Apresentacao ix conggeogport_rev

239 visualizações

Publicada em

Publicada em: Educação
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
239
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
2
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Apresentacao ix conggeogport_rev

  1. 1. EnvironmentalHazardsandRisk AssessmentandManagement CEG–IGOT–ULwww.riskam.org APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Inês L. Fonseca 1 Ricardo Brasil 1; Sérgio Freire 2 Jorge Rocha 1; José A. Tenedório 2 1 Centro de Estudos Geográficos, IGOT – UL 2 Centro de Estudos de Geografia e Planeamento Regional, FCSH - UNL
  2. 2. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL Estrutura: • I. Problema; • II. Objectivo; •III. Hipótese; •IV. Metodologia; •V. Resultados; •VI. Conclusões.
  3. 3. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL I – Problema • Prever classes de solos em áreas onde ainda não existe cartografia de solos; • Escolher o melhor modelo para aplicação nas áreas onde ainda não existe cartografia de solos.
  4. 4. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL II – Objectivo • Comparar a aplicação de duas RNAs: SOM vs MLP e identificar qual a melhor arquitectura para a predição de classes de solos.
  5. 5. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL III – Hipótese:  Medidas gerais de validação como a fracção correcta classificada e o índice Kappa poderão identificar como melhor um modelo diferente do indicado por uma validação mais detalhada, com análise por classes de solo.
  6. 6. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 1 – Dados e áreas de estudo; 2 – Amostragens e pré-processamento; 3 – Classificação supervisionada; 4 – Validação multi-método.
  7. 7. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 1 – Dados e áreas de estudo Uso do solo Litologia Modelos morfométricos derivados do MDT Classes de solo + - Latitude (X) - Longitude (Y)
  8. 8. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 1 – Dados e áreas de estudo Bacias Regiões Rios Área (km2) Elev. Mín. (m) Elev. Máx. (m) Nº de classes de solo Mondim de Basto (MB) Douro- Minho Tâmega 911 56 1298 4 Vila Real (VR) Nordeste Corgo 468 67 1405 4
  9. 9. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 2 – Amostragens e pré-processamento Amostragem estratificado por tipo de solo - O mesmo número de áreas de treino seleccionados para cada tipo de solo (510)Amostragem aleatória 1 - RS Dados espaciais dos Solos - As áreas de treino são as mesmas para a MLP e a SOM - O número total de áreas de treino é o mesmo para todos os tipos de amostragens Aleatória por solo 2 - SRS Aleatória por percentil 3 - SRPS Mais próximas por percentil 4 - SNPS Mais afastadas por percentil 5 - SFPS
  10. 10. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 2 – Amostragens e pré-processamento Quatro combinações de modelos - O mesmo número e tipo de áreas de treino seleccionadas para cada combinação de modelo 12 variáveis normalizadas (inclusão da latitude e longitude) 1 12 variáveis não- normalizadas (inclusão da latitude e longitude) 2 10 variáveis normalizadas (não inclusão da latitude e longitude) 3 10 variáveis não- normalizadas (não inclusão da latitude e longitude) 4 Um total de 20 modelos (4*5=20)
  11. 11. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 3 – Classificação supervisionada MLP e SOM
  12. 12. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL Mapas de solos existentes MDT e modelos derivados Litologia Uso do solo Novo mapa de solos Classificação – Multi-Layer Perceptron (MLP)
  13. 13. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL Mapas de solos existentes MDT e modelos derivados Litologia Uso do solo Novo mapa de solos Classificação – Self-Organizing Map (SOM)
  14. 14. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL Sistemas de Informação Geográfica Mapas de solos existentes Predição de classes de solos Inteligência Artificial (RNAs)
  15. 15. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. Dos 20 modelos elaborados, foram seleccionados os 2 melhores modelos para cada bacia de acordo com uma medida da fracção correcta (fraction correct) e índice Kappa [Map Comparison Kit 3.0].
  16. 16. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. Fracção correcta (fraction correct (%)) Tipo de amostragem Bacia Arquitectura Nº Var. RS SRS SRPS SNPS SFPS Tipo de var. MB MLP 12 67.9 Var. não normalizadas VR MLP 12 74 Var. não normalizadas MB MLP 10 59 Var. não normalizadas VR MLP 10 66.9 Var. normalizadas MB MLP 10 62.5 Var. normalizadas VR MLP 12 55.5 Var. não normalizadas MB MLP 12 54.4 Var. normalizadas VR MLP 10 67.2 Var. normalizadas MB MLP 10 55.3 Var. normalizadas VR MLP 12 55.6 Var. não normalizadas MB SOM 10 64.8 Var. normalizadas VR SOM 10 72.6 Var. não normalizadas MB SOM 12 59 Var. normalizadas VR SOM 10 59.3 Var. não normalizadas MB SOM 12 54.7 Var. normalizadas VR SOM 10 58.2 Var. não normalizadas MB SOM 10 45.9 Var. normalizadas VR SOM 10 42.2 Var. não normalizadas MB SOM 10 46.1 Var. não normalizadas VR SOM 10 55.7 Var. não normalizadas
  17. 17. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. I. Os quatro melhores modelos – Fraction correct e Kappa geral: Fracção correcta (fraction correct) e Kappa Amostragem RS Bacia Arquitectura Nº Var. Fraction Correct (%) Kappa Tipo de var. MB MLP 12 67.9 0.35748 Var. não normalizadas VR MLP 12 74 0.42756 Var. não normalizadas MB SOM 10 64.8 0.31246 Var. normalizadas VR SOM 10 72.6 0.4192 Var. não normalizadas Estes índices indicam que a arquitectura MLP é a melhor. Kappa – medida de concordância: 1 – máx. concordância; 0 – nenhuma concordância
  18. 18. Percentagem de células por tipo de solo captada – MLP vs SOM APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. II. Por categoria - número de células iguais (em ambos os mapas e fracção correcta por classe de solo): In both maps Classe de solo: MB MLP MB SOM Total pixéis % MLP % SOM MB Antrossolos 13767 13448 30279 45.47 44.41 Leptossolos 3268 3453 13891 23.52 24.86 Regossolos 58611 55264 67036 87.43 82.44 Fluvissolos 0 6 159 0 3.77 Classe de solo: VR MLP VR SOM Total pixéis % MLP % SOM VR Antrossolos 9446 8354 14929 63.27 55.95 Leptossolos 32739 31935 35978 90.99 88.76 Cambissolos 0 644 4496 0 14.32 Fluvissolos 0 414 1567 0 26.42 O modelo SOM em VR foi o único a modelar as classes dos Fluvissolos e Cambissolos O modelo SOM em MB foi o único a modelar a classe dos Fluvissolos
  19. 19. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. III. Fracção correcta difusa - Fuzzy Kappa: Fuzzy Kappa MB MLP MB SOM VR MLP VR SOM Fraction Correct 0.71 0.73 0.75 0.77 Quanto mais próximo de 1, mais semelhante ao mapa de referência que foi usado na validação.
  20. 20. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL IV. Metodologia: 4 – Validação multi-método. IV. Índice de estrutura espacial – Patch size (tamanho da mancha): Patch size MB MLP MB SOM VR MLP VR SOM Map 1 global 24799.7 24799.7 22969.5 22969.5 Map 2 global 52948.5 48351.5 36804.5 33839.5 Global difference 28148.8 23551.8 13835 10870 Mean of map 1/2 37015.8 32030.6 18788.6 15516 Os valores indicam a diferença de tamanho das classes (área em células) - a diferença global é menor na arquitectura SOM
  21. 21. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL V. Resultados • A arquitectura SOM foi a única a conseguir modelar as classes de solos de menor dimensão; • A arquitectura SOM consegue captar melhor o tamanho e a complexidade da estrutura das classes de solos; • Apesar de os índices Kappa e fracção correcta identificarem a arquitectura MLP como a melhor, uma análise classe a classe mostra que a arquitectura SOM produz mapas mais semelhantes aos originais.
  22. 22. APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL VI – Conclusões • Conclui-se também que para avaliar a capacidade dos modelos é necessário utilizar índices que avaliem cada classe e a estrutura espacial das manchas de cada classe; • Os índices que incluem medidas gerais de fracção correcta e índice Kappa são insuficientes se analisados individualmente. • Conclui-se que a SOM é a mais adequada para produzir mapas de solos nas regiões estudadas;
  23. 23. Obrigado pela atenção! Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS

×