Inferência Geográfica e Suporte À Decisão

9
INFERNCIA GEOGRFICA E SUPORTE DECISO
Fbio Roque Moreira

Cludio Barbosa
Gilberto Cmara
Raimundo Almeida Filho
9.1 INTRODUO
Na maioria dos projetos desenvolvidos em SIG a principal proposta a

combinao de dados espaciais, com o objetivo de descrever e analisar interaes,
para fazer previses atravs de modelos, e fornecer apoio nas decises tomadas
por especialistas. A combinao desses dados multi-fonte permitir uma reduo
na ambigidade das interpretaes que normalmente so obtidas atravs da
anlise individual dos dados (Pendock e Nedeljkovic, 1996).
Este trabalho apresenta uma viso geral das diferentes tcnicas de anlise
geogrfica, no contexto de produo de novos mapas a partir de dados j
existentes. Sero apresentados vrios mtodos de inferncia espacial para a
integrao dos dados (evidncias). Os mtodos geram como resultado planos de
informao (geocampos) em diferentes formatos. O mtodo Booleano gera dados
em formato Temtico sendo a potencialidade expressa espacialmente em forma de
polgonos que representam classes (favorvel e no favorvel).Os outros mtodos,
Mdia Ponderada, Fuzzy, Bayesiano e inferncia por Redes Neurais, geram dados
em formato Numrico sendo a potencialidade expressa de forma numrica.
Tcnicas de Inferncia Geogrfica
9.2 MODELOS TERICOS E EMPIRICOS
Do ponto de vista conceitual, os modelos de processos ambientais no

contexto de SIG, podem ser descrito como a combinao de um conjunto de dados
de entrada atravs de uma funo, produzindo um novo dado de sada.
Sada = (dados de entrada)
A funo, , pode tomar muitas formas diferentes, mas os
relacionamentos expressados por esta funo so baseados no entendimento
terico de princpios fsicos e qumicos, ou so empricos, baseados em dados
observados ou ainda na combinao destes dois anteriores tipos.
Na categoria de modelos tericos, equaes de movimento derivadas de
princpios mecnicos, so utilizadas em modelos de circulao atmosfrica,
modelos de fluxo ocenicos e modelos de fluxo de guas subterrneas. Um
modelo de circulao de guas de um lago, por exemplo, usa-se com entrada
mapas de profundidade do lago, mapa de declividade do fundo do lago, fluxo de
entrada e de sada, etc. e tem-se como resultado, campos de velocidades.
Modelos baseados em relacionamentos estatsticos ou relacionamentos
heursticos, so exemplos de modelos empricos. Nestes modelos, os
relacionamento espaciais entre as variveis de estudo, so estimados por critrios
estatsticos, a partir de amostras uma regio experimental, ou a partir de um
conjunto de classes, onde os limiares destas classes definidos por especialistas.
Modelos para predio de potencial mineral so exemplo de modelos
empricos. Os modelos empricos podem ser divididos em dois tipos; modelos
baseados em conhecimento que so implementados a partir do conhecimento de
especialistas, e modelos baseados em dados, que so implementados a partir de
um conjunto de dados observados.
Introduo Cincia da Geoinformao 9-2

9.3 MODELOS BASEADOS EM CONHECIMENTO
No caso de modelos baseados em conhecimento, dispomos de um conjunto

de informao de entrada e uma metodologia que nos permitir descobrir
localizaes ou zonas que satisfao um conjunto de critrios. Se o critrio
definido segundo regras determinsticas, o modelo consiste em aplicar operadores
de lgica booleana em um conjunto de dados (mapas) de entrada. O dado de sada
um mapa binrios onde cada ponto no mapa, satisfaz ou no as condies do
modelo (Bonham-Carter, 1994). Harris (1989) descreve esse modelo como tcnica
de co-ocorrncia aditiva na qual os mapas binrios so simplesmente sobrepostos,
e as reas de maior potencialidade ocorrncia mineral so aquelas que
apresentam o maior nmero de interseo de evidncias favorveis definidas pelo
modelo.
De um modo alternativo, cada localizao pode ser avaliada de acordo
com critrios ponderados, que resultam em um patamar (grau) em uma escala de
potencialidade (Bonham-Carter, 1994). Essa tcnica tambm definida como co-
ocorrncia ponderada (Harris, 1989). Este mtodo tem como vantagem a
habilidade de avaliar graus de potencialidade em vez de apenas avaliar presena
ou ausncia da potencialidade.
A potencialidade calculada pela ponderao e combinao de evidncias
de fontes mltiplas. A avaliao do peso a ser atribudo a um mapa depende da
anlise da importncia da evidncia em relao a um ocorrncia conhecida ou do
julgamento subjetivo de especialistas.
9.3.1 CONJUNTOS BOOLEANOS VERSUS CONJUNTOS NEBULOSOS
A introduo dos conjuntos Fuzzy para lidar com conceitos inexatos foi
primeiramente introduzida por Zadeh em 1965. O conjunto Fuzzy uma
metodologia de caracterizao de classes, que por varias razes no tem ou no
pode definir limites rgidos (bordas) entre classes. Essas classes definidas de
maneira inexata so chamadas de conjunto Fuzzy. A utilizao de um conjunto
Fuzzy indicada sempre que se tiver que lidar com ambigidade, abstrao e
ambivalncia em modelos matemticos ou conceituais de fenmenos empricos
(Burrough & McDonnell, 1998).
Para caracterizar formalmente um conjunto, pode-se recorrer ao conceito
de funo de pertinncia (Fp). Onde funo de pertinncia, uma funo que
dado o valor de um atributo z, ela determina se o elemento avaliado pertence ou
no a um determinado conjunto em anlise.

A figura 9.1 mostra exemplos de funes de pertinncia que podem ser

usadas para classificao de qualquer tipo de entidade. No eixo x, esta a variao
do atributo (z) dos elementos, usado como parmetro para classificao. No eixo
y, esta a faixa de valores possveis para a funo de pertinncia (Fp). Na Figura
9.1a, se o valor do atributo z estiver entre limiar inferior (L ) e o limiar superior
i
(L ), a funo retorna 1, caso contrario retorna zero, conforme mostra a equao

s
9.1. Para a Figura 9.1b, a funo retorna um valor entre 0 e 1, se o valor do

atributo z estiver entre limiar inferior (L ) e o limiar superior (L ). Na Figura 9.1b,
i s
a regio entre (Lf ) e (L ). demominada de zona de transio.

i s
Fp b ( z ) = 1 se Li z Ls
(9.1)
Fp b ( z ) = 0 se z < Li1 ou z > Ls
1
Fp ( z ) =
f
2
(9.2)
z Lf d1
1 + i

d1
Fig. 9.1 Exemplo de funo de pertinncia para conjunto

Um conjunto booleano, possui uma funo de pertinncia similar ao da
Figura 9.1a, ou seja, seus limiares so definidos de forma nitida. Por exemplo, se
um especialista em qualidade de gua determinar que os limiares entre gua no
poluda, moderadamente poluda e poluda so: Lb = 200 unidades e Lb = 500
i s

unidades, ento a funo de pertinncia b

Fp ( z ) , eq: 9.1, define a classe de gua
moderadamente poluda.
Um conjunto que tem uma funo de pertinncia como a da Figura

9.1b, denominado de conjunto fuzzy. Um conjunto deste tipo, tem como
caracterstica a indefinio de fronteiras ou limiares entre as classes. Por exemplo,
o conjunto de classes de solo, de cobertura vegetal ou o caso de altura de pessoas
citado na seo anterior, so exemplos de conjuntos que podem ser denominados
de conjuntos fuzzy. A figura 9.2 ilustra a diferena de fronteiras entre conjuntos
booleano e conjuntos fuzzy.
A B
Fig. 9.2 Diagrama de Venn ilustrando a diferena de fronteira entre um conjunto

fuzzy (A) e um conjunto booleano (B)
FONTE: Burrough(1998)
Matematicamente, um conjunto fuzzy pode ser definito como:

Dado o universo de amostras ou objetos Z, um conjunto fuzzy A neste universo
Z um conjunto de pares ordenados:
A = (z, FP (O ) )
F
A z
para todo Oz Z. (9.3)
Onde FP (O ) a funo de pertinncia fuzzy do conjunto A. O
F
A z
valor da funo FP (O ) pode ser entendido como o grau de compatibilidade do

F
A z

objeto Oz com o conjunto A, sendo que o objeto Oz pertence ao universo Z (Oz

Z). A funo FP (O ) um nmero entre 0 e 1, assumindo o valor 1 quando o
A
F
z
grau de compatibilidade entre o conjunto A e o objeto Oz for completa,

assumindo um valor entre 1 e 0 quando este grau de compatibilidade no for total,
e assumindo o valor 0 quando no houver nenhuma compatibilidade entre o objeto
e o conjunto em anlise.
Segundo Burrough e McDonnell (1998), h diferentes tipos de funes de
associao fuzzy, sendo as mais comuns as funes linear e senoidal. A funo
linear dada por um para de linhas inclinadas que se encontram no ponto central
de A, com MF=1; e nas bordas MF assume valor 0,5 (Figura 9.3b). A inclinao
das linhas define a largura da regio de transio fuzzy.
A funo senoidal (Figura 9.3c) definida por (eq: 9.4):
1
MF F A (z ) = para 0 z P
1 + a (z c )2 )
(
onde o parmetro a determina a forma da funo e c, o valor de z no ponto central

de A.
Em alguns casos apropriado estender o ponto central de A para um
intervalo de valores, substituindo o parmetro a por uma regio de transio de
largura d1 e d2, para definir a forma da funo de associao fuzzy (Figura 9.3d).
Neste caso, a MFFA(z) definida como (eq: 9.5):
F 1
MF A ( z ) = 2 se z < b1 + d1
z b1 d 1
1 +
d1
MFFA(z) = 1 se b1 + d1 z b2 - d2
F 1
MF A ( z ) = 2 se z > b2 d2
z b2 + d 2
1 +
d 2
Os valores de d1 e d2 correspondem metade da largura da regio de
transio e, as bordas b1 e b2 recebem MF=0,4.

MF a) MF b)
1,0
Booleano 1,0
c

0,5 A 0,5 A
0,0 0,0
b1 b
2
z b 1 b
2
z
MF c) MF d)
d1 d2
c
1,0 1,0

0,5 0,5
A
a
0,0 0,0
b 1 b
2
z b 1 b2
z
Figura 9.3 - Funes de associao Booleana e Fuzzy

FONTE: Burrough e McDonnell (1998).
A escolha dos valores d1 e d2 que determinam a largura da regio de transio
pode ser baseada na preciso de medida do atributo do fenmeno, ou do objeto em
questo, ou ainda no conhecimento intuitivo subjetivo.

9.3.2 INFERNCIA BOOLEANA
O Modelo Booleano envolve combinao lgica de mapas binrios atravs

de operadores condicionais. Cada mapa utilizado como uma condio pode ser
entendido como um plano de informao (evidncia). Os vrios planos de
informao so combinados para dar suporte a uma hiptese ou preposio. Cada
localizao ento testada, para determinar se as evidncias nesse ponto
satisfazem ou no as regras definidas pela hiptese .
O resultado expresso de forma binria, 0 (hiptese no satisfeita) e 1
(hiptese satisfeita), no sendo possvel a condio talvez. Embora esse mtodo
seja prtico, normalmente no o mais adequado, pois o ideal que as evidncias,
que apresentam importncia relativa diferente, recebam pesos de diferentes
valores e no sejam tratadas igualmente como acontece.
A lgebra booleana utiliza os ponderadores lgicos E, OU,
Exclusivo OU (XOR) e NO para determinar se uma hiptese satisfaz ou no
uma particular condio. Para melhor entendimento, imagine cada atributo como
um conjunto (figura 9.4). O operador E retorna a interseo entre dois ou mais
conjuntos ,ou seja as entidades que pertencem tanto ao conjunto A e B. O
operador OU retorna a unio dos conjuntos, que so entidades que pertencem
tanto ao conjunto A como ao B. O XOR recupera as entidades que pertencem a
um conjunto e ao outro, mas no aos dois conjuntamente. E o NO o
operador da diferena identificando as entidades que pertencem a um conjunto A
mas no ao B.

A B A B
AEB A OU B
A B A B
A NO B A XOR B
A B A B
C C
(A E B) OU C A E B(B OU C)
Figura 9.4 Diagrama de Venn mostrando os resultados da aplicao de

operadores de lgica booleana para dois ou mais conjuntos (Burrough &
McDonnell, 1998).
O apelo da abordagem Booleana sua simplicidade. A combinao lgica
de mapas em GIS diretamente anloga a sobreposio de overlayers de mapas
em uma mesa de luz, mtodo este tradicionalmente utilizado por gelogos. Em
casos onde limiares de corte foram estabelecidos por lei ou por cdigos,
combinaes Booleanas so abordagens prticas e de fcil aplicao. Na prtica,
entretanto, normalmente no indicado a atribuio de importncias iguais para
cada critrio a ser combinado. Evidncias precisam ser ponderadas dependendo da
sua importncia relativa (Bonham-Carter, 1994).
9.3.3 MDIA PONDERADA
Dentre os mtodos de anlise multi-critrio Eastman et al. (1995) cita a

Mdia Ponderada como a tcnica mais utilizada em projetos que envolvam anlise
espacial. Neste mtodo cada mapa de entrada ser utilizado como uma evidncia
que receber um peso diferente dependendo da importncia para com a hiptese
sobre considerao. Neste caso cada plano de informao receber pesos
diferentes, bem como as respectivas classes dos planos de informao. O
resultado ser um mapa com reas que expressam um grau de importncia relativa
atravs dos valores numricos de sada.
O primeiro passo para a aplicao do mtodo a ponderao das classes
de cada plano de informao segundo pesos definidos empiricamente. Os planos
de informao ponderados so ento somados atravs de uma soma ponderada
onde cada plano de informao recebeu pesos segundo sua importncia relativa. A
funo matemtica expressa por:
wij yi
n
r= i =1
,onde w o peso da classe "i" do plano de informao "j" , e y o
yi
ij j
n
i =1
peso do plano de informao "j".

O mtodo de Mdia Ponderada permite uma maior flexibilidade na
combinao de mapas do que o mtodo Booleano. O mapa ponderado pode ser
ajustado para refletir o julgamento de um especialista, segundo os pesos de
importncia definidos para cada critrio. A maior desvantagem deste mtodo,
entretanto, recai provavelmente no carter linear de adio das evidncias
(Bonham-Carter, 1994).
9.3.4 INFERNCIA FUZZY
Assim como em conjuntos Booleanos, dados em conjuntos fuzzy podem

ser manipulados utilizando mtodos lgicos para selecionar e combinar dados
provenientes de vrios conjuntos. Para que isto seja possvel, linguagens de
consulta a sistemas gerenciadores de bancos de dados, precisam ser modificadas
para tratar operaes da lgica continua. As operaes bsicas sobre subconjuntos
fuzzy so similares e so uma generalizao das operaes bsicas da lgica
binria. Estas operaes podem ser utilizadas de forma a se obter um dado
resultante(mapa) da sobreposio de vrios dados fuzzy (planos de Informao).
Os seguintes operadores fuzzy: AND, OR, Soma Algbrica, Produto Algbrico,
Operador Gama e Soma Convexa, que sero detalhados a seguir.
a) Fuzzy AND (interseo)
Esta operao equivale ao AND Booleano. A interseo significa uma
sequncia de E e obtida atravs do operador MIN.
= MIN ( , , , ...) ,
a b c
onde , , e so valores de pertinncia dos mapas A, B e C, para uma

a b c
dada localizao.
b) Fuzzy OR (Unio)

Fuzzy OR como o OR Booleano, onde o valor de pertinncia de sada

controlado pelos valores mximos dos mapas de entrada de cada localizao e
dado por :
= MAX ( , ,
a b c,... )
c) Produto Algbrico Fuzzy
A funo de pertinncia combinada, neste caso, dada por:
= i
onde i o valor de pertinncia fuzzy para o i-simo mapa e I = 1, 2, ....,n,

mapas que devero ser combinados. Os valores de pertinncia tendem a ser muito
pequenos quando se utiliza este operador, devido ao efeito de se multiplicar
diversos nmeros menores do que 1.
d) Soma Algbrica Fuzzy
Este operador complementar ao produto Algbrico Fuzzy, e

representado por:
= 1 - (1- i )
O resultado desta operao sempre um valor maior ou igual ao

maior valor de pertinncia fuzzy de entrada. O efeito desta operao , portanto,
de aumentar o valor de pertinncia. Observa-se que, enquanto o produto algbrico
Fuzzy um produto algbrico, a soma algbrica Fuzzy, no uma simples soma
algbrica.
e) Operador gama
Este operador definido por dois termos, um produto algbrico Fuzzy e

uma soma algbrica Fuzzy. Este operador expresso pela funo:
= (soma algbrica Fuzzy) x (produto algbrico Fuzzy)1-

O produto algbrico Fuzzy expresso pela funo,

n
= i , onde i representa o valor do membro Fuzzy para um plano
i =1
de informao i.

O operador executa a multiplicao dos membros dos diferentes planos de

informao (i= 1,2,3,...), sendo que o valor de sada de um dado ponto sempre
menor ou igual ao valor do menor membro Fuzzy. Isto ocorre devido a
multiplicao de valores iguais ou menores que 1.
A soma algbrica Fuzzy definida pela funo:

n
=1 (1 i ) , onde o termo representa o valor dos membros Fuzzy para
i
i =1
um plano de informao i. O operador executa a multiplicao do termo (1 - ). i
Na soma algbrica o resultado sempre maior ou igual ao valor de entrada do

maior membro Fuzzy (i).
No operador gama pode-se variar a importncia de cada termo (soma
algbrica e produto algbrico Fuzzy). A importncia de cada termo no operador
gama definida atribuindo-se valores entre (0,1) para o expoente . Esta
distribuio de importncia melhor entendida atravs da figura 9.5.
No grfico da figura 9.5 pode-se observar que quando o gama for igual a
=0, o resultado depender apenas do termo produto algbrico Fuzzy, e quando
=1, o resultado depender apenas do termo soma algbrica Fuzzy. Os valores
de gama entre 0<>0,35 apresentaram um carter diminutivo, ou seja sempre
menor ou igual que o menor membro Fuzzy de entrada (i). Na outra extremidade
do grfico valores gama entre 0,8<>1,0 tero um carter aumentativo onde o
valor de sada ser igual ou maior que o valor do maior membro Fuzzy de entrada
(i). Por fim, para os valores de gama entre 0,35<>0,8, os i no apresentaram
nem um carter aumentativo nem diminutivo, os valores dos i de sada,
cairo sempre entre o menor e o maior valor dos i de entrada (Bonham-Carter,
1994).

Soma algbrica
aumentativo
A = 0.75
Membro
B = 0.5
Produto algbrico
diminutivo
Figura 9.5 Grfico de distribuio da funo Fuzzy Gama. Modificado:

Bonham-Carter (1994).

9.4 MODELOS EMPRICOS BASEADOS EM DADOS.

At este ponto, discutimos os modelos baseados em conhecimento, onde a
importncia (peso) e limiares dos atributos eram definidos baseado na experincia
de especialistas. Quando os dados disponveis so suficientes para que se possa
estimar a contribuio de determinados atributos no processo de modelagem,
recorre-se a mtodos estatsticos que so aplicados sobre estes dados, da o nome
de modelos empricos baseado em dados. Apresentaremos a seguir a abordagem
bayseana, conhecida como evidencias de pesos.
9.4.1 MTODOS BAYESIANOS CONCEITOS BASICOS
Na abordagem bayesiana, os principais conceitos envolvidos so a

probabilidade a prior e a probabilidade a posteriori. Para introduzirmos o conceito
de probabilidade a priori e posteriori, suponha que um indivduo deseje estimar a
probabilidade de que ocorra chuva no dia seguinte, e que para isto, ele tenha em
mos um histrico sobre chuvas na regio nos ltimos 20 anos, e que ele conclua,
a partit do histrico, que em mdia chove 80 dias por ano na regio. Com esta
informao, seria uma estimativa razovel dizer que a probabilidade a priori de
que vai chover no dia seguinte 80/365. Pode-se refinar esta estimativa com
outros dados histricos, como por exemplo a poca do ano. Com isto teramos a
probabilidade de chuva no dia seguinte, dado que estamos em uma determinada
poca do ano, ou seja, a probabilidade seria modificada por um fator que varia
com o ms do ano. Esta nova probabilidade denominada probabilidade a
posteriori ou probabilidade condicional de chuva dado a poca do ano. Este fator
multiplicativo pode tambm ser determinada a partir de dados histricos.
Colocando isto na forma de uma expresso temos:
P{chuva|poca do ano} = P{chuva} * Fatorpoca do ano (9.6)
onde:
P{chuva} probabilidade a priori
P{chuva|poca do ano} probabilidade a posteri
Outros fatores que tambm afetam a possibilidade de chuva no dia

seguinte, so : choveu ontem, choveu hoje. Estes fatores so evidncias, que
contribuem para refinar a estimativa de chuva no dia seguinte. Eles podem ser
combinados conforme a expresso abaixo:

P{chuva|evidencia} = P{chuva} * Fatorpoca do ano * Fatordia anterior * Fatordia corrente

(9.7)
Algumas evidncias podem aumentar da probabilidade a posteriori, em
relao a probabilidade a priori, neste caso o fator maior do que 1, em outros
casos este fator reduzir a probabilidade, e neste caso ser menor do que 1.
Consideremos o problema de se encontrar depsitos de um determinado
mineral em uma regio que possui uma rea de 10.000 km , e que j tenham sido
2
identificados nesta regio 200 depsitos. Para efeito de anlise, cada deposito
ocupa uma unidade de rea ou clula de 1 km . Se particionarmos a nossa regio
2
de estudo em unidades geogrficas com rea de 1 km , nosso universo de estudo

2
ter 10.000 unidades. Usando a notao N{} para representar a contagem de

unidades, teremos: N{R} = 10.000 unidades de rea e N{D} = 200 depsitos
conhecidos com rea de 1 km . A densidade mdia de depsitos conhecidos na
2
regio N{D}/N{T}, ou 200/10000=0.02, assumindo que cada unidade de rea s

contm um deposito. O valor 0.02 pode ser interpretado como a probabilidade de
ao se apontar aleatoriamente uma clula na regio, ela ser uma clula que contm
deposito mineral. No existindo outras informaes disponveis sobre a rea, esta
razo N{D}/N{T} pode ser usada como a probabilidade a priori P{D}de se
encontrar um deposito na regio analisada. Suponhamos que, surja algum de
posse de um mapa de anomalia magntica para a mesma regio, e que 180 dos
200 depsitos conhecidos ocorram dentro da rea de anomalia. A Figura 9.6
ilustra esta situao.
Fig. 9.6 Regio de estudo R sobreposta a um mapa binrio de anomalia

magntica .

A partir da constatao de que 180 dos 200 depsitos esto dentro

da rea de anomalia, pode-se afirmar que a probabilidade de deposito em uma
clula que esteja dentro da rea de anomalia maior do que 0.02, e que esta
probabilidade poder ser menor do que 0.02 para uma clula fora da rea de
anomalia. A condio favorvel para se encontrar um depsito dado a presena de
evidncias pode ser expressada por uma probabilidade condicional:
P{D A}
P{D / A} = (9.8)
P{A}
Onde P{D|A} a probabilidade condicional de um deposito D

dado que a clula esta dentro da rea de anomalia A. O numerador P{DA}
igual a proporo da rea total onde ocorre simultaneamente deposito e anomalia
ou P{D|A}=N{DA}/N{T}. De maneira similar, P{A}=N{A}/N{T}, onde P{A} e
N{A} so respectivamente a probabilidade e a rea da anomalia A. Substituindo
na equao 9.8 tem-se:
N {D A}
P{D / A} = (9.9)
N {A}
A partir do diagrama de Venn apresentado na Figura 9.7 vemos que

a probabilidade condicional a proporo da rea de anomalia A ocupada por
depsitos conhecidos. No nosso exemplo, existe 180 depsitos dentro da rea de
anomalia, e a rea de anomalia ocupa 3600 km2, assim sendo, a probabilidade
condicional de depsitos dada a presena de anomalia magntica
180/3600=0.05, que duas vezes e meia maior do que a probabilidade a priori.
Usando-se esta evidncia, a explorao de novos depsitos do mesmo tipo, ser
muito mais eficiente e com uma rea de pesquisa reduzida de 10.000 km2 para
3.600 km2 .

T
A
A D AD
AD
AD D
Fig. 9.7 Diagrama de Venn mostrando a relao de sobreposio espacial entre
anomalia magntica e ocorrncia de depsitos mineral .
Conforme apresentado na equao 9.8, podemos obter uma

expresso relacionando a probabilidade a posteriori de depsitos em termos da
probabilidade a priori mais um fator multiplicativo. Para isto, notemos que a
probabilidade condicional de uma clula estar na regio de anomalia magntica
A, dado que esta clula contm um deposito :
P{A D} = P{A D} (9.10)
P{D}
/ \
No nosso exemplo ilustrado nas Figuras 9.6 e 9.7, P{A|D} =

180/200=0.9. Da teoria da probabilidade sabemos que P{AD} a mesma de
P{DA}, combinando as equaes 9.8 e 9.10 obtemos a equao 9.11 :
P{A D}
P{D A} = P D
/ { }
|
(9.11)
P{A}
A equao 9.11 nos diz que: A probabilidade a posteriori de um

depsito, dado que a clula esta na rea de anomalia igual a probabilidade a
priori de depsito P{D} multiplicado pelo fator P{A|D}/P{A}. O numerador deste
fator 0.9, conforme calculamos no pargrafo anterior e o denominador
3600/10000=0.36, ou seja, o fator 0.9/0.36=2.5. Podemos concluir que dado a
presena de anomalia magntica, a probabilidade de deposito 2.5 vezes maior do
que a probabilidade a priori. Substituindo estes valores na equao 9.11,
obtemos: P{D|A} = 0.2*2.5=0.05, que igual a calculada anteriormente pela
equao 9.9. No fator multiplicativo P{A|D}/P{A}, a informao sobre o
numerador P{A|D} pode ser obtida a partir de uma anlise sobre os depsitos,
onde se busca determinar a proporo deles que esto relacionados com um

determinado indicador de evidncia. O denumerador, pode ser determinado a
partir do conhecimento da ocorrncia esperada do indicador de evidncia na
regio analisada.
Uma expresso similar a anterior, pode ser obtida para a probabilidade a
posteriori da ocorrncia de um deposito, dada a ausncia da anomalia.
P{A D}
P{D A} = P D ( 9.12)
|
/ { }
P{A}
Onde: P{A} = (10000-3600)/10000=0.64, P{A D}=20/200=0.1,
|
que resulta em um fator de multiplicao P{A D} P{A}= 0.1/0.64=0.15625.

| /
Podemos assim concluir que a probabilidade a posteriori da ocorrncia de

depsitos em posies onde no h anomalia magntica 0.15625 vezes menor do
que a probabilidade a priori. No nosso exemplo P{D A}= |
0.2*0.15625=0.003125. Ento, baseado em uma nica fonte de evidncia,

podemos reduzir a rea de pesquisa de 10.000 km2 para 3600 km2 , porque a
chance de se encontrar depsito onde no h anomalia significativamente
menor(50 vezes) do que onde h anomalia.
9.4.2 MTODOS BAYESIANOS APLICAO A GEOPROCESSAMENTO
Um dos usos mais importantes da inferncia bayesiana em

Geoprocessamento se d no caso de gerao de mapas de prospeco mineral. Em
termos prospectivos pode-se pensar na definio da probabilidade de um depsito
ocorrer, condiciona pela ocorrncia de uma certa evidncia (exemplo: litologia
favorvel).
A probabilidade priori seria a probabilidade do dado bruto, ou seja a
probabilidade da ocorrncia mineral para com a rea total. A probabilidade
posteriori seria um refinamento do conhecimento (probabilidade priori), onde
atravs de uma ou mais evidncias, que possuem uma relao direta com a
mineralizao, calcula-se o aumento das chances de sucesso no encontro de um
novo depsito mineral. Ou seja, dado que se esta pesquisando sobre uma
evidncia favorvel, determina-se quanto esta condio aumenta as chances da
descoberta de um novo depsito mineral.
A probabilidade a priori para a presena de um dado pode ser estimada
por modelos simples de distribuio espacial aleatria ou por anlises estatsticas
multivariadas (Agterberg, 1989). Os dados para o clculo da probabilidade
posteriori podem ser obtidos atravs da tabulao cruzada, entre o plano de
informao com os depsitos e os planos de informao com as evidncias. Para

isso necessrio que os planos de informao das evidncias sejam antes
transformados em mapas binrios, subdivididos em classes favorvel e no
favorvel.
Com os mapas binrios gerados, faz-se a tabulao cruzada das evidncias

com os depsitos (verdades de campo) obtendo-se assim uma matriz onde cada
clula "mij" corresponde a interseo das classes das evidncias com as
ocorrncias minerais. Esses valores so utilizados nas formulaes para a
obteno das probabilidades posteriori (Figura 9.7).
Bonham-Carter (1994) prope ainda outro tipo de formulao, expressa

pelo clculo da chance priori O(d) e da chance posteriori O(d|e). Esta
formulao permite a integrao de diferentes evidncias como fatores
explicativos para a ocorrncia mineral.
A chance priori expressa por:
p(d )
O(d ) = , (9.13)
(1 p (d ))
onde p(d) probabilidade a priori.
A chance posteriori obtida a partir do desenvolvimento da probabilidade

posteriori. O desenvolvimento esta apresentado abaixo:
p ( d ) p (e | d )
p ( d | e) = (9.14)
p ( e)
p (~ d ) p (e |~ d )
p (~ d | e) = (9.15)
p (e)
Substitui-se p(~d/e) nos dois termos da equao p(d/e):

p ( d | e) = p ( d ) p (e | d )
p (~ d | e) p (~ d | e) p (e)
O(d|e) O(d) 1
P ( d | e) = p ( d ) p ( e | d ) p ( e )
p (~ d | e) p (~ d ) P (e |~ d ) p (e)
O (d ) p(e | d )
O ( d | e) = (9.16)
p ( e |~ d )
A razo p (e|d) / p (e|~d) chamada de razo de suficincia (LS).

De modo semelhante obtm-se a chance da ocorrncia do minrio, dado a
ausncia da evidncia.
O(d ) p(~ e | d )
O(d |~ e) = (9.17)
p(~ e |~ d )
A razo p (~e|d) / p (~e|~d) chamada razo de necessidade (LN).

As razes de suficincia (LS) ou de necessidade (LN) so computadas
dependendo da presena ou ausncia da evidncia para um dado ponto. As razes
de suficincia e de necessidade so obtidas atravs da tabulao cruzada dos
planos de informao das evidncias com o plano de informao das ocorrncias
minerais.
A condio de suficincia de uma evidncia (e) satisfeita quando a
probabilidade de existncia do depsito (d) maximizada ( P(e | d ) = mximo ).
A condio de necessidade da evidncia satisfeita quando a probabilidade de
no ocorrncia do depsito maximizada com a no existncia da evidncia
( P(~ d |~ e) = mximo ) (Rostirolla, 1997).
Extraindo-se o Logaritmo das equaes (1) e (2) acima obtm-se:
log[ (o d | e)] = log[o(d )] + +
log[ (o d |~ e)] = log[o(d ) +

Bonham-Carter (1994) demostra ainda que para um nmero maior de
evidncias, estas seriam integradas atravs da formulao que computaria a
chance priori, somada somatria dos logaritmos das razes de suficincia e/ ou
necessidade. Sendo necessrio porm que as evidncias consideradas apresentem

uma independncia condicional (Agterberg, 1989).

n
+
log[ o(d | e )] = log[ o ( d )] + i
i =1

n

log[ ( o d |~ e)] = log[o(d )] + i
i =1
Esta soma das razes de suficincia e razo de necessidade pode ser efetuada a
partir de uma operao matemtica condicional, controlada pela presena ou
ausncia da classe favorvel do plano de informao para todos os pontos de
interesse.
n = log[o(d )] + (( i =
n
favorvel ) ? i+ : i )
i =1i
A partir do plano de informao da chance posteriori gerado, aplicada

uma expresso matemtica para a gerao do plano de informao com os valores
de probabilidade posteriori.
o ( d | e)
p ( d | e) =
1 + o ( d | e)
O resultado final uma grade regular com valores de "z" indicando a
probabilidade posteriori da ocorrncia mineral. Essa grade pode ser ento
fatiada em faixas que expressaro o grau de probabilidade ocorrncia de novos
depsitos.

9.5 REDES NEURAIS ARTIFICIAIS

Redes Neurais Artificiais so tcnicas computacionais que apresentam um modelo
matemtico inspirado na estrutura neural de organismos inteligentes e que
adquirem conhecimento atravs da experincia (Carvalho,1999). O processamento
em redes neurais ocorre na sua maioria de modo paralelo diferentemente da
computao convencional, que apresenta processamento seqencial
Uma rede neural artificial composta por vrias elementos de processamento
(EP). Esses elementos geralmente so conectados por canais de comunicao que
esto associados a determinados pesos. Os pesos so coeficientes adaptativos da
rede que determinam a intensidade dos sinais de entrada, ou seja so medidas de
fora de conexo (Nelson e Illingworth, 1991). Os elementos fazem operaes
apenas sobre seus dados locais, que so as entradas recebidas pelas suas conexes.
O comportamento inteligente de uma Rede Neural Artificial vem das interaes
entre EP da rede.
As arquiteturas neurais so na maioria das vezes organizadas em camadas, com
EPs que podem estar conectados aos EPs da camada posterior (Figura 9.8).
Usualmente as camadas so classificadas em trs grupos:
Camada de Entrada: onde os sinais (padres) so apresentados rede;
Camadas Intermedirias ou Escondidas: onde efetuada a maior parte do
processamento, atravs das conexes ponderadas;
Camada de Sada: onde o resultado final concludo e apresentado.
Figura 9.8 Organizao em camadas de uma rede neural. Fonte (Carvalho,

1999).

A operao de um EP pode ser entendida da seguinte maneira: sinais so

apresentados entrada; cada sinal multiplicado por um peso, que indica a sua
influncia na sada da unidade; efetuada a soma ponderada dos sinais que
produz um nvel de atividade; se este nvel de atividade exceder um certo limite a
unidade produz uma determinada resposta de sada.
Figura 9.9 Elemento de processamento funo de soma. Modificado:Nelson e

Illingworth, 1991.
Matematicamente pode-se pensar nas entradas e nos pesos como

vetores ( , ..., n ) e (wi , w2 ,..., wn ) . efetuada a multiplicao de cada
i1 i 2 , i
componente pelo correspondente wn , e posteriormente a soma de todos os

in
produtos (Figura 9.9). No resultado aplicado uma funo de transferncia

(funo de ativao) que geralmente no-linear (Figura 9.10). As funes
lineares na prtica mostram-se pouco eficientes pois fornecem simplesmente
sadas proporcionais as entradas. As funes mais utilizadas so as Hard limiter,
Ramping function e sigmide, sendo as sigmides as mais utilizadas devido ao seu
carter contnuo (Nelson e Illingworth, 1991).

Figura 9.10 Exemplos de funes de transferncia. Modificado: Nelson e

Illingworth (1989).
A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde
os pesos de suas conexes so ajustados de acordo com os padres apresentados
(sinais). Em outras palavras, elas aprendem atravs de exemplos. Os sinais podem
ser positivos (excitadores) ou negativos (inibidores). Uma entrada positiva
promove o disparo de um EP, enquanto a negativa tende manter o EP inerte.
A propriedade mais importante das redes neurais a habilidade de aprender e com
isso melhorar o seu desempenho. Isso feito atravs de um processo iterativo de
ajustes aplicado a seus pesos, o treinamento. O aprendizado efetuado atravs de
algoritmo de aprendizado que so um conjunto de regras bem definidas para a
soluo de um determinado problema. Existem muitos tipos de algoritmos de
aprendizado especficos para determinados modelos de redes neurais. O
aprendizado ocorre quando a rede neural atinge uma soluo generalizada para
uma classe de problemas.
As formas de aprendizado podem ser subdivididas em: supervisionadas; no
supervisionadas; e por reforo. No aprendizado supervisionado so apresentadas
rede um conjunto de padres de entrada e seus correspondentes padres de sada.
Durante os processos sucessivos, a rede realiza um ajustamento dos pesos das
conexes entre os elementos de processamento, segundo alguma lei de
aprendizado (algoritmo), at que o erro entre os padres de entrada e sada esteja
abaixo de um valor mnimo desejado (Figura 9.11). Dentre os algoritmos de
aprendizado supervisionado os mais utilizados so Perceptron, Adeline e
Madaline, Backpropagation (Hetch-Nielsen, 1989). O aprendizado por reforo

similar ao supervisionado com a diferena que um crtico externo avalia a

resposta fornecida pela rede (Carvalho, 1999).
Figura 9.11 Exemplificao do processo de aprendizado. Fonte: Carvalho

(1999).
No aprendizado no-supervisionado a rede analisa os conjuntos de entradas
apresentadas e determina algumas das propriedades dos conjuntos de dados e
aprende a refletir sobre suas propriedades de sada. Os mtodos de aprendizado
mais utilizados so Mapa Auto-Organizvel de Kohonen, Redes de Hopfield e
Memria Associativa Bidirecional (Hecht-Nielsen,1989).
O primeiro passo do processo de desenvolvimento de redes neurais artificiais so
a coleta de dados relativos ao problema e a sua separao em um conjunto de
treinamento e um conjunto de teste. Os dados de treinamento sero utilizados para
o treinamento da rede e dados de teste sero utilizados para verificar sua
performance sob condies reais de utilizao.
O segundo passo a definio da configurao da rede, que pode ser dividido em
trs etapas:
seleo do paradigma neural apropriado aplicao;
determinao da topologia da rede a ser utilizada (nmero de camadas,
nmero de unidades em cada camada, etc);
determinao de parmetros do algoritmo de treinamento e funes de
ativao (Carvalho, 1999).
O terceiro passo o treinamento da rede. Nesta fase, seguindo o algoritmo de
treinamento escolhido, sero ajustados os pesos das conexes. Normalmente, os
valores iniciais dos pesos da rede so nmeros aleatrios uniformemente

distribudos em um intervalo definido.
O quarto passo o teste da rede. Durante esta fase o conjunto de teste utilizado
para determinar a performance da rede com dados que no foram previamente
utilizados. A performance da rede uma boa indicao de sua performance real
(Carvalho,1999). Finalmente, com a rede treinada e avaliada, ela pode ser
integrada em um sistema do ambiente operacional da aplicao.

9.6 GEOPROCESSAMENTO E SUPORTE DECISO
9.6.1 INTRODUO
Qual o grande desafio da produo de novas informaes em um SIG ? A

capacidade de comparar e avaliar as diferentes possibilidades de gerao de novos
mapas. Como o SIG oferece uma grande quantidade de funes de lgebra de
Mapas, nem sempre facil escolher qual a forma de combinao de dados mais
adequada para nossos propsitos.
Neste contexto, muito til dispor de ferramentas de suporte deciso,
que nos ajudam a organizar e estabelecer um modelo racional de combinao de
dados. Uma das tcnicas mais teis o processo analtico hierrquico - Analytical
Hierarchy Process (AHP), desenvolvida por Saaty (1992), considerada como
sendo a mais promissora no contexto do processo de tomada de deciso.
9.6.2 SUPORTE DECISO - CONCEITOS BSICOS
Decidir escolher entre alternativas. Com base nesta viso, podemos

encarar o processo de manipulao de dados num sistema de informao
geogrfica como uma forma de produzir diferentes hipteses sobre o tema de
estudo.
O conceito fundamental dos vrios modelos de tomada de deciso o de
racionalidade. De acordo com este princpio, indivduos e organizaes seguem
um comportamento de escolha entre alternativas, baseado em critrios objetivos
de julgamento, cujo fundamento ser satisfazer um nvel pre-estabelecido de
aspiraes.
O modelo racional de tomada de deciso preconiza quatro passos que devem
ser seguidos para uma escolha apropriada:
Definio do problema: formular o problema como uma necessidade de
chegar a um novo estado.
Busca de alternativas: estabelecer as diferentes alternativas (aqui
consideradas como as diferentes possveis solues do problema) e
determinar um critrio de avaliao.
Avaliao de alternativas: cada alternativa de resposta avaliada.

Seleo de alternativas: as possveis solues so ordenadas,

selecionando-se a mais desejvel ou agurpando-se as melhores para uma
avaliao posterior.
9.6.3 A TCNICA AHP - PROCESSO ANALTICO HIERRQUICO
Quando temos diferentes fatores que contribuem para a nossa deciso,

como fazer para determinar a contribuio relativa de cada um ? Para abordar este
problema, Thomas Saaty props, em 1978, uma tcnica de escolha baseada na
lgica da comparao pareada. Neste procedimento, os diferentes fatores que
influenciam a tomada de deciso so comparados dois-a-dois, e um critrio de
importncia relativa atribudo ao relacionamento entre estes fatores, conforme
uma escala pr-definida (veja tabela).
O primeiro passo para a aplicao dessa tcnica a elaborao de uma
relao de importncia relativa entre as evidncias. Essa relao utilizada como
dado de entrada em uma matriz de comparao pareada, onde so calculados os
autovalores e autovetores da matriz. Os pesos de cada membro Fuzzy, eqivalem
ento aos autovetores da matriz de comparao pareada.
A AHP uma teoria com base matemtica que permite organizar e avaliar
a importncia relativa entre critrios e medir a consistncia dos julgamentos.
Requer a estruturao de um modelo hierrquico, o qual geralmente composto
por meta, critrios, sub-critrios e alternativas; e um processo de comparao
pareada, por importncia relativa, preferncias ou probabilidade, entre dois
critrios, com relao ao critrio no nvel superior. Com base na comparao, a
AHP pondera todos os sub-critrios e critrios e calcula um valor de razo de
consistncia entre [0, 1], com 0 indicando a completa consistncia do processo de
julgamento.

Escala de Valores AHP para Comparao Pareada
Intensidade de
Definio e Explicao
importncia
Importncia igual - os dois fatores contribuem igualmente

1
para o objetivo
Importncia moderada - um fator ligeiramente mais

3
importante que o outro
Importncia essencial - um fator claramente mais

5
importante que o outro
Importncia demonstrada - Um fator fortemente favorecido

7
e sua maior relevncia foi demonstrada na prtica
Importncia extrema - A evidncia que diferencia os fatores

9
da maior ordem possvel.
Valores intermedirios entre julgamentos - possibilidade de

2,4,6,8
compromissos adicionais
A partir do estabelecimento de critrios de comparao para cada combinao de

fatores, possivel determinar um conjunto timo de pesos que podem ser
utilizados para a combinao dos diferentes mapas.
9.6.4 SUPORTE DECISO EM GEOPROCESSAMENTO
Consideramos uma das situaes mais comuns em SIG: classificar o espao em

reas mais ou menos adequadas para uma finalidade. Este problema ocorre em
grande nmero de aplicaes, como zoneamento, prospeco mineral, e seleo
de reas para um novo empreendimento comercial.
Tome-se, por exemplo, um estudo de preservao ambiental em reas de encosta,

para estabelecer uma poltica de ocupao, associada a mapas de risco de
desmoronamento e impacto ambiental. Para tanto, vamos supor que dispomos de
um mapa topogrfico, da carta geotcnica, e de um mapa de uso e ocupao do
solo (obtido a partir de foto-interpretao ou classificao digital de imagens de
satlite).

O procedimento tradicional de anlise baseia-se no princpio de interseo de

conjuntos espaciais de mesma ordem de grandeza (Yves Lacoste) e est baseada
em condicionantes (risco mximo ocorre em reas cuja declividade maior que
10%, no so reas de preservao ambiental, e o tipo de terreno inadequado).
A transposio deste metodologia analgica para o ambiente de SIG requer o uso
de operaes booleanas (OU, E, NO) para expressar as diferentes condies.
Esta tcnica utiliza o computador como mera ferramenta automatizada de
desenho, ignorando todo o potencial de processamento numrico do SIG, e gera
descontinuidades inexistentes no dado original. Por exemplo, reas com
declividade igual a 9,9% sero classificadas diferentemente de regies com
inclinao de 10,1%, no importando as demais condies.
Mapas so dados e no desenhos. Tratar mapas como dados significa dar forma
numrica ao espao ao associar, a cada localizao, um valor que representa a
grandeza em estudo; requer ainda, na maior parte dos casos, o uso do formato
matricial (raster), mais adequado a uma representao contnua do espao.
No caso em apreo, a anlise espacial em SIG ser muito melhor realizada com
uso da tcnica de classificao contnua: os dados so transformados para o
espao de referncia [0..1] e processados por combinao numrica, atravs de
mdia ponderada ou inferncia fuzzy. Ao invs de um mapa temtico com
limites rgidos gerados pelas operaes booleanas, obteremos uma superfcie de
deciso, sob forma de uma grade numrica. O que representa este resultado ? Uma
viso contnua da variao da nova grandeza (seja ela adequao a plantio,
indicador de mineralizaes ou susceptibilidade ambiental).
No exemplo citado, o resultado ser uma grade numrica que indica, para cada
localizao, o risco de desmoronamento, numa gradao de 0% a 100%. Qual a
grande vantagem desta situao? Ela nos permite construir cenrios (por exemplo,
risco de 10%, 20% ou 40%), que indicam os diferentes compromissos de tomada
de deciso (maior nfase em proteo ambiental ou em minimizar o custo
econmico). Obtemos assim uma flexibilidade e um entendimento muito maiores
sobre os problemas espaciais.

9.7 ESTUDO DE CASO
Para a comparao das metodologias de integrao e anlise espacial dos dados

tomou-se como rea de estudo o macio alcalino de Poos de Caldas, o qual
encerra mineralizaes radioativas h muito conhecidas.
O interesse pelos minerais radioativos no complexo alcalino de Poos de Caldas
tiveram incio em 1952, quando trabalhos preliminares de campo foram
executados pelo Conselho Nacional de Pesquisa (Tolbert, 1966), para investigar e
determinar fontes de anomalia radioativa.
Esse interesse gerou uma boa base de dados e trabalhos (Ellert, 1959; Tolbert,
1966; Oliveira, 1974; Almeida e Paradella, 1977; Ulbrich, 1984; Fraenkel et al.,
1985; Almeida Filho,1995), sendo esses os fatores que influenciaram na escolha
dessa rea para a aplicao de modelos prospectivos baseados em inferncia
espacial. A seguir ser apresentado um resumo sobre as caractersticas gerais,
geolgicas e do banco de dados do macio de Poos de Caldas.
9.7.1 CARACTERSTICAS GERAIS DA REA DE ESTUDO
O planalto de Poos de Caldas, na divisa dos estados de Minas Gerais e So

Paulo, constitui uma estrutura em forma de cratera vulcnica grosseiramente
circular, com cerca de 705 km . A cidade de Poos de Caldas, a qual tem como
2
atividades econmicas principais a minerao (bauxita, argilas, minerais

radioativos) e o turismo ligado suas guas e ao clima agradvel, localiza-se na
borda norte dessa cratera. A Figura 9.12 mostra o planalto de Poos de Caldas
atravs de uma composio colorida obtida com imagens do satlite Landsat-1.
Como referncia esto indicadas a cidade de Poos de Caldas, principais
drenagens, vias de acesso etc, extradas de cartas planimtricas da regio.

Do ponto de vista geolgico, o planalto constitudo por rochas mesozicas-

cenozicas, representadas em sua maioria por nefelina-sienitos, os quais ocorrem
como fcies efusivas, hipabissais e plutnicas,
alm de material de natureza vulcnica. Dataes
geocronolgicas pelo mtodo K-Ar (Bushee,
1970) indicam que os fenmenos geolgicos que
formaram a cratera teriam ocorrido entre 87 e 53
milhes de anos atrs. As guas termais da regio
so as ltimas manifestaes desse episdio.
Quarenta e oito locais de mineralizaes

radioativas (incluindo depsitos e simples
ocorrncias) so conhecidos no planalto de Poos
de Caldas, as quais podem ser agrupadas em trs
associaes distintas, de acordo com a
paragnese mineral: urnio-zircnio (U-Zr),
trio-terras raras (Th-TR) e urnio-molibdnio
(U-Mo). A associao urnio-zircnio constitui
Figura 9.12- Composio colorida de os depsitos mais comuns e freqentes, mas no

encerra importncia econmica. A associao
imagens do satlite Landsat-1,
trio-terras raras constitui o segundo tipo de
mostrando o planalto de Poos de
mineralizao radioativa encontrada na rea,
Caldas.
representada principalmente pela jazida de Morro
do Ferro, na parte central do planalto. A associao urnio-molibdnio constitui
os depsitos uranferos mais importantes, representados principalmente pela
jazida de Campo do Agostinho e pela mina Usamu Tsumi, na parte centro-sudeste
do planalto. Para sua explorao foi criado, em meados da dcada de setenta, o
Complexo Mineiro-Industrial de Poos de Caldas que produziria concentrado de
urnio (yellow cake), destinado ao abastecimento das usinas nucleares brasileiras
ento planejadas.
Com base em anlises de trabalhos geolgicos realizados por pesquisadores que

estudaram a regio em diferentes pocas e com diferentes enfoques (Ellert, 1959;
Tolbert, 1966; Wedow Jr., 1967; Oliveira, 1974; Almeida Filho & Paradella,
1976; Fraenkel et al., 1985), foram identificadas trs caractersticas comuns s
mineralizaes radioativas no planalto, a saber:
(a) A mineralizao mostra afinidade gentica com trs tipos de litologias:

tingutos hidrotermalizados (rocha potssica), corpos intrusivos de foiatos e
rochas vulcnicas;

(b) Essas litologias so cortadas por falhamentos/fraturamentos e estruturas

circulares que criaram condutos para o alojamento de veios e lentes
mineralizados;
(c) Dados de radiometria gama mostram valores anmalos de radioatividade total,
indicativos da presena de minerais radioativos.
As trs caractersticas acima (litologias favorveis, feies estruturais e dados
gama-radiomtricos) foram adotadas como critrios diagnsticos para a pesquisa
de minerais radiativos no planalto de Poos de Caldas. Poderia ser argumentado
que apenas o ltimo critrio j seria suficiente para identificar reas potenciais,
por ser indicao direta da presena de minerais radioativos. Entretanto, variaes
locais na espessura de solos e cobertura vegetal, fazem com que reas sem
interesse prospectivo mostrem valores anmalos, enquanto depsitos importantes
podem ser indicados apenas por valores intermedirios de intensidade radioativa.
Desse modo, dados radiomtricos devem ser considerados apenas se ocorrem em
reas de caractersticas geolgicas favorveis, tornando-se indispensvel agregar a
eles informaes derivadas de outras fontes.
Uma vez definidos os critrios diagnsticos, o passo seguinte constou da criao
de um banco de dados digitais geocodificados, composto por:
Imagens Landsat - Imagens do Multispectral Scanner (MSS) do satlite Landsat-
1, obtidas em setembro de 1972, sob ngulo de elevao solar de 44 e azimute de
58. Deu-se preferncia s imagens mais antigas, para reduzir a influncia da
atividade antrpica, que dificulta a interpretao fotogeolgica.
Dados planimtricos - Cidade, estradas, ferrovia, drenagens etc, digitalizadas a
partir das cartas acima mencionadas, usadas como parmetros de referncia e
localizao.
Dados litolgicos - Litologias potenciais para a pesquisa de minerais radioativos,
representadas por rocha potssica, corpos intrusivos de foiatos e rochas
vulcnicas (Figura 6.5), digitalizadas do Mapa Geolgico do Macio Alcalino de
Poos de Caldas (Nuclebrs, 1975a).
Dados estruturais - Extrados das imagens Landsat-MSS, as quais foram
realadas por tcnicas de ampliao linear de contraste e interpretadas (como
bandas individuais ou composies coloridas falsa cor) diretamente no monitor de
vdeo, usando-se o mouse para traar as feies interpretadas. Dois grupos de
feies foram identificados: (a) lineamentos, representando traos de
falhas/fraturas; e (b) estruturas circulares, indicativas de edifcios vulcnicos
secundrios, no interior da cratera principal (Figura 6.6). Esses dois tipos de
feies constituem controles estruturais regionais de primeira ordem para as
mineralizaes radioativas, responsveis pela criao de condutos que permitiram

a percolao de solues hidrotermais e deposio do minrio. Elas foram
representadas em duas dimenses, atravs da criao de "corredores" com 250 e
350 metros de largura ao longo de falhas/fraturas e estruturas circulares,
respectivamente. Esses corredores representariam a rea de influncia das feies
estruturais, assumindo-se que qualquer ponto dentro deles estaria posicionado
sobre a feio estrutural considerada.
Dados gama-radiomtricos - Obtidos pela Comisso Nacional de Energia
Nuclear-CNEN, a partir de levantamentos com helicptero e a p. No primeiro
caso os dados foram coletados em malha de 250 x 250 metros, a uma altura mdia
de 7,5 metros do terreno, enquanto nos levantamentos a p a malha foi de 75 x
200 metros. Esses dados, na forma de radioatividade total, foram digitalizados a
partir do Mapa Radiomtrico do Planalto de Poos de Caldas (Nuclebrs 1975b),
organizados em quatro intervalos de intensidade radioativa, em relao a um
background regional de 40 unidades, a saber: 1,3-1,8; 1,8-2,5; 2,5-3,5; e maior do
que 3,5 vezes o background regional (Figura 6.7).
Ocorrncias minerais radioativas - Mineralizaes radioativas conhecidas na
rea foram incorporadas como smbolos ao banco de dados, no se fazendo
distino se se tratava de depsitos importantes ou de simples ocorrncias
minerais. Por representarem dados de "verdade terrestre", elas constituem
parmetros de aferio dos resultados. Se reas indicadas como potenciais
mostrarem-se coerentes em relao a mineralizaes conhecidas, o modelo
prospectivo pode ser considerado confivel.

Figura 9.13 - Mapa de litologias potenciais para a ocorrncia de mineralizaes

radioativas.
Figura 9.14 - Mapa de lineamentos, indicando falhas/fraturas e estruturas

circulares.

Figura 9.15- Mapa de anomalias gama-radiomtricas no planalto de Poos de

Caldas.
9.7.2 MODELO PROSPECTIVO USANDO OPERAES BOOLEANAS
Com base nos critrios diagnsticos j definidos, uma rea poderia ser
considerada potencial quando nela ocorrerem concomitantemente:
(a) Litologias potenciais, representadas por rochas potssicas (A), corpos
intrusivos de foiatos (B), ou rochas vulcnicas (C);
(b) Feies estruturais, indicativas de falhas/fraturas (D), ou estruturas circulares
(E), que cortam litologias potenciais; e
(c) Valores gama-radiomtricos (F), a partir de 1,8 vez o background regional
(limiar arbitrado com base no valor mdio encontrado em depsitos de urnio da
rea).
Para mapear as reas de ocorrncias dos critrios diagnsticos acima indicados,
empregou-se a seguinte equao de lgebra booleana:
{[(A or B or C) and (D or E)] and F} REAS
POTENCIAIS
A Figura 9.16 o mapa das reas potenciais para pesquisa de minerais radioativos
no planalto de Poos de Caldas, com base na equao acima. Essas reas cobrem
uma superfcie de 88,5 km, correspondentes a apenas 12% da regio total
investigada. Observando-se a distribuio das mineralizaes, verifica-se que

77% delas ocorrem em reas indicadas como potenciais. Nas restantes 23%
encontra-se ausente pelo menos um dos trs critrios diagnsticos. Constata-se
ainda que dos trs tipos de mineralizaes radioativas conhecidas, aquelas do tipo
U-Zr predominam nas regies leste e oeste/sudoeste, enquanto as dos tipos U-Mo
e Th-TR, concentram-se na regio central do planalto. A boa correlao entre
reas apontadas como potenciais e as mineralizaes conhecidas na regio,
confere confiabilidade ao modelo prospectivo adotado.
A principal desvantagem do modelo baseado em operaes binrias o fato das
reas indicadas terem prioridades idnticas para pesquisa. Visando um
refinamento desses resultados, o mesmo conjunto de dados foi analisado
utilizando um modelo baseado em mdias ponderadas, o qual permite priorizar as
reas, de acordo com o potencial prospectivo das mesmas.
9.7.3 MODELO PROSPECTIVO USANDO MDIAS PONDERADAS
Neste tipo de modelo, pesos so atribudos aos critrios diagnsticos e s suas

respectivas classes (e.g. critrio diagnstico litologia, classe rocha potssica),
calculando-se uma imagem de mdias ponderadas, a qual representa uma
combinao particular e nica dos dados para cada rea unitria do terreno. A
definio dos pesos a ao mais crtica a ser tomada para a aplicao do modelo.
O procedimento de atribuir pesos a parmetros pertencentes a uma cadeia de
eventos e utilizar equaes aritmticas visando tomada de decises, conhecido
na rea de inteligncia artificial como equao neuronal de Rosenblat. A
definio desses pesos pode ser feita de duas maneiras: atravs de procedimentos
heursticos, nos quais a experincia pessoal o fator determinante; ou utilizando-
se tcnicas fuzzy logic (Zadeh, 1965), as quais procuram estabelecer critrios de
enquadramento do conjunto de dados, definindo limites ou graus de confiana. A
despeito do desenvolvimento dessas tcnicas, a definio heurstica de pesos
continua sendo amplamente aceita como base para sistemas especialistas, de
modo particular em situaes onde a teoria e os modelos empricos de
comportamento dos dados no esto bem estabelecidos (Veiga & Meech, 1994).
Este procedimento particularmente vlido em pesquisa mineral, que muitas
vezes segue uma abordagem tcnica-intuitiva, onde os conceitos so aplicados por
analogia, na expectativa de repeties de relaes j conhecidas.
Adotou o procedimento heurstico para a definio dos pesos, atribuindo-se os
seguintes valores:

(a) dados gama-radiomtricos: crit = 80 e classe = 0, 10, 60, 70 e 80 para as

seguintes classes de intensidades radioativas: background; 1,3-1,8; 1,8-2,5; 2,5-
3,5; e >3,5; respectivamente;

(b) dados litolgicos: crit = 60 e classe = 60, 30 e 20 para as classes rochas
potssicas, foiatos e material vulcnico, respectivamente; e
(c) dados estruturais: crit = 20 e classe = 20 para falhas/fraturas e estruturas

circulares.
As mdias ponderadas foram calculadas usando-se a seguinte equao:
= [(crit) * (classe)] / (crit) REAS

POTENCIAIS
onde,
= valor da mdia ponderada

crit = pesos atribudos aos critrios diagnsticos;
classe = pesos atribudos s classes dos critrios diagnsticos.
fcil deduzir dos dados acima que as mdias ponderadas para a rea de
estudo ficaram compreendidas entre [0, 65], extremos que indicam,
respectivamente, prioridades nula e mxima para a pesquisa de minerais
radioativos. A ttulo de exemplo, reas com mdia ponderada 60 corresponderam
a locais de ocorrncias de rochas potssicas, cortadas por falhamentos e com
valores de intensidade radioativa entre 2,5 e 3,5 vezes o background regional.
O mapa da Figura 9.17 mostra reas com diferentes prioridades para a

prospeco de minerais radioativos no planalto de Poos de Caldas. Este mapa foi
gerado a partir do fatiamento da imagem de mdias ponderadas, representando os
seguintes intervalos de pesos: 0-20; 20-35; 35-45; 45-55; e 55-65. s reas
definidas por esses intervalos foram atribudas prioridades para pesquisa ditas
nula, baixa, mdia, alta e muito alta, respectivamente.

Figura 9.16- Mapa de reas potenciais Figura 9.17 - Mapa de reas com
para a pesquisa de minerais radioativos no diferentes prioridades para a pesquisa de
planalto de Poos de Caldas, segundo minerais radioativos no planalto de Poos
mtodo baseado em lgebra booleana. de Caldas, segundo modelo de mdias
ponderadas.
A Tabela 9.1 resume algumas caractersticas das reas potenciais

mostradas na Figura 9.17. Apenas 14% das mineralizaes, todas sem importncia
econmica (U-Zr), localizam-se fora das reas potenciais, contra 23% obtidos no
mtodo baseado em operaes binrias. De acordo com os dados da tabela, 76%
do planalto so descartados, a priori, para pesquisa. Os restantes 24% indicados
com potenciais para a ocorrncia de algum tipo de mineralizao radioativa, so
distribudos da seguinte maneira:
- reas de prioridade baixa perfazem cerca de 11% da superfcie total do

planalto, encerrando mineralizaes radioativas do tipo U-Zr, sem interesse
econmico.
- reas de prioridades mdia perfazem cerca de 7% da superfcie total do

planalto, encerrando tambm mineralizaes radioativas do tipo U-Zr.
- reas de prioridade alta correspondem a 4,5% da superfcie do planalto e

encerram 30 das mineralizaes tipo U-Mo.
- reas de prioridade muito alta perfazem apenas 1,5% da superfcie total do

planalto. A despeito de suas dimenses reduzidas, essas reas enceram 60%

das mineralizaes U-Mo (incluindo o depsito de Campo do Agostinho e a

mina Usamu Utsumi) e 100% dos depsitos tipo Th-TR.
Tabela 9.1 - Dados estatsticos do modelo

prospectivo baseado em mdias
ponderadas.

9.7.4 MODELO PROSPECTIVO UTILIZANDO LGICA FUZZY
Para a aplicao da metodologia Fuzzy foi necessrio que toda as evidncias

(planos de informao) estivessem no formato MNT. Sendo assim, os mapas
temticos que serviriam de evidncias tiveram que ser ponderados para valores
que variam entre 0 e 1. Os mapas de litologia e gama-radiometria foram
ponderados por pesos entre 0 e 1 (membros Fuzzy). As tabelas 2 e 3
apresentam os valores Fuzzy obtidos a partir das equaes lineares.
Classe Fuzzy
background 0
1,3-1,8 0,125
1,8-2,5 0,750
2,5-3,5 0,875
>3,5 1
Tabela 9.2 Valores dos membros Fuzzy do plano de informao gama-
radiometria.
Para a ponderao dos mapas de estruturas circulares, lineamentos e contatos
geolgicos foi necessrio primeiramente a criao de uma grade de distncia,
tendo como ponto inicial os arcos que definem as estruturas e os contatos. Uma
funo quadrtica foi aplicada sobre cada grade de distncia para se definir os
valores dos membros Fuzzy dos mapas citados acima. A funo quadrtica tenta
modelar a importncia das estruturas e dos contatos geolgicos a medida que se
distncia dos mesmos.

1.2
0.8
0.6 Dist.Lineam.
0.4
0.2
20 50 70 90 120 160
Figura 9.18 Funo de converso de numrico para fuzzy.
A funo adotada (ilustrada na figura 9.18 acima) expressa por:

1
r = 2, onde o valor de "a" indica o "ponto de cruzamento", no qual a
(1 + a(z c)
evidncia tem 50% de importncia. A faixa abrangida pelo ponto inicial at o
"ponto de cruzamento" indica a faixa onde a estrutura ou o contato geolgico
apresentam alta influncia, e nos pontos fora desta faixa a importncia decai
abruptamente segundo a curva quadrtica.
Classe Fuzzy
Rochas 1
Lujaritos 1
Foiatos 0.5
Mat. vulcnico 0,333
Tinguato 0,25
Fonlitos 0,1667
Embasamento 0
Arenito 0
Tabela 3 - Valores dos
membros Fuzzy do plano de
informao litologia.

Os pontos definidos como os "pontos de cruzamento" coincidem com os pontos

definidos por Almeida Filho (1995) na construo dos "buffers" ao longo das
estruturas:
contato geolgico a = 0,0001 z= 100m;
estruturas lineares a = 0,000016 z = 250m;
estruturas circulares a = 0,00000816 z = 350m.
Com os planos de informao (campos contnuos com distribuio espacial Fuzzy)
criados, estes foram combinados segundo uma anlise multi-critrio definida
atravs de operadores Fuzzy (Mnimo-Mximo, Mdia, Ponderado (Tcnica AHP)
e Gama). Os procedimentos e explicaes sobre cada operador esto relatados a
seguir.
Fuzzy Mnimo-Mximo
Nessa anlise multi-critrio foi utilizado dois operadores, Mnimo e Mximo,
combinados numa seqncia esquemtica semelhante adotada no mtodo
Booleano. Os operadores esto explicados individualmente a seguir.
Fuzzy Mnimo
Esse operador assemelha-se a operao Booleana E (interseo), e expresso
por: =Min=(a,b, c, . . .), onde a eqivale ao valor do membro Fuzzy para
um particular ponto (pixel) do plano de informao A, os valores b e c
correspondem respectivamente aos membros dos planos B e C no mesmo ponto.
O que este operador define como resultado, que um ponto do plano de
informao resultante ter como valor de sada o menor valor dos membros Fuzzy
de entrada. Se tomarmos como exemplo os valores a = 0,30; b = 0,17; c =
0,98, o valor adotado para o pixel do plano de informao final ser = final
0,17. Fica claro entender que o resultado obtido o mais conservativo possvel
para com os valores dos membros Fuzzy, sendo o operador indicado para
situaes altamente restritivas (pessimista), onde duas ou mais evidncias so
estritamente necessrias para satisfazer uma hiptese.
Fuzzy Mximo
O operador Mximo assemelha-se a operao Booleana OU (unio),
sendo as evidncias combinadas segundo a funo = Max (a, b, c, ...), onde
os valores de a, b e c correspondem aos valoes dos membros Fuzzy das
evidncia. Nesta operao o valor de sada para um dado ponto, diferentemente do
Fuzzy mnimo, ser o maior valor de entrada dos planos de informao. No
exemplo acima o valor resultante seria = 0,98. O operador Fuzzy Mximo o
final
mais otimista dentre operadores Fuzzy sendo indicado para situaes onde a
existncia de apenas uma evidncia, o suficiente para indicar regies potenciais

a explorao mineral.
A formulao da combinao dos operadores Mnimo e Mximo est apresentada
abaixo e o mapa de favorabilidade na figura 9.19.
r = Min(Max (litologia, contato), Max ( estrut. circular,lineament.), gama).
Mapa de Favorabilidade
Mtodo Fuzzy Mnimo - Mximo
Muito Baixo N
Baixo
Mdio
Alto 0 5Km
Muito Alto Escala
Ocorrncias de minerais radioativos
Figura 9.19 - Mapa de favorabilidade ocorrncias de minerais radioativos

obtido segundo o mtodo Fuzzy Mnimo-Mximo.
Fuzzy Ponderado
No Fuzzy Ponderado os pesos de cada membro Fuzzy de entrada (evidncia)
foram definidos segundo a tcnica de tomada de deciso AHP (Saaty, 1992). A
primeira etapa para a definio dos pesos foi a elaborao de uma relao de
importncia relativa entre as evidncias. Essa relao foi utilizada como dado de
entrada em uma matriz de comparao pareada, onde foram calculados os
autovalores e autovetores da matriz. Os pesos de cada membro Fuzzy, eqivalem
ento aos autovetores a matriz de comparao pareada.
Os pesos definidos pela tcnica AHP foram:
gama-radiometria - 0,514;
litologia - 0,258;
estruturas circulares - 0,1223;
estruturas lineares - 0,0529;
contatos litolgicos - 0,0529;
O mapa de favorabilidade encontra-se na figura 9.20
Mtodo Fuzzy Ponderado (AHP)
Muito Baixo N
Baixo
Mdio
Alto 0 5Km
Muito Alto Escala
Figura 9.20 Mapa de favorabilidade ocorrncias de minerais radioativos obtido

segundo o mtodo Fuzzy Ponderado (AHP).
Mtodo de Bayes

Aplicando-se os mtodos de inferncia bayesiana, foram calculadas as reazes de

suficincia e necessidade para cada evidncia, apresentadas na Tabela 9.4 Os
resultados esto mostrados na Figura 9.21
PIs RAZAO SUFICINCIA RAZO NECESSIDADE
Gama-radiometria 6.869 0.550
Litologias 1.955 0.582
Contatos 3.039 0.797
Estruturas Circulares 3.507 0.780
Lineamentos 1.363 0.837
Tabela 9.4 Pesos de Evidncia para Inferncia Bayesiana
Mtodo Bayesiano
Muito Baixo N
Baixo
Mdio
Alto 0 5Km
Muito Alto Escala
Figura 9.21 Mapa de Favorabilidade para inferncia booleana.

9.7.5 RESULTADOS COMPARATIVOS
Para a avaliao dos mapas de potencialidade gerados atravs das anlises

multi-critrios, quando se dispe de evidncias, sugere-se utilizar a metodologia
bayesiana. O objetivo avaliar o carter explicativo dos mapas para com as
verdades de campo utilizando a idia da probabilidade posteriori. O que se
espera nessa anlise uma alta correlao das ocorrncias com as faixas dos
mapas de potencialidade definidos como de alto potencial.
Para um melhor entendimento imagine-se um mapa de potencialidade com
diferentes faixas de potencialidade. Na prtica o que se espera uma alta
correlao das faixas definidas como de alto potencial com as verdades de campo
e uma baixa correlao com as de baixo potencial. O cruzamento desses mapas
com as verdades de campo fornecer parmetros que substitudos na formulao
do grau de confiana permitiro avaliar o carter explicativo de cada faixa para
com as verdades de campo.
Na prtica o que se obtm so valores espacializados que expressam
numericamente o quanto se aumenta em nmero de vezes (grau de confiana) o
encontro de novos depsitos a partir do momento que se esta pesquisando em
regies definidas como de alto potencial. O grau de confiana expresso pela
razo da probabilidade posteriori pela probabilidade priori.
p (d | e)
Grau de confiana =
p (d )
Os clculos foram executados para todas as classes (fatias) dos mapas de

favorabilidade gerados e os resultados esto apresentados resumidamente na
tabela 9.5 e 9.6. A anlise dessas tabelas permitiu, obteno de algumas
concluses com relao a qualidade dos mapas de favorabilidade gerados.
O mapa de favorabilidade gerado pelo mtodo Booleano foi o que
apresentou o pior resultado dentre os mapas gerados (Tabelas 9.5 e 9.6). O grau
de confiana (6,89) obtido atravs da teoria Bayesiana para a faixa definida como
favorvel foi o menor valor obtido. Esse valor passa uma idia de aumento de
probabilidade de encontro do bem mineral. Ou seja, neste caso o fato de se
procurar minerais nas reas definidas como favorveis aumentariam as chances de
descoberta em 6,89 em relao a probabilidade priori que considera a rea toda
do plat de Poos de Caldas.

Mtodo rea Grau de confiana

(Km2) (faixa muito alto)
Booleano* 32,37 6,89
Mdia Ponderada* 6,47 13,19
Fuzzy Mnimo-Mximo 11,19 9,11
Fuzzy Mdia 7,00 10,06
Fuzzy Ponderado (AHP) 6,38 16,10
Fuzzy Gama 6,78 7,83
Bayes 7,55 9,34
Tabela 9.5 Resultados de Grau de confiana da faixa muito alto.
O mtodo de Mdia Ponderada obteve um bom resultado, onde as fatias
definidas por Almeida Filho (1995) apresentaram uma diviso coerente da rea de
estudo. A faixa definida como de muito alto potencial apresentou um grau de
confiana de 13,19 (Tabelas 4 e 6). A faixa de muito baixo potencial como o
esperado diminui a chance de descoberta em aproximadamente 2,5 vezes (grau de
confiana = 0,403). O problema com esse mapa de favorabilidade que a faixa de
mdio potencial (3,53) apresenta um valor menor do que o da faixa de baixo
potencial (3,86) quando o esperado era que as faixas apresentassem um aumento
crescente dos valores de grau de confiana.
Os mapas obtidos pelos operadores Fuzzy foram os que apresentaram os

melhores resultados. O Fuzzy Ponderado foi o que apresentou o melhor resultado
dentre todos os mtodos de anlise multi-critrio, o grau de confiana distribui-se
de modo crescente com a faixa definida como de muito alto o maior valor de
grau de confiana, 16,10 (Tabelas 4 e 9). Os outros operadores Fuzzy, tambm
apresentaram bons resultados, com variaes muito pequenas entre os resultados.
Os resultados apresentados pelo mtodo Bayesiano no foram muito

satisfatrios. O problema provavelmente decorre do corte rgido que efetuado no
incio da manipulao dos dados. Esse corte em fatias favorveis e no
favorveis elimina a distribuio contnua das evidncias, o que como j visto no
mtodo Booleano , gera erros durante a integrao dos dados. Embora o mapa de
favorabilidade, fatiado segundo reas proporcionais, apresentar valores coerentes
de grau de confiana, os valores de amplitude das faixas variam muito,
apresentado faixas muito estreitas em amplitude.
Com relao as tcnicas empregadas na anlise multi-critrio dos dados, as

metodologias de inferncia por classificao contnua, mtodos Fuzzy, mostraram
ser as mais indicadas para o estudo de fenmenos naturais, pois essas permitem
um escalonamento das evidncias segundo um grau relativo de importncia entre
elas, possibilitando assim a criao de classes intermedirias (condio talvez)
s verdades absolutas, diferentemente dos mtodos rgidos (Booleanos).

O mtodo Bayesiano apresentou uma abordagem interessante ao problema,

todavia os resultados apresentados pelos mapas de probabilidade de ocorrncia
mineral, no foram satisfatrios. Este baixo resultado pode estar ligado ao fato do
corte rgido sobre a evidncia na etapa inicial do processo, para gerao dos
mapas de evidncia binrios (favorvel, no favorvel).
O mtodo de Bayes, por outro lado, demostrou ser uma forte ferramenta de
avaliao quantitativa dos mapas gerados, sendo a avaliao baseada na
probabilidade posteriori, ou seja no poder explicativo dos mapas de
favorabilidade para com as ocorrncias minerais (verdades de campo).

Inferência Geográfica e Suporte À Decisão

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

Inferência Geográfica e Suporte À Decisão

Hochgeladen von

Copyright:

Verfügbare Formate

9

INFERNCIA GEOGRFICA E SUPORTE DECISO

Fbio Roque Moreira

Na maioria dos projetos desenvolvidos em SIG a principal proposta a

9.2 MODELOS TERICOS E EMPIRICOS

Do ponto de vista conceitual, os modelos de processos ambientais no

Introduo Cincia da Geoinformao 9-2

9.3 MODELOS BASEADOS EM CONHECIMENTO

No caso de modelos baseados em conhecimento, dispomos de um conjunto

Introduo Cincia da Geoinformao 9-3

A figura 9.1 mostra exemplos de funes de pertinncia que podem ser

(L ), a funo retorna 1, caso contrario retorna zero, conforme mostra a equao

9.1. Para a Figura 9.1b, a funo retorna um valor entre 0 e 1, se o valor do

a regio entre (Lf ) e (L ). demominada de zona de transio.

Fig. 9.1 Exemplo de funo de pertinncia para conjunto

Introduo Cincia da Geoinformao 9-4

unidades, ento a funo de pertinncia b

Um conjunto que tem uma funo de pertinncia como a da Figura

Fig. 9.2 Diagrama de Venn ilustrando a diferena de fronteira entre um conjunto

Matematicamente, um conjunto fuzzy pode ser definito como:

valor da funo FP (O ) pode ser entendido como o grau de compatibilidade do

Introduo Cincia da Geoinformao 9-5

objeto Oz com o conjunto A, sendo que o objeto Oz pertence ao universo Z (Oz

grau de compatibilidade entre o conjunto A e o objeto Oz for completa,

onde o parmetro a determina a forma da funo e c, o valor de z no ponto central

Introduo Cincia da Geoinformao 9-6

Figura 9.3 - Funes de associao Booleana e Fuzzy

Introduo Cincia da Geoinformao 9-7

9.3.2 INFERNCIA BOOLEANA

O Modelo Booleano envolve combinao lgica de mapas binrios atravs

Introduo Cincia da Geoinformao 9-8

Figura 9.4 Diagrama de Venn mostrando os resultados da aplicao de

Dentre os mtodos de anlise multi-critrio Eastman et al. (1995) cita a

peso do plano de informao "j".

Assim como em conjuntos Booleanos, dados em conjuntos fuzzy podem

onde , , e so valores de pertinncia dos mapas A, B e C, para uma

Introduo Cincia da Geoinformao 9-10

Fuzzy OR como o OR Booleano, onde o valor de pertinncia de sada

c) Produto Algbrico Fuzzy

A funo de pertinncia combinada, neste caso, dada por:

onde i o valor de pertinncia fuzzy para o i-simo mapa e I = 1, 2, ....,n,

d) Soma Algbrica Fuzzy

Este operador complementar ao produto Algbrico Fuzzy, e

O resultado desta operao sempre um valor maior ou igual ao

Este operador definido por dois termos, um produto algbrico Fuzzy e

= (soma algbrica Fuzzy) x (produto algbrico Fuzzy)1-

Introduo Cincia da Geoinformao 9-11

O operador executa a multiplicao dos membros dos diferentes planos de

um plano de informao i. O operador executa a multiplicao do termo (1 - ). i

Na soma algbrica o resultado sempre maior ou igual ao valor de entrada do

Introduo Cincia da Geoinformao 9-12

Figura 9.5 Grfico de distribuio da funo Fuzzy Gama. Modificado:

Introduo Cincia da Geoinformao 9-13

9.4 MODELOS EMPRICOS BASEADOS EM DADOS.

Na abordagem bayesiana, os principais conceitos envolvidos so a

Outros fatores que tambm afetam a possibilidade de chuva no dia

Introduo Cincia da Geoinformao 9-14

P{chuva|evidencia} = P{chuva} * Fatorpoca do ano * Fatordia anterior * Fatordia corrente

de estudo em unidades geogrficas com rea de 1 km , nosso universo de estudo

ter 10.000 unidades. Usando a notao N{} para representar a contagem de

regio N{D}/N{T}, ou 200/10000=0.02, assumindo que cada unidade de rea s

Fig. 9.6 Regio de estudo R sobreposta a um mapa binrio de anomalia

Introduo Cincia da Geoinformao 9-15