Beruflich Dokumente
Kultur Dokumente
Orientador:
Prof. Dr. Roberto Navarro de Mesquita
So Paulo
2011
Autarquia associada universidade de So Paulo
Orientador:
Dr. Roberto Navarro de Mesquita
So Paulo
2011
INSTITUTO DE PESQUISAS ENERGTICAS E NUCLEARES
Autarquia associada universidade de So Paulo
Orientador:
Dr. Roberto Navarro de Mesquita
So Paulo
2011
Aos meus pais e
minha famlia.
AGRADECIMENTOS
Ao Professor Doutor Hlio Akira Furusawa por sua cooperao nos diversos aspectos
que contemplam este trabalho, por sua disponibilidade e auxilio nos momentos difceis
e por sua amizade.
A atual crescente necessidade de anlise de colees de dados cada vez mais complexas
e extensas, nas diversas reas da investigao cientfica, tem permitido o
desenvolvimento de novas ferramentas para a melhoria da percepo de informaes
que nem sempre so explcitas e visveis. Estudos de ferramentas matemticas que
propiciem o destaque de algumas destas informaes, ou que inteligentemente
reconheam padres associados aos diferentes conjuntos de dados, tm demonstrado
resultados promissores. No entanto, o sucesso da escolha da metodologia apropriada
para a anlise dos dados, est vinculado a vrios fatores como: a tecnologia disponvel
para a prospeco destes dados, a adequada coleta e seleo das amostras, e
principalmente, a capacidade do pesquisador em interagir com a nova tecnologia de
explorao. No presente projeto, proposta uma metodologia de anlise
multidimensional dos dados de unidades de gerenciamento de recursos hdricos
UGRHIs, localizadas no estado de So Paulo, por meio das redes neurais SOM (Mapas
Auto-Organizveis). Estes mapas so utilizados para estudar e visualizar possveis
correlaes entre as diversas variveis deste banco de dados relativas anlise de
compostos inorgnicos e parmetros fsico qumicos referentes qualidade da gua
nestas unidades.
SELF - ORGANIZING MAPS OF KOHONEN (SOM) APPLIED IN
THE EVALUATION OF PARAMETERS OF WATER QUALITY
ABSTRACT
The current increasingly need for data analysis on larger and more complex data
collections, in many different areas of scientific research, has induced the development
of new tools for the perception improvement of information that not always is explicit
and visible at first. Studies of mathematical tools which could enable the highlight of
some of this information, or should intelligently recognize patterns associated with
these different data collection, have been showing promising results. However, the
success of the choice of the appropriate analysis method is associated with several
factors: the available technology for this data exploration, the correct gathering and
selection of samples, and mainly, the researcher ability to interact with the new
exploration technology. In this project we propose a methodology for analyzing
multidimensional data from Water Resources Management Units (WRMUs), which are
located in So Paulo state, through Self - Organizing Maps (SOM) neural networks.
These maps are used to study and visualize possible correlations between the different
variables existent in this database, which are derived from analysis of inorganic and
physical - chemical parameters related to WRMUs water quality.
SUMRIO
Pgina
1 INTRODUO........................................................................................................... 1
1.2 Objetivos................................................................................................................3
2 REVISO DE LITERATURA...................................................................................4
2.1 Conceitos sobre anlise estatstica multivariada...................................................4
2.2 mtodos multivariados e SOM..............................................................................5
3 FUNDAMENTAO TERICA..............................................................................8
3.1 Redes Neurais........................................................................................................8
3.1.1 Modelo biolgico................................................................................................8
3.1.2 Breve Histrico das RNA................................................................................10
3.1.3 O Multi-Layer Perceptron................................................................................13
3.1.4 Algoritmos de Aprendizagem e Treinamento..................................................14
3.1.4.1 Regra de correo de erro..............................................................................15
3.1.4.2 Regra de gradiente descendente....................................................................15
3.1.5 Mapas Auto Organizveis............................................................................... 16
4 METODOLOGIA.......................................................................................................20
4.1 Caractersticas dos parmetros fsico qumicos................................................20
4.1.2 Organizao do Banco de Dados......................................................................21
4.1.3Caractersticas das Unidades de Gerenciamento de Recursos
hdricos......................................................................................................................24
4.1.4Implementao da Metodologia........................................................................29
4.1.5 Descrio do procedimento utilizado para o treinamento do SOM.................31
5 RESULTADO E DISCUSSO..................................................................................36
5.1 Apresentao dos resultados SOM......................................................................36
5.1 Estudo de similaridades entre pontos de coleta...................................................36
5.2 Estudo de similaridade ente parmetros fsico-qumicos....................................36
5.4 Grficos dos prottipos de vetores......................................................................49
6 CONCLUSES...........................................................................................................55
6.1 Matrizes para estudo de similaridade entre pontos de coleta..............................55
6.2 Matrizes para estudo de similaridade entre parmetros fsico-qumicos.............58
6.3 Grficos dos prottipos de vetores......................................................................59
6.3 Consideraes finais............................................................................................59
ANEXO A.......................................................................................................................61
ANEXO B.......................................................................................................................66
REFERNCIAS BILIOGRFICAS...........................................................................73
LISTA DE FIGURAS
Pgina
FIGURA 1 Modelo esquemtico do neurnio biolgico...............................................9
FIGURA 2 - Modelo esquemtico do neurnio artificial...............................................10
FIGURA 3 - Exemplo ilustrativo do Perceptron de Rosenblat.......................................11
FIGURA 4 - Exemplos de classes linearmente separveis e inseparveis do algoritmo
discriminante ..................................................................................................................12
FIGURA 5 - Rede neural MPL........................................................................................14
FIGURA 6 - Representaes das etapas competitiva e cooperativa de treinamento da
SOM.................................................................................................................................18
FIGURA 7 - Estrutura de SOM com topologia triangular..............................................19
FIGURA 8 - Estrutura de SOM com topologia quadrtica ............................................19
FIGURA 9 - Estrutura de SOM com topologia randmica.............................................19
FIGURA 10 - Mapa da Localizao geogrfica da UGRH 01, regio de Mantiqueira e
UGRH 02, regio de Paraba do Sul...............................................................................24
FIGURA 11 - Mapa da localizao geogrfica da UGRH 4 Rio Pardo.........................25
FIGURA 12 - Mapa da localizao geogrfica da UGRH 05, regio de Piracicaba,
Capivari e Jundia...........................................................................................................26
FIGURA 13 - Mapa da localizao geogrfica da UGRH 06, regio do Alto
Tiet................................................................................................................................ 27
FIGURA 14 - Diagrama da formatao da base de dados............................................29
FIGURA 15 - Procedimento realizado do transporte das variveis para a gerao de
resultados no SOM Toolbox............................................................................................31
FIGURA 16 - Exemplo do ordenamento dos prottipos de vetores................................35
FIGURA 17 - Mapa da matriz de distncia entre vetores com os rtulos......................37
FIGURA 18 - Componentes planos gerados a partir da grande matriz.........................40
FIGURA 19 - Mapa indicativo dos rtulos caractersticos (BMUs) dos pontos de coleta
na matriz principal..........................................................................................................42
FIGURA 20 - Mapa com rotulagem sobreposta para destaque dos grupos...................43
FIGURA 21-a - Apresentao do mapa das distncias vetoriais, por distribuio de
frequencia de rtulos, da matriz modificada (257 linhas por 10 parmetros)...............44
FIGURA 21-b- Apresentao por votao do mapa das distncias vetoriais com os
rtulos da matriz modificada (257 linhas por 10 parmetros).......................................45
FIGURA 21-c- Apresentao do mapa das distncias vetoriais com o mapa geral
rotulado obtido da matriz modificada (257 linhas por 10 parmetros).........................46
FIGURA 22 - Mapa geral rotulado obtido da matriz inversa........................................47
FIGURA 23 - Mapa de distncia entre vetores da matriz transposta com os rtulos dos
parmetros fsico qumicos..........................................................................................48
FIGURA 24 - Mapa de distncia entre vetores da matriz transposta da matriz
modificada de 257 linhas por 10 parmetros.................................................................49
FIGURA 25 - Grfico do prottipo de vetor mais caracterstico do cluster nomeado
PMnNKT.....................................................................................................................50
FIGURA 26 - Grfico do prottipo de vetor mais caracterstico do cluster nomeado
pHCLOD.....................................................................................................................51
FIGURA 27 - Grfico do prottipo de vetor mais caracterstico do cluster nomeado
Temperaturas..............................................................................................................51
FIGURA 28 - Grfico do prottipo de vetor mais caracterstico do cluster nomeado
Condutividade.............................................................................................................52
FIGURA 29 - Grfico do prottipo de vetor mais caracterstico do cluster nomeado
Turbidez.........................................................................................................................52
FIGURA 30 - Prottipo de vetor obtido a partir da matriz modificada referente aos
dados da regio do Rio Capivari....................................................................................53
FIGURA 31 - Prottipo de vetor obtido a partir da matriz modificada referente aos
dados da regio do Rio Paraba da coleta do dia 19/08/2008.......................................53
FIGURA 32 - Prottipo de vetor obtido a partir da matriz modificada referente aos
dados da regio do Rio Pardo da coleta do dia 03/10/2000..........................................54
FIGURA 33 - Mapa do estado de So Paulo com as 22 UGRHIs organizadas em 11
grupos. (CETESB, 2001).................................................................................................57
LISTA DE ABREVIATURAS
1. INTRODUO
Entre as diversas tcnicas de inteligncia artificial, est a tcnica dos mapas auto-
organizveis de Kohonen (Self Organizing Maps, KSOM) para explorao de bases de
dados multidimensionais. Tcnica que inicialmente foi estabelecida por Teuvo Kohonen,
em 1981, e consiste em uma rede neural artificial interconectada e no supervisionada que
permite um mapeamento auto ajustvel do espao de estados multidimensionais
estudado. O SOM pode ser utilizado para um estudo mais amplo da correlao entre as
mltiplas variveis existentes em um fenmeno sem previamente restringir o nmero de
variveis a serem analisadas (COSTA e NETO, 2007, HONKELA, 2007). Esses mapas
permitem uma visualizao rpida e ampla de determinadas correlaes existentes neste
banco de dados, e tm sido empregados nas mais diversas reas de pesquisa.
No campo da Inteligncia Artificial (IA), esta tcnica pode ser utilizada em conjunto com
outras que possibilitem a automatizao de procedimentos de busca e minerao dos
dados. Esta integrao de diferentes tcnicas de IA e a implementao de uma estratgia de
prospeco que represente o conhecimento do especialista constitui a chamada
implementao de heurstica.
indicao que os vrios estudos sugerem que o SOM pode superar muitos outros mtodos
aplicados em hidrologia.
1.2 OBJETIVOS
Propor uma metodologia utilizando mapas auto organizveis de Kohonen (SOM), para a
anlise multidimensional de uma base de dados composta por valores de parmetros fsico-
qumicos da qualidade da gua destinada ao consumo humano (domstico, industrial e
rural) oriunda de pontos de coleta das unidades de gerenciamento de recursos hdricos de
diversas regies do estado de So Paulo.
Objetivos Especficos
2. REVISO DE LITERUTURA
De acordo com Echalar, 1991, uma base de dados multivariada pode ser interpretada como
uma descrio das variabilidades em um sistema por meio das sries temporais das
variveis medidas.
5
Regression (GWR)) so mais apropriados para a anlise e representao espacial dos dados
relativos qualidade da gua.
Originalmente criada por Kohonen (1981a,b), o SOM foi inicialmente aplicado para
reconhecimento de fala. Em 1996, foi aplicado pela primeira vez no estudo da gua (Chon
et al., 1996) por meio do estudo de comunidades-padro de bentos em correntes de gua e
desde ento tem sido aplicado com freqncia em diversos estudos relacionados dados
ambientais multidimensionais.
Tison et al., 2004 classificou dados biolgicos e ambientais baseado na aplicao do SOM
em diatomceas (algas biolgicas).
Num trabalho mais direcionado, Mustonen et al., 2008, apresentaram uma avaliao da
qualidade da gua em uma estao piloto de tratamento de gua utilizando uma abordagem
com mtodos multivariados de explorao de dados com o SOM. Os 7 parmetros que os
autores monitoram foram pH, alcalinidade, dureza, DQO, cloreto, sulfato e ferro.
Os SOM tambm foram utilizados recentemente por Garcia e Gozalez, 2004, para estudo
do tratamento e monitoramento de guas residuais, em que se propem o desenvolvimento
de tcnicas de superviso para uma planta de tratamento de guas residuais.
7
O modelamento de uma planta de tratamento de gua residual municipal foi feito com
algoritmos evolucionrios autoorganizveis por Hong e Bhamidimarri em 2003.
A avaliao do desempenho da remoo dos metais pesados em um experimento
construdo em zonas midas foi feita com a aplicao de mapas auto-organizveis para
elucidar os mecanismos da remoo do metal pesado e para predizer as concentraes,
desenvolvido por Lee e Scholz em 2006.
3. FUNDAMENTAO TERICA
A RNA tem a capacidade de aprender medida que os pesos das interconexes entre os
neurnios so ajustados conforme a sada desejada. Assim, uma RNA pode ser utilizada na
simulao e obteno de desempenhos e funes semelhantes as do crebro humano em
relao cognio e aprendizado.
Na constituio do sistema nervoso biolgico, o neurnio pode ser definido como clula
nervosa altamente especializada ou como as unidades de vias de conduo de estmulo
nervoso, estimando-se que os seres humanos possuam a quantidade de bilhes de clulas
nervosas interconectadas entre si.
9
Na captao dos sinais externos transmitidos na forma de impulsos por meio dos dentritos
(canais de interconexo) h o processamento interno no corpo celular ou tambm chamado
soma para a gerao de novas informaes. A interface interneural ocorre por meio de
reaes qumicas e em regies especficas que realizam a comunicao, denominadas de
sinapses.
Em uma cadeia neural, a propagao dos estmulos nervosos percebidos pelos dentritos
realizada por meio do filamento central como observado na figura 1 denominado de
axnio, o qual os conduz at os dentritos na terminao.
A comunicao entre neurnios realizada por meio dos canais localizados no terminal
axnico ou terminal de transmisso por filamentos sensveis que desempenham a funo de
canais transmissores dos estmulos nervosos a outros neurnios, como mostrado na figura
1.
b
X
W
Limiar
W Sada
(uK)
X
u y
Funo
Ativao
W p
X
p
U k = wkj x j + bk (1)
j =1
11
yk = (u k ) (2)
No final da dcada de 1950, o projeto do Perceptron foi desenvolvido por Frank Rosenblatt
na Universidade de Cornell, a partir dos estudos de McCulloch. Utilizando a proposta do
algoritmo de treinamento da rede baseado no estudo do bilogo Donald Hebb de 1949, que
usava o ajuste gradual dos pesos de um discriminador linear. Este projeto utilizava
neurnios com pesos ajustveis para a classificao de padres linearmente separveis,
inicialmente com 400 clulas fotoeltricas, e uma arquitetura que consistia de uma camada
de neurnios de entrada. A rede era treinada para fornecer sadas de acordo com os dados
do conjunto de treinamento, para padres vetoriais linearmente separveis.
Esquematicamente o perceptron de uma nica camada pode ser representado conforme a
figura 3.
Sadas
Camada
simples com
um neurnio
Camada de inputs ou de
entradas vetorias.
X1 X1
X1
X2
X2
X2
Soluo Sem soluo
Soluo
Antes do modelo proposto por Stephen Grossberg haviam publicaes de modelos como o
propostos por James Anderson baseados em modelos biolgicos da memria e de
reconhecimento em 1968.
Em 1982 Hopfield utilizou a idia de uma funo de energia para um novo modo de
funcionamento das redes recorrentes com conexes sinpticas simtricas, onde os
elementos so ligados buscando o aprendizado com um mnimo de energia, tendo como
dados de origem as Redes de Hopfield. No mesmo ano, Teuvo Kohonen desenvolve o
conceito das redes auto-organizveis na qual utiliza algoritmos competitivos.
Somente em 1986 houve reinicio, das atividades de desenvolvimento das redes neurais
artificiais, com o desenvolvimento do algoritmo de retropropagao (backpropagation) por
Rumelhart, Hinton e Williams, embora este algoritmo j tivesse sido proposto
anteriormente em 1974 por Werbos em sua tese de doutorado, por Parker e LeCun em
1985. Com a publicao do livro intitulado Parallel Distributed Processing Explorations
in the Microstructures of Cognition, editado por Rumelhart e McClelland, o qual
apresentava o progresso das redes neurais ressurgiu o grande interesse pela tcnica.
Uma MPL pode ser definida como uma rede interconectada (conexes sinpticas) de
neurnios disposta em neurnios de entrada (receptores do meio externo), neurnios da
camada interna ou unidades de processamento ocultas (hidden) e neurnios de sada.
(JUNIOR, 2005)
14
Camada de
sada
Camada de
entrada
Camada
externa
Este tipo de rede neural exemplifica como as RNAs procuram explorar os princpios
adotados pelo crebro humano, apresentando um processamento altamente paralelo em sua
estrutura, alm de uma capacidade de generalizar o aprendizado, obtendo respostas mais
abrangentes do que os dados apresentados durante o treinamento. Estes dois aspectos
fazem com que as redes neurais sejam capazes de solucionar problemas altamente
complexos e no-lineares.
Consistem no processo de modificao dos pesos em funo direta das sadas. estimado
por meio do clculo da diferena entre a sada real gerada e a sada desejada, fornecida em
um ensino supervisionado, matematicamente o princpio (LNCC, 2011) pode ser expresso
como na equao 3:
ek = d k yk (3)
e = sinal de erro;
Esta regra constitui-se de um processo de alterao dos pesos (wi), onde ocorre a
minimizao do erro pelo mtodo do mnimo erro mdio quadrtico, e pode ser expressa
pela equao 4:
E ( wi ) = 1 ( xo x p ) 2 (4)
2
Estes mapas foram consolidados como redes neurais por Kohonen em conferncia e artigos
no comeo da dcada de 1980. Os mapas autoorganizveis podem ser definidos como
sendo redes neurais competitivas com um alto grau de interconexo entre seus neurnios e
que so aptas a formar mapeamentos preservando a topologia entre os espaos de entrada e
de sada. Podem ser aplicados para problemas no lineares de alta dimensionalidade, tais
como: extrao de caractersticas e classificao de imagens e padres acsticos, controle
adaptativo de robs, equalizao, demodulao e transmisso de sinais assim como em
aplicaes nas reas de estatstica, processamento de sinais, qumica e medicina.
Com base no aprendizado competitivo, os neurnios de sada desta rede competem entre si
para serem ativados com o resultado de que apenas um neurnio de sada (ou um neurnio
por grupo) ser ativado em cada iterao. Um neurnio de sada que vence tal competio
chamado neurnio vencedor (winner-takes-all neuron). Uma maneira de induzir tal tipo
de competio entre os neurnios de sada usar conexes inibitrias laterais entre eles (ou
seja, caminhos de realimentao negativa), idia originalmente proposta por Rosenblat em
1958.
Como modelo neural, as redes SOM, conceitualmente, podem ser definidas como uma
conexo entre a adaptao dos neurnios e padres de seletividade de caractersticas.
Sendo consideradas tambm como uma generalizao no linear da heurstica para anlise
de componentes principais (MESQUITA, 2002).
Outros tipos de distncias que podem ser citadas a similaridade mtrica de Minkowski, e
distncia de Manhattan respectivamente, representadas pelas equaes 7 e 8.
18
n
p
DMinkowski = p
x k yk (7)
k =0
Distncia de Manhattan.
4. METODOLOGIA
Uma avaliao inicial das caractersticas desse conjunto de dados mostrou interessante
potencialidade na aplicao da ferramenta para a busca de padres de comportamento e
correlaes. Como estratgia, o banco de dados foi analisado visualmente em busca de
eventuais falhas ou defeitos na seqncia dos dados que pudessem dificultar a aplicao
da ferramenta. Essa avaliao discutida mais adiante.
Grande quantidade de valores inferiores aos limites impostos pelas tcnicas analticas.
E a UGRH 06 de acordo com a subdiviso adotada pela CETESB das bacias hdricas, para
avaliao da qualidade da gua, a distribuio da UGRH est localizada na regio
metropolitana, composta por 34 municpios e intensa atividade industrial, como atividade
primria desenvolvida, como observado na figura 13.
27
Com a adoo de uma coleta de amostra bimensal em um perodo de 9 anos ao todo (2000
a 2008), portanto com um tamanho amostral 54 dias. Na anlise dos resultados das coletas
h informaes de 43 indicadores (parmetros fsicos, qumicos, hidrobiolgicos,
microbiolgicos e ecotoxicolgicos) utilizados segundo relatrios (CETESB, 2000).
Na tabela 2 est uma descrio sumaria dos aspetos de relevncia para o presente trabalho
dos parmetros, dispostos em grupos conforme a terminologia adotada pela CETESB.
28
Inicialmente a escolha das variveis que seriam utilizadas no estudo seguiu o critrio do
uso do maior nmero de variveis aptas a serem inseridas numericamente na rede SOM, de
forma a possibilitar a investigao do mais amplo espectro de possveis correlaes. A
30
formatao dos dados uma etapa fundamental e necessria para a correta utilizao da
ferramenta de anlise a ser utilizada: MATLAB (MATHWORKS, 2004),
O SOM Toolbox possui uma interface visual que possibilita a escolha dos parmetros de
treinamento, incluindo o erro almejado. A rede neural ento treinada e aps a verificao
dos parmetros de qualidade do treinamento, possvel a visualizao dos resultados
iniciais que podem ser avaliados de acordo com grficos gerados pelo prprio aplicativo,
onde se pode avaliar com grande agilidade o grau de interrelao entre as variveis
utilizadas.
>>Smatrix = som_data_struct(matrix);
A matriz matrix importada pelo Excel Link para o espao de trabalho do Matlab
transformada em (Smatrix), varivel da classe estrutura e abriga em si campos de
informao apropriados (mesmo que inicialmente vazios), para a manipulao pela funo
de treinamento da rede presente no Somtoolbox. Na etapa de normalizao da matriz de
dados, etapa necessria otimizao do treinamento da rede, possibilitando com que o
algoritmo de treinamento convirja mais rapidamente e ao mesmo tempo, que a sada possa
32
>>Smatrix = som_normalize(Smatrix,logistic);
xnovo = 1 (10)
(1 + exp( xescalado )
>>Smatrix.comp_names{1,1}=pH;
>>Smatrix.labels{1,1}=MANT1A;
adotado para a rpida visualizao dos agrupamentos por pontos de coleta, anos e meses,
que so os vetores de entrada com 13 ordenadas identificados pelos parmetros fsico
qumicos.
O treinamento tradicional de um SOM passa por duas etapas, uma primeira mais grosseira
denominada originalmente de rough onde um nmero inicial grande de raio de
vizinhana (neurnios vizinhos ao neurnio vencedor best match unit (BMU))
utilizado, modificando de uma s vez uma quantidade proporcionalmente alta dos
neurnios que compe a rede. Aps esta primeira etapa, segue-se a fase mais refinada
(finetuning) que utiliza um raio menor de vizinhana, modificando menos neurnios por
iterao. O treinamento da rede um processo contnuo de comparao entre os vetores-
prottipos de cada neurnio e os vetores-amostra que compe a base de dados. Esta
comparao utiliza diferentes definies de distncia entre os vetores, e a mais utilizada
(default) a que utiliza a distncia euclidiana. Assim em iteraes sucessivas se encontra
o BMU e se modifica esta unidade e seus vizinhos de forma proporcional distncia
medida entre a a amostra e o prottipo. O comando bsico utilizado para iniciar o
treinamento :
>>Smatrixmap = som_make(Smatrix);
Com o qual so gerados 13 mapas dos chamados componentes planos e um mapa, auxiliar
da matriz de distncia dos prottipos presentes em cada neurnio. Este comando tem
muitas possibilidades de utilizao, ativando diferentes formas de apresentao dos mapas
j treinados e presentes na varivel Smatrixmap. Pode-se visualizar desde as matrizes de
distncia vetorial representadas por umat, como tambm a seleo de variveis que se
deseje observar.
>>som_show_add(label,Smatrixmap_freq):
1 13 25 38 50 61 73
2 14 26 39 51 62 74
3 15 27 40 52 63 75
4 16 28 41 53 64 76
5 17 29 42 54 65 77
6 18 30 43 55 66 78
7 19 31 44 56 67 79
8 20 32 45 57 68 80
9 21 33 46 58 69 81
10 22 34 47 59 70 82
11 23 35 48 60 71 83
12 24 36 49 61 72 84
U-matrix
0.25
MA1F PB3E PB3C PB4B PB2A PB8B PB6A
Meses
*(perodo compreendido entre meses) Letra
Janeiro - Fevereiro A
Maro - Abril B
Maio - Junho C
Julho - Agosto D
Setembro - Outubro E
Novembro - Dezembro F
5.89 59.5
3.86 7.9
d d
SOM 31-Mar-2011
Como pode ser observado na figura 18, no campo dos ttulos os nomes dos parmetros
fsico-qumicos so substitudos por iniciais abreviadas de acordo com a (tabela 6 Legenda
dos parmetros fsico-qumicos).
41
A escala de gradao (barra lateral) na figura 18, de cada mapa mostra a variao de cada
parmetro (no normalizado) de acordo com a base de treinamento.
FIGURA 19 - Mapa indicativo dos rtulos caractersticos (BMUs) dos pontos de coleta na
matriz principal.
Na matriz alterada so excluidos trs parmetros da matriz original de dados (Fenis, DQO
e DBO) resultando em uma nova matriz com as seguintes dimenses: 257 linhas em 10
colunas (total de 2570 elementos), a nova base de dados treinada conservando-se os
mesmos parmetros do primeiro experimento.
Nas sadas so gerados 80 prottipos de vetores (ver figura 21-c) e aps treinada a rede o
erro final de quantificao de 0.254, e o erro final topogrfico de 0.012.
RP0C U-matrix
RP5D RP0A
RP0C(1) RP0E RP0F RP2E
RP5D(1) RP0A(1) 0.4
BIR2C RP3D RP0D(1) RP0E(1) RP0F(1) RP2E(1)
BIR0C(1) RP0B(1)
BIR2C(1) RP3D(1) RP6C(1) RP2C(1) RP2A(1) RP6A(1)
BIR0D(1) RP2B(1)
BIR2D(1) RP4D(1) RP7C(1) RP4F(1) RP3A(1) RP6B(1)
BIR1D(1) RP4E(1)
BIR6C(1) BIR3C(1) BIR2E(1) RP6D(1) RP5E(1) RP6E(1) RP3B
BIR3D(1) RP8A(1) RP3B(1)
BIR8D(1) BIR7E(1) BIR5C(1) MAN2D(1) RP7B(1) RP7A(1)
BIR3E(1) RP3EBIR6D(1) RP8B(1) RP4B RP4A(1)
BIR8E(1)RP2D RP8C(1) RP8D(1)
BIR8C(1)BIR1E RP4C RP3E(1) BIR8B(1)
BIR6E(1)PAR0D RP2D(1)
RP4B(1) RP5B(1)
BIR1E(1) RP4C(1) RP7D(1) PAR0D(1) RP5A(1) RP6F(1) 0.35
RP5F(1)
BIR4D(1) RP5C(1) RP8E(1) MAN7C(1) BIR6A(1) RP7E(1)
BIR8F(1)
BIR1C(1) BIR7B(1) RP7F(1)
RP2F
MAN7D PAR6C PAR1C PAR0C RP3FPAR0E(1)
MAN4B RP2F(1) BIR6B(1)
MAN7D(1) PAR6C(1) RP3C PAR1C(1) PAR0C(1) RP3F(1)
MAN4B(1) BIR1B(1)
MAN8C(1) BIR3F(1) RP3C(1) BIR4E(1) BIR0E(1) PAR1D(1)
MAN6D(1) BIR4F(1)
BIR7D(1)
MAN1C BIR4C(1) BIR7F(1) BIR7A(1) BIR1A(1)
BIR8A(1) BIR0A
MAN1C(1) 0.3
PAR2C BIR0A(1)
MAN1E(1) MAN2A PAR5D BIR1F
MAN6B BIR6F PAR2C(1) BIR2F(1)
MAN4D(1) MAN2A(1) PAR5D(1) BIR1F(1)
MAN6B(1) BIR6F(1) PAR2D(1) BIR4A(1)
MAN5C(1)
MAN1F MAN2C(1) BIR0B(1) BIR2B(1)
BIR3B(1) BIR4B(1)
MAN6C(1)
MAN1F(1) MAN4A PAR3C BIR5B(1)
MAN7A(1)
MAN3A(1) MAN4A(1) PAR3D PAR3C(1) PAR8E
PAR6B
MAN3B(1) MAN4C MAN7B(1) PAR3D(1) PAR5B(1) PAR8E(1)
PAR6B(1) PAR0A
MAN4F(1) MAN4C(1) BIR5D(1) PAR3E(1) PAR6D(1) BIR2A(1) 0.25
PAR4ABIR3A(1) BIR5A(1) PAR0A(1)
MAN5A(1) BIR5E(1) PAR7D(1) PAR6E(1)
MAN5B(1) BIR7C(1) PAR4A(1)
PAR7C(1) PAR1A(1)
MAN2B
MAN6A(1) MAN1B PAR4B(1) PAR2A PAR1B(1)
MAN2B(1) MAN1B(1) MAN6E PAR5C PAR4C(1) PAR2A(1) PAR1E(1)
MAN8B(1) MAN5E(1) MAN6E(1) PAR5C(1) PAR5E(1) PAR2F(1) PAR1F(1)
MAN8F(1) MAN8A(1) PAR5F(1) PAR3B
BIR0F(1) PAR2B(1)
MAN2E PAR7E(1) PAR3B(1) PAR2E(1)
MAN4E PAR0F 0.2
MAN2E(1) MAN2F PAR8C(1) PAR4E(1) PAR6A(1)
MAN4E(1) PAR0F(1)
MAN3C(1) MAN2F(1) BIR5F PAR4D PAR3F PAR4F(1) PAR8A(1)
MAN7E(1) PAR3A(1)
MAN3D(1) MAN5F(1) BIR5F(1) PAR4D(1) PAR3F(1) PAR7A(1)
MAN7F(1) PAR5A(1)
MAN3E(1) MAN6F(1) PAR7B(1)
MAN8E(1) PAR6F(1)
MAN8D(1) PAR8B(1)
MAN1D PAR8F(1)
CAP1C PAR0B
MAN1D(1) CAP8B MAN1A PAR8D
CAP1C(1) PAR0B(1)
MAN3F(1) CAP8B(1) MAN1A(1) PAR8D(1) 0.15
CAP2A(1) PAR7F(1)
MAN5D(1)
CAP1F
CAP0C
CAP1F(1) CAP6D
CAP0C(1) CAP2F
CAP2C(1) CAP6D(1)
CAP1D(1) CAP2F(1)
CAP5B(1)
CAP3ECAP6F(1) CAP0B
CAP7D(1) CAP0A
CAP4C CAP0DCAP6B(1)
CAP3E(1) CAP1E CAP0B(1)
CAP2D CAP0A(1) 0.1
CAP4C(1) CAP0D(1) CAP5A(1) CAP1E(1) CAP2B(1)
CAP2D(1) CAP1A(1) CAP0E
CAP5C(1) CAP3C(1) CAP5E(1) CAP2E(1) CAP3A(1)
CAP4D(1) CAP1B(1) CAP0E(1)
CAP7C(1) CAP3D(1) CAP5F(1) CAP3B(1) CAP4A(1)
CAP6C(1) CAP3F(1) CAP0F(1)
CAP8C(1) CAP4B(1) CAP6E(1) CAP7A(1) CAP4E(1)
CAP8D(1) CAP6A(1)
CAP8E(1) CAP5D(1) CAP7E(1) CAP7F(1) CAP4F(1)
CAP8A(1)
CAP8F(1) CAP7B(1)
SOM 19-Apr-2011
U-matrix
0.4
0.3
0.2
0.1
CAP4C CAP2D CAP0D CAP3E CAP1E CAP0A CAP0E CAP0B
SOM 19-Apr-2011
FIGURA 21-b - Apresentao por votao do mapa das distncias vetoriais com os rtulos
da matriz modificada (257 linhas por 10 parmetros).
46
labels
0.0664
CAP0C CAP1F CAP6D CAP2F
SOM 19-Apr-2011
FIGURA 21-c - Apresentao do mapa das distncias vetoriais com o mapa geral rotulado
obtido da matriz modificada (257 linhas por 10 parmetros)
FIGURA 23 - Mapa de distncia entre vetores da matriz transposta com os rtulos dos
parmetros fsico qumicos.
Na transposio da matriz alterada, gerada uma matriz de 10 linhas por 257 colunas, aps
o treinamento da base de dados, obteve-se como sada 14 prottipos de vetores em uma
topologia hexagonal com um erro final de quantificao de 0.530, e um erro final
topogrfico de 0.000.
49
U-matrix
P(1)
Mn(1)
NKT(1)
pH(1)
Cloreto(1)
OD(1)
1.5
Turbidez(1)
Temp.Agua(1)
Temp.Ar(1)
0.5
Condut.(1)
SOM 20-Apr-2011
O estudo dos codebooks por meio de grficos pode proporcionar, em uma rpida
visualizao, a relao de similaridade entre os dados de entrada e as sadas geradas no
algortmo para a definio do perfil mdio dos parmetro por regio.
>> figure;plot(PMnNKT);
>> pHCLOD = Sgminvmap_freq.codebook(11,:);
PMnNKT
0.44
0.42
0.4
0.38
0.36
0.34
0.32
0.3
0 50 100 150 200 250 300
pHCLOD
0.43
0.42
0.41
0.4
0.39
0.38
0.37
0.36
0 50 100 150 200 250 300
Temperaturas
0.75
0.7
0.65
0.6
0.55
0.5
0.45
0 50 100 150 200 250 300
Condutividade
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0.55
0.5
0.45
0 50 100 150 200 250 300
Turbidez
0.75
0.7
0.65
0.6
0.55
0.5
0.45
0.4
0 50 100 150 200 250 300
Capivari
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0.55
0.5
0.45
0.4
1 2 3 4 5 6 7 8 9 10
FIGURA 30 - Prottipo de vetor obtido a partir da matriz modificada referente aos dados
da regio do Rio Capivari.
PAR8D
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
1 2 3 4 5 6 7 8 9 10
RP0E
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0.55
0.5
0.45
0.4
1 2 3 4 5 6 7 8 9 10
FIGURA 32 - Prottipo de vetor obtido a partir da matriz modificada referente aos dados
da regio do Rio Pardo da coleta do dia 03/10/2000.
55
6.0 CONCLUSES.
Nos mapas de distncia vetorial nas figuras 21-a 21-b e 21-c, pode-se observar clusters
com prottipos mais prximos como observados na escala lateral (0,1 a 0,20) associados
aos pontos de coleta das regies do Rio Pardo, Rio Paraba do sul como BMUs sugerindo a
proximidade de comportamento destes prottipos.
Nos prottipos do cluster denominado Rio Paraba (PB), h a proximidade dos prottipos
associados aos perodos referentes aos ltimos meses de coleta, e com distribuio
proporcional correspondente aos 8 anos de coleta.
No cluster h 22 clulas (ver figura 20) com uma rea de aproximadamente 26% da rea do
mapa. Na interpretao da proximidade, observa-se um padro dos prottipos referentes
aos ltimos meses, que podem indicar a relao de sazonalidade nos perodos de coleta e a
distribuio proporcional no perodo compreendido.
No cluster de Rio Capivari (RC), tambm h uma distribuio proporcional dos prottipos
de vetores referentes ao perodo integral de coleta sem predominncias, apresentando
repetitividade referente aos ltimos meses de coleta (sazonalidade). Apresenta uma rea de
aproximadamente 23% do mapa, com correlao com a regio de Biritiba Mirim do ms de
dezembro do ano 2005.
Com base no mapa do estado de So Paulo, na figura 33, h proximidades entre as regies
de Mantiqueira, Paraba do Sul e Capivari. Devido s caractersticas semelhantes, h a
58
proximidade entre os clusters de forma semelhante apresentada figura 20. Assim como o
distanciamento entre a regio do Rio Pardo e a regio de Biritiba mirim (Baixo Tiet).
Devido s caractersticas especificas dos parmetros Fenis DQO e DBO, decidiu-se fazer
um estudo com uma matriz de dados sem a utilizao destes parmetros. Eles
apresentavam valores constantes e erro indefinido e poderiam estar alterando treinamento
da rede. Este novo critrio aplicado para excluso dos trs parmetros foi descrito no
tpico 4.1.2 (Organizao do banco de dados).
A extrao dos prottipos de vetores e o reconhecimento por meio dos grficos dos
mesmos alm de ser um recurso adicional, demonstra os comportamento amostrais nas
caractersticas dos perfis mdios gerados.
Trabalhos Futuros
ANEXO - A Tabela dos valores dos parmetros fsico qumicos (perodo de 2000 a 2008)
Referente aos resultados dos 13 parmetros coletados nas UGRHs das cinco regies, organizados no formato de planilha
U.pH C C mg/L S/cm mg/L mg/L mg/L mgP/L mg/L mgN/L mgO2/L UNT
Ponto de coleta Data
Rio Pardo 06/08/2003
04/12/2006 6,2
6,7 18,3
27 32
25 2,3
2,5 66,4
50,5 2 50 0,003 0,029
0,035 0,04 0,25
0,21 5,5
7,8 4,5
15
Rio Pardo 01/02/2000 7,2 24 27 2,5 54 3 21 0,003 0,005 0,14 0,39 6,8 55
Rio Pardo 01/10/2003
28/02/2007 5,7
6,6 19,7
25,5 28,5
29 2,5
2 52,9
57,1 2 50 0,003
0,001 0,024
0,046 0,03
0,06 0,11
0,33 7,5
7,1 30
3
Rio Pardo 04/04/2000 7,1 23 25 2,5 53 3 17 0,003 0,058 0,06 0,56 7,2 35
Rio Pardo 08/12/2003
11/04/2007 5,5
6,8 25
26 28
30 3,5
2 63,6
55,1 2 50 0,003
0,001 0,077
0,01 0,06 0,26
0,41 6,5
6 35
20
Rio Pardo 28/06/2000 7,2 19 28 3,5 51 3 50 0,003 0,039 0,02 0,19 9,5 5
Rio Pardo 11/02/2004
14/06/2007 6,7
6 24,8
21,4 31
28 2,5 52,5
57,8 2 50 0,003
0,001 0,049
0,034 0,06
0,03 0,33
0,6 6,4
7,8 3,82
80
Rio Pardo 29/08/2000 7 21 24 3 55 3 50 0,003 0,046 0,02 0,31 8,5 4
Rio Pardo 07/04/2004
08/08/2007 6,9
5,9 23,9
19,4 27,5
26 1,5
3 49,2
53,8 2 50 0,003
0,001 0,045
0,037 0,06
0,04 0,15 7,6
6 5,75
20
Rio Pardo 03/10/2000 7,1 23 30 4 70 3 50 0,003 0,003 0,02 0,31 9 5
Rio Pardo 16/06/2004
22/10/2007 6,38
6,3 19,3
25,5 22,5
28 2,5
3 53
57 2
4 50 0,003
0,002 0,053
0,01 0,04
0,03 0,22
0,2 8,2
7 6,12
10
Rio Pardo 20/12/2000 6,8 25 28 4,5 62 3 50 0,012 0,069 0,06 0,49 7,4 20
Rio Pardo 11/08/2004
03/12/2007 6,66
6,1 19,3
28 23
34 2,5
3 54,2
63,4 2 50 0,003
0,002 0,037
0,14 0,02
0,04 0,38
0,81 7,7
6,3 10,2
3
Rio Pardo 19/02/2002 7 26 32 4 55 2 50 0,003 0,063 0,05 0,34 6 35
Rio Pardo 25/10/2004
18/02/2008 7,4
7,7 23,7
25,9 28,5
29 2,5
1,5 55,7
48,1 2 50 0,003
0,002 0,058
0,039 0,0568
0,05 0,26
0,1 6,5
7,8 21,6
10
Rio Pardo 22/04/2002 7,3 25 30 3,5 52 2 50 0,003 0,003 0,04 0,03 7 10
Rio Pardo 06/12/2004
09/04/2008 7,12
7,2 24,4
20 30
29 1,4
2 54,8
48 2 50 0,003
0,002 0,082
0,043 0,0488
0,05 0,27
0,36 8,7
7 52,3
20
Rio Pardo 26/06/2002 6,8 21 30 2 56 3 50 0,003 0,08 0,04 0,03 7,7 1
Rio Pardo 12/06/2008
16/02/2005 6,9
7 25
24,9 27,5
24,4 1,5
2,5 50,2
54,7 2 50 0,002
0,003 0,016
0,093 0,0233
0,05 0,27
0,16 7,3
6,06 4,83
15
Rio Pardo 07/08/2002 7 20 29 3,3 53,9 3 50 0,003 0,016 0,02 0,18 6,2 1
Rio Pardo 11/08/2008
06/04/2005 6,7
6,4 24
25,4 33
31 2,5
2,4 53,1
58,2 2 50 0,003 0,007
0,062 0,0111
0,05 0,15
0,24 7,8
6,7 2,2
15
Rio Pardo 02/10/2002 6,6 24 33 3 65,3 2 50 0,003 0,113 0,04 0,49 7,6 3
Rio Pardo 15/06/2005
21/10/2008 6,7
6,3 22,8
20 22
25 2,3
2,5 56,1
52,2 3
2 50 0,003 0,021
0,009 0,0502
0,03 0,15
0,18 7,6
8,7 1,48
10
Rio Pardo 10/12/2002 6,7 22 29 3,5 98,28 2 50 0,003 0,023 0,05 1,41 5,8 15
Rio
RioCapivari
Pardo 10/08/2005
11/01/2000 6,9
7,5 19
25 20
29 1,4
9 57,5
157 2
4 50
42 0,003
0,004 0,018
0,332 0,02
0,28 0,28
1,3 7,8
5,4 200
15
Rio Pardo 05/02/2003 6,8 24,7 29 2,5 63,7 2 50 0,003 0,077 0,05 0,2 6,6 40
Rio
RioCapivari
Pardo 24/10/2005
21/03/2000 6,8
7 26
25 31 7,8
2 57,4
150 2
3 50
18 0,003
0,005 0,02
0,18 0,04
0,21 1,25
0,98 7,7
7,6 13
5
Rio Pardo 09/04/2003 6,4 25 31,5 2,5 55,4 2 50 0,003 0,063 0,06 0,13 6,2 15
Rio
RioCapivari
Pardo 07/12/2005
09/05/2000 6,9
7,3 23,2
21 24,5
21 2,24
16,3 59,6
232 3
6 50
18 0,003 0,261
0,06 0,04
0,16 0,33
2 6,4
6,1 6,3
18
Rio Pardo 09/06/2003 6,3 21,3 25,5 3,5 57,8 2 50 0,003 0,026 0,03 0,17 7 5
Rio
RioCapivari
Pardo 15/02/2006
11/07/2000 6,3
7,2 27
17 36
21 21,8
3 55,1
278 11
2 50
15 0,003 0,244
0,41 0,05
0,27 0,49
2,5 8,4
4,5 45
15
Rio
RioCapivari
Pardo 05/04/2006
19/09/2000 6,6
7,3 24,3
22 28,7
27 1,4
11 53,7
176 11
2 50
34 0,003
0,007 0,066
0,201 0,02
0,19 0,32
1,6 6,9
7 25
80
Rio
RioCapivari
Pardo 20/06/2006
20/11/2000 6,8
7,4 20
22 26
27 2,5
9 53,5
145 2
8 50
37 0,003
0,005 0,085
0,195 0,03
0,15 0,42
0,93 9,4
7 140
3,5
Rio
RioCapivari
Pardo 09/08/2006
09/01/2001 7,2
7 22
26 29
26 3,1
7,9 54,2
147 2
9 50
38 0,003 0,357
0,2 0,06
0,38 0,05
0,49 7,8
6,6 160
2,5
Rio
RioCapivari
Pardo 23/10/2006
13/03/2001 6,7
7,4 25
24 31
28 2,9
7,9 155
61 2
9 50
31 0,003 0,272
0,06 0,04
0,42 0,05
1,3 6,8
4,9 255
10
62
R. Paraiba 17/10/2001
21/06/2006 6,6
6,5 28
19 30
21 7,3
5,2 84
78 3
2 18
4 0,001 0,15
0,08 0,07
0,05 0,44
0,62 4,8
7,6 41
16
R. Paraiba 12/12/2001
15/08/2006 6,5
6,3 26
19 28
24 6,2
5,1 73
84 3
2 28
50 0,001 0,14
0,08 0,06
0,05 0,52
0,44 5,3
4 79
24
R. Paraiba 20/02/2002
24/10/2006 6,4
6,1 23
20 23
20 9,4
7,5 68
86 3
2 27
50 0,001 0,08
0,09 0,05
0,1 0,51
1 5,2
4 99
20
R. Paraiba 03/04/2002
06/12/2006 6,6 25
24 32
27 7,4
7,2 112
98 2,6
6 13
50 0,001 0,07
0,13 0,09
0,1 0,58
1,2 4,2
3,6 67
44
R. Paraiba 12/06/2002
22/02/2007 6,4
6,5 21
25 26 6,7
7 109
76 1,4
1 50
4 0,001 0,06
0,15 0,04
0,09 0,36
0,49 5,8
3,9 17
28
R. Paraiba 20/08/2002
19/04/2007 6,4
7 21
23 25
27 7,4
6,4 74
94 0,4
3 17
50 0,001 0,08
0,06 0,04
0,07 0,53
0,37 5,1
4,2 18
28
R. Paraiba 16/10/2002
20/06/2007 6
6,6 26
20 31
20 7,2
5,7 81
75 3
2 7
36,22 0,001 0,09
0,08 0,1
0,03 0,6
0,33 4
5 69
12
R. Paraiba 11/12/2002
28/08/2007 6,4
6,5 24
17 23
17 4,7
5,8 80
94 1
2 14
36,22 0,001 0,06
0,14 0,07
0,04 0,38
0,37 3,2
4,7 84
19
R. Paraiba 19/02/2003
19/10/2007 6,7
6,6 25,5
21 27
20 8,1
6,6 115
87 2 14
36,22 0,001
0,002 0,1 0,09
0,06 0,03
0,58 3,2
4,1 39
21
R.
R. Paraiba
Paraiba 02/04/2003
05/12/2007 6,2
6,7 25
27 25
29 9,7
11 123
153 3
2 17
36,22 0,001
0,002 0,09
0,13 0,09
0,14 0,78
0,77 3
3 19
16
R.
R. Paraiba
Paraiba 25/06/2003
21/02/2008 6,1
6,5 19
25 21
28 5,5
4,8 82
97 2
2 11
36,22 0,001
0,002 0,01
0,05 0,06
0,04 0,56
0,67 4,4
2,9 62
59
R.
R. Paraiba
Paraiba 19/08/2003
03/04/2008 6,6
6,6 17
24 20
24 6,7
8,1 101
123 2
2 4
36,22 0,001
0,002 0,08
0,1 0,02
0,09 0,39
0,75 5,5
3,5 13
25
R.
R. Paraiba
Paraiba 15/10/2003
18/06/2008 6,4
6,7 18
21 17
23 6,7
6,5 107
105 1
2 14
36,22 0,001
0,002 0,12
0,11 0,07
0,07 0,55
0,7 6,4
4,7 61
18
R.
R. Paraiba
Paraiba 10/12/2003
19/08/2008 6,8
6,7 23
23 22
26 7,7
9,4 117
125 2,2
2 18
36,22 0,001
0,003 0,12
0,13 0,08
0,12 0,4
0,63 3,2
3,8 32
19
R. Paraiba 26/02/2004 6,5 20 19 5,2 72 4,2 25 0,001 0,06 0,1 0,9 3 131
R. Paraiba 02/10/2008 6,5 22 23 4,7 84 2 36,22 0,003 0,11 0,05 0,43 3,6 31
R. Paraiba 29/04/2004 5,8 22 22 11 124 1,6 10 0,001 0,11 0,09 0,55 4,4 27
R. Paraiba 03/12/2008 6,6 25 25 5,8 109 2 36,22 0,003 0,05 0,08 0,77 2,7 33
R. Paraiba 23/06/2004 5,9 20 23 12 134 2,2 14 0,001 0,12 0,08 0,9 5 18
Mantiqueira 16/01/2001 7 25 22 5,9 110 8 30 0,001 0,38 0,15 1,41 4,8 29
R. Paraiba 24/08/2004 6,8 22 25 11 120 3 14 0,001 0,16 0,06 4 4,5 24
Mantiqueira 01/03/2001 6,9 19 18 2 91 9 22 0,001 0,26 0,14 1,41 5,4 13
R. Paraiba 13/10/2004 6,7 24 27 8,4 128 1,8 11 0,001 0,16 0,06 0,8 3,9 23
Mantiqueira 23/05/2001 6,7 15 20 2,1 74 5 16 0,001 0,14 0,13 1,41 7 21
R. Paraiba 08/12/2004 6,7 24 26 9,6 122 2 11 0,001 0,14 0,06 0,54 3,3 26
Mantiqueira 17/07/2001 7,2 13 18 4,7 104 9 24 0,009 0,34 0,24 1,41 5,7 14
R. Paraiba 24/02/2005 6,5 24 28 8,8 133 3,8 27 0,001 0,06 0,13 0,61 2,1 36
Mantiqueira 18/09/2001 6,6 13 16 5,6 91 6 18 0,001 0,25 0,14 1,41 7,5 15
R. Paraiba 29/04/2005 6,5 19 24 6,11 97 1,7 13 0,001 0,04 0,07 0,97 4,9 20
Mantiqueira 13/11/2001 7 18 20 2,8 56 1 4 0,001 0,15 0,08 1,41 6,4 87
R. Paraiba 22/06/2005 6,5 19 20 7,37 114 1,5 10 0,001 0,13 0,04 0,53 4,5 12
Mantiqueira 22/01/2002 5,9 21 20 2,9 61 3 4 0,001 0,13 0,12 1 7 32
R. Paraiba 29/08/2005 6,5 19 29 4,1 75 0,9 7 0,001 0,11 0,05 1,41 4,5 19
Mantiqueira 03/05/2002 7,4 19 21 2,1 52 2 4 0,001 0,01 0,23 0,78 7,6 40
R. Paraiba 20/10/2005 6,8 20 22 6,9 88 1,6 4 0,001 0,09 0,06 0,66 3,7 31
Mantiqueira 05/02/2002 5,5 22 20 2 56 2 4 0,001 0,13 0,09 1,6 7 15
R. Paraiba 07/12/2005 6,7 21 21 4,6 83 2 17 0,001 0,09 0,09 0,96 3,3 65
Mantiqueira 07/10/2002 7,2 21 26 4,7 78 7 17 0,001 0,34 0,06 3,7 7,5 15
R. Paraiba 16/02/2006 6,6 23 26 4,7 66 1,6 36 0,001 0,06 0,1 1,42 2,9 202
Mantiqueira 18/09/2002 7,5 17 20 4,5 71 5 10 0,001 0,22 0,13 2,9 6,1 16
R. Paraiba 27/04/2006 6,5 23 25 7,4 104 4 8 0,001 0,11 0,07 0,26 5,2 23
64
Mantiqueira 11/11/2002
10/07/2007 7,4
6,4 23
12 22
20 3,8
4,5 65
86 6
9 21
50 0,001 0,1
0,2 0,13
0,08 2,26
3,2 6,1
7,7 151
41
Mantiqueira 21/01/2003
12/09/2007 7,29
6,9 17 19
21 1,9
4,3 60
85 5 8
36,22 0,001 0,04
0,29 0,07
0,09 1,9
3,52 6,6
5,5 69
9
Mantiqueira 12/03/2003
28/11/2007 7,2
7,5 17
21 19
23 3,6
1,8 71
83 6
3 7
36,22 0,001
0,002 0,09
0,32 0,2
0,12 1,2
5 6,6
6,3 152
9,9
Mantiqueira 22/05/2003
07/01/2008 7,18
7,1 15
19 20
22 6,7
3,3 91
6,8 8
4 11
36,22 0,001
0,002 0,19
0,15 0,1
0,15 5
1,28 5,9 15,7
47
Mantiqueira
Mantiqueira 15/07/2003
12/03/2008 7,3
7,5 16
18 17
20 4,5
1,2 80
65 3
2 11
36,22 0,001
0,002 0,16
0,17 0,12
0,09 3
1,25 6,4
6,4 16
0,7
Mantiqueira
Mantiqueira 17/09/2003
13/05/2008 7
6,7 16
12 18
13 3,4
2,7 76
51 6
3 18
36,22 0,001
0,002 0,09
0,13 0,1
0,06 25
1 6,4
7,3 34
17
Mantiqueira
Mantiqueira 11/11/2003
15/07/2008 7,1
7 15
9,9 20
19 5,4
3,3 95
74 6
5 11
36,22 0,001
0,002 1,9
0,23 0,17
0,11 40
2,72 6,1
7 13
13
Mantiqueira
Mantiqueira 20/01/2004
11/09/2008 6,8
7,1 17
16 20
23 5,4
5,1 83
94 3
5 32
50 0,001
0,003 0,08
0,34 0,102
0,07 1,9
2,9 6,2
6,2 17
13
Mantiqueira
Mantiqueira 17/03/2004
26/11/2008 6,3
7,3 18
17,4 19
21 1,8
2,3 57
68 2
5 4
50 0,001
0,003 0,06
0,19 0,09
0,07 0,69
1,22 7,4
6,8 28
42
Mantiqueira
Biritiba.Mirim 20/05/2004
13/01/2000 6,94
6,1 15
25 17
33 5,2
3,6 81
47 3
3,99 11
39 0,001
0,003 0,17
0,03 0,12
0,07 2,1
0,6 6,9
3,8 20
13
Mantiqueira
Biritiba.Mirim 13/07/2004
27/03/2000 6,42
6,1 14
22 11
25 4,1
4,6 63
37 5
3 10
25 0,001
0,003 0,17
0,11 0,13
0,04 2,7
0,31 7
4,8 22
13
Mantiqueira
Biritiba.Mirim 15/09/2004
24/05/2000 7,1
7,5 19
15 20
20 4,8
3,7 80
28 8
4 25
25 0,001
0,003 0,42
0,04 0,11
0,002 3,4
0,76 5,4
7,8 19
4
Mantiqueira
Biritiba.Mirim 16/11/2004
26/07/2000 7,11
6,7 15
14 14
17 2,8
7,1 76
59 7
3 32
25 0,001
0,003 0,01
0,11 0,12
0,002 2,5
0,27 6,8
7,4 195
3
Mantiqueira
Biritiba.Mirim 04/01/2005
21/09/2000 7,23
6,6 17
21 17
28 1,7
6,2 74
49 6
3 18
25 0,001
0,003 0,14
0,13 0,11
0,02 1,6
0,87 7,1
6,1 112
7
Mantiqueira
Biritiba.Mirim 16/03/2005
30/11/2000 6,77
6,2 17
22 19
23 3
8,1 77
66 7
4 13
52 0,001
0,003 0,14
0,3 0,12
0,05 2,5
1,12 6,4
3,5 220
106
Mantiqueira
Biritiba.Mirim 17/05/2005
11/01/2001 6,7
6,6 10
25 9
30 3,25
3,41 70
41 8
3 38
26 0,001
0,004 0,22
0,07 0,11
0,03 1,41
0,67 6,7
5,7 15
9,24
Mantiqueira
Biritiba.Mirim 12/07/2005
27/03/2001 6,9
6,7 12
24 17
27 4,94
5,83 88
69 10
3 31
29 0,001
0,003 0,42
0,11 0,1
0,03 4,9
0,86 5,8
5,7 14
35,7
Mantiqueira
Biritiba.Mirim 14/09/2005
30/05/2001 6,9
5,9 20
18 15
25 4,7
4,06 80
43 3
1 4
12 0,001
0,003 0,2
0,07 0,13
0,002 3,1
0,1 6,6
8 21
6,48
Mantiqueira
Biritiba.Mirim 30/11/2005
25/07/2001 6,9
6,9 22
16 19
18 5,1
4,18 101
43 8
3 31
25 0,001
0,003 0,29
0,03 0,19
0,02 3,5
1,88 5,9
6,7 46
9,2
Mantiqueira
Biritiba.Mirim 04/01/2006
18/09/2001 7
6,4 12
15 14
17 1,8
4,67 57
51 5
3 106
50 0,001
0,003 0,05
0,03 0,18
0,02 1,5
1,03 7,3
8,4 416
5,08
Mantiqueira
Biritiba.Mirim 15/03/2006
29/11/2001 6,26
6,3 16
21 18
29 1,8
5,39 58
87 3
9 15
50 0,001
0,003 0,12
0,39 0,11
0,06 1,5
1,92 6,5
5 12
38
Mantiqueira
Biritiba.Mirim 17/05/2006
15/01/2002 7
6,4 13
21 20
24 2,4
3,9 57
65 6
3 8
50 0,001
0,003 0,01
0,22 0,08
0,03 3,56
0,66 6,9
4,1 12
50
Mantiqueira
Biritiba.Mirim 11/07/2006
26/03/2002 6,4
6,3 18
22 22
28 2,7
6,5 65
49 6
3 20
50 0,001
0,003 0,2
0,15 0,08
0,06 2,26
0,61 7,7
4,6 41
12
Mantiqueira
Biritiba.Mirim 13/09/2006
28/05/2002 6,4
6,5 18
15 21
24 6,3
3,9 90
32 3
3 50
50 0,001
0,003 0,29
0,03 0,09
0,03 3,52
0,03 5,5
10 25
1
Mantiqueira
Biritiba.Mirim 29/11/2006
25/07/2002 7,6
6,8 20
15 30
25 4,1
4,8 90
44 6,1
3 50
50 0,001
0,003 0,32
0,05 0,12
0,01 5
0,34 6,3
8,9 105
7
Mantiqueira
Biritiba.Mirim 08/01/2007
17/09/2002 6,5
6,6 19
20 20
29 1,9
4 65
41 27
3 50
50 0,001
0,003 0,05
0,04 0,18
0,04 1,5
0,03 7,3
7,8 89
4
Mantiqueira
Biritiba.Mirim 14/03/2007
25/11/2002 6,8
6 17
23 21
31 4,3
3,8 68
36 0,4
3 50
50 0,001
0,003 0,12
0,08 0,11
0,11 1,5
1,31 6,5
4,8 13
10
Mantiqueira 15/05/2007 6,9 18 25 3,2 64 2 50 0,001 0,01 0,08 3,56 6,9 11
65
Biritiba.Mirim 14/01/2003
11/09/2007 6,1
7,1 21,1
18,4 24,4
24,5 3,84
3,97 45,8
38 3 50 0,0003
0,003 0,13
0,03 0,05
0,02 0,81
0,6 3,9
7,5 40,79
21
Biritiba.Mirim 26/03/2003
27/11/2007 6,4
6,8 20,2
21,3 22,5
24 3,55
5,93 68,6
45 3 50 0,0003
0,003 0,11
0,07 0,03
0,05 0,72
0,64 5,3
6,5 14,48
13
Biritiba.Mirim 15/05/2003
08/01/2008 6,8
6,7 16,8
23,5 29,5
26 4,04
7,71 100,5
34,3 3 50 0,0003
0,003 0,05
0,09 0,01
0,08 0,61
0,5 8,2
6,2 15,43
3,5
Biritiba.Mirim 10/07/2003
27/03/2008 7,5
6,9 19,5
22,3 16,5
29,4 6,79
3,5 31,5
91,4 3 50 0,0003
0,003 0,04
0,05 0,01
0,07 0,42
0,65 8,4
7 12,77
3,9
Biritiba.Mirim 16/09/2003
08/05/2008 6,7
6,9 16,1
16,5 17,5
19,3 5,93
6,62 54,7
86,8 3 50 0,0003
0,009 0,06
0,08 0,02
0,04 0,56
0,5 8,3
7,8 3,5
22
Biritiba.Mirim 04/11/2003
24/07/2008 6,3
7 17,7
17,9 19
23 4,87
2,89 43,7
50,7 3 50 0,0003
0,003 0,06
0,15 0,04
0,02 1,73
0,72 7,1
7,9 5,28
5
Biritiba.Mirim 13/01/2004
04/09/2008 5,9
7,2 22,2
20 26,5
31 4,11
4,49 50,9
44 3 36,22 0,003 0,09
0,05 0,09
0,03 0,45
0,62 3,5
7,6 3,95
10
Biritiba.Mirim 10/03/2004
25/11/2008 5,9
7 24
21,4 27,5
26 3,58
5,58 38,3
69,3 3
4 50
36,22 0,003 0,09
0,04 0,02
0,06 0,49
0,92 3,8
7 12
9,62
Biritiba.Mirim 13/05/2004 6,5 18,5 21 4,16 39 3 50 0,003 0,05 0,02 0,34 6,9 11
Biritiba.Mirim 29/07/2004 6,4 14,5 19 4,35 40,7 3 50 0,003 0,06 0,01 0,18 8 2,5
Biritiba.Mirim 16/09/2004 6,7 19,2 27 4,33 40,8 3 50 0,003 0,03 0,03 0,62 5,7 0,9
Biritiba.Mirim 03/11/2004 6,8 24 30,5 6,48 58,8 3 50 0,003 0,06 0,07 0,76 5,7 7,45
Biritiba.Mirim 11/01/2005 6,72 24,5 24 4,31 61,7 3 50 0,005 0,19 0,08 0,39 4,27 39
Biritiba.Mirim 01/03/2005 6,3 24,1 28 4,78 55,1 3 50 0,003 0,12 0,07 0,91 4,2 13
Biritiba.Mirim 12/05/2005 6,52 19,6 28,5 0,5 37,7 3 50 0,003 0,04 0,02 0,28 7,04 11,51
Biritiba.Mirim 28/07/2005 6,8 17,2 20 5,99 76,9 3 78 0,003 0,1 0,1 0,84 6,7 7,6
Biritiba.Mirim 13/09/2005 6,5 17,7 18 7,12 84,1 3 50 0,003 0,13 0,12 0,8 6,4 8,4
Biritiba.Mirim 03/11/2005 7 20 25,5 8,68 138,2 3 50 0,003 0,24 0,007 1,79 5,9 12,5
Biritiba.Mirim 10/01/2006 7,1 24 28 5,74 84,5 3 50 0,003 0,14 0,06 1 5,7 7,2
Biritiba.Mirim 08/03/2006 6,1 23,6 29 6,78 106,5 3 50 0,003 0,1 0,07 0,87 6,7 2,8
Biritiba.Mirim 11/05/2006 6,8 18,6 21 3,75 59,9 3 50 0,003 0,02 0,03 0,52 7,2 3,9
Biritiba.Mirim 27/07/2006 6,8 17,2 28,5 3,32 44,9 3 50 0,003 0,11 0,02 0,92 7,8 0,8
Biritiba.Mirim 12/09/2006 6,7 19,2 32 4,23 41,6 3 50 0,003 0,11 0,04 0,74 7,5 4,3
Biritiba.Mirim 07/11/2006 6,2 21,2 19,5 4,25 56,9 3 50 0,003 0,09 0,04 0,38 6,2 5,7
Biritiba.Mirim 09/01/2007 6,7 23,3 24,5 6,09 78,8 3 50 0,003 0,07 0,09 0,77 5,8 22,4
Biritiba.Mirim 09/03/2007 7 25,9 28,5 4,09 50,3 3 50 0,003 0,07 0,08 0,57 6 4,72
Biritiba.Mirim 09/05/2005 6,8 19,4 14 4,54 52,9 3 50 0,003 0,18 0,04 2,13 6,6 10,5
Biritiba.Mirim 26/07/2007 6,5 15,3 16,5 8,59 114,4 3 50 0,003 0,16 0,04 0,59 7,8 30,27
66
0,012
0,01
mg/ L
0,008
0,006
0,004
0,002
0
1
12
23
34
45
56
67
78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254
Total de amostras
1,6
1,4
1,2
mgP/ L
1
0,8
0,6
0,4
0,2
0
1
13
25
37
49
61
73
85
97
109
121
133
145
157
169
181
193
205
217
229
241
253
Total de amostras
0,4
0,35
0,3
mg/ L
0,25
0,2
0,15
0,1
0,05
0
1
14
27
40
53
66
79
92
105
118
131
144
157
170
183
196
209
222
235
248
Total de amostras
100
80
mg/ L
60
40
20
0
1
12
23
34
45
56
67
78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254
Total de amostras
25
20
mg/ L
15
10
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
10
8
mgO 2/ L
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
40
35
30
mgN/ L
25
20
15
10
0
1
13
25
37
49
61
73
85
97
109
121
133
145
157
169
181
193
205
217
229
241
253
Total de coletas
50
40
mg/ L
30
20
10
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
35
30
25
C
20
15
10
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
25
20
C
15
10
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
350
300
250
S/ cm
200
150
100
50
0
1
12
23
34
45
56
67
78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254
Total de amostras
600
500
400
UNT
300
200
100
0
1
12
23
34
45
56
67
78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254
Total de amostras
pH (no normalizado)
9
6
U.pH
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
Total de amostras
REFERNCIAS BIBLIOGRFICAS
BADIN JR., H., Redes Neurais Artificiais - Parte 2, - Neurnio Biolgico, Mecatrnica
Atual, disponvel em: http://www.mecatronicaatual.com.br/secoes/leitura/553, acessado em
20/01/2011.
BIERMAN P.H., LEWIS M. OSTENDORF B., TANNER J., A review of methods for
analysing spatial and temporal patterns in coastal water quality. Ecological Indicators, 11,
p.103-114, 2011.
CRGHINO R., PARK Y.-S., Review of Self-Organizing Map (SOM) approach in water
resources: Commentary. Environmental Modelling & Software, 24, 945-947, 2009.
COSTA F.A.J, NETTO A..L.M, Segmentao de mapas auto organizveis com espao
de sada 3 D, Revista Controle &Automao, v.18 n.2., p. 150 162, Abr./Mai/Jun.
2007.
FILHO B.D. B, Redes neurais para controle de sistemas de reatores nucleares, Tese
(Doutorado), Instituto de Pesquisas Energticas e Nucleares IPEN, So Paulo, 1998.
GARCIA L.H, GONZLES M.I, Self organizing map and clustering for wastewater
treatment monitoring. Engineering Applications of Artificial Intelligence,17, p.215
225, 2004.
LCIS, Laboratoty of Computer and Information Science, Som Toolbox 2.0, obtido em:
http://www.cis.hut.fi/somtoolbox/, acesado em: 22/01/2011.
LEE H.B, SCHOLZ M, Application of the self organizing map (SOM) to assess the
heavy metal removal performance in experimental wetlands. Water Research, 40 (18), p.
3367 3374, 2006.
LEK S, GIRAUDEL J.L, Acomparison of self organizing map algorithm and some
conventional statistical for ecological community ordination.Ecological modeling, 146 (1-
3), p. 329 339, 2001.
McCULLOCH W.S, PITTS W.H, Alogical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, 5, p. 115 133, 1943.
MATHWORKS: Matlab verso 6.5, [S.I], Mathworks Inc., 2004, Conjunto de programas,
2 CD-ROM.
MICROSOFT Project for Windows, version XP: project planning software. [S.I]:
Microsoft Corporation, 2001, Conjunto de programas 1 CD - ROM.
SOM TOOLBOX verso 2.0, obtida no Laboratory of Computer and Information Science,
Finland, Mar. 17 2005, [S.I]. Disponvel em: http://www.cis.hut.fi/projects/somtoolbox/ .
TISON J., PARK Y.S., COSTE, M. DELMAS F., GIRAUDEL, J.L.,Use of unsupervised
neural networks for eco-regional zonation of hydrosystems through diatom communities:
case study of Adour-Garonne watershed. Archiv fr Hydrobiologie, 159, 409-422, 2004.
TOBISZEWSKI M., TSAKOVSKI S., SIMEONOV V., NAMISNIK J., Surface water
quality assessment by the use of combination of multivariate statistical classification and
expert information. Chemosphere, 80, p.740-746, 2010.
VESANTO, J., SOM implementation in SOM Toolbox, obtido em: VESANTO, J., SOM
implementation in SOM Toolbox, obtido em:
http://www.cis.hut.fi/somtoolbox/documentation/somalg.shtml, acessado em: 21/01/2009.