Apresentacao ix conggeogport_rev

En

vir

on

me

nta

l H

aza

rds

an

d R

isk

Ass

ess

me

nt

an

d M

an

ag

em

en

t

CE

G –

IG

OT

– U

L w

ww

.ris

ka

m.o

rg

APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS – VALIDAÇÃO DE MODELOS

Inês L. Fonseca 1

Ricardo Brasil 1; Sérgio Freire 2 Jorge Rocha 1; José A. Tenedório 2

1 Centro de Estudos Geográficos, IGOT – UL 2 Centro de Estudos de Geografia e Planeamento

Regional, FCSH - UNL

APLICAÇÃO DE REDES NEURONAIS ARTIFICIAIS NA CARTOGRAFIA DE SOLOS –

VALIDAÇÃO DE MODELOS Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL

Estrutura:

• I. Problema; • II. Objectivo; •III. Hipótese;

•IV. Metodologia; •V. Resultados; •VI. Conclusões.



I – Problema

• Prever classes de solos em áreas onde ainda não existe cartografia de solos;

• Escolher o melhor modelo para aplicação nas áreas onde ainda não existe cartografia

de solos.



II – Objectivo

• Comparar a aplicação de duas RNAs: SOM vs MLP e identificar qual a melhor

arquitectura para a predição de classes de solos.



III – Hipótese:

Medidas gerais de validação como a fracção correcta

classificada e o índice Kappa poderão identificar como

melhor um modelo diferente do indicado por uma

validação mais detalhada, com análise por classes de

solo.



IV. Metodologia:

1 – Dados e áreas de estudo;

2 – Amostragens e pré-processamento;

3 – Classificação supervisionada;

4 – Validação multi-método.



IV. Metodologia: 1 – Dados e áreas de estudo

Uso do solo

Litologia

Modelos morfométricos derivados do MDT

Classes de solo

+

- Latitude (X)

- Longitude (Y)



IV. Metodologia: 1 – Dados e áreas de estudo

Bacias Regiões Rios Área (km2)

Elev. Mín. (m)

Elev. Máx. (m)

Nº de classes de solo

Mondim de Basto (MB)

Douro-Minho

Tâmega 911 56 1298 4

Vila Real (VR)

Nordeste Corgo 468 67 1405 4



IV. Metodologia: 2 – Amostragens e pré-processamento

Amostragem estratificado por tipo de solo

- O mesmo número de áreas de treino seleccionados para cada tipo de solo (510) Amostragem

aleatória

1 - RS

Dados espaciais dos Solos

- As áreas de treino são as mesmas para a MLP e a SOM

- O número total de áreas de treino é o mesmo para todos os tipos de amostragens

Aleatória por solo

2 - SRS

Aleatória por percentil

3 - SRPS

Mais próximas

por percentil

4 - SNPS

Mais afastadas

por percentil

5 - SFPS



IV. Metodologia: 2 – Amostragens e pré-processamento

Quatro combinações de modelos

- O mesmo número e tipo de áreas de treino seleccionadas para cada combinação de modelo

12 variáveis normalizadas (inclusão da

latitude e longitude)

1

12 variáveis não-

normalizadas (inclusão da

latitude e longitude)

2

10 variáveis normalizadas (não inclusão da latitude e longitude)

3

10 variáveis não-

normalizadas (não inclusão da latitude e longitude)

4

Um total de 20

modelos (4*5=20)



IV. Metodologia: 3 – Classificação supervisionada

MLP e SOM



Mapas de solos existentes

MDT e modelos derivados

Litologia

Uso do solo

Novo mapa de solos

Classificação – Multi-Layer Perceptron (MLP)



Mapas de solos existentes

MDT e modelos derivados

Litologia Uso do solo

Novo mapa de solos

Classificação – Self-Organizing Map (SOM)



Sistemas de Informação Geográfica

Mapas de solos

existentes

Predição de classes de solos

Inteligência Artificial (RNAs)



IV. Metodologia: 4 – Validação multi-método.

Dos 20 modelos elaborados, foram seleccionados os 2 melhores modelos

para cada bacia de acordo com uma medida da fracção correcta (fraction

correct) e índice Kappa [Map Comparison Kit 3.0].




Fracção correcta (fraction correct (%))

Tipo de amostragem

Bacia Arquitectura Nº Var. RS SRS SRPS SNPS SFPS Tipo de var.

MB MLP 12 67.9 Var. não normalizadas

VR MLP 12 74 Var. não normalizadas

MB MLP 10 59 Var. não normalizadas

VR MLP 10 66.9 Var. normalizadas

MB MLP 10 62.5 Var. normalizadas

VR MLP 12 55.5 Var. não normalizadas


VR MLP 10 67.2 Var. normalizadas


VR MLP 12 55.6 Var. não normalizadas

MB SOM 10 64.8 Var. normalizadas

VR SOM 10 72.6 Var. não normalizadas

MB SOM 12 59 Var. normalizadas






MB SOM 10 46.1 Var. não normalizadas





I. Os quatro melhores modelos – Fraction correct e Kappa geral:

Fracção correcta (fraction correct) e Kappa

Amostragem RS

Bacia Arquitectura Nº Var. Fraction Correct

(%) Kappa Tipo de var.

MB MLP 12 67.9 0.35748 Var. não normalizadas

VR MLP 12 74 0.42756 Var. não

normalizadas

MB SOM 10 64.8 0.31246 Var. normalizadas

VR SOM 10 72.6 0.4192 Var. não normalizadas

Estes índices indicam que a arquitectura MLP é a

melhor.

Kappa – medida de concordância: 1 – máx.

concordância; 0 – nenhuma concordância

Percentagem de células por tipo de solo captada – MLP vs SOM




II. Por categoria - número de células iguais (em ambos os

mapas e fracção correcta por classe de solo):

In both maps

Classe de solo: MB MLP MB SOM Total pixéis % MLP % SOM

MB

Antrossolos 13767 13448 30279 45.47 44.41

Leptossolos 3268 3453 13891 23.52 24.86

Regossolos 58611 55264 67036 87.43 82.44

Fluvissolos 0 6 159 0 3.77

Classe de solo: VR MLP VR SOM Total pixéis % MLP % SOM

VR

Antrossolos 9446 8354 14929 63.27 55.95

Leptossolos 32739 31935 35978 90.99 88.76

Cambissolos 0 644 4496 0 14.32

Fluvissolos 0 414 1567 0 26.42

O modelo SOM em VR foi o único a modelar as classes

dos Fluvissolos e Cambissolos

O modelo SOM em MB foi o único a modelar a classe dos

Fluvissolos




III. Fracção correcta difusa - Fuzzy Kappa:

Fuzzy Kappa

MB MLP MB SOM VR MLP VR SOM

Fraction Correct 0.71 0.73 0.75 0.77

Quanto mais próximo de 1,

mais semelhante ao

mapa de referência que foi usado na validação.




IV. Índice de estrutura espacial – Patch size (tamanho da

mancha):

Patch size

MB MLP MB SOM VR MLP VR SOM

Map 1 global 24799.7 24799.7 22969.5 22969.5

Map 2 global 52948.5 48351.5 36804.5 33839.5

Global difference 28148.8 23551.8 13835 10870

Mean of map 1/2 37015.8 32030.6 18788.6 15516

Os valores indicam a diferença de tamanho das classes (área em células)

- a diferença global é menor na arquitectura

SOM



V. Resultados • A arquitectura SOM foi a única a conseguir modelar as classes

de solos de menor dimensão;

• A arquitectura SOM consegue captar melhor o tamanho e a

complexidade da estrutura das classes de solos;

• Apesar de os índices Kappa e fracção correcta identificarem

a arquitectura MLP como a melhor, uma análise classe a

classe mostra que a arquitectura SOM produz mapas mais

semelhantes aos originais.



VI – Conclusões

• Conclui-se também que para avaliar a capacidade dos modelos é necessário utilizar índices que avaliem cada classe e a estrutura espacial das manchas de cada classe;

• Os índices que incluem medidas gerais de fracção correcta e índice Kappa são insuficientes se analisados individualmente.

• Conclui-se que a SOM é a mais adequada para produzir mapas de solos nas regiões estudadas;

Obrigado pela

atenção!

Avaliação e Gestão de Perigosidades e Risco Ambiental CEG-IGOT-UL


VALIDAÇÃO DE MODELOS

Education

Apresentacao ix conggeogport_rev