−∑H x / y)= p .ln( p / p )[3](ij ij ie <strong>de</strong> modo inverso, a entropia <strong>de</strong> y <strong>da</strong>do x é:−∑H y / x)= p .ln( p / p )[4](ij i j ja incerteza <strong>de</strong> y <strong>da</strong>do x, U (y|x), é:[ H ( y)− H ( y / x)]U ( y / x)= [5]H ( y)U (y|x) dá uma idéia <strong>da</strong> fração <strong>de</strong> y que é redun<strong>da</strong>nte com a informação em x, contudoessa relação é exponencial e não linear. Os mapas x e y po<strong>de</strong>m ser tratadossimetricamente <strong>para</strong> <strong>da</strong>r a incerteza <strong>de</strong> informações conjuntas, U (x, y):[ H ( y)+ H ( x)− H ( x,y)]U ( x / y)= [6]H ( y)+ H ( x)Se o mapa predito for y e o mapa <strong>de</strong> treinamento é x, U (y|x) é a medi<strong>da</strong> <strong>da</strong> força <strong>da</strong>previsão. O coeficiente <strong>de</strong> incerteza simétrico, U (x, y), é mais apropriado <strong>para</strong>com<strong>para</strong>r os resultados <strong>de</strong> dois métodos <strong>para</strong> fazer previsões <strong>de</strong> mapa.A construção <strong>de</strong> uma árvore <strong>de</strong> <strong>de</strong>cisão tem, então, três objetivos: diminuir aentropia (aleatorie<strong>da</strong><strong>de</strong> <strong>da</strong> variável objetivo), ser consistente com o conjunto <strong>de</strong> <strong><strong>da</strong>dos</strong> epossuir o menor número <strong>de</strong> nós.Uma árvore <strong>de</strong> <strong>de</strong>cisão tem, portanto, a função <strong>de</strong> subdividir recursivamente umconjunto <strong>de</strong> treinamento, até que ca<strong>da</strong> subconjunto obtido <strong>de</strong>sta subdivisão contenhacasos <strong>de</strong> uma única classe. Para atingir esta meta, a técnica <strong>de</strong> árvores <strong>de</strong> <strong>de</strong>cisãoexamina e com<strong>para</strong> a distribuição <strong>de</strong> classes durante a construção <strong>da</strong> árvore. O resultadoobtido, após a construção <strong>de</strong> uma árvore <strong>de</strong> <strong>de</strong>cisão são <strong><strong>da</strong>dos</strong> organizados <strong>de</strong> maneiracompacta, que são utilizados <strong>para</strong> classificar novos casos (HOLSHEIMER & SIEBES,1994). A partir <strong>de</strong> uma árvore <strong>de</strong> <strong>de</strong>cisão é possível <strong>de</strong>rivar regras. As regras sãoescritas consi<strong>de</strong>rando o trajeto do nó raiz até uma folha <strong>da</strong> árvore.A avaliação <strong>da</strong> árvore <strong>de</strong> <strong>de</strong>cisão foi realiza<strong>da</strong> através <strong>da</strong> utilização <strong>de</strong> <strong><strong>da</strong>dos</strong> quenão tenham sido usados no treinamento. Esta estratégia permite estimar como a árvoregeneraliza os <strong><strong>da</strong>dos</strong> e se a<strong>da</strong>pta a novas situações, po<strong>de</strong>ndo, também, estimar aproporção <strong>de</strong> erros e acertos ocorridos na sua construção (BRAZDIL, 2008). Essasmatrizes <strong>de</strong> erros po<strong>de</strong>m ser avalia<strong>da</strong>s através do índice Kappa (equação 7), que me<strong>de</strong> omontante dos <strong><strong>da</strong>dos</strong> que estão em concordância com o mo<strong>de</strong>lo e corrige os <strong><strong>da</strong>dos</strong>21
inconsistentes <strong>para</strong> o montante esperado. Os valores <strong>da</strong> diagonal principal <strong>da</strong> matriz <strong>de</strong>confusão refletem o montante em concordância com o mo<strong>de</strong>lo e os elementos que nãoestão nas diagonais mostram o montante "<strong>da</strong> confusão", on<strong>de</strong> as classes não estãopreditas pelo mo<strong>de</strong>lo gerado (COHEN, 1960).A fórmula do índice Kappa é:K =∑pii1−− ∑∑ qiiqiion<strong>de</strong> Σpii é a soma dos elementos diagonais ou o total <strong>de</strong> concordância e Σq ii é a soma<strong>da</strong> concordância espera<strong>da</strong>. O índice Kappa varia <strong>de</strong> -1 <strong>para</strong> a discordância perfeita a 1<strong>para</strong> a concordância completa.Assim, as árvores <strong>de</strong> <strong>de</strong>cisão apresentam como vantagens a sua versatili<strong>da</strong><strong>de</strong> eum elevado índice <strong>de</strong> legibili<strong>da</strong><strong>de</strong> que permitem i<strong>de</strong>ntificar <strong>de</strong> forma expedita os fatoresmais influentes, além <strong>de</strong> permitir a classificação <strong>de</strong> uma amostra <strong>de</strong>sconheci<strong>da</strong> sem anecessi<strong>da</strong><strong>de</strong> <strong>da</strong> análise <strong>de</strong> todos os atributos.Entretanto, <strong>de</strong>vemos consi<strong>de</strong>rar alguns <strong>de</strong>talhes antes do uso do algoritmo <strong>de</strong>árvores <strong>de</strong> <strong>de</strong>cisão. O algoritmo trabalha bem com valores discretos, pois caso contrárioa árvore po<strong>de</strong> se tornar extensa e <strong>de</strong> difícil compreensão. Outro problema é anecessi<strong>da</strong><strong>de</strong> <strong>de</strong> se utilizar uma quanti<strong>da</strong><strong>de</strong> consi<strong>de</strong>rável <strong>de</strong> <strong><strong>da</strong>dos</strong> quando se trata <strong>de</strong>estruturas complexas, o que po<strong>de</strong> gerar problema quanto ao tempo <strong>de</strong> montagem <strong>da</strong>árvore, pois é necessária uma gran<strong>de</strong> quanti<strong>da</strong><strong>de</strong> <strong>de</strong> cálculos <strong>de</strong> probabili<strong>da</strong><strong>de</strong> além <strong>de</strong>armazenamento temporário <strong>de</strong> valores.[7]2.8 Sistemas <strong>de</strong> Informação Geográficas e Sensoriamento RemotoOs Sistemas <strong>de</strong> Informação Geográficas (SIG) po<strong>de</strong>m ser <strong>de</strong>finidos como sistema<strong>de</strong> informações computacionais que permitem a captura, mo<strong>de</strong>lagem, manipulação,recuperação, análise e apresentação <strong>de</strong> <strong><strong>da</strong>dos</strong> georreferenciados (WORBOIS, 1995). Jáo sensoriamento remoto é uma técnica <strong>para</strong> obter informações sobre objetos através <strong>de</strong><strong><strong>da</strong>dos</strong> coletados por instrumentos que não estejam em contato físico como os objetosinvestigados, sendo que a forma <strong>de</strong> transmissão dos <strong><strong>da</strong>dos</strong> (do objeto <strong>para</strong> o sensor) sedá através <strong>da</strong> radiação eletromagnética (AVERY & BERLIN, 1992; MENESES, 2001).22
- Page 1 and 2: INSTITUTO AGRONÔMICOCURSO DE PÓS-
- Page 4 and 5: Primeiramente a Deus, pela vida,Ao
- Page 6 and 7: - A toda turma do geoprocessamento
- Page 8 and 9: ÍNDICE DE TABELASTabela 1 - Distri
- Page 10 and 11: ÍNDICE DE FIGURASFigura 1 - Repres
- Page 12 and 13: CRIVELENTI, Rafael Castro. Mineraç
- Page 14 and 15: CRIVELENTI, Rafael Castro. Data min
- Page 16 and 17: 1 INTRODUÇÃOA distribuição espa
- Page 18 and 19: 2 REVISÃO DE LITERATURA2.1 Histór
- Page 20 and 21: 2.2 Levantamento pedológico por m
- Page 22 and 23: corretivas ou compensatórias de ca
- Page 24 and 25: Nesta perspectiva, é oportuno dese
- Page 28 and 29: irregulares (MONTGOMERY, 2003). As
- Page 30 and 31: o objetivo de diminuir o erro por e
- Page 32 and 33: Recentemente, SIRTOLI et al. (2008)
- Page 34 and 35: intermediário, é a unidade de tom
- Page 38 and 39: Estes sistemas manipulam dados geor
- Page 40 and 41: 2.9 Comparação entre resultados d
- Page 42 and 43: mapeamento, considerando as classes
- Page 44 and 45: correlacionaram com a distribuiçã
- Page 46 and 47: 3 MATERIAL E MÉTODOS3.1 Descriçã
- Page 48 and 49: (a)120Extrato do Balanço Hídrico
- Page 50 and 51: (a)(b)Figura 5 - Mapas de geologia
- Page 52 and 53: Conforme PONÇANO (1981), o ambient
- Page 54 and 55: h) Cambissolo: Solos constituídos
- Page 56 and 57: 1:1.000.000 (IPT, 1981), e evidenci
- Page 58 and 59: ) Curvatura em perfil (VALERIANO, 2
- Page 60 and 61: dados estratificados retirados ante
- Page 62 and 63: 4 RESULTADOS E DISCUSSÃO4.1 MDE, G
- Page 64 and 65: (a)(b)(c)Figura 7 - Mapas de variá
- Page 66 and 67: (a)(b)(c)Figura 8 - Mapas de variá
- Page 68 and 69: 4.2 Análise dos dados e elaboraç
- Page 70 and 71: BalanceamentosFigura 10 - Distribui
- Page 72 and 73: ocorrência deixe de ser amostrada
- Page 74 and 75: unidades de mapeamento de solos fos
- Page 76 and 77: devido a sua grande representativid
- Page 78 and 79: Tabela 12 - Atualização da legend
- Page 80 and 81: A análise do mapa permite verifica
- Page 82 and 83: Tabela 15 - Ordenamento das variáv
- Page 84 and 85: A partir da sobreposição dos mapa
- Page 86 and 87:
Tabela 16 - Matiz de confusão das
- Page 88 and 89:
Tabela 17 - Porcentagem de acerto e
- Page 90 and 91:
Como pode ser observado na figura 1
- Page 92 and 93:
unidades de mapeamento. Por exemplo
- Page 94 and 95:
O latossolo vermelho amarelo textur
- Page 96 and 97:
mapeamento de solos fosse classific
- Page 98 and 99:
predominância de latossolos (64 %)
- Page 100 and 101:
um banco de dados digitais para ess
- Page 102 and 103:
6 SUGESTÕESComo trabalhos futuros
- Page 104 and 105:
mapa de solos na região de Três P
- Page 106 and 107:
COSTA CABRAL, M. & BURGES, S.J. Dig
- Page 108 and 109:
IBGE - INSTITUTO BRASILEIRO DE GEOG
- Page 110 and 111:
McBRATNEY, A.B.; MENDONÇA SANTOS,
- Page 112 and 113:
PISSARA, T.C.T.; POLITANO, W.; FERR
- Page 114 and 115:
TURCOTTE, R.; FORTIN, J.P.; ROUSSEA
- Page 116 and 117:
8 ANEXO(S)Anexo I………………
- Page 118 and 119:
65,9 0,9 3,6 6,8 LVdf text. argilos
- Page 120 and 121:
Balanceamento de classes = 1a b c d
- Page 122:
Anexo VI - Matriz de confusão para