Avaliação do potencial produtivo em montados de sobro com recurso a redes neuronais artificiais

Transcrição

1 Avaliação do potencial produtivo em montados de sobro com recurso a redes neuronais artificiais Susana Dias (Investigadora/Colaboradora da Universidade de Évora e Docente do Instituto Politécnico de Elvas) Nuno Neves (Prof. Auxiliar da Universidade de Évora) Resumo Os montados de sobro constituem uma das mais importantes formações florestais do nosso país, não só pela área que ocupam mas, também, pela sua importância ecológica, social e económica, principalmente a sul do Tejo. Com este trabalho procurou-se fornecer um contributo metodológico para a avaliação do potencial de produtividade de cortiça, principal produção dos montados de sobro. Foi desenvolvida uma metodologia para a definição do potencial de produtividade a partir de variáveis de fácil obtenção e que não dependem da presença da espécie para essa avaliação. O modelo foi desenvolvido com recurso a redes neuronais artificiais, associadas aos sistemas de informação geográfica, considerando quatro factores que influenciam a produção de cortiça; o solo, a altitude, a orientação e o declive. A combinação destes factores procurou ter em consideração a sua interdependência, nem sempre facilmente quantificável ou conhecida. Considerando que as redes neuronais artificiais permitem a modelação de funções não lineares, mesmo quando a forma como os diversos factores se relacionam não é conhecida, este trabalho procurou demonstrar que a sua utilização, em conjunto com os sistemas de informação geográfica, potencia as capacidades de modelação dos fenómenos espaciais. Recorrendo a um simulador de redes neuronais artificiais foi modelada uma Rede Perceptron Multicamada para estimar a produção de cortiça a partir das variáveis referidas. Como variável independente para a modelação da rede é utilizado o peso de cortiça por unidade de superfície descortiçada (PCM 2 ), uma vez que segundo González (1988), este parâmetro depende, quase exclusivamente, da qualidade da estação. Palavras-chave: Sobreiro, Sistemas de Informação Geográfica, Redes Neuronais Artificiais, Produtividade, Modelação. Modelo de dados espaciais

2 Os sistemas de informação geográfica funcionam, neste estudo, como a base para a estruturação das bases de dados geográficas, geração de nova informação e visualização dos resultados produzidos pela rede. A preparação e estruturação de uma base de dados geográfica é uma fase crucial no desenvolvimento de qualquer projecto em sistemas de informação geográfica (Neves, 1996). O modelo de dados consiste numa definição formal dos dados a utilizar no projecto SIG, com o objectivo de criar uma estrutura para a organização, armazenamento e utilização desses dados, de forma a extrair conhecimento. A figura 1 apresenta o modelo geral em sistemas de informação geográfica representando os processos de análise espacial. Hipsometria Solos Área de estudo Parcelas de amostragem Reestruturação e Geoprocessamento Modelos de avaliação Relevo (GRID) Análise espacial Temas finais Figura 1 Modelo Geral em Sistemas de Informação Geográfica O desenvolvimento de um projecto baseado em redes neuronais artificiais pode ser dividido em cinco etapas, como descrito em Openshaw e Openshaw (1997): obtenção de dados; pré-processamento de dados; definição da arquitectura da rede; treino da rede, validação e teste; pós-processamento de dados.

3 As duas primeiras etapas, obtenção e pré-processamento de dados, correspondem a um conjunto de operações que é necessário realizar sobre os dados antes de serem apresentados à rede. Arquitectura da Rede Na definição da arquitectura da rede foi projectada uma rede de dupla camada que consiste numa camada de entrada, uma camada de saída e uma camada intermédia. O número de unidades de entrada é fixo correspondendo ao número de variáveis independentes incluídas no modelo (solo, altitude, orientação e declive), assim como o número de unidades de saída, correspondendo à variável dependente (PCM 2 ). O número de unidades na camada intermédia foi definido testando diferentes topologias (figura 2). O objectivo é utilizar o número mínimo de unidades de processamento, mantendo a capacidade da rede para aprender as relações existentes entre os dados. O algoritmo de aprendizagem utilizado foi o Backpropagation (Zell et al., 1995). Altitude h 1 Declive Orientação. PCM 2 Solo h n Camada de entrada Camada intermédia Camada de saída Figura 2 Modelo da rede neuronal Para o treino da rede foi utilizado uma base de dados referentes a 61 parcelas de estudo, aleatoriamente dividido em três conjuntos: padrão de treino, padrão de teste e padrão de validação: 2/3 dos vectores no conjunto de treino (41 observações), 1/3 no conjunto de teste (10 observações) e 1/3 no conjunto de validação (10 observações). Os padrões de treino e validação são apresentados ciclicamente à rede, sendo executado um ciclo de validação por cada 10 ciclos de treino, até minimizar o valor do erro de validação.

4 Fixados os pesos apresenta-se à rede um novo conjunto de dados, o conjunto de teste, para avaliar o seu desempenho perante um conjunto de padrões nunca antes utilizados. A avaliação do desempenho da rede foi efectuada recorrendo a parâmetros estatísticos como o erro quadrático médio (EQM), erro absoluto médio (EAM), Percentagem de Erro e coeficiente de correlação (R) (McGinnis, 1994; Twomey e Smith, 1997; Chai, 1998; Scrinzi, 2000). A arquitectura de rede que apresentou o menor valor de erro de validação foi seleccionada como a que melhor aprendeu as relações implícitas (figura 3). Figura 1 Representação esquemática da rede seleccionada A análise dos parâmetros de erro calculados para o conjunto de teste (quadro 1), permite-nos afirmar que a rede seleccionada apresenta um desempenho considerado satisfatório. Quadro 1 Medidas de desempenho da rede Parâmetro Valor EQM erro quadrático médio EAM erro absoluto médio R coeficiente de correlação Percentagem de Erro Resultados

5 Uma vez a rede treinada é possível apresentar um conjunto de padrões para os quais se desconhece a saída desejada, para que a rede possa prever esses valores de saída. Assim, a rede seleccionada foi utilizada para estimar a produtividade para toda a área de estudo (figura 4). N Metros PCM2 (Kg/m2) Figura 4 Produtividade de cortiça estimada pela RNA para a área de estudo A utilização de sistemas de informação geográfica em processos de avaliação territorial é por demais reconhecida, sendo também reconhecidas as vantagens decorrentes da realização de operações de análise espacial visando a produção de informação derivada para objectivos específicos. Considera-se que a utilização de redes neuronais artificiais operando sobre variáveis espaciais produzidas em ambiente de sistemas de informação geográfica poderá constituir uma fecunda base de desenvolvimento de novos métodos e processos de análise espacial e representação de conhecimento. Para além dos objectivos de funcionalização sistémica alcançados, o trabalho realizado permitiu constatar o potencial da utilização de redes neuronais artificiais na identificação de lacunas de estruturação associadas a uma avaliação empírica do contexto de modelação estudado. Esta componente prospectiva poderá contribuir para o desenvolvimento de processos de estruturação e formalização de novos modelos de análise espacial. Referências bibliográficas

6 CHAI, A. (1998). Application of Neural Networks to the Modelling of Water Treatment Particulate Removal Process. Master thesis. University of Toronto. GONZÁLEZ, G. M. (1988). Modelos para Cuantificar la Producción de Corcho en Alcornocales (Quercus suber L.) en Función de la Calidad de Estación y de los Tratamientos Selvicolas. Tesis doctorales, Instituto Nacional de investigaciones Agrarias. Madrid. MCGINNIS, D. L. (1994). Predicting Snowfall from Synoptic Circulation: a Comparison of Linear Regression and Neural Networks Methodologies. In: HEWITSON, B. C. E CRANE, R. G., Neural Nets: Applications in Geography. Kluwer Academic Publishers. Dordrecht, Netherlands pp. NEVES, N.(1996). Aplicação de Sistemas de Informação Geográfica em Planeamento Municipal - Desenvolvimento de Modelos de Simulação e Decisão. Tese de Doutoramento, Barcelona, Universidade de Barcelona. OPENSHAW, S. E OPENSHAW, C. (1997). Artificial Intelligence in Geography. John Wiley & Sons. West Sussex. SCRINZI, G. (2000). Reti Neurali. Intelligenza Artificiale e Foreste. Dendronatura, 20: 2. TWOMEY, J. M. E SMITH, A. E. (1997). Validation and Verification. In. KARTAM, N., FLOOD, I. E GARRETT J., Artificial Neural Networks for Civil Engineers: Fundamentals and Applications, ASCE press, pp. ZELL, A., MAMIER, G., VOGT, M., MACHE, N., HUEBNER, R., HERRMANN, K.-U., SOYEZ, T., SCHMALZL, M., SOMMER, T., HATZIGEORGIOU, A., DOERING, S., POSSELT, D. E SCHREINER, T. (1995). SNNS, Stuttgart Neural Network Simulator, User manual, Version 4.2, University of Stuttgart, Comp. Science Dept., Report No. 6/95.