) Curvatura em perfil (VALERIANO, 2003): -1 a -0,02 (Convexo), -0,02 a 0,02(Retilíneo), 0,02 a 1 (Côncavo);c) Curvatura em planta (VALERIANO, 2003): -5 a -0,05 (Divergente), -0,05 a0,05 (Plano), 0,05 a 5 (Convergente);d) Área <strong>de</strong> contribuição (QUINN et al., 1991): menor que 12.000 metrosquadrados (muito baixa), 12.000 a 150.000 (baixa), 150.000 a 700.000 (média), 700.000a 1.000.000 (alta), maior que 1.000.000 metros quadrados (muito alta);e) Distância diagonal <strong>da</strong> drenagem: 8 a 20 m (muito pequena), 20 a 45 m(pequena), 45 a 70 m (média), 70 a 150 m (gran<strong>de</strong>), maior que 150 m (muito gran<strong>de</strong>).Uma vez gerados os mapas com os parâmetros discretos, o próximo passoconsistiu em fazer o seu cruzamento <strong>para</strong> se obter uma matriz <strong>de</strong> <strong><strong>da</strong>dos</strong> <strong>da</strong>s variáveismorfométricas e os tipos <strong>de</strong> <strong>solo</strong>, utiliza<strong>da</strong> como <strong>da</strong>do <strong>de</strong> entra<strong>da</strong> <strong>para</strong> as análises porárvores <strong>de</strong> <strong>de</strong>cisão.As tabelas contendo os parâmetros <strong>de</strong>scritores do relevo e os <strong>solo</strong>s foramtrata<strong>da</strong>s em uma análise hierárquica <strong>da</strong> família <strong>da</strong>s árvores <strong>de</strong> <strong>de</strong>cisão e <strong>para</strong> istoutilizou-se o programa Weka (WEKA, 2006), pelo fato <strong>de</strong> ser um software <strong>de</strong> domíniopúblico e possibilitar a análise dos <strong><strong>da</strong>dos</strong> através <strong>de</strong> diversos algoritmos.3.4 Análise dos <strong><strong>da</strong>dos</strong>3.4.1 No programa Weka 3.5.6 explorerA análise dos <strong><strong>da</strong>dos</strong> foi realiza<strong>da</strong> através do algorítimo C5 <strong>da</strong>s árvores <strong>de</strong><strong>de</strong>cisão, por esta ser uma metodologia que permite uma fácil interpretação do mo<strong>de</strong>lo <strong>de</strong>aprendizado gerado, assim como ser uma ferramenta capaz <strong>de</strong> trabalhar com um extensobanco <strong>de</strong> <strong><strong>da</strong>dos</strong>, como neste caso, além <strong>de</strong> possibilitar a classificação <strong>de</strong> amostras<strong>de</strong>sconheci<strong>da</strong>s sem necessariamente analisar todos os atributos.Assim, as árvores <strong>de</strong> <strong>de</strong>cisão realizam a partição sucessiva <strong>de</strong> um conjunto <strong>de</strong><strong><strong>da</strong>dos</strong> em subconjuntos ca<strong>da</strong> vez mais homogêneos (BREIMAN et al., 1984). Estemétodo representa funções como regra <strong>de</strong> <strong>de</strong>cisão. Estas árvores são treina<strong>da</strong>s <strong>de</strong> acordocom um conjunto <strong>de</strong> amostras previamente classifica<strong>da</strong>s e posteriormente, outrasamostras são classifica<strong>da</strong>s <strong>de</strong> acordo com essa mesma árvore.Para aplicar a técnica <strong>de</strong> mineração <strong>de</strong> <strong><strong>da</strong>dos</strong> foi utilizado o software <strong>de</strong> domíniopúblico, <strong>de</strong>nominado Waikato Environment for Knowledge Analysis (Weka), <strong>da</strong>43
Universi<strong>da</strong><strong>de</strong> <strong>de</strong> Waikato, Nova Zelândia. O pacote Weka consiste <strong>de</strong> uma coleção <strong>de</strong>algoritmos <strong>de</strong> aprendizado <strong>de</strong> máquina <strong>para</strong> tarefas <strong>de</strong> mineração <strong>de</strong> <strong><strong>da</strong>dos</strong>. Po<strong>de</strong> serusado <strong>para</strong> aplicar métodos <strong>de</strong> aprendizado a um conjunto <strong>de</strong> <strong><strong>da</strong>dos</strong> e analisar a saí<strong>da</strong><strong>para</strong> extrair informações a partir dos <strong><strong>da</strong>dos</strong> <strong>de</strong> entra<strong>da</strong> (WEKA, 2006).O Weka usa arquivos <strong>de</strong> <strong><strong>da</strong>dos</strong> <strong>de</strong> treinamento on<strong>de</strong> <strong>de</strong>vem ser explicita<strong>da</strong>s quaisvariáveis são permiti<strong>da</strong>s <strong>para</strong> uma relação específica, bem como o tipo <strong>de</strong> <strong>da</strong>do <strong>de</strong> ca<strong>da</strong>variável, isto é, nominal ou valor numérico. O Weka po<strong>de</strong> <strong>de</strong>tectar padrões em <strong><strong>da</strong>dos</strong>que po<strong>de</strong>m ser explorados mediante regras. Dos recursos disponíveis, foi utilizado osistema <strong>de</strong> aprendizado com o algoritmo <strong>de</strong> indução <strong>de</strong> árvore <strong>de</strong> <strong>de</strong>cisão C4.5<strong>de</strong>senvolvido por QUINLAN (1983) e implementado em sua versão <strong>para</strong> linguagemJava (no Weka) com o nome J4.8, <strong>para</strong> gerar árvores <strong>de</strong> <strong>de</strong>cisão (WEKA, 2006).Para a utilização do conjunto <strong>de</strong> <strong><strong>da</strong>dos</strong>, foi necessário um pré-processamento afim <strong>de</strong> torná-los compatíveis com o formato <strong>da</strong> ferramenta utiliza<strong>da</strong>. Além disso, oalgoritmo <strong>de</strong> classificação requer que a variável a ser explica<strong>da</strong> seja uma variávelnominal, sendo necessário transformar os <strong><strong>da</strong>dos</strong> em variáveis nominais.A primeira etapa foi corrigir as matrizes <strong>de</strong> <strong><strong>da</strong>dos</strong>, pois estas apresentavamalguns <strong><strong>da</strong>dos</strong> que não contribuiriam no <strong>de</strong>senvolvimento do mo<strong>de</strong>lo, ou seja, retiraramseos <strong><strong>da</strong>dos</strong> conflitantes <strong>da</strong>s tabelas. A folha Dois Córregos apresentou 794.273 linhasna tabela enquanto a folha São Pedro apresentou 826.136 linhas.Foi utiliza<strong>da</strong> uma técnica <strong>de</strong> balanceamento <strong>de</strong> classes, que tem por finali<strong>da</strong><strong>de</strong>aumentar a proporção <strong>de</strong> amostragem nas classes com menor área <strong>de</strong> ocorrência ereduzir a proporção nas uni<strong>da</strong><strong>de</strong>s com maior área, ou seja, elevar a representativi<strong>da</strong><strong>de</strong><strong>da</strong>s classes com menor representativi<strong>da</strong><strong>de</strong> e diminuir a <strong>da</strong>s com maiorrepresentativi<strong>da</strong><strong>de</strong> (BATISTA, 2003).Os balanceamentos <strong>da</strong>s classes utilizados foram <strong>de</strong>: 0 (representa os <strong><strong>da</strong>dos</strong>brutos, sem balanceamento <strong>de</strong> classes), 0,5 (as classes são balancea<strong>da</strong>s <strong>de</strong> modointermediário entre zero e um) e 1 (situação na qual to<strong>da</strong>s as classes apresentam mesmadistribuição na folha).Para a criação do mo<strong>de</strong>lo <strong>de</strong> aprendizagem <strong>solo</strong> - geomorfometria <strong>para</strong> os <strong><strong>da</strong>dos</strong>brutos e os diversos balanceamentos <strong>da</strong>s classes, uma amostra <strong>de</strong> 10 % dos <strong><strong>da</strong>dos</strong> foiretira<strong>da</strong> aleatoriamente <strong>da</strong> matriz <strong>de</strong> <strong><strong>da</strong>dos</strong> pelo programa Weka, porém com to<strong>da</strong>s asuni<strong>da</strong><strong>de</strong>s <strong>de</strong> mapeamento contempla<strong>da</strong>s, mantendo-se a proporção <strong>de</strong> ca<strong>da</strong> uma. Apartir disso, o mo<strong>de</strong>lo <strong>de</strong> aprendizado foi gerado com os outros 90 % dos <strong><strong>da</strong>dos</strong>. Porfim, a acurácia <strong>de</strong> ca<strong>da</strong> mo<strong>de</strong>lo foi obti<strong>da</strong> por aplicação do mo<strong>de</strong>lo gerado nos 10 % dos44
- 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 36 and 37: −∑H x / y)= p .ln( p / p )[3](i
- 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 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