2011AffonsoMapas
-
Upload
neilson-lima -
Category
Documents
-
view
215 -
download
0
Transcript of 2011AffonsoMapas
-
7/23/2019 2011AffonsoMapas
1/89
AUTARQUIA ASSOCIADA UNIVERSIDADE DE SO PAULO
So Paulo2011
Mapas Auto - organizveis de Kohonen (SOM) aplicados naavaliao dos parmetros da qualidade da gua
Gustavo Sousa Affonso
Dissertao apresentada comoparte
dos requisitos para obteno doGraude Mestre em Cincias na reade Tecnologia Nuclear - Reatores
Orientador:Prof. Dr. Roberto Navarro de Mesquita
-
7/23/2019 2011AffonsoMapas
2/89
Autarquia associada universidade de So Paulo
MAPAS AUTO - ORGANIZVEIS DE KOHONEN (SOM)
APLICADOS NA AVALIAO DOS PARMETROS DA
QUALIDADE DA GUA.
GUSTAVO SOUSA AFFONSO
Dissertao apresentada como partedos requisitos para obteno do Graude Mestre em Cincias na rea deTecnologia Nuclear Reatores
Orientador:
Dr. Roberto Navarro de Mesquita
So Paulo2011
-
7/23/2019 2011AffonsoMapas
3/89
-
7/23/2019 2011AffonsoMapas
4/89
INSTITUTO DE PESQUISAS ENERGTICAS E NUCLEARESAutarquia associada universidade de So Paulo
MAPAS AUTO ORGANIZVEIS DE KOHONEN (SOM)
APLICADOS NA AVALIAO DOS PARMETROS DAQUALIDADE DA GUA.
GUSTAVO SOUSA AFFONSO
Dissertao apresentada como parte
dos requisitos para obteno do Grau
de Mestre em Cincias na rea de
Tecnologia Nuclear Reatores
Orientador:
Dr. Roberto Navarro de Mesquita
So Paulo2011
-
7/23/2019 2011AffonsoMapas
5/89
Aos meus pais e
minha famlia.
-
7/23/2019 2011AffonsoMapas
6/89
AGRADECIMENTOS
Meus sinceros agradecimentos a todos que contriburam direta e indiretamente para a
realizao deste trabalho.
Ao Professor Doutor Roberto Navarro de Mesquita por sua orientao e especialmente
pela compreenso e pacincia.
Ao Professor Doutor Hlio Akira Furusawa por sua cooperao nos diversos aspectos
que contemplam este trabalho, por sua disponibilidade e auxilio nos momentos difceis
e por sua amizade.
E ao Centro de Qumica e Meio Ambiente, pela colaborao na realizao deste projeto.
-
7/23/2019 2011AffonsoMapas
7/89
MAPAS AUTO - ORGANIZVEIS DE KOHONEN (SOM)
APLICADOS NA AVALIAO DOS PARMETROS DA
QUALIDADE DA GUA.
Gustavo Sousa Affonso
RESUMO
A atual crescente necessidade de anlise de colees de dados cada vez mais complexas
e extensas, nas diversas reas da investigao cientfica, tem permitido o
desenvolvimento de novas ferramentas para a melhoria da percepo de informaes
que nem sempre so explcitas e visveis. Estudos de ferramentas matemticas que
propiciem o destaque de algumas destas informaes, ou que inteligentemente
reconheam padres associados aos diferentes conjuntos de dados, tm demonstrado
resultados promissores. No entanto, o sucesso da escolha da metodologia apropriada
para a anlise dos dados, est vinculado a vrios fatores como: a tecnologia disponvel
para a prospeco destes dados, a adequada coleta e seleo das amostras, e
principalmente, a capacidade do pesquisador em interagir com a nova tecnologia deexplorao. No presente projeto, proposta uma metodologia de anlise
multidimensional dos dados de unidades de gerenciamento de recursos hdricos
UGRHIs, localizadas no estado de So Paulo, por meio das redes neurais SOM (Mapas
Auto-Organizveis). Estes mapas so utilizados para estudar e visualizar possveis
correlaes entre as diversas variveis deste banco de dados relativas anlise de
compostos inorgnicos e parmetros fsico qumicos referentes qualidade da gua
nestas unidades.
-
7/23/2019 2011AffonsoMapas
8/89
SELF - ORGANIZING MAPS OF KOHONEN (SOM) APPLIED IN
THE EVALUATION OF PARAMETERS OF WATER QUALITY
Gustavo Sousa Affonso
ABSTRACT
The current increasingly need for data analysis on larger and more complex data
collections, in many different areas of scientific research, has induced the development
of new tools for the perception improvement of information that not always is explicit
and visible at first. Studies of mathematical tools which could enable the highlight of
some of this information, or should intelligently recognize patterns associated with
these different data collection, have been showing promising results. However, the
success of the choice of the appropriate analysis method is associated with several
factors: the available technology for this data exploration, the correct gathering and
selection of samples, and mainly, the researcher ability to interact with the new
exploration technology. In this project we propose a methodology for analyzing
multidimensional data from Water Resources Management Units (WRMUs), which are
located in So Paulo state, through Self - Organizing Maps (SOM) neural networks.
These maps are used to study and visualize possible correlations between the different
variables existent in this database, which are derived from analysis of inorganic andphysical - chemical parameters related to WRMUs water quality.
-
7/23/2019 2011AffonsoMapas
9/89
SUMRIO
Pgina
1 INTRODUO...........................................................................................................1
1.2 Objetivos................................................................................................................3
2 REVISO DE LITERATURA...................................................................................4
2.1 Conceitos sobre anlise estatstica multivariada...................................................4
2.2 mtodos multivariados e SOM..............................................................................5
3 FUNDAMENTAO TERICA..............................................................................8
3.1 Redes Neurais........................................................................................................8
3.1.1 Modelo biolgico................................................................................................8
3.1.2 Breve Histrico das RNA................................................................................10
3.1.3 O Multi-Layer Perceptron................................................................................13
3.1.4 Algoritmos de Aprendizagem e Treinamento..................................................14
3.1.4.1 Regra de correo de erro..............................................................................15
3.1.4.2 Regra de gradiente descendente....................................................................15
3.1.5 Mapas Auto Organizveis............................................................................... 16
4 METODOLOGIA.......................................................................................................20
4.1 Caractersticas dos parmetros fsico qumicos................................................20
4.1.2 Organizao do Banco de Dados......................................................................21
4.1.3Caractersticas das Unidades de Gerenciamento de Recursos
hdricos......................................................................................................................24
4.1.4Implementao da Metodologia........................................................................29
4.1.5 Descrio do procedimento utilizado para o treinamento do SOM.................315 RESULTADO E DISCUSSO..................................................................................36
5.1 Apresentao dos resultados SOM......................................................................36
5.1 Estudo de similaridades entre pontos de coleta...................................................36
5.2 Estudo de similaridade ente parmetros fsico-qumicos....................................36
5.4 Grficos dos prottipos de vetores......................................................................49
6 CONCLUSES...........................................................................................................55
6.1 Matrizes para estudo de similaridade entre pontos de coleta..............................556.2 Matrizes para estudo de similaridade entre parmetros fsico-qumicos.............58
-
7/23/2019 2011AffonsoMapas
10/89
6.3 Grficos dos prottipos de vetores......................................................................59
6.3 Consideraes finais............................................................................................59
ANEXO A.......................................................................................................................61
ANEXO B.......................................................................................................................66
REFERNCIAS BILIOGRFICAS...........................................................................73
-
7/23/2019 2011AffonsoMapas
11/89
LISTA DE FIGURAS
Pgina
FIGURA 1 Modelo esquemtico do neurnio biolgico...............................................9FIGURA 2 - Modelo esquemtico do neurnio artificial...............................................10FIGURA 3 - Exemplo ilustrativo do Perceptron de Rosenblat.......................................11FIGURA 4 - Exemplos de classes linearmente separveis e inseparveis do algoritmo
discriminante ..................................................................................................................12FIGURA 5 - Rede neural MPL........................................................................................14FIGURA 6 - Representaes das etapas competitiva e cooperativa de treinamento da
SOM.................................................................................................................................18FIGURA 7 - Estrutura de SOM com topologia triangular..............................................19FIGURA 8 - Estrutura de SOM com topologia quadrtica ............................................19
FIGURA 9 - Estrutura de SOM com topologia randmica.............................................19FIGURA 10 - Mapa da Localizao geogrfica da UGRH 01, regio de Mantiqueira e
UGRH 02, regio de Paraba do Sul...............................................................................24FIGURA 11 - Mapa da localizao geogrfica da UGRH 4 Rio Pardo.........................25FIGURA 12 - Mapa da localizao geogrfica da UGRH 05, regio de Piracicaba,
Capivari e Jundia...........................................................................................................26FIGURA 13 - Mapa da localizao geogrfica da UGRH 06, regio do Alto
Tiet................................................................................................................................ 27FIGURA 14 - Diagrama da formatao da base de dados............................................29FIGURA 15 -Procedimento realizado do transporte das variveis para a gerao deresultados no SOM Toolbox............................................................................................31FIGURA 16 -Exemplo do ordenamento dos prottipos de vetores................................35FIGURA 17 - Mapa da matriz de distncia entre vetores com os rtulos......................37FIGURA 18 - Componentes planos gerados a partir da grande matriz.........................40FIGURA 19 -Mapa indicativo dos rtulos caractersticos (BMUs) dos pontos de coletana matriz principal..........................................................................................................42FIGURA 20 -Mapa com rotulagem sobreposta para destaque dos grupos...................43FIGURA 21-a -Apresentao do mapa das distncias vetoriais, por distribuio de
frequencia de rtulos, da matriz modificada (257 linhas por 10 parmetros)...............44FIGURA 21-b-Apresentao por votao do mapa das distncias vetoriais com osrtulos da matriz modificada (257 linhas por 10 parmetros).......................................45
FIGURA 21-c- Apresentao do mapa das distncias vetoriais com o mapa geralrotulado obtido da matriz modificada (257 linhas por 10 parmetros).........................46FIGURA 22 - Mapa geral rotulado obtido da matriz inversa........................................47FIGURA 23 -Mapa de distncia entre vetores da matriz transposta com os rtulos dos
parmetros fsico qumicos..........................................................................................48FIGURA 24 - Mapa de distncia entre vetores da matriz transposta da matrizmodificada de 257 linhas por 10 parmetros.................................................................49FIGURA 25 - Grfico do prottipo de vetor mais caracterstico do cluster nomeadoPMnNKT.....................................................................................................................50FIGURA 26 - Grfico do prottipo de vetor mais caracterstico do cluster nomeadopHCLOD.....................................................................................................................51
FIGURA 27 - Grfico do prottipo de vetor mais caracterstico do cluster nomeadoTemperaturas..............................................................................................................51
-
7/23/2019 2011AffonsoMapas
12/89
FIGURA 28 - Grfico do prottipo de vetor mais caracterstico do cluster nomeadoCondutividade.............................................................................................................52FIGURA 29 - Grfico do prottipo de vetor mais caracterstico do cluster nomeadoTurbidez.........................................................................................................................52FIGURA 30 - Prottipo de vetor obtido a partir da matriz modificada referente aos
dados da regio do Rio Capivari....................................................................................53FIGURA 31 - Prottipo de vetor obtido a partir da matriz modificada referente aosdados da regio do Rio Paraba da coleta do dia 19/08/2008.......................................53FIGURA 32 - Prottipo de vetor obtido a partir da matriz modificada referente aosdados da regio do Rio Pardo da coleta do dia 03/10/2000..........................................54FIGURA 33 -Mapa do estado de So Paulo com as 22 UGRHIs organizadas em 11grupos. (CETESB, 2001).................................................................................................57
-
7/23/2019 2011AffonsoMapas
13/89
LISTA DE ABREVIATURAS
ART Adaptive Ressonance Theory
BMU Best Matching Unit
CESTESB Companhia Ambiental do Estado de So Paulo
CONAMA Conselho Nacional do Meio Ambiente
CQMA Centro de Qumica e Meio Ambiente
DBO Demanda Bioqumica de oxignio
DQO Demanda Qumica de oxignioETA Estao de Tratamento de gua
IA Inteligncia Artificial
IAP ndice de Qualidade das guas Brutas para Fins de Abastecimento
Pblico
IPEN Instituto de Pesquisas Energticas e Nucleares
KSOM Kohonen Self Organizing Maps
LMS Least Mean Square AlgorithmMPL Multilayer Perceptron
MS Ministrio da Sade
NKT Nitrognio Kjeldahl total
NSF National Sanitation Foundation
OD Oxignio Dissolvido
PCA Principal Components Analysis
PFTHM Potencial de formao de trihalometanospH Potencial hidrogeninico
RNA Rede Neural Artificial
SABESP Companhia de Saneamento Bsico do Estado de So Paulo
SOM Self Organizing Maps
UGRH Unidade de Gerenciamento de Recursos Hdricos
-
7/23/2019 2011AffonsoMapas
14/89
1
1. INTRODUO
A importncia do tratamento da informao atualmente reconhecida nos mais diversos
campos das pesquisas cientificas e sociais, e tem proporcionado o desenvolvimento de
novas ferramentas interdisciplinares No entanto, em uma coleo de dados quer seja
exgua ou numerosa, a percepo do que representam estas informaes nem sempre
direta. Assim, de grande valia o conhecimento sobre as tcnicas disponveis para
manipulao desses dados que permitam o destaque de algumas das informaes ou que
inteligentemente reconheam padres existentes e potencialmente relevantes. O sucesso da
escolha da estratgia de prospeco dos dados est vinculado a vrios fatores, como
tecnologia disponvel para esta prospeco, coleta e seleo apropriada das amostras, masprincipalmente ao conhecimento sobre a informao de interesse e capacidade que o
pesquisador tem de interagir com a tecnologia de explorao. Esta interao, comum a
qualquer pesquisa cientifica sistemtica, inclui a modificao da metodologia tanto em
seus parmetros fundamentais quanto na utilizao apropriada das tcnicas de seleo do
espao amostral. O desenvolvimento de tcnicas de inteligncia artificial nas ltimas
dcadas tem disponibilizado novos recursos ao pesquisador no sentido de automatizar
etapas dessas interaes. Assim, a interatividade no uso das tcnicas que extraiam relaese parmetros de interesse da base de dados pode ser melhorada e aperfeioada na medida
em que a prpria estratgia e conhecimento do pesquisador sobre o problema so
explicitados e sistematizados. Muitos dos trabalhos envolvendo tcnicas de inteligncia
artificial resultaram na possibilidade de comparao objetiva entre diferentes metodologias
e estratgias de tratamento dos dados, levando at mesmo ao estabelecimento de padres
de referncia (benchmarks).
Entre algumas das vantagens na metodologia h a capacidade que as tcnicas de
inteligncia artificial apresentam em repetir exaustivamente tarefas associadas pequenas
modificaes dos parmetros de explorao. Com a possibilidade de se utilizar diferentes
ajustes operacionais experimentais da ferramenta exploratria, sem que necessariamente
estas modificaes sejam parte implcita da ferramenta sendo utilizada. Em geral, a
inteligncia artificial possibilita a automatizao de etapas e procedimentos envolvidos no
processo de explorao ou minerao de dados.
-
7/23/2019 2011AffonsoMapas
15/89
2
Entre as diversas tcnicas de inteligncia artificial, est a tcnica dos mapas auto-
organizveis de Kohonen (Self Organizing Maps, KSOM) para explorao de bases de
dados multidimensionais. Tcnica que inicialmente foi estabelecida por Teuvo Kohonen,
em 1981, e consiste em uma rede neural artificial interconectada e no supervisionada que
permite um mapeamento auto ajustvel do espao de estados multidimensionais
estudado. O SOM pode ser utilizado para um estudo mais amplo da correlao entre as
mltiplas variveis existentes em um fenmeno sem previamente restringir o nmero de
variveis a serem analisadas (COSTA e NETO, 2007, HONKELA, 2007). Esses mapas
permitem uma visualizao rpida e ampla de determinadas correlaes existentes neste
banco de dados, e tm sido empregados nas mais diversas reas de pesquisa.
No campo da Inteligncia Artificial (IA), esta tcnica pode ser utilizada em conjunto com
outras que possibilitem a automatizao de procedimentos de busca e minerao dos
dados. Esta integrao de diferentes tcnicas de IA e a implementao de uma estratgia de
prospeco que represente o conhecimento do especialista constitui a chamada
implementao de heurstica.
O desenvolvimento de metodologias de IA que incluam ou se comparem s anlisestradicionais so justificadas pela necessidade da manuteno de caractersticas do banco de
dados original (caso contrrio, pode ocorrer alterao do comportamento do processo,
induo gerao de modelos corrompidos, por exemplo). Com o objetivo de obter
padres at ento desconhecidos, relativos ao comportamento da qualidade da gua, assim
como da varincia relativa ao tempo (COSTA e NETTO, 2007). Em alguns trabalhos
recentes tem sido realizada uma comparao sistemtica entre diferentes tcnicas de
anlise multidimensional, incluindo o SOM, envolvendo grandes conjuntos de dados deindicadores qumicos da qualidade da gua (ASTEL et,al., 2007). Esses trabalhos tem
apresentado aplicaes na avaliao da qualidade da gua, quer seja em sistemas naturais
como rios ou associados a algum processo de alterao das caractersticas da gua. Em,
2008 Kalteh et al., apresentaram um trabalho em que fazem uma reviso da aplicao do
SOM em guas. Os autores reforam a idia de que o SOM, visto como uma rede neural,
pode ser aplicado para a obteno de agrupamentos (clustering), classificao, estimao,
predio e minerao de dados (data mining) visando o reconhecimento de sinais
organizao de grande quantidade de dados, monitoramento e anlise de processos,
modelamento assim como o tratamento das variveis ambientais. Eles ressaltam a
-
7/23/2019 2011AffonsoMapas
16/89
3
indicao que os vrios estudos sugerem que o SOM pode superar muitos outros mtodos
aplicados em hidrologia.
Este trabalho se insere neste contexto de desenvolvimento de tecnologias de prospeco de
dados e busca contribuir no desenvolvimento de metodologias de anlise de qualidade da
gua atravs da aplicao do SOM a um conjunto de matrizes ambientais com o auxlio de
algumas ferramentas estatsticas.
1.2 OBJETIVOS
Propor uma metodologia utilizando mapas auto organizveis de Kohonen (SOM), para aanlise multidimensional de uma base de dados composta por valores de parmetros fsico-
qumicos da qualidade da gua destinada ao consumo humano (domstico, industrial e
rural) oriunda de pontos de coleta das unidades de gerenciamento de recursos hdricos de
diversas regies do estado deSo Paulo.
Objetivos Especficos
Demonstrar o potencial da aplicao dos mapas auto-organizveis de Kohonen em base de
dados de qualidade da gua;
Analisar as correlaes entre os parmetros oriundos de anlises ambientais visando
identificar potenciais correlaes.
Identificar e avaliar as limitaes desta tecnologia;
Estabelecer um procedimento bsico para futuras aplicaes.
-
7/23/2019 2011AffonsoMapas
17/89
4
2. REVISO DE LITERUTURA
2.1 Conceitos sobre anlise estatstica multivariada.
A estatstica multivariada consiste em um conjunto de mtodos estatsticos utilizados em
situaes nas quais vrias variveis so medidas simultaneamente, em cada elemento
amostral. Em geral as variveis so correlacionadas entre si e quanto maior o nmero de
variveis, mais complexa torna-se a anlise por mtodos comuns de estatstica univariada.
Embora historicamente o uso dos mtodos multivariados esteja em trabalhos na psicologia,
cincias sociais e biolgicas, mais recentemente eles tm sido aplicados em um grandeuniverso de reas diferentes como: educao, geologia, qumica, fsica, engenharia, etc.
Esta expanso na aplicao dessas tcnicas somente foi possvel graas ao grande avano
da tecnologia e ao grande numero de softwares estatsticos com mdulos de anlise
multivariada. Trabalhos realizados no Centro de Qumica e Meio Ambiente
(CQMA/IPEN), (COTRIM, 2006; REIS, 2006; MARQUES, 2005; LEMES, 2001)
utilizando a estatstica multivariada demonstraram a aplicabilidade da ferramenta na
anlise de dados ambientais gerados de naturezas diversas (gua bruta e final, sedimento,iodo, entre outros).
H duas principais tcnicas citados na literatura: - um grupo de tcnicas exploratrias de
sintetizao (ou simplificao) da estrutura de variabilidade dos dados e um grupo de
tcnicas de inferncia estatstica. Dentro do grupo de tcnicas exploratrias podem-se
destacar a anlise de componentes principais, a anlise de correlaes cannicas, a anlise
de agrupamentos, a anlise discriminante de correspondncia (MINGOTI, 2005).Do grupo de tcnicas de inferncia estatstica se destacam os mtodos de estimao de
parmetros, testes de hipteses, anlise de varincia, covarincia e de regresso
multivariada.
De acordo com Echalar, 1991, uma base de dados multivariada pode ser interpretada como
uma descrio das variabilidades em um sistema por meio das sries temporais das
variveis medidas.
-
7/23/2019 2011AffonsoMapas
18/89
5
A anlise de componentes principais tem como principal aplicao a mensurao do grau
de interrelaes existentes entre as variveis envolvidas no processo, e isto pode ser
observado na repetitividade de certa caracterstica em uma srie temporal denotando que
talvez essa informao derive de fatores subjacentes que causem a variabilidade.
Na anlise de fatores principais, busca-se substituir a descrio dessa variabilidade de
variveis medidas por outra com um menor nmero de variveis, independentes,
combinaes lineares que representem esses fatores causais, no explcitos da variabilidade
medida.
2.2 mtodos multivariados e SOM.
Um conjunto importante de aplicaes do SOM em anlise de qualidade da gua tem sido
publicadas em anos recentes, demonstrando o interesse internacional na qualificao de
novos mtodos de anlise que utilizam, em primeira instncia, os novos recursos de clculo
e de interatividade disponibilizados pelo crescente avano dos computadores nas ltimas
dcadas.
Algumas revises importantes foram publicadas bem recentemente analisando osdiferentes mtodos de anlise multidimensional da qualidade da gua tanto em seus
aspectos espaciais como temporais (Bierman et. al., 2011, Crghino e Park, 2009, Kalteh
et. al, 2008). Os trabalhos analisados e citados por estas revises recentes ressaltam o
potencial apresentado pelo SOM no estudo da qualidade da gua na visualizao e
explorao de relaes lineares e no-lineares de dados multidimensionais, consideradas
como ferramentas comprovadamente teis na avaliao da qualidade da gua (Crghino e
Park, 2009).
Entre os diversos mtodos multivariados disponveis para anlise de tendncias e padres
espaciais e temporais em dados de qualidade da gua foram comparadas tcnicas como
Anlise de Cluster, Anlise Discriminante, Anlise Fatorial e Anlise de Componentes
Principais (Bierman et. al., 2011). Muitos destes mtodos estatsticos so utilizados em
dados de amostras pontuais e so estendidos para dados adquiridos remotamente por
sensoriamento e imageamento. Bierman et. al (2011) afirmam que o SOM, o
Semivariograma e a Regresso Pesada Geograficamente (Geographically Weghted
-
7/23/2019 2011AffonsoMapas
19/89
6
Regression(GWR)) so mais apropriados para a anlise e representao espacial dos dados
relativos qualidade da gua.
Originalmente criada por Kohonen (1981a,b), o SOM foi inicialmente aplicado para
reconhecimento de fala. Em 1996, foi aplicado pela primeira vez no estudo da gua (Chon
et al., 1996) por meio do estudo de comunidades-padro de bentos em correntes de gua e
desde ento tem sido aplicado com freqncia em diversos estudos relacionados dados
ambientais multidimensionais.
Tison et al., 2004 classificou dados biolgicos e ambientais baseado na aplicao do SOM
em diatomceas (algas biolgicas).
Num trabalho mais direcionado, Mustonen et al., 2008, apresentaram uma avaliao da
qualidade da gua em uma estao piloto de tratamento de gua utilizando uma abordagem
com mtodos multivariados de explorao de dados com o SOM. Os 7 parmetros que os
autores monitoram foram pH, alcalinidade, dureza, DQO, cloreto, sulfato e ferro.
A utilizao concomitante da anlise multivariada com a anlise de componentes
principais (Principal Components Analysis, PCA) e da anlise com as redes neurais deKohonen pode possibilitar a comprovao e o desenvolvimento de modelos e metodologias
que possibilitem uma melhora significativa deste tipo de estudo. Tobiszewski et. al., 2010
se mostram otimistas quanto aos resultados obtidos pela utilizao da associao do SOM
com um algoritmo especialista. Astel et. al., 2007 j havia feito uma comparao entre a
aplicao de SOM para classificao de conjuntos de dados muito grandes com as anlise
tradicionais como Anlise de Agrupamentos (cluster analysis) e PCA.
Alguns estudos relacionados ao enfoque deste projeto foram publicados recentemente. A
anlise de uma planta de tratamento de guas residuais municipais usando o SOM, em um
estudo das complexas relaes existentes entre as variveis do processo da planta de
tratamento de guas residuais, foi publicado por Hong et. al., em 2002.
Os SOM tambm foram utilizados recentemente por Garcia e Gozalez, 2004, para estudo
do tratamento e monitoramento de guas residuais, em que se propem o desenvolvimento
de tcnicas de superviso para uma planta de tratamento de guas residuais.
-
7/23/2019 2011AffonsoMapas
20/89
7
O modelamento de uma planta de tratamento de gua residual municipal foi feito com
algoritmos evolucionrios autoorganizveis por Hong e Bhamidimarri em 2003.
A avaliao do desempenho da remoo dos metais pesados em um experimento
construdo em zonas midas foi feita com a aplicao de mapas auto-organizveis para
elucidar os mecanismos da remoo do metal pesado e para predizer as concentraes,
desenvolvido por Lee e Scholz em 2006.
A avaliao da sada de uma Estao de Tratamento de gua (ETA), em um rio no
Mediterrneo usando uma rede neural KSOM e a modelagem de balano de massa foi
publicado por Llorens et.al., em 2008, na qual propem a avaliao da ferramenta KSOM
para auxiliar no controle de quantidade da gua e como ferramenta de superviso.
Algumas outras aplicaes recentes do SOM na anlise da qualidade da gua, utilizando
comunidades macro invertebradas tem sido objeto de publicaes recentes em biologia
(SONG et. al., 2007; LEK e GIRAUDEL, 2001).
Notase em um conjunto crescente de pesquisadores de dados ambientais e da qualidade
da gua o uso de ferramentas mais sofisticadas e iterativas para a obteno de quadros decorrelao entre as variveis, determinao das variveis mais importantes e determinantes
e a conseqente possibilidade de obteno de novos e melhores ndices de avaliao da
qualidade ambiental. A viso da necessidade do desenvolvimento deste campo de pesquisa
enfatizada por Crghino e Park, 2009, reconhecendo um certo atraso da aplicao de
redes neurais artificiais no campo da pesquisa em pesquisa da gua e seus aspectos
biolgicos e qumicos, estimulando que mais estudos de caso e trabalhos sejam coletados.
-
7/23/2019 2011AffonsoMapas
21/89
8
3. FUNDAMENTAO TERICA
3.1 Redes Neurais.
Estudos na rea de neurofisiologia no ltimo sculo estimularam cientistas de diversas
reas na compreenso dos processos da mente humana e at mesmo, mimetiz-los no
formato de algoritmos. Este campo de estudo e desenvolvimento, muitas vezes descrito
como inteligncia artificial, gerou verses do neurnio biolgico que serviram como base
de desenvolvimento de diversas tcnicas conhecidas como redes artificiais (BUENO,
2006).
A rede neural artificial (RNA) um sistema computacional constitudo, por um conjunto
de unidades de processamento individuais (chamadas de neurnio artificial)
interconectados entre si com pesos que podem ser modificados de acordo com os
parmetros de qualidade que avaliam a proximidade entre a resposta desejada e a obtida.
Resumidamente o neurnio artificial, possui entradas semelhantes aos dendritos do
neurnio biolgico, captando as informaes provenientes do meio externo (figura 1), e
sadas resultantes semelhantes ao axnio.
A funo interna tambm semelhante ao soma do neurnio biolgico, desempenha a
funo de transformar a informao de entrada em uma nova informao.
A RNA tem a capacidade de aprender medida que os pesos das interconexes entre os
neurnios so ajustados conforme a sada desejada. Assim, uma RNA pode ser utilizada na
simulao e obteno de desempenhos e funes semelhantes as do crebro humano emrelao cognio e aprendizado.
3.1.1 Modelo biolgico
Na constituio do sistema nervoso biolgico, o neurnio pode ser definido como clula
nervosa altamente especializada ou como as unidades de vias de conduo de estmulo
nervoso, estimando-se que os seres humanos possuam a quantidade de bilhes de clulas
nervosas interconectadas entre si.
-
7/23/2019 2011AffonsoMapas
22/89
9
Dos neurnios existentes, propemse uma diviso em seus chamados constituintes
bsicos: o corpo celular, os dendritos e o axnio.
Na captao dos sinais externos transmitidos na forma de impulsos por meio dos dentritos
(canais de interconexo) h o processamento interno no corpo celular ou tambm chamado
soma para a gerao de novas informaes. A interface interneural ocorre por meio de
reaes qumicas e em regies especficas que realizam a comunicao, denominadas de
sinapses.
Em uma cadeia neural, a propagao dos estmulos nervosos percebidos pelos dentritos
realizada por meio do filamento central como observado na figura 1 denominado deaxnio, o qual os conduz at os dentritos na terminao.
A comunicao entre neurnios realizada por meio dos canais localizados no terminal
axnico ou terminal de transmisso por filamentos sensveis que desempenham a funo de
canais transmissores dos estmulos nervosos a outros neurnios, como mostrado na figura
1.
FIGURA 1 Modelo esquemtico do neurnio biolgico. (BADIN, 2011).
Entre as terminaes axnicas dos neurnios e os dendritos h as regies de contato
denominadas sinapses. A transmisso sinptica pode ser explicada por meio do principio
da propagao do influxo nervoso como um processo excitatrio por meio da liberao de
-
7/23/2019 2011AffonsoMapas
23/89
10
substncias que estimulariam outros neurnios quando o impulso percebido pelo
neurnio (RANSON, 1945).
3.1.2 Breve Histrico das RNA
Entre os mtodos de redes neurais artificiais desenvolvidos inicialmente, um dos mais
citados e que pode ser considerado originrio de vrios outros modelos posteriores, o
modelo tpico proposto por McMulloch e Pitts em 1943. Este modelo constitudo por um
dispositivo com uma sada binria e entradas com ganhos arbitrrios, podendo ser
excitatrios ou inibitrios. Na Figura 2, mostrado um esquema de um neurnio artificial
tpico.
FIGURA 2 - Modelo esquemtico do neurnio artificial (BUENO, 2006)
Onde: X1, X2,...Xnso os sinais de entrada.
Wk so os pesos sinpticos do neurnio k.
uK o integrador linear de sada devido aos sinais de entrada.
b o bias e y o sinal de sada do neurnio.
O neurnio k pode ser descrito por meio das equaes 1 e 2.
=
+=
p
j
kjkjk bxwU1
(1)
X
X
X
(uK)
W
W
W
b
Limiar
u y
Sada
FunoAtivao
-
7/23/2019 2011AffonsoMapas
24/89
11
)( kk uy = (2)
Onde x1,x2,...xpso os sinais de entrada; wk1,wk2,...wkpso pesos sinpticos do neurnio k;
uk o integrador linear de sada devido aos sinais de entrada, bk o bias; (.) a funo de
ativao; e yk o sinal de sada do neurnio. O bias tm a funo acrescer uma tendncia
sada ukdo combinador linear do neurnio.
No final da dcada de 1950, o projeto do Perceptron foi desenvolvido por Frank Rosenblatt
na Universidade de Cornell, a partir dos estudos de McCulloch. Utilizando a proposta do
algoritmo de treinamento da rede baseado no estudo do bilogo Donald Hebb de 1949, que
usava o ajuste gradual dos pesos de um discriminador linear. Este projeto utilizava
neurnios com pesos ajustveis para a classificao de padres linearmente separveis,
inicialmente com 400 clulas fotoeltricas, e uma arquitetura que consistia de uma camada
de neurnios de entrada. A rede era treinada para fornecer sadas de acordo com os dados
do conjunto de treinamento, para padres vetoriais linearmente separveis.
Esquematicamente o perceptron de uma nica camada pode ser representado conforme afigura 3.
FIGURA 3 - Exemplo ilustrativo do Perceptron de Rosenblatt.
Camada de inputs ou deentradas vetorias.
Sadas
Camadasimples comum neurnio
-
7/23/2019 2011AffonsoMapas
25/89
12
Em 1960 Bernard Widrow e Ted Hoff, desenvolveram um modelo neural linear
denominado Adaline (Adaptive Linear Element) ou elemento linear adaptativo, e em 1962
a composio de uma rede com mltiplos elementos adaptativos, denominada Madaline
(Multiple Adaline) constituda. Eles tambm desenvolveram um algoritmo de
aprendizado baseado no conceito de minimizao do desvio quadrtico mdio (Least Mean
Square Algorithm LMS), tambm conhecido como regra delta ou mtodo do gradiente
decrescente para a minimizao do erro. (ROSSI, 2001)
Em 1969, Minsky e Papert publicam o livro intitulado Perceptrons no qual h a restrio a
problemas elementares como o ou Exclusivo e o seu complemento, limitando o teorema
desenvolvido por Rosenblatt a classe de problemas linearmente separveis, no modelo da
figura 4 h exemplos ilustram as classes de limitao citadas.
FIGURA 4 Exemplos de classes linearmente separveis e inseparveis do algoritmodiscriminante. (FILHO, 1998)
Na dcada de 70 e inicio dos anos 80 houve uma diminuio na pesquisa e produo
cientfica sobre redes neurais, entretanto apesar de pouca atividade de pesquisas, neste
perodo alguns trabalhos tiveram um considervel destaque. Como os estudos apresentados
por Stephen Grossberg, que baseado em trabalhos sobre o aprendizado competitivo em
1987 junto com Carpenter, estabeleceram os princpios para uma nova classe de redes
neurais denominadas de ART ouAdaptive Ressonance Theory.
Soluo
X1
X2
Soluo
X1
X2Sem soluo
X1
X2
-
7/23/2019 2011AffonsoMapas
26/89
13
Antes do modelo proposto por Stephen Grossberg haviam publicaes de modelos como o
propostos por James Anderson baseados em modelos biolgicos da memria e de
reconhecimento em 1968.
Em 1982 Hopfield utilizou a idia de uma funo de energia para um novo modo de
funcionamento das redes recorrentes com conexes sinpticas simtricas, onde os
elementos so ligados buscando o aprendizado com um mnimo de energia, tendo como
dados de origem as Redes de Hopfield. No mesmo ano, Teuvo Kohonen desenvolve o
conceito das redes auto-organizveis na qual utiliza algoritmos competitivos.
Com o desenvolvimento de modelos de memrias associativas, utilizando o conceito de
aprendizado competitivo, nos quais as unidades competem para responder a determinada
entrada e o elemento vencedor tem os pesos de sua entrada modificados, convergindo para
responder com mais fora a valores prximos do desejado.
Somente em 1986 houve reinicio, das atividades de desenvolvimento das redes neurais
artificiais, com o desenvolvimento do algoritmo de retropropagao (backpropagation) porRumelhart, Hinton e Williams, embora este algoritmo j tivesse sido proposto
anteriormente em 1974 por Werbos em sua tese de doutorado, por Parker e LeCun em
1985. Com a publicao do livro intitulado Parallel Distributed Processing Explorations
in the Microstructures of Cognition, editado por Rumelhart e McClelland, o qual
apresentava o progresso das redes neurais ressurgiu o grande interesse pela tcnica.
3.1.3 O Multi-Layer Perceptron
O Multilayer Perceptron (MLP), ou rede de multicamadas MLP, uma sofisticao do
modelo original do Perceptron com a ampliao do nmero de camadas interconectadas, e
ampliou o espectro de problemas de classificao que podem ser resolvidas pela rede.
Uma MPL pode ser definida como uma rede interconectada (conexes sinpticas) de
neurnios disposta em neurnios de entrada (receptores do meio externo), neurnios da
camada interna ou unidades de processamento ocultas (hidden) e neurnios de sada.
(JUNIOR, 2005)
-
7/23/2019 2011AffonsoMapas
27/89
14
Na camada de neurnios de entrada, os vetores (dados) so recebidos e armazenados,
dependendo da arquitetura da rede. Na camada mais interna entre a camada de neurnios
de entrada e de sada pode haver uma camada intermediria, tambm chamada de oculta. A
camada de sada tem a funo de armazenar as respostas obtidas pela rede. O nmero de
neurnios nessa camada corresponde ao tamanho do vetor de sada. (BUENO, 2006,
FILHO, 1998). Na figura 5 apresentada uma ilustrao de um exemplo de arquitetura de
rede MPL.
FIGURA 5 - Rede neural MPL.
Este tipo de rede neural exemplifica como as RNAs procuram explorar os princpios
adotados pelo crebro humano, apresentando um processamento altamente paralelo em sua
estrutura, alm de uma capacidade de generalizar o aprendizado, obtendo respostas mais
abrangentes do que os dados apresentados durante o treinamento. Estes dois aspectos
fazem com que as redes neurais sejam capazes de solucionar problemas altamente
complexos e no-lineares.
3.1.4 Algoritmos de Aprendizagem e Treinamento
Conceitualmente, a aprendizagem da rede neural pode ser definida como um processo
adaptativo mediante a resposta aos estmulos externos rede apresentados durante a fase
de treinamento. Quando as respostas desejadas aos dados de entrada so conhecidas, o
processo de aprendizagem chamado de supervisionado, pois so apresentadas rede
simultaneamente as entradas e as sadas desejadas para que ela se auto-configure atravs da
atualizao de seus pesos. Esta atualizao feita principalmente por um algoritmo
Camada deentrada
Camadaexterna
Camada desada
-
7/23/2019 2011AffonsoMapas
28/89
15
chamado de retro-propagao (back-propagation), que propaga para toda a rede o erro
medido entre a resposta obtida e a resposta desejada (meta) da rede em questo. Devido
variedade de algoritmos existentes para o treinamento de redes, so citados alguns dos
algoritmos mais comuns encontrados na literatura em uma breve apresentao dos
algoritmos de aprendizagem h a definio de classes conforme o emprego de cada regra.
3.1.4.1 Regra de correo de erro
Consistem no processo de modificao dos pesos em funo direta das sadas. estimado
por meio do clculo da diferena entre a sada real gerada e a sada desejada, fornecida em
um ensino supervisionado, matematicamente o princpio (LNCC, 2011) pode ser expressocomo na equao 3:
kkk yde = (3)
Onde para um estmulo k,
e = sinal de erro;
d = sada desejada apresentada durante o treinamento;
y = sada real da rede aps a apresentao do estmulo de entrada.
3.1.4.2 Regra de gradiente descendente
Esta regra constitui-se de um processo de alterao dos pesos (w i), onde ocorre aminimizao do erro pelo mtodo do mnimo erro mdio quadrtico, e pode ser expressa
pela equao 4:
=2)(2
1)( poi xxwE (4)
Onde xo o valor observado e xp o valor previsto.
-
7/23/2019 2011AffonsoMapas
29/89
16
3.1.5 Mapas Auto Organizveis
Os mapas autoorganizveis inicialmente inspirados no crtex cerebral humano, consistem
em uma rede neural que gera como sada representaes bidimensionais (mapas) de banco
de dados de alta dimensionalidade.
Desenvolvidos por Teuvo Kohonen (KOHONEN, 1981a,b), estes algoritmos podem
analisar dados por agrupamentos com o objetivo de descobrir estruturas e padres
multidimensionais. Tambm pode ser considerada uma rede neural com aprendizado no
supervisionado e competitiva, pois no necessita de um vetor de sada conhecido como
vetor alvo (MESQUITA, 2002).
Estes mapas foram consolidados como redes neurais por Kohonen em conferncia e artigos
no comeo da dcada de 1980. Os mapas autoorganizveis podem ser definidos como
sendo redes neurais competitivas com um alto grau de interconexo entre seus neurnios e
que so aptas a formar mapeamentos preservando a topologia entre os espaos de entrada e
de sada. Podem ser aplicados para problemas no lineares de alta dimensionalidade, tais
como: extrao de caractersticas e classificao de imagens e padres acsticos, controleadaptativo de robs, equalizao, demodulao e transmisso de sinais assim como em
aplicaes nas reas de estatstica, processamento de sinais, qumica e medicina.
Com base no aprendizado competitivo, os neurnios de sada desta rede competem entre si
para serem ativados com o resultado de que apenas um neurnio de sada (ou um neurnio
por grupo) ser ativado em cada iterao. Um neurnio de sada que vence tal competio
chamado neurnio vencedor (winner-takes-all neuron). Uma maneira de induzir tal tipode competio entre os neurnios de sada usar conexes inibitrias laterais entre eles (ou
seja, caminhos de realimentao negativa), idia originalmente proposta por Rosenblat em
1958.
Os neurnios em uma rede SOM so posteriormente ordenados e apresentados em grficos
gradeados (trelia ou lattice), normalmente mono ou bi-dimensionais. Mapas de dimenses
maiores so tambm possveis, porm mais raros. Os neurnios se tornam seletivamente
ajustados a vrios estmulos (padres de entrada) ou classes de padres de entrada ao
longo de um processo competitivo de aprendizado. A localizao destes neurnios (que so
-
7/23/2019 2011AffonsoMapas
30/89
17
os neurnios vencedores) se torna ordenada entre si de tal forma que um sistema de
coordenadas significativo criado na trelia, para diferentes caractersticas de entrada.
O SOM , portanto, caracterizado pela formao de um mapa topogrfico dos padres de
entrada, no qual as localizaes espaciais (ou coordenadas) dos neurnios na trelia so
indicativas de caractersticas estatsticas (implcitas) contidas nos padres de entrada.
Como modelo neural, as redes SOM, conceitualmente, podem ser definidas como uma
conexo entre a adaptao dos neurnios e padres de seletividade de caractersticas.
Sendo consideradas tambm como uma generalizao no linear da heurstica para anlise
de componentes principais (MESQUITA, 2002).
O funcionamento de um SOM pode ser compreendido em etapas distintas, a etapa
competitiva na qual se define o neurnio mais adequado (Best Matching Unit). A escolha
da melhor correspondncia entre o vetor de entrada e o vetor peso feita por meio do
critrio da menor distncia (euclidiana) entre o vetor de pesos por ela armazenado e o vetor
de entrada, matematicamente expresso pela equao 5.
jwxxi = minarg)( j = 1,2,...n (5)
Onde i(x) a representao do neurnio da entrada x, e wj o vetor peso;
Entre as funes de distncias utilizadas para quantificar a semelhana entre os vetores da
rede e, portanto, o quanto eles se aproximam do vetor de dados apresentado, uma das mais
empregadas a distncia Euclideana (DE ), definida pela equao 6.
21
222
211 )(...)()( nnE yxyxyxD +++= (6)
Onde xn so as coordenadas dos vetores de entrada e yn so as coordenas dos vetores-
prottipo (pesos das redes auto-organizveis).
Outros tipos de distncias que podem ser citadas a similaridade mtrica de Minkowski, e
distncia de Manhattan respectivamente, representadas pelas equaes 7 e 8.
-
7/23/2019 2011AffonsoMapas
31/89
18
p
n
k
p
kkMinkowski yxD = = 0 (7)
Distncia mtrica de Minkowski, citada como uma generalizao da mtrica euclidiana emaplicaes na rea de psicologia.
= YXDManhattan (8)
Distncia de Manhattan.
Na etapa cooperativa, so definidos os vizinhos dentro de uma distncia obtida a partir da
BMU (Best Matching Unit) obtida na primeira etapa, competitiva. Sumariamente o
processo de treinamento da rede, consiste na otimizao da distncia entre os neurnios.
Na minimizao das distncias definida a vizinhana topolgica por meio da
interatividade entre os neurnios (um neurnio ativado tende a excitar os neurnios em sua
vizinhana imediata). Cada atribuio de novos valores e distncias abrangendo toda a
rede chamada de poca. Pela repetio da adaptao de pesos (vetores-prottipo) possvel determinar o melhor nmero de pocas de treinamento para cada matriz, o que
constitui a etapa adaptativa. Os neurnios nessa vizinhana so atualizados a cada iterao.
FIGURA 6 - Representaes das Etapas Competitiva e Cooperativa de treinamento daSOM (VESANTO, 2009).
Na figura 6 so ilustradas a formao de vizinhana a partir do neurnio vencedor em
topologia hexagonal e retangular. Algumas opes de topologia podem ser vistas nasfigura 7 (triangular), figura 8 (quadrtica) e figura 9 (randmica).
-
7/23/2019 2011AffonsoMapas
32/89
19
FIGURA 7 Estrutura de SOM com topologia triangular (LCIS, 2011).
FIGURA 8 Estrutura de SOM com topologia quadrtica (LCIS, 2011).
FIGURA 9 Estrutura de SOM com topologia randmica (LCIS, 2011).
-
7/23/2019 2011AffonsoMapas
33/89
20
4. METODOLOGIA
No presente trabalho so aplicados os mapas auto-organizveis na anlise de dados fsico-
qumicos de guas que abastecem estaes de tratamento de gua da Sabesp relativas a
algumas unidades de gerenciamento hdrico do Estado de So Paulo.
Uma avaliao inicial das caractersticas desse conjunto de dados mostrou interessante
potencialidade na aplicao da ferramenta para a busca de padres de comportamento e
correlaes. Como estratgia, o banco de dados foi analisado visualmente em busca de
eventuais falhas ou defeitos na seqncia dos dados que pudessem dificultar a aplicao
da ferramenta. Essa avaliao discutida mais adiante.
4.1 Caractersticas dos parmetros fsico-qumicos
A despeito de existirem parmetros definidos em legislao (CONAMA,MS, 2005) para a
qualidade de gua distribuda para consumo humano, essa qualidade por si s e
independente de qualquer referncia legal, deve garantir a propriedade para o consumo.
Parmetros como concentrao de metais, de substncias orgnicas, caractersticasorganolpticas (sabor, odor e cor), acidez/basicidade, presena de coliformes
termotolerantes, constituem a maior parte do conjunto das referncias legais a serem
atendidas. Com a finalidade de tornar mais prtico e gil a avaliao da qualidade da gua,
alguns organismos de regulao e/ou controle adotam ndices de qualidade, considerando-
se somente uma frao desses parmetros. A Companhia Ambiental do Estado de So
Paulo, CETESB, (CETESB, 2008), por exemplo, adota os seguintes parmetros para
compor o ndice de qualidade de gua bruta para fins de abastecimento pblico, IAP:temperatura da gua, pH, oxignio dissolvido, demanda bioqumica de oxignio,
coliformes termotolerantes, nitrognio total, fsforo total, resduo total, turbidez, teste de
Ames genotoxicidade, potencial de formao de trihalometanos PFTHM, nmero de
clulas de cianobactrias, cdmio, chumbo, cromo total, mercrio, nquel, ferro, mangans,
alumnio, cobre e zinco. Esses parmetros apresentam itens comuns com os adotados pela
National Sanitation Foundation (NSF, 2008) e pela Comunidade Europia (Comunidade
Europia, 1998).
-
7/23/2019 2011AffonsoMapas
34/89
21
Embora a relao disponibilidade/demanda seja positiva em muitas regies do Estado de
So Paulo, no h como distribuir gua para consumo sem algum tipo de tratamento. As
estaes de tratamento de gua, ETA, realizam esse tratamento configurando as condies
das diversas etapas do processo em funo entre outras, das caractersticas da gua captada
(gua bruta) e da projeo da qualidade da gua final que dever atender legislao. Em
funo da forte correlao entre as caractersticas (rio, poo subterrneo, geomorfologia,
clima, entre outras) dos locais de captao e as caractersticas fsicoqumicas da gua
(COTRIM, 2006), cada ETA, em maior ou menor grau, apresenta uma identidade prpria
que define, ento, o melhor processo para tratamento da gua. A aquisio dos dados
inicialmente realizada por meio de relatrios pblicos disponibilizados pela CETESB,
(CETESB, 2001) os resultados so dispostos em formato de planilhas e expressos emvalores ou em estimativas, conforme tabela no anexo 1.
4.1.2 Organizao do Banco de Dados
Conceitualmente matrizes ambientais so colees de resultados multidimensionais
dinmicos de perfis comportamentais de constituintes de interesse legal. (CARVALHO,
2003).
Em anlises temporais, so comumente denotadas as dificuldades quanto variabilidade
dos processos, e mencionadas como um limitante e at gerador de incertezas para as
interpretaes.
No intuito de se suprir estas dificuldades atualmente empregada uma gama variada de
ferramentas matemticas e estatsticas propostas para manipulaes de dados com apreservao das informaes relevantes. No entanto h restries quanto interpretao
dos resultados devido natureza dos dados originais e incompatibilidades das ferramentas.
Os mapas auto organizveis consistem em tcnica RNA de reconhecimento de
correlaes e inter-relaes em bancos multidimensionais e mesmo sendo uma tcnica de
RNA tambm possui a restrio aos dados originais. No presente trabalho, h a imposio
de uma limitao lgica restringindo sobremaneira a manipulao e transformao dos
dados de interesse. Originalmente a obteno dos dados foi realizada para o atendimento a
um requisito legal (CONAMA 357 e atualizaes e Decreto Estadual 8468/76). So
-
7/23/2019 2011AffonsoMapas
35/89
22
resultados de anlises qumicas que, por conseguinte, so limitados tecnolgica, financeira
e operacionalmente. No processo de excluso dos valores do banco de dados original
proposto para o presente trabalho so apresentados os critrios adotados, admitindo-se que
por razes do comprometimento final da anlise, haja condies que garantam a qualidade
da integridade:
Descontinuidade da anlise ou alterao temporal do parmetro, gerando truncamento na
seqncia;
Grande quantidade de valores faltantes, originando em vazios de dados;
Grande quantidade de valores inferiores aos limites impostos pelas tcnicas analticas.
Resumidamente o modelo de controle da qualidade da gua adotado para o abastecimento
pblico, pode ser compreendido como a adaptao de processos para o atendimento de
critrios de interesse legal visando o estabelecimento de novos critrios, a anlise crtica e
desenvolvimento de novas metodologias. (COTRIM, 2006)
A CETESB realiza a monitorao do ndice de qualidade de gua atualmente em 22
Unidades de Gerenciamento de Recursos Hdricos (UGRH), em aproximadamente 136
pontos de coleta subdivididos conforme tabela 1.
-
7/23/2019 2011AffonsoMapas
36/89
23
TABELA 1 - Pontos de coleta com sua respectiva numerao.
UGRHI 01
UGRHI 02
MANTIQUEIRA
PARABA DO SUL
UGRHI 03 LITORAL NORTE
UGRHI 04 PARDO
UGRHI 05 PIRACICABA, CAPIVARI E JUNDIA
-Bacia do Rio Capivari.-Bacia do Rio Jundia.
-Bacia do Rio Piracicaba.
UGRHI 06 ALTO TIET
-Bacia do Rio Tiet Alto Cabeceiras.
-Bacia do Reservatrio Billings.-Bacia do Reservatrio Guarapiranga.
-Bacia do Rio Cotia.-Bacia do Rio Tiet Alto - Zona
Metropolitana.UGRHI 07 BAIXADA SANTISTA
UGRHI 08 SAPUCA/GRANDE
UGRHI 09 MOGI-GUAU
UGRHI 010 SOROCABA/MDIO TIET
Bacia do Rio Tiet Mdio-SuperiorBacia do Rio Sorocaba
UGRHI 011 RIBEIRA DE IGUAPE/LITORAL SUL
UGRHI 012 BAIXO PARDO/GRANDE
UGRHI 013 TIET/JACAR
UGRHI 014 ALTO PARANAPANEMA
UGRHI 015 TURVO/GRANDE
UGRHI 016 TIET/BATALHAUGRHI 017 MDIO PARANAPANEMA
UGRHI 018 SO JOS DOS DOURADOS
UGRHI 019 BAIXO TIET
UGRHI 020 AGUAPE
UGRHI 021 PEIXE
UGRHI 022 PONTAL DO PARANAPANEMA
Fonte: Relatrio CETESB 2001.
-
7/23/2019 2011AffonsoMapas
37/89
24
4.1.3 Caractersticas das Unidades de gerenciamento de Recursos hdricos
Para o presente trabalho foram utilizados dados pblicos de cinco unidades de
gerenciamento de recursos hdricos das regies de Mantiqueira, Paraba do Sul, Pardo,
Capivari e de Biritiba Mirim, no estado de So Paulo. Estes pontos foram selecionados
inicialmente sem a utilizao de critrios pr - estabelecidos.
A unidade de gerenciamento de recursos hdricos 01 (UGRH), da regio de Mantiqueira
est localizada a leste do estado de So Paulo, composta por 3 municpios e tem como
principais atividades: agricultura e industrial com proximidade a UGRH 02 da regio de
Paraba do Sul.
Na figura 10 so mostradas as localizaes da UGRH 01, e UGRH 02 de acordo com asdelimitaes da CETESB.
FIGURA 10 Mapa da Localizao geogrfica da UGRH 01, regio de Mantiqueira e
UGRH 02, regio de Paraba do Sul (CETESB, 2001).
-
7/23/2019 2011AffonsoMapas
38/89
25
A UGRH 04 est situada ao Norte do estado de So Paulo, composta por 23 municpios,
e tem como principais atividades o desenvolvimento agrcola e de segmentos industriais,
apresentada na figura 11.
FIGURA 11 Mapa da localizao geogrfica da UGRH 4 Rio Pardo (CETESB, 2001).
A UGRH 05 est localizada na regio metropolitana do estado So Paulo composta por
57 municpios e h nessa regio intensa atividade industrial, conforme os relatrios da
CETESB.
-
7/23/2019 2011AffonsoMapas
39/89
26
FIGURA 12 Mapa da localizao geogrfica da UGRH 05, regio de Piracicaba,Capivari e Jundia (CETESB,2001).
E a UGRH 06 de acordo com a subdiviso adotada pela CETESB das bacias hdricas, para
avaliao da qualidade da gua, a distribuio da UGRH est localizada na regio
metropolitana, composta por 34 municpios e intensa atividade industrial, como atividade
primria desenvolvida, como observado na figura 13.
-
7/23/2019 2011AffonsoMapas
40/89
27
FIGURA 13 Mapa da localizao geogrfica da UGRH 06, regio do Alto Tiet(CETESB, 2001).
Com a adoo de uma coleta de amostra bimensal em um perodo de 9 anos ao todo (2000
a 2008), portanto com um tamanho amostral 54 dias. Na anlise dos resultados das coletas
h informaes de 43 indicadores (parmetros fsicos, qumicos, hidrobiolgicos,
microbiolgicos e ecotoxicolgicos) utilizados segundo relatrios (CETESB, 2000).
A restrio do nmero de parmetros avaliados no presente trabalho est na capacidade de
correlao e de interpretao final dos resultados pelo analista e imposta como medida de
controle no desempenho da ferramenta.
Na tabela 2 est uma descrio sumaria dos aspetos de relevncia para o presente trabalho
dos parmetros, dispostos em grupos conforme a terminologia adotada pela CETESB.
-
7/23/2019 2011AffonsoMapas
41/89
28
TABELA 2 Descrio de parmetros.
I. Parmetros fsicos
(campo)
Descrio
Potencial hidrogeninico
(pH)
Temperatura do ar
Temperatura da gua
Turbidez
Condutividade
Grupo de parmetros de importncia para sustentabilidade
do meio aqutico e tambm utilizados em correlaes para
identificao de possveis fontes de contaminaes
antropogenicas (fontes de poluentes de origem humana).
* A condutividade em especfico uma expressonumrica da capacidade de conduo de corrente eltrica
na gua, e pode sofrer influncias das concentraes
inicas e da temperatura.
II. Parmetros qumicos Descrio
OD
DBODQO
Para controle de processos em sistemas aquticos naturais e
de uso em estaes de tratamento para o estabelecimentode condies mnimas para a manuteno do meio
aqutico.
III. Compostos inorgnicos Descrio
Cloreto
Fenis
FsforoMangans
NKT
Nitrognio Kjeldahl total
Indicadores de toxidez possuem relao com outros
parmetros tais como: pH, temperatura da gua e turbidez
so de interesse legal (tanto para avaliao como ocumprimento da legislao vigente), e em alguns casos
possuem associao com produtos oriundos de atividades
humanas (contaminante antropogenico). * Obs: o
nitrognio Kjeldahl total um parmetro obtido por meio
de cculo, pela soma das formas de nitrognio orgnico e
amoniacal, oriundos de atividades biolgicas naturais, e
utilizado na avaliao do nitrognio disponvel para as
atividades biolgicas
Fonte - COTRIM, 2006
-
7/23/2019 2011AffonsoMapas
42/89
29
A coleta em diferentes perodos realizada para a incluso de dados com diferenas
sazonais, (perodos de chuva e seca) com o objetivo da incorporao de um modelo real o
qual demonstra as alteraes dos dados por influencias externa.
A denominao perodos de seca e de chuva so classificaes adotadas conforme o ndice
de precipitao pluviomtrica (parmetro no utilizado) e das variaes de temperaturas e
so correlacionadas com as estaes do ano.
A variao dos resultados amostrais dos parmetros fsico-qumicos referentes s UGRHs
correspondentes apresentada no anexo B conforme os resultados das anlises fsico-qumicas mostradas em tabela no anexo A.
4.1.4 Implementao da Metodologia SOM.
O processo de implementao do sistema de anlise dos dados ambientais utilizando o
SOM realizado seguindo etapas de formatao e insero dos dados nas bases de
treinamento, conforme o diagrama apresentado na figura 14.
FIGURA 14 - Diagrama da formatao da base de dados.
Inicialmente a escolha das variveis que seriam utilizadas no estudo seguiu o critrio do
uso do maior nmero de variveis aptas a serem inseridas numericamente na rede SOM, de
forma a possibilitar a investigao do mais amplo espectro de possveis correlaes. A
-
7/23/2019 2011AffonsoMapas
43/89
30
formatao dos dados uma etapa fundamental e necessria para a correta utilizao da
ferramenta de anlise a ser utilizada: MATLAB (MATHWORKS, 2004),
Na organizao dos dados em formato de planilhas eletrnicas consideram-se o ponto de
coleta, data da anlise, e os parmetros fsico-qumicos que sero descritos adiante. Depois
de formatada a planilha transportada para o espao de trabalho do MATLAB por meio de
um plug-in (programa adicional ao Matlab) chamado de Excel Link que possibilita a
transformao da planilha em uma matriz multidimensional que pode ento ser manipulada
e trabalhada pelas funes do Matlab e pelo toolbox SomToolbox (SOM TOOLBOX,
2005). A partir deste conjunto de funes possvel escolher uma seqncia de comandos
que efetuaro as etapas necessrias ao treinamento da rede neural Som que gerar comosada o chamado Mapa de Prottipos ou Mapa de Kohonen. Este aplicativo adicional
(Excel Link) possibilita uma conexo gil e interativa entre os dois programas (Excel e
Matlab) de forma que se possa atualizar e fazer a anlise pretendida com matrizes
multidimensionais.
O SOM Toolbox possui uma interface visual que possibilita a escolha dos parmetros de
treinamento, incluindo o erro almejado. A rede neural ento treinada e aps a verificaodos parmetros de qualidade do treinamento, possvel a visualizao dos resultados
iniciais que podem ser avaliados de acordo com grficos gerados pelo prprio aplicativo,
onde se pode avaliar com grande agilidade o grau de interrelao entre as variveis
utilizadas.
A figura 15 apresenta um diagrama de blocos das etapas do procedimento executadas no
programa MATLAB com o recurso do SOM Toolbox.
-
7/23/2019 2011AffonsoMapas
44/89
31
FIGURA 15 - Procedimento realizado do transporte das variveis para a gerao de
resultados no SOM Toolbox.
4.1.5 Descrio do procedimento utilizado para o treinamento do SOM .
O procedimento do treinamento do SOM inicialmente realizado com o transporte e
transformao da planilha eletrnica previamente organizada em uma matriz bidimensional
no espao de trabalho do programa Matlab pelo Excel Link, como comentado na insero
dos dados. A partir de uma varivel gerada pertencente a uma classe do Matlab
denominada data struct que tem como funo o armazenamento da estrutura de
informaes presentes na planilha original. A varivel pode armazenar outras variveis
como, por exemplo: double", inteiro, string e outras, concatenadas por campos que
definem diferentes tipos de informao de interesse. O toolbox Somtoolbox tem funes
de treinamento que atuam diretamente sobre este tipo de varivel. Por meio do comando:
>>Smatrix = som_data_struct(matrix);
A matriz matrix importada pelo Excel Link para o espao de trabalho do Matlab
transformada em (Smatrix), varivel da classe estrutura e abriga em si campos de
informao apropriados (mesmo que inicialmente vazios), para a manipulao pela funo
de treinamento da rede presente no Somtoolbox. Na etapa de normalizao da matriz de
dados, etapa necessria otimizao do treinamento da rede, possibilitando com que o
algoritmo de treinamento convirja mais rapidamente e ao mesmo tempo, que a sada possa
-
7/23/2019 2011AffonsoMapas
45/89
32
ser apresentada visualmente se comparando a variabilidade proporcional da varivel, e no
seus valores absolutos. Assim, o comportamento da varincia dos parmetros que compe
a base de dados pretende ser graficamente estabelecido, possibilitando uma rpida
observao de correlaes importantes. O algoritmo de treinamento da rede neural
minimiza a distncia entre os vetores-prottipo existentes em cada clula de rede SOM.
Experimentalmente definido, o processo de normalizao de dados para a presente matriz
denominado logistic e adotado pelos critrios de menor erro de quantificao e de
menor erro topogrfico. Esta normalizao obtida com o seguinte comando:
>>Smatrix = som_normalize(Smatrix,logistic);
Onde a varivel Smatrix normalizada escalando todos os vetores para valores no
intervalo entre zero e um de acordo com a funo logistic definida por duas operaes
algortmicas (iterativas) definidas nas equaes 9 e 10.
)())((
antigoantigoantigo
escalado xxmdiax
x
= (9)
)exp(1(1
escaladonovo x
x+
= (10)
Aps a etapa de normalizao, inicia-se a identificao dos dados da matriz conforme os
parmetros fisico qumico e de abreviaturas que indiquem as regies e as informaes de
interesse como: regio e data de coleta, realizada pela modificao do campo label e
comp_names presentes na varivel estrutural Smatrix, por meio de comandos do tipo:
>>Smatrix.comp_names{1,1}=pH;
>>Smatrix.labels{1,1}=MANT1A;
Na compreenso das abreviaturas utilizadas na rotulagem dos vetores prottipos tomando
como exemplo, o elemento da matriz localizado na primeira linha e primeira coluna com o
rtulo MANT, referente ao ponto de coleta de Mantiqueira, 1, referente ao ano de2001 e a letra A referente ao primeiro ms de coleta. Sistema de nomenclatura o qual
-
7/23/2019 2011AffonsoMapas
46/89
33
adotado para a rpida visualizao dos agrupamentos por pontos de coleta, anos e meses,
que so os vetores de entrada com 13 ordenadas identificados pelos parmetros fsico
qumicos.
Nas opes disponveis de mtodos de inicializao dos prottipos no Somtoolbox, h a
inicializao randmica (aleatria) ou a inicializao linear. A opo entre os
mtodos pode ser usada para definio de parmetros tais como de qualidade do
treinamento como a velocidade. No treinamento da rede h duas opes de algoritmos
diferentes disponveis: o treinamento seqencial ou o treinamento em batelada. Sendo que
a opo de treinamento de rede seqencial recomendada para grandes matrizes ou que
ofeream alguma dificuldade de processamento pelo custo computacional necessrio. Nopresente projeto a escolha da inicializao foi randmica e com o treinamento dos dados
em batelada, devido s caractersticas da matriz de dados, que apesar de ampla no exigia
do algoritmo um tempo de treinamento muito prolongado que justificasse um treinamento
seqencial.
O treinamento tradicional de um SOM passa por duas etapas, uma primeira mais grosseira
denominada originalmente de rough onde um nmero inicial grande de raio devizinhana (neurnios vizinhos ao neurnio vencedor best match unit (BMU))
utilizado, modificando de uma s vez uma quantidade proporcionalmente alta dos
neurnios que compe a rede. Aps esta primeira etapa, segue-se a fase mais refinada
(finetuning)que utiliza um raio menor de vizinhana, modificando menos neurnios por
iterao. O treinamento da rede um processo contnuo de comparao entre os vetores-
prottipos de cada neurnio e os vetores-amostra que compe a base de dados. Esta
comparao utiliza diferentes definies de distncia entre os vetores, e a mais utilizada(default) a que utiliza a distncia euclidiana. Assim em iteraes sucessivas se encontra
o BMU e se modifica esta unidade e seus vizinhos de forma proporcional distncia
medida entre a a amostra e o prottipo. O comando bsico utilizado para iniciar o
treinamento :
>>Smatrixmap = som_make(Smatrix);
Utilizado com mais opes para alterar os modos e parmetros de treinamento na
verificao da qualidade do erro final de quantificao e do erro topogrfico, parmetros de
-
7/23/2019 2011AffonsoMapas
47/89
34
controle de qualidade da rede entre os parmetros existentes como definio do tamanho
da rede, especificao do nmero de pocas de treinamento e do treinamento das variveis
em batelada ou randmica, etc.
No relatrio do treinamento, so reportados os seguintes parmetros: tamanho do mapa
utilizado (dimenses da matriz de prottipos otimizada pelo algoritmo de acordo com o
tamanho da matriz de amostras e da variabilidade apresentada por ela), o nmero de pocas
de treinamento e o tempo de treinamento para cada fase de treinamento, rough e
finetune, o erro final de quantificao e o erro final topogrfico.
Ao final da etapa de treinamento da rede, na visualizao do mapa so apresentados osmapas resultantes por meio do comando:
>> som_show (Smatrixmap);
Com o qual so gerados 13 mapas dos chamados componentes planos e um mapa, auxiliar
da matriz de distncia dos prottipos presentes em cada neurnio. Este comando tem
muitas possibilidades de utilizao, ativando diferentes formas de apresentao dos mapasj treinados e presentes na varivel Smatrixmap. Pode-se visualizar desde as matrizes de
distncia vetorial representadas por umat, como tambm a seleo de variveis que se
deseje observar.
Entre as opes de visualizao e apresentao de resultados alm do comando descrito
acima pode se tambm, utilizar o comando para visualizao dos rtulos por distribuio
de freqncia:
>>som_show_add(label,Smatrixmap_freq):
Obtm-se a distribuio por freqncia, uma importante ferramenta para a rpida
visualizao do nmero de vetores presentes no mesmo grupo com seus referentes rtulos
e qual a freqncia por repetio no mapa, conforme exemplo na figura 34-a nos resultados
de mapa por distribuio por freqncia.
-
7/23/2019 2011AffonsoMapas
48/89
-
7/23/2019 2011AffonsoMapas
49/89
36
5.0 Resultados e Discusso
5.1 Apresentao dos resultados SOM
Na anlise dos mapas proposto um estudo comparativo do conjunto de mapas obtidos
aplicando ao mapa um algoritmo de agrupamento, para o reconhecimento do nmero de
clusters mais representativos presentes no mapa.
Na anlise dos dados, so empregadas diferentes estruturas de dados, em duas abordagensdistintas, inicialmente com uma matriz de 257 linhas agrupados em 13 parmetros
(ordenadas), com um total de 3341 elementos. E em uma abordagem posterior com uma
matriz de 257 linhas em 10 parmetros
Devido ao nmero de resultados para apresentao, no presente trabalho proposta uma
diviso em: Matrizes para estudo de similaridades entre pontos de coleta, Matrizes para
estudo de similaridades entre parmetros fisico-qumicos, e Grficos dos prottipos devetores no intuito de se proporcionar nas concluses um ordenamento.
5.2 Estudo de similaridades entre pontos de coleta.
Os prottipos de vetores de 13 ordenadas, (parmetros), inicializado randomicamente,
apesar de no se empregar pr-tratamento, os dados so normalizados, e treinados em 200
pocas. A escala de cores para visualizao dos clusters no mapa pode ser definida entreopes disponibilizadas no toolbox (LCIS, 2011).
O tamanho do mapa auto-organizvel definido por critrios pr-estabelecidos no
algoritmo, com relao com o tamanho do banco de dados de treinamento. Alguns
parmetros para treinamento como o estudo de variao dos mesmos para otimizao do
erro final de quantificao e erro final de topogrfico, (parmetros utilizados para controle
de qualidade da rede e dos resultados), so experimentais.
-
7/23/2019 2011AffonsoMapas
50/89
37
A rotulagem dos prottipos realizada conforme a base de treinamento, no presente
trabalho adotam se as iniciais de acordo com as regies de coleta, ano da coleta e meses.
Alm da matriz de dados uma matriz de rtulos e treinada.
Aps o treinamento, na figura 17, apresentado o mapa da matriz de distncia entre
vetores como um dos resultados principais com tabelas auxiliares de legendas 3 a 5, para as
concluses finais.
U-matrix
MA8F
RP5D
MA8B
MA7B
MA4A
MA1F
MA1C
MA3B
MA4F
MA3C
MA3F
RC4C
RP5C
RP4C
MA7C
BM1C
PB6C
PB3E
MA6D
MA2F
MA1B
RC1D
RP0D
RP3C
RP7D
PB0C
PB0D
PB3C
MA6E
MA2D
RC1C
RC0C
RC0D
RP0C
RP2D
PB6D
PB2C
PB4B
PB4A
MA1A
RC5C
RC1F
RC3D
RP0E
RP0A
RP0B
BM0B
PB6E
PB2A
PB3F
PB4D
BM5F
RC4E
RC5B
RC3E
RP0F
BM4F
RP2F
BM2A
PB8E
PB8B
PB3A
PB5A
RC3A
RC6D
RC1E
RP2E
RP3B
RP3F
BM0A
PB8D
PB6A
PB1B
PB0A
PB7F
RC0B
RC0A0.1
0.15
0.2
0.25
0.3
0.35
FIGURA 17 - Mapa da matriz de distncia entre vetores com os rtulos.
-
7/23/2019 2011AffonsoMapas
51/89
38
TABELA 3 - Legenda para as regies de coleta:
Regio de coleta Nome abreviado
Mantiqueira MA
Biritiba Mirim BM
Rio Capivari RC
Rio Paraba PB
Rio Pardo RP
TABELA 4 - Legenda para os meses de coleta
Meses
*(perodo compreendido entre meses) Letra
Janeiro - Fevereiro AMaro - Abril B
Maio - Junho C
Julho - Agosto D
Setembro - Outubro E
Novembro - Dezembro F
* Obs: Aos meses so atribudos perodos conforme a data de amostragem diferenciada.
-
7/23/2019 2011AffonsoMapas
52/89
39
TABELA 5 - Legenda para os anos
Anos Inicial abreviada
2000 0
2001 1
2002 2
2003 3
2004 4
2005 5
2006 6
2007 7
2008 8
Do mapa da matriz da figura 17 so gerados como sadas 84 prottipos de vetores em uma
topologia hexagonal de 7 colunas por 12 linhas, com o perfil mdio dos pontos de coleta(prottipo de vetor gerado a partir dos dados de entrada).
Os erros de quantificao e topolgico obtidos experimentalmente so de 0.330 e 0.012
respectivamente (menores ndices apontados com o uso da funo de normalizao
logistic.)
Entre as opes de visualizao de resultado h a opo da apresentao dos componentesplanos juntamente com a matriz de distncia vetorial, nessa opo, os prottipos de vetores
podem ser visualizados individualmente conforme os parmetros, como apresentado na
figura 18.
-
7/23/2019 2011AffonsoMapas
53/89
40
U-matrix
0.0891
0.232
0.376PH
d
6.36
6.77
7.18TAGUA
d
16
20.9
25.8TAR
d
18.3
24.2
29.8
CL
d
3.23
10.3
19.7COND
d
52
124
222DBO
d
2.03
4.52
7.27DQO
d
14.3
32.8
49.5
FEN
d
0.00104
0.00234
0.00363P
d
0.054
0.241
0.457
MN
d
0.0332
0.125
0.24NKT
d
0.368
1.61
2.87
OD
d
3.86
5.89
7.74
SOM 31-Mar-2011
Turbidez
d
7.9
59.5
117
FIGURA 18 - Componentes planos gerados a partir da grande matriz.
Como pode ser observado na figura 18, no campo dos ttulos os nomes dos parmetros
fsico-qumicos so substitudos por iniciais abreviadas de acordo com a (tabela 6 Legenda
dos parmetros fsico-qumicos).
-
7/23/2019 2011AffonsoMapas
54/89
41
TABELA 6 Legenda de parmetros fsico qumicos
Lista de Parmetros fsico qumicos.
PH = Potencial hidrogenionico,
TAGUA = Temperatura da gua,
TAR = Temperatura do ar,
CL = Cloreto,
COND = Condutividade,
DBO = Demanda bioqumica de oxignio
DQO = Demanda qumica de oxignio,
FEN = Fenis,
P = Fsforo,
MN = Mangans,
NKT = Nitrognio Kjeldahl Total,
OD = Oxignio dissolvido
A escala de gradao (barra lateral) na figura 18, de cada mapa mostra a variao de cadaparmetro (no normalizado) de acordo com a base de treinamento.
Alm da matriz de distncia vetorial em estudo, gerada a matriz universal (U-matriz)
para complementao da anlise dos agrupamentos. Neste mapa so escolhidos os rtulos
relativos s melhores correspondncias (BMUs) entre o vetor e o prottipo da clula
(neurnio) da matriz. Assim, o mapa das BMUs apresentado na figura 19.
-
7/23/2019 2011AffonsoMapas
55/89
42
FIGURA 19 - Mapa indicativo dos rtulos caractersticos (BMUs) dos pontos de coleta na
matriz principal.
No presente trabalho a definio do melhor nmero de clusters distintos para o
agrupamento obtido pela funo mtrica Davies-Bouldin, com a aplicao de um
algoritmo de clusterizao (k-means) ao mapa e utilizando o nmero otimizado. Pode-se
visualizar clusters delimitados conforme a figura 20 do mapa, com rotulagem sobreposta
para destaque dos agrupamentos. (DAVIES, 1979)
-
7/23/2019 2011AffonsoMapas
56/89
43
FIGURA 20 - Mapa com rotulagem sobreposta para destaque dos grupos
Na figura 20 pode-se observar os cinco grupos em destaque em diferentes cores, apenas
para diferenciao dos clusters e para determinao de suas respectivas delimitaes.
Na matriz alterada so excluidos trs parmetros da matriz original de dados (Fenis, DQO
e DBO) resultando em uma nova matriz com as seguintes dimenses: 257 linhas em 10
colunas (total de 2570 elementos), a nova base de dados treinada conservando-se os
mesmos parmetros do primeiro experimento.
Nas sadas so gerados 80 prottipos de vetores (ver figura 21-c) e aps treinada a rede o
erro final de quantificao de 0.254, e o erro final topogrfico de 0.012.
Os novos resultados da matriz de distncia vetorial so apresentados com uso de diferentes
recursos como na figura 21-a por distribuio por frequencia e por distribuio por votao
na figura 21-b.
-
7/23/2019 2011AffonsoMapas
57/89
44
SOM 19-Apr-2011
U-matrix
RP5DRP5D(1)
BIR0C(1)
BIR0D(1)
BIR1D(1)
BIR3D(1)
BIR3E(1)
BIR8C(1)BIR1E
BIR1E(1)
BIR4D(1)
MAN7D
MAN7D(1)
MAN8C(1)
BIR7D(1)MAN1C
MAN1C(1)
MAN1E(1)
MAN4D(1)
MAN5C(1)
MAN6C(1)
MAN7A(1)
MAN1F
MAN1F(1)
MAN3A(1)
MAN3B(1)
MAN4F(1)
MAN5A(1)
MAN5B(1)MAN6A(1)MAN2BMAN2B(1)
MAN8B(1)
MAN8F(1)MAN2E
MAN2E(1)
MAN3C(1)
MAN3D(1)
MAN3E(1)
MAN8D(1)MAN1D
MAN1D(1)
MAN3F(1)
MAN5D(1)
CAP4C
CAP4C(1)
CAP5C(1)
CAP7C(1)
CAP8C(1)
CAP8E(1)
BIR2C
BIR2C(1)
BIR2D(1)
BIR6C(1)
BIR8D(1)
RP4C
RP4C(1)
RP5C(1)
MAN4B
MAN4B(1)
MAN6D(1)
MAN6B
MAN6B(1)
MAN4C
MAN4C(1)
MAN1BMAN1B(1)
MAN5E(1)
MAN8A(1)
MAN4E
MAN4E(1)
MAN7E(1)
MAN7F(1)
MAN8E(1)
CAP2D
CAP2D(1)
CAP4D(1)
CAP6C(1)
CAP8D(1)
RP3D
RP3D(1)
RP4D(1)
BIR3C(1)
BIR7E(1)RP3E
RP3E(1)
RP7D(1)
RP8E(1)
BIR1C(1)
PAR6C
PAR6C(1)
BIR3F(1)
BIR4C(1)
MAN2A
MAN2A(1)
MAN2C(1)
MAN4A
MAN4A(1)
MAN7B(1)
BIR5D(1)
BIR5E(1)
BIR7C(1)MAN6E
MAN6E(1)
MAN2F
MAN2F(1)
MAN5F(1)
MAN6F(1)
CAP1C
CAP1C(1)
CAP2A(1)
CAP0C
CAP0C(1)
CAP1D(1)
CAP7D(1)CAP0D
CAP0D(1)
CAP3C(1)
CAP3D(1)
CAP4B(1)
CAP5D(1)
RP0CRP0C(1)
RP0D(1)
RP6C(1)
RP7C(1)
BIR2E(1)
BIR5C(1)
BIR6D(1)
BIR6E(1)PAR0D
PAR0D(1)
MAN7C(1)
RP3C
RP3C(1)
BIR6F
BIR6F(1)
PAR3D
PAR3D(1)
PAR3E(1)
PAR7D(1)
PAR5C
PAR5C(1)
BIR5F
BIR5F(1)
CAP8B
CAP8B(1)
CAP1F
CAP1F(1)
CAP2C(1)
CAP5B(1)
CAP6B(1)CAP3E
CAP3E(1)
CAP5A(1)
CAP5E(1)
CAP5F(1)
CAP6E(1)
CAP7E(1)
CAP8F(1)
RP0E
RP0E(1)
RP2C(1)
RP4F(1)
RP6D(1)
MAN2D(1)
BIR8E(1)RP2D
RP2D(1)
RP5F(1)
BIR8F(1)
PAR1C
PAR1C(1)
BIR4E(1)
BIR7F(1)
PAR2C
PAR2C(1)
PAR2D(1)
BIR3B(1)PAR3C
PAR3C(1)
PAR5B(1)
PAR6D(1)
PAR6E(1)
PAR7C(1)
PAR4A
PAR4A(1)
PAR4B(1)PAR4C(1)
PAR5E(1)
PAR5F(1)
PAR7E(1)
PAR8C(1)PAR4D
PAR4D(1)
MAN1A
MAN1A(1)
CAP6D
CAP6D(1)
CAP6F(1)
CAP1E
CAP1E(1)
CAP2E(1)
CAP3B(1)
CAP7A(1)
CAP7F(1)
RP0ARP0A(1)
RP0B(1)
RP2B(1)
RP4E(1)
RP8A(1)
RP8B(1)
BIR8B(1)RP4B
RP4B(1)
RP5A(1)
BIR6A(1)
BIR7B(1)
PAR0C
PAR0C(1)
BIR0E(1)
BIR7A(1)
PAR5D
PAR5D(1)
BIR0B(1)
PAR8E
PAR8E(1)
BIR2A(1)
BIR3A(1)
PAR2APAR2A(1)
PAR2F(1)
BIR0F(1)
PAR3F
PAR3F(1)
CAP2F
CAP2F(1)
CAP0A
CAP0A(1)
CAP1A(1)
CAP1B(1)
CAP3F(1)
CAP6A(1)
CAP8A(1)
RP0F
RP0F(1)
RP2A(1)
RP3A(1)
RP5E(1)
RP7B(1)
RP8C(1)
RP2F
RP2F(1)
BIR1B(1)
BIR4F(1)
BIR8A(1)
BIR1F
BIR1F(1)
BIR2B(1)
PAR6B
PAR6B(1)
BIR5A(1)
PAR3B
PAR3B(1)
PAR4E(1)
PAR4F(1)
PAR7A(1)
PAR7B(1)
PAR8B(1)
PAR8F(1)PAR8D
PAR8D(1)
CAP0E
CAP0E(1)
CAP0F(1)
RP2E
RP2E(1)
RP6A(1)
RP6B(1)
RP6E(1)
RP7A(1)
RP8D(1)
RP3B
RP3B(1)
RP4A(1)
RP5B(1)
RP6F(1)
RP7E(1)
RP7F(1)
PAR0E(1)
BIR6B(1)RP3F
RP3F(1)
PAR1D(1)
BIR1A(1)BIR0A
BIR0A(1)
BIR2F(1)
BIR4A(1)
BIR4B(1)
BIR5B(1)
PAR0A
PAR0A(1)
PAR1A(1)
PAR1B(1)PAR1E(1)
PAR1F(1)
PAR2B(1)
PAR2E(1)
PAR6A(1)
PAR8A(1)
PAR0F
PAR0F(1)
PAR3A(1)
PAR5A(1)
PAR6F(1)
PAR0B
PAR0B(1)
PAR7F(1)
CAP0B
CAP0B(1)
CAP2B(1)
CAP3A(1)
CAP4A(1)
CAP4E(1)
CAP4F(1)
CAP7B(1)
0.1
0.15
0.2
0.25
0.3
0.35
0.4
FIGURA 21-a - Apresentao do mapa das distncias vetoriais, por distribuio defrequencia de rtulos, da matriz modificada (257 linhas por 10 parmetros)
-
7/23/2019 2011AffonsoMapas
58/89
45
SOM 19-Apr-2011
U-matrix
RP5D
BIR1E
MAN7D
MAN1C
MAN1F
MAN2B
MAN2E
MAN1D
CAP4C
BIR2C
RP4C
MAN4B
MAN6B
MAN4C
MAN1B
MAN4E
CAP2D
RP3D
RP3E
PAR6C
MAN2A
MAN4A
MAN6E
MAN2F
CAP1C
CAP0C
CAP0D
RP0C
PAR0D
RP3C
BIR6F
PAR3D
PAR5C
BIR5F
CAP8B
CAP1F
CAP3E
RP0E
RP2D
PAR1C
PAR2C
PAR3C
PAR4A
PAR4D
MAN1A
CAP6D
CAP1E
RP0A
RP4B
PAR0C
PAR5D
PAR8E
PAR2A
PAR3F
CAP2F
CAP0A
RP0F
RP2F
BIR1F
PAR6B
PAR3B
PAR8D
CAP0E
RP2E
RP3B
RP3F
BIR0A
PAR0A
PAR0F
PAR0B
CAP0B
0.1
0.15
0.2
0.25
0.3
0.35
0.4
FIGURA 21-b - Apresentao por votao do mapa das distncias vetoriais com os rtulosda matriz modificada (257 linhas por 10 parmetros).
-
7/23/2019 2011AffonsoMapas
59/89
46
U-matrix
0.0664
0.237
0.407
SOM 19-Apr-2011
labels
RP5D
BIR1E
MAN7D
MAN1C
MAN1F
MAN2B
MAN2E
MAN1D
CAP4C
BIR2C
RP4C
MAN4B
MAN6B
MAN4C
MAN1B
MAN4E
CAP2D
RP3D
RP3E
PAR6C
MAN2A
MAN4A
MAN6E
MAN2F
CAP1C
CAP0C
CAP0D
RP0C
PAR0D
RP3C
BIR6F
PAR3D
PAR5C
BIR5F
CAP8B
CAP1F
CAP3E
RP0E
RP2D
PAR1C
PAR2C
PAR3C
PAR4A
PAR4D
MAN1A
CAP6D
CAP1E
RP0A
RP4B
PAR0C
PAR5D
PAR8E
PAR2A
PAR3F
CAP2F
CAP0A
RP0F
RP2F
BIR1F
PAR6B
PAR3B
PAR8D
CAP0E
RP2E
RP3B
RP3F
BIR0A
PAR0A
PAR0F
PAR0B
CAP0B
FIGURA 21-c - Apresentao do mapa das distncias vetoriais com o mapa geral rotuladoobtido da matriz modificada (257 linhas por 10 parmetros)
5.3 Estudo de similaridades entre parmetros fisico-qumicos.
Na reorganizao da disposio inicial da matriz em uma disposio transposta, a ordem de
insero alterada, resultando em uma matriz de 13 linhas por 257 parmetros, paraanlise de correlaes entre os parmetros fsicos qumicos,
Priorizando a anlise dos parmetros, no so gerados os mapas dos componentes planos.
O reordenamento proposto realizado no prprio Matlab por meio do comando:
>> Smatrixg = Smatrixg;
Onde a varivel Smatrixg a transposta de Smatrixg.
-
7/23/2019 2011AffonsoMapas
60/89
47
Na anlise da matriz inversa so estudadas as correlaes dos parmetros fsico qumicos
por meio do comportamento amostral, conforme figuras 22 e 23, e obtidos conservando os
parmetros iniciais de treinamento .
FIGURA 22 - Mapa geral rotulado obtido da matriz inversa.
-
7/23/2019 2011AffonsoMapas
61/89
48
FIGURA 23 - Mapa de distncia entre vetores da matriz transposta com os rtulos dosparmetros fsico qumicos.
Na descrio figuras 22 e 23 os mapas gerados tm as seguintes caractersticas: dimenses
de 3 x 7 clulas, (figura 35) e 5 x 13(figura 36)