Lastro. Resumos. 2002.
Gevrey, M., Worner, S.P., Kasabov, N., Pitt, J., Giraudel, J-L. Estimating risk of events using
SOM models: A case study on invasive species establishment. Ecological Modelling.
197: 361-372. 2006.
Gollasch, S. Removal of barriers to the effective implementation of ballast water control and
management measures in developing countries. GEF/IMO/UNDP Report. 197 pp. 1997.
Hair, J.F., Anderson, R.E., Tatham, R.L., Black, W.C. Anlise Multivariada de Dados. 5ed.
Porto Alegre: Bookman, 2005.
Haykin, S. Neural networks: A comprehensive foundation. Macmillan, Englewood Cliffs, NJ,
1994.
_____. Redes neurais: Princpios e prtica. 2a Edio. Bookman. 2001.
Hertz, J.A., Palmer, G.R., Krogh, A.S. Introduction to the theory of neural computation.
Santa Fe Institute studies in the science of complexity. Addison-Wesley, Redwood City,
CA, 1991.
Hewitt, C.L., Hayes, K.M. Risk assessment of marine biological invasions. In: Leppakoski,
E., Gollasch, S. & Olenin, S. (eds). Invasive aquatic species of Europe: Distribution,
impacts and management. Kluwer Academic Publishers, Dordrecht, Holanda. pp. 456466. 2002.
Hilliard, R.W., Hutchings, P.H., Raaymakers, S. Ballast water risk assessment for 12
Queensland ports: Stage 4 Report - Review of candidate risk biota. EcoPorts
Monograph Series No 13, published by Ports Corporation of Queensland, Brisbane.76
pp. Austrlia. 1997.
Hotelling, H. Analysis of a complex of statistical variables into principal components. Journal
of Educational Psychology. 24: 417-441, 498-520. 1933.
Hsu, C-Y., Wu, H-E. An improved algorithm for Kohonen's self-organizing feature maps.
Proceedings. IEEE International Symposium on Circuits and Systems, ISCAS '92.
1:328-331. San Diego, USA. 1992.
148
ICS, INTERTANKO. Model for a ballast water management plan. International Chamber of
Shipping & International Association of Independent Tanker Owners. 2nd edition. 68 pp.
2000.
IMO. Conveno Internacional sobre Controle e Gesto da gua de Lastro e Sedimentos de
Navios. International Maritime Organization. Londres. 2004.
IUCN. Position statement on translocation of living organisms: Introductions,
reintroductions and re-stocking. Approved by the 22nd Meeting of the International
Union for the Conservation of Nature and Natural Resources Council, Gland, Sua,
Setembro, 1987.
_____. Guidelines for the prevention of biodiversity loss caused by alien invasive species.
Approved by the 51st Meeting of the International Union for the Conservation of Nature
and Natural Resources Council, Gland, Sua, Fevereiro 2000. (Disponvel na internet:
http://www.iucn.org/places/medoffice/invasive_species/docs/iucn_guidline_prev_bio.pdf)
Jain, A.K., Mao, J., Mohiuddin, K. Artificial neural networks: A tutorial. IEEE Computer
Special Issue on Neural Computing. Maro, 1996.
Jain, A.K., Duin, R.P.W., Mao, J. Statistical pattern recognition: A review. IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no 1, pp. 4-37.
Janeiro, 2000.
Junqueira, A.O.R., Leal Neto, A.C. Avaliao de risco de gua de lastro. 4o Seminrio sobre
Meio Ambiente Marinho. Sociedade Brasileira de Engenharia Naval. Rio de Janeiro, 2003.
Kaski, S. Data exploration using self-organizing maps. Tese de D.Tech., Helsinki University
of Technology. Finlndia, 1997.
Kaski, S. Kangas, J., Teuvo Kohonen. Bibliography of self-organizing map (SOM) papers:
19811997. Neural Computing Surveys, 1: 102-350. 1998.
Kiviluoto, J. Topology preservation in self-organizing maps. In Proceedings of the
International Conference on Neural Networks (ICNN96), 1: 294299, Piscataway, New
Jersey, USA, IEEE Neural Networks Council, June, 1996.
Kohavi, R., Provost, F. On applied research in machine learning. Editorial for the special
issue on applications of machine learning and the knowledge discovery process.
Machine Learning. Kluwer Academic Publishers. Vol 30, N. 2/3, February/March. pp.
271-274. 1998.
149
Kohonen, T. The self-organizing map. Proceedings of the IEEE, vol. 78, 9:1464-1480,
Setembro, 1990.
_____. Self-organizing maps. Springer series in information sciences. Volume 30. Springer,
Berlin, Heidelberg, 2nd edition. 426p. 1997.
_____. The self-organizing map. Neurocomputing 21: 1-6. 1998.
Kohonen, T., Hynninen, J., Kangas, J., Laaksonen, J. SOM_PAK: the self-organizing map
program package. Version 3.1 Helsinki University of Technology, Laboratory of
Computer and Information Science, Espoo, Finland, 1995.
Kruskal, J.B. Multidimensional scaling by optimizing goodness of fit to a nonmetric
hypothesis. Psychometrika 29: 1-27. 1964.
Laaksonen, J., Koskela, M., Laakso, S., Oja, E. Self-organising maps as a relevance feedback
technique in content-based image retrieval. Springer-Verlag. Proceedings of Pattern
Analysis & Applications 4:140-152. 2001.
LATEC/COPEL. Mexilho dourado: Estado da arte das pesquisas relacionadas ao mexilho
dourado Limnoperna fortunei. Projeto P&D ANEEL-CGER023. Instituto Tecnolgico
para o Desenvolvimento - LATEC / Companhia de Energia Eltrica do Paran COPEL. Curitiba, 2003.
Leal Neto, A.C. Ballast water management activities in Brazil. 1st International Conference
on Ballast Water Management: Best Practices & New Directions. Environmental
Technology Institute. Cingapura, 2001.
Leal Neto, A.C., Jablonski, S. O Programa GloBallast no Brasil. In: gua de Lastro e Bioinvaso.
Eds. Silva, J.S.V. e Souza, R.C.C.L. Editora Intercincia. Rio de Janeiro, 2004.
Legendre, L., Legendre, P. Numerical ecology. 2nd English edition. Developments in
environmental modeling, 20, Elsevier, New York, 853 pp. 1998.
Lodge, D.M., Williams, S., MacIsaac, H.J., Hayes, K.R., Leung, B., Reichard, S., Mack, R.N.,
Moyle, P.B., Smith, M., Andow D.A., Carlton, J.T., McMichael, A. Biological
invasions: Recommendations for U.S. policy and management. Ecological Society of
America (ESA) Report. Ecological Applications, 16(6): 2035-2054. 2006.
Ludwig, J.A., Reynolds, J.F. Statistical ecology. A primer on methods and computing.
Wiley and Sons, Inc., New York, 1988.
J.
150
MacQueen, J.B. Some methods for classification and analysis of multivariate observations.
In: Proceedings of 5th Berkeley Symposium on Mathematics, Statistics and Probability,
Berkeley, University of California Press, 1:281-296. 1967.
Mansur, M.C.D. Moluscos bivalves asiticos introduzidos no sul do Brasil: registros,
densidades populacionais e conseqncias. I Seminrio Brasileiro sobre gua de
Lastro. Resumos. 2000.
Mansur, M.C.D., Darrigran, G. Distribucin, abundancia y dispersin. In: Bio-invasion del
mejilln dorado en el continente americano. Gustavo Darrigran y Cristina Damboronea
Eds. 1ed. Editorial de la Universidad Nacional de La Plata - EDULP. La Plata,
Argentina. 2006.
MathWorks. Neural network toolbox. Users guide - Version 4. The MathWorks, Inc. 2005.
McConnell, M. GloBallast legislative review - Final report. GloBallast Monograph Series No
1. IMO. Londres. 2002.
Melssen, W.J., Smits, J.R.M., Rolf, G.H., Kateman, G. Two-dimensional mapping of IR
spectra using a parallel implemented self-organising feature map. Chemometrics and
Intelligent Laboratory Systems 18: 195-204. 1993.
Merkl, D. Content-Based software classification by self-organization. Proceedings of the
IEEE International Conference on Neural Networks (ICNN95). Nov 27 - Dec 1. pp
1086-1091. Perth. Australia.1995.
Miranda, J.M. Redes neurais de Kohonen como modelos da topografia do sistema visual.
Dissertao de mestrado. COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1998.
MPP-EAS. Environmental risk assessment manual: A practical guide for tropical ecosystems.
MPP-EAS Technical Report 21, 88p. GEF/UNDP/IMO Regional Programme for the
Prevention and Management of Marine Pollution Prevention in the East Asian, Quezon
City, Filipinas. 1999.
Oja, M., Kaski, S., Kohonen, T. Bibliography of self-organizing map (SOM) Papers: 19982001 Addendum. Neural Computing Surveys 3, 1-156, 2002.
Ostenfeld, C. H. On the immigration of Biddulphia sinensis Grev. and its occurrence in the
North Sea during 1903-1907. Medd. Komm. Havunders, Ser. Plankton, 1(6): 1-46. 1908.
151
Pielou, E.C. The interpretation of ecological data. A primer on classification and ordination.
Wiley, New York, 263 pp. 1984.
Plzlbauer, G. Survey and comparison of quality measures for self-organizing maps.
Proceedings of the 5th Workshop on Data Analysis (WDA'04). pp. 67-82, 2004.
Romais, D.K., Graf Neto, J., Zenni, R.D., Ribeiro, R.C., Ziller, S.R. Resultados preliminares
do informe nacional de espcies exticas invasoras. I Simpsio Brasileiro sobre
Espcies Exticas Invasoras. Braslia, Outubro, 2005.
Ross, P.E. As I see it: Flash of genius. Forbes, pp. 98-104. November. 1998.
Royal Haskoning. Global market analysis of ballast water treatment technology. Report
42810/001R/HSC/SKO.
Holanda.
2001.
(Disponvel
na
internet
em:
http://www.nemw.org/Haskoningreport.pdf)
Ruiz, G.M., Rawlings, T.K., Dobbs, F.C., Drake, L.A., Mullady, T., Huq, A., Colwell, R.R.
Global spread of microorganisms by ships. Nature 408: 49-50. 2000.
SCOPE. Environmental risk assessment. International White, A. & Burton, I. eds.
International Council of Scientific Unions. Scientific Committee on Problems of the
Environment-SCOPE. J. Wiley. 157 p. 1980.
Santini, S., Jain, R. The use of psychological similarity measure for queries in image
databases. Technical report, Visual Computing Laboratory, University of California
San Diego, 1996.
_____. Similarity is a geometer. Multimedia Tools and Applications, 5(3): 277-306. 1997.
_____. Similarity measures. IEEE Transactions on Pattern Analysis and Machine Intelligence,
21(9): 871-883. Setembro. 1999.
Sneath, P.H.A., Sokal, R.R. Numerical Taxonomy. Freeman, San Francisco. 1973.
Shepard, R.N. The analysis of proximities: multidimensional scaling with an unknown
distance function. Psychometrika. 27: 125-140. 1962.
Tversky, A. Features of similarity. Psychological Review, 84(4): 327-352. Julho, 1977.
152
Ultsch, A. Self-organizing neural networks for visualization and classification. In Proc. GfKl,
Dortmund, Alemanha. 1992.
_____. Self organizing neural networks perform different from statistical k-means clustering.
Gesellschaft fr Klassifikation, Basel. 1995. (Disponvel na internet em:
http://www.mathematik.uni-marburg.de/~databionics/en//downloads/papers/ultsch95kmeans.pdf)
Ultsch, A., Mrchen, F. ESOM-Maps: tools for clustering, visualization, and classification
with Emergent SOM. Technical Report No. 46, Dept. of Mathematics and Computer
Science, University of Marburg, Germany. 2005. (Disponvel na internet em:
http://www.mathematik.uni-marburg.de/~databionics/en//downloads/papers/ultsch05esom.pdf)
Valentin, J.L. Ecologia numrica: Uma introduo anlise multivariada de dados

ecolgicos. Rio de Janeiro. Intercincia. 2000.
Vesanto, J., Himberg, J., Alhoniemi, E., Parhankangas, J. SOM Toolbox for Matlab 5. Report
A57. Finland. 2000.
Vesanto, J. Data exploration process based on the Self-Organizing Map. Dissertation for the
degree of Doctor of Technology. Helsinki University of Technology. Espoo, Finland. 2002.
Vesanto, J., Sulkava, M., Hollmen, J. On the decomposition of the self-organizing map
distortion measure. Proceedings of the Workshop on Self-Organizing Maps
(WSOM'03), pp 11-16, Hibikino, Kitakyushu, Japo, Setembro, 2003.
Wasserman, P.D. Neural computing: Theory and practice. Van Nostrand Reinhold. Nova
Iorque. 1989.
Wolda, H. Similarities indices, sample size, and diversity. Oecologia, 50: 296-302. 1981.
Wonnacott, T.H., Wonnacott, R.J. Introductory statistics for business and economics. John
Wiley & Sons, Inc. Fourth Edition. 1990.
Worner, S.P., Gevrey, M. Modelling global insect pest species assemblages to determine risk
of invasion. Blackwell Publishing. Journal of Applied Ecology. 43-5: 858-867. 2006.
153
Anexo 1 - Vetores comuns de bioinvaso marinha
154
Navios
Organismos planctnicos e nectnicos na
gua de lastro
Organismos livres ou incrustados no casco,
quilha, leme, hlice, eixo da hlice e nos
sistemas de circulao de gua do mar,
caixa de mar, gua de lastro e em tanques
de carga lastrados
Organismos associados ncora, amarras e
caixa da ncora e amarras
Organismos associados carga, como
troncos de madeira que flutuam durante o
carregamento
Plataformas
Organismos incrustantes ssseis e vgeis
gua de lastro
Diques Secos
Organismos livres ou incrustantes
gua de lastro
Bias de Navegao e Flutuantes
Avies-anfbio e Hidroavies
Organismos na gua dos flutuadores
Canais
Movimento de organismos atravs de
canais de nvel, de comportas e de
irrigao
Aqurios Pblicos
Descarte acidental ou intencional de
organismos em exposio
Descarte acidental ou intencional de
organismos acidentalmente transportados
com a espcie de interesse para exposio
Pesquisa
Movimento e descarte de invertebrados,
peixes, macroalgas, e gramas utilizadas em
pesquisa (intencional ou acidental)
Organismos associados ao equipamento de
coleta e pesquisa, como material de
mergulho (roupas ou apetrechos)
Detritos Marinhos Flutuantes
Transporte de organismos em detritos
gerados pelo Homem, como redes
flutuantes e plstico
Equipamento de Recreao
Movimento de embarcaes de recreao
de pequeno porte, material de mergulho
(roupas e apetrechos), jet skis e materiais
similares
Fonte: Carlton (2001)
Pesca, inclusive Aqicultura Marinha

(Maricultura)
Transplante ou cultivo de produtos como
ostras, mexilhes, vieiras, caranguejos,
lagostas, peixes ou macroalgas em mar
aberto, para crescimento ou
rejuvenescimento; e outros organismos
associados estruturas de transporte e
cultivo
Lanamento intencional de espcies de
moluscos, crustceos, peixes e macroalgas,
como resultado tanto de empreitada oficial
e governamental como em iniciativa
privada e ilegal
Melhoramento de estoque, normalmente
em andamento, alm de organismos
associados espcie alvo, transportados
acidentalmente
Movimento de organismos vivos para fins
comerciais de revenda, mas descartados no
ambiente
Processamento de fruto do mar fresco ou
congelado, seguido de descarte de restos
no ambiente, o qual pode incluir
organismos associados vivos ou encistados
Movimento de iscas vivas com
subseqente descarte no ambiente
Descarte de material de embalagem - como
macroalgas e organismos associados
usados em isca viva e frutos do mar
Movimento, transporte e deriva de
apetrechos de pesca como redes,
flutuantes, armadilhas e dragas
Lanamento de organismos como alimento
para outras espcies
Organismos transportados acidentalmente
ou intencionalmente em pocetos ou
tanques de coleta de gua, embornais do
navio ou outros recursos no convs
Lanamento de estoques transgnicos
organismos geneticamente modificados
(GM)
Movimento de macroalga e organismos
associados para servir de substrato quando
da desova de peixes
Aqurios Domsticos
Movimento e descarte de invertebrados,
peixes, macroalgas e gramas (intencional
ou acidental)
Restaurao
Movimento de vegetao de marismas e de
manguezal, de dunas ou gramas marinhas e
organismos associados
Re-estabelecimento de populaes nativas
extintas ou dizimadas e transporte
acidental de organismos associados
Educao
Descarte de espcies por escolas e
faculdades aps uso em aula prtica
155
Anexo 2 - Parmetros da anlise de similaridade ambiental do sistema GloBallast/URS
156
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
Descritor
Tipo do porto
Temperatura mdia da gua durante a estao mais quente
Temperatura mxima da gua da estao mais quente
Temperatura mdia da gua durante a estao mais fria
Temperatura mnima da gua da estao mais fria
Temperatura mdia do ar do dia na estao mais quente
Temperatura mxima do ar do dia na estao mais quente
Temperatura mdia do ar da noite na estao mais fria
Temperatura mnima do ar da noite na estao mais fria
Salinidade mdia durante o perodo chuvoso 2
Salinidade mnima do perodo chuvoso
Salinidade mdia durante o perodo seco 2
Salinidade mxima do perodo seco
Variao mdia da mar de sizgia
Variao mdia da mar de quadratura
Precipitao total nos 6 meses mais secos
Precipitao total nos 6 meses mais chuvosos
Nmero de meses com 75% do total da precipitao anual 3
Distncia entre os beros e a foz de rio mais prximo 4
Tamanho da bacia hidrogrfica
Cais de paredes verticais
Quebra-mar / espiges
Per de pilares de madeira 6
Salina
Praia arenosa
Praia de seixos ou cascalho
Plancie de mar (lamosa)
Manguezal
Costo rochoso
Fundo arenoso com conchas
Fundo lamoso-siltoso
Grama marinha
Infralitoral rochoso
Recife de coral
Tipo
Categorizada (1-6) 1
Escalar (oC)
Escalar (ppm)
Escalar (m)
Escalar (m)
Escalar (mm)
Escalar (mm)
Inteiro
Escalar (km)
Escalar (km2)
Categorizada (0-5) 5
Cdigo
PTYPE
MSUWT
USUWT
MWNWT
LWNWT
MSART
USART
MWART
LWART
MWSAL
LWSAL
MDSAL
UDSAL
MSPR
MNER
D6MRF
W6MRF
RNFL75
DISRVM
SIZRVC
INASMW
INARKW
INAWP
INHTSM
INSNDB
INSTNB
INLTMF
INMANG
INRKSH
SUFSND
SUSFTM
SUSGRM
SURKRF
SUCORF
Fonte: adaptado de Clarke et al. (2004) p.15

1
- terminal offshore ou bia / baa natural / porto abrigado dentro de molhes / canal de mar / esturio / rio
- Para fins de uniformizao, considerou-se para os portos do Brasil a estao chuvosa entre os meses de
novembro a abril; e a estao seca de maio a outubro.
3
- Durao do pico das vazes
4
- O valor negativo se o porto estiver localizado dentro do rio
5
- Distncias entre o porto e os habitats marinhos prximos. As distncias medidas nas cartas nuticas da rea do
porto so categorizadas conforme a seguinte conveno:
<1 km
5
1-5 km
4
5-10 km
3
10-50 km
2
50-100 km
1
>100 km
0
2
- Marinas antigas e per de barcos de pesca
157
Anexo 3 - Base de Dados GloBallast
158
o
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Nome do Porto
Sepetiba
Abu Dhabi
Mina Zayed
Das Island
Port Rashid
Dubai
Fateh Oil Terminal
Fujairah
Jebel Ali
Jebel Dhanna
Khor Al Fakkan (Tanker Anchorage)
Um Al Qiwain
Ruwais Oil Terminal
Sharjah
Zirku Island
Buenos Aires
Campana
Dampier
Port Walcott (Cape Lambert)
Port Bonython
Whyalla
Port Pirie
Port Stanvac
Western Port (now Hastings; AUHAS)
Port Kembla
Brisbane
Bundaberg
Gladstone
Port Alma
Hay Point (Dalrymple Bay)
Dallrymple Bay (Hay Point)
Mackay
Abbot Point
Townsville
Lucinda
Mourilyan
Cairns
Cape Flattery
Weipa
Karumba
Chittagong
Antwerpen
Ghent (Gent)
Bourgas
Varna, Bulgaria
Sitra (Bahrain)
Mina Sulman (Al Manamah)
Itajai
Paranagu
Santos
Rio de Janeiro
Ponta do Ubu
Vitria
Praia Mole
Tubarao
Salvador
Come By Chance
Sept-Iles (Pointe Noire) Quebec
Halifax Nova Scotia
La Have
CDIGO
BRSPB
AEAUH
AEMZD
AEDAS
AEPRA
AEDXB
AEFAT
AEFJR
AEJEA
AEJED
AEKLF
AEQIW
AERUW
AESHJ
AEZIR
ARBUE
ARCMP
AUDAM
AUPWL
AUPBY
AUWYA
AUPPI
AUPST
AUWEP
AUPKL
AUBNE
AUBDB
AUGLT
AUPTL
AUHPT
AUPDT
AUMKY
AUABP
AUTSV
AULUC
AUMOU
AUCNS
AUCQP
AUWEI
AUKRB
BDCGP
BEANR
BEGNE
BGBOJ
BGVAR
BHMAN
BHMIN
BRITJ
BRPNG
BRSSZ
BRRIO
BRPOU
BRVIX
BRPRM
BRTUB
BRSSA
CACBC
CASEI
CAHAL
CALHA
22
24
24
25
25
25
25
25
25
24
25
25
24
25
24
34
34
20
20
33
33
33
35
38
34
27
24
23
23
21
21
21
19
19
18
17
16
14
12
17
22
51
51
42
43
26
26
26
25
23
22
20
20
20
20
12
47
50
44
44
Lat
55.3
32.0
32.0
9.0
16.0
16.0
36.0
10.0
0.0
12.0
24.0
36.0
7.8
22.0
52.2
34.0
9.0
39.0
37.0
1.0
1.8
10.2
6.0
18.0
28.2
22.8
46.0
51.0
35.0
16.0
16.2
6.0
53.0
15.0
31.0
37.0
55.0
59.0
35.0
29.0
13.0
14.0
4.2
30.0
12.0
9.0
13.0
54.0
30.1
55.0
53.8
47.0
19.2
17.3
17.3
58.4
28.8
11.0
39.0
17.0
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
S
N
N
N
N
N
N
N
S
S
S
S
S
S
S
S
S
N
N
N
N
43
54
54
52
55
55
54
56
55
52
56
55
52
55
53
58
58
116
117
137
137
138
138
145
150
153
152
151
150
149
149
149
147
146
146
146
145
145
141
140
91
4
3
27
27
50
50
48
48
46
43
40
40
40
40
38
54
66
63
64
Long
51.0
23.0
23.0
52.0
16.0
16.0
31.2
21.0
3.0
40.0
22.0
37.0
43.8
23.0
4.2
23.0
58.2
43.0
11.0
46.0
24.0
1.8
28.0
13.2
54.0
9.6
23.0
15.0
52.0
19.0
19.2
20.0
5.0
50.0
19.0
7.0
47.0
21.0
36.0
50.0
48.0
28.0
42.0
28.8
57.0
40.0
36.0
39.7
31.5
20.0
11.0
35.0
19.1
14.5
14.6
31.0
0.6
23.0
34.0
21.0
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
E
E
E
E
S
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
W
W
W
W
W
W
W
W
W
W
W
PTYPE
2
3
3
1
3
3
1
1
3
1
1
4
1
3
1
5
6
4
1
2
3
2
1
2
3
5
5
4
5
1
1
3
1
3
1
5
4
2
5
6
5
6
6
3
3
1
3
6
5
4
2
1
5
3
3
2
2
2
2
5
MSUWT
22.0
30.5
30.5
30.0
30.5
30.5
30.0
30.0
30.5
30.0
30.0
30.5
30.0
30.5
30.0
24.0
24.0
26.5
26.5
20.0
19.5
20.0
20.5
18.0
18.5
24.0
25.7
26.0
26.8
27.0
27.0
26.2
28.4
28.2
28.0
30.0
27.0
28.0
30.0
30.0
29.0
17.0
17.0
24.2
21.7
32.0
32.0
26.2
27.5
26.5
27.5
24.0
25.0
24.0
24.0
26.5
16.0
11.0
14.5
11.0
USUWT
25.5
35.5
35.5
35.2
34.6
34.6
35.2
32.0
34.6
35.2
32.0
34.6
35.2
34.6
35.2
27.0
27.0
31.0
31.0
22.0
21.5
21.5
22.0
20.0
21.0
27.0
29.2
28.5
28.7
30.0
30.0
31.0
32.4
32.4
31.0
33.0
31.0
30.0
33.0
32.0
32.4
20.0
20.0
26.5
25.9
35.0
35.0
28.0
30.0
30.5
31.0
27.0
28.0
27.0
27.0
30.2
17.0
13.0
16.0
13.0
MWNWT
19.0
21.0
21.0
22.5
23.0
23.0
22.5
22.0
21.0
22.5
21.5
21.0
22.5
23.0
22.5
15.0
15.0
23.0
23.0
14.5
14.5
14.5
14.5
13.5
17.5
20.0
19.8
22.0
21.1
21.5
21.5
19.5
23.4
23.0
24.0
27.0
23.6
24.0
28.5
28.0
25.0
5.0
5.0
6.5
5.9
17.0
17.0
19.1
21.4
21.5
23.4
23.0
22.0
23.0
23.0
25.2
2.0
-1.0
2.0
2.0
LWNWT
17.2
16.0
16.0
16.9
16.0
16.0
16.9
16.5
16.0
16.9
16.5
16.0
16.9
16.0
16.9
13.0
13.0
19.0
20.0
12.0
12.0
12.0
13.0
11.0
15.0
17.5
15.7
20.0
19.5
19.0
19.0
18.0
19.3
19.0
21.0
23.0
18.5
21.0
24.0
24.0
19.0
0.0
0.0
0.5
-0.5
14.0
14.0
17.5
13.0
17.0
19.0
21.0
20.0
21.0
21.0
19.5
-1.0
-6.0
-0.5
-2.0
MSART
25.4
36.5
36.5
31.0
33.0
33.0
31.0
32.8
31.0
31.0
32.8
31.0
31.0
33.0
31.0
26.0
26.0
36.0
36.0
27.0
28.0
28.0
26.0
25.2
25.0
29.2
29.0
31.0
29.0
29.0
29.0
30.5
31.0
31.5
31.0
31.0
32.0
31.0
33.0
32.0
30.0
21.5
21.0
24.5
24.0
36.5
36.5
23.0
22.0
23.7
25.4
25.8
25.8
25.8
25.8
26.1
15.0
18.0
22.5
22.5
USART
38.2
45.0
45.0
42.0
47.0
47.0
42.0
40.0
47.0
42.0
42.0
47.0
42.0
47.0
43.0
34.0
35.0
45.0
45.0
35.0
36.0
36.0
39.0
34.0
36.0
39.0
36.6
38.0
39.1
36.6
36.6
36.6
37.4
40.8
37.0
38.5
38.3
38.4
37.0
38.0
33.0
30.0
28.0
38.0
38.0
45.0
45.0
30.6
40.0
39.0
38.2
39.0
39.0
39.0
39.0
34.7
23.0
26.0
27.0
27.0
MWART
22.0
19.0
19.0
21.5
19.0
19.0
21.5
24.0
23.0
21.5
24.0
23.0
21.5
19.0
21.5
5.0
4.0
14.0
14.0
7.5
5.8
5.8
14.0
6.5
8.8
9.0
16.0
14.0
11.0
14.0
14.0
14.8
18.0
15.5
18.0
18.0
17.5
22.0
19.2
18.5
19.0
2.2
1.8
4.3
3.5
18.0
18.0
17.6
17.2
19.0
22.0
22.7
22.7
22.7
22.7
24.3
-2.0
-17.0
-8.0
-8.0
LWART
11.1
8.0
8.0
12.0
8.0
8.0
12.0
14.0
8.0
12.0
14.0
8.0
12.0
8.0
12.0
0.0
-3.0
7.0
7.0
1.0
0.5
0.5
3.0
-4.0
0.0
2.0
5.1
8.0
6.0
6.7
6.7
6.7
9.4
6.0
14.5
8.4
9.2
11.3
12.5
14.2
13.0
-4.0
-5.0
-16.0
-17.0
12.0
12.0
1.3
2.4
6.4
11.1
14.2
14.2
14.2
14.2
19.8
-12.0
-30.0
-20.0
-20.0
MWSAL
30.5
38.0
38.0
38.0
38.5
38.5
38.0
35.5
38.5
39.0
35.5
38.5
39.0
38.5
38.0
10.0
0.0
34.8
34.9
36.1
35.4
36.5
36.3
35.3
34.5
26.0
35.1
34.1
30.0
34.9
34.9
35.0
34.7
34.7
34.4
33.0
34.4
33.6
33.0
24.0
2.0
0.0
0.0
17.0
16.8
40.0
40.0
3.0
20.5
28.0
23.4
36.0
20.5
36.0
36.0
36.0
31.5
26.0
30.0
25.0
LWSAL
20.0
38.0
38.0
37.5
37.0
37.0
37.5
35.0
37.0
38.0
35.0
37.0
38.0
37.0
37.5
0.0
0.0
34.1
33.8
36.0
35.1
35.8
35.8
35.0
32.0
4.0
25.0
31.0
20.0
33.0
33.0
31.0
24.3
22.0
20.0
9.0
5.0
32.0
20.0
0.0
0.0
0.0
0.0
16.4
16.1
38.0
38.0
0.0
10.5
24.0
17.2
35.0
12.0
35.0
35.0
35.0
31.0
24.0
28.0
15.0
MDSAL
30.5
39.5
39.5
39.0
40.0
40.0
39.0
36.0
40.0
39.5
36.0
40.5
39.5
40.0
39.0
15.0
0.0
35.1
35.1
36.2
35.5
37.2
36.4
35.4
35.2
33.0
35.4
35.2
35.0
35.3
35.3
35.3
35.3
35.0
35.0
35.0
35.0
35.0
35.0
35.0
7.0
0.0
0.0
18.1
17.9
42.0
42.0
4.9
27.0
28.5
27.6
37.0
27.0
37.0
37.0
37.0
32.0
28.0
31.0
29.0
UDSAL
34.0
42.0
42.0
40.5
42.0
42.0
40.5
37.0
42.0
41.0
37.0
42.0
41.0
42.0
40.5
25.0
0.0
35.5
35.5
36.3
35.8
38.0
36.5
35.5
35.6
35.0
36.0
35.5
36.0
36.5
36.5
36.5
36.5
36.2
37.0
36.0
35.3
35.5
36.0
39.0
12.0
0.0
0.0
19.5
19.3
43.0
43.0
15.0
34.0
33.5
30.9
39.0
34.0
39.0
39.0
39.0
32.5
30.0
32.0
31.0
MSPR
1.4
1.6
1.6
0.6
2.1
2.1
0.8
1.8
1.1
0.8
1.8
1.1
0.8
2.1
0.8
1.3
0.0
5.6
6.0
2.6
2.3
2.7
2.1
3.3
2.0
2.3
2.4
4.0
4.0
4.8
4.8
4.5
2.0
2.3
2.2
1.8
1.8
1.7
2.2
3.3
4.9
0.0
0.0
0.1
0.1
1.6
1.8
1.2
1.6
1.3
1.2
1.4
1.3
1.3
1.3
2.2
2.6
3.5
2.0
2.1
MNER
0.7
0.4
0.4
0.2
0.3
0.3
0.2
1.0
0.2
0.2
1.0
0.6
0.2
0.2
0.2
0.6
0.0
2.8
2.9
1.6
1.6
1.7
1.4
2.2
1.1
1.3
1.2
1.7
1.9
2.2
2.2
2.1
0.8
0.6
0.6
0.5
0.4
0.4
0.7
2.5
2.1
0.0
0.0
0.0
0.0
0.9
0.9
0.3
0.4
0.4
0.9
0.6
0.5
0.4
0.4
0.9
1.7
1.6
1.3
1.6
159
o
N
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
Nome do Porto
Vancouver (British Columbia)
Roberts Bank (British Columbia)
Guangzhou Guangdong
Chiwan (Shenzhen) Guangdong
Dalian Liaoning
Huangpu Guangdong
Beilun Zhejiang
Ningbo (Beilun) Zhejiang
Shanghai Shanghai
Shanghai Baoshan
Qinggdao Shandong
Tianjin Tianjin
Yantai Shandong
Cartagena
Kyrenia
Larnaca
Limassol
Bremen
Hamburg
Wilhelmshaven
Djibouti (Djibouti)
Enstedvaerkets Havn
Fredericia
Ain Sukhna
Alexandria (El Iskandariya)
Damietta
El Dekheila
Port Said
Suez (El Suweis)
Gijon
Bilbao
Vigo
Barcelona
Valencia
Algeciras
Las Palmas
Tenerife (Santa Cruz de Tenerife)
Tarragona
Dunkerque
Brest
Donges
Fos sur Mer (Oil Terminal)
Lavera
Le Havre
Marseilles
Hunterston
Immingham
Burry Port (Llanelly)
Port Talbot
Redcar
Batumi, Georgia
Poti, Georgia
Gibraltar
Aspropyrgos
Elefsis (Eleusis)
Chios
Pachi
Piraeus
Thessaloniki
Volos
CDIGO
CAVAN
CARBK
CNCAN
CNCWN
CNDLC
CNHUA
CNNBO
CNNGB
CNSHA
CNSHB
CNTAO
CNTSN
CNYNT
COCAR
CYKYR
CYLCA
CYLMS
DEBRE
DEHAM
DEWVN
DJJIB
DKENS
DKFRC
EGAIS
EGALY
EGDAM
EGEDK
EGPSD
EGSUZ
ESGIJ
ESBIO
ESVGO
ESBCN
ESVLC
ESALG
ESLPA
ESSCT
ESTAR
FRDKK
FRBES
FRDON
FRFOS
FRLAV
FRLEH
FRMRS
GBHST
GBIMM
GB001
GBPTB
GBRER
GEBUS
GEPTI
GIGIB
GRASS
GREEU
GRJKH
GRPAC
GRPIR
GRSKI
GRVOL
49
49
23
22
38
23
29
29
31
31
36
39
37
10
35
34
34
53
53
53
11
55
55
29
31
31
31
31
29
43
43
42
41
39
36
28
28
41
51
48
47
43
43
49
43
55
53
51
51
54
41
42
36
38
38
38
37
37
40
39
Lat
16.8
2.0
6.0
29.0
55.7
6.0
56.0
56.0
14.0
25.0
5.0
6.0
34.0
21.6
20.0
55.0
39.0
0.0
33.0
32.0
36.0
1.0
34.2
34.0
10.8
25.8
8.0
15.6
58.0
34.0
21.6
13.8
19.8
27.0
8.0
9.0
27.0
5.0
3.0
24.0
18.0
24.0
24.0
29.0
19.0
45.0
38.0
40.0
34.0
37.0
39.0
7.8
8.0
2.0
2.0
23.0
58.0
57.0
38.0
22.0
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
123
123
113
113
121
113
121
121
121
121
120
117
121
75
33
33
33
8
9
8
43
9
9
32
29
31
29
32
32
5
3
8
2
0
5
15
16
1
2
4
2
4
5
0
5
4
0
4
3
1
41
41
5
23
23
26
23
23
22
22
Long
7.2
9.0
14.0
54.0
39.3
26.0
53.0
53.0
29.0
30.0
18.0
10.0
26.0
32.9
19.0
39.0
1.2
46.8
59.0
8.0
8.0
26.0
45.0
24.0
52.2
48.0
49.0
18.6
33.0
41.0
4.2
43.8
9.6
18.0
26.0
25.0
14.0
14.0
22.0
30.0
4.0
53.0
0.0
6.0
22.0
53.0
11.0
15.0
48.0
9.0
37.8
39.0
21.0
35.0
33.0
9.0
23.0
38.0
56.0
57.0
W
W
E
E
E
E
E
E
E
E
E
E
E
W
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
W
E
W
W
W
W
E
E
E
E
E
E
E
E
W
W
W
W
W
E
E
W
E
E
E
E
E
E
E
PTYPE
5
5
5
5
2
5
5
5
5
5
3
5
3
2
3
3
3
5
5
2
3
2
2
1
3
3
3
3
3
3
5
2
3
3
2
3
3
3
3
3
5
5
5
5
3
2
5
5
3
5
3
3
3
1
2
2
1
3
3
3
MSUWT
11.0
11.0
23.0
30.0
22.2
29.0
22.5
22.5
26.4
25.5
24.3
26.5
22.5
30.5
25.6
25.6
25.6
14.0
16.0
17.0
29.5
17.0
17.5
29.0
25.0
25.0
25.0
25.0
29.0
18.0
20.5
18.5
23.0
25.0
22.2
22.3
22.3
25.5
17.5
17.0
19.5
22.0
22.0
18.0
22.0
14.5
16.0
17.0
17.0
16.0
23.8
24.0
22.2
23.0
23.5
24.4
23.0
22.5
23.1
24.2
USUWT
13.0
13.0
28.0
33.1
26.2
34.0
26.1
26.1
32.0
30.0
27.0
30.5
26.3
32.0
28.5
28.6
28.5
16.5
20.0
21.0
32.0
20.5
20.5
32.0
29.7
29.7
29.7
29.7
31.4
20.0
22.0
19.5
24.5
27.0
23.4
24.0
24.0
27.0
21.0
19.5
21.0
24.5
24.5
20.0
24.5
16.5
18.0
19.0
19.0
18.0
28.6
28.5
23.4
27.0
26.5
25.8
27.2
26.0
25.8
26.0
MWNWT
3.0
3.0
19.7
15.5
2.2
15.8
11.0
11.0
6.5
7.0
4.2
-0.1
3.0
31.0
18.0
18.2
18.2
6.4
3.0
4.0
23.5
3.5
3.5
20.0
16.0
16.0
16.0
16.0
20.0
13.0
13.0
14.5
13.0
13.5
16.0
20.0
20.0
13.5
7.0
11.0
11.0
14.0
14.0
9.0
14.0
7.0
6.5
8.5
8.5
7.0
10.3
9.6
16.0
17.0
17.0
15.5
17.0
18.0
12.0
14.6
LWNWT
-1.0
-1.0
16.0
0.5
-1.9
0.3
8.0
8.0
4.0
5.0
2.1
-1.5
0.0
30.0
16.0
16.6
16.6
3.0
0.0
2.0
20.5
1.5
1.5
17.0
13.5
13.0
13.2
13.2
17.6
11.0
11.0
12.5
11.5
12.0
14.5
17.5
17.5
11.5
3.0
9.0
9.0
12.5
12.5
7.0
12.5
4.5
2.5
7.0
6.0
4.5
6.8
6.1
14.5
15.0
15.0
13.8
15.0
16.0
10.0
12.2
MSART
21.2
21.2
28.3
27.5
24.1
27.0
29.4
29.4
27.0
25.7
25.2
28.0
24.0
27.5
30.5
31.0
32.0
17.0
17.3
17.0
32.2
16.5
16.5
28.7
29.0
29.0
29.0
26.0
34.0
25.0
25.1
24.0
27.5
28.0
27.0
27.2
27.0
27.5
21.0
22.0
21.0
24.0
24.0
21.0
24.0
18.2
18.4
21.0
18.5
19.3
21.6
21.7
27.0
26.0
27.0
26.0
27.0
27.0
25.0
25.0
USART
26.0
26.0
38.7
39.0
34.4
38.0
39.5
39.5
40.2
39.0
35.4
40.0
32.0
32.0
37.0
37.0
39.0
24.0
23.2
24.0
40.0
24.0
24.0
42.0
36.0
36.0
36.0
33.0
44.0
35.0
34.5
33.0
38.4
39.0
35.0
35.0
35.0
38.4
30.0
33.0
29.0
31.0
31.0
29.0
31.0
25.0
26.0
27.0
26.0
25.0
40.0
41.0
36.0
36.0
37.0
34.0
36.0
37.0
34.0
34.0
MWART
1.0
1.0
13.2
18.0
-2.0
15.0
8.5
8.5
5.0
8.7
-1.1
2.0
1.0
28.0
10.0
9.0
10.0
1.2
0.5
1.2
26.3
0.0
0.0
16.7
11.0
11.0
11.0
15.0
18.0
7.0
6.8
8.0
8.0
10.0
12.2
14.1
14.0
8.0
3.0
4.5
4.0
4.5
4.5
3.0
4.5
0.9
1.1
3.0
2.0
0.5
7.9
6.3
12.5
12.0
12.0
9.0
12.0
12.2
9.0
9.0
LWART
-4.0
-4.0
2.0
8.0
-15.4
5.0
-2.6
-2.6
-10.0
-5.0
-15.5
-18.3
-10.0
24.8
6.0
5.0
6.0
-4.0
-5.5
-4.0
16.0
-8.0
-8.0
6.0
7.0
7.0
7.0
8.0
6.0
4.0
4.0
4.0
6.0
7.5
7.0
11.0
11.0
6.0
-4.0
-2.0
-1.0
2.0
2.0
-2.0
2.0
-1.0
-1.0
-1.0
-1.0
-2.5
-8.0
-11.0
7.5
1.0
1.0
2.0
1.0
1.0
2.0
2.0
MWSAL
10.0
10.0
3.9
24.0
28.9
8.0
21.7
21.7
0.8
0.5
31.8
31.4
31.0
26.0
38.6
38.6
38.6
18.0
4.0
28.0
35.8
14.0
19.0
41.0
38.0
25.0
38.0
37.0
40.5
35.2
33.0
35.8
37.0
37.2
36.5
36.6
36.6
37.0
32.5
34.8
20.0
33.0
33.0
32.5
33.0
30.0
18.0
29.0
31.0
20.0
17.2
17.2
36.5
38.6
38.6
38.8
38.3
38.4
37.5
38.8
LWSAL
2.0
2.0
0.1
20.0
26.9
0.1
10.6
10.6
0.1
0.1
31.6
26.5
29.5
25.0
38.0
38.0
38.0
11.0
0.0
24.0
35.3
12.0
18.0
40.0
37.5
20.0
37.5
34.0
39.3
34.5
25.0
35.4
36.5
37.0
36.0
36.4
36.4
36.5
32.0
34.4
3.0
31.0
31.0
30.0
31.0
27.0
10.0
27.0
30.0
5.0
16.5
16.4
36.0
38.0
38.0
37.5
38.0
38.0
36.8
37.0
MDSAL
24.0
24.0
19.0
30.0
30.3
12.0
19.6
19.6
4.9
5.0
32.4
31.9
32.0
28.5
39.2
39.2
39.2
28.0
11.0
32.0
36.9
18.0
21.0
42.0
38.0
33.0
38.0
38.5
42.0
35.4
35.0
35.8
37.5
37.6
36.5
36.6
36.6
37.5
33.0
35.2
32.5
35.0
35.0
34.0
35.0
33.0
24.0
32.0
32.0
31.0
17.2
17.2
36.5
39.2
39.2
39.1
39.1
39.0
39.0
39.1
UDSAL
28.0
28.0
21.0
34.0
32.0
28.0
25.2
25.2
9.0
5.8
32.6
35.7
33.0
33.0
39.3
39.4
39.4
30.0
18.0
33.0
37.3
20.0
24.0
43.0
39.0
36.0
39.0
39.5
42.5
35.6
35.5
36.0
38.0
38.0
37.0
36.8
36.8
38.0
33.5
35.6
34.0
36.0
36.0
34.5
36.0
34.0
26.0
33.5
34.0
33.1
17.8
17.9
37.0
39.3
39.3
39.8
39.3
39.1
39.6
39.8
MSPR
4.1
4.1
3.5
2.8
3.9
2.5
3.1
3.1
4.2
5.5
3.4
3.8
2.8
0.4
0.5
0.6
0.6
4.2
3.0
4.1
1.0
0.4
0.4
2.3
0.5
0.5
0.4
0.6
1.6
4.6
4.8
4.0
0.8
0.2
0.4
2.6
2.5
0.7
6.1
7.5
5.5
0.1
0.1
8.0
0.1
3.7
7.6
9.1
8.9
5.2
0.1
0.1
0.5
0.4
0.1
0.3
0.1
0.4
0.7
0.3
MNER
3.4
3.4
1.0
2.0
2.6
1.8
1.1
1.1
1.2
2.8
1.8
2.0
1.8
0.1
0.1
0.1
0.1
3.4
1.0
2.8
0.5
0.2
0.2
1.4
0.2
0.2
0.2
0.2
0.9
2.2
2.1
1.8
0.1
0.0
0.1
1.0
0.8
0.1
3.2
2.7
2.6
0.0
0.0
3.9
0.0
1.9
3.1
3.4
4.0
1.9
0.0
0.0
0.2
0.0
0.0
0.0
0.0
0.0
0.2
0.0
160
o
N
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
Nome do Porto
Hong Kong Hong Kong
Hong Kong Kowloon
Omisalj
Belawan Sumatra
Dumai Sumatra
Cigading
Merak (inc. Anyer Terminal) Java
Jakarta Java
Cilacap Java
Semarang Java
Tanjung Perak (Surabaya) Java
Tanjung Bara Coal Terminal Kalimantan
Balikpapan Kalimantan
Amamapare Irian Jaya
Moneypoint
Ashdod
Mumbai (Ex Bombay)
Calcutta
Cochin
Haldia
Kandla
Chennai (Ex Madras)
Marmugao (Marmagoa)
Mundra
Porbandar
Paradeep
Salaya
Sikka
Tuticorin (New Tuticorin)
Vadinar Terminal
Visakhapatnam
Bandar Mushar (Mushahr)
Bandar Abbas (Oil Jetty)
Bushehr
Khark Island
Lavan Island
Hafnarfjordur
Straumsvik
Genoa
Porto Foxi (Sarroch)
Livorno
Ravenna
Taranto
Venezia (=Fusina)
Trieste
Aboshi Hyogo
Amagasaki Hyogo
Beppu Oita
Chiba Chiba
Kimitsu Chiba
Fukuyama Hiroshima
Higashi-Harima Hyogo
Himeji Hyogo
Hakata Fukuoka
Imabari Ehime
Innoshima Hiroshima
Iwakuni Yamaguchi
CDIGO
HKHKG
HKKWN
HROMI
IDBLW
IDDUM
IDCIG
IDMRK
IDJKT
IDCXP
IDSRG
IDSUB
IDTBA
IDBPN
IDAMA
IEMOT
ILASH
INBOM
INCCU
INCOK
INHAL
INIXE
INIXY
INMAA
INMRM
INMUN
INPBD
INPRT
INSAL
INSIK
INTUT
INVAD
INVTZ
IRBKM
IRBMR
IRBND
IRBUZ
IRKHK
IRLVP
IRSXI
ISHAF
ISSTR
ITGOA
ITPFX
ITLIV
ITRAN
ITTAR
ITVCE
ITTRS
JPABO
JPAMA
JPBEP
JPCHB
JPKMT
JPFKY
JPHHR
JPHIM
JPHKT
JPIMB
JPINS
JPIWK
22
22
45
3
1
6
5
7
7
6
7
0
1
4
52
31
18
22
9
22
12
22
13
15
22
21
20
22
22
8
22
17
30
30
27
28
29
26
25
61
64
44
39
43
44
40
45
45
34
34
33
35
35
34
34
34
33
34
34
34
Lat
17.0
17.0
12.0
47.0
41.0
1.0
55.0
0.0
44.0
57.0
12.0
32.0
15.0
49.0
36.0
50.0
54.0
33.0
58.0
2.0
55.0
52.0
6.0
25.0
54.0
38.0
15.0
18.0
31.0
22.0
30.0
14.0
25.0
28.0
11.0
59.0
14.0
47.0
57.0
4.0
3.0
24.0
4.8
33.0
28.8
26.0
25.8
39.0
45.0
41.0
20.0
35.0
23.0
29.0
43.0
46.2
35.0
4.0
16.8
10.0
N
N
N
N
N
S
S
S
S
S
S
S
S
S
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
114
114
14
98
101
105
106
106
109
110
112
117
116
136
9
34
72
88
78
88
74
70
80
73
69
69
85
69
69
76
69
83
49
49
56
50
50
53
54
21
22
8
9
10
12
17
12
13
134
135
131
140
139
133
134
134
130
133
133
132
Long
10.0
10.0
33.0
42.0
27.0
57.0
0.0
53.0
0.0
25.0
44.0
39.0
48.0
58.0
25.0
38.0
49.0
19.0
48.0
5.0
48.0
13.0
18.0
47.0
42.0
36.0
40.0
34.8
48.0
59.0
42.0
18.0
4.0
11.0
17.0
50.0
19.0
20.0
32.0
58.0
3.0
55.2
1.8
18.6
16.8
12.0
19.8
45.0
34.0
23.0
31.0
6.0
50.0
22.0
50.0
37.8
23.0
1.0
10.8
16.0
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
PTYPE
3
2
2
5
4
2
2
3
5
2
2
1
2
5
5
3
4
6
5
5
3
2
3
5
2
5
3
2
2
3
1
2
4
5
1
2
1
1
1
2
3
3
1
3
3
3
5
3
3
5
2
2
2
3
3
3
2
2
2
2
MSUWT
26.0
26.0
24.0
30.0
29.0
28.4
29.0
29.0
28.4
28.5
28.6
29.0
30.0
28.5
16.0
25.0
28.6
29.0
30.0
29.0
28.4
27.1
28.2
27.8
27.9
27.8
30.8
28.0
27.9
28.8
28.0
27.8
34.9
34.9
34.5
34.5
34.2
33.0
33.0
9.5
9.5
23.5
23.5
24.0
25.5
24.8
25.0
24.0
25.5
24.0
24.0
23.0
23.0
23.0
25.0
25.5
23.6
25.0
24.0
24.0
USUWT
28.5
28.5
26.5
32.0
31.5
30.5
32.0
32.0
32.0
30.5
30.4
32.0
32.0
30.0
18.5
29.7
30.6
32.4
31.9
32.0
29.8
29.7
30.0
30.4
30.5
30.4
31.4
31.0
30.5
31.3
31.0
29.5
35.4
35.4
34.9
35.5
34.9
34.0
34.0
11.5
11.5
24.0
26.0
26.0
27.0
27.0
27.0
26.0
27.0
26.0
27.5
26.0
26.0
26.0
27.0
27.0
25.0
27.0
27.0
27.0
MWNWT
19.9
19.9
9.0
28.0
28.0
27.0
28.0
28.0
27.9
27.5
28.0
28.0
28.5
27.5
11.0
16.0
28.4
25.0
28.0
25.0
26.5
19.8
27.5
27.8
22.0
24.0
27.2
23.0
24.0
27.1
23.0
26.0
16.5
16.5
20.0
18.0
18.2
21.0
21.0
3.0
3.0
14.0
16.0
15.0
12.0
15.0
11.0
10.0
11.0
11.5
16.0
12.0
12.0
8.0
9.5
11.0
10.8
12.0
10.0
15.0
LWNWT
18.1
18.1
7.0
27.0
26.0
26.0
25.0
25.0
25.5
25.0
25.0
26.0
27.0
25.0
8.0
13.0
26.6
19.0
25.0
22.0
25.0
19.3
26.5
26.0
20.0
27.1
26.6
20.0
27.3
24.0
20.0
23.8
14.0
14.0
19.0
16.0
17.9
19.0
19.0
-0.5
-0.5
12.5
14.5
13.0
10.0
14.0
9.0
8.0
9.0
9.0
12.0
8.0
8.0
4.0
8.0
9.0
9.5
8.0
6.0
12.0
MSART
27.2
27.2
27.0
32.6
31.0
30.5
32.0
32.0
31.0
30.0
30.5
31.0
31.0
30.5
20.8
30.2
28.6
30.0
29.0
30.0
26.3
30.2
29.9
29.8
29.1
28.6
29.6
29.0
29.1
30.2
29.0
33.6
33.1
33.1
34.2
32.0
31.7
33.0
33.0
14.0
14.0
26.0
25.0
27.5
29.0
29.0
27.0
27.0
29.0
29.0
29.0
27.0
27.0
30.0
29.0
29.0
31.0
30.0
30.0
30.0
USART
34.0
34.0
34.0
36.0
34.0
36.0
37.0
37.0
35.0
36.0
36.0
35.0
35.0
36.0
28.0
40.0
35.6
33.0
31.3
34.0
30.0
37.7
35.2
31.7
40.0
35.6
36.2
40.0
40.0
38.7
40.0
40.0
52.0
37.6
45.6
47.0
47.0
37.0
37.0
21.0
21.0
34.0
37.0
37.0
37.0
38.0
35.0
34.0
36.0
34.0
34.0
35.0
35.0
33.0
35.0
36.0
31.8
34.0
34.0
34.0
MWART
20.8
20.8
3.9
21.5
23.0
24.0
22.6
22.6
24.5
24.2
23.1
23.5
23.5
22.0
1.7
7.5
24.0
19.0
23.5
20.0
27.0
17.7
26.1
22.7
22.8
24.0
18.4
23.0
22.8
26.0
23.0
23.7
19.3
19.3
18.5
18.0
19.0
23.8
23.8
-5.0
-5.0
6.0
7.0
5.0
4.0
7.0
4.5
3.9
5.0
6.0
3.0
7.0
7.0
2.0
4.0
5.0
4.0
3.0
3.0
2.0
LWART
15.0
15.0
0.5
18.0
21.0
23.0
19.0
19.0
22.0
23.0
23.4
20.0
20.0
19.0
-3.0
2.0
19.0
13.0
19.0
17.0
24.3
9.8
23.9
20.5
7.0
19.0
12.9
11.0
7.0
18.3
11.0
13.0
2.0
2.0
7.2
6.0
7.0
10.0
10.0
-11.0
-11.0
2.0
3.0
0.5
0.5
3.0
2.0
0.5
1.0
1.0
-1.0
-4.0
-4.0
-2.0
-0.8
1.0
0.0
-1.0
-1.0
-1.0
MWSAL
18.6
18.6
24.0
26.0
26.0
32.0
31.0
29.0
22.0
30.0
28.0
29.0
27.0
12.5
10.0
38.0
27.5
0.0
5.0
15.0
33.1
3.4
22.0
28.4
26.0
28.4
14.9
27.0
36.0
31.2
27.0
23.0
38.2
38.2
36.6
38.5
38.9
36.0
36.0
34.0
34.0
37.0
37.0
37.5
18.0
37.5
27.0
27.0
25.0
18.0
19.0
20.0
20.0
17.4
24.0
25.0
18.4
23.0
23.0
18.0
LWSAL
10.0
10.0
18.0
21.0
21.0
30.0
29.0
27.0
15.0
25.0
23.0
28.0
25.0
0.0
0.0
37.5
14.5
0.0
1.1
0.0
26.9
3.3
20.0
22.4
21.0
22.4
9.0
22.0
35.5
26.9
22.0
16.5
35.0
37.4
35.0
38.0
38.5
35.0
35.0
33.0
33.0
36.0
36.5
37.0
10.0
37.0
14.0
22.0
20.0
16.0
17.0
9.0
9.0
16.3
19.0
20.0
17.0
20.0
20.0
14.0
MDSAL
32.5
32.5
35.0
27.0
27.0
33.0
31.5
31.0
32.0
33.0
30.0
30.0
29.0
15.8
22.0
38.0
36.9
0.0
11.4
18.0
31.8
3.5
25.5
32.2
32.0
32.2
29.3
32.0
35.0
34.0
32.0
31.1
42.0
40.9
37.0
41.5
40.9
36.0
36.0
34.5
34.5
37.5
37.5
38.0
36.0
38.0
31.0
35.0
28.0
20.0
28.0
28.0
28.0
18.0
27.0
28.0
28.0
28.0
28.0
21.0
UDSAL
34.0
34.0
36.0
28.0
28.0
34.5
34.0
34.0
34.0
34.0
32.0
31.0
31.0
28.0
27.0
39.0
37.6
0.0
22.0
23.0
34.9
3.7
34.6
33.3
33.0
33.3
33.2
33.0
35.0
36.5
33.0
35.0
44.0
41.0
37.5
42.0
41.0
37.0
37.0
35.0
35.0
38.0
38.0
38.5
37.0
38.5
33.0
36.0
30.0
25.0
31.0
32.0
32.0
22.0
29.0
30.0
30.0
32.0
32.0
24.0
MSPR
0.8
0.8
0.6
2.5
2.5
0.7
0.9
0.9
2.0
1.0
1.5
2.5
2.6
2.4
5.9
0.2
3.6
4.2
0.6
4.9
1.0
5.9
1.0
1.4
5.2
1.9
1.9
4.1
4.8
0.7
4.2
1.4
4.0
4.0
3.1
1.3
1.0
1.1
1.2
3.9
3.9
0.2
0.2
0.3
0.5
0.2
0.6
0.9
1.6
1.5
1.5
2.1
2.0
2.9
1.3
1.6
2.4
3.3
3.8
2.9
MNER
0.6
0.6
0.2
0.9
1.4
0.2
0.3
0.3
0.7
0.7
0.2
0.8
0.9
0.7
4.3
0.0
1.4
2.1
0.2
1.6
0.4
3.9
0.4
0.8
2.6
0.9
0.7
2.8
2.6
0.2
2.8
0.6
2.6
2.6
1.4
0.4
0.3
0.2
0.4
1.5
1.5
0.0
0.0
0.0
0.2
0.0
0.1
0.2
0.3
0.5
0.5
0.2
0.2
1.4
0.2
0.3
0.8
1.2
1.3
1.1
161
o
N
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
Nome do Porto
Kochi Kochi
Kakogawa Hyogo
Kiire Kagoshima
Niigata Niigata
Kikuma Ehime
Kanda Fukuoka
Kinuura Aichi
Kagoshima Kagoshima
Kashima Ibaraki
Kudamatsu Yamaguchi
Kawasaki Kanagawa
Maizuru Kyoto
Mizushima Okayama
Moji (Kitakyushu) Fukuoka
Muroran Hokkaido
Matsuyama Ehime
Naha Okinawa
Negishi (Yokohama) Kanagawa
Nagoya Aichi
Nagasaki Nagasaki
Oita Oita
Okinawa Okinawa
Onomichi Hiroshima
Osaka Osaka
Saiki Oita
Saganoseki Oita
Sakai Osaka
Shibushi Kagoshima
Sakaide Kagawa
Sakaiminato Tottori
Shimotsu Wakayama
Shimizu Shizuoka
Tamano (Uno) Okayama
Tobata (Kitakyushu) Fukuoka
Tokuyama Yamaguchi
Tomakomai Hokkaido
Toyama Toyama
Tokyo Tokyo
Ube Yamaguchi
Kobe Hyogo
Wakayama Wakayama
Yokkaichi Mie
Yokohama Kanagawa
Yokosuka Kanagawa
Mombasa
Kwangyang
Pohang
Kunsan
Mokpo (Mogpo)
Onsan
Pusan
Samcheon Po
Ulsan
Yosu (Yeosu)
Kuwait (Shuwaikh; KWSWK)
Mina Al Ahmadi
Mina Saud
Mina Abdulla
Shuaiba
CDIGO
JPKCZ
JPKGA
JPKII
JPKIJ
JPKIK
JPKIN
JPKND
JPKNU
JPKOJ
JPKSM
JPKUD
JPKWS
JPMAI
JPMIZ
JPMOJ
JPMUR
JPMYJ
JPNAH
JPNGI
JPNGO
JPNGS
JPOIT
JPOKA
JPONO
JPOSA
JPSAE
JPSAG
JPSAK
JPSBS
JPSKD
JPSMN
JPSMT
JPSMZ
JPTAM
JPTBT
JPTKY
JPTMK
JPTOY
JPTYO
JPUBJ
JPUKB
JPWAK
JPYKK
JPYOK
JPYOS
KEMBA
KRKAN
KRKPO
KRKUV
KRMOK
KRONS
KRPUS
KRSCP
KRUSN
KRYOS
KWKWI
KWMAA
KWMIS
KWMIB
KWSAA
33
34
31
37
34
26
33
34
31
35
34
35
34
34
33
42
33
26
35
35
32
33
26
34
34
32
33
34
31
34
35
34
35
34
33
34
42
36
35
33
34
34
34
35
35
4
34
36
35
34
35
35
34
35
34
29
29
28
29
29
Lat
31.0
42.0
23.0
54.0
2.0
22.0
48.0
52.0
35.0
55.0
0.0
32.0
28.0
30.0
57.0
20.0
52.0
12.0
24.0
4.0
45.0
16.0
13.2
22.0
38.0
58.8
14.0
34.0
28.0
21.0
32.0
7.0
1.0
28.8
55.0
2.0
37.0
45.0
43.0
56.0
41.0
13.0
57.0
27.0
17.0
40.0
54.0
2.0
58.0
46.0
28.0
6.0
55.0
29.0
44.0
21.0
4.0
45.0
2.0
2.0
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
133
134
130
139
132
127
131
136
130
140
131
139
135
133
130
140
132
127
139
136
129
131
127
133
135
131
131
135
131
133
133
135
138
133
130
131
141
137
139
131
135
135
136
139
135
39
127
129
126
126
129
129
128
129
127
47
48
48
48
48
Long
33.0
47.0
32.0
4.0
50.0
58.0
0.0
57.0
33.0
42.0
51.0
42.0
21.0
45.0
58.0
58.0
42.0
40.0
37.8
51.0
52.0
40.0
40.2
11.0
25.0
55.8
52.0
27.0
7.0
50.0
14.0
8.0
30.0
57.0
51.0
48.0
37.0
13.0
45.0
14.0
12.0
9.0
38.0
39.0
39.0
40.0
42.0
26.0
37.0
23.0
24.0
4.0
4.0
24.0
45.0
55.0
9.0
24.0
11.0
10.0
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
PTYPE
5
3
2
5
2
2
3
5
3
3
3
3
2
5
3
3
2
2
3
3
5
2
2
3
5
2
2
5
3
2
2
2
2
3
3
3
3
3
5
3
3
3
3
3
2
2
3
3
2
5
5
3
3
5
2
3
1
1
1
3
MSUWT
24.0
25.0
25.0
23.0
25.0
28.0
23.5
23.0
24.0
23.0
23.0
22.5
24.5
26.1
23.5
15.0
25.0
28.0
21.9
22.3
25.0
24.0
28.0
24.0
24.0
25.0
24.0
25.0
25.0
24.0
25.0
23.0
23.0
26.1
23.0
23.0
15.0
24.0
23.0
25.0
25.5
22.3
22.3
21.9
22.0
29.0
18.5
19.0
18.5
19.5
19.0
19.0
19.0
19.0
18.5
32.0
33.0
33.0
32.0
33.0
USUWT
27.0
26.5
28.0
26.0
27.0
30.0
25.0
26.0
27.0
25.0
26.0
25.0
26.5
28.0
25.6
18.0
27.0
30.0
24.5
26.0
28.5
27.5
30.0
27.0
26.0
28.0
27.5
26.0
28.0
25.7
27.0
26.0
26.0
28.0
25.5
26.0
17.0
26.0
26.0
28.2
27.5
25.0
26.0
24.5
24.0
33.0
24.5
22.5
24.0
24.0
23.0
23.0
24.5
23.0
24.5
36.0
35.8
34.9
34.0
36.5
MWNWT
15.0
9.5
19.0
10.0
13.0
24.0
8.0
17.0
18.0
12.5
11.5
12.0
13.0
11.0
7.8
8.0
13.0
24.0
12.0
17.0
18.0
16.0
24.0
10.0
11.0
17.0
16.0
12.0
20.0
11.0
14.0
17.5
17.0
11.0
12.0
11.0
7.0
12.0
11.0
10.0
10.0
17.0
17.0
12.5
12.0
26.0
11.0
12.0
10.5
11.0
13.0
12.0
11.0
14.0
11.0
17.0
17.0
17.0
17.0
17.5
LWNWT
12.0
8.0
17.0
8.0
9.0
20.0
7.0
14.0
16.0
8.0
10.0
9.0
10.0
9.0
6.9
2.0
9.0
20.0
10.0
13.0
14.0
12.0
20.0
6.0
8.0
13.0
12.0
9.0
18.0
9.5
12.0
14.5
15.0
9.0
11.0
9.5
2.0
9.0
8.0
8.0
5.0
14.5
14.0
9.5
10.5
24.0
5.0
6.0
3.0
4.0
5.0
8.0
7.0
7.0
6.0
14.0
15.0
15.0
15.0
14.0
MSART
29.0
28.0
30.5
28.0
30.0
30.0
31.0
27.5
30.5
28.0
30.0
27.0
29.0
30.7
30.0
22.0
30.0
30.0
26.4
27.1
28.0
29.0
30.0
30.0
30.0
29.0
29.0
30.0
30.5
28.0
28.7
30.0
28.0
30.7
31.0
30.0
21.2
28.5
27.5
30.0
30.0
30.0
27.5
26.4
26.0
31.0
28.0
27.0
28.0
28.0
28.5
27.0
28.0
28.5
27.5
36.8
36.8
36.8
36.5
37.0
USART
34.0
34.0
35.0
33.0
35.0
35.0
30.3
34.0
35.0
33.0
34.0
34.0
34.0
34.0
34.0
27.0
35.0
35.0
35.0
34.0
34.0
34.0
35.0
34.0
36.0
34.0
34.0
35.0
35.0
33.0
34.0
35.0
34.0
36.0
34.0
34.0
25.5
35.0
36.0
34.0
35.0
35.0
34.0
35.0
34.0
36.0
34.0
34.0
34.0
34.0
35.0
34.0
34.0
35.0
36.0
47.0
48.0
47.0
47.0
48.0
MWART
2.0
3.5
6.0
0.5
3.0
15.0
4.0
3.0
4.0
2.5
7.0
6.0
0.3
2.0
5.8
3.0
3.0
14.0
5.1
6.0
3.5
3.0
14.0
3.0
6.0
3.0
3.0
6.0
7.0
5.0
1.5
2.0
5.0
2.0
4.0
7.0
-3.0
0.5
7.0
7.0
4.7
10.5
3.0
5.1
7.5
22.5
2.0
-2.0
-2.0
2.0
-2.0
-0.5
2.0
-2.0
0.0
13.0
14.5
14.0
14.0
14.0
LWART
0.0
-0.8
3.0
-6.0
-1.0
13.0
0.0
1.0
2.0
-3.0
5.0
0.0
-4.0
-3.0
3.4
-5.0
-1.0
12.0
-1.0
0.0
-0.5
-1.0
12.0
-2.0
2.0
-0.5
-1.0
2.0
4.0
-2.0
-3.0
-1.0
0.0
-3.0
0.0
5.0
-18.0
-5.0
-3.0
4.0
-1.2
6.5
-1.0
-1.0
-0.5
19.0
-3.0
-7.0
-7.0
-3.0
-7.0
-5.0
-3.0
-7.0
-5.0
5.0
4.0
6.0
6.0
4.0
MWSAL
25.0
24.0
33.0
31.0
23.0
32.0
16.5
23.5
31.0
31.0
18.0
20.0
32.0
15.0
16.0
28.0
23.0
32.0
22.0
23.5
28.0
19.0
32.0
23.0
18.0
19.0
19.0
18.0
32.0
20.0
32.0
23.5
26.0
20.0
19.0
16.0
28.0
31.0
15.0
14.4
26.0
23.5
23.5
22.0
26.0
34.2
32.0
33.4
28.0
31.0
33.0
33.0
32.0
33.3
32.0
38.5
38.9
38.5
38.5
39.0
LWSAL
18.0
18.0
29.0
28.0
20.0
27.0
12.5
19.5
26.0
29.0
14.0
7.0
28.0
11.0
12.0
23.0
20.0
27.0
8.0
19.5
21.0
17.0
27.0
20.0
14.0
17.0
17.0
15.0
28.0
18.0
28.0
19.5
21.0
18.0
17.0
12.0
23.0
27.0
5.0
9.0
20.0
19.5
19.5
8.0
18.0
33.0
31.0
31.0
24.0
28.0
29.0
30.0
31.0
30.0
31.0
37.0
38.0
38.0
38.0
37.0
MDSAL
27.0
26.0
33.0
32.0
28.0
33.0
18.0
29.8
33.0
32.0
21.0
29.0
34.0
15.0
18.0
30.0
28.0
33.0
31.0
29.8
33.0
28.0
33.0
28.0
20.0
28.0
28.0
21.0
33.0
26.0
34.0
29.8
31.5
26.0
28.0
18.0
30.0
32.0
25.0
16.0
28.0
29.8
29.8
31.0
31.5
34.6
33.5
33.8
32.0
32.0
33.0
33.5
33.5
33.9
33.5
39.0
39.0
39.0
39.0
39.0
UDSAL
30.0
29.0
34.5
33.0
32.0
34.5
20.0
30.5
34.5
34.0
24.0
31.0
35.0
17.0
20.0
32.0
32.0
34.5
33.5
30.2
34.5
31.0
34.5
32.0
25.0
31.0
31.0
26.0
34.5
29.0
35.0
30.2
33.0
29.0
31.0
19.0
32.0
33.0
28.0
18.0
30.0
30.2
31.0
33.5
33.5
35.4
34.0
34.5
33.0
33.0
34.0
34.0
34.0
34.5
34.0
41.0
40.0
40.0
40.0
41.0
MSPR
2.3
1.3
3.0
0.3
3.3
2.5
3.6
2.2
2.7
1.4
3.0
2.5
0.3
3.3
3.0
1.5
3.4
2.6
2.0
1.9
2.9
1.6
2.6
3.0
1.4
2.1
2.1
1.5
2.2
3.0
0.9
1.9
2.6
2.4
2.0
3.1
1.7
0.3
2.1
3.0
1.7
2.1
2.0
2.0
1.7
4.0
4.2
0.2
7.0
4.5
0.5
1.5
3.0
0.6
4.2
3.5
3.0
1.9
3.0
2.2
MNER
0.7
0.5
0.5
0.0
1.1
0.5
1.5
0.9
0.4
0.1
1.0
0.3
0.1
1.4
1.0
0.1
1.1
0.4
0.5
0.6
1.0
0.6
0.4
1.3
0.2
0.7
0.7
0.2
0.2
1.2
0.6
0.2
0.2
0.9
1.0
1.0
0.2
0.1
0.1
1.6
0.5
0.3
0.8
0.5
0.3
2.5
1.7
0.1
5.5
2.1
0.4
0.6
2.2
0.3
1.6
1.4
0.7
1.0
0.8
0.8
162
o
N
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
Nome do Porto
Colombo
Malta (Valletta)
Penang (Georgetown)
Lumut
Port Kelang
Port Dickson
Kapar Coal Terminal
Pasir Gudang Johor
Bintulu Sarawak
Lagos
Tin Can Island
Port Harcourt
Onne
Bonny
Europoort
Rotterdam
Ijmuiden
Amsterdam
Flushing (Vlissingen)
Auckland
Whangerei
Marsden Point
Callao (Lima)
Lae
Port Moresby
Daru
Batangas (Luzon)
Bataan Mariveles
Limay
Manila
Subic Bay (Sana Clara)
Muhammad Bin Qasim
Karachi
Faro
Lisboa
Lagos (Portugal)
Sines
Doha
Umm Said (Mesaieed)
Halul Island
Constanta
Mangalia
Midia
Novorossiysk, Russia
Tuapse, Russia
Vladivostok
Dammam
Jeddah
Jubail
Al Juaymah Terminal
Ras Al Khafji
Ras Al Ghar
Ras Al Tannura
Yanbu
Marsa Bashayer Oil Terminal
Port Sudan
Singapore Jurong
Singapore Keppel
Singapore Sembawang Port
Singapore Singapore
CDIGO
LKCMB
MTMLA
MYPEN
MYLUM
MYPKG
MYPDI
MYBTB
MYPGU
MYBTU
NGLOS
NGTIN
NGPHC
NGONN
NGBON
NLEUR
NLRTM
NLIJM
NLAMS
NLVLI
NZAKL
NZWRE
NZMAP
PECLL
PGLAE
PGPOM
PGDAU
PHBTG
PHBTN
PHLIM
PHMNL
PHSFS
PKBQM
PKKHI
PTFAO
PTLIS
PTLOS
PTSIE
QADOH
QAUMS
QAHAL
ROCND
ROMAG
ROMID
RUNVS
RUTUA
RUVVO
SADMN
SAJED
SAJUB
SAJUT
SARAR
SA001
SARLT
SAYNB
SDMBT
SDPZU
SGJUR
SGKEP
SGSEM
SGSIN
6
35
5
4
3
2
3
1
3
6
6
4
4
4
51
51
52
52
51
36
35
35
12
6
9
9
13
14
14
14
14
24
24
37
38
37
37
25
24
25
44
43
44
44
44
43
26
21
27
26
28
27
26
24
19
19
1
1
1
1
Lat
57.0
54.0
22.0
16.2
2.0
31.0
5.0
26.0
16.0
25.0
25.0
46.2
39.0
26.0
58.0
54.0
27.0
22.0
27.0
51.0
46.0
50.0
3.0
44.0
26.0
4.0
45.0
30.0
32.0
31.0
35.0
45.6
48.0
0.0
42.0
1.0
58.0
16.8
54.0
39.0
10.0
49.2
19.8
43.2
4.8
6.6
30.0
28.0
3.0
55.2
25.2
32.0
39.0
5.0
24.0
36.0
18.0
16.2
16.0
20.0
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
S
S
S
S
S
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
79
14
100
100
101
101
101
103
113
3
3
7
7
7
4
4
4
4
3
174
174
174
77
146
147
143
121
120
120
120
120
67
66
7
9
8
8
51
51
52
28
28
28
37
39
131
50
39
49
50
48
49
50
38
37
37
103
103
103
103
Long
51.0
31.2
22.0
39.0
21.0
47.0
18.0
55.0
4.0
25.0
18.0
0.0
9.0
9.0
8.0
29.0
35.0
53.0
36.0
48.0
21.0
30.0
10.2
58.0
6.0
12.0
3.0
37.8
36.0
37.0
58.0
21.0
59.0
55.2
6.0
40.0
51.0
33.0
34.0
26.0
39.0
34.8
40.8
46.8
4.2
53.4
12.0
10.0
40.0
1.0
33.0
13.0
10.0
3.0
19.0
13.0
43.0
52.3
50.0
20.0
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
W
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
PTYPE
3
3
5
5
5
1
2
3
3
5
5
5
5
5
5
5
5
6
5
3
5
2
3
2
3
1
2
3
1
2
3
5
4
4
5
5
3
3
3
1
3
3
3
3
3
2
3
3
3
1
1
1
1
3
1
3
3
3
4
3
MSUWT
29.0
24.0
28.5
29.0
30.0
29.0
29.0
28.5
30.0
28.5
28.4
29.0
29.0
29.0
17.5
18.0
17.5
18.0
17.5
18.8
19.0
19.0
24.0
27.0
28.0
28.0
29.0
28.0
28.0
30.0
29.0
28.0
27.5
22.0
25.0
21.5
21.0
31.0
31.0
30.0
23.3
23.5
23.3
22.1
23.0
13.5
32.0
30.0
32.0
31.0
32.0
32.0
31.0
30.0
29.5
31.0
28.5
28.5
29.0
28.5
USUWT
32.0
26.0
31.0
31.0
31.0
31.0
31.0
31.0
31.0
30.0
29.1
31.0
31.0
31.0
19.0
20.0
19.0
20.0
19.0
22.4
23.0
22.5
26.5
31.5
32.0
31.0
32.0
32.0
32.0
34.5
33.0
30.0
30.0
24.0
34.0
23.0
22.0
35.0
35.0
35.2
24.0
25.5
24.5
26.2
27.1
15.0
35.0
33.0
36.2
34.0
34.9
34.0
33.8
33.0
32.0
34.0
31.0
31.0
31.5
31.0
MWNWT
27.0
16.5
27.0
28.0
29.3
28.0
28.0
27.5
29.0
24.0
24.5
26.0
26.0
25.0
6.5
6.5
6.5
6.0
6.5
13.0
13.0
13.0
16.0
25.0
26.0
26.0
28.0
27.0
26.5
26.0
28.0
23.0
23.0
17.5
15.0
17.0
16.5
17.0
17.0
22.5
4.9
5.7
4.5
7.9
10.1
2.5
17.0
22.0
16.0
16.8
17.0
17.0
16.8
22.0
23.0
22.0
27.0
27.0
28.0
27.0
LWNWT
24.0
15.0
24.0
26.0
26.0
26.0
27.0
25.0
26.0
22.5
23.0
24.0
24.0
24.0
3.0
2.0
3.0
1.0
3.0
10.5
11.0
11.0
18.0
23.0
24.0
24.0
26.0
26.0
25.0
23.0
26.0
19.5
21.0
15.5
13.0
14.0
14.5
13.0
13.0
16.9
0.5
0.5
0.0
0.5
5.3
-1.0
14.0
19.0
11.6
13.0
15.0
14.0
13.0
18.0
20.0
19.0
25.0
25.0
25.0
25.0
MSART
30.0
31.0
31.0
31.0
32.0
31.0
30.0
31.0
30.5
31.0
31.0
31.0
31.0
30.0
21.5
21.0
21.0
21.0
21.5
17.7
19.5
19.0
28.0
27.0
31.0
32.0
28.0
28.0
30.0
27.3
27.4
29.0
29.0
24.7
24.5
24.8
24.0
35.0
35.0
31.0
22.2
22.7
22.5
21.8
21.5
22.0
36.0
32.0
36.0
36.0
36.8
36.0
36.0
32.0
31.0
32.0
31.0
31.0
31.0
31.0
USART
35.0
40.0
35.0
36.0
35.0
35.0
35.5
34.3
35.0
36.0
35.0
35.0
35.0
34.0
28.0
28.0
28.0
29.0
28.0
32.2
33.0
33.0
35.0
36.6
36.0
36.0
33.5
33.5
33.0
34.0
30.4
37.0
37.0
37.0
36.0
37.0
36.0
44.0
43.0
42.0
38.0
38.0
38.0
41.0
41.0
27.0
48.0
39.0
47.0
47.0
47.0
47.0
47.0
39.0
40.0
42.0
34.0
34.0
34.0
34.0
MWART
26.0
10.0
25.5
26.0
26.4
28.0
26.0
25.7
26.0
23.0
23.0
26.0
26.0
23.5
2.5
1.8
1.5
1.0
2.0
12.9
13.0
13.0
18.0
25.0
24.0
26.0
27.0
24.0
24.5
26.1
24.0
22.0
22.3
11.0
9.0
9.5
11.0
19.0
20.9
21.0
2.4
1.4
2.4
4.3
6.0
-14.5
19.0
21.0
15.0
15.0
14.0
14.0
21.0
19.0
22.0
21.0
23.0
23.0
23.0
23.0
LWART
19.0
6.0
23.0
22.0
23.0
22.0
19.0
21.0
23.0
19.0
20.0
24.0
24.0
20.5
-4.0
-5.0
-4.0
-5.5
-4.0
0.2
1.0
1.0
14.0
19.6
20.0
21.0
22.2
22.2
20.0
20.9
22.4
10.0
10.0
6.0
5.0
5.0
6.0
12.0
12.6
11.0
-15.0
-15.0
-16.0
-24.0
-19.0
-25.0
10.0
14.0
9.0
9.0
6.0
8.0
9.0
10.0
16.0
16.0
21.0
21.0
21.0
21.0
MWSAL
31.0
37.5
12.0
12.0
14.0
18.0
17.0
26.0
25.0
18.0
20.0
0.0
2.0
17.0
31.0
3.0
31.0
0.0
22.0
33.5
29.8
33.0
35.0
22.0
33.0
30.0
33.0
33.0
32.5
31.0
33.0
33.0
35.0
35.5
32.0
32.0
35.5
38.5
39.0
38.0
15.9
17.0
15.0
17.6
16.6
32.0
41.0
38.0
49.0
40.0
38.5
39.0
40.0
39.0
37.5
38.0
29.5
29.5
26.0
29.5
LWSAL
26.0
37.0
6.0
6.0
4.0
14.0
13.0
22.0
23.0
10.0
15.0
0.0
0.0
8.0
29.0
0.0
29.0
0.0
18.0
28.0
22.0
32.0
34.5
12.0
31.0
24.0
32.0
32.0
32.0
28.0
32.0
24.0
20.0
35.0
15.0
28.0
35.0
37.0
39.0
37.5
15.0
15.4
12.0
9.6
12.7
30.0
39.0
37.0
48.0
38.0
38.0
38.5
38.5
37.5
37.0
37.0
28.5
28.5
21.0
28.5
MDSAL
33.0
38.0
14.0
14.0
16.0
20.0
19.0
27.0
26.0
30.0
31.0
4.0
8.0
27.0
32.0
10.0
32.0
0.0
28.0
35.0
32.0
34.5
35.5
25.0
33.5
32.0
34.0
34.0
34.0
33.0
34.0
36.0
37.0
35.5
35.0
36.0
36.0
40.0
40.0
39.0
17.2
17.6
17.0
17.8
17.3
33.0
43.0
38.5
50.0
42.0
39.0
40.0
40.5
39.5
37.5
38.5
30.5
30.5
27.0
30.5
UDSAL
35.5
38.5
19.0
20.0
20.0
25.0
24.0
29.0
30.0
33.0
34.0
10.0
14.0
30.0
34.0
15.0
33.0
0.0
30.0
36.0
34.0
35.7
36.0
30.0
34.5
33.5
34.7
34.7
34.7
34.7
34.7
40.0
40.0
36.0
36.0
36.5
36.5
42.0
41.0
40.5
17.8
18.0
17.5
18.8
18.6
34.0
45.0
39.5
52.0
44.0
40.0
41.0
42.0
41.0
38.0
38.5
31.5
31.5
28.0
31.5
MSPR
0.8
0.3
2.7
3.0
5.4
3.0
4.1
3.0
1.9
1.0
1.0
2.6
2.4
2.8
2.4
1.8
2.6
0.0
4.9
2.6
3.1
2.6
2.4
0.9
2.0
3.7
1.9
1.9
1.2
1.7
1.3
3.5
2.8
2.5
4.6
3.5
3.9
1.5
2.4
0.8
0.1
0.1
0.1
0.1
0.1
1.4
2.3
0.2
1.2
2.4
1.6
1.7
2.4
0.8
1.2
1.2
2.3
2.3
2.3
2.3
MNER
0.2
0.0
0.2
0.9
0.9
1.0
1.3
0.3
0.3
0.6
0.6
1.4
1.0
1.4
1.3
1.4
1.3
0.0
2.8
1.9
1.5
1.6
1.0
0.6
0.9
1.3
1.6
1.6
0.4
0.4
0.9
1.4
1.1
0.8
2.4
1.4
1.0
0.2
0.4
0.1
0.0
0.0
0.0
0.0
0.0
0.3
0.6
0.0
0.7
1.5
1.0
0.9
1.5
0.3
0.4
0.4
0.9
0.9
0.9
0.9
163
o
N
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
Nome do Porto
Singapore Pasir Panjan/Tanjung Pagar
Koper (Slovenia)
Dakar
Bangkok
Laem Chabang
Dortyol Oil Terminal
Eregli
Istanbul
Izmir (Smyrna)
Izmit (Tutuncifilik Oil Terminal)
Mersin
Samsun
Yarimca
Keelung (Chilung)
Kaohsiung
Taichung
Dar Es Salaam
Odessa
Dnepro-Bugsky (Ochakov)
Ilyichevsk
Nicolayev
Sevastopol
Boston Massachusetts
New York New York (New Jersey)
Philadeplhia Pennsylvania (Port Richmond)
Wilmington Delaware
Baltimore Maryland
Hampton Roads
Norfolk-Newport News Virginia
Savannah Georgia
Mobile Alabama
Lake Charles Louisana
Davant
New Orleans
LOOP Terminal
Sabine
Beaumont
Galveston Texas
Texas City Texas
Houston Texas
Anchorage Alaska
Portland Oregon
Vancouver Washington
San Francisco California
Oakland California
Long Beach California
San Diego
Montevideo
Aden (Yemen)
Hodeidah (Yemen)
Al Mukullah (Yemen)
Ras Isa Marine Terminal (Yemen)
Cape Town
Durban
Port Elizabeth
Richards Bay
Saldanha Bay
CDIGO
SGTPG
SIKOP
SNDKR
THBKK
THLCH
TRDYL
TRERE
TRIST
TRIZM
TRIZT
TRMER
TRSSX
TRYAR
TWKEL
TWKHH
TWTXG
TZDAR
UAODS
UADNB
UAILK
UANIK
UASVP
USBOS
USNYC
USPHL
USILG
USBAL
USPHF
USNEN
USSAV
USMOB
USLCH
USDVT
USMSY
USLOP
USSAB
USBPT
USGLS
USTXT
USHOU
USANC
USPDX
USBCC
USSFO
USOAK
USLGB
USSAN
UYMVD
YEADE
YEHOD
YEMKX
YERAI
ZACPT
ZADUR
ZAPLZ
ZARCB
ZASDB
1
45
14
13
13
36
41
40
38
40
36
41
40
25
22
23
7
46
46
46
46
44
42
40
39
39
39
36
36
32
30
30
29
29
28
29
30
29
29
29
61
45
45
37
37
33
32
34
12
14
14
15
33
29
33
28
33
Lat
15.6
33.0
40.2
42.0
4.0
51.0
18.0
59.0
25.2
45.0
46.0
21.0
46.2
9.0
37.0
17.0
10.0
30.0
45.0
20.0
55.8
37.2
21.0
42.0
57.0
45.0
16.8
58.0
51.0
5.0
40.0
13.2
36.0
57.0
52.8
42.0
5.0
17.0
23.0
45.0
13.8
35.0
36.0
48.0
49.8
45.0
42.0
54.0
48.0
48.0
31.0
7.8
54.0
53.0
58.0
48.0
2.0
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
N
S
N
N
N
N
S
S
S
S
S
103
13
18
100
100
36
31
29
27
29
34
36
29
121
120
120
39
30
31
30
30
33
71
74
75
75
76
76
76
81
88
93
89
90
90
93
94
94
94
95
149
122
122
122
122
118
117
56
44
42
49
42
18
31
25
32
18
Long
51.0
44.0
38.4
34.0
50.0
7.8
27.0
0.0
4.2
55.0
39.0
34.2
42.0
44.0
15.0
30.0
17.0
52.8
55.0
39.0
39.0
31.8
4.8
1.0
10.0
30.0
34.8
20.0
19.0
5.0
1.8
13.2
51.0
4.0
1.2
52.0
5.0
50.0
54.0
19.8
52.8
44.0
40.0
25.2
18.0
12.0
10.2
13.2
54.0
55.0
9.0
36.0
26.0
2.0
38.0
3.0
0.0
E
E
W
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
E
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
E
E
E
E
E
E
E
E
E
PTYPE
3
2
3
6
3
1
3
2
2
2
3
3
1
3
3
3
2
3
5
3
6
2
2
5
5
5
5
5
5
5
5
5
6
6
1
2
6
2
2
5
5
6
6
5
5
3
2
3
2
2
3
1
3
5
3
4
2
MSUWT
28.5
24.0
26.0
29.0
27.5
26.2
23.5
24.4
24.4
24.0
26.2
24.6
24.0
22.5
28.0
27.0
29.0
18.4
21.4
18.9
21.4
21.5
14.0
14.0
18.0
18.0
20.0
23.0
23.0
27.0
27.0
27.0
27.0
27.0
27.0
27.0
28.5
28.5
28.5
28.5
8.0
12.0
12.0
15.0
15.0
18.0
18.0
25.0
29.0
29.5
29.5
29.5
14.0
24.5
20.5
25.5
18.5
USUWT
31.0
26.5
27.5
32.5
30.0
29.2
27.5
27.0
25.5
27.0
28.8
28.0
27.0
25.0
31.3
30.0
32.0
24.5
26.0
23.6
26.0
25.9
17.0
20.0
22.0
22.0
24.0
27.0
27.0
30.0
31.0
29.0
31.0
31.0
29.0
29.0
32.0
33.0
34.0
32.0
12.0
14.0
14.5
20.0
20.0
22.0
22.0
26.8
31.0
32.0
32.0
32.0
16.0
25.5
25.5
26.5
22.6
MWNWT
27.0
9.0
23.0
27.0
26.0
18.5
6.4
6.1
14.0
7.0
19.0
7.6
7.0
20.0
23.0
18.0
26.0
2.6
1.3
2.6
1.3
7.8
0.5
2.0
2.0
2.0
2.5
12.0
11.0
19.0
16.0
20.0
12.0
17.5
20.0
19.5
16.0
18.0
18.0
16.0
1.0
1.0
1.0
12.0
12.0
14.0
15.0
15.0
23.0
23.5
23.5
23.5
13.5
21.0
16.5
22.0
14.0
LWNWT
25.0
7.0
20.0
24.0
24.0
15.5
4.0
4.0
11.5
5.0
16.0
6.0
5.0
18.0
21.0
16.0
24.0
-3.1
-0.6
-0.7
-0.6
1.7
-2.0
-1.0
-1.0
-1.0
0.0
7.0
6.0
16.0
9.0
15.0
10.0
15.0
17.0
16.5
13.0
16.0
16.0
14.0
-1.0
-2.0
-2.0
11.0
11.0
12.0
13.0
12.5
21.0
20.5
20.5
20.5
11.5
19.0
12.5
20.0
9.0
MSART
31.0
27.0
33.5
28.0
28.0
31.2
25.5
26.0
32.0
26.0
30.0
25.0
25.0
26.0
27.3
26.6
31.0
20.2
20.3
22.6
20.4
20.5
26.2
27.5
28.0
28.0
30.5
29.1
29.1
31.8
32.5
32.0
32.5
32.0
29.0
31.0
33.0
32.0
32.0
33.0
17.0
25.5
25.4
22.5
22.5
27.0
25.1
26.0
33.0
32.0
32.0
32.0
18.2
26.3
23.6
28.0
26.0
USART
34.0
34.0
39.0
39.5
36.0
38.0
38.0
37.0
38.0
38.0
35.0
38.0
38.0
30.0
30.8
30.1
37.0
37.0
40.0
38.0
39.0
38.0
33.0
37.0
36.0
36.0
38.0
36.0
36.0
37.0
38.0
39.0
38.0
39.0
38.0
38.0
41.0
40.5
40.5
41.0
24.0
32.0
32.0
31.0
31.0
34.0
34.0
34.0
39.0
39.0
39.0
39.0
26.0
26.1
25.0
29.5
35.0
MWART
23.0
3.9
21.0
25.0
25.0
6.5
5.7
6.6
6.0
8.0
6.5
7.9
8.0
20.0
21.5
18.6
22.0
0.3
-0.6
0.5
-0.7
4.3
-5.0
-3.0
-3.0
-3.0
-1.0
0.5
0.5
4.8
5.6
6.0
5.6
7.0
14.0
8.0
5.8
9.5
9.5
5.8
-12.0
1.5
1.1
6.0
6.0
7.6
9.8
5.0
26.3
26.3
26.3
26.3
11.0
15.4
10.0
15.5
10.0
LWART
21.0
0.5
16.0
10.5
14.0
1.0
-5.0
-11.0
0.0
-7.0
1.0
-8.0
-7.0
16.0
18.0
15.6
17.0
-27.0
-29.0
-22.0
-30.0
-22.0
-14.0
-16.0
-12.0
-12.0
-10.0
-5.0
-5.0
-2.0
2.0
1.0
2.0
4.0
5.5
3.0
1.5
2.0
2.0
1.5
-19.0
-3.0
-3.0
2.0
2.0
1.0
3.0
0.0
16.0
16.0
16.0
16.0
9.0
14.5
8.5
12.0
4.0
MWSAL
29.5
24.0
34.5
2.0
32.0
38.8
17.5
17.5
38.0
17.5
38.8
17.5
17.5
33.0
34.5
26.0
30.0
13.5
5.2
13.8
0.1
18.0
26.0
8.0
0.0
0.0
0.0
21.0
21.0
18.0
8.0
0.0
0.0
0.0
30.0
35.5
0.0
18.0
18.0
2.0
2.0
0.0
0.0
28.0
15.0
33.0
34.0
5.0
36.0
36.0
36.9
36.0
20.0
28.0
35.2
39.2
34.9
LWSAL
28.5
18.0
34.0
0.1
30.0
37.5
16.9
16.3
37.0
16.3
37.5
16.9
16.3
31.0
34.0
17.0
20.0
5.4
0.5
8.8
0.1
15.2
18.0
0.0
0.0
0.0
0.0
15.0
15.0
10.0
0.0
0.0
0.0
0.0
24.0
35.0
0.0
14.0
14.0
0.0
0.0
0.0
0.0
10.0
5.0
31.0
33.5
1.0
35.5
35.2
37.5
35.5
10.0
18.0
34.9
37.0
34.6
MDSAL
30.5
35.0
35.0
12.0
33.0
39.1
17.5
17.5
38.7
17.5
39.1
17.5
17.5
34.0
35.0
33.0
34.0
16.1
3.0
14.5
0.2
18.0
29.0
22.0
1.0
3.0
4.0
26.0
26.0
28.0
30.0
7.0
0.0
0.0
31.0
36.0
5.0
26.0
26.0
10.0
8.0
0.0
0.0
30.0
27.0
33.2
35.0
10.0
36.1
36.5
36.1
36.5
34.3
35.5
34.9
38.2
34.9
UDSAL
31.5
36.0
35.5
15.0
34.0
39.8
18.2
18.3
39.2
18.3
39.8
18.2
18.3
34.5
35.5
34.5
35.5
20.0
12.5
18.2
0.5
19.8
31.0
30.0
3.0
6.0
8.0
31.0
31.0
33.0
35.0
13.0
0.0
0.0
34.0
36.5
10.0
33.0
32.0
18.0
12.0
0.0
0.0
32.0
30.0
33.8
37.0
30.0
36.5
37.5
36.5
37.0
34.8
35.5
35.0
41.4
35.0
MSPR
2.3
0.8
2.5
1.8
1.9
0.3
0.2
0.3
0.4
0.3
0.3
0.1
0.3
2.5
1.0
4.8
3.8
0.1
0.1
0.1
0.0
0.2
3.3
1.6
1.9
1.8
0.4
1.1
1.2
3.0
1.0
0.5
0.2
0.0
0.4
0.5
0.5
0.5
0.4
0.4
8.8
0.0
0.0
2.0
2.0
2.0
2.2
0.3
1.5
1.2
1.2
1.1
1.5
1.8
1.6
1.9
1.4
MNER
0.9
0.2
1.2
0.3
1.3
0.0
0.0
0.0
0.0
0.0
0.1
0.0
0.0
0.5
0.3
3.9
1.5
0.0
0.0
0.0
0.0
0.1
1.4
1.3
1.6
1.6
0.3
0.7
0.8
2.2
0.3
0.0
0.0
0.0
0.2
0.3
0.1
0.1
0.1
0.1
5.0
0.0
0.0
0.6
0.7
0.6
1.4
0.1
0.5
0.2
0.4
0.3
0.6
0.5
0.5
0.5
0.6
164
o
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
CDIGO
BRSPB
AEAUH
AEMZD
AEDAS
AEPRA
AEDXB
AEFAT
AEFJR
AEJEA
AEJED
AEKLF
AEQIW
AERUW
AESHJ
AEZIR
ARBUE
ARCMP
AUDAM
AUPWL
AUPBY
AUWYA
AUPPI
AUPST
AUWEP
AUPKL
AUBNE
AUBDB
AUGLT
AUPTL
AUHPT
AUPDT
AUMKY
AUABP
AUTSV
AULUC
AUMOU
AUCNS
AUCQP
AUWEI
AUKRB
BDCGP
BEANR
BEGNE
BGBOJ
BGVAR
BHMAN
BHMIN
BRITJ
BRPNG
BRSSZ
BRRIO
BRPOU
BRVIX
BRPRM
BRTUB
BRSSA
CACBC
CASEI
CAHAL
CALHA
D6MRF
750
3
3
5
2
2
5
4
2
5
4
2
5
2
5
424
424
41
41
161
119
125
280
245
457
369
323
244
245
297
297
297
158
119
204
909
279
224
58
36
149
334
334
285
246
2
2
584
648
738
750
446
446
446
446
727
530
510
603
603
W6MRF
750
92
92
76
100
100
75
80
90
75
80
90
75
98
75
581
581
231
231
355
151
219
440
302
913
779
820
704
558
1312
1312
1312
853
990
742
2643
1726
1586
1687
884
1484
460
460
294
282
72
72
961
1288
1343
750
829
829
829
829
1384
660
596
793
793
RNFL75
7
4
4
4
4
4
4
4
5
4
4
5
4
5
4
9
9
5
5
7
9
8
6
9
8
7
7
7
7
6
6
6
6
6
6
7
6
6
5
5
4
8
8
9
8
4
4
8
8
7
7
7
7
7
7
8
8
9
8
8
DISRVM
5
8
8
110
5
5
165
65
70
20
42
22
20
20
85
-155
-250
180
225
65
40
30
30
25
12
-2
-5
4
-16
6
6
5
18
-1
6
-1
-7
14
-5
-3
-3
-75
-51
320
250
90
90
-3
-15
-3
1
65
-6
4
4
4
5
6
1
-3
SIZRVC
2,500
30
30
120
25
25
20
540
2,100
120
540
1,000
120
100
120
600,000
280,000
105,000
105,000
550
990
990
1,500
900
400
6,600
3,300
9,000
143,000
500
500
2,500
2,768
200
8,814
1,600
300
114
4,107
121,290
1,200,000
4,300
2,150
817,000
817,000
50
50
15,500
797
154
30
1,400
1,400
1,400
1,400
35,000
200
6,000
400
2,000
INASMW INARKW
5
3
5
5
5
5
5
4
5
4
5
4
5
0
5
5
5
5
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5
5
5
4
5
4
5
4
5
2
5
5
5
1
5
5
5
5
5
3
5
5
5
2
5
4
5
4
5
4
5
4
5
4
5
3
5
2
5
2
5
4
5
3
5
0
5
2
5
5
5
5
5
5
5
5
5
4
5
5
5
4
5
5
5
5
5
4
5
5
5
5
5
5
5
5
5
5
5
0
5
4
5
4
5
1
INAWP
3
4
4
0
3
3
0
3
5
1
2
4
1
3
0
4
5
3
2
3
4
3
0
4
4
4
4
3
4
3
3
5
2
5
3
4
5
0
4
5
5
5
5
4
4
3
3
5
3
4
4
0
5
2
2
2
0
3
4
4
INHTSM
1
3
3
1
4
4
0
0
2
4
0
4
4
4
1
0
0
4
2
2
2
3
1
3
1
4
4
4
4
2
2
2
2
3
3
3
4
1
4
4
0
0
0
4
3
3
3
4
0
0
1
2
0
1
0
0
0
0
0
0
INSNDB
4
4
4
4
1
1
2
4
4
4
3
5
4
2
4
4
1
4
3
3
5
5
4
4
3
4
2
4
2
2
2
1
2
2
2
1
3
1
1
2
0
1
2
4
3
4
4
4
4
4
4
5
3
4
4
4
0
3
0
0
INSTNB
0
2
2
0
2
2
0
4
3
0
3
4
0
3
0
2
4
0
0
0
0
0
0
1
0
3
3
0
4
2
2
2
2
2
3
1
1
1
2
5
0
1
2
3
3
3
3
0
0
0
0
0
0
0
0
0
4
4
4
5
INLTMF
4
4
4
1
4
4
0
0
2
4
0
4
4
4
1
4
1
4
3
2
2
5
3
4
2
4
1
5
1
2
2
2
3
2
2
1
1
3
2
1
5
2
3
3
2
3
3
5
4
5
4
1
5
4
4
2
0
1
0
0
INMANG
4
4
4
1
4
4
0
0
2
4
0
4
4
4
1
0
0
3
3
3
3
4
0
0
1
4
1
4
1
2
2
3
3
2
3
1
1
3
1
1
3
0
0
0
0
3
3
5
5
5
4
1
4
3
3
2
0
0
0
0
INRKSH
4
4
4
4
2
2
2
4
4
4
4
4
4
3
4
1
0
5
5
4
4
3
4
4
4
3
3
5
4
2
2
2
2
2
3
1
1
1
2
5
0
0
0
4
2
4
4
4
4
4
3
1
4
5
5
5
5
5
5
5
SUFSND
3
5
5
5
5
5
3
5
5
4
5
5
4
5
5
4
5
4
5
5
5
5
5
5
5
5
3
5
2
5
5
3
5
3
5
2
3
4
2
4
2
2
2
4
4
5
5
4
4
4
3
5
3
4
4
4
3
3
3
3
SUSFTM
5
2
2
3
2
2
5
4
2
5
4
2
5
0
3
5
5
5
3
3
3
3
3
5
5
5
5
5
5
4
4
5
4
5
3
5
5
1
5
5
5
5
5
5
5
3
3
2
4
5
5
2
5
5
5
5
3
4
5
3
SUSGRM
0
4
4
4
2
2
1
4
4
4
4
4
4
2
4
3
0
4
4
4
4
4
4
3
4
4
2
4
4
2
2
2
1
1
2
1
1
3
2
2
3
0
1
0
0
4
4
0
0
0
0
0
0
0
0
0
0
0
0
0
SURKRF
4
4
4
4
5
5
1
3
3
2
3
3
2
5
4
1
0
5
4
4
3
3
3
4
5
3
3
5
4
2
2
2
2
2
3
1
4
1
2
5
1
0
0
4
4
3
3
4
5
3
5
1
5
4
4
4
5
5
5
5
SUCORF
0
4
4
4
4
4
1
1
2
2
1
3
2
3
4
0
0
2
2
0
0
0
0
0
0
4
5
4
4
4
4
2
4
3
4
3
4
4
3
5
0
0
0
0
0
4
4
0
0
0
0
0
0
0
0
0
0
0
0
0
165
o
N
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
CDIGO
CAVAN
CARBK
CNCAN
CNCWN
CNDLC
CNHUA
CNNBO
CNNGB
CNSHA
CNSHB
CNTAO
CNTSN
CNYNT
COCAR
CYKYR
CYLCA
CYLMS
DEBRE
DEHAM
DEWVN
DJJIB
DKENS
DKFRC
EGAIS
EGALY
EGDAM
EGEDK
EGPSD
EGSUZ
ESGIJ
ESBIO
ESVGO
ESBCN
ESVLC
ESALG
ESLPA
ESSCT
ESTAR
FRDKK
FRBES
FRDON
FRFOS
FRLAV
FRLEH
FRMRS
GBHST
GBIMM
GB001
GBPTB
GBRER
GEBUS
GEPTI
GIGIB
GRASS
GREEU
GRJKH
GRPAC
GRPIR
GRSKI
GRVOL
D6MRF
300
300
341
320
183
326
464
464
480
382
192
278
190
80
139
139
41
322
429
322
14
293
217
3
10
7
10
6
5
425
436
503
349
150
690
17
46
349
264
404
336
195
195
405
195
443
271
309
385
285
539
537
690
180
69
181
69
69
181
181
W6MRF
807
807
1362
1604
457
1606
947
947
840
742
577
603
500
863
958
958
411
428
325
428
33
411
331
29
186
100
186
190
100
670
655
1303
241
318
146
159
396
241
347
724
475
387
387
723
387
662
330
507
534
330
978
840
146
278
302
278
302
302
278
278
RNFL75
6
6
6
6
7
6
8
8
8
7
6
8
7
3
5
5
4
8
9
8
6
9
9
4
4
4
4
4
4
9
9
6
9
6
5
4
9
9
9
8
8
7
7
7
7
8
9
9
9
9
7
8
5
6
6
6
6
6
7
6
DISRVM
0
0
-112
4
35
-95
-3
-3
-40
-45
24
0
30
15
120
25
3
-15
-105
1
5
2
8
3
45
7
52
270
63
6
-2
14
11
4
35
1
2
75
27
20
-3
0
0
0
0
30
-20
0
2
-4
7
4
25
4
5
93
34
14
6
0
SIZRVC
85,000
85,000
400,000
1,000,000
1,500
452,600
600
600
1,500,000
1,500,000
8,800
71,600
1,200
1,400
40
50
60
6,500
9,000
750
900
200
300
200
2,000
3,000
2,000
2,000,000
200
40
4,500
400
5,000
550
1,600
60
20
6,000
1,800
600
1,300
3,000
3,000
6,500
3,000
2,400
4,900
180
280
3,000
22,000
13,300
1,600
5,600
961
900
855
320
1,800
64
INASMW INARKW
5
4
5
3
5
4
5
3
5
5
4
3
5
2
5
2
5
3
5
4
5
5
5
5
5
5
5
4
5
5
5
5
5
5
5
2
5
4
5
5
5
5
5
2
5
4
5
3
5
4
5
5
5
4
5
5
5
5
5
5
5
4
5
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
4
5
5
5
5
5
5
INAWP
4
3
4
5
5
5
5
5
5
4
4
5
4
2
5
5
5
5
5
4
4
3
4
0
0
0
0
4
4
5
4
3
5
4
5
3
3
4
3
4
4
3
4
4
5
3
4
5
5
4
4
4
3
4
4
5
1
4
5
4
INHTSM
0
0
4
0
2
4
3
3
2
2
2
2
0
3
0
0
0
0
0
2
2
1
1
2
2
2
2
4
2
1
2
2
0
2
0
0
0
1
2
2
0
2
2
0
2
1
2
4
2
3
3
3
0
0
0
0
0
0
0
0
INSNDB
2
3
1
3
3
4
4
4
1
1
2
3
3
4
3
4
4
1
1
3
4
2
2
4
4
4
4
3
4
4
3
3
3
5
5
4
2
3
4
3
4
3
3
4
3
5
3
4
4
3
4
4
4
5
4
4
2
4
4
4
INSTNB
4
4
0
2
4
2
2
2
0
0
1
1
4
0
4
4
4
2
2
2
3
4
4
0
3
4
3
1
0
3
3
4
2
3
5
3
3
3
4
4
4
3
3
4
3
3
3
5
4
4
4
1
4
4
4
5
2
3
4
4
INLTMF
3
3
5
1
4
5
5
5
5
5
3
3
4
4
1
1
1
5
5
5
2
2
2
2
0
2
0
4
3
3
5
2
2
0
0
0
0
4
4
3
4
0
0
4
0
4
5
4
4
4
3
3
0
2
2
1
2
3
4
2
INMANG
0
0
1
3
0
1
0
0
0
0
0
0
0
4
0
0
0
0
0
0
2
0
0
2
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
INRKSH
4
4
2
3
5
2
4
4
1
1
4
2
5
3
4
4
4
2
1
1
4
5
4
4
3
0
3
2
4
4
3
5
3
1
4
4
4
3
0
4
3
3
3
4
3
4
0
3
2
3
4
2
4
4
4
5
5
4
3
4
SUFSND
4
4
2
2
4
3
4
4
3
3
3
4
4
3
4
4
4
2
2
4
5
2
2
5
5
5
5
4
5
5
3
5
5
4
3
5
5
5
4
5
4
4
4
4
4
5
3
4
4
4
4
4
3
5
4
4
4
5
4
4
SUSFTM
5
4
5
5
5
5
5
5
5
5
5
5
5
5
2
2
2
5
5
5
3
5
5
4
5
0
5
5
3
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
4
5
3
4
3
5
5
SUSGRM
0
0
1
2
2
1
2
2
1
1
3
2
2
4
4
4
4
1
0
2
3
1
1
2
3
4
3
3
1
2
2
2
3
4
3
3
3
3
0
3
3
3
3
3
3
0
0
0
0
0
0
0
3
2
2
2
2
3
3
3
SURKRF
5
5
1
3
4
2
4
4
1
1
4
1
4
3
5
5
5
2
0
1
0
5
5
0
3
0
3
3
2
4
2
5
3
2
5
5
5
3
0
5
3
3
3
3
3
4
0
3
2
3
4
1
5
3
4
5
5
4
4
4
SUCORF
0
0
0
2
0
1
0
0
0
0
0
0
0
3
0
0
0
0
0
0
4
0
0
4
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
166
o
N
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
CDIGO
HKHKG
HKKWN
HROMI
IDBLW
IDDUM
IDCIG
IDMRK
IDJKT
IDCXP
IDSRG
IDSUB
IDTBA
IDBPN
IDAMA
IEMOT
ILASH
INBOM
INCCU
INCOK
INHAL
INIXE
INIXY
INMAA
INMRM
INMUN
INPBD
INPRT
INSAL
INSIK
INTUT
INVAD
INVTZ
IRBKM
IRBMR
IRBND
IRBUZ
IRKHK
IRLVP
IRSXI
ISHAF
ISSTR
ITGOA
ITPFX
ITLIV
ITRAN
ITTAR
ITVCE
ITTRS
JPABO
JPAMA
JPBEP
JPCHB
JPKMT
JPFKY
JPHHR
JPHIM
JPHKT
JPIMB
JPINS
JPIWK
D6MRF
206
206
470
960
985
286
480
268
1325
312
203
1272
1272
1203
544
7
287
149
498
149
268
3
341
49
6
350
198
150
6
158
150
78
2
2
11
5
2
0
0
220
220
451
294
343
346
132
438
469
400
431
465
580
580
342
390
400
509
450
340
499
W6MRF
2520
2520
570
1150
1287
899
1335
1434
2172
1390
1277
1494
1494
1330
878
100
2246
1484
2417
1484
2739
338
863
2915
485
1500
1551
900
485
506
900
799
190
190
172
160
154
84
84
330
330
825
641
565
411
308
604
573
900
885
1176
1100
1100
834
950
900
1095
899
850
1045
RNFL75
5
5
9
9
9
7
7
6
8
6
6
9
9
9
8
4
2
4
3
4
2
2
7
4
2
3
4
3
2
3
3
4
3
3
4
4
4
3
3
8
8
6
7
8
9
7
8
9
7
7
6
7
7
7
6
7
7
4
6
7
DISRVM
33
33
18
12
42
5
20
5
-1
2
1
80
100
0
-18
3
10
-140
-3
-36
15
-40
110
0
10
18
5
2
14
15
2
15
144
100
30
25
31
140
140
4
1
28
20
20
0
8
-2
20
3
0
10
18
11
5
10
10
6
2
15
3
SIZRVC
1,000,000
1,000,000
250
550
20,000
50
700
300
900
200
200
100,000
100,000
500
4,000
20
9,800
1,200,000
6,170
1,200,000
2,500
150,000
50,000
2,500
1,100
1,200
132,100
800
1,100
14,400
800
113,000
500,000
500,000
42,000
12,000
12,000
42,000
42,000
200
200
600
400
4,100
2,000
550
1,200
3,000
480
7,600
1,500
880
880
649
1,656
480
280
70
60
260
INASMW INARKW
5
5
5
5
5
0
5
0
5
2
5
3
5
4
5
4
3
2
5
4
5
3
5
0
5
4
5
4
5
2
5
5
5
1
5
2
5
5
5
4
5
4
5
1
5
5
5
5
5
5
5
5
5
5
5
4
5
4
5
5
4
4
5
5
5
0
5
0
5
5
5
0
5
5
5
0
5
0
5
5
5
5
5
4
5
3
5
5
5
5
5
4
5
5
5
4
5
5
5
4
4
3
5
4
5
4
5
3
5
4
5
5
5
3
5
3
5
3
5
4
INAWP
3
5
2
4
4
5
4
5
3
4
4
0
5
5
5
0
2
5
5
5
4
4
2
4
5
4
2
4
3
3
3
2
5
5
0
3
4
0
0
4
4
4
0
5
4
3
4
4
3
2
2
4
4
2
3
4
2
4
4
4
INHTSM
1
1
0
0
0
1
0
0
1
1
0
0
0
1
2
0
0
1
0
2
0
3
0
3
4
3
0
3
2
0
3
0
2
2
3
3
2
0
0
0
0
0
2
2
0
2
2
0
2
0
1
1
1
1
2
2
1
2
2
2
INSNDB
3
2
1
3
3
1
3
4
3
3
1
3
3
1
3
4
2
0
5
3
5
2
5
4
4
3
5
3
0
5
3
4
0
0
3
4
4
4
4
0
0
3
4
4
3
3
3
3
2
3
3
2
2
3
3
2
2
3
3
3
INSTNB
3
2
2
0
0
1
1
3
2
5
2
0
0
5
4
4
0
0
0
0
3
0
0
3
0
3
0
2
0
0
2
0
2
2
1
2
4
4
4
4
4
4
3
4
3
2
1
3
4
4
4
3
3
2
4
3
3
3
3
3
INLTMF
3
4
0
5
5
1
2
1
1
1
1
2
4
1
4
0
5
5
5
5
3
5
1
4
5
2
4
5
4
4
3
1
5
5
5
5
2
0
0
0
0
0
1
0
4
2
3
3
2
2
2
3
3
2
3
2
2
4
4
4
INMANG
3
3
0
5
4
1
2
3
1
2
2
3
4
1
0
0
4
1
5
3
3
5
1
3
4
2
4
4
4
4
3
1
0
0
2
1
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
INRKSH
3
3
5
3
2
1
4
3
2
5
2
4
4
5
5
0
4
0
1
1
3
2
1
5
1
4
1
3
1
5
3
4
0
0
1
0
4
4
4
4
4
4
4
3
3
4
3
3
4
3
4
3
3
2
4
3
3
3
3
3
SUFSND
3
3
3
4
3
4
5
3
5
3
4
5
4
5
4
5
4
0
2
3
4
2
4
4
0
3
4
3
0
4
4
3
0
0
5
4
5
5
5
0
0
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
SUSFTM
4
5
2
5
5
4
3
5
3
5
4
4
5
3
5
0
4
5
2
5
4
5
5
5
5
5
4
5
5
4
5
3
5
5
5
5
3
4
4
3
3
2
2
5
5
5
5
5
4
2
4
5
5
3
4
5
2
5
5
5
SUSGRM
3
3
1
3
4
3
3
4
4
2
2
4
3
3
0
4
0
0
0
1
0
0
1
0
2
2
0
2
2
2
2
0
1
1
2
3
4
4
4
0
0
3
3
3
2
3
3
2
3
3
2
2
2
2
3
3
2
3
3
3
SURKRF
4
3
5
3
1
2
5
3
3
5
2
4
3
4
5
0
4
0
1
0
2
2
1
4
1
4
2
4
1
5
4
4
0
0
2
0
0
0
0
5
5
4
4
4
4
4
2
3
4
4
5
3
3
5
4
4
5
4
4
4
SUCORF
3
3
0
2
1
2
4
3
3
4
2
4
3
4
0
0
0
0
0
0
0
3
0
0
1
0
0
0
5
3
0
4
0
0
2
2
5
4
4
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
167
o
N
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
CDIGO
JPKCZ
JPKGA
JPKII
JPKIJ
JPKIK
JPKIN
JPKND
JPKNU
JPKOJ
JPKSM
JPKUD
JPKWS
JPMAI
JPMIZ
JPMOJ
JPMUR
JPMYJ
JPNAH
JPNGI
JPNGO
JPNGS
JPOIT
JPOKA
JPONO
JPOSA
JPSAE
JPSAG
JPSAK
JPSBS
JPSKD
JPSMN
JPSMT
JPSMZ
JPTAM
JPTBT
JPTKY
JPTMK
JPTOY
JPTYO
JPUBJ
JPUKB
JPWAK
JPYKK
JPYOK
JPYOS
KEMBA
KRKAN
KRKPO
KRKUV
KRMOK
KRONS
KRPUS
KRSCP
KRUSN
KRYOS
KWKWI
KWMAA
KWMIS
KWMIB
KWSAA
D6MRF
798
402
632
724
450
818
554
478
632
683
635
570
781
339
554
724
450
818
548
478
562
465
818
340
430
465
465
420
632
358
848
456
738
339
554
631
724
327
585
631
295
420
505
548
550
355
344
284
344
344
308
356
361
344
344
8
5
15
7
5
W6MRF
1841
916
1607
1065
899
1320
1106
1057
1607
983
1210
1100
1020
821
1106
1065
899
1320
1021
1057
1417
1176
1320
850
880
1176
1176
850
1607
775
1075
886
1356
821
1106
1213
1065
739
1110
1213
1021
850
1082
1021
1000
789
958
774
931
931
1175
1032
933
942
958
91
90
95
91
90
RNFL75
4
7
6
6
4
7
7
7
6
8
7
7
8
7
7
6
4
7
7
7
6
6
7
6
7
6
6
7
6
7
9
7
7
7
7
7
6
7
7
7
6
7
7
7
7
8
7
7
4
4
6
7
7
7
7
5
4
4
5
4
DISRVM
-4
1
20
-2
1
5
4
-2
2
32
1
4
12
2
13
15
12
2
3
2
-5
3
2
2
0
18
18
1
2
4
11
3
1
23
5
1
0
3
0
2
2
2
13
3
20
100
7
7
0
7
3
15
16
3
26
140
105
160
120
115
SIZRVC
640
1,656
100
1,800
10
10
40
350
260
1,800
30
2,200
1,600
1,990
300
740
270
15
230
900
480
2,150
15
60
16,000
2,150
2,150
1,600
140
120
280
25
900
1,990
10
70
10
4,800
3,200
85
50
3100
900
230
230
9,000
2,100
2,300
500
1,000
900
1,690,000
400
900
2,100
500,000
500,000
500,000
500,000
500,000
INASMW INARKW
5
3
5
4
4
4
5
4
5
3
5
4
4
3
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5
3
5
4
5
3
5
4
5
4
5
4
5
3
4
3
5
4
5
3
5
4
4
3
4
3
5
4
5
4
4
4
5
4
5
4
5
4
5
4
5
3
5
4
5
4
5
4
5
4
5
4
5
3
5
4
5
4
5
4
5
4
5
4
5
3
5
4
5
4
5
4
5
4
5
4
5
3
5
4
5
3
5
5
5
5
5
4
5
2
5
5
INAWP
4
2
2
4
4
2
2
4
4
2
3
4
4
2
1
4
4
4
4
4
5
2
4
5
3
2
2
4
4
3
4
4
4
2
4
3
4
4
5
3
4
4
4
4
4
5
4
2
3
3
3
2
2
2
3
1
1
1
1
1
INHTSM
3
2
2
0
2
2
1
2
2
1
1
1
0
1
1
0
2
3
1
2
0
1
3
2
0
1
1
0
2
0
3
2
1
1
1
1
0
0
1
0
0
2
2
1
1
4
1
2
1
2
2
0
1
0
1
3
2
2
2
2
INSNDB
3
2
3
3
3
4
3
3
3
4
3
2
2
3
2
3
3
4
4
4
3
3
4
3
3
3
3
3
3
2
4
4
3
3
3
3
3
3
2
3
3
4
3
4
4
4
3
3
2
2
2
3
2
3
3
4
2
4
2
3
INSTNB
3
3
4
2
3
4
4
2
4
3
1
3
4
2
2
3
3
2
3
1
4
4
2
3
4
4
4
4
4
2
3
1
4
2
2
1
3
2
3
2
4
1
1
3
3
2
3
2
3
2
2
2
1
1
3
3
1
2
2
2
INLTMF
4
2
2
3
4
3
2
3
2
1
3
3
3
3
2
3
4
3
3
3
3
2
3
4
2
2
2
2
2
2
3
3
3
3
4
4
3
3
3
3
4
3
3
3
2
4
2
3
2
2
2
4
2
2
2
3
2
3
1
2
INMANG
0
0
3
0
0
4
0
0
2
0
0
0
0
0
0
0
0
3
0
0
0
0
3
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
2
2
3
2
2
INRKSH
4
3
4
5
3
4
4
3
4
2
5
3
5
3
2
5
3
3
3
3
4
4
3
3
3
4
4
4
4
2
4
3
4
3
2
5
5
3
2
2
4
4
3
3
4
4
4
2
4
5
1
2
1
1
4
3
3
4
2
3
SUFSND
3
3
4
3
3
4
3
3
3
5
3
3
2
4
3
3
3
4
3
3
3
3
4
4
3
3
3
4
4
4
4
3
4
4
4
3
3
3
2
4
3
3
3
3
4
5
4
3
3
3
3
3
4
3
3
5
5
5
4
5
SUSFTM
5
4
3
5
5
5
2
5
3
4
5
5
5
5
3
5
5
5
5
5
5
4
5
5
5
4
3
4
3
4
4
5
5
5
4
5
5
5
5
3
5
5
5
5
5
5
4
5
5
5
3
2
4
3
3
5
2
2
5
2
SUSGRM
3
3
2
2
3
4
2
3
2
2
3
2
2
4
3
2
3
4
3
4
3
2
4
3
2
2
2
3
2
2
2
4
3
4
4
3
2
2
2
4
4
4
4
3
4
3
3
3
3
2
4
3
3
4
4
4
3
2
3
3
SURKRF
4
4
5
4
4
0
5
4
5
3
5
3
4
4
5
4
4
0
4
5
5
5
0
4
3
5
5
4
5
5
3
4
4
5
5
5
4
3
3
5
4
5
5
4
5
3
2
1
4
4
4
2
2
4
5
3
3
2
3
3
SUCORF
3
0
2
0
0
4
0
0
3
0
0
1
0
0
0
0
0
4
1
0
1
0
4
0
0
0
0
0
2
0
0
1
0
0
0
0
0
0
1
0
0
0
0
1
1
3
0
0
0
0
0
0
0
0
0
3
2
2
3
2
168
o
N
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
CDIGO
LKCMB
MTMLA
MYPEN
MYLUM
MYPKG
MYPDI
MYBTB
MYPGU
MYBTU
NGLOS
NGTIN
NGPHC
NGONN
NGBON
NLEUR
NLRTM
NLIJM
NLAMS
NLVLI
NZAKL
NZWRE
NZMAP
PECLL
PGLAE
PGPOM
PGDAU
PHBTG
PHBTN
PHLIM
PHMNL
PHSFS
PKBQM
PKKHI
PTFAO
PTLIS
PTLOS
PTSIE
QADOH
QAUMS
QAHAL
ROCND
ROMAG
ROMID
RUNVS
RUTUA
RUVVO
SADMN
SAJED
SAJUB
SAJUT
SARAR
SA001
SARLT
SAYNB
SDMBT
SDPZU
SGJUR
SGKEP
SGSEM
SGSIN
D6MRF
644
117
770
790
885
713
885
1101
1632
405
405
561
560
605
362
362
475
472
480
497
487
487
6
1760
236
250
365
216
216
216
228
50
41
87
164
87
164
5
5
5
196
191
196
320
609
90
15
5
15
15
15
15
15
2
10
10
927
927
927
927
W6MRF
1597
493
1351
1450
1305
1600
1305
1433
1993
1336
1336
1798
1800
1444
469
469
365
360
370
687
673
673
14
2699
919
960
1372
1607
1607
1607
1797
185
156
434
538
434
538
76
76
76
224
222
224
488
930
631
80
60
100
100
95
95
100
55
40
40
1103
1103
1103
1103
RNFL75
7
7
8
8
8
7
8
8
9
6
6
6
6
6
8
8
9
9
9
8
9
9
6
8
6
6
6
6
6
6
6
3
3
5
6
5
4
4
4
4
9
9
9
9
7
5
4
3
4
4
4
4
4
3
4
4
9
9
9
9
DISRVM
22
200
0
-2
-1
6
1
10
9
0
16
-66
-40
0
0
-10
-1
-18
-3
3
0
20
10
2
7
35
2
25
4
6
4
-30
-4
80
0
0
30
5
10
95
115
145
95
270
140
25
3
20
170
200
170
170
170
2
30
2
5
5
2
5
SIZRVC
880
120
480
400
650
400
140
2,800
3,700
18,000
18,000
120,000
120,000
8,000
2,500
2,500
300
5,000
600
200
600
600
400
7,980
85
55,600
500
900
900
120
1,800
240,000
240,000
8,250
11,000
40
700
300
400
300
817,000
817,000
817,000
1,410
1,410
15,000
80
800
1,000
1,000
500,000
1,000
1,000
400
1,000
1,000
200
200
2,800
200
INASMW INARKW
5
5
5
5
5
4
5
3
5
3
5
2
5
2
5
2
5
4
5
4
5
4
5
0
5
4
5
0
5
5
5
5
5
5
5
5
5
5
5
4
5
0
5
0
5
5
5
4
5
5
5
0
5
3
5
3
5
4
5
4
5
5
5
4
5
4
5
4
5
4
5
4
5
4
5
5
5
4
5
4
5
5
5
5
5
5
5
5
5
5
5
4
5
5
5
5
5
5
3
3
5
2
5
5
5
4
5
4
5
3
5
5
5
4
5
4
5
4
5
4
INAWP
4
5
4
5
3
3
3
4
4
5
4
5
4
5
3
4
4
5
4
3
4
2
4
4
5
5
4
4
2
4
3
4
5
4
5
5
4
4
3
0
4
4
4
4
4
5
4
4
4
1
1
1
2
0
3
4
4
4
4
4
INHTSM
1
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
1
0
2
2
1
1
2
2
2
3
4
4
3
1
1
3
4
3
3
2
2
3
4
1
3
3
2
2
1
0
2
3
3
2
2
2
3
3
2
3
3
3
3
3
INSNDB
4
3
4
3
2
4
2
4
2
3
4
1
2
2
3
2
4
2
4
2
5
4
4
2
2
4
2
2
3
2
3
2
4
3
2
4
3
4
4
4
4
4
4
3
3
3
4
4
4
3
2
4
4
4
3
3
2
2
4
2
INSTNB
3
4
3
2
4
2
3
3
1
0
0
2
3
0
3
2
3
2
3
2
3
3
3
1
1
0
4
4
2
2
3
0
0
2
3
4
3
2
2
0
4
4
4
3
2
3
1
0
4
0
1
3
2
0
0
0
2
2
4
2
INLTMF
2
0
1
5
1
3
1
1
3
5
5
5
5
5
4
4
4
5
4
2
5
2
2
1
2
4
1
1
3
1
3
5
5
4
5
4
2
4
3
1
3
3
4
2
1
4
4
3
3
2
2
2
3
3
2
4
4
4
1
4
INMANG
2
0
1
3
1
3
1
2
3
4
4
4
4
4
0
0
0
0
0
0
0
0
0
2
2
4
1
1
3
3
4
4
4
0
0
0
0
3
4
1
0
0
0
0
0
0
4
3
3
2
2
2
3
3
2
3
4
4
1
4
INRKSH
3
4
3
3
4
4
3
3
1
2
2
2
2
0
1
0
1
0
1
3
5
5
3
1
1
4
4
4
3
2
3
2
3
4
4
4
4
4
4
4
2
2
2
5
4
5
3
4
3
3
2
4
2
3
2
4
2
2
4
2
SUFSND
4
4
5
4
5
4
5
4
5
3
3
4
4
2
2
2
4
2
4
3
4
5
5
5
5
5
5
5
5
3
5
2
2
3
3
5
4
5
5
5
4
4
4
4
4
5
4
5
5
4
4
5
4
5
4
4
3
3
3
3
SUSFTM
5
0
4
5
4
5
3
4
3
5
5
5
5
5
5
5
5
5
5
5
5
3
5
2
3
5
4
4
4
5
3
5
5
4
5
5
1
4
3
3
5
5
5
5
4
5
5
4
3
5
5
3
5
3
5
5
5
5
5
5
SUSGRM
3
4
4
3
3
4
3
3
3
3
3
0
0
3
1
1
2
1
1
2
2
2
3
3
1
4
3
3
4
3
3
1
2
3
2
3
0
4
4
4
0
0
0
1
1
0
4
3
4
2
3
4
4
3
3
3
2
2
3
2
SURKRF
3
5
4
4
5
4
5
4
2
2
2
1
1
0
0
0
0
0
0
2
4
5
4
1
1
4
4
4
4
4
4
1
2
3
3
4
4
2
0
4
1
1
1
4
4
5
3
3
0
2
3
4
3
3
3
3
2
2
4
2
SUCORF
1
0
4
3
5
4
5
4
2
0
0
0
1
0
0
0
0
0
0
0
0
0
0
4
1
3
4
3
3
4
3
0
0
0
0
0
0
3
4
4
0
0
0
0
0
0
3
4
3
2
2
1
3
4
4
2
2
2
4
2
169
o
N
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
CDIGO
SGTPG
SIKOP
SNDKR
THBKK
THLCH
TRDYL
TRERE
TRIST
TRIZM
TRIZT
TRMER
TRSSX
TRYAR
TWKEL
TWKHH
TWTXG
TZDAR
UAODS
UADNB
UAILK
UANIK
UASVP
USBOS
USNYC
USPHL
USILG
USBAL
USPHF
USNEN
USSAV
USMOB
USLCH
USDVT
USMSY
USLOP
USSAB
USBPT
USGLS
USTXT
USHOU
USANC
USPDX
USBCC
USSFO
USOAK
USLGB
USSAN
UYMVD
YEADE
YEHOD
YEMKX
YERAI
ZACPT
ZADUR
ZAPLZ
ZARCB
ZASDB
D6MRF
927
470
9
190
327
102
194
190
95
190
102
296
190
1721
158
370
248
148
227
155
156
162
496
556
485
485
518
498
498
433
758
630
758
718
729
723
540
459
459
540
117
231
230
44
44
11
22
540
14
14
14
14
197
332
363
462
69
W6MRF
1103
570
494
1307
1000
652
551
523
602
523
652
482
520
2009
1593
935
810
242
237
179
191
238
594
633
559
559
574
635
635
705
915
786
915
946
944
941
681
609
609
681
280
689
764
453
453
165
233
591
33
33
33
33
630
758
783
757
274
RNFL75
9
9
3
6
6
5
6
7
5
8
5
8
7
9
5
7
6
8
9
9
9
9
9
9
9
9
9
8
8
9
9
7
9
8
8
8
8
9
9
8
7
6
6
5
5
2
5
9
6
6
6
6
6
7
8
8
5
DISRVM
5
0
170
-25
8
5
70
400
45
450
1
60
440
8
10
10
95
54
0
80
-80
300
0
-5
-50
-30
-70
-10
-10
0
-2
-26
-60
-140
60
5
-70
0
-12
-35
0
-195
-188
15
14
5
14
0
6
14
70
55
3
3
1
2
70
SIZRVC
200
400
40,000
250,000
330
400
65,000
817,000
5,000
817,000
450
78,200
817,000
45
100
1,600
100,000
573,810
505,810
573,810
68,000
817,000
2,000
25,000
8,400
8,400
25,000
25,000
25,000
45,000
151,000
7,500
1,000,000
1,000,000
1,000,000
600
12,500
8,000
8,000
8,000
15,000
200,000
200,000
30,000
30,000
2,500
550
600,000
15,500
8,200
12,000
8,200
217
180
84
183
7,900
INASMW INARKW
5
3
5
4
5
5
5
2
5
3
5
2
5
5
5
5
5
4
5
3
5
5
5
5
5
4
5
5
5
5
5
5
5
5
5
5
5
2
5
4
5
1
5
5
5
4
5
5
5
5
5
5
5
5
5
5
5
4
5
4
5
4
5
4
5
5
5
3
5
2
5
4
5
5
5
5
5
5
5
4
5
5
5
4
5
4
5
4
5
4
5
5
5
4
5
4
5
5
5
5
5
5
5
2
5
4
5
4
5
5
5
4
5
5
INAWP
5
4
4
5
4
2
4
5
4
5
3
4
3
3
3
4
5
3
5
4
5
4
5
4
5
5
5
3
3
3
4
4
3
5
1
3
5
3
3
5
0
5
5
3
4
3
4
5
4
4
4
2
4
4
5
4
4
INHTSM
3
0
2
0
0
2
0
1
2
1
2
0
1
0
1
0
3
2
0
4
2
1
0
0
0
0
0
2
2
2
3
3
1
0
1
3
2
3
3
2
0
0
0
2
2
2
2
3
3
2
0
1
2
3
2
4
2
INSNDB
1
3
4
5
2
3
4
2
3
3
4
3
3
3
3
4
3
5
2
5
2
2
3
2
0
1
0
3
3
3
3
3
4
0
1
4
3
4
3
3
2
3
3
3
3
3
4
4
4
4
5
3
4
4
4
4
4
INSTNB
1
3
0
5
1
4
4
4
4
4
4
3
4
1
4
1
0
4
2
3
2
3
4
4
4
4
4
2
2
0
1
1
4
4
0
3
3
2
2
1
4
5
5
3
3
3
3
3
3
2
3
2
4
0
0
0
0
INLTMF
3
3
2
1
2
1
3
2
1
1
1
1
1
2
1
1
5
2
3
3
1
1
3
2
3
3
4
4
4
4
4
4
4
5
1
4
5
5
5
5
3
1
1
3
3
3
4
4
3
2
0
1
2
3
2
5
3
INMANG
3
0
2
4
4
0
0
0
0
0
0
0
0
5
4
4
4
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
0
1
2
2
4
4
2
0
0
0
0
0
0
0
0
3
2
0
1
0
4
0
4
0
INRKSH
1
3
4
5
1
4
4
5
4
5
4
4
5
1
3
1
2
3
1
2
1
5
4
2
4
4
4
4
4
0
0
0
1
1
0
3
0
2
2
1
4
5
5
4
4
2
2
4
4
3
5
4
4
4
2
2
4
SUFSND
3
3
5
1
2
4
3
3
4
4
4
3
3
2
3
2
5
2
2
4
2
4
3
4
3
3
3
5
5
5
3
4
4
0
2
4
4
4
3
2
3
5
5
4
4
5
5
5
4
5
5
5
4
5
5
5
5
SUSFTM
5
5
5
5
5
2
5
5
3
2
2
5
3
4
4
4
5
5
5
5
5
3
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
4
4
5
4
5
5
4
SUSGRM
2
2
3
4
3
3
0
1
2
0
3
0
1
3
3
3
3
4
0
2
0
2
0
0
0
0
0
0
0
3
2
2
1
0
2
3
1
4
3
2
0
0
0
0
0
0
0
0
4
4
1
4
2
3
2
4
3
SURKRF
2
3
3
1
3
5
4
5
5
4
5
3
5
2
3
5
3
3
1
3
2
4
5
4
3
1
4
4
4
3
0
0
1
1
0
0
0
1
1
1
5
5
5
4
4
3
0
3
3
3
5
3
4
2
3
3
4
SUCORF
2
0
2
1
4
0
0
0
0
0
0
0
0
4
4
5
4
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
4
3
1
3
0
0
0
0
0
170
Anexo 4 - Coeficiente de Similaridade do sistema GloBallast/URS
171
Posio Porto
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
Sepetiba
Rio de Janeiro
Praia Mole
Tubaro
Santos
Vitria
Salvador
Paranagu
Wakayama Wakayama
Tin Can Island
Nagoya Aichi
Kudamatsu Yamaguchi
Yokohama Kanagawa
Negishi (Yokohama) Kanagawa
Singapore Jurong
Singapore Keppel
Singapore Singapore
Shimotsu Wakayama
Yokkaichi Mie
Lagos
Durban
Trieste
Toyama Toyama
Koper (Slovenia)
Kimitsu Chiba
Chiba Chiba
Colombo
Kinuura Aichi
Tokuyama Yamaguchi
Kawasaki Kanagawa
Shimizu Shizuoka
Port Kembla
Tuticorin (New Tuticorin)
Salaya
Sakaiminato Tottori
Sabine
Shibushi Kagoshima
Yokosuka Kanagawa
Taranto
Auckland
Norfolk-Newport News Virginia
Ravenna
Laem Chabang
Faro
Niigata Niigata
Kikuma Ehime
Paradeep
Matsuyama Ehime
Texas City Texas
Balikpapan Kalimantan
Venezia (=Fusina)
No.
1
51
54
55
50
53
56
49
222
251
200
191
224
199
297
298
300
212
223
250
354
168
218
302
173
172
241
188
216
192
213
25
150
148
211
336
209
225
166
260
329
165
305
274
184
185
147
197
339
133
167
Cdigo Distncia
ONU
Euclidiana
BRSPB
0.000
BRRIO
2.360
BRPRM
3.135
BRTUB
3.230
BRSSZ
3.419
BRVIX
3.889
BRSSA
4.059
BRPNG
4.154
JPWAK
4.890
NGTIN
5.016
JPNGO
5.089
JPKUD
5.176
JPYOK
5.236
JPNGI
5.236
SGJUR
5.242
SGKEP
5.242
SGSIN
5.242
JPSMT
5.279
JPYKK
5.285
NGLOS
5.317
ZADUR
5.327
ITTRS
5.342
JPTOY
5.344
SIKOP
5.379
JPKMT
5.382
JPCHB
5.390
LKCMB
5.390
JPKNU
5.407
JPTKY
5.426
JPKWS
5.430
JPSMZ
5.435
AUPKL
5.436
INTUT
5.437
INSAL
5.483
JPSMN
5.485
USSAB
5.489
JPSBS
5.511
JPYOS
5.532
ITTAR
5.577
NZAKL
5.637
USNEN
5.662
ITRAN
5.665
THLCH
5.689
PTFAO
5.698
JPKIJ
5.705
JPKIK
5.706
INPRT
5.717
JPMYJ
5.720
USTXT
5.724
IDBPN
5.734
ITVCE
5.747
Coeficiente de
Similaridade
1.000
0.861
0.799
0.791
0.776
0.738
0.725
0.717
0.658
0.648
0.642
0.635
0.631
0.631
0.630
0.630
0.630
0.627
0.627
0.624
0.623
0.622
0.622
0.619
0.619
0.618
0.618
0.617
0.615
0.615
0.615
0.614
0.614
0.611
0.610
0.610
0.608
0.607
0.603
0.598
0.596
0.596
0.594
0.593
0.593
0.593
0.592
0.592
0.591
0.591
0.590
172
Posio Porto
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
Richards Bay
Iwakuni Yamaguchi
Hampton Roads
Karachi
Imabari Ehime
Tobata (Kitakyushu) Fukuoka
Dumai Sumatra
Port Bonython
Abbot Point
Kagoshima Kagoshima
Innoshima Hiroshima
Saldanha Bay
Beilun Zhejiang
Ningbo (Beilun) Zhejiang
Townsville
Singapore Pasir Panjan/Tanjung Pagar
Higashi-Harima Hyogo
Porbandar
Himeji Hyogo
Maizuru Kyoto
Belawan Sumatra
Port Elizabeth
Chennai (Ex Madras)
Galveston Texas
Pachi
Kakogawa Hyogo
Elefsis (Eleusis)
Onomichi Hiroshima
Naha Okinawa
Okinawa Okinawa
Tamano (Uno) Okayama
Merak (inc. Anyer Terminal) Java
Port Dickson
Tarragona
Kashima Ibaraki
Whangerei
Port Pirie
Barcelona
Visakhapatnam
Bilbao
San Francisco California
Callao (Lima)
Gibraltar
Whyalla
Mackay
Muhammad Bin Qasim
Osaka Osaka
Aboshi Hyogo
Tanjung Perak (Surabaya) Java
Port Sudan
Nagasaki Nagasaki
Lucinda
No.
356
180
328
273
178
215
125
20
33
189
179
357
67
68
34
301
175
146
176
193
124
355
143
338
117
182
115
204
198
203
214
127
246
98
190
261
22
93
152
91
344
263
113
21
32
272
205
169
131
296
201
35
Cdigo Distncia
ONU
Euclidiana
ZARCB
5.749
JPIWK
5.770
USPHF
5.778
PKKHI
5.782
JPIMB
5.785
JPTBT
5.793
IDDUM
5.794
AUPBY
5.799
AUABP
5.812
JPKOJ
5.815
JPINS
5.828
ZASDB
5.833
CNNBO
5.868
CNNGB
5.868
AUTSV
5.874
SGTPG
5.879
JPHHR
5.884
INPBD
5.909
JPHIM
5.911
JPMAI
5.917
IDBLW
5.919
ZAPLZ
5.927
INMAA
5.962
USGLS
5.978
GRPAC
5.979
JPKGA
5.981
GREEU
5.989
JPONO
5.998
JPNAH
6.008
JPOKA
6.008
JPTAM
6.015
IDMRK
6.021
MYPDI
6.027
ESTAR
6.030
JPKSM
6.030
NZWRE
6.032
AUPPI
6.051
ESBCN
6.064
INVTZ
6.075
ESBIO
6.089
USSFO
6.096
PECLL
6.104
GIGIB
6.107
AUWYA
6.118
AUMKY
6.124
PKBQM
6.134
JPOSA
6.146
JPABO
6.158
IDSUB
6.159
SDPZU
6.159
JPNGS
6.176
AULUC
6.177
Coeficiente de
Similaridade
0.589
0.588
0.587
0.587
0.586
0.586
0.586
0.585
0.584
0.584
0.583
0.583
0.580
0.580
0.579
0.579
0.579
0.577
0.576
0.576
0.576
0.575
0.572
0.571
0.571
0.571
0.570
0.569
0.569
0.569
0.568
0.568
0.567
0.567
0.567
0.567
0.565
0.564
0.563
0.562
0.562
0.561
0.561
0.560
0.559
0.558
0.558
0.557
0.557
0.557
0.555
0.555
173
Posio Porto
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
Vigo
Mumbai (Ex Bombay)
Kobe Hyogo
Gijon
Volos
Thessaloniki
Batumi, Georgia
Aspropyrgos
Port Stanvac
San Diego
Western Port (now Hastings; AUHAS)
Limay
Piraeus
Manila
Suez (El Suweis)
Muroran Hokkaido
Jakarta Java
Hakata Fukuoka
Marsa Bashayer Oil Terminal
Marsden Point
Daru
Tokyo Tokyo
Poti, Gergia
Semarang Java
Pohang
Dar Es Salaam
Kwangyang
Port Moresby
Pasir Gudang Johor
Oakland California
Gladstone
Samsun
Cartagena
Sakai Osaka
Fukuyama Hiroshima
Lumut
Eregli
Ponta do Ubu
Dakar
Mombasa
Lagos (Portugal)
Hay Point (Dalrymple Bay)
Dallrymple Bay (Hay Point)
Samcheon Po
Kochi Kochi
Marseilles
Subic Bay (Sana Clara)
Porto Foxi (Sarroch)
Long Beach California
Hodeidah (Yemen)
Cape Town
No.
92
137
186
221
90
120
119
111
114
23
347
24
269
118
270
89
196
128
177
295
262
266
219
112
130
228
317
227
265
248
345
28
312
74
208
174
244
307
52
303
226
276
30
31
233
181
105
271
163
346
350
353
Cdigo Distncia
ONU
Euclidiana
ESVGO
6.191
INBOM
6.214
JPKIN
6.215
JPUKB
6.219
ESGIJ
6.221
GRVOL
6.243
GRSKI
6.246
GEBUS
6.247
GRASS
6.250
AUPST
6.257
USSAN
6.271
AUWEP
6.274
PHLIM
6.281
GRPIR
6.292
PHMNL
6.292
EGSUZ
6.295
JPMUR
6.299
IDJKT
6.301
JPHKT
6.305
SDMBT
6.310
NZMAP
6.315
PGDAU
6.323
JPTYO
6.327
GEPTI
6.341
IDSRG
6.351
KRKPO
6.359
TZDAR
6.366
KRKAN
6.370
PGPOM
6.373
MYPGU
6.377
USOAK
6.378
AUGLT
6.404
TRSSX
6.405
COCAR
6.408
JPSAK
6.415
JPFKY
6.416
MYLUM
6.425
TRERE
6.440
BRPOU
6.440
SNDKR
6.442
KEMBA
6.462
PTLOS
6.483
AUHPT
6.505
AUPDT
6.505
KRSCP
6.516
JPKCZ
6.526
FRMRS
6.529
PHSFS
6.538
ITPFX
6.556
USLGB
6.564
YEHOD
6.568
ZACPT
6.580
Coeficiente de
Similaridade
0.554
0.552
0.552
0.552
0.552
0.550
0.550
0.549
0.549
0.549
0.548
0.547
0.547
0.546
0.546
0.546
0.545
0.545
0.545
0.544
0.544
0.543
0.543
0.542
0.541
0.541
0.540
0.540
0.539
0.539
0.539
0.537
0.537
0.537
0.536
0.536
0.535
0.534
0.534
0.534
0.532
0.531
0.529
0.529
0.528
0.527
0.527
0.526
0.525
0.524
0.524
0.523
174
Posio Porto
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
Cigading
Sines
Moji (Kitakyushu) Fukuoka
Singapore Sembawang Port
Kaohsiung
Livorno
Yosu (Yeosu)
Cairns
Mokpo (Mogpo)
Aden (Yemen)
Brisbane
Fos sur Mer (Oil Terminal)
Bundaberg
Las Palmas
Lisboa
Algeciras
Tenerife (Santa Cruz de Tenerife)
Jebel Dhanna
Ruwais Oil Terminal
Lavera
Ube Yamaguchi
Montevideo
Izmir (Smyrna)
Tuapse, Russia
Mobile Alabama
Savannah Georgia
Ras Isa Marine Terminal (Yemen)
Jeddah
Genoa
Hunterston
Amagasaki Hyogo
Qinggdao Shandong
Al Mukullah (Yemen)
Keelung (Chilung)
Mizushima Okayama
Marmugao (Marmagoa)
Ulsan
Yantai Shandong
Chios
Hong Kong Hong Kong
Chiwan (Shenzhen) Guangdong
Itajai
Tomakomai Hokkaido
Bonny
Omisalj
Hong Kong Kowloon
Valencia
Tanjung Bara Coal Terminal Kalimantan
Ain Sukhna
Houston Texas
Alexandria (El Iskandariya)
No.
126
277
195
299
315
164
235
37
230
349
26
102
27
96
141
275
95
97
10
13
103
220
348
309
285
331
330
352
288
162
106
170
71
351
314
194
144
234
73
116
121
64
48
217
254
123
122
94
132
84
340
85
Cdigo Distncia
ONU
Euclidiana
IDCIG
6.586
PTSIE
6.597
JPMOJ
6.604
SGSEM
6.613
TWKHH
6.618
ITLIV
6.635
KRYOS
6.635
AUCNS
6.636
KRMOK
6.644
YEADE
6.644
AUBNE
6.658
FRFOS
6.665
AUBDB
6.671
ESLPA
6.673
INIXE
6.674
PTLIS
6.674
ESALG
6.678
ESSCT
6.691
AEJED
6.698
AERUW
6.698
FRLAV
6.707
JPUBJ
6.714
UYMVD
6.718
TRIZM
6.731
RUTUA
6.785
USMOB
6.803
USSAV
6.847
YERAI
6.847
SAJED
6.851
ITGOA
6.853
GBHST
6.860
JPAMA
6.895
CNTAO
6.901
YEMKX
6.916
TWKEL
6.946
JPMIZ
6.961
INMRM
6.962
KRUSN
6.971
CNYNT
6.981
GRJKH
7.041
HKHKG
7.084
CNCWN
7.092
BRITJ
7.098
JPTMK
7.102
NGBON
7.103
HROMI
7.146
HKKWN
7.146
ESVLC
7.150
IDTBA
7.161
EGAIS
7.163
USHOU
7.175
EGALY
7.189
Coeficiente de
Similaridade
0.522
0.521
0.521
0.520
0.520
0.518
0.518
0.518
0.518
0.518
0.517
0.516
0.516
0.515
0.515
0.515
0.515
0.514
0.513
0.513
0.513
0.512
0.512
0.511
0.506
0.505
0.501
0.501
0.501
0.501
0.500
0.498
0.497
0.496
0.493
0.492
0.492
0.491
0.491
0.486
0.482
0.482
0.481
0.481
0.481
0.477
0.477
0.477
0.476
0.476
0.475
0.474
175
Posio Porto
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
Dortyol Oil Terminal

Mersin
El Dekheila
Bintulu Sarawak
Yanbu
Kiire Kagoshima
Oita Oita
Beppu Oita
Dammam
Saiki Oita
Vadinar Terminal
Guangzhou Guangdong
Bataan Mariveles
Taichung
Onne
Onsan
Batangas (Luzon)
LOOP Terminal
Djibouti (Djibouti)
Doha
Europoort
Donges
Sakaide Kagawa
Khor Al Fakkan (Tanker Anchorage)
Boston Massachusetts
Saganoseki Oita
Weipa
Buenos Aires
Kapar Coal Terminal
Larnaca
Mundra
Ijmuiden
Port Alma
Bandar Abbas (Oil Jetty)
Penang (Georgetown)
Lake Charles Louisana
Mourilyan
Kyrenia
Ras Al Tannura
Dalian Liaoning
Brest
Fujairah
Limassol
Cape Flattery
Jebel Ali
Zirku Island
Halul Island
Dampier
Tianjin Tianjin
Das Island
Fredericia
Ras Al Khafji
No.
306
311
87
249
294
183
202
171
287
206
151
63
268
316
253
231
267
335
81
278
255
101
210
11
323
207
39
16
247
76
145
257
29
155
243
332
36
75
293
65
100
8
77
38
9
15
280
18
72
4
83
291
Cdigo Distncia
ONU
Euclidiana
TRDYL
7.195
TRMER
7.198
EGEDK
7.202
MYBTU
7.233
SAYNB
7.239
JPKII
7.248
JPOIT
7.252
JPBEP
7.254
SADMN
7.255
JPSAE
7.262
INVAD
7.278
CNCAN
7.284
PHBTN
7.289
TWTXG
7.309
NGONN
7.321
KRONS
7.322
PHBTG
7.324
USLOP
7.326
DJJIB
7.346
QADOH
7.354
NLEUR
7.400
FRDON
7.406
JPSKD
7.418
AEKLF
7.424
USBOS
7.433
JPSAG
7.436
AUWEI
7.446
ARBUE
7.448
MYBTB
7.456
CYLCA
7.469
INMUN
7.509
NLIJM
7.524
AUPTL
7.529
IRBND
7.576
MYPEN
7.581
USLCH
7.637
AUMOU
7.642
CYKYR
7.653
SARLT
7.659
CNDLC
7.659
FRBES
7.670
AEFJR
7.680
CYLMS
7.689
AUCQP
7.713
AEJEA
7.735
AEZIR
7.751
QAHAL
7.758
AUDAM
7.767
CNTSN
7.774
AEDAS
7.793
DKFRC
7.822
SARAR
7.838
Coeficiente de
Similaridade
0.474
0.473
0.473
0.470
0.470
0.469
0.469
0.469
0.469
0.468
0.467
0.466
0.466
0.464
0.463
0.463
0.463
0.463
0.461
0.461
0.457
0.457
0.456
0.455
0.454
0.454
0.453
0.453
0.453
0.452
0.448
0.447
0.447
0.443
0.443
0.438
0.438
0.437
0.436
0.436
0.435
0.435
0.434
0.432
0.430
0.429
0.428
0.428
0.427
0.426
0.423
0.422
176
Posio Porto
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
Mina Abdulla
Wilhelmshaven
Abu Dhabi
Mina Zayed
Enstedvaerkets Havn
Fateh Oil Terminal
Sitra (Bahrain)
Mina Saud
Flushing (Vlissingen)
Um Al Qiwain
Redcar
Port Walcott (Cape Lambert)
Port Rashid
Dubai
Umm Said (Mesaieed)
Ras Al Ghar
Mina Sulman (Al Manamah)
Novorossiysk, Russia
Cochin
Bushehr
New York New York (New Jersey)
Port Harcourt
Haldia
Midia
Port Kelang
Constanta
Mangalia
Sharjah
Kanda Fukuoka
Kuwait (Shuwaikh; KWSWK)
Ilyichevsk
Dunkerque
Le Havre
Shuaiba
Sikka
Amamapare Irian Jaya
Varna, Bulgaria
Mina Al Ahmadi
Moneypoint
Lae
Beaumont
Bangkok
Bremen
Vladivostok
Rotterdam
Khark Island
Huangpu Guangdong
Roberts Bank (British Columbia)
Bourgas
Pusan
Halifax Nova Scotia
Malta (Valletta)
No.
239
80
2
3
82
7
46
238
259
12
110
19
5
6
279
292
47
284
139
156
324
252
140
283
245
281
282
14
187
236
320
99
104
240
149
134
45
237
135
264
337
304
78
286
256
157
66
62
44
232
59
242
Cdigo Distncia
ONU
Euclidiana
KWMIB
7.938
DEWVN
7.947
AEAUH
7.960
AEMZD
7.960
DKENS
7.970
AEFAT
7.972
BHMAN
7.974
KWMIS
7.990
NLVLI
8.010
AEQIW
8.013
GBRER
8.025
AUPWL
8.036
AEPRA
8.046
AEDXB
8.046
QAUMS
8.054
SA001
8.094
BHMIN
8.097
RUNVS
8.113
INCOK
8.121
IRBUZ
8.168
USNYC
8.218
NGPHC
8.229
INHAL
8.236
ROMID
8.257
MYPKG
8.322
ROCND
8.356
ROMAG
8.411
AESHJ
8.412
JPKND
8.419
KWKWI
8.430
UAILK
8.431
FRDKK
8.441
FRLEH
8.451
KWSAA
8.453
INSIK
8.462
IDAMA
8.463
BGVAR
8.470
KWMAA
8.476
IEMOT
8.508
PGLAE
8.510
USBPT
8.562
THBKK
8.566
DEBRE
8.669
RUVVO
8.694
NLRTM
8.719
IRKHK
8.723
CNHUA
8.733
CARBK
8.758
BGBOJ
8.763
KRPUS
8.784
CAHAL
8.826
MTMLA
8.864
Coeficiente de
Similaridade
0.414
0.413
0.412
0.412
0.411
0.411
0.411
0.410
0.408
0.408
0.407
0.406
0.405
0.405
0.405
0.401
0.401
0.400
0.399
0.396
0.392
0.391
0.390
0.388
0.383
0.380
0.376
0.376
0.375
0.375
0.375
0.374
0.373
0.373
0.372
0.372
0.371
0.371
0.368
0.368
0.364
0.364
0.355
0.353
0.351
0.351
0.350
0.348
0.348
0.346
0.343
0.340
177
Posio Porto
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
Vancouver (British Columbia)

Kunsan
Odessa
Kandla
Port Talbot
Karumba
Sevastopol
Baltimore Maryland
Burry Port (Llanelly)
Damietta
Istanbul
Lavan Island
Immingham
Wilmington Delaware
Hamburg
Jubail
Davant
Yarimca
Dnepro-Bugsky (Ochakov)
Come By Chance
Sept-Iles (Pointe Noire) Quebec
Philadeplhia Pennsylvania (Port Richmond)
Izmit (Tutuncifilik Oil Terminal)
Ashdod
La Have
Amsterdam
Chittagong
Bandar Mushar (Mushahr)
Ghent (Gent)
Shanghai Shanghai
Antwerpen
Port Said
Shanghai Baoshan
Nicolayev
Campana
Hafnarfjordur
New Orleans
Straumsvik
Vancouver Washington
Portland Oregon
Calcutta
Al Juaymah Terminal
Cilacap Java
Anchorage Alaska
No.
61
229
318
142
109
40
322
327
108
86
308
159
158
107
326
79
289
333
313
319
57
58
325
310
136
60
258
41
154
43
69
42
88
70
153
321
17
160
334
161
343
342
138
290
129
341
Cdigo Distncia
ONU
Euclidiana
CAVAN
8.912
KRKUV
8.919
UAODS
8.983
INIXY
8.986
GBPTB
9.053
AUKRB
9.078
UASVP
9.248
USBAL
9.252
GB001
9.297
EGDAM
9.328
TRIST
9.348
IRSXI
9.358
IRLVP
9.369
GBIMM
9.377
USILG
9.410
DEHAM
9.425
SAJUB
9.446
USDVT
9.468
TRYAR
9.519
UADNB
9.534
CACBC
9.660
CASEI
9.694
USPHL
9.713
TRIZT
9.888
ILASH
9.901
CALHA
9.922
NLAMS
9.935
BDCGP
9.964
IRBMR
9.969
BEGNE
10.041
CNSHA
10.072
BEANR
10.136
EGPSD
10.210
CNSHB
10.304
IRBKM
10.327
UANIK
10.470
ARCMP
10.544
ISHAF
10.549
USMSY
10.563
ISSTR
10.573
USBCC
10.580
USPDX
10.617
INCCU
11.167
SAJUT
11.843
IDCXP
11.979
USANC
12.481
Coeficiente de
Similaridade
0.336
0.335
0.330
0.330
0.325
0.323
0.309
0.309
0.305
0.303
0.301
0.300
0.299
0.299
0.296
0.295
0.293
0.291
0.287
0.286
0.276
0.273
0.272
0.258
0.257
0.255
0.254
0.252
0.251
0.245
0.243
0.238
0.232
0.224
0.223
0.211
0.205
0.205
0.204
0.203
0.202
0.199
0.155
0.101
0.090
0.050
178
Anexo 5 - Lei N 11.200, de 24 de novembro de 2005
179
LEI N 11.200, DE 24 DE NOVEMBRO DE 2005.
Altera a denominao do Porto de Sepetiba, no

Estado do Rio de Janeiro, para Porto de Itagua.
O PRESIDENTE DA REPBLICA Fao saber que o Congresso Nacional decreta e eu sanciono

a seguinte Lei:
Art. 1o O Porto de Sepetiba, localizado na baa de mesmo nome, no Municpio de Itagua, Estado
do Rio de Janeiro, passa a denominar-se "Porto de Itagua".
o
Art. 2 Esta Lei entra em vigor na data de sua publicao.

Braslia, 24 de novembro de 2005; 184o da Independncia e 117o da Repblica.
LUIZ INCIO LULA DA SILVA

Jos Alencar Gomes da Silva
Alfredo Nascimento
Publicada no D.O.U. de 25.11.2005

Agua de Lastro PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Agua de Lastro PDF

Hochgeladen von

Copyright:

Verfügbare Formate

IDENTIFICANDO SIMILARIDADES:

UMA APLICAO PARA A AVALIAO DE RISCO DE GUA DE LASTRO

NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS

RIO DE JANEIRO, RJ - BRASIL

LEAL NETO, ALEXANDRE DE CARVALHO

II. Ttulo ( srie )

Aos meus pais

Flavia, Thiago e Guilherme

Ao Prof. Luiz Fernando L. Legey um agradecimento especial pelo incentivo e interesse

Alexandre de Carvalho Leal Neto

Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements for

IDENTIFYING SIMILARITIES: AN APPLICATION FOR

Alexandre de Carvalho Leal Neto

6 Redes neuronais ................................................................................................................ 86

Trim a diferena de imerso entre a proa e a popa do navio.

2.2 Transladao de espcies

2.3 Espcies invasoras

O termo espcies invasoras se refere a um grupo, definido em termos gerais, de

As propriedades chave de uma espcie potencialmente prejudicial no s tm que

De acordo com a Conveno BWM 2004 em seu artigo 1 Definies, Organismos

Detectadas Estabelecidas Invasoras

Tabela 1 - Situao populacional das espcies exticas invasoras marinhas no Brasil,

Embora esse Informe Nacional no tenha exaurido as informaes sobre o assunto no

Figura 1 - Ilustrao do ciclo de vida e fase planctnica dos bivalves e do camaro

Figura 2 - Estgios larvais do mexilho dourado Limnoperna fortunei a: larva D; b: larva

plncton: organismos que derivam passivamente, ou nadam moderadamente, na gua;

necton: espcies que nadam livremente na gua;

inscrustantes: organismos fixos (incluindo filmes bacterianos) nas paredes verticais e

2.5 Tipos de impactos

2.6.1 Programa GloBallast

2.6.2 Conveno Internacional sobre Gesto de gua de Lastro

2.6.3 Iniciativas nacionais

Essa norma recebeu algumas modificaes, principalmente relacionadas ao prazo para

comunidade de algas num local especifico

3.1 Componentes da avaliao de risco de gua de lastro

ao nmero de inoculaes A probabilidade de introduo aumenta com o

quantidade de indivduos transferidos Cada espcie precisa de uma quantidade

similaridade ambiental A probabilidade de estabelecimento aumenta com o

grau de similaridade entre os ambientes da distribuio atual da espcie (nativa e/ou

ao potencial das espcies de risco Novas espcies so transferidas para os

3.1.1 Similaridade ambiental

Tabela 4 - Probabilidade de colonizao de espcies exticas de acordo com a combinao de

rtico & Antrtico

Tabela 5 - Probabilidade de colonizao de espcies exticas de acordo com a combinao de

a freqncia relativa do nmero de tanques de lastro provenientes de um determinado

a proporo do volume de gua de lastro oriundo de um determinado porto em relao

da avaliao de risco podem ser verificados no Microsoft Access ou na forma de mapas

3.2.1 Obteno dos dados porturios

ESRI ArcView GIS

IGU = Interface Grfica do Usurio

* para os locais de demonstrao relativos a cada porto fonte e destino

3.2.2 Identificao dos portos fonte

Sua principal concluso foi que o reconhecimento de padres crtico.

4.1 Medidas de similaridade

Figura 8 - Distncia Euclidiana DA-B entre dois objetos A e B (elaborao prpria)

Figura 9 - Vetor Unitrio (adaptado de Wasserman, 1989, p. 65)

onde: xk e s xk denotam, respectivamente, a mdia e o desvio padro do componente xk.

Figura 10 - Exemplo de dados de entrada (adaptado de Carvalho, 2001, p. 120).

Figura 11 - Resultado da normalizao em formato de arco de crculo restrito ao primeiro

Existem duas razes principais para manter a dimensionalidade da representao (i.e.

Conjuntos de dados ecolgicos so oriundos de numerosos processos biticos e

Figura 12 - Grfico de caixas dos descritores MSUWT, USUWT, MWNWT e LWNWT

Temp. mdia do ar do dia na estao mais quente