UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

Transcrição

1 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO MIDGEO: UMA FERRAMENTA DE INFERÊNCIA DIFUSA PARA TRATAMENTO DE GEOINFORMAÇÃO por Tiago Zis Itajaí (SC), junho de 2012

2 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO MIDGEO: UMA FERRAMENTA DE INFERÊNCIA DIFUSA PARA TRATAMENTO DE GEOINFORMAÇÃO Área de Análise Geoespacial por Tiago Zis Relatório apresentado à Banca Examinadora do Trabalho Técnico-científico de Conclusão do Curso de Ciência da Computação para análise e aprovação. Orientador: Rudimar Luís Scaranto Dazzi, Dr. Co-orientador: Rafael Medeiros Sperb, Dr. Itajaí (SC), junho de 2012

3 RESUMO ZIS, Tiago. MIDgeo: uma ferramenta de inferência difusa para tratamento de geoinformação. Itajaí, f. Trabalho Técnico-científico de Conclusão de Curso (Graduação em Ciência da Computação) Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, Itajaí, Há muito tempo o ser humano representa a ocorrência de fenômenos do nosso planeta através de mapas, nos tempos antigos o modo mais comum de criar um mapa era através de tinta e papel. Porém com o advento da computação, criaram-se softwares que tornaram possível aperfeiçoar o processo de criação de um mapa e mudar a forma de representação e análise de mapas. Os softwares SIG (Sistemas de Informação Geográfica) como são conhecidos, possuem todas as características necessárias para trabalhar com processamento e análise de informações provenientes dos mapas. Apesar desta grande vantagem proporcionada por um SIG ainda não é possível representar as informações em toda a sua completude, o que proporciona situações onde a informação a ser representada torna-se incerta ou imprecisa. Com base nas informações levantadas sobre o problema, buscou-se desenvolver uma ferramenta de análise geoespacial para um SIG, utilizando o método de inferência difusa nos dados geoespaciais, com intuito de minimizar a ocorrência de informações incertas ou imprecisas durante processo de representação e análise da informação geoespacial dos fenômenos presentes no mapa. Para cumprir com o objetivo proposto para o trabalho, foi realizado o levantamento bibliográfico com intuito de fundamentar a criação de tal ferramenta, bem como, foi levantado os requisitos necessários para desenvolver e implantar uma ferramenta de inferência difusa no software SIG ArcGIS. Onde como resultado final do trabalho, obteve-se uma ferramenta para análise difusa vinculada ao software SIG, ferramenta esta validada por um especialista que trabalha com geoinformação, esta validação ocorreu durante a etapa de testes, onde foi constatado que a ferramenta contempla o que foi proposto para o trabalho de forma satisfatória e também proporciona como resultados mapas difusos que condizem com o esperado para os casos de análise de geoinformação. Palavras-chave: Análise Difusa. Geoinformação. SIG.

4 ABSTRACT The human being has been representing the occurrence of several phenomena around our planet through maps for a long time. In ancient times, the most common way of creating a map was through ink and paper. Nevertheless, computing has generated softwares that improve this process, changing the way maps are represented and analysed. GIS (Geographic Information System) softwares have all characteristics needed to work with processing and analysis on information from maps. Despite this great advantage, it is still not possible to represent data in a complete fashion, which leads to uncertain information. Based on information about such problem, this paper to develop a geospatial analysis tool for a GIS by using the fuzzy inference method on geospatial data, as to minimize the occurrence of uncertain information during the representation and analysis process. In order to fulfill this objective, a bibliographic research has been made, so that the creation of this tool could be well-founded. Furthermore, all necessary requirements to develop and implement a fuzzy inference tool on ArcGIS software were raised. Where as final results, obtained a fuzzy analyzing tool linked to GIS software, tool is validated by an expert who works with geoinformation, this validation occurred during the testing stage, where it was found that the tool includes what was proposed for the work satisfactorily and also provides results as fuzzy maps which match those expected for cases of geoinformation analyses. Keywords: Fuzzy Analysis. Geoinformation. GIS.

5 LISTA DE FIGURAS Figura 1. Definindo variáveis linguísticas para funções de pertinência Figura 2. Diagrama de um sistema de inferência difusa Figura 3. Divisão e intersecção dos conjuntos de mapas temáticos Figura 4. Ordenação lógica das camadas pra melhor visualização do conteúdo geral do mapa Figura 5. Ocupação territorial da Praia dos Ingleses em Florianópolis ( ) Figura 6. Representação síntese do potencial de adequação para instalação de aterro sanitário do perímetro urbano de Presidente Prudente SP Figura 7. Sistema cartográfico do SIMMAM Figura 8. Distribuição da mudança de temperatura terrestre entre 2001 e Figura 9. Representação com base em um modelo raster Figura 10. Representação de um polígono para um modelo vetorial Figura 11. Representação de ponto e linhas para um modelo vetorial Figura 12. Diferenças entre vetor e raster Figura 13. Resultado obtido na primeira simulação utilizando o simulador de agentes difusos Figura 14. Resultado obtido na segunda simulação utilizando o simulador de agentes difusos Figura 15. Localização geográfica da área de estudo em Mucugê na Bahia Figura 16. Mapa de evidências difusas para as classes de solo Figura 17. Mapa digital de solos gerado sob influência difusa Figura 18. Interface de configuração da ferramenta Fuzzy Membership para o software ArcGIS Figura 19. Interface de configuração da ferramenta Fuzzy Overlay para o software ArcGIS. 50 Figura 20. Interface da área de visualização de mapas do software ArcGIS Figura 21. Interface do software IDRISI Taiga Figura 22. Interface da ferramenta de análise difusa disponível para o software IDRISI Taiga Figura 23. Interface da ferramenta de análise difusa do software GRASS GIS Figura 24. Interface do software SAGA Figura 25. Interfaces das ferramentas de análise difusa para o software SAGA Figura 26. Casos de uso da ferramenta de inferência difusa para o software ArcGIS Figura 27. Diagrama de sequência da ferramenta de inferência difusa para o software ArcGIS referente ao caso de uso (UC01) Figura 28. Diagrama de sequência da ferramenta de inferência difusa para o software ArcGIS referente ao caso de uso (UC02)... 66

6 Figura 29. Diagrama de atividade referente ao caso de uso (UC01) Figura 30. Diagrama de atividade referente ao caso de uso (UC02) Figura 31. Primeira aba da interface da ferramenta MIDgeo Figura 32. Segunda aba da interface da ferramenta MIDgeo Figura 33. Segunda aba da interface da ferramenta MIDgeo Figura 34. Vista leste da Praia de Ingleses Figura 35. Mapa que representa o conteúdo visual do conjunto estrada Figura 36. Mapa que representa o conteúdo visual do conjunto base Figura 37. Mapa resultante do processo de análise difusa na ferramenta Agent Simulator Figura 38. Mapa resultante do processo de análise difusa na ferramenta MIDgeo Figura 39. Representação gráfica dos conjuntos difusos de percepção e preferência dos usuários do estudo de caso Figura 40. Exemplo de operação de sobreposição (ESRI, 2012) Figura 41. Conjuntos adotados para o processo de análise, vias (a), solo (b), rios (c), lagos (d), declividade (e) e conjunto de saída (f) Figura 42. Resultados da análise de (a) sobreposição e (b) inferência difusa Figura 43. Comparação entre os resultados da análise de (a) sobreposição e (b) inferência difusa para o conjunto excelente Figura 44. TEL01: Área de visualização dos mapas carregados pelo usuário e do resultado obtido no processo de inferência difusa Figura 45. TEL02: tela de seleção dos arquivos raster para criação dos conjuntos de entrada, criação dos conjuntos de saída Figura 46. TEL03: tela para configuração dos conjuntos, definição das funções de pertinência e criação das variáveis linguísticas Figura 47. TEL03: tela de configuração das regras de inferência difusa Figura 48. TEL04: tela para salvar as configurações realizadas na ferramenta Figura 49. TEL03: Tela para selecionar o arquivo de configuração para carregar na ferramenta

7 LISTA DE TABELAS Tabela 1. Comparação das diferenças usuais entre raster e vetor Tabela 2. Comparação das diferenças entre as ferramentas de inferência difusa estudadas e a ferramenta proposta neste trabalho Tabela 3. Atributo geoespacial declividade e os tratamentos dados para realização das análises de sobreposição e inferência difusa Tabela 4. Atributo geoespacial solo e os tratamentos dados para realização das análises de sobreposição e inferência difusa Tabela 5. Atributos geoespaciais rios, vias e lagos e os tratamentos dados para realização das análises de sobreposição e inferência difusa

8 LISTA DE QUADROS Quardro 1. Código em C++ para exportar o método Quardro 2. Código em C# importando o método da DLL Quardro 3. Regras de inferência do estudo de caso Quardro 4. XML Schema para validação do arquivo de configuração Quardro 5. Modelo de configuração da ferramenta MIDgeo

9 LISTA DE EQUAÇÕES Equação Equação Equação Equação Equação Equação

10 LISTA DE ABREVIATURAS E SIGLAS API DLL GIS GPL GRASS GIS IBGE IDE JNA KST LCA MIDgeo NASA SAGA SDK SIG SIMMAM TIFF TTC UNIVALI XML Application Programming Interface Dynamic-link library Geographic Information System General Public License Geographic Resources Analysis Support System Geographic Information System Instituto Brasileiro de Geografia e Estatística Integrated Development Environment Java Native Access Kang-Takagi-Sugeno Laboratório de Computação Aplicada Máquina de Inferência Difusa Geoespacial National Aeronautics and Space Administration System for Automated Geoscientific Analyses Software Development Kit Sistema Informação Geográfica Sistema de Monitoramento de Mamíferos Aquáticos Marinhos Tagged Image File Format Trabalho Técnico-científico de Conclusão de Curso Universidade do Vale do Itajaí Extensible Markup Language

11 SUMÁRIO 1 INTRODUÇÃO PROBLEMATIZAÇÃO Formulação do Problema Solução Proposta OBJETIVOS Objetivo Geral Objetivos Específicos METODOLOGIA ESTRUTURA DO TRABALHO FUNDAMENTAÇÃO TEÓRICA CONJUNTOS DIFUSOS Conectivos da Lógica Difusa Operadores t-norma e t-conorma Variáveis Linguísticas Funções de Pertinência SISTEMA DE INFERÊNCIA DIFUSA Fuzzificação Base de Regras Inferência Defusificação DIMENSÃO GEOGRÁFICA DA INFORMAÇÃO Cartografia Temática SIG Sistema de Informação Geográfica Análise Geoespacial FERRAMENTAS SIMILARES ArcGIS IDRISI Taiga GRASS GIS SAGA Considerações DESENVOLVIMENTO CONCEITO GERAL DA FERRAMENTA PROPOSTA RECURSOS ADOTADOS NO DESENVOLVIMENTO DA FERRAMENTA Softwares MODELAGEM Requisitos Funcionais Requisitos não Funcionais Regras de negócio Casos de Uso Diagrama de Sequência Diagrama de Atividade Considerações da Modelagem DESENVOLVIMENTO DA INTERFACE DE USUÁRIO DESENVOLVIMENTO DA MÁQUINA DE INFERÊNCIA DIFUSA INTEGRAÇÃO DA INTERFACE DE USUÁRIO COM A MÁQUINA DE INFERÊNCIA DIFUSA INTEGRAÇÃO DA FERRAMENTA DE INFERÊNCIA DIFUSA COM O SOFTWARE

12 ARCGIS DADOS DE ENTRADA E SAÍDA TESTES DA FERRAMENTA Ocupação da área costeira da Praia de Ingleses Estudo de Caso CONSIDERAÇÕES FINAIS REFERÊNCIAS GLOSSÁRIO APÊNDICE A. XML SCHEMA PARA VALIDAÇÃO DO ARQUIVO DE CONFIGURAÇÃO APÊNDICE B. ARQUIVO DE CONFIGURAÇÃO DA FERRAMENTA DE ANÁLISE DIFUSA MIDGEO APÊNDICE C. CENÁRIOS PARA OS CASOS DE USO C.1. CENÁRIOS PARA OS CASOS DE USO (UC01) C.2. CENÁRIOS PARA OS CASOS DE USO (UC02)

13 13 1 INTRODUÇÃO Há muito tempo o ser humano representa o mundo em que vive através de reproduções cartográficas conhecidas por muitos como mapas. Os mapas têm como tendência tornar possível a visualização de fenômenos naturais e sociais que, muitas vezes, passariam imperceptíveis aos olhos humanos, portanto, um mapa é uma fonte inesgotável de informações possíveis de serem analisadas e estudadas (MARTINELLI, 1991). Por um longo período, soube-se que as representações cartográficas eram constituídas de desenhos em papel e com pouco nível de detalhamento do fenômeno representado (MARTINELLI, 1991). Com o advento da computação, tornou-se possível a criação de softwares capazes de reproduzir mapas nos formatos digitais. Estes softwares conhecidos como GIS (Geographic Information System), ou Brasil como SIG (Sistemas de Informação Geográfica), possibilitam a representação e análise dos fenômenos e as informações geoespaciais contidas nos mapas de forma mais detalhada e por que não dizer com precisão maior do que os antigos mapas em papel poderiam representar (BARBOSA, 1997). Em áreas onde são aplicados os estudos e análises de fenômenos e informações geoespaciais como, por exemplo, organizações que realizam análises relacionadas a impactos ambientais, recursos naturais, exploração de processos espaciais em zonas costeiras, mapeamento de áreas urbanizadas, zoneamento ambiental, etc., independente de modelo organizacional, existe a necessidade de utilização de um SIG. Durante o processo de análise, existem situações onde são necessárias buscas por informações mais precisas para gerar resultados coerentes conforme a necessidade de quem utiliza este tipo de ferramenta. Em algumas situações como, por exemplo, análise de recursos naturais (DE BY et al, 2001), adota-se o uso de operadores lógicos nos dados analisados, o que ocasiona na obtenção do resultado próximo do desejado para análise. E o resultado obtido durante a análise, gera um mapa com linhas que dividem as informações, ou seja, um mapa representando informações incertas ou imprecisas. Porém, sabe-se que na natureza os recursos não são separados por fronteiras, e sim se unem entre si (DE BY et al, 2001). Com base nas informações levantadas, neste trabalho tem como objetivo desenvolver e

14 14 integrar em um SIG, uma ferramenta de inferência difusa para análise de dados geoespaciais, chamada de MIDgeo (Máquina de Inferência Difusa Geoespacial), com intuito de tratar informações incertas ou imprecisas, abordando os conceitos da teoria dos conjuntos Fuzzy e da lógica difusa conhecida também como lógica Fuzzy ou lógica nebulosa, através do processo de inferência Mamdani. O desenvolvimento deste trabalho busca como resultado final uma ferramenta que auxilie um usuário ou especialista que trabalhe com geoinformação, no tratamento dos dados durante a interação com o SIG. Possibilitando o intercâmbio de informações dentro de um mesmo ambiente de trabalho. 1.1 PROBLEMATIZAÇÃO Formulação do Problema O método de inferência difusa para dados geoespaciais foi primeiramente proposto por Sperb (2002), como forma de elaborar mapas mentais para agentes, em simulações baseadas em agentes 1. No entanto, a ferramenta utilizada no trabalho deste autor não se encontra incorporada em nenhum SIG. De fato, existem várias opções de ferramentas SIG no mercado, mas poucas implementam algum tipo de análise difusa. Dentre elas o IDRISI Taiga, SAGA (System for Automated Geoscientific Analyses), ArcGIS versão 10 e GRASS GIS. As ferramentas descritas anteriormente possuem um módulo para o tratamento difuso dos dados, cujo emprego é limitado, não sendo possível a criação de conjuntos e de regras de inferência para as três primeiras, já para o GRASS GIS (Geographic Resources Analysis Support System Geographic Information System) a análise fica restrita a apenas um mapa e obriga o usuário a criar um arquivo de configuração para o processo de inferência difusa manualmente, sem o auxilio da interface gráfica da ferramenta. Ou seja, em alguns casos não se trata de uma abordagem orientada à inferência difusa, mas sim um enfoque difuso no cruzamento dos dados, já em outros torna limitado as opções de trabalho para um especialista da área de geoinformação. 1 Agent-based modelling.

15 Solução Proposta Diante da situação apresentada no Item 1.1.1, este trabalho propõe o desenvolvimento de uma ferramenta de inferência difusa, baseada no método proposto por Sperb (2002), para o software ArcGIS. Esta ferramenta funcionará como uma extensão do software, e contará com uma interface gráfica que facilitará nas escolhas do usuário ou especialista.

16 OBJETIVOS Objetivo Geral Desenvolver uma ferramenta de inferência difusa, baseada no método proposto por Sperb (2002), para tratamento da geoinformação Objetivos Específicos Avaliar o método proposto por Sperb (2002) em relação a outras soluções Fuzzy já existentes para SIG; Avaliar o potencial emprego do algoritmo desenvolvido por Sperb (2002) e sua evolução para o emprego em ambiente SIG; Modelar e desenvolver a ferramenta proposta (MIDgeo) segundo os requisitos operacionais do ambiente SIG (ArcGIS); e Testar e validar a ferramenta proposta.

17 Metodologia Para atender aos objetivos para a primeira parte deste trabalho, as atividades foram divididas nas seguintes etapas: Levantamento do conteúdo bibliográfico: foram realizadas pesquisas bibliográficas em livros, artigos, trabalhos acadêmicos e teses com auxilio da internet para buscar o conhecimento necessário que permitiu o desenvolvimento da fundamentação teórica para este trabalho. Busca por ferramentas similares: através de pesquisas realizadas na internet, foram encontrados os materiais para descrever sobre softwares existentes no mercado que possuem algum tipo de ferramenta de análise Fuzzy. Apesar do conteúdo limitado foi possível comparar as diferentes características entre as ferramentas analisadas e a ferramenta proposta neste trabalho. Elaboração do projeto: foi levantado os requisitos necessários para o desenvolvimento da ferramenta proposta por este trabalho, através da documentação disponibilizada pela empresa que desenvolve o software ArcGIS, software este que servirá como base para utilização da ferramenta. Também foram definidas as duas etapas de desenvolvimento que consiste, no desenvolvimento da interface e da máquina de inferência alem do processo de integração das mesmas com o software ArcGIS. Com base nas informações levantadas foram definidos os requisitos da ferramenta e criados os casos de uso da mesma com a definição dos possíveis cenários adotados pela ferramenta proposta.

18 Estrutura do trabalho Capítulo 1 (Introdução) descreve de forma resumida o contexto proposto para o trabalho, buscando mostrar a área de atuação do trabalho e o problema a ser solucionado com o desenvolvimento da ferramenta proposta. No Capítulo 2 (Fundamentação Teórica), estão detalhados o conteúdo bibliográfico relacionados aos propósitos deste trabalho, descrevendo os conceitos da lógica difusa, levantamento da base de conhecimento relacionado a geoinformação e a análise da informação geoespacial. Buscando as áreas onde foram integrados os dois conceitos para o tratamento de dados incertos ou imprecisos. O Capítulo 3 (Desenvolvimento) contêm todas as informações de todos os requisitos levantados e aplicados durante o desenvolvimento da ferramenta, bem como a documentação descrevendo o processo de desenvolvimento e integração da ferramenta com o software ArcGIS. No Capítulo 4 (Considerações Finais), são apresentadas as conclusões relacionadas as realizadas para este trabalho, bem como as considerações em relação aos objetivos propostos para o desenvolvimento da ferramenta de inferência difusa para o software ArcGIS.

19 19 2 FUNDAMENTAÇÃO TEÓRICA Este capítulo destina-se a definição da teoria dos conjuntos difusos (ZADEH, 1965) bem como de Sistema de informação geográfica e a relação entre eles na análise de fenômenos geográficos. E ao final uma análise trabalhos similares e ferramentas que utilizam o conceito abordado neste trabalho. 2.1 Conjuntos Difusos Na teoria clássica dos conjuntos um subconjunto A de um conjunto U possui elementos que são pertinentes ou não ao conjunto U. Os valores que definem esta pertinência para um elemento de A são {0, 1}. Ou seja, o valor 0 para a não pertinência e o valor 1 para a total pertinência de um elemento de A em U (AGUIAR et al, 2007). Porém como pode-se observar ao trabalhar com conjuntos representados por objetos do mundo real, este critério se torna insatisfatório devido ao fato de que objetos reais, na maioria das vezes pertencem a vários conjuntos, onde o estado de pertinência de um determinado objeto a um conjunto é definido através do nível de pertinência com o conjunto. Pode-se citar como exemplo a classe dos animais que incluem cães, cavalos, pássaros, etc., mas ao mesmo tempo excluem rochas, fluídos e plantas, porém quando fala-se de estrelas do mar ou bactérias pode-se uma incerteza em relação a classe dos animais (ZADEH, 1965). Esta incerteza deve ser tratada buscando a relação destes seres com a classe dos animais através da definição de um grau de relacionamento com a classe. Em um conjunto difuso este grau de relacionamento descrito para a classe dos animais é conhecida como grau de pertinência. O grau de pertinência define um valor numérico dentro do conjunto de números naturais infinitos entre [0, 1] para representar o grau de pertinência de um determinado elemento dentro de um conjunto. Ao definir um grau de pertinência aos elementos de um conjunto U diz-se que os elementos se constituem de pares ordenados de um conjunto difuso F, onde o primeiro elemento pertence ao conjunto U e o segundo ao intervalo [0, 1] (AGUIAR et al, 2007). Diferente da lógica clássica que delimita ao elemento estar ou não dentro de um conjunto U, a lógica difusa utiliza o intervalo descrito anteriormente para definir o grau de pertinência para um elemento pertencente ao conjunto difuso F. Para este elemento o valor 0

20 20 identifica a não pertinência ao conjunto, e o valor 1 a total pertinência do elemento. Os valores entre o intervalo identificam o grau que o elemento pertence ao conjunto difuso F. Zadeh (1965) define o conjunto fuzzy da seguinte maneira, Um conjunto fuzzy de uma (classe) A em X é caracterizada por uma associação (característica) da função fa(x) que associa a cada ponto em X um número real no intervalo [0,1], com o valor de fa(x) em x representando o grau de pertinência de x em A. Assim o valor mais próximo de fa(x) para a unidade, no sentido comum do termo, isto é a função de pertinência pode assumir apenas dois valores 0 e 1, com fa(x) = 1 ou 0 conforme o valor de x torna-se pertinente a A. Assim neste caso fa(x) reduz a função característica familiar de um conjunto A. Para esclarecer melhor este conceito utilizar-se-á o exemplo proposto por Barros e Bassanezi (2006): considerando um subconjunto de números reais próximos ao número 2, por exemplo, o número 7 e o número 2,001. Pode-se afirmar que o número mais próximo de 2 seria o número 2,001, com base na teoria clássica dos conjuntos apenas este número pertenceria ao conjunto. Porém, sabe-se que o grau de incerteza em relação a quanto o número pertence ao conjunto é indefinido. Para solucionar este problema abordar-se-á novamente este exemplo no Item Neste item será explicado o papel da função de pertinência para os conjuntos difusos Conectivos da Lógica Difusa Tanto na teoria dos conjuntos clássicos como na teoria dos conjuntos difusos para auxiliar na definição da pertinência de um determinado elemento em um conjunto, pode-se tomar da utilização dos conectivos lógicos. Os conectivos lógicos utilizam-se das proposições lógicas para definir a pertinência do elemento ao seu conjunto, as proposições utilizadas nos conectivos são: Operadores lógicos: e, ou e não; e Implicações: se e então. Para entender melhor os conectivos difusos e realizar a avaliação lógica dos elementos difuso em seus conjuntos é necessário entender as extensões obtidas por meio das normas e conormas triangulares que são extensões dos conectivos difusos (BARROS; BASSANEZI, 2006).

21 Operadores t-norma e t-conorma Estas operações são conhecidas como operações maxmin, são utilizadas na modelagem dos conectivos lógicos que utilizam as proposições e e ou. A proposição e é modelada pela t- norma e tem como operador o símbolo, já a proposição ou é modelada com base na t- conorma representada pelo operador com o símbolo (BARROS; BASSANEZI, 2006). A proposição não implica em definir a negação resultante da aplicação de um conectivo lógico alterando o estado do resultado, o símbolo que representa a proposição não é o η. Ou seja, para η(0) = 1 e η(1) = 0 (BARROS; BASSANEZI, 2006). A aplicação das implicações dentro dos conectivos lógicos difusos são as mesmas aplicadas aos conectivos lógicos convencionais Variáveis Linguísticas Uma variável linguística é a representação de um conjunto difuso através da utilização de palavras do entendimento humano. Por exemplo, na classe dos animais podem-se ter os conjuntos de mamíferos, aves e peixes, estas variáveis definem cada conjunto representando os conjuntos de uma forma fácil de um humano compreender. A utilização destas variáveis linguísticas auxilia a reduzir a complexidade encontrada nos sistemas complexos, substituindo os termos matemáticos utilizados convencionalmente. Isto faz com que um modelo matemático possa se aproximar da linguagem natural e do pensamento cognitivo dos humanos (SHAW; SIMÕES, 1999). As variáveis linguísticas de um conjunto difuso são determinadas a partir do entendimento do conteúdo que deseja representar com os valores expressos nos conjuntos. Estas estão totalmente ligadas ao grau de pertinência que será utilizado para representar a pertinência ou a não pertinência de um atributo no conjunto. Para deixar claro pode-se utilizar como exemplo a temperatura ambiente, que pode assumir os conjuntos definidos pelas variáveis linguísticas baixa, média e alta. Estas variáveis linguísticas fornecem a abstração do modelo matemático de cada conjunto, este modelo matemático é definido por uma função de pertinência que define um conjunto difuso. A Figura 1 expressa melhor a utilização de variáveis linguísticas na definição dos conjuntos difusos.

22 22 Figura 1. Definindo variáveis linguísticas para funções de pertinência. Fonte: Aguiar et al (2007) Funções de Pertinência As funções de pertinência de conjuntos difusos podem assumir variados formatos dependendo de cada situação em que a função será utilizada. Esta definição de qual função utilizar em um conjunto difuso pode partir da experiência de cada usuário (AGUIAR et al, 2007). Mas dentro da teoria dos conjuntos difusos e da lógica difusa existem funções padrão que podem ser utilizadas, como por exemplo, as funções triangular, trapezoidal e a senoidal. Caso seja necessário ajustes podem ser realizados nestas funções para adaptar melhor ao caso estudado. Na sequência são apresentados os modelos matemáticos, para a função triangular, na Equação 1, função trapezoidal na Equação 2 e a função senoidal na Equação 3. Equação 1

23 23 Equação 2 Equação 3 E com a utilização destas funções de pertinência pode ser definido o grau de pertinência de cada elemento de um conjunto difuso. Ao escolher a função para representar um conjunto atribuí-se o modelo matemático a ser aplicado nos elementos daquele conjunto, e o valor resultante é a definição do grau de pertinência do mesmo (AGUIAR et al, 2007), formando assim os pares ordenados de um conjunto difuso conforme já foi explicado anteriormente. Voltando ao exemplo iniciado no Item 2.1 onde foi definida uma função de pertinência para o conjunto com base na teoria dos conjuntos difuso, assim se tem a seguinte relação. Para o subconjunto F de números reais próximos de 2: Equação 4 Define-se uma função ponto 2 tem-se o seguinte: para cada valor x real de proximidade ao Equação 5 Ao aplicar esta função nos números 7 e 2,001 obtem-se o seguinte resultado:

24 24 Equação 6 Ou seja, o valor 2,001 é próximo a 2 com grau de pertinência de 0,999 porém o valor 7 não possui grau de pertinência referente ao valor Sistema de Inferência Difusa Em um sistema de inferência difusa cada entrada difusa corresponde a uma saída difusa (BARROS; BASSANEZI, 2006). Mas quando se tem um conjunto não difuso, também conhecido como conjunto crisp 2 é esperado obter como resultado um conjunto crisp de saída, com base neste conceito podemos definir o um modelo para um sistema de inferência difusa. Figura 2. Diagrama de um sistema de inferência difusa. Fonte: Aguiar et al (2007). 2 Os conjuntos convencionais como, por exemplo, o conjunto dos números naturais ou números inteiros também são conhecidos como conjunto crisp.

25 25 Um sistema de inferência difusa consiste de um modelo de etapas que obtêm os dados ou conjuntos de entrada crisp que contam com valores imprecisos de pertinência em determinado conjunto e transforma em um conjunto crisp de dados precisos novamente, porém reduzindo a imprecisão do grau de pertinência a um determinado conjunto (BARROS; BASSANEZI, 2006). Um modelo de sistema de inferência difusa pode ser representado conforme a definição da Figura Fuzzificação A etapa de fuzzificação é o momento onde o usuário ou especialista que utiliza um sistema de inferência difusa escolhe quais conjuntos serão utilizados tendo como base o contexto de estudos ou pesquisas. Aos conjuntos escolhidos são definidas as funções de pertinência que representarão cada conjunto, também é escolhida a variável linguística de cada conjunto para que a mesma represente o modelo matemático definido para o conjunto (JANÉ, 2004). Cada variável será utilizada posteriormente na criação da base de regras que são utilizadas na etapa de inferência dos conjuntos já fuzzificados Base de Regras A base de regras pode ser considerada como parte do núcleo da inferência dos conjuntos difusos. Nesta etapa são aplicadas as proposições que foram definidas pelo usuário ou especialista. Elas são descritas em formas linguísticas e criadas de forma a catalogar as variáveis linguísticas definidas na etapa de fuzzificação a fim de modelar o conjunto difuso com base no modelo matemático, ou seja, faz uso das funções de pertinência (WEBER; KLEIN, 2003). Para a criação da base de regras o usuário ou especialista utiliza-se das proposições linguísticas conhecidas pelos operadores lógicos e e ou a negação não e dos operadores de implicação se... então. Para exemplificar a utilização das proposições da base de regras será utilizada a classe de animais. Na classe de animais ten-se os aquáticos, terrestres e aves, estas variáveis linguísticas serão utilizadas para representar o conjunto difuso de saída. E para o conjunto difuso de entrada serão utilizados as seguintes variáveis linguísticas, penas, nadadeiras, voa,

26 26 mergulha, anda. Usar-se-á uma proposição simples para entender o funcionamento aplicado a um sistema de inferência difusa. se animal tem penas e voa então é ave se animal tem nadadeira e mergulha então é aquático se animal anda então é ave ou terrestre ou aquático Tendo em mente este conceito, ou seja, a utilização das variáveis linguísticas para a representação de um conjunto difuso em uma proposição, pode-se definir que uma proposição é formada de antecedentes e conseqüentes, onde para o primeiro exemplo, os conjuntos difusos compostos por (pernas) e (voa) representam os antecedentes e o conjunto difuso composto pela (ave) representa o conseqüente da proposição (WEBER; KLEIN, 2003). Como pode-se ver a partir da utilização das proposições na criação das regras, torna-se viável a definição do grau de pertinência para o elemento do conjunto. No exemplo abordado anteriormente é possível compreender a proposição que define um animal que anda pertencer aos três conjuntos de saída, mas para definir exatamente a qual conjunto pertence o animal que se enquadra a regra, entra a etapa de inferência difusa Inferência A etapa de inferência é onde ocorre a tradução das proposições que foram definidas na base de regras para uma forma matemática por meio das técnicas de lógica difusa. Também é nesta etapa que se utiliza das operações t-morma e t-conorma em conjunto das regras de inferência para obter as relações que modelam a base de regras difusas. Segundo Jané (2004), esta etapa trata-se da finalidade de relacionar as variáveis através das regras estabelecidas na base de regras. As operações t-morma e t-conorma tem forte influência no resultado final do processo de inferência, pois se aplica a operação conforme os operadores selecionados na criação da proposição. Estes operadores são o e e ou que adotam o conceito matemático maxmin, ou seja, para o operador e adota-se o valor mínimo resultante da inferência difusa já para o operador ou adota-se o valor máximo (SPERB, 2002). Entre os métodos existentes de inferência os mais utilizados são, o método de

27 27 inferência Mamdani e o método de inferência de KST (Kang-Takagi-Sugeno). O método de inferência Mamdani utiliza regras compostas pela t-norma e t-conorma, ou seja, a composição maxmin. Já o método KST as diferenças para o método Mamdani estão na forma que é escrito o conseqüente de cada regra e o procedimento de defuzzificação (BARROS; BASSANEZI, 2006) Defusificação A defuzzificação é o processo de transformação do conjunto difuso obtido na etapa de inferência em um conjunto crisp de saída, ou seja, obtenção do resultado final de um sistema de inferência difusa. Entre os métodos utilizados para a defuzzificação estão, por exemplo, o máximo, média dos máximos, centroide, altura, altura modificada, etc. O método com maior utilização é o centroide. O método centroide como define Sperb (2002) consiste em determinar o centro de massa do conjunto difuso de saída, obtendo-se o valor não difuso de saída a partir da projeção deste ponto sobre o eixo suporte. A base do funcionamento de um sistema de inferência difusa auxilia a compreender a sua relação com a análise geoespacial abordado no decorrer do texto presente no Item 2.3. E também busca caracterizar o escopo deste trabalho. 2.3 Dimensão Geográfica da Informação Ao trabalhar com a informação geográfica produzida ou analisada, sabe-se que esta informação está diretamente ligada a uma dimensão espacial, ou seja, é a representação de um dado em uma dimensão geográfica que está associada a uma posição (coordenada geográfica) em nosso planeta (BARBOSA, 1997). Sendo assim, a dimensão geográfica da informação é a forma de definir a proporção espacial que uma informação pode assumir e para definir esta dimensão da informação é necessário ter em mente as seguintes questões (BARBOSA, 1997; CASTRO; SOARES FILHO; VOLL, 2004). Qual é a informação que se deseja representar?; Em que ordem se deseja representar esta informação?;

28 28 Em que tempo ocorre esta informação?; e Quanto é necessário para representar? Ao responder estas questões para a informação desejada define-se a dimensão geográfica que ela representa, esta representação pode ser visualizada através da utilização de mapas temáticos onde o contexto da informação pode estar presente em um ou mais mapas realizando assim a distribuição espacial do conteúdo analisado. Para explicar melhor os questionamentos aqui levantados sobre a dimensão de uma informação será relacionado no Item 2.3.1, a cada questão levantada o aspecto geográfico possível de representação Cartografia Temática A cartografia temática proporciona um produto que pode ser uma carta, mapa ou planta que representa graficamente um tema ou contexto que deseja representar de forma visual (IBGE, 1999). Estas representações gráficas que possuem uma grande diversidade de temas que traduzem situações presenciadas em um determinado local e que pode ocorrer através de uma linha de tempo ou um objeto de estudo em específico é conhecido como mapa temático. Salichtchev (1973) define a cartografia temática da seguinte maneira, Cartografia é a ciência da representação do estudo da distribuição espacial dos fenômenos naturais e sociais, suas relações e suas transformações ao longo do tempo, por meio de representações cartográficas modelos icônicos que reproduzem este ou aquele aspecto de realidade de forma gráfica e generalizada (SALICHTCHEV, 1973 apud MARTINELLI, 1991). As representações de mapas temáticos podem ser subdivididas em vários conjuntos representativos de uma mesma região para diferentes características do contexto estudado. E através da intersecção destes conjuntos pode-se definir um único mapa temático descrevendo todas as grandezas existentes para a região do mapa que está sendo estudada ou do fenômeno observado (MARTINELLI, 1991). A Figura 3 ilustra o conceito descrito.

29 29 Figura 3. Divisão e intersecção dos conjuntos de mapas temáticos. Fonte: MARTINELLI (1991). Para poder descrever os objetos de um determinado fenômeno presente em um mapa temático podem ser utilizadas cores representativas para um determinado ambiente ou uma determinada forma bem como símbolos representativos para um determinado objeto. Para este modelo de representação destina-se a definição de aspecto Qualitativo ( ) 3. Uma representação qualitativa denota a qualidade do fenômeno caracterizando relações de diversidade e similaridade (MARTINELLI, 1991; CASTRO; SOARES FILHO; VOLL, 2004). Já para mapas temáticos que representam descrições de dados populacionais, dados agrícolas, distribuição de mercado produtor, etc., os objetos a serem representados definem o 3 Martinelli (1991) define que o símbolo ( ) corresponde ao aspecto qualitativo, servindo como base para a caracterização de relações de diversidade e similaridade entre objetos.

30 30 aspecto Quantitativo (Q) para um mapa temático, para isso são utilizados pontos, dimensões de símbolos, diagramas alem de outros recursos. A representação quantitativa define uma relação de proporção para os fenômenos (MARTINELLI, 1991; CASTRO; SOARES FILHO; VOLL, 2004). E em casos onde o mapa temático é caracterizado pela ordem dos objetos utiliza-se o aspecto Ordenado (O) para representar os objetos de um determinado fenômeno (MARTINELLI, 1991; CASTRO; SOARES FILHO; VOLL, 2004). Conforme Martinelli (1991), tendo em mente que os mapas temáticos de modo geral tendem a trabalhar com o lado cognitivo do ser humano, de forma a mostrar o conteúdo visual que possa ser interpretado rapidamente através do conteúdo que se deseja representar. Pode-se definir que os mapas temáticos utilizam da abordagem das dimensões (x, y) do plano para definir a localização de um determinado tema, que pode ser contemplado pela ocorrência de formas pontuais, linear ou zonal com a finalidade de representar o tema com base nos aspectos definidos anteriormente. Assim sendo é definido os aspectos as questões levantadas no inicio do Item 2.3. Qualitativo corresponde a questão O que? ; Ordenado corresponde a questão Em que ordem? ; e Quantitativo corresponde a questão Quanto?. A classificação de mapas na cartografia para um produto final não possui uma conclusão unânime, e em alguns países é abordado a partir do conteúdo temático que está sendo representado (IBGE, 1999). Segundo Barbosa (1997 apud Castro, Soares Filho e Voll, 2004) os mapas temáticos podem ser classificados de três formas. 1. De notação: representa um determinado fenômeno em sua distribuição espacial. Para a criação de um mapa temático com este conceito utiliza-se de formas coloridas com tonalidades variadas; 2. Estatística: utilizada como base para construção dos mapas temáticos modelos estatísticos capazes de representar elementos físicos e humanos; e

31 31 3. Síntese: um mapa temático deste modelo é capaz de representar um conjunto diferente de fatos ou fenômenos no mesmo contexto visual SIG Sistema de Informação Geográfica Um SIG é um sistema computacional capaz de capturar modelar, manipular, recuperar, consultar e analisar objetos de um determinado fenômeno existente no mundo real. Este tipo de sistema possui um amplo conjunto de ferramentas para executar as tarefas descritas em dados provenientes do mundo real. Também pode ser utilizado em tomada de decisões em organizações que trabalham com objetos relacionados a fenômenos ambientais (BARBOSA, 1997). Um exemplo de utilização, é aplicar SIG a gestão ambiental, como foi o caso de Charlier e Quintale Júnior (2004). O autor emprega o SIG como ferramenta de apoio à análise geográfica, visando à delimitação de áreas suscetíveis aos danos causados pela atividade ferroviária. Em um SIG estes objetos do mundo real são descritos através de atributos. Estes atributos podem assumir os tipos, espaciais, temporais e temáticos. Os atributos espaciais contêm os valores referentes a localização dos objetos, topologia e entidades. Os atributos temporais definem informações relacionadas as datas dos objetos bem como a freqüência de aquisição. Já os atributos temáticos representam os objetos que não são espaciais nem temporais, como é o caso de tipos de solo ou índice pluviométrico anual (BARBOSA, 1997). A manipulação destes atributos em um SIG é denominada de análise geográfica ou análise geoespacial. No Item será abordado o termo análise geoespacial referindo-se a análise geográfica. Conforme Barbosa (1997), a análise geográfica está dividida em três grupos: 1. Operações de manipulações também conhecida com álgebra de mapas, tratam da classificação de atributos de um determinado objeto, ou a combinação de atributos diferentes para encontrar uma possível correlação espacial entre os objetos de estudo; 2. Operações de consulta é o ato de consultar um sistema de banco de dados ou outro sistema que mantêm os dados dos objetos geográficos armazenados para manipulação ou recuperação dos dados desejados; e

32 32 3. Operação de apresentação busca mostrar os resultados obtidos através das operações de manipulação e consulta para um usuário de um SIG. Um SIG possibilita a criação de mapas temáticos onde os atributos referentes ao fenômeno representado no mapa podem ser atribuídos ao contexto do mapa saindo das tabelas de atributos utilizados como referência. Este tipo de sistema conta com ferramentas de criação de camadas conhecido como layers onde os dados geográficos de um mapa temático são georeferenciados por coordenadas, com isto é possível criar diversos mapas de um mesmo local de estudo com diferentes temas e meios de distribuição dos atributos que antes ficavam apenas em tabelas (GALATI, 2006). A Figura 4 apresenta um bom exemplo da possibilidade de criação de vários mapas temáticos no ambiente de um SIG. Figura 4. Ordenação lógica das camadas pra melhor visualização do conteúdo geral do mapa. Fonte: Galati (2006). O SIG por ser uma ferramenta que possibilita a criação e manipulação de mapas, realização de análise geoespacial, alem de outras características descritas aqui neste item, fortalece o conceito de sua utilização para este trabalho, auxiliando no cumprimento dos objetivos levantados pelo mesmo.

33 Análise Geoespacial O ser humano busca representar o planeta 4 em que vive para melhor compreender como todas as coisas têm relação entre si, porém a percepção humana não permite que o indivíduo possa enxergar o todo e sim o que está próximo a ele (CÂMARA; MONTEIRO; DE MEDEIROS, 2002; LONGLEY et al, 2005). Com o objetivo de solucionar este problema da percepção humana, cria-se representações de partes de um todo para melhor entender os relacionamentos entre as partes (LONGLEY et al, 2005). Segundo Longley et al (2005) as representações destas partes ocorrem de diferentes formas. Com a mente humana e sua capacidade de capturar informações através de nossos sentidos que posteriormente é preservado pela memória; Através de fotografias; Informações faladas e descritas, proporcionado pela própria pessoa que relata as informações ou baseado em relatos de outras pessoas; e Através dos números, baseados nos aspectos do mundo real com base em medições realizadas no mesmo. Uma das formas do ser humano expressar estas representações é utilizando um SIG para criação de representações geográficas que resulta em um modelo cartográfico, ou seja, produzindo um mapa onde se torna possível a aplicação de métodos de análise geoespacial. A análise geoespacial das informações de uma determinada representação geográfica pode variar entre o simples e complexo, onde o simples é baseado em interpretação ou comparação dos dados, um exemplo para este modelo de análise é a comparação da ocupação territorial com base em uma variável temporal, conforme demonstrado na Figura 5, já para o modelo mais complexo de análise onde os estudos de atributos de um determinado conjunto de informações exigem um maior detalhamento, se utiliza principalmente geoestatística e modelagem de processos (HARVEY, 2008). Um exemplo de modelo complexo é mostrado na Figura 6, onde o Samizava et al (2008), representa o mapa resultante de um processo de 4 O termo representar o planeta ou representação utilizado neste texto refere-se a representação geográfica.

34 34 análise utilizando lógica difusa onde busca-se encontrar possíveis áreas de implantação de aterros sanitários. Figura 5. Ocupação territorial da Praia dos Ingleses em Florianópolis ( ). Fonte: Adaptado Sperb (2002). Figura 6. Representação síntese do potencial de adequação para instalação de aterro sanitário do perímetro urbano de Presidente Prudente SP Fonte: Samizava et al (2008).

35 35 Um método de análise complexa que também é o foco deste trabalho é a aplicação da lógica difusa no estudo de incertezas ou imprecisões relacionadas aos dados geospaciais de um mapa. Pode-se citar como exemplo de incertezas, os limites em torno de tipos de vegetação (HARVEY, 2008). O Item aborda o contexto relacionado a análise utilizando a lógica difusa Dado Geoespacial O dado geoespacial ou dado geográfico são dados brutos provenientes de locais físicos e que possuem características da superfície da Terra ou próximas a superfície. Estes dados geoespaciais que descrevem características do mundo real estão relacionados a posições no espaço terrestre, esta posição conhecida como coordenada geográfica define uma posição no eixo (x, y) para o dado em referência ao espaço a que ocupa. Os dados descrevem as características através de propriedades relacionadas a objetos que possuem atributos e estes atributos podem ter relação com outros dados em caso de análise de múltiplos dados de uma mesma área ou região (GALATI, 2006; BARBOSA, 1997). Com os dados geoespaciais é possível saber o posicionamento em relação ao espaço geográfico, e também possuem como característica, informar o relacionamento entre vizinhança e distância entre os objetos, relacionamentos espaciais, propriedades de medidas e atributos temáticos (BURROUGH, 1987). Estas informações possíveis de serem obtidas através dos dados geoespaciais são denominadas de informações geoespaciais ou informações geográficas (GALATI, 2006). E ao obter estas informações geoespaciais, torna-se possível aplicar a análise geoespacial conforme já descrito no Item A. Distribuição discreta A distribuição discreta refere-se a maneira de ver o mundo geográfico exibido através de objetos discretos, ou seja, todo o mundo está vazio apenas nos locais onde os objetos discretos com seus limites estão bem definidos (LONGLEY et al, 2005). Este modelo de representação consiste em objetos possíveis de serem contados e com fronteiras fixas. A representação destes objetos em um modelo cartográfico dentro de um SIG é bidimensional em forma de polígonos, linhas e pontos. Modelos de organismos biológicos se encaixam nesta descrição, um exemplo para isto é a representação através da utilização de

36 36 pontos (coordenadas geográficas) de mamíferos de uma mesma espécie Figura 7. Figura 7. Sistema cartográfico do SIMMAM. Nesta representação de um sistema cartográfico utilizado do projeto do SIMMAM (Sistema de Monitoramento de Mamíferos Aquáticos Marinhos), foi possível demonstrar de forma discreta a localização onde foram avistadas as baleias da espécie Jubate (Megaptera novaeangliae) próximas a costa do litoral Brasileiro. Com esta abordagem é possível obter as informações de apenas um animal representado pelo ponto, em forma de tabela de dados ou no caso do sistema aqui mencionado através de dados inseridos em um formulário pelo responsável pela avistagem do animal. B. Distribuição contínua Diferente da distribuição discreta onde o objeto tem sua dimensão fixa no espaço, o objeto baseado na distribuição contínua apresenta variação de valores dentro do espaço onde está localizado. Esta variação de valores pode ocorrer de forma suave tais como elevações dentro de uma paisagem ou com alterações bruscas entre um valor e outro como é o caso de classificação de tipo de solo em uma determinada região (LONGLEY et al, 2005).

37 37 Figura 8. Distribuição da mudança de temperatura terrestre entre 2001 e Fonte: Astronomia on-line (2006). A Figura 8 é um exemplo de aplicação de distribuição contínua onde o objeto de estudo é a temperatura do planeta. Este estudo realizado pela NASA (National Aeronautics and Space Administration) descreve a alteração da temperatura entre os anos de 2001 e 2005 onde foram analisados os períodos mais quentes da história, as cores contínuas que vão de branco até o vermelho mais escuro representam os locais onde se encontra a elevação da temperatura no planeta já as cores entre branco e o roxo representam o arrefecimento da temperatura. Pode-se observar existe uma troca brusca de valores na distribuição da temperatura no mapa (ASTRONOMIA ON-LINE, 2006). C. Rasters e vetores A distribuição discreta e contínua trabalha com a representação de fenômenos geográficos que podem assumir uma gama de informações infinitas, porém a possibilidade de trabalhar com estas informações de forma infinita em um modelo digital, ou seja, utilizando os modelos em formato computacional, torna-se uma tarefa difícil devido as restrições computacionais relacionadas a capacidade de processamento e a quantidade de dados processados. Por este motivo utilizam-se dois métodos para reduzir as informações em

38 38 formato digital tornando possível a codificação das informações por um computador e possibilitando o armazenamento em um banco de dados caso seja necessário, são eles os rasters e vetores (LONGLEY et al, 2005). Os modelos baseados em raster possuem a característica matricial onde a cada célula da matriz é atribuído uma propriedade ou atributo que representam a informação contida na célula, estas células são conhecidas também por pixels, pois os arquivos de raster são obtidos em formato de imagens que são geralmente capturados por satélites ou equipamentos de obtenção de imagens instalados em aeronaves, estas imagens podem variar em tipo de formato, tamanho, cor e resolução (LONGLEY et al, 2005; GALATI, 2006). A Figura 9 exemplifica como é a representação de um raster de forma matricial. Figura 9. Representação com base em um modelo raster. Fonte: Longley et al (2005). Um modelo vetorial representa um fenômeno geográfico em forma de pontos ligados por linhas precisas de forma a representar objetos geométricos que por sua vez são chamados de polígonos como demonstra a Figura 10 (GALATI, 2006), mas também pode possuir a representação apenas baseada em linhas ou pontos dependendo do fenômeno a ser representado no modelo digital, exemplo na Figura 11. Este modelo por sua vez é obtido através de criação manual onde cada estrutura do polígono é definida a partir da análise e escopo do fenômeno que deseja representar (LONGLEY et al, 2005).

39 39 Figura 10. Representação de um polígono para um modelo vetorial. Fonte: Longley et al (2005). Figura 11. Representação de ponto e linhas para um modelo vetorial. Fonte: Galati (2006).

40 40 Todos os modelos podem ser representados em um SIG, porém cada qual tem por definição o escopo de trabalho e não é possível utilizar um modelo apenas para representar todos os fenômenos geográficos existentes. A Tabela 1 representa algumas das diferenças usuais entre os modelos aqui descritos. E logo após a tabela a Figura 12 mostra as diferenças entre os dois modelos para o mesmo conteúdo. Tabela 1. Comparação das diferenças usuais entre raster e vetor. Questão Raster Vetor Volume de dados Depende do tamanho da célula Depende da densidade dos vértices Fonte dos dados Imagens obtidas por Dados sociais e ambientais sensoriamento remoto Aplicações Recursos ambientais Sociais, econômicas e administrativas Software SIG para processamento de SIG para cartografia imagens raster automatizada de vetores Resolução Fixa Variável Fonte: Adaptado de Longley et al (2005). Figura 12. Diferenças entre vetor e raster. Fonte: Galati (2006). Ambos os métodos podem ser utilizados para representar tanto fenômenos geográficos relacionadas a distribuição discreta quanto a distribuição contínua, porém na prática a aplicação mais coerente para os modelos é a de que para representar fenômenos contínuos utiliza-se um modelo raster e para fenômenos discretos o modelo vetorial (LONGLEY et al, 2005).

41 Análise Difusa No Item , foi descrito duas formas de representar fenômenos geográficos em um SIG. Estas representações são produtos provenientes da análise geoespacial que traduz o mundo ao nosso redor. Porém as informações destes fenômenos geográficos são imprecisos ou incertos na maioria das vezes, esta incerteza da informação ocorre independe do modelo utilizado na representação seja ele discreto ou continuo (FISHER; UNWIN, 2005). As incertezas nas informações podem ocorrer devido a falta de detalhe no fenômeno geográfico analisado, equívocos na análise gerada por instrumentos de medição, a incapacidade dos seres humanos de analisar todos os detalhes que envolvem um fenômeno geográfico e até mesmo as decisões tomadas em um SIG está sujeito a ocorrência de incerteza (FISHER; UNWIN, 2005; LONGLEY et al, 2005). Longley et al (2005) define que, geralmente, com a complexidade inerente e com tantos detalhes existentes em nosso mundo se torna praticamente impossível capturar de forma única cada aspecto, em cada possível escala, em uma representação digital. Um dentre os métodos encontrados para solucionar o problema de incerteza existente no dado geoespacial é a utilização dos conjuntos difusos como ferramenta de análise geoespacial. Entre os métodos que pode-se citar e que também auxiliam na análise de incerteza seriam, os modelos estocásticos, lógica dos três valores, multi-lógica polivalente e modelos baseados em métodos estatísticos. Cada método possui prós e contras de utilização na análise geoespacial bem como possuem características que se enquadram apenas a análise de fenômenos geográficos específicos (FISHER; UNWIN, 2005; LONGLEY et al, 2005). Neste trabalho não será abordado comparações entre os modelos existentes, pois o foco proposto é a análise através da utilização dos conjuntos difusos e a lógica difusa, portanto a decisão de qual método utilizar fica a cargo do usuário de um SIG ou especialista que estuda o fenômeno geográfico. Uma situação muito pertinente da utilização da análise difusa é em pesquisas de recursos naturais onde ao estudar o fenômeno geográfico o especialista ou usuário de um SIG trabalha com dados brutos e distribuídos em diversas camadas de informação sendo assim acabam abordando o uso de operadores lógicos booleanos para combinar as diferentes camadas de mapas, isso faz com que ocorra redundância nas informações o que ocasiona na

42 42 geração de mapas que delimitam fronteiras entre as informações através da aplicação de linhas (DE BY et al, 2001). Porém os resultados não podem gerar um mapa com linhas que dividem as informações, e sim abordar o uso de áreas contínuas para definir melhor o conteúdo a ser visualizado. Os recursos não são separados por fronteiras e sim se misturam uns aos outros formando a diversidade natural do ambiente analisado (DE BY et al, 2001). Para este caso ao definir os conjuntos difusos para cada camada do mapa, definir as regras de inferência e funções de pertinência, como resultado trará um mapa livre de fronteiras com a distribuição contínua da informação, tratando incerteza proporcionada pela abordagem do método de operações lógicas booleanas que tratam o valor com seu estado de pertinência ou não pertinência em um conjunto. Com base no conceito teórico levantado no Item 2.1, é possível obter o resultado desejado abordando a análise difusa, pois a cada valor processado em um sistema de inferência difusa, seu grau de pertinência torna-se evidente ao conjunto a que pertence e por fim acaba proporcionando uma distribuição contínua da informação do fenômeno geográfico. O Item descreve alguns trabalhos onde foi empregado a análise difusa, e os resultados objetos com tal abordagem Emprego da Análise Difusa Sperb (2002) adotou em seu trabalho a inferência difusa para análise geoespacial, como forma de elaborar mapas mentais para agentes, em simulações baseadas em agentes. O conceito deste trabalho teve como base de estudo a utilização de agentes inteligentes para simular a ocupação de zonas costeiras a partir da observação espacial do ambiente por um agente, porém para tratar possíveis redundâncias que poderiam ser geradas foi abordado a lógica difusa como suporte a decisão de um agente. Apesar de utilizar duas técnicas conjuntas na análise geoespacial o que acabou proporcionando a criação de uma ferramenta hibrida, Sperb (2002) ressalta a importância da utilização da lógica difusa como suporte para lidar com o mundo real e a percepção humana por meio do raciocínio aproximado. Na tese, Sperb (2002) abordou o estudo de caso de ocupação de espaço da Praia dos

43 43 Ingleses no município de Florianópolis estado de Santa Catarina, no estudo foi realizada uma simulação para representar o processo de ocupação com base em dois grupos de usuário (agentes), os que preferem morar na periferia e os que preferem morar na região central da praia. E a partir da análise geoespacial da região estudada foram levantadas as características necessárias para criar as regras de comportamento dos indivíduos que ocupam a região da Praia dos Ingleses. Com base nas características levantadas foi possível criar os conjuntos difusos e as regras de inferência para a definição de um mapa mental para os agentes, tornando possível a aplicação da simulação na ferramenta Agent Simulator desenvolvida para a tese (SPERB, 2002). A simulação por sua vez foi realizada separadamente a primeira com os agentes relacionados ao centro da região da praia e o segundo visando os agentes da periferia da região. Após alguns ajustes nas regras definidas para o processo de inferência obteve-se o resultado esperado. A Figura 13 representa o resultado obtido para a primeira simulação e a Figura 14 representa a segunda simulação. Como pode-se observar os resultados obtidos ficam muito próximos dos dados originais. Figura 13. Resultado obtido na primeira simulação utilizando o simulador de agentes difusos. Fonte: Sperb (2002).

44 44 Figura 14. Resultado obtido na segunda simulação utilizando o simulador de agentes difusos. Fonte: Sperb (2002).

45 45 A tese de Sperb (2002) teve forte influência para desenvolvimento da ferramenta proposta por este trabalho, pois possui como características principais a análise de dados geoespaciais empregando a lógica difusa, leitura de dados provenientes de material cartográfico e visualização de resultados a partir de uma representação geográfica. Características estas também presentes em um SIG, isto fortalece o objetivo geral deste trabalho que consiste na criação de uma ferramenta de inferência difusa para um SIG. Outro trabalho que teve sucesso ao aplicar a análise difusa é o de Nolasco-Carvalho, Franca-Rocha e Ucha (2009), Mapa digital de solos: Uma proposta metodológica usando inferência difusa. Neste trabalho foi adotada a inferência difusa para gerar mapas digitais de classes de solos de uma região do município de Mucugê na Bahia (Figura 15), aplicando-se o método inferência com base nos critérios de avaliação levantados por um especialista em solos, definiu-se para cada classe de solo um peso de importância, que permitiu definir o nível de pertinência e as regras de relacionamento entre os tipos de solo, após a definição das informações realizou-se o processo de análise a partir das regras levantadas pelo especialista geraram-se os mapas difusos conforme a Figura 16. Como resultado final foi possível obter o mapa digital da região (Figura 17) através de métodos de fusão dos mapas difusos utilizando ferramentas encontradas no software ArcGis 8.3 (NOLASCO-CARVALHO; FRANCA-ROCHA; UCHA, 2009). Figura 15. Localização geográfica da área de estudo em Mucugê na Bahia. Fonte: Nolasco-Carvalho, Franca-Rocha e Ucha (2009).

46 46 Figura 16. Mapa de evidências difusas para as classes de solo. Fonte: Nolasco-Carvalho, Franca-Rocha e Ucha (2009). Figura 17. Mapa digital de solos gerado sob influência difusa. Fonte: Nolasco-Carvalho, Franca-Rocha e Ucha (2009).

47 47 Como complemento ao estudo de trabalhos que abordaram a lógica difusa na análise geoespacial pode-se citar, o trabalho de Silva (2006) que empregou a inferência difusa em um algoritmo de busca de melhor caminho para grafos onde o processo de inferência buscava encontrar o melhor valor para as arestas de um grafo. E Samizava et al (2008) descrito como exemplo de um caso de análise complexa no Item Como se pode observar, neste item buscou-se levantar a importância da análise Difusa em dados geoespaciais e algumas das possíveis áreas onde foi empregada tal abordagem, existem na literatura diversos casos que adotaram análise geoespacial empregando a lógica difusa, mas os exemplos citados aqui já servem como referencia do conteúdo literário existente para a área de informação geográfica. 2.4 Ferramentas Similares Foram realizadas pesquisas sobre softwares similares que trabalhassem com o mesmo conceito abordado por este trabalho, ou seja, softwares que possuem ferramentas capazes de aplicar análise difusa em dados geoespaciais com intuito de trabalhar as incertezas provenientes de tais dados com base em definições realizadas por um especialista na área de informação geográfica. O resultado do estudo e análise das ferramentas para os softwares encontrados, que são capazes de realizar a atividade de análise difusa, estão descritos no decorrer deste item. Ao final foi criada uma tabela comparativa entre as ferramentas dos softwares analisados e a ferramenta proposta para este trabalho, também foi descrito algumas considerações sobre a pesquisa realizada ArcGIS O ArcGIS é um SIG proprietário e pago distribuído pela ESRI (Environmental Systems Research Institute) especializada em produtos voltados a geoinformação, a sua versão desktop possui três principais produtos dentro de um mesmo pacote de softwares sendo eles, o ArcView, ArcEditor e ArcInfo. E dentro de cada software existe um nível de aplicações para as mais variadas tarefas cartográficas (ESRI, 2004). Dentre as aplicações estão: O ArcMap para digitalização de mapas em formato de imagens ou existentes em

48 48 algum meio de armazenamento como, por exemplo, banco de dados geográfico. Possui ferramentas para criação de mapas, análise geoespacial, tratamento de informações, acesso a banco de dados, etc., alem de possuir uma interface intuitiva orientada a tarefas; O ArcCatalog ferramenta para importação de dados proveniente de fontes da internet; e ArcTolbox conjunto de ferramentas utilizadas nas mais diferentes tarefas cartográficas, geoprocessamento e análise de dados. E está presente no ArcMap e ArcCatalog. Além das aplicações descritas aqui o ArcGIS possui em seu conjunto de ferramentas extensões criadas por parceiros da ESRI, estas extensões auxiliam análise de dados e geoprocessamento (ESRI, 2004). Uma destas extensões existentes e que é o foco deste item é o conjunto de ferramentas de sobreposição ou do inglês toolset overlay, as ferramentas desta extensão permite combinar várias entradas de dados para o processo de análise transformando em uma única saída (ESRI, 2004). Conforme ESRI (2004), análise de sobreposições é uma técnica de aplicação de uma escala de valores de entrada para criação de uma análise integrada, através de utilização de modelos matemáticos definidos para cada fenômeno específico. E a definição do modelo matemático deve ser de responsabilidade do especialista que estuda o fenômeno. A extensão possui quatro ferramentas, Fuzzy Membership, Fuzzy Overlay, Weighted Overlay e Weighted Sum, mas apenas as duas primeiras serão descritas, pois possuem o conteúdo relevante para este trabalho Fuzzy Membership Conforme ArcGIS (2010), Esta ferramenta não se adapta a dados categóricos e torna obrigatória uma etapa de pré-processamento dos dados antes de utilizar a ferramenta. Como entrada de dados é necessário carregar um arquivo raster e como saída tem-se o mesmo tipo de arquivo, a ferramenta processa o arquivo e define uma escala de 0 a 1 para os dados de entrada sendo 1 indica a total adesão ao conjunto selecionado e 0 para o caso de não

49 49 aderir ao conjunto. Também é possível definir as funções de pertinência para o conjunto, são elas, Gaussian, Small, Large, MSSmall, MSLarge, Linear. E por fim é possível definir se será aplicada na análise a opção para aumentar e diminuir os valores de pertinência difusa para modificar o sentido do conjunto difuso. Por padrão este item é selecionado na opção para não executar e sua utilização é opcional. A Figura 18 mostra a interface para configuração do processo de análise difusa. Figura 18. Interface de configuração da ferramenta Fuzzy Membership para o software ArcGIS Fuzzy Overlay Conforme ArcGIS (2010), esta ferramenta possibilita a combinação de vários arquivos raster aplicando a análise por inferência difusa através da seleção do tipo de sobreposição para gerar o resultado final, ou seja, possibilita a análise de um determinado fenômeno que ocorre em vários conjuntos distribuídos em diferentes arquivos raster. A ferramenta disponibiliza a opção para seleção de 1 ou mais arquivos raster, bem como a definição do tipo de sobreposição que são eles: AND, utiliza o valor mínimo do maxmin para os arquivos raster de entrada; OR, utiliza o valor máximo do maxmin para os arquivos raster de entrada; PRODUCT, utilizada quando combinação múltiplas evidências é menos

50 50 importante que qualquer entrada que esteja sozinha; SUM, utilizada quando combinação múltiplas evidências é mais importante que qualquer entrada que esteja sozinha; e GAMMA, produto algébrico da soma fuzzy e produto fuzzy, que é elevado a potência que pode ser definida no campo Gamma que é opcional e só libera para alteração quando o item é selecionado na interface da ferramenta. A Figura 19 mostra a interface para esta ferramenta. Figura 19. Interface de configuração da ferramenta Fuzzy Overlay para o software ArcGIS. As ferramentas disponibilizadas pelo ArcGIS para análise difusa possuem por característica principal o processamento baseado em arquivos raster, porém as ferramentas apresentadas não possuem a possibilidade de escolha de funções de pertinência diferentes para cada conjunto, também não existe a possibilidade de escolha das regras de inferência e em alguns casos exigem a abordagem de um pré-processamento para aplicar a análise difusa nos dados de entrada. A saída por sua vez pode ser salva em um diretório da maquina e ao final do processo de inferência é aplicado o resultado na área de visualização de mapas, conforme mostra a Figura 20.

51 51 Figura 20. Interface da área de visualização de mapas do software ArcGIS IDRISI Taiga Este software SIG é similar ao software descrito anteriormente, possui algumas características similares, por exemplo, trabalha com banco de dados geográfico, possui ferramentas para análise de dados geoespaciais, visualização de mapas em camadas, possível de processar dados raster. O software também trabalha com dados vetoriais e tem como foco principal ferramentas para tratamento e processamento de imagens geoespaciais, por exemplo, imagens obtidas através de satélite (CLARK LABS, 2009). O software é proprietário e pago, foi desenvolvido pela Clarck Labs um centro de pesquisa de tecnologias geoespaciais da Clarck University. Para aplicar a análise difusa o software IDRISI Taiga possui uma ferramenta para aplicar o processo de inferência, esta ferramenta aplica a inferência em uma imagem onde é possível escolher entre três funções de pertinência e também existe uma opção para definir uma função proposta pelo usuário, esta configuração da ferramenta para aplicar a função escolhida pelo usuário ocorre com a configuração de um arquivo que é carregado na ferramenta para execução (IDRISI Taiga Help System, 20--).

52 52 Figura 21. Interface do software IDRISI Taiga. Fonte: Clark Labs (2009). As funções possíveis de serem selecionadas são, a senoidal, J-Shaped e linear, dependendo da função selecionada é possível definir a curvatura que a mesma assumirá através de três opções, monotonicamente crescente, monotonicamente decrescente, e simétrica. Para definir os conectivos AND e OR para interseção dos conjuntos é necessário utilizar em conjunto o módulo de análise geográfica chamado OVERLAY (IDRISI Taiga Help System, 20--). A Figura 22 mostra a interface de entrada de dados para executar o processo de análise difusa no software IDRISI Taiga. Figura 22. Interface da ferramenta de análise difusa disponível para o software IDRISI Taiga. Fonte: Idrisi Taiga Help System (20--).

53 53 Apesar da pouca especificação encontrada sobre a ferramenta de inferência difusa para o software IDRISI Taiga, foi possível avaliar que o mesmo não possui a disponibilidade de definição de diferentes funções de pertinência para os conjuntos difusos, também não foi encontrado nenhuma definição sobre o modelo de inferência que a ferramenta utiliza e não foi possível identificar a disponibilidade do recurso de criação de regras para os conjuntos. É necessário ressaltar que a avaliação deste software não pode ser realizada por sua completude por se tratar de um software pago e, portanto não foi obtida uma versão para avaliação do mesmo, assim como a documentação disponível é limitada GRASS GIS O software GRASS é um SIG que foi inicialmente desenvolvido pelo laboratório de pesquisa de engenharia da construção do exército americano, e virou um projeto de código livre também conhecido pelo termo em inglês Open Source e está sob a licença GPL (General Public License). O software trabalha com gerenciamento de dados, processamento de imagens, produção gráfica, modelagem espacial e visualização de diversos dados, em relação aos dados geoespaciais é possível trabalhar tanto com raster como com dados vetoriais. Também possui uma grande quantidade de ferramentas para análise geoespacial o que inclui um módulo para análise difusa de imagens de mapas (GRASS GIS, 20--). A ferramenta de inferência disponível para o software possibilita a análise difusa de um arquivo de mapa por vez, porém é possível definir mais de um conjunto difuso para o mapa bem como definir as variáveis linguísticas e as funções de pertinência para cada conjunto que será utilizado na inferência difusa. Várias regras podem ser criadas para os conjuntos através das definições de proposições. Para configuração da máquina de inferência difusa é possível ainda definir o modelo referente aos operadores t-norma e t-conorma, o método de implicação e o método de defuzzificação. Todas estas configurações podem ser realizadas em dois arquivos diferentes um para definição dos conjuntos difusos, variáveis linguísticas e funções de pertinência e um segundo arquivo com as regras e demais configurações para a máquina de inferência difusa. Este processo é realizado quando o usuário optar pela criação manual e execução da ferramenta via console.

54 54 Porém o software possibilita a escolha de determinadas opções em uma interface de usuário, esta interface representada pela Figura 23 diminui o processo manual apenas para as configurações avançadas da máquina de inferência, mas ainda torna obrigatória a criação manual dos conjuntos e das regras através de seus respectivos arquivos que posteriormente são carregados pela interface da ferramenta. Figura 23. Interface da ferramenta de análise difusa do software GRASS GIS. Fonte: Jasiewicz e Di Leo (2011) SAGA SAGA é um software SIG de código aberto e desenvolvido em linguagem de programação C++ e distribuído sob a licença GPL, seu desenvolvimento teve inicio na Universidade de Goettingen na Alemanha, e atualmente o código é mantido pela Universidade de Hamburg também na Alemanha. Sua estrutura é definida por módulos onde cada módulo possui as ferramentas utilizadas para análise geoespacial, é um software hibrido capaz de trabalhar tanto com dados no formato raster como dados vetoriais, mas possui maior ênfase no tratamento de dados no formato raster (CIMMERY, 2010). A Figura 24 mostra a interface de usuário do software, como destaque do diferencial para as demais ferramentas até agora analisadas fica para a barra lateral esquerda com a lista de todos os módulos das ferramentas de análise disponíveis para o software.

55 55 Figura 24. Interface do software SAGA. Figura 25. Interfaces das ferramentas de análise difusa para o software SAGA.

56 56 As ferramentas disponíveis para análise difusa possuem telas para configuração separada onde o usuário escolhe um mapa presente na área de visualização para aplicar a análise difusa, em seguida define as variáveis que deseja utilizar para definir os conjuntos e em duas telas distintas configura a intersecção ou união para a proposição AND e OR. A inferência difusa é aplicada em apenas um mapa por vez, só uma função de pertinência pode ser definida e não é possível criar as regras para o processo de inferência. A Figura 25 mostra as três telas para a configuração das informações para aplicação da análise difusa no mapa. Tabela 2. Comparação das diferenças entre as ferramentas de inferência difusa estudadas e a ferramenta proposta neste trabalho. Características Tipo de dados de entrada Método de inferência Modo de configuração do processo de inferência Funções de pertinência disponíveis Possibilidade de definição das regras de inferência Quantidade de arquivos possíveis de aplicar a inferência difusa na mesma análise Ferramenta Fuzzy Menbership / Overlay ArcGIS FUZZY IDRISI Taiga r.fuzzy.syste m GRASS GIS Fuzzify SAGA Raster Raster N/D Raster e imagens digitais de mapa MIDgeo Ferramenta proposta neste trabalho Raster N/D N/D N/D N/D Mamdani Interface de usuário Gaussian Small Large Near MSSmall MSLarge Linear Interface de usuário Senoidal J-shaped Linear Manual e interface de usuário Linear S-shaped G-shaped J-shaped Interface de usuário Senoidal J-shaped Linear Não Não Sim Não Sim Um ou mais Apenas um Interface de usuário Triangular Trapezoidal Senoidal Apenas um Apenas um Um ou mais

57 Considerações Com base no estudo realizado sobre a lógica difusa e SIG foram levantadas as características relevantes para este trabalho com intuito de criar uma tabela comparativa entre as ferramentas analisadas neste item e a ferramenta proposta para o trabalho. A Tabela 2 descreve as características comparativas entre as ferramentas. Ao observar a Tabela 2 pode ser identificado que cada ferramenta possui uma proposta diferente para aplicação da análise difusa, sendo assim cabe ao especialista decidir qual é o melhor modelo ou método a ser utilizado ao analisar um fenômeno geográfico. Também é importante deixar claro algumas observações referentes às ferramentas analisadas aqui neste item. Em relação às ferramentas dos softwares ArcGIS e IDRISI Taiga as informações levantadas foram obtidas através de documentação disponível pelo desenvolvedor dos softwares e principalmente no conteúdo descrito nos sites. Algumas informações como, por exemplo, o método de inferência utilizado pelas ferramentas, não foram obtidas devido a escassa informação disponibilizada pelos respectivos desenvolvedores. Já para os softwares GRASS GIS e SAGA o conteúdo levantado sobre as ferramentas de análise difusa teve como base a análise direta dos softwares com a instalação dos mesmos, não foi encontrado nenhum tipo de documentação que explicasse quais os métodos utilizados na inferência difusa. Porém o software GRASS GIS possuía um arquivo com a descrição de criação dos arquivos de configuração para o sistema de inferência difusa, este então auxiliou a levantar algumas informações sobre o funcionamento da ferramenta.

58 58 3 DESENVOLVIMENTO Este capítulo tem por objetivo descrever a metodologia para o desenvolvimento da ferramenta de análise difusa para o software ArcGIS. Para o desenvolvimento da ferramenta foi realizado o levantamento dos requisitos necessários e pesquisado os recursos para integrar a ferramenta desenvolvida ao software ArcGIS. Bem como foi realizada a modelagem conceitual da ferramenta auxiliando o entendimento do processo funcional ao utilizá-la. 3.1 Conceito Geral da Ferramenta Proposta A ferramenta de inferência difusa desenvolvida neste trabalho busca auxiliar o usuário de um SIG no tratamento da incerteza de informações ao estudar um fenômeno geográfico. Para proporcionar uma ferramenta de apoio em processos de análise geoespacial foi escolhido como base para o desenvolvimento o software ArcGIS. O ArcGIS proporcionará todo o suporte necessário ao usuário durante o uso da ferramenta e auxiliará na manipulação dos valores resultantes do processo de análise. Sendo assim, a ferramenta de inferência difusa será implementada e disponibilizada para o ArcGIS. Alem das características já descritas no Item 2.4.1, o software ArcGIS proporciona a instalação de extensões desenvolvidas para o mesmo, através de ferramentas disponibilizadas pela desenvolvedora do software a ESRI que possui o ArcGIS Engine, uma coleção de recursos para construção de aplicações web, desktop e dispositivos móveis nas linguagens de programação Java, C ++, COM,.NET e Python (ESRI, 20--). No Item 3.2 são discutidos os recursos necessários para desenvolver a ferramenta para o software ArcGIS. O desenvolvimento da ferramenta decorreu através de duas etapas principais com processos independentes e as etapas de integração. A primeira etapa foi o desenvolvimento da interface de usuário utilizando as ferramentas disponibilizadas pela ESRI e a segunda etapa é definida pelo desacoplamento e adaptação do código da máquina de inferência difusa utilizado na ferramenta Agent Simulator. Os detalhes do desenvolvimento das etapas principais e das etapas de integração serão discutidos nos Itens 3.4, 3.5, 3.6 e 3.7 respectivamente.

59 Recursos adotados no desenvolvimento da ferramenta Neste item serão abordados os requisitos e recursos que foram adotados durante todo o processo de desenvolvimento da ferramenta, este conteúdo demonstrará algumas características dos itens necessários para o desenvolvimento de projetos para o software ArcGIS Softwares Como foi descrito anteriormente no item 3.1, existe várias linguagens de programação suportadas para o software ArcGI, e isto proporciona ao desenvolvedor um leque de possibilidades de implementação de novas ferramentas e recursos para o software, portanto foi para o desenvolvimento da ferramenta de análise difusa que foi escolhido um recurso disponível no ArcGIS Engine, este recurso é o ArcObjects SDK para.net framework da Microsoft. Como linguagem de programação do framework foi definido a utilização do C#, a escolha destes recursos deu-se devido ao fato da obrigatoriedade do desenvolvedor possuir uma licença de desenvolvimento para o software ArcGIS, a obtenção desta licença deu-se através do LCA (Laboratório de Computação Aplicada) da Univali que cedeu a licença necessária para o desenvolvimento da ferramenta tornando possível dar continuidade ao trabalho aqui apresentado. Esta SDK proporcionada pelo ArcGIS Engine possui opção de instalação e integração com a ferramenta de desenvolvimento de softwares Visual Studio, alem de proporcionar o help com informações e exemplos de desenvolvimento e a API (Application Programming Interface) para desenvolvimento de ferramentas para o software, aplicativos desktop e sistemas web. A ferramenta de desenvolvimento Visual Studio utilizada durante todo o desenvolvimento da interface de usuário e a integração da ferramenta com o software ArcGis, é uma ferramenta criada e disponibilizada pela empresa Microsoft e possui todos os recursos necessários para a linguagem de programação definida para o desenvolvimento da ferramenta. Entre os recursos existentes estão o ambiente visual de desenvolvimento, contando com paletas de componentes para arrastar e soltar proporcionando um ambiente completo para montar a interface de usuário, além de bibliotecas de código para a etapa de programação e integração entre a interface e a máquina de inferência difusa criada em linguagem de programação C ++, (MSDN, 2011). A pesar de a ferramenta Visual Studio também exigir licença de uso, a Univali possui todos os recursos necessários para uso da mesma, ou seja,

60 60 possui tanto o instalador da ferramenta quanto a licença de utilização e estes recursos estão disponíveis de forma gratuita aos acadêmicos da instituição. De posse destas duas ferramentas bastou apenas instalar a SDK para tornar disponível a API na ferramenta Visual Studio, a SDK auxilia na criação de projetos para o ArcGIS através de um assistente de criação de projetos, possibilita a depuração dos projetos criados durante a execução do software. Onde através da junção destes elementos torna-se tangível o processo de criação de projetos possibilitando o desenvolvimento de uma extensão para o ArcGIS conhecido como Add-in (ARCGIS RESOURCE CENTER, 2010). Conforme ArcGIS Resource Center (2010) o Add-in oferece uma gama de funcionalidades já existentes no ArcGIS Desktop para otimização de atividades conforme a necessidade do usuário do SIG, o que possibilita adicionar diretamente no software ArcGIS componentes como, botões, combobox, menus e janelas, através de um arquivo de configuração XML (Extensible Markup Language) presente ao criar um projeto de Add-in. Já a máquina de inferência difusa foi desenvolvida utilizando a linguagem de programação C++, onde ao final de sua implementação foi gerado uma DLL (Dynamic-link library), que por sua vez é executado através de um método de chamada a código nativo no C#, o que resultou em um processo de interoperabilidade entre as diferentes linguagens de programação auxiliando na execução das ações necessárias para aplicar a inferência difusa no conjunto de dados definidos pelo usuário ao utilizar a ferramenta. O desenvolvimento da máquina de inferência decorreu com a utilização da ferramenta de desenvolvimento Code::Blocks. Esta é gratuita possui todos os recursos necessários para programação para a linguagem de programação definida para a construção da máquina de inferência. Entre os recursos existentes estão o ambiente visual de desenvolvimento, bibliotecas de código para programação e compilador para a linguagem de programação C ++, esta ferramenta de desenvolvimento também disponibiliza métodos para a criação de DLL (CODE::BLOCKS, 2011). Os itens listados a seguir descrevem de forma sucinta e servem como referência rápida os recursos utilizados no desenvolvimento da ferramenta proposta. ArcGis: software ao qual será desenvolvido a ferramenta de análise Fuzzy; ArcObjects SDK para.net Framework da Microsoft: SDK de desenvolvimento de

61 61 ferramentas e extensões para o ArcGIS, conta com documentação e APIs para a ferramenta Visual Studio; Visual Studio: ferramenta de desenvolvimento para a linguagem de programação C#; e Code::Blocks : ferramenta para o desenvolvimento do algoritmo de análise difusa e geração da DLL. 3.3 Modelagem Neste item é descrito a modelagem conceitual da ferramenta desenvolvida neste trabalho, onde são apresentados os requisitos funcionais, requisitos não funcionais e regras de negócio. Também foi adotada de forma a esclarecer melhor a ferramenta proposta a definição dos casos de uso das funcionalidades da ferramenta, o diagrama de sequência que auxilia a definir melhor como é o funcionamento do fluxo de utilização e execução da ferramenta e o diagrama de atividades que serve de complemento aos casos de uso Requisitos Funcionais RF01 - A ferramenta deve permitir a configuração dos conjuntos difusos; RF02 - A ferramenta deve permitir a configuração das regras de inferência; RF03- A ferramenta deve permitir salvar as configurações para o processo de inferência difusa; RF04 - A ferramenta deve permitir o carregamento das configurações salvas para o processo de inferência; RF05 - A ferramenta deve permitir salvar a imagem resultante do processo de inferência difusa; RF06 - A ferramenta deve permitir a adição, alteração e remoção de um conjunto difuso; RF07 - A ferramenta deve permitir a adição, alteração e remoção das regras de inferência; RF08 - A ferramenta deve permitir a alteração dos valores da reta suporte dos conjuntos difusos; e

62 62 RF09 - A ferramenta deve salvar as imagens que já estiverem sido carregadas quando a ação de salvar as configurações for acionada. RF10 - A ferramenta deve possuir um componente gráfico para visualizar as funções de pertinência criada para os conjuntos. RF11 - A ferramenta deve possuir um método de validação dos arquivos de configuração possíveis de serem carregados Requisitos não Funcionais RNF01 - A ferramenta deve ser desenvolvida para o software ArcGIS; RNF02 - A extensão Add-In deve ser desenvolvida em C# utilizando a API de desenvolvimento do ArcGIS Engine; RNF04 - A máquina de inferência difusa deve ser desenvolvida em C ++; RNF05 - A entrada e saída de dados da ferramenta deve ser no formato raster; RNF06 - O método de inferência difusa adotado é método Mamdani; e RNF07 - A ferramenta deve ser compatível com o software ArcGIS Regras de negócio RN01 - Ao selecionar o primeiro mapa para a criação do conjunto difuso a ferramenta deve considerar os valores deste mapa como referência para os demais; RN02 - Ao remover um conjunto difuso das configurações, uma verificação deve ser realizada para avaliar se conjunto criado possui dependência nas regras de inferência já criadas; RN03 - No caso de haver alguma dependência entre o conjunto e as regras de inferência a ferramenta deverá mostrar uma mensagem para a confirmação por parte do usuário se deseja ou não remover a mesma da ferramenta; RN04 - Ao alterar uma variável linguística de um conjunto difuso as regras já configuradas com esta variável automaticamente deverão mudar para o novo valor definido; RN05 - Ao invocar a DLL da máquina de inferência difusa apenas valores alfanuméricos deverão ser passados para a execução do processo de inferência

63 63 difusa; RN06 - Ao retornar o resultado do processo de inferência difusa a ferramenta deve criar o arquivo raster e realizar a chamada ao software ArcGIS para mostrar o conteúdo na área de visualização do mapa; RN07 - O arquivo raster gerado do processo de análise deve ser criado no mesmo diretório em que as configurações foram salvas; RN08 - Quando o usuário salvar uma configuração criada para um processo de inferência difusa uma mensagem deverá ser mostrada para informar de que a configuração foi salva com sucesso; RN09 - Ao carregar um arquivo de configuração para o processo de inferência difusa, automaticamente todos os campos da ferramenta serão preenchidos conforme as configurações definidas, também deverão ser carregadas os arquivos raster a partir da configuração; e RN10 - Ao salvar as configurações do processo de inferência difusa a ferramenta criará um diretório contendo o arquivo de configuração. RN11 - A cada nova função de pertinência adicionado à um conjunto durante o processo de configuração, deve-se aplicar o conteúdo visual no gráfico de funções Casos de Uso A Figura 26 mostra os casos de uso referentes as funcionalidades da ferramenta, sendo o primeiro caso de uso (UC01) referente a criação das configurações para aplicar o processo de inferência difusa nos dados a partir das imagens carregadas. Já para o segundo caso de uso (UC02) descreve a atividade de execução o processo de inferência difusa com base em um arquivo de configurações já existente e salvo em outro momento durante a utilização da ferramenta, sendo que anteriormente o arquivo deve ser carregado na ferramenta por ação do usuário. O APÊNDICE C apresenta descritivamente os cenários levantados para os dois casos de uso apresentados neste item.

64 64 Figura 26. Casos de uso da ferramenta de inferência difusa para o software ArcGIS Diagrama de Sequência A Figura 27 mostra o diagrama de sequência referente ao caso de uso (UC01) onde são mostradas as ações necessárias para configurar e executar o processo de inferência difusa na ferramenta, processo que tem como resultado final um mapa difuso no formato raster carregado à área de visualização de mapas no software ArcGIS. A sequência que descreve a ação salvar é abordado nos cenários do APÊNDICE C, aqui no diagrama esta atividade segue um fluxo após a execução do processo de inferência, mas nada impede que o usuário salve as configurações antes de executar o processo de inferência difusa.

65 65 Figura 27. Diagrama de sequência da ferramenta de inferência difusa para o software ArcGIS referente ao caso de uso (UC01). Na Figura 28 referente ao caso de uso (UC02) o diagrama de sequência aborda a atividade de execução do processo de inferência difusa a partir de um arquivo de configuração salvo. Onde, como resultado final é possível obter o mapa difuso.

66 66 Figura 28. Diagrama de sequência da ferramenta de inferência difusa para o software ArcGIS referente ao caso de uso (UC02) Diagrama de Atividade A Figura 29 referente ao caso de uso (UC01) demonstra o processo de configuração da ferramenta de inferência difuso e execução de tal processo conforme o diagrama de sequência apresentado na Figura 27.

67 67 Figura 29. Diagrama de atividade referente ao caso de uso (UC01). A Figura 30 referente ao caso de uso (UC02) demonstra o processo de configuração da ferramenta de inferência difusa e execução de tal processo conforme o diagrama de sequência apresentado na Figura 28.

68 Figura 30. Diagrama de atividade referente ao caso de uso (UC02). 68

69 Considerações da Modelagem No decorrer do texto referente a modelagem da ferramenta, foram levantados os requisitos e informações que posteriormente serviu como referência no desenvolvimento da ferramenta proposta para este trabalho, porém não foi adotado a utilização de um padrão arquitetural para o desenvolvimento, devido a necessidade de avaliação que ocorreu na etapa de construção da máquina de inferência e o fato da ferramenta ser desenvolvida utilizando uma API de desenvolvimento que faz com que a mesma seja vinculada ao software ArcGIS conforme as determinações exigidas pela distribuidora da ferramenta a ESRI. 3.4 Desenvolvimento da Interface de Usuário A primeira etapa do desenvolvimento foi definida pela criação da interface de usuário da ferramenta, nesta etapa utilizou-se a ferramenta de desenvolvimento de softwares Visual Studio 2010 e a API de desenvolvimento para o software ArcGIS na linguagem de programação C#. Ferramentas de desenvolvimento como é o caso do Visual Studio também são conhecidas pelo termo em inglês IDE (Integrated Development Environment), termo este adotado no restante do texto para referenciar tais ferramentas. O primeiro passo foi criar um novo projeto Visual C# para o ArcGIS. Com auxilio da API é possível definir qual tipo de projeto e aplicativo deseja-se criar para o projeto de desenvolvimento. No caso da ferramenta desenvolvida para este trabalho, o projeto criado foi o Desktop Add-In para o ArcMap. Ainda durante o processo de criação é possível escolher quais dos componentes disponíveis pela API deseja-se aplicar no projeto, onde optou-se pela criação de um componente do tipo botão um componente tipo janela acoplável. A API possibilita através da interface do Visual Studio, escolher o nome das classes que representarão estes componentes, a qual categoria os mesmos pertencerão bem como o nome representativo do componente durante a instalação e utilização dentro do ArcGis. O projeto criado disponibiliza as classes para os componentes e um arquivo de configuração, com as definições que foram informadas no momento de criação do projeto, estas informações podem ser alteradas quando desejado, neste arquivo também pode ser alterado a classe representante do componente definido no momento da criação do projeto, disponibiliza a opção de definição da imagem representativa do botão, o tamanho da janela,

70 70 local de abertura entre outras informações. Com base nas definições do projeto deu-se inicio a criação da interface utilizando os recursos disponíveis pela IDE, instanciou-se a janela dentro da classe do botão para possibilitar a abertura da mesma dentro do software, a partir da ação de clique por efetuada pelo usuário. Em seguida utilizando a ferramenta de arrastar e soltar disponibilizada pela IDE, foram adicionados e posicionados os componentes para formar o conteúdo visual para a ferramenta. O conteúdo visual consiste em uma tela contendo um componente de abas para acesso a vários elementos na mesma janela. Na primeira aba o usuário poderá selecionar os arquivos desejados para aplicar o processo de inferência difusa e adicionar os conjuntos de saída (Figura 31), a segunda aba serve para configurar as funções de pertinência e variáveis linguísticas dos conjuntos (Figura 32) e na segunda aba será possível criar as regras de inferência para o processo de análise (Figura 33). Figura 31. Primeira aba da interface da ferramenta MIDgeo.

71 71 Figura 32. Segunda aba da interface da ferramenta MIDgeo. Abaixo uma breve descrição dos itens numerados na interface: 1. Área para gerenciar os conjuntos de entrada, disponibilizando o campo de seleção do conjunto de entrada referente aos arquivos raster carregados no mapa, o grid para listar os conjuntos e os botões de adição, edição e remoção dos conjuntos de entrada; 2. Área para gerenciar os conjuntos de saída, contém o grid para listar os conjuntos e os botões de criação, edição e remoção dos conjuntos de entrada; 3. Campo contendo as informações gerais, que estão sempre relacionadas ao primeiro mapa adicionado à ferramenta, mostra a quantidade de colunas e linhas da matriz de valores, o tamanho da célula de cada item da matriz e os dados referentes ao posicionamento geográfico do mapa; 4. Área para informar o nome do conjunto (reta suporte) e definir os valores maxmin para a reta suporte. 5. Área de configuração das funções de pertinência para os conjuntos, contendo os campos para informar o nome da função, seleção do tipo, inserção de valores e os

72 72 botões de adição, edição e remoção; 6. Gráfico para auxiliar na visualização das funções de pertinência criados para cada conjunto de entrada e saída; e 7. Da esquerda para a direita, o botão para limpar as configurações, botão para carregar configurações, botão para salvar configurações e botão para executar o processo de análise difusa. Figura 33. Segunda aba da interface da ferramenta MIDgeo. A Figura 33 demonstra toda a área de configuração das regras de inferência onde possui a lista de regras numeradas, ao lado direito e de cima para baixo os botões de inserção, edição e remoção de regras e os campos de seleção das operações da proposição. Os antecedentes e consequentes podem ser selecionados através de listas criadas dinamicamente conforme as configurações efetuadas nos conjuntos de entrada e saída. Concluído a criação da interface, iniciou-se o desenvolvimento das rotinas necessárias para tornar a ferramenta funcional, conforme descrito abaixo: Rotina de leitura dos arquivos raster, e criação automática do conjunto de entrada;

73 73 Rotina de alteração e remoção dos conjuntos de entrada; Rotina de criação do conjunto de saída; Rotina para alterar e remover dos conjuntos de saída; Rotina de criação das funções de pertinência para os conjuntos; Rotina para visualização dos gráficos criados a partir da definição das funções de pertinência; Rotina de criação das regras de inferência; Rotina para salvar e carregar um arquivo de configurações para o processo de análise da ferramenta; e Rotina para mostrar os arquivos carregados e o arquivo resultante do processo de análise difusa, na interface do ArcGIS. Durante o processo de criação da rotina para salvar as configurações da ferramenta, foi definido um modelo para o arquivo XML que deve ser gerado. Este modelo foi definido levando em consideração o modelo de arquivo de configurações da ferramenta Agent Simulator, o resultado do modelo definido para a ferramenta MIDgeo e o da versão do Agent Simulator pode ser conferido no APÊNDICE B e ANEXO A. Para a rotina que carrega o arquivo de configuração foi criado e aplicado um processo de verificação e validação do arquivo carregado na ferramenta, com o intuito de minimizar erros por possíveis alterações realizadas manualmente por parte do usuário da ferramenta. Este processo consiste em utilizar um arquivo conhecido como XML Schema. Conforme a W3C (2011), um XML Schema define a estrutura do conteúdo que um XML deve representar. Com a definição do modelo presente no APÊNDICE A e com o auxilio de um recurso presente em uma das bibliotecas do C# tornou-se viável a verificação e validação do arquivo de configuração. A rotina para mostrar os arquivos na interface do ArcMap foi feita utilizando as bibliotecas disponíveis pela API do ArcGis, que proporciona a criação de camadas, onde cada camada pode possuir vários conteúdos visuais para compor um ou mais mapas. A camada utilizada na ferramenta é a que possibilita carregar arquivos do tipo raster. Durante o processo de desenvolvimento em vários momentos foram realizados testes

74 74 das rotinas com auxilio de outro recuso disponível na IDE em conjunto com a API do ArcGis, recurso este que possibilita executar o aplicativo ArcMap através da IDE já com o Add-In instalado, bastando apenas adicionar o botão para execução da ferramenta na interface do ArcMap. Este recurso possibilita executar o processo em modo de depuração na IDE tornando acessíveis métodos de verificação e análise de erros durante o processo de utilização da ferramenta. Ao final da etapa de desenvolvimento da interface da ferramenta, realizou-se um estudo de possíveis funcionalidades para a execução da DLL, para contemplar a execução da rotina de análise da ferramenta, onde encontrou-se na própria documentação do C# uma referência de utilização da biblioteca de interoperabilidade usada no processo de execução das funções criadas para a DLL. Porém a implementação desta rotina será abordada com mais detalhes no Item Desenvolvimento da Máquina de Inferência Difusa A segunda etapa do projeto define o processo de criação da máquina de inferência difusa, levando em consideração que foi utilizado como base para o desenvolvimento, a ferramenta Agent Simulator, onde buscou-se alcançar um dos objetivos deste trabalho que é a evolução da ferramenta empregando-a em um ambiente SIG. Também tendo-se em vista que outros SIG já possuem ferramentas de inferência difusa em código escrito em C++, tornou justificável a utilização desta linguagem de programação no desenvolvimento da máquina de inferência difusa. A ferramenta Agent Simulator foi desenvolvida utilizando a IDE de desenvolvimento de software C++ Builder, esta IDE proporcionou os recursos e bibliotecas de código necessários para a criação da interface de usuário e processo de inferência difusa. Além do uso da IDE a ferramenta Agent Simulator faz uso do recurso de uma componente chamado Bison para analisar e validar arquivo de configuração, ao mesmo tempo em que executa o do processo de inferência difusa. Conforme GNU Operating System (2011), Bison é uma ferramenta utilizada para gerar e analisar gramáticas livre de contexto passando dentro de um modelo determinístico ou generalizado. Portanto o início desta etapa de desenvolvimento consistiu na análise do código da ferramenta Agent Simulator buscando-se entender o funcionamento para desacoplar o conteúdo necessário do contexto original. Durante a análise percebeu-se que o conteúdo do

75 75 código estava bastante acoplado às bibliotecas utilizadas no desenvolvimento, conteúdos estes como, por exemplo, atributos de classes com tipos não encontrados na linguagem base do C++, funções específicas das bibliotecas do C++ Builder e o próprio uso do Bison para a execução das funções de inicialização dos valores para o processo de inferência. Ao concluir a análise do código e avaliação de seu funcionamento, iniciou-se o processo de desacoplamento do código da ferramenta. O processo consistiu em obter apenas os arquivos contendo as classes representantes dos objetos utilizados na análise e os arquivos que com o algoritmo do processo de a análise difusa. Com os arquivos separados aplicou-se a alteração do algoritmo que apresentava algum vínculo com o C++ Builder e criaram-se os algoritmos para inicializar o processo de análise para dar origem a DLL, este processo foi executado em um projeto criado na IDE gratuita CodeBlocks, esta IDE dispões de recursos para criação de projetos para código C e C++ multi-plataforma, e proporcionou a criação da DLL de forma fácil através de exemplos e da própria documentação disponíveis no site da IDE. Ao término da resolução dos erros e implementação do algoritmo para inicializar a máquina de inferência, foi implementado os algoritmos que faltavam para contemplar os requisitos da ferramenta, ou seja, foi adicionado ao algoritmo de análise difusa as funções de pertinência senoidal e trapezoidal, funções estas que não estavam presentes na ferramenta Agent Simulator. Outra funcionalidade que foi desenvolvida e que não estava presente no Agent Simulator é a execução da análise de inferência difusa com base em regras de inferência que possuem mais que dois antecedentes e mais que um consequente, proporcionando um modelo diferenciado em relação a ferramenta Agent Simulator para o processo de criação das regras de inferência. Com o código finalizado foi gerado a DLL para iniciar a etapa de integração da interface de usuário com a máquina de inferência. A máquina de inferência desenvolvida para ferramenta proposta tem como base o modelo de inferência de Mamdani (BARROS; BASSANEZI, 2006), onde no modelo, além da definição dos conjuntos difusos, suas funções de pertinência e variáveis linguísticas, é possível o processamento das regras de inferência para montar o conjunto difuso de saída. Ao final as seguintes funções de pertinência estão presentes na ferramenta proposta, são estas a triangular, trapezoidal e senoidal. No processamento das regras de inferência a

76 76 máquina de inferência difusa faz uso dos operadores t-norma e t-conorma e o método de defuzzificação centroide. A escolha do método de inferência de Mamdani se deu devido a sua abordagem em alguns trabalhos, como por exemplo, Silva(2006), Nääs et al (2010) e Kumar, Mathew e Swaminathan (2010). Sendo sua metodologia abordada com frequência no meio cientifico tornou-se uma ótima opção ao aplicar a este trabalho. 3.6 Integração da Interface de Usuário com a Máquina de Inferência Difusa A integração de interface com a máquina de inferência tornou-se possível através da classe DllImport presente na biblioteca do C# chamada System.Runtime.InteropServices. A biblioteca fornece suporte a uma grande variedade funções para invocar plataformas diferentes de serviços (MSDN, 2012). Dentre elas a execução de programas com de código nativo em C ou C ++. A codificação do método de interoperabilidade consiste na criação de chamadas a métodos externos existentes na DLL através do C#, onde é criada a chamada contendo o mesmo nome do método presente do código em C++. Conforme o exemplo a seguir. void DLL_EXPORT executefuzzy(); Quardro 1. Código em C++ para exportar o método. [System.Runtime.InteropServices.DllImport("fuzzydll.dll")] public static extern void executefuzzy(); Quardro 2. Código em C# importando o método da DLL. Após a chamada de pelo menos um método uma instancia da DLL é criada e vários outros métodos podem ser chamados sem perder a referência do conteúdo administrado entre ambas as partes.

77 77 Com base na análise do código da ferramenta Agent Simulator realizado na etapa descrita no Item 3.5, foi possível identificar o padrão em que os métodos eram chamados para alimentar as informações do processo de análise, de posse deste padrão foi desenvolvido a rotina de alimentação dos dados, e assim disponibilizando o método de execução de análise difusa. Foram necessários a aplicação de para verificar possíveis incompatibilidades entre o conteúdo gerado em código C# e C++, rodando a ferramenta dentro do ArcGIS. Como modelo de teste foi criado uma rotina para carregar os conjuntos de entrada do Agent Simulator para identificar se o resultado da análise correspondia entre as duas ferramentas. Nos testes foram utilizados exemplos provenientes do trabalho realizado na tese de Sperb (2002), as configurações foram criadas dentro da ferramenta MDIgeo buscando testar as novas rotinas implementadas. Ao final dos testes o resultado final foi o mesmo para ambas as ferramentas. 3.7 Integração da Ferramenta de Inferência difusa com o Software ArcGIS A etapa de integração da ferramenta de análise geoespacial MDIgeo com o software ArcGIS ocorreu durante todo o desenvolvimento da ferramenta, pois tornou-se essencial testar as funcionalidades e rotinas criadas para ter a certeza do correto funcionamento, ou seja, esta etapa ocorreu sempre em paralelo com as demais. Porém foi nesta etapa que ocorreu a implementação da rotina para carregar o valor resultante do processo de inferência difusa, na interface do ArcGIS. A rotina tem como base o mesmo conceito da rotina para mostrar os arquivos carregados no processo de criação dos conjuntos de entrada, mas seu diferencial fica na leitura do arquivo resultante do processo de análise aplicando-se tratamento no resultado obtido, para gerar um arquivo raster que posteriormente deve ser mostrado na área de visualização de mapas. 3.8 Dados de Entrada e Saída Os dados de entrada e saída abordados neste item referem-se ao conteúdo que será processado pela máquina de inferência difusa e o conteúdo resultante do processo de análise descrevendo em que formato será disponibilizado para o usuário após o processamento. Com base nos estudos realizados das ferramentas SIG no Item 2.4 optou-se em adotar

78 78 a utilização de arquivos raster na extração de dados e geração dos resultados após o processo de inferência difusa, o formato raster possibilita criar diversas referências e cruzamentos de informações. O raster com sua característica matricial auxiliou na obtenção dos dados de entrada, onde por meio de métodos presentes na API do ArcGIS, facilitou a obtenção do valor de cada pixel representante do mapa raster, reduzindo o trabalho que antes um usuário teria que aplicar para obter um arquivo texto que era utilizado no processamento da ferramenta Anget Simulator. Seguindo o mesmo pensamento, definiu-se que os dados de saída teriam o mesmo formato, ou seja, após o processo de inferência a matriz resultante da análise é salvo em um arquivo texto e posteriormente transformado em um raster possível de ser aberto e visualizado no ArcGIS, utilizando o formato e extensão definido para o software. Este processo de transformação é aplicado com auxilio da ferramenta de conversão de tipos de arquivos presente no software ArcGIS. A escolha da utilização de arquivos raster na ferramenta proporcionou manter a característica de georreferenciamento do conteúdo analisado, onde o arquivo de saída contém a mesma referência geográfica dos arquivos de entrada, demonstrando um grau de confiança maior e garantindo informações com as características que o do software dispõe para os usuários do mesmo. Estas características presentes no arquivo raster servem como base para a definição de algumas regras e restrições para a ferramenta, como pode-se ver no campo Informações Gerais presente na Figura 31, ao selecionar o primeiro mapa para a geração do conjunto de entrada, automaticamente a ferramenta determina aqueles dados como padrão para os demais mapas possíveis de serem selecionados. Ou seja, no caso da informação coluna e linha, todos os demais mapas devem conter o mesmo valor informado no campo, caso o usuário tente de alguma forma informar um mapa com o número de colunas e linhas diferentes a ferramenta não permitirá tal ação e informará através de uma mensagem, esta seria a principal restrição. As demais informações formam regras para o processo de análise e geração do resultado, ou seja, os valores para cellsize, x e y, servem tanto como parâmetro para o usuário saber que os demais mapas após a inserção do primeiro devem conter o mesmo tamanho de célula e posicionamento geográfico, não existe restrição em carregar mapas com valores

79 79 diferentes para estes itens, porém isto poderá acarretar em erros no resultado da análise de inferência já que o processo deve ser aplicado em áreas com as mesmas coordenadas geográficas. Mas tudo depende das escolhas efetuadas pelo especialista, a responsabilidade fica a cargo do mesmo. Portanto o arquivo de saída ou arquivo resultante do processo de análise de inferência difusa será construído a partir destas informações também, ou seja, terá o mesmo número de linhas e colunas e manterá as mesmas informações geográficas definidos na seleção do primeiro mapa. 3.9 Testes da Ferramenta A etapa de testes da ferramenta contém dois processos de análise, ambos foram aplicados pelo especialista Professor Rafael Medeiros Sperb, onde o mesmo realizou a análise difusa para um teste com os dados utilizados em sua tese de doutorado e um caso de estudo desenvolvido em pesquisas de processo de análise de geoinformação efetuadas pelo mesmo. Nestes testes buscaram-se validar se a ferramenta cumpre com as metas definidas para este trabalho, bem como se a mesma proporciona resultado semelhante a ferramenta Agent Simulator Ocupação da área costeira da Praia de Ingleses O objetivo deste teste foi replicar o estudo presente no trabalho de Sperb, que tem como definição do problema a avaliação da expansão urbana através dos fatores de abertura de novos caminhos e ruas na região estudada presente na Figura 34 (SPERB, 2002). As configurações aplicadas no teste estão presentes no APÊNDICE A tendo como base os mapas representados pela Figura 35 e Figura 36. Ao final do processo de análise a comparação entre o resultado obtido através da ferramenta Agent Simulator e MIDgeo, respectivamente Figura 37 e Figura 38.

80 80 Figura 34. Vista leste da Praia de Ingleses. Fonte: Sperb (2002). Figura 35. Mapa que representa o conteúdo visual do conjunto estrada.

81 81 Figura 36. Mapa que representa o conteúdo visual do conjunto base. Figura 37. Mapa resultante do processo de análise difusa na ferramenta Agent Simulator.

82 82 Figura 38. Mapa resultante do processo de análise difusa na ferramenta MIDgeo. Como resultado final do processo de análise para este teste obteve-se os mapas representados pela Figura 37 e Figura 38, onde o conteúdo visual apresentado refere-se à ocupação da área costeira com base na percepção de distância de vias de circulação e localização em relação à região central e periferia. Esta percepção pode ser constatada de forma gradual na área de ocupação seguindo os tons de cores mais claros, ou seja, maior ocupação do território, até os tons mais escuros que representam menor ocupação territorial. Considerando que o resultado é um mapa difuso no formato raster, que possui a característica matricial, pode-se afirmar que cada pixel do mapa representado por uma cor possui um valor atribuído. Este valor representa a preferência de ocupação dos usuários da área estudada, sendo assim percebe-se através do gráfico representado na Figura 39 que para os tons de cores mais claros, ou seja, área com maior preferência para ocupação também definido pelas variáveis (bom) e (excelente), tem-se os valores dessa matriz variando entre 150 e 250. Já para os tons mais escuros onde representa locais considerados terríveis ou péssimos para ocupação a variação dos valores dentro do grid vai de 0 a 100.

83 83 Figura 39. Representação gráfica dos conjuntos difusos de percepção e preferência dos usuários do estudo de caso. Fonte: Sperb (2002). É válido deixar claro que apesar da diferença visual apresentada nas imagens resultantes, o processo de análise resultou em uma matriz de valores com os mesmos dados. Essa diferença na coloração ocorre, pois a ferramenta Agent Simulator possui poucas paletas de cores possíveis de serem aplicadas ao resultado, o oposto do software ArcGIS que disponibiliza um leque maior de opções de paletas e variações de escalas para aplicar as cores representativas dos valores resultantes Estudo de Caso Este testudo de caso aplicado como teste consiste em selecionar a área mais apropriada para instalação de um aterro sanitário, considerando os seguintes critérios geoespaciais para o local: A declividade deve ser inferior a 18 o ; O tipo do solo deve ser da categoria 1, 4, 5 ou 6; e Deve estar distante no mínimo: o 1Km de estradas o 2Km de rios o 3Km de lagos

84 84 Para a aplicação do estudo, alem de utilizar o processo de análise difusa fez-se uso também da técnica de sobreposição de camadas como meio de comparação entre diferentes metodologias de estudo. A sobreposição de camadas conhecida também como overlay. Consiste em uma operação de geoespacial em que dois ou mais mapas que são sobrepostos de modo que possam ser analisadas as relações que existem entre os atributos geográficos em uma determinada área. As operações mais comuns de sobreposição são de união e intersecção. Figura 40. Exemplo de operação de sobreposição (ESRI, 2012). No exemplo de overlay para a operação de intersecção entre duas camadas (Figura 40), tem-se uma camada contendo a estrutura viária e no outro os bairros. A partir da operação pode-se identificar a que bairro cada via, ou trecho desta, pertence. Para o presente estudo de caso, foram adotados os conjuntos (Figura 41) e regras de inferência (Quardro 3). IF (decliv is alta) OR (lagos is impossivel) THEN (output1 is pessimo) IF (decliv is media OR lagos) AND (solo is longe) THEN (output1 is ruim) IF (decliv is baixa) AND (lagos is longe) AND (solo is proximo) AND (vias is longe) AND (rios is proximo) THEN (output1 is regular) IF (decliv is baixa) AND (lagos is longe) AND (solo is proximo) AND (vias is longe) AND (rios is longe) THEN (output1 is com) IF (decliv is baixa) AND (lagos is longe) AND (solo is proximo) AND (vias is proximo) AND (rios is longe) THEN (output1 is excelente) Quardro 3. Regras de inferência do estudo de caso.

85 85 Figura 41. Conjuntos adotados para o processo de análise, vias (a), solo (b), rios (c), lagos (d), declividade (e) e conjunto de saída (f). Para o estudo de caso, cada atributo geoespacial foi tratado de modo a refletir os critérios estabelecidos de análise Declividade Para a sobreposição foi elaborada a partir de uma carta de declividade (Tabela 3a), uma carta contendo uma classe de declividade até 18 o graus e outra com declividades superiores (Tabela 3b). Para a inferência difusa, criou-se uma carta contendo a distribuição contínua de declividade para a área de estudo (Tabela 3c).

86 86 Tabela 3. Atributo geoespacial declividade e os tratamentos dados para realização das análises de sobreposição e inferência difusa. Atributo Geoespacial Sobreposição de camadas (Overlay) Inferência Difusa (a) (b) (c) Solos Para a sobreposição foi elaborada a partir de uma carta de solos (Tabela 4a), uma carta contendo uma classe com os solos requeridos para o aterro e outra os indesejados (Tabela 4b). Para a inferência difusa, criou-se uma carta contendo o distanciamento gradual dos solos requeridos (Tabela 4c). Tabela 4. Atributo geoespacial solo e os tratamentos dados para realização das análises de sobreposição e inferência difusa. Atributo Geoespacial Sobreposição de camadas (Overlay) Inferência Difusa (a) (b) (c) Distâncias Para a sobreposição foi elaborada, a partir das cartas contendo os atributos Lagos, Rios e estradas (Tabela 5a), as cartas contendo os limites mínimos de distância para cada atributo (Tabela 5b). Ou seja, as áreas em que não é possível instalar um aterro dada a proximidade aos atributos geoespaciais. Para a inferência difusa, criou-se uma carta contendo o distanciamento gradual a partir destes atributos geoespaciais, do mesmo modo que o empregado para solos (Tabela 5c).

87 Lagos Estradas Rios 87 Tabela 5. Atributos geoespaciais rios, vias e lagos e os tratamentos dados para realização das análises de sobreposição e inferência difusa. Atributos Geoespaciais (a) Sobreposição de camadas (Overlay) (b) Inferência Difusa (c) Resultado e Discussão Na Figura 42 encontra-se representado em verde as áreas que atenderam aos critérios, obtidos por meio da análise geoespacial tradicional (a) e inferência difusa (b). Destaca-se na primeira a delimitação clara das áreas que atendem aos critérios estabelecidos (em verde), enquanto a inferência difusa produz uma distribuição contínua de valores, variando entre 0 e 4, referentes aos valores dos conjuntos difusos de saída. Estes valores variam das áreas que atendem com algum grau de pertinência aos critérios (em azul) às que não atendem completamente (em vermelho). Tal resultado expressa a generalização esperada pela inferência difusa em relação aos limites rígidos da análise booleana tradicional.

88 88 (a) (b) Figura 42. Resultados da análise de (a) sobreposição e (b) inferência difusa. A evidência da coerência entre o resultado da análise tradicional e da inferência difusa pode ser obtida a partir da classificação do resultado da última no limite de mínima pertinência do conjunto de saída excelente, que é 1 (Figura 43). Na Figura, os resultados encontram-se sobrepostos, com as áreas obtidas pela sobreposição destacadas em preto e por inferência difusa, em verde. Nota-se a coerência entre a definição das áreas. A maior generalização da inferência difusa pode ser atribuída a configuração dos conjuntos de entrada e definição das próprias regras de inferência. Assim, é possível que outros resultados possam ser obtidos pelo simples relaxamento ou endurecimento dos limites entre os conjuntos. Figura 43. Comparação entre os resultados da análise de (a) sobreposição e (b) inferência difusa para o conjunto excelente.

89 89 4 CONSIDERAÇÕES FINAIS Durante as pesquisas relacionadas a geoinformação e análise de informações geoespaciais foi possível verificar a abrangência da abordagem da lógica difusa nos trabalhos realizados na área de geoprocessamento, provando o esforço por buscar alternativas para análise de informações consideradas imprecisas ou incertas. Com base no conteúdo levantado justificou-se a criação de ferramentas capazes de trabalhar com o problema proposto inicialmente. Outro ponto positivo que justifica a criação da ferramenta proposta pelo trabalho é a análise das ferramentas similares, pois cada ferramenta analisada possuía alguma característica similar a ferramenta proposta, porém alguns não tratam o processo de análise difusa como um método de inferência, em outros obrigam o usuário de um SIG realizar atividades dentro e fora da ferramenta o que se pode definir como uma limitação presente no processo de utilização da ferramenta. Situações estas que este trabalho buscou solucionar com o desenvolvimento da ferramenta. O modelo aplicado no desenvolvimento da ferramenta, onde a parte da interface de usuário foi desenvolvida em linguagem de programação C# e a máquina de inferência em C++, mantém as características da ferramenta Agent Simulator, e cumpre com o propósito de evolução da ferramenta aplicando a mesma em um SIG proporcionando um ambiente com maior produtividade e reduzindo as etapas de tratamento adotadas pelos usuários de que fazem uso do método de análise difusa. É valido destacar que durante o desenvolvimento do trabalho, antes mesmo de optar pela escolha da API.Net para a construção da ferramenta. Buscou-se a criação da mesma utilizando a API disponível para a linguagem de programação Java, porém durante o processo de integração da interface com o software ArcGIS, ocorrerão erros em componentes que impossibilitaram o uso da ferramenta. E apesar das tentativas de resolução do problema descobriu-se que o erro encontrado durante o desenvolvimento era uma limitação ocasionada pelo próprio software, sendo assim não foi possível encontrar outros métodos que possibilitassem o termino da ferramenta com esta API. Para efeito deste trabalho, pode-se afirmar, primeiramente, que o emprego de inferência difusa para análise geoespacial não é viável para o estudo de caso aplicado no item

90 , mas apresenta um grande apelo por sua simplicidade e elegância no tratamento da geoinformação. Por outro lado, o exercício do estudo de caso comprova a funcionalidade da ferramenta MIDgeo como instrumento para análise geoespacial. Seu emprego acoplado ao ArcGIS facilita a condução das análises, incentivando o usuários a experimentar este novo paradigma de análise geoespacial. Permanecem como questões, que fogem ao escopo deste trabalho, os métodos para definição dos conjuntos associados aos atributos geoespaciais e as respectivas regras de inferência. Espera-se, no entanto, que com o desenvolvimento finalizado e eventual disponibilização do MIDgeo para o público venha a contribuir na consolidação do uso cotidiano da inferência geoespacial difusa. Como sugestão de trabalhos futuros, pode-se considerar a evolução da ferramenta MDIgeo aplicando-se novas funções de pertinência, inclusão do método de inferência de Kang-Takagi-Sugeno e possibilitando a escolha de outros formatos de arquivos para o processo de análise, esta evolução visa disponibilizar mais opções de trabalho para os especialistas que adotam o modelo de análise difusa em seus trabalhos.

91 91 REFERÊNCIAS AGUIAR, Hime (Coord.) et al. Inteligência computacional aplicada à administração, economia e engenharia em matlab. São Paulo: Thomson Learning, ArcGIS Resource Center. ArcObjects SDK 10 java plataform Disponível em: < Acesso em: 05 nov ArcGIS. ArcGIS Resource Center Desktop Disponível em: < Acesso em: 26 out ASTRONOMIA ON-LINE. Há 12 mil anos que a terra não estava tão quente. Boletim Astronômico, n. 267, set Disponível em: < Acesso em: 05 out AWARE. TIFF File Format Disponível em: < Acesso em: 08 nov BARBOSA, Cláudio Clemente Faria. Álgebra de mapas e suas aplicações em sensoriamento remoto e geoprocessamento f. Dissertação (Mestrado em Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, São Paulo, BARROS, Laércio Carvalho de; BASSANEZI, Rodney Carlos. Tópicos de lógica fuzzy e biomatemática. Campinas: UNICAMP/IMECC, vol. BURROUGH, P. A. Principles of geographical information systems for land resources assesment. Oxford: Clarendonn Press, CABRAL, R. B. Adaptação computacional de sistemas de inferência difusos: um caso aplicado Trabalho de Conclusão do Curso (Graduação em Ciência da Computação). Departamento de Informática e Estatística, Centro Tecnológico, Universidade Federal de Santa Catarina, Florianópolis, CÂMARA, Gilberto; MONTEIRO, Antônio Miguel Vieira; DE MEDEIROS, José Simeão. Representações computacionais do espaço: um diálogo entre a geografia e a ciência da geoinformação. São José dos Campos: DPI/INPE, Disponível em: < >. Acesso em: 05 out CHARLIER, Felix; QUINTALE JÚNIOR, Clóvis. O SIG como ferramenta para gestão ambiental em uma ferrovia. ENGEVISTA, [S.l.], v. 6, n. 3, p , dez CIMMERY, Vern. User guide for SAGA (version 2.0.5). v. 1, Disponível em: < >. Acesso em: 26 out CLARK LABS. IDRISI Taiga Disponível em: < Acesso em: 26 out DE BY, Rolf A et al. Principles of geographic information systems. 2. ed. Enschede: ITC,

92 CASTRO, Frederico do Valle Ferreira de; SOARES FILHO, Britaldo Silveira; VOLL, Eliane. Cartografia temática. Belo Horizonte: UFMG, ESRI. ESRI Cartography: Capabilities and Trends. United States of America: ESRI, ArcGIS Engine. [20--]. Disponível em: < Acesso em: 05 nov GIS Dictionary. [2012]. Disponível em: < Acesso em: 08 jul FISHER, Peter; UNWIN, David J. Re-presenting GIS. London: John Wiley & Sons, GALATI, Stephen R. Geography information systems semystified. Norwood: ARTECH HOUSE, INC, GNU Operating System Disponível em: < >. Acesso em: 23 maio GRASS GIS. [20--]. Disponível em: < Acesso em: Acesso em: 26 out HARVEY, Francis. A primer of GIS: fundamental geographic and cartographic concepts. New York: The Guilford Press, IBGE, Instituto Brasileiro de Geografia e Estatística. Noções básicas de cartografia. Manuais técnicos em geociência, Rio de Janeiro, p , IDRISI Taiga Help System. [20--]. Disponível em: < Acesso em: 26 out JANÉ, Diario de Almeida. Uma introdução ao estudo da lógica fuzzy, Horus Revista de Humanidades e Ciências Sociais Aplicadas, Ourinhos, n. 02, JASIEWICZ, Joroslaw; DI LEO, Margherita. Application of GRASS fuzzy modeling system: estimation of prone risk in Arno River Area. In: Geoinformatics FCE CTU 2011, 2011, Prague. Disponível em: < dileo.pdf>. Acesso em: 26 out KUMAR, Natarajan Venkat; MATHEW, Samson; SWAMINATHAN, Ganapathiram. A Hybrid Approach towards the Assessment of Groundwater Quality for Potability: A fuzzy logic and GIS based case study of tiruchirappalli city, India. Journal of Geographic Information System, [S.l.], p , abr LONGLEY, Paul A. et al. Geographic information systems and science. 2.ed. West Sussex: John Wiley & Sons, 2005.

93 93 MARTINELLI, Marcelo. Curso de cartografia temática. São Paulo: Contexto, MSDN Disponível em: < Acesso em: 02 nov MSDN Disponível em: < >. Acesso em: 17 maio NÄÄS, I. A. et al. Impact of global warming on beef cattle production cost in Brazil. Sci. Agric., Piracicaba, v.67, n.1, p.1-8, jan./fev NOLASCO-CARVALHO, Claudia C; FRANCA-ROCHA, Washington; UCHA, José M. Mapa digital de solos: uma proposta metodológica usando inferência fuzzy. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 13, n. 1, p , SAGA Disponível em: < Acesso em: 26 out SALICHTCHEV, K.A. Some reflections on the subject and method of cartography after the sixth international cartographic conference. The Canadian Cartoghapher, [S.l.], V.10, N.2, p , dez SAMIZAVA, Tiago Matsuo et al. SIG aplicado a escolha de áreas potenciais para instalação de aterros sanitários no município de Presidente Prudente SP. Revista Brasileira de Cartográfica, [S.l.], n. 60, v. 1, abr SILVA, Gabriel. Modelagem e implementação de uma ferramenta inteligente e de código aberto para inserção automática de inferência fuzzy em SIG convencionais f. Dissertação (Mestrado em Modelagem Matemática e Computacional) Centro Federal de Educação Tecnológica de Minas Gerais, Belo Horizonte, SHAW, Ian S.; SIMÕES, Marcelo Godoy. Controle e Modelagem Fuzzy. 1ª ed. São Paulo: Edgard Blücher, SPERB, Rafael Medeiros. Agentes inteligentes difusos: uma ferramenta híbrida para exploração de processos espaciais em zonas costeiras f. Tese (Doutorado em Engenharia de Produção) Universidade Federal de Santa Catariana, Florianópolis, W3C Disponível em: < >. Acesso em: 20 maio WEBER, Leo; Klein, Pedro Antonio Trierweiler. Aplicação da Lógica Fuzzy em Software e Hardware. 1. ed. Canoas: Ulbra, ZADEH, L. A. Fuzzy Sets. Department of electrical engineering and electronics research laboratory, Berkeley, p , 1965.

94 94 GLOSSÁRIO Análise geoespacial ArcGIS Cartografia temática Coordenada Dado geoespacial Geoespacial Geoinformação Georeferenciamento Layer Overlay SIG Análise de informações localizadas geograficamente. Software SIG desenvolvido pela empresa ESRI, possui um conjunto de ferramentas para análise e manipulação de informações geoespaciais, criação de mapas, leitura e manipulação de banco geográfico e tratamento de imagens de mapas. É a ciência que representa na forma de mapas o estudo da distribuição espacial de fenômenos que ocorrem em nosso planeta, onde define nomes que são conhecidos por temas para identificar o fenômeno a ser representado em um mapa. Definida também como coordenada geográfica, posição geográfica definida por um valor (x, y) no globo terrestre, representados por valores de latitude e longitude. Dados que tem como propriedade a localização espacial. Localização espacial. Toda a informação possível de ser vinculo a uma localização, ou espaço geográfico, por exemplo, um ponto, endereço, etc. Tornar conhecido as coordenadas de uma imagem, mapa ou outra forma de informação geográfica em um sistema de referência, por exemplo, determinar a coordenada (x, y) de um mapa no globo terrestre utilizando um SIG. Nome em inglês para camadas, geralmente atribuído a camadas de mapas. Termo muito utilizado em softwares SIG. Um tipo de camada de sobreposição para gerar um efeito ou sobreposição de determinadas camadas de mapa, com intuito de gerar um mapa com novos limites espaciais. É um sistema de hardware e software que permite analisar e processar informações geográficas, facilitando a gestão do espaço e fenômenos que ocorrem em um ambiente geográfico.

95 95 Sobreposição Na cartografia temática e também em SIG a sobreposição é o ato de sobrepor diversas camadas de mapas para a formação de um novo mapa ou para simples visualização da integração dos diversos fenômenos para uma mesma área ou região.

96 96 APÊNDICE A. XML SCHEMA PARA VALIDAÇÃO DO ARQUIVO DE CONFIGURAÇÃO <?xml version="1.0" encoding="utf-8"?> <xs:schema id="xmlschema1" targetnamespace=" elementformdefault="qualified" xmlns=" xmlns:mstns=" xmlns:xs=" <xs:element name="project" type="projecttype" /> <xs:complextype name="projecttype"> <xs:sequence> <xs:element name="agent" type="agenttype"/> <xs:element name="layer" type="layertype" maxoccurs="unbounded" minoccurs="0"/> <xs:element name="rule" type="ruletype" maxoccurs="unbounded" minoccurs="0" /> </xs:sequence> <xs:attribute type="xs:integer" name="colunms" /> <xs:attribute type="xs:integer" name="rows" /> <xs:attribute type="xs:string" name="name"/> </xs:complextype> <xs:complextype name="agenttype"> <xs:attribute type="xs:string" name="position" /> <xs:attribute type="xs:double" name="alpha"/> <xs:attribute type="xs:string" name="impactname" /> <xs:attribute type="xs:integer" name="impactvalue" /> <xs:attribute type="xs:int" name="count"/> </xs:complextype> <xs:complextype name="layertype"> <xs:sequence> <xs:element type="membershipfunctiontype" name="membershipfunction" maxoccurs="unbounded" minoccurs="0" /> </xs:sequence> <xs:attribute type="xs:string" name="name" /> <xs:attribute type="xs:int" name="defaultvalue"/> <xs:attribute type="xs:double" name="rangemin" /> <xs:attribute type="xs:double" name="rangemax"/> <xs:attribute type="xs:string" name="path" /> <xs:attribute type="xs:string" name="filename" /> <xs:attribute type="xs:integer" name="type" /> </xs:complextype> <xs:complextype name="ruletype"> <xs:attribute type="xs:string" name="expression" /> </xs:complextype> <xs:complextype name="membershipfunctiontype"> <xs:attribute type="xs:string" name="name" /> <xs:attribute type="xs:integer" name="type" /> <xs:attribute type="xs:string" name="values" /> </xs:complextype> </xs:schema> Quardro 4. XML Schema para validação do arquivo de configuração.

97 97 APÊNDICE B. ARQUIVO DE CONFIGURAÇÃO DA FERRAMENTA DE ANÁLISE DIFUSA MIDGEO <?xml version="1.0"?> <project name="project" colunms="500" rows="400"> <agent position="auto" alpha="0" impactname="" impactvalue="0" count="0" /> <layer name="centro" defaultvalue="0" rangemin="0" rangemax="256" filename="base" type="1" path="c:\users\tiago\desktop\exemplos\1 Agente [Centro Estrada]"> <membershipfunction name="mp" type="1" values="0;0,0;1,25;0" /> <membershipfunction name="pr" type="1" values="0;0,25;1,50;0" /> <membershipfunction name="rp" type="1" values="15;0,50;1,85;0" /> <membershipfunction name="pp" type="1" values="35;0,85;1,150;0" /> <membershipfunction name="lg" type="1" values="65;0,150;1,256;0" /> <membershipfunction name="ml" type="1" values="150;0,256;1,0;0" /> </layer> <layer name="estrada" defaultvalue="0" rangemin="0" rangemax="256" filename="estrada" type="1" path="c:\users\tiago\desktop\exemplos\1 Agente [Centro Estrada]"> <membershipfunction name="mp" type="1" values="0;0,0;1,25;0" /> <membershipfunction name="pr" type="1" values="0;0,25;1,50;0" /> <membershipfunction name="rp" type="1" values="15;0,50;1,85;0" /> <membershipfunction name="pp" type="1" values="35;0,85;1,150;0" /> <membershipfunction name="lg" type="1" values="65;0,150;1,256;0" /> <membershipfunction name="ml" type="1" values="150;0,256;1,0;0" /> </layer> <layer name="output" defaultvalue="0" rangemin="0" rangemax="1" filename="" type="0" path=""> <membershipfunction name="terrivel" type="1" values="0;0,0;1,50;0" /> <membershipfunction name="pessimo" type="1" values="0;0,50;1,100;0" /> <membershipfunction name="ruim" type="1" values="50;0,100;1,150;0" /> <membershipfunction name="regular" type="1" values="100;0,150;1,200;0" /> <membershipfunction name="bom" type="1" values="150;0,200;1,250;0" /> <membershipfunction name="excelente" type="1" values="225;0,256;1,0;0" /> </layer> <rule expression="if (Centro is mp) AND (Estrada is mp) THEN (output is excelente)" /> <rule expression="if (Centro is mp) AND (Estrada is pr) THEN (output is bom)" /> <rule expression="if (Centro is mp) AND (Estrada is rp) THEN (output is regular)" /> <rule expression="if (Centro is mp) AND (Estrada is pp) THEN (output is ruim)" /> <rule expression="if (Centro is mp) AND (Estrada is lg) THEN (output is pessimo)" /> <rule expression="if (Centro is mp) AND (Estrada is ml) THEN (output is terrivel)" /> <rule expression="if (Centro is pr) AND (Estrada is mp) THEN (output is bom)" /> <rule expression="if (Centro is pr) AND (Estrada is pr) THEN (output is regular)" /> <rule expression="if (Centro is pr) AND (Estrada is rp) THEN (output is ruim)" /> <rule expression="if (Centro is pr) AND (Estrada is pp) THEN (output is pessimo)" /> <rule expression="if (Centro is pr) AND (Estrada is lg) THEN (output is terrivel)" /> <rule expression="if (Centro is rp) AND (Estrada is mp) THEN (output is regular)" /> <rule expression="if (Centro is rp) AND (Estrada is pr) THEN (output is ruim)" /> <rule expression="if (Centro is rp) AND (Estrada is rp) THEN (output is pessimo)" /> <rule expression="if (Centro is rp) AND (Estrada is pp) THEN (output is terrivel)" /> <rule expression="if (Centro is pp) OR (Estrada is pp) THEN (output is ruim)" /> <rule expression="if (Centro is pp) OR (Estrada is lg) THEN (output is pessimo)" /> <rule expression="if (Centro is pp) OR (Estrada is ml) THEN (output is terrivel)" /> <rule expression="if (Centro is lg) OR (Estrada is lg) THEN (output is pessimo)" /> <rule expression="if (Centro is ml) OR (Estrada is ml) THEN (output is terrivel)" /> </project> Quardro 5. Modelo de configuração da ferramenta MIDgeo.

98 98 APÊNDICE C. CENÁRIOS PARA OS CASOS DE USO Neste apêndice é apresentado os possíveis cenários para os casos de uso descritos na parte de documentação do projeto, servindo como conteúdo complementar para melhor entendimento da ferramenta proposta para este trabalho. C.1. CENÁRIOS PARA OS CASOS DE USO (UC01) Neste apêndice é apresentado os possíveis cenários para os casos de uso descritos na parte de documentação do projeto, servindo como conteúdo complementar para melhor entendimento da ferramenta proposta para este trabalho. CENÁRIOS PARA O CASO DE USO (UC01) Cenário principal 1. Usuário carrega um ou mais mapas raster no software ArcGIS (TEL01); 2. Usuário adiciona os mapas desejados no campo de seleção da ferramenta (TEL02); 3. Usuário configura os conjuntos difusos (TEL03) [Fluxo alternativo 1]; 4. Usuário cria as regras de inferência (TEL04) [Fluxo alternativo 2]; 5. Usuário aciona o botão executar [Fluxo alternativo 3]; 6. Ferramenta aplica o processo de inferência difusa; 7. Ferramenta executa a chamada para o ArcGIS para mostrar o mapa difuso resultante do processo de inferência na área de visualização de mapas (TEL01); Fluxo alternativo 1: Configurar conjunto difuso 1. Usuário seleciona um mapa no campo de seleção (TEL02); 2. Usuário aciona o botão editar; 3. Ferramenta muda para a segunda aba de configuração dos conjuntos (TEL03); 4. Ferramenta preenche o nome da reta suporte automaticamente; 5. Ferramenta mostra os valores dos limites da reta suporte;

99 99 6. Usuário digita o nome da variável linguística para o conjunto; 7. Usuário escolhe uma função de pertinência; 8. Ferramenta abre os campos para definição dos valores de configuração da função de pertinência em relação a reta suporte; 9. Usuário define os valores nos campos para os valores de configuração da função de pertinência em relação a reta suporte; 10. Usuário aciona o botão para adicionar o conjunto [Exceção 1: conjuntos difusos] [Exceção 2: conjuntos difusos] [Exceção 3: conjuntos difusos]; 11. Sistema adiciona o conjunto na tabela de conjuntos; 12. Sistema limpa os campos de configuração dos conjuntos; Fluxo alternativo 2: Configurar regras de inferência 1. Usuário define os antecedentes da regra de inferência (TEL04); 2. Usuário define o consequente da regra de inferência; 3. Usuário aciona o botão para adicionar a regra de inferência [Exceção 1: regra de inferência]; 4. Sistema adiciona a regra na lista de regras de inferência; 5. Sistema restaura os campos de configuração das regras de inferência ao estado inicial; Fluxo alternativo 3: Salvar as configurações do processo de inferência difusa 1. Usuário aciona o botão salvar (TEL02), (TEL03) e (TEL04); 2. Sistema abre janela para selecionar o local para salvar as configurações (TEL05); 3. Usuário informa o nome do arquivo de configuração; 4. Usuário confirma a ação de salvar; 5. Retorna ao passo 4 do cenário principal; Exceção 1: regra de inferência. No passo 3 caso o usuário tente adicionar uma regra de inferência sem definir o

100 100 antecedente e o conseqüente da regra, deverá mostrar uma mensagem informando a necessidade de adicionar os valores para criação de uma regra de inferência. Exceção 1: conjuntos difusos. No passo 10 caso o usuário tente adicionar um conjunto difuso sem definir a variável linguística, a ferramenta deverá mostrar uma mensagem informando a necessidade de definir variável linguística para o conjunto. Exceção 2: conjuntos difusos. No passo 10 caso o usuário tente adicionar um conjunto difuso sem definir a função de pertinência, a ferramenta deverá mostrar uma mensagem informando a necessidade de definir uma função de pertinência para o conjunto. Exceção 3: conjuntos difusos. No passo 10 caso o usuário tente adicionar um conjunto difuso sem definir os valores da função de pertinência em relação a reta suporte, a ferramenta deverá mostrar uma mensagem informando a necessidade de definição destes valores. C.2. CENÁRIOS PARA OS CASOS DE USO (UC02) Cenário principal 1. Usuário pressiona o botão para carregar o arquivo de configuração (TEL02); 2. Ferramenta abre a tela para seleção do local do arquivo de configuração (TEL06); 3. Usuário seleciona o arquivo de configuração; 4. Ferramenta valida o arquivo de configurações e os arquivos das imagens [Exceção 1] [Exceção 2]; 5. Ferramenta carrega as configurações; 6. Ferramenta executa a chamada para o ArcGIS para mostrar as imagens carregadas na área de visualização de mapas (TEL01); 7. Usuário aciona o botão executar; 8. Ferramenta aplica o processo de inferência difusa;

101 Ferramenta executa a chamada para o ArcGIS para mostrar a imagem resultante do processo de inferência difusa na área de visualização de mapas (TEL01); Exceção 1: Arquivo de configuração inválido. No passo 4 ao carregar o arquivo de configuração na ferramenta, se o arquivo for inválido ou tiver algum tipo de inconsistência, a ferramenta deverá mostrar uma mensagem informando que não foi possível carregar as configurações devido o arquivo de configurações ser inválido ou estar inconsistente. Exceção 2: Faltando imagens. No passo 4 ao carregar o arquivo de configuração e as imagens caso esteja faltando alguma imagem que esteja definida no arquivo de configuração, a ferramenta deverá mostrar uma mensagem informando sobre a falta das imagens. Figura 44. TEL01: Área de visualização dos mapas carregados pelo usuário e do resultado obtido no processo de inferência difusa.

102 102 Figura 45. TEL02: tela de seleção dos arquivos raster para criação dos conjuntos de entrada, criação dos conjuntos de saída. Figura 46. TEL03: tela para configuração dos conjuntos, definição das funções de pertinência e criação das variáveis linguísticas.

103 103 Figura 47. TEL03: tela de configuração das regras de inferência difusa. Figura 48. TEL04: tela para salvar as configurações realizadas na ferramenta.

104 Figura 49. TEL03: Tela para selecionar o arquivo de configuração para carregar na ferramenta. 104