O documento descreve um estudo que compara dois modelos de redes neurais artificiais (MLP e SOM) para prever classes de solos em duas áreas de estudo. O SOM foi capaz de prever classes menores e capturar melhor a estrutura espacial das classes, embora medidas como fração correta e índice Kappa tenham indicado o MLP como melhor. Uma análise detalhada por classe mostrou que o SOM produz mapas mais semelhantes aos originais.

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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