Programa de Cincia e Tecnologia para Gesto de Ecosistemas

Ao "Mtodos, modelos e geoinformao para a gesto ambiental

Tcnicas de Suporte a Deciso para Modelagem

Geogrfica por lgebra de Mapas

Fbio Roque Moreira

Gilberto Cmara
Raimundo Almeida Filho

Relatrio Tcnico
Maio 2001
 RESUMO

Este trabalho apresenta diversas tecnicas de suporte a deciso, envolvendo dados de

natureza geogrfica. So abordadas as tcnicas de anlise hierrquica, modelos bayesianos,
lgica nebulosa, e redes neurais artificiais. Como estudo de caso, comparamos o
desempenho de 8 mtodos de anlise multi-critrio de dados geolgicos e radiomtricos
na predio de reas potenciais ocorrncia de minerais radiativos no planalto de Poos
de Caldas. As metodologias empregadas Booleana, Mdia Ponderada, Fuzzy (Mnimo-
Mximo, Mdia, Ponderado e Gama), Bayes, Redes Neurais Artificiais, segundo um
modelo prospectivo emprico, definiram cenrios com diferentes nveis de prioridades.
O mtodo Booleano gerou dados binrios em formato temtico, indicando reas com
potencialidade favorvel e no-favorvel. Os demais mtodos produziram dados em
formato numrico, posteriormente fatiados em 4 classes com diferentes graus de
potencialidades (alta, mdia, baixa e nula). Nas avaliaes dos cenrios foram utilizados
48 ocorrncias minerais que foram sobrepostas para inspeo visual e cruzadas
(tabulao cruzada) para o clculo das probabilidades condicionais, utilizadas no
clculo do grau de confiana. Os cenrios gerados indicaram desempenhos diferentes
nas avaliaes. O cenrio gerado pelo mtodo Fuzzy Ponderado apresentou o melhor
desempenho dentre todos os cenrios avaliados, seguido pela inferncia por Rede
Neurais e pela Mdia Ponderada. Os mtodos Booleano e Fuzzy Gama mostraram-se
limitados e inadequados para estudos semelhantes. Os demais mtodos apresentaram
desempenhos medianos.
 CAPTULO 1
INTRODUO

1.1 CONSIDERAES INICIAIS

As atividades de pesquisa mineral nos dias atuais demandam a integrao de uma

grande quantidade de dados, para a construo de modelos prospectivos que sirvam de
guias para tomadores de deciso. Essa estratgia de prospeco mineral decorre de uma
maior dificuldade na descoberta de novos depsitos minerais e da maior eficincia dos
sistemas computacionais (SIGs) que permitem a manipulao de dados de diversas
fontes, de maneira mais rpida, atravs de diversas tcnicas matemticas. Os aplicativos
dos SIGs so eficazes ferramentas em explorao mineral quando combinados com
apropriadas anlises estatsticas e adequados modelos matemticos (Turner e Sjoekri,
1999). As tcnicas de geoprocessamento permitem a implementao de modelos
matemticos, heursticos e probabilsticos como ferramental para a construo de
modelos prospectivos que serviro de guias no mapeamento da potencialidade
ocorrncia mineral de determinada rea.

Como os princpios fsicos e qumicos que governam a formao de depsitos minerais

so na maioria dos casos muito complexos para uma previso direta segundo teorias
expressas matematicamente, a busca de stios favorveis deve basear-se principalmente
em relaes empricas, com a ajuda descritiva do modelo de depsito. (Bonham-
Carter, 1994).

Esses modelos consistem em um nmero de depsitos conhecidos, considerados como

sendo similares o suficiente em termos de suas caractersticas, para serem tratados como
um modelo descritivo que pode guiar a pesquisa para novos depsitos do mesmo tipo.
A descrio de um modelo de depsito inclui a avaliao dos processos fsicos e
qumicos que controlam a sua formao.

Na aplicao de sistemas de informao geogrfica (SIGs) para o mapeamento de

potencialidade ocorrncia mineral, os modelos de depsitos exercem papel importante
tanto na seleo e derivao dos dados que sero considerados como evidncias, como
na definio dos pesos que iro ponderar as evidncias.

A definio dos pesos pode ser efetuada de duas maneiras. Na primeira eles so
estimados por critrios estatsticos, sendo utilizadas as relaes espaciais entre os mapas
de previso (evidncias) e as verdades de campo (depsitos ou ocorrncias minerais
conhecidos), ou mesmo zonas de anomalias geoqumicas, geofsicas, etc. Na segunda
maneira, os pesos so estimados segundo a experincia de um especialista. Estes dois
tipos de abordagem so tambm conhecidos como modelos data-driven e knowledge-
driven respectivamente (Reddy, et al. 1992; Bonham-Carter, 1994; Pendock e
Nedelijkovic, 1996) . No modelo data-driven os vrios mapas de entrada so
combinados atravs de diferentes tcnicas, tais como, regresses logsticas, ponderao
de evidncias (probabilidade bayesiana), ou redes neurais. Os modelos de knowledge-
driven incluem o uso da lgica booleana, mdia ponderada, lgica fuzzy, e teoria da
crena de Dempster-Shafer. (Bonham-Carter, 1994).

Outro aspecto a ser considerado durante as anlises espaciais desenvolvidas em SIGs

para a gerao de mapas de potencialidade a qualidade dos produtos gerados.
Burrough e McDonnell (1998) relatam que a qualidade dos mapas gerados em SIGs
avaliada, na maioria dos casos, apenas pelo aspecto visual do produto final. Entretanto,
controles de qualidades baseados apenas em aspectos visuais so insuficientes se a
informao presente est errada ou foi violada por erros durante o processamento.
Incertezas e erros so intrnsecos aos dados espaciais e necessitam ser identificados de
modo apropriado e no ignorados ou mascarados por efeitos de visualizao grfica.

Para a avaliao dos produtos gerados atravs de manipulaes espaciais em SIGs,

tcnicas de aferio baseadas em mtodos estatsticos, tais como o coeficiente de Kappa e
a probabilidade condicional, demostram ser teis pois passam uma idia quantitativa
dos dados, em vez de se fazer apenas uma avaliao qualitativa, o que na maioria dos
casos um processo subjetivo.

1.2 - OBJETIVO

Considerando as premissas acima, o presente trabalho foi idealizado tendo dois

objetivos principais:

Utilizar metodologias de inferncia espacial para pesquisa mineral atravs de anlises

multi-critrios de dados geolgicos e geofsicos. A avaliao multi-critrio visou a
seleo de reas com maior potencial ocorrncia de minerais radioativos no
complexo alcalino de Poos de Caldas.

Anlise qualitativa e quantitativa dos mapas temticos de potencialidade gerados

pela avaliao multi-critrio. Na anlise quantitativa foram utilizadas as ocorrncias
minerais conhecidas, que foram cruzadas com as diferentes classes de
potencialidades dos cenrios, para o clculo da probabilidade condicional. Com as
probabilidades a priore e posteriore foi calculado o grau de confiana de cada classe
de prioridade dos diferentes cenrios.

A Figura 1.1 apresenta o fluxograma da metodologia adotada no presente estudo. Na

caixa pontilhada, multi-critrio, esto apresentadas as operaes desenvolvidas para a
gerao dos 8 cenrios de potencialidade. A caixa pontilhada, avaliao quantitativa e
qualitativa, demostra as operaes envolvidas na aferio dos cenrios, onde,
dependendo do resultado, o tomador de deciso pode avanar ou no com a pesquisa
mineral.

Sendo assim a proposta central do trabalho foi metodolgica, ou seja, objetivou-se

utilizar diferentes tcnicas de inferncia espacial na gerao de cenrios, os quais
acredita-se, devem indicar as reas mais favorveis ocorrncia de minerais radioativos.
Como os cenrios so parecidos visualmente, mas no idnticos, uma avaliao
quantitativa dos resultados, aliada avaliao qualitativa, de suma importncia. Para a
avaliao quantitativa utilizou-se a probabilidade a posteriore, que fornece um
parmetro numrico estabelecendo um grau de confiana.

Fig. 1.1 Fluxograma da metodologia proposta para o trabalho.

 CAPTULO 2

FUNDAMENTAO TERICA: TCNICAS DE INFERNCIA ESPACIAL

A integrao de dados geolgicos multi-fontes na pesquisa mineral tarefa moldada

para sistemas de informaes geogrficas. A tarefa de integrao de dados em um SIG
pode ser dividida em cinco etapas: construo do banco de dados; extrao das
evidncias relevantes previso de depsitos minerais; construo de modelos de
potencialidade mineral; visualizao do dados de sada; e interpretao dos resultados
(Bonham-Carter, 1990).

Na maioria dos projetos desenvolvidos em SIG com tal objetivo, a principal proposta a
combinao de dados espaciais, com o objetivo de descrever e analisar interaes, de
modo a fazer previses atravs de modelos prospectivos empricos, fornecendo apoio
para a definio de stios com maiores chances de encerrar depsitos minerais. A
combinao desses dados multi-fontes permite reduzir a ambigidade de interpretaes
que normalmente pode ocorrer na anlise individual desse dados (Pendock e
Nedelijkovic, 1996).

O uso da tecnologia de SIGs na seleo de stios potenciais envolve a anlise de

parmetros que satisfaam a um conjunto de critrios. Neste trabalho foram utilizados 8
mtodos de inferncia espacial para a integrao dos dados (evidncias): Booleano,
Mdia Ponderada, Fuzzy (Mnimo-Mximo, Mdia, Ponderado, Gama), Bayes e Redes
Neurais Artificiais. Para tal foi adotado um modelo prospectivo visando a definio de
reas potenciais ocorrncia de depsitos minerais radioativos no planalto de Poos de
Caldas. Os mtodos geram como resultado planos de informao com diferentes
representaes. O mtodo Booleano gera dados com representao temtica, sendo a
potencialidade expressa espacialmente em forma de polgonos que representam classes
(favorvel e no favorvel). Os demais mtodos produzem dados com representao
numrica, sendo a potencialidade expressa de forma numrica.

2.1 MTODO BOOLEANO

O modelamento segundo operadores de lgica booleana em SIGs anlogo

sobreposio de mapas em formato analgico em uma mesa de luz (overlay), mtodo
tradicionalmente utilizado em estudos geolgicos. Essa semelhana, aliada
simplicidade operacional, fizeram com que o modelamento booleano fosse e venha
sendo bastante empregado em diferentes estudos ambientais desenvolvidos em SIGs. Os
trabalhos de Harris (1989), Almeida Filho (1995), Lihao et al. (1997) so bons exemplos
de estudos geolgicos que adotaram essa metodologia.
O Modelo Booleano envolve a combinao lgica de mapas binrios atravs de
operadores condicionais. Cada mapa utilizado pode ser entendido como um plano de
informao (evidncia). Os vrios planos de informao so combinados segundo uma
seqncia lgica para dar suporte a uma hiptese ou proposio definida. Diferentes
operaes so testadas, para determinar se as evidncias satisfazem ou no s regras
definidas pela hiptese.

Para a aplicao da metodologia booleana necessrio que os planos de informao

(evidncias) representem apenas duas classes, ou seja, que apresentem um padro
binrio. Em planos de informao com representao temtica a generalizao obtida
atravs de uma reclassificao das diferentes classes para favorvel e no-favorvel.

Para planos de informao com representao numrica a diviso em duas classes

obtida atravs da definio de limiares de corte (Lc), que agruparo diferentes valores
numricos. Esse fatiamento pode ser melhor entendido atravs da funo de pertinncia
(Fp) exemplificada na Figura 2.1. Onde funo de pertinncia, uma funo que, dado
o valor x, ela determina se o elemento avaliado pertence ou no a um determinado
conjunto em anlise. No grfico da Figura 2.2 o eixo x expressa a variao dos valores
do atributo e o eixo y os valores de sada definidos pela funo de pertinncia (Fp). Os
pontos La e Lb correspondem aos limiares de corte do conjunto. Pela figura fica claro que
o resultado expresso de forma binria, 0 (hiptese no satisfeita) e 1 (hiptese
satisfeita), no sendo possvel a condio talvez.

Fig. 2.1 Funo de pertinncia de conjuntos booleanos.

Para a integrao de planos de informao binrios, a lgebra Booleana utiliza os

ponderadores lgicos E, OU, Exclusivo OU (XOR) e NO, que determinam se
uma hiptese satisfaz ou no a uma particular condio. Para melhor entendimento,
imagine cada atributo como um conjunto (Figura 2.2). O operador E retorna a
interseo entre dois ou mais conjuntos, ou seja, as entidades que pertencem aos
conjuntos A e B. O operador OU retorna a unio dos conjuntos, cujas entidades que
pertencem tanto ao conjunto A como ao B. O XOR recupera as entidades pertencem a
um conjunto e ao outro, mas no aos dois conjuntamente. E o NO o operador da
diferena, identificando as entidades que pertencem ao conjunto A mas no ao B.
Embora esse mtodo seja prtico, normalmente no o mais adequado, pois o ideal
que evidncias que apresentem importncias relativas desiguais recebam pesos
diferentes, o que no ocorre no modelamento booleano que as trata como iguais. Para
esses casos a tcnica da Mdia Ponderada pode ser uma abordagem interessante. Outro
problema com este tipo de modelamento que assume-se que todas as entidades e seus
atributos podem ser descritos e medidos exatamente. Porm, por razes de variao
espacial, incerteza e limitaes de medida, esta suposio no realstica (Burrough e
Heuvelink, 1992).

Fig. 2.2 Diagrama de Venn mostrando os resultados da aplicao de operadores de

lgica booleana para dois ou mais conjuntos. FONTE: Burrough e McDonnell
(1998).

2.2 MDIA PONDERADA

Eastman et al. (1995) citam a Mdia Ponderada como a tcnica mais utilizada em
projetos que envolvem anlise espacial. Os trabalhos Harris (1989), Eastman et al.
(1995), Silva (1994) e Almeida Filho (1995) so bons exemplos de estudos de inferncia
espacial baseados nessa tcnica.

Neste mtodo, cada mapa de entrada ser utilizado como uma evidncia que receber
um peso relativo sua importncia para a hiptese sob considerao. Cada plano de
informao receber pesos diferentes, bem como as respectivas classes desses planos de
informao. O resultado ser um mapa com reas que expressam um grau de
importncia relativa atravs de valores numricos de sada.
O primeiro passo para a aplicao do mtodo a ponderao das classes de cada plano
de informao, segundo pesos definidos empiricamente. Isto feito, os planos de
informao so ento somados atravs de uma soma ponderada, onde cada plano de
informao recebe pesos segundo sua importncia relativa. A funo matemtica
expressa por:
n

wij y j

r= i =1
n
(2.1)
y
i =1
j

onde wij o peso da classe "i" do plano de informao "j" , e yj o peso do plano de
informao "j".
O mtodo de Mdia Ponderada permite uma maior flexibilidade na combinao de
mapas do que o mtodo Booleano. O mapa ponderado pode ser ajustado para refletir o
julgamento de um especialista, segundo os pesos de importncia definidos para cada
critrio. A maior desvantagem deste mtodo, entretanto, recai provavelmente no carter
linear de adio das evidncias (Bonham-Carter, 1994).
2.3 MTODO FUZZY

A tcnica fuzzy tem sido extensamente utilizada em trabalhos de inferncia espacial

desenvolvidos em SIGs (Burrough, 1989; Burrough e Heuvelink,1992; Banai, 1993;
Altman,1994). As vantagens do modelamento fuzzy so inmeras quando comparadas
aos modelamentos convencionais que foram os especialistas definir regras
dicotmicas rgidas com contatos normalmente artificiais que diminuem a habilidade de
articular eficientemente solues para problemas complexos, to comum em processos
naturais.

Sero abordados aqui os principais conceitos envolvidos na tcnica de inferncia fuzzy,

como lgica fuzzy, conjuntos fuzzy ou funo fuzzy, variveis lingsticas e operadores
fuzzy. Discute-se tambm: a tcnica de representao da importao semntica (IS), para
contatos de polgonos; as vantagens do modelamento Fuzzy sobre o Booleano; e as
diferenas entre os conceitos probabilidade e possibilidade.

2.3.1 Inferncia Fuzzy:

Fuzzy: principais conceitos

A introduo dos conjuntos fuzzy para lidar com conceitos inexatos foi primeiramente
proposta por Zadeh (1965). A concepo da lgica fuzzy surgiu da preocupao de
Zadeh com a rpida diminuio da qualidade da informao fornecida por modelos
matemticos tradicionais, conforme aumenta a complexidade do sistema.

Muito da complexidade, ele descobriu, advm do modo no qual as variveis do sistema

so representadas e manipuladas. Desde que essas variveis podem apenas representar o
estado do fenmeno como ou existindo ou no existindo, a matemtica necessria para
avaliar operaes em vrios contatos torna-se muito complexa.

Para muitos pesquisadores (Zadeh, 1972; Cox, 1994; Fang, 1997) um benefcio
significante dos modelamentos baseados em lgica fuzzy a habilidade de codificao do
conhecimento, numa forma que se aproxima muito ao modo como os especialistas
pensam em processos de deciso. Os sistemas de inferncias baseados em lgica fuzzy
possibilitam, assim, a captura do conhecimento prximo ao modelo cognitivo
utilizado pelos especialistas na anlise de problemas. Isto significa que o processo de
aquisio do conhecimento mais fcil, mais confivel e menos sujeito a erros no
identificados.

Nessa viso de modelamento de sistemas complexos, os mecanismos subentendidos so

representados de modo lingstico, atravs de variveis lingsticas, ao invs de
matematicamente. Isto permite lidar de modo melhor com dados imprecisos,
incompletos, ambguos, e/ou vagos, to comuns em sistemas geolgicos.

A idia da varivel lingstica considerada por Cox (1994) como o cerne da tcnica do
modelamento fuzzy. Basicamente uma varivel lingstica corresponde ao nome de um
conjunto fuzzy. Sendo os conjuntos fuzzy, na prtica, funes que indicam o grau de
relacionamento de um valor de entrada (atributo) para com um conjunto fuzzy. Outra
boa definio dada por Fang (1997) que define um conjunto fuzzy como um conjunto
de pares de valores (Tabela 2.1). O primeiro valor (lingstico) o membro do
conjunto; por exemplo, Carlos. O segundo valor (numrico) o grau de relao do
membro para com o conjunto. Por exemplo, Carlos tem um grau de relao de 0.9 com
o conjunto fuzzy atletas. Neste exemplo a varivel lingstica o conjunto atleta.

TABELA 2.1 CONJUNTO FUZZY ATLETAS

Objeto Grau de relacionamento

Joo 0.1
Aline 0.7
Carlos 0.9

O conjunto fuzzy uma forma de caracterizao de classes, que por vrias razes no
tm ou no podem definir limites rgidos (contatos) entre classes. Essas classes, definidas
de maneira inexata, so chamadas de conjunto fuzzy. A utilizao de um conjunto fuzzy
indicada sempre que se tiver que lidar com ambigidade, abstrao e ambivalncia em
modelos matemticos ou conceituais de fenmenos empricos (Burrough e McDonnell,
1998).

Matematicamente um conjunto fuzzy definido como segue: se Z denota um espao de

objetos, ento o conjunto fuzzy A em Z o conjunto expresso pelo par ordenado: A = (z,
MFA (z)) para todo z Z, onde a funo MFA(z) conhecida como uma graduao
mapevel do membro z em A. Normalmente MFA(z) um nmero que varia de 0 a
1, com o 1 representando o membro que se encaixa completamente ao conjunto e o
0 como o membro que no pertence ao conjunto.

A graduao que mapeia os membros de um conjunto A reflete o tipo de ordenao que

no so baseadas em probabilidade, mas sim numa aceitao de possibilidade. O valor
da funo MFA(z) de um objeto z em A pode ser interpretado como um grau de
compatibilidade de um predicado associado ao conjunto A e ao objeto z. Ou seja,
MFA(z) avalia o quanto z pode ser pertencente ao conjunto A (Burrough e McDonnell,
1998).

A funo fuzzy deve assegurar que o valor do membro no centro do conjunto 1, e

que este decai de maneira lgica atravs da fronteira fuzzy (zona de transio) para as
regies fora do conjunto onde o valor deve ser 0. O ponto onde o valor do membro
igual a 0,5 denominado de ponto de cruzamento e ele deve coincidir com os
contatos rgidos dos modelos Booleanos. A funo deve ser definida de tal modo que esta
condio seja respeitada. As funes mais comuns utilizadas para determinar valores de
membros fuzzy so funes lineares e quadrticas (Burrough e McDonnell, 1998).

A funo linear fuzzy definida por dois segmentos de reta inclinados que se encontram
em um ponto central de valor MFA(z) = 1. Nas bordas o valor MFA(z) = 0,5 e a
inclinao das retas define a zona de transio fuzzy. A Figura 2.3a ilustra graficamente o
conjunto fuzzy definido por duas funes lineares. Como comparao, a Figura 2.3b
representa o mesmo conjunto, de valor pontual m, porm definido de modo rgido
(booleano). O conjunto fuzzy definido pela funo linear expresso por (Equao 2.2):

MFA ( Z ) = 0 se z < p
MFA ( Z ) = (1 / )( z p) se p z < q
MFA ( Z ) = 1 se z = q
(2.2)
MFA ( Z ) = (1 / )( z r ) se q < z r
MFA ( Z ) = 0 se z > r
onde = q p e = r q
Fig. 2.3 Representao de nmeros fuzzy e booleanos. Os grficos b) e d) representam
conjuntos booleanos, pontuais ou lineares e poligonais respectivamente.
Eles apresentam valores rgidos (m) e (n-m), com um nico grau de
relacionamento de valor 1. Os grficos a) e c) apresentam os conjuntos
fuzzy equivalentes aos booleanos b) e d) respectivamente. No grfico a) o
grau de relacionamento 1 no ponto q, decaindo para 0 nos pontos p e r.
No grfico c) os valores d1 e d2 correspondem largura da zona de transio
e os nmeros b1 e b2 os pontos de cruzamento.
FONTE: adaptado Fang (1997).

A funo quadrtica expressa por (Figura 2.4):

1
MFAF ( z ) = 0 zR (2.3)
(1 + a(z c) 2 )

onde o valor de "a " indica o "ponto de cruzamento", no qual a evidncia tem 50% de
importncia e o valor c o ponto central ideal do conjunto. A faixa abrangida pelo
ponto inicial at o "ponto de cruzamento" indica a faixa onde as evidncias tm alta
influncia. Nos pontos fora desta faixa a importncia decai abruptamente, segundo a
curva quadrtica. A Figura 2.3c exemplifica um conjunto fuzzy definido por duas
funes quadrticas. Na Figura 2.3d est representado o conjunto equivalente, definido
por mtodo Booleano. O conjunto fuzzy expresso por:
 1
MF F ( z ) = 2
se z < b1 + d1 (2.4a)
z b1 d1
1 +
d1

MF F ( z ) = 1 se b1 + d 1 z b2 d 2 (2.4b)

1
MF F ( z ) = 2
se z > b2 d 2 (2.4c)
z b2 + d 2
1 +
d2

Fig. 2.4 Exemplo de curva quadrtica de representao dos elementos z em MFA

Os membros fuzzy definidos pelos conjuntos fuzzy so ento combinados segundo

anlises multi-critrios, definidas atravs de uma seqncia lgica realizada pelos
operadores fuzzy (Mnimo, Mximo, Mdia, Ponderado (Tcnica AHP) e Gama).

2.3.2 Operadores Fuzzy

Fuzzy Mnimo

Esse operador assemelha-se a operao Booleana E (interseo), e expresso por:

=Min (a,b, c, . . .), onde a eqivale ao valor do membro fuzzy para um particular
ponto (pixel) do plano de informao A; os valores b e c correspondem,
respectivamente, aos membros dos planos B e C no mesmo ponto.

O que este operador define como resultado, que um ponto do plano de informao
resultante ter como valor de sada o menor valor dos membros fuzzy de entrada. Se
tomarmos como exemplo os valores a = 0,30; b = 0,17; c = 0,98, o valor adotado
para o pixel do plano de informao final ser final = 0,17. Fica claro entender que o
resultado obtido o mais restritivo possvel com os valores dos membros fuzzy, de
modo que este operador indicado para situaes altamente restritivas (pessimista),
onde duas ou mais evidncias so estritamente necessrias para satisfazer uma hiptese.

Fuzzy Mximo

O operador fuzzy Mximo assemelha-se operao Booleana OU (unio), sendo as

evidncias combinadas segundo a funo = Max (a, b, c, ...), onde os valores de
a, b e c correspondem aos valores dos membros fuzzy das evidncias. Nessa
operao o valor de sada para um dado ponto ser o maior valor de entrada dos planos
de informao. No exemplo acima o valor resultante seria final = 0,98. O operador fuzzy
Mximo o mais otimista dentre operadores fuzzy, sendo indicado para situaes onde
a existncia de apenas uma evidncia suficiente para indicar regies potenciais
ocorrncia de determinada evidncia.

Fuzzy Mdia

O fuzzy Mdia admite um risco mdio com compensao plena entre todos os membros
fuzzy de entrada. O peso de importncia distribudo uniformemente para todas as
evidncias, o que indica que os membros fuzzy de entrada no apresentam uma
importncia hierrquica entre eles. A funo matemtica que define este operador
expressa por:
n
i
= mdia = (2.5)
i =1 n

Fuzzy Ponderado

No fuzzy ponderado os pesos de cada membro fuzzy de entrada (evidncia) podem ser
definidos empiricamente de modo heurstico ou por processos estatsticos. A avaliao
do peso depende da anlise da importncia da evidncia em relao a um depsito
mineral, por exemplo. Essa ponderao resulta em um escalonamento das evidncias
segundo um grau de importncia relativa entre elas. Isto permite uma ordenao das
evidncias por importncia na formulao do modelo prospectivo.

Embora exista uma variedade de tcnicas para a definio dos pesos Eastman et al.
(1995) descrevem a tcnica do Processo Analtico Hierrquico (Analytical Hierarchy
Process - AHP), desenvolvida por Saaty (1992), como sendo a mais promissora no
contexto do processo de tomada de deciso. O primeiro passo para a aplicao dessa
tcnica a elaborao de uma relao de importncia relativa entre as evidncias. Essa
relao utilizada como dado de entrada em uma matriz de comparao par a par, onde
so calculados os autovalores e autovetores da matriz. Os pesos de cada membro fuzzy,
eqivalem, ento, aos autovetores da matriz de comparao par a par. No captulo 2.6
de suporte a deciso a tcnica do Processo Analtico Hierrquico abordada com maior
detalhe.

Fuzzy Gama

Este operador definido por dois termos, um produto algbrico fuzzy e uma soma
algbrica fuzzy, expresso pela funo:

= (soma algbrica fuzzy) x (produto algbrico fuzzy)1- (2.6)

O produto algbrico fuzzy expresso pela funo:

n
= i =1
i (2.7)

onde i representa o valor do membro fuzzy para um plano de informao i.

O operador executa a multiplicao dos membros dos diferentes planos de informao

(i= 1,2,3,...), sendo que o valor de sada de um dado ponto sempre menor ou igual ao
valor do menor membro fuzzy. Isto ocorre devido a multiplicao de valores iguais ou
menores que 1.

A soma algbrica fuzzy definida pela funo:

n
= 1 (1 i ) (2.8)
i =1

onde o termo i representa o valor dos membros fuzzy para um plano de informao i.
O operador executa a multiplicao do termo (1 - i). Na soma algbrica o resultado
sempre maior ou igual ao valor de entrada do maior membro fuzzy (i).

No operador gama pode-se variar a importncia de cada termo (soma algbrica e

produto algbrico fuzzy). A importncia de cada termo no operador gama definida
atribuindo-se valores entre (0,1) para o expoente . Esta distribuio de importncia
melhor entendida atravs da Figura 2.5.

Na Figura 2.6 pode-se observar que quando o =0, o resultado depender apenas do
termo produto algbrico fuzzy, e quando =1, o resultado depender apenas do termo
soma algbrica fuzzy. Os valores de gama entre 0<>0,35 apresentam um carter
diminutivo, ou seja, sempre menores ou iguais ao menor membro fuzzy de entrada
(i). Na outra extremidade do grfico os valores gama entre 0,8<>1,0 tm um carter
aumentativo onde o valor de sada ser igual ou maior que o valor do maior membro
fuzzy de entrada (i). Por fim, para os valores de gama entre 0,35<>0,8, os i no
apresentam nem um carter aumentativo nem diminutivo; os valores dos i de
sada cairo sempre entre o menor e o maior valor dos i de entrada (Bonham-Carter,
1994).

Fig. 2.5 Distribuio da funo Fuzzy Gama.

FONTE: Adaptada de Bonham-Carter (1994).

2.3.3 Probabilidade versus Possibilidade

A probabilidade representa uma tentativa de explicar como um evento ocorre em um

espao aleatrio. O primeiro princpio que fundamenta a probabilidade o seu carter
aleatrio, o que pressupe a habilidade em medir e ordenar o espao randmico. Por
outro lado, possibilidade o clculo da compatibilidade, ou seja, enquanto a
probabilidade baseada na freqncia da distribuio aleatria de uma populao, a
lgica fuzzy descreve propriedades que tm valores, que variam continuamente, atravs
da associao de parties desses valores com identidades semnticas.

Esses valores associados identidade semntica indicam nossa percepo da

possibilidade de aceitao, julgamento ou crena de que um membro pertena a um
conjunto. Muito do poder de descrio da lgica fuzzy advm do fato de ser permitido a
sobreposio dessas parties semnticas. Essa sobreposio corresponde transio de
um estado para o prximo, a qual surge da ocorrncia natural da ambigidade associada
com o estado intermedirio da transio semntica (Cox, 1994).

A declarao a seguir uma boa maneira de ilustrar a diferena entre possibilidade e

probabilidade: Existe uma chance de 50% que ocorra uma chuva fina amanh.
Caso se espere at amanh, saber-se- se a chuva ocorrer ou no. A incerteza
probabilstica est resolvida, entretanto a incerteza fuzzy permanece. Ainda existe
alguma ambigidade sobre se a chuva uma garoa, chuva fina, moderada ou pesada.

2.3.4 Inferncia booleana versus Inferncia fuzzy

A viso dicotmica (booleana) de modelamento assumida pela corrente maioria dos

sistemas de informao geogrfica que consideram que fenmenos naturais podem ser
modelados por objetos discretos, tais como pontos, linhas e polgonos ou pixels os quais
tm atributos exatos. Essa representao espacial de dados imprecisos para dados rgidos
introduz erros desnecessrios em estgio muito inicial do processo de inferncia espacial
(Altman, 1994).

Burrough e Heuvelink (1992) demostram como as incertezas nos valores dos atributos
dos mapas causam erros nos resultados das inferncias espaciais efetuadas segundo
modelamentos booleanos e fuzzy. Os resultados obtidos por esses autores sugerem que
os mtodos Booleanos esto muito mais sujeitos propagao de erros em
modelamentos do que os equivalentes fuzzy, e que a utilizao da tcnica fuzzy pode
reduzir drasticamente a propagao de erros atravs de modelos lgicos, fornecendo
cenrios mais confiveis.

Como exemplificao dos problemas enfrentados por um modelamento booleano,

considere-se o modelo de lgica simples para classificao de solo para risco de eroso,
proposto por Heuvelink e Burrough (1993). O modelo utiliza polgonos ou pixels para a
representao das evidncias e considera a seguinte proposio:

CASO Inclinao > 10% E Textura do solo = areia E Cobertura vegetal < 25%
ENTO perigo de eroso severo

Neste proposio a interseo dos trs conjuntos (inclinao > 10% textura de solo =
areia cobertura vegetal < 25%) fornece o resultado requerido. Cada polgono ou pixel
representa uma localidade que testada em seus valores de atributo e qualquer objeto
que no case todas as trs condies ser descartado.

O modelo proposto deficiente porque assume que a relao entre inclinao, textura
de solo e cobertura vegetal pode descrever atravs de uma simples expresso booleana o
risco de eroso. Na realidade, esta relao muito mais complexa, dado que o risco de
eroso continua sendo srio quando o local tem uma inclinao pouco abaixo de 10%
ou a cobertura vegetal apenas um pouco acima de 25%. Porm, segundo a definio
das classes propostas, inclinaes menores que 10% so sempre seguras, um resultado
que a maioria dos cientistas no concordariam. Neste caso seria muito mais intuitivo e
satisfatrio substituir o modelo booleano por um modelo no qual o risco de eroso
aumentaria continuamente com a inclinao.
O segundo problema com o modelo lgico descrito que esse assume que os atributos
podem ser descritos em medidas exatas. Porm, muitos atributos no podem ser
gravados de modo exato, devido a erros de medida e variaes espaciais (Burrogh,1986;
Goodchild, 1989). Conseqentemente, quando dados incertos so utilizados em
modelos lgicos ou quantitativos, so esperados que os resultados tambm contenham
erros.

De modo a entender como erros em dados podem afetar o resultado tanto em

classificaes booleanas e contnuas, Heuvelink e Burrough (1993) substituem o atributo
determinstico z, por uma varivel Z. Isto por que quando existe incerteza sobre valores
de atributo no se pode representar com certeza este com um nico valor
determinstico. O melhor seria representar este atributo como uma distribuio de
valores, tendo cada valor uma certa probabilidade de ocorrncia, sendo ento uma
varivel aleatria. Heuvelink e Burrough (1993) denotam o desvio padro como z o
qual utilizado como medida de erro.

A Figura 2.6 apresenta algumas situaes possveis que podem aparecer quando uma
observao para ser feita nas classes de fronteira de um atributo Z definido por b1 e b2.
A Figura 2.6 (a) demostra o caso booleano onde no existe erro, ento z=0. O atributo z
tem um efeito determinstico de modo que a observao individual ou cai totalmente
dentro do limite da classe (barra direita) ou fora (barra esquerda). Os valores
correspondentes da funo membro so 1 ou 0 respectivamente. Como z zero, o
valor dos membros da funo so tambm livres de erros. A Figura 2.6 (b) demostra a
mesma situao onde a observao individual classificada por uma funo membro
fuzzy. A observao na barra direita est no centro da classe MF(z) = 1. A observao na
barra esquerda est fora do centro e das fronteiras booleanas, o que retorna um MF(z)
<0.5.

Agora considere a situao em que z no zero. Na Figura 2.6 (c) a funo de

probabilidade de densidade pz de Z tem a forma caracterstica de uma normal e coincide
com o limite da classe booleana. A probabilidade de que Z caia fora do limite da classe
demasiadamente pequena, de modo que para todos os objetivos prticos MF(z) = 1. A
mesma situao ocorre com a funo de membros contnuos quando pz cai dentro do
ncleo da classe (Figura 2.6 (d)). Claramente os mesmos resultados ocorrem quando pz
cai bem fora dos limites da classe.
Fig. 2.6 Exemplificao da distribuio de erro atravs de classificao booleana e fuzzy
para um atributo Z.
FONTE: Adaptado Burrough e Heuvelink (1992)

O resultado menos claro quando pz cruza o limite da classe booleana ou a zona de

transio da classe fuzzy. As Figuras 2.6 (e) e (f) mostram a situao quando a mdia de
Z iguala b1. No caso booleano (Figura 2.6(e)) a distribuio de MF(z) torna-se uma
distribuio discreta com dois possveis valores, 0 e 1. Nesse caso as chances so iguais
para que Z caia dentro ou fora do limite da classe, de modo que a probabilidade de obter
cada valor 0.5. No caso fuzzy ilustrado na Figura 2.6 (f) a mdia de Z iguala b1,
apresentando uma distribuio continua do mesmo modo que Z. A mdia da MF(z)
ao redor de 0.5 e devido a funo membro variar acentuadamente em b1, o desvio
padro de MF(z) muito maior do que para Z, embora este permanea
substancialmente menor do que o desvio padro booleano, Figura 2.6 (e).

Heuvelink e Burrough (1993) demonstram assim que o desvio padro obtido a partir de
uma simulao Monte Carlo, em uma superfcie simulada, consideravelmente grande,
especialmente para o modelo Booleano. Nesse modelo existem grandes reas onde o
desvio padro perto da metade que corresponde ao mximo terico. Os desvios padro
so maiores nas localizaes onde os valores de atributo esto prximos dos limites da
classe booleana ou dentro da zona de transio contnua. Pixels que esto claramente
dentro ou fora das classes so selecionados ou rejeitados com um baixo nvel de
incerteza.

O exemplo acima demostra de modo claro que classes booleanas utilizadas em

modelamento lgico desenvolvido em SIGs podem gerar resultados insatisfatrios,
porque muitos problemas ambientais no podem ser modelados realisticamente com
regras rgidas. A classificao por membros fuzzy pode fornecer ento uma soluo para
esse problema pois relaxa os valores dos membros das classes, permitido definir funes
de membros flexveis que casem com experincias prticas.

2.3.5 Abordagem de Importao Semntica IS (Semantic

(Semantic Import Approach)
Approach) para Contato
de Polgonos

Intrpretes utilizam feies observveis, tais como mudana de cores, padro de textura,
quebra de encosta, para inferir contatos durante a elaborao de mapas temticos.
Cartograficamente esses contatos so definidos por linhas que podem representar uma
limitao na representao espacial das evidncias necessrias em um modelamento
desenvolvido em SIG.

Essa imposio cartogrfica simples e eficiente suprime a informao sobre a natureza

da mudana espacial e tem criado a idia em usurios de mapas temticos, que solos,
vegetao, ou contatos geolgicos so sempre abruptamente definidos (precisos), e que
as unidades so sempre homogneas, livres de erros de classificao ou posicionamento.

Entretanto, sabe-se que variaes em solo, vegetao, ou litologia podem ocorrer

abruptamente ou gradualmente. Um dique intrusivo pode formar contatos geolgicos
abruptos em uma escala centimtrica, porm variaes em textura que expressam
variaes litolgicas podem ocorrer sobre centenas de metros ou quilmetros. E mais, as
classes (atributos) delimitadas pelos polgonos podem apresentar ambigidades ou
incertezas que normalmente so mais acentuadas numa zona prxima ao contato (zona
de transio).

O problema de impreciso dos contatos corresponde discrepncia existente entre as

condies do mundo real e as informaes apresentadas pelo traado dos contatos em
um mapa. Esse problema tem dois aspectos; impreciso natural e localizao (contato
inferido) (Wang e Brent Hall, 1996).

A utilizao da lgica fuzzy na representao dos contatos dos polgonos possibilita a

fcil incorporao da informao sobre a natureza dos contatos, bem como da incerteza
associada a classificao e ao posicionamento. Burrough e McDonell (1998) propem
duas tcnicas distintas para a representao da informao semntica de contatos fuzzy,
a abordagem por unidades de mapa (map unit approach) e o a abordagem por
contato individual (individual boundary approach)

A abordagem por unidades de mapa possibilita uma representao nica para os

contatos das unidades ou polgonos. Ou seja, essa tcnica assume que o polgono
apresenta um nico tipo de contato ao longo do seu permetro. As informaes sobre o
tipo de contato podem ser convertidas nos parmetros necessrios para a definio da
funo membro fuzzy, segundo as Equaes 2.4, as quais so aplicadas sobre o plano de
informao que contm a grade de distncia isotopricamente distribuda ao longo dos
contatos do polgono.

A localizao do contato originalmente desenhado coincide com o ponto de cruzamento

MF = 0.5 e os pontos ao centro dos contatos originais apresentam valores de membro
iguais a 1. Os pontos dentro, mas prximos ao contato recebem valores membro entre 1
e 0.5, e aqueles do lado de fora do contato recebem valores de membro menores que 0.5,
conforme o distanciamento do contato. A Figura 2.7 mostra o resultado do contato
fuzzy fatiado da classe A, onde observa-se a graduao da classe A de cor amarela ao
longo dos contatos para a classe A , de cor verde (negativo de A).

Fig. 2.7 Ilustrao da representao de informao semntica para contatos.

A fatia maior amarela representam os membros totalmente contidos na classe A. As

fatias menores indicam a graduao dos demais membros at a fatia maior verde que
representa os membros fora da classe A (A ), conforme ilustra a escala vermelha (0.0-
1.0).

O procedimento pode ser repetido para todas as unidades de um mapa, variando-se na

definio da largura do contato, conforme as caractersticas de cada classe. Na Figura 2.8
o grfico ilustra a aplicao das funes de membro fuzzy sobre um contato inferido
entre dois tipos de rochas.
A abordagem do contato individual assume que uma classe pode apresentar diferentes
distribuies espaciais ao longo dos seus contatos. Ou seja, contatos podem ser abruptos
em algumas partes e difuso em outras. Por exemplo, um terrao elevado de rio pode ter
borda difusa no lado superior e borda abrupta no lado inferior, onde o rio cortou seu
caminho. Nesse caso, aplicam-se duas funes membro fuzzy, cada uma representando
os diferentes comportamentos do contato.

Fig. 2.8 Exemplificao do mapeamento de um contato inferido rgido para um

contato fuzzy.

2.4 MTODO DE BAYES

A metodologia bayesiana consiste em determinar a probabilidade de ocorrer um evento,

dado uma certa condio. Em termos prospectivos pode-se pensar na definio da
probabilidade de um depsito ocorrer, condicionada pela ocorrncia de uma certa
evidncia (exemplo: litologia favorvel). O mtodo bayesiano apresenta uma abordagem
probabilstica para o problema, onde o principal conceito do mtodo a idia da
probabilidade a priore P(D) e da probabilidade a posteriore P( D | B) (Bonham-Carter,
1994).

P( D) probabilid ade a priore (2.9)

P ( B | D)
P( D | B) = P( D ) probabilid ade a posteriore (2.10)
P( B)

Como introduo ao conceito da probabilidade a priore e posteriore, considere o seguinte

exemplo definido por Bonham-Carter (1994). Um indivduo deseja estimar a
probabilidade de que ocorra chuva no dia seguinte, sabendo-se que na mdia chove 80
dias por ano na regio. Com essa informao, seria razovel considerar que a
probabilidade a priore de que vai chover no prximo dia de 80/365. Essa probabilidade
inicial pode ser refinada atravs da agregao de outras fontes de dados, como por
exemplo a estao do ano (vero, inverno, primavera e outono). Com a considerao
dessa nova informao o resultado obtido seria a probabilidade de chuva, dado a estao
do ano vigente. Esta nova informao funciona como um fator multiplicativo e
representa uma melhora na preciso da informao inicial (probabilidade a priore).
Outras fontes de dados podem ser utilizadas em conjunto sendo necessrio apenas a sua
multiplicao probabilidade a priore.

P( chuva | estao do ano) = P (chuva) Componenteestao do ano

P( chuva) probabilid ade a priore

P( chuva | estao do ano) probabilid ade a posteriore

Em estudos voltados pesquisa mineral a probabilidade a priore seria a probabilidade da

ocorrncia mineral considerando-se a rea total investigada. A probabilidade a posteriore
seria um refinamento do conhecimento (probabilidade a priore), onde atravs de uma
ou mais evidncias, que possuem uma relao direta com a mineralizao, calcula-se o
aumento das chances de sucesso no encontro de um novo depsito mineral. Ou seja,
dado que se est pesquisando sobre uma evidncia favorvel, determina-se quanto esta
condio aumenta as chances da descoberta de um novo depsito mineral.

A probabilidade a priore para a ocorrncia de um dado fenmeno pode ser estimada por
modelos simples de distribuio espacial aleatria ou por anlises estatsticas
multivariadas (Agterberg, 1989). Os dados para o clculo da probabilidade a posteriore
podem ser obtidos atravs da tabulao cruzada, entre o plano de informao com os
depsitos e os planos de informao com as evidncias. Para isso necessrio que os
planos de informao das evidncias sejam antes transformados em mapas binrios,
subdivididos em classe favorvel e no favorvel. A definio dos limiares de corte pode
ser baseada tanto no julgamento subjetivo do especialista como por tcnicas estatsticas
baseadas em medio de correlao espacial, tal como o parmetro Contraste (Cw).

Com os mapas binrios gerados, faz-se a tabulao cruzada das evidncias com os
depsitos (verdades de campo), obtendo-se uma matriz onde cada clula corresponde
interseo das classes das evidncias com as ocorrncias minerais. Esses valores so
utilizados nas formulaes para a obteno das probabilidades a posteriore.

Para um melhor entendimento considere o exemplo definido por Bonham-Carter

(1994). Uma rea de interesse mineral que totaliza 10.000 Km2 e que contem 200
ocorrncias j conhecidas de 1 Km2 cada. Para efeito de anlise, esta rea subdividida
em partes iguais de 1 Km2 totalizando assim 10.000 unidades. Utilizando a notao N ( )
para representar a contagem das unidades, tem-se N (T ) = 10.000 unidades para a rea
total e N ( D) = 200 unidades para os depsitos. At o presente momento a
probabilidade de achar-se um depsito a partir de uma escolha aleatria de uma das
unidades obtida por N ( D) / N (T ) , ou 200 / 10.000 = 0,02 , o que representa a
probabilidade a priore P(D) de se achar um depsito.

No caso da existncia de informaes adicionais sobre a rea, como por exemplo, um

mapa de anomalias radiomtricas onde 180 das 200 ocorrncias conhecidas ocorrem
associadas s anomalias (Figura 2.9a), a probabilidade de encontrar-se um depsito ser
muito maior do que 0,02 caso a pesquisa seja procedida na rea delimitada pelo padro
anmalo (evidncia). A rea do padro anmalo de 3.600 Km2. De modo inverso a
probabilidade ser reduzida caso a evidncia no esteja presente. A potencialidade de
encontrar um depsito dado a presena da evidncia B pode ento ser expressa pela
probabilidade condicional:

P ( D B)
P( D | B) = (2.11)
P( B )

Fig. 2.9 Tabela de tabulao cruzada e formulaes bayesianas para o caso hipottico
de uma rea prospectvel de 10.000 Km2, onde ocorrem 200 ocorrncias
minerais, sendo 180 delas condicionadas a anomalia radiomtricas com 3600
Km2 de rea.
O primeiro membro da equao a probabilidade condicional do depsito dada a
evidncia P( D | B) . No segundo membro o numerador P( D B) eqivale rea de
interseo dos depsitos e da evidncia, ou P( D B) = N ( D B) / N (T ) . O
denominador P(B) de modo semelhante eqivale a N ( B) / N (T ) . Pela substituio
direta no segundo membro da Equao 2.11 obtm-se:

N (D B )
P( D | B) = ( 2.12)
N ( B)

Na Figura 2.9b o diagrama de Venn ilustra a situao de sobreposio entre os planos

binrios dos depsitos e da evidncia com a rea de interseo demarcada em vermelho.
Os resultados esperados da tabulao cruzada entre os dois planos de informao
encontram-se na matriz da Figura 2.9c, com os depsitos representados nas linhas e a
evidncia na coluna. As formulaes das probabilidades condicionais com os respectivos
resultados encontram-se na Figura 2.9d.

A partir do exemplo, fica claro que a probabilidade condicional dada a evidncia maior
que a probabilidade a priore considerando-se a rea total. No caso 180 / 3.600 = 0,05 , o
que 2,5 vezes maior do que a probabilidade a priore P( D) = 0,02 . Pode-se concluir
assim que utilizando-se essa evidncia, a chance de sucesso em uma possvel campanha
prospectiva aumentada e a rea de pesquisa reduzida de 10.000Km2 para 3.600Km2.

Entretanto, at o momento as formulaes apresentadas no demostram a possibilidade

da representao da probabilidade condicional em termos da probabilidade a priore
mais um fator multiplicativo (Equao 2.10). A equao obtida a partir do
desenvolvimento da formulao proposta a seguir. Primeiramente a probabilidade a
posteriore do padro anmalo dado que se est em um depsito :

P ( B D)
P( B | D ) = (2.13)
P( D )

Pela teoria da probabilidade sabe-se que P( B D) e P( D B) so iguais. Ento,

combinando-se as Equaes 2.11 e 2.13 obtm-se:

P ( B | D)
P( D | B) = P( D ) (2.14)
P ( B)

No exemplo observa-se que P( B | D) / P ( B) = 0,9 / 0,36 = 2,5 , que corresponde ao fator

multiplicativo da probabilidade a priore P( D) = 0,02 . Pela Equao 2.14
P( D | B) = 0,02 2,5 = 0,05 , o que eqivale ao mesmo resultado obtido pela Equao
2.11.

Bonham-Carter (1994) prope ainda outro tipo de formulao, expressa pelo clculo da
chance a priore O(D) e da chance a posteriore O( D | B) . Esta formulao permite a
integrao de diferentes evidncias como fatores explicativos para a ocorrncia mineral
atravs de uma soma condicional de parmetros. Esta soma condicional facilita a soma
dos planos de informao em um SIG.

A chance a priore expressa por:

P( D )
O( D) = (2.15)
(1 P( D))
onde P(D) probabilidade a priore.

A chance a posteriore obtida a partir do desenvolvimento da probabilidade a posteriore,

apresentado abaixo:

P ( B | D)
P ( D | B) = P ( D) (2.16)
P( B )

P( B | D )
P( D | B) = P( D ) (2.17)
P( B)

Dividindo-se os dois termos da Equao 2.16 por P( D | B) vem:

P ( D | B ) P ( D) P ( B | D )
= (2.18)
P ( D | B) P( D | B ) P( B)

Substituindo o P( D | B) do segundo termo pela Equao 2.17 vem:

O( D | B ) O(D) 1

P ( D | B ) P (D ) P ( B | D) P (B )
= (2.19)
P ( D | B ) P( D ) P ( B | D ) P ( B)

P( B | D )
O( D | B) = O( D) Razo de Suficincia (LS) (2.20)
P (B | D )

De modo semelhante obtm-se a chance da ocorrncia, dado a ausncia da evidncia.

P (B | D)
O( D | B ) = O (D ) Razo de Necessidade (L N) (2.21)
P (B | D )

Extraindo-se o logaritmo natural das Equaes (2.20) e (2.21) acima obtm-se:

Ln[ O( D | B)] = Ln[O( D)] + + (2.22)

Ln[O( D | B )] = Ln[ O( D )] + (2.23)

As razes de suficincia (LS) ou de necessidade (LN) so computadas dependendo da
presena ou ausncia da evidncia para um dado ponto. A condio de suficincia de
uma evidncia (B) satisfeita quando a probabilidade de existncia do depsito (D)
maximizada ( P( B | D) = mximo ). A condio de necessidade da evidncia satisfeita
quando a probabilidade de no ocorrncia do depsito maximizada com a no
existncia da evidncia ( P( D | B ) = mximo ) (Rostirolla, 1997). No caso do padro no
apresentar nenhuma correlao com o depsito LS=LN=1.

Bonham-Carter (1994) demostra ainda que para um nmero maior de evidncias, estas
seriam integradas atravs da formulao que computaria a chance a priore, adicionada
ao somatrio dos logaritmos naturais das razes de suficincia e/ ou necessidade. Sendo
necessrio porm que as evidncias consideradas apresentem uma independncia
condicional (Agterberg, 1989).

A obrigatoriedade de assumir a independncia condicional na combinao de evidncias

mltiplas decorre do fato dos ponderadores serem calculados independentemente para
cada evidncia, sendo depois combinados em uma nica equao. Essa imposio
matemtica possibilita uma simplificao na formulao e quando bem empregada
fornece uma boa idia da contribuio individual de cada evidncia.

A probabilidade de um depsito dado duas evidncias expressa por:

P( D B1 B2 )
P( D | B1 B2 ) = (2.24)
P( B1 B2 )

P( B1 B2 | D) P( D)
P( D | B1 B2 ) = (2.25)
P( B1 B2 )

P( B1 B2 | D) P( D)
P( D | B1 B2 ) = (2.26)
P( B1 B2 | D) P( D) + P( B1 B2 | D ) P( D )

Esta a regra Bayesiana. Perceba-se que existem apenas duas hipteses exclusivas, D e
D , com P( D) + P( D ) = 1 (Bonham-Carter, 1994). Os efeitos de interseo entre as
duas evidncias B1 e B2 podem ser ignorados quando a independncia condicional entre
as evidncias for respeitada. Isto possibilita uma simplificao ao permitir uma avaliao
individual dos efeitos de cada plano de informao binrio, alm de permitir a
combinao dos fatores atravs de uma multiplicao direta.

A independncia condicional pode ser expressa por:

P( B1 B2 | D) = P ( B1 | D) P( B2 | D) (2.27)

A Equao 2.27 permite a Equao 2.26 ser simplificada para:

 P( B1 | D) P ( B2 | D)
P( D | B1 B2 ) = P ( D) (2.28)
P( B1 ) P ( B2 )

A Equao 2.28 possibilita, ento, a multiplicao separada dos fatores de contribuio

de cada evidncia. A formulao da probabilidade condicional de duas evidncias
expressa em chance por:

O( D | B1 B2 ) = O( D) LS 1 LS 2 (2.29)

Extraindo-se o logaritmo natural da Equao 2.29 obtm-se:

Ln [ O ( D | B 1 B 2 )] = Ln [ O ( D )] + 1+ + 2+ (2.30)

A Equao 2.30 apresenta apenas uma das combinaes possveis considerando apenas
duas evidncias. Na realidade so possveis 4 combinaes diferentes dos
( (1+ + 2+ ) ou ( 1+ + 2 ) ou ( 1 + 2+ ) ou (1 + 2 ) ), as quais resultaro num total de
quatro equaes semelhantes a Equao 2.30, com as respectivas combinaes possveis
de . No caso da existncia de n evidncias sero possveis 2 n combinaes diferentes.

Esta soma dos + ou pode ser efetuada, para todos os pontos em anlise, a partir de
uma operao condicional, controlada espacialmente pela presena ou ausncia da
classe favorvel de cada evidncia (Equao 2.31). Ou seja, caso o primeiro ponto do
plano de informao apresente a evidncia i computado na soma o valor do + ,
caso contrrio . O mesmo efetuado para as demais evidncias, at que todas
tenham sido computadas para o mesmo ponto. O valor final no ponto (chance a
posteriore - O( D | B1 B2 K Bn ) ) o resultado da somatria condicional dos + e
somado a chance a priore O(D) . Este procedimento repetido para todos os pontos da
grade de modo a completar a grade numrica do plano de informao (MNT).
n
O( D | B1 B2 K Bn ) = Ln[ O( D)] + (( i = favorvel) ? i+ : i ) (2.31)
i =1

Com o plano de informao da chance a posteriore gerado aplicado uma expresso

matemtica para a gerao do plano de informao com os valores de probabilidade a
posteriore.

O ( D | B)
P( D | B) = (2.32)
1 + O ( D | B)

O resultado final uma grade regular com valores de "z" indicando a probabilidade a
posteriore da ocorrncia mineral. Essa grade pode ser fatiada em faixas que expressaro o
grau de probabilidade ocorrncia de novos depsitos.
2.4.1 - Independncia Condicional

Quando dois ou mais mapas so combinados atravs de inferncia bayesiana uma das
premissas assumidas a existente da independncia condicional (IC) entre eles.
Entretanto, na prtica, provavelmente a IC sempre violada em algum grau, sendo
necessria a utilizao de testes estatsticos para mostrar a magnitude do problema e
apontar os mapas que esto causando os maiores problemas. Esses mapas podem ento
ser rejeitados na anlise ou modificados para minimizarem o problema

Dados espaciais normalmente no satisfazem a suposio de modelos estatsticos

clssicos, particularmente com referncia a independncia das amostras. Suponha que
dois mapas binrios esto para ser comparados em uma srie de pontos (localizaes)
selecionados aleatoriamente. Caso a distncia mdia entre a localizao das amostras dos
dois mapas seja grande, a suposio de independncia entre amostras aceitvel. Por
outro lado com o aumento do nmero das amostras, a separao entre pontos ir
diminuir, no podendo mais as amostras serem consideradas independentes em um
sentido estatstico. Em geral quanto maior for o nmero de amostras para uma base
espacial, mais prximo elas estaro e maior ser sua autocorrelao espacial, o que
significa que elas no so independentes.

Estatisticamente a existncia de independncia entre dois padres B1 e B2, pode ser

expressa por: P( B1 | B2 ) = P( B1 ) e P( B2 | B1 ) = P( B2 ) . Essa formulao indica a
probabilidade de B1 estar presente independe de B2 e vice-versa. Por outro lado, a
formulao da independncia condicional entre dois mapas de padres binrios, com
respeito a um conjunto de depsitos, expressa por:

P( B1 B2 | D) = P ( B1 | D).P( B2 | D) (2.33)

o que eqivale a:

N ( B1 D).N ( B2 D)
N ( B1 B2 D) = (2.34)
N ( D)

O lado esquerdo da equao eqivale ao nmero de depsitos nas regies onde ocorrem
ambos os padres B1 e B2. O lado direito define o nmero de depsitos esperados nas
zonas de sobreposio, que deve igualar o nmero de depsitos sobre B1, multiplicado
pelo nmero sobre B2, dividido pelo nmero de depsitos, caso os dois padres sejam
independentes (Figura 2.10).

Para caracterizar o grau de associao entre classes de mapas, Bonham-Carter (1994)

sugere a utilizao da estatstica Qui-quadrado (2). No mtodo estatstico 2, a tabela da
tabulao cruzada utilizada como uma tabela de contingncia. Como exemplo,
imagine-se uma tabela de tabulao cruzada T entre dois mapas A e B (Tabela 2.2), com
elementos Ti, j (classes sobrepostas). Onde existem i = 1,2,..., n classes do mapa B (linha
da tabela) e j = 1, 2,..., m classes do mapa A (coluna da tabela). As margens da tabela
so definidas como i. para a soma das i linhas, e .j para a soma das j colunas. Se os
dois mapas so independentes um do outro, sem correlao entre eles, ento a rea
esperada em cada categoria de sobreposio dada pelo produto dos totais das margens
dividido pelo total absoluto.

Fig. 2.10 Diagrama de Venn ilustrando o conceito de independncia condicional. O

crculo maior o conjunto dos depsitos. Dentro deste crculo, os
parmetros B1 e B2 apresentam independncia condicional em relao aos
depsitos caso a rea ( B1 D ) multiplicada pela rea ( B2 D ) seja igual a
rea ( B1 B2 D /( D).
FONTE: Bonham-Carter (1994).

TABELA 2.2 MATRIZ DE CONTINGNCIA ENTRE DOIS PLANOS DE

INFORMAO, A E B
A A totais
B T11 T12 T1 .
B T21 T22 T2 .
totais T.1 T.2 T..
Ento a rea esperada Ti*,j para a i linha e a j coluna :

Ti . T. j
Ti *, j = (2.35)
T ..

O resultado dessa operao utilizado na estatstica 2 que expressa pela formulao

abaixo:

n m (Ti , j Ti *,j ) 2
2 = (2.36)
i =1 j =1 Ti *, j
onde o Ti *, j o valor esperado da sobreposio entre as classes e Ti , j o valor observado.

Como 2 fortemente dependente da unidade de medida, sendo proporcional ao

tamanho da unidade (ex. mudanas em medidas de metros quadrados para centmetros
quadrados representam um fator de aumento de 10.000, que reflete-se tambm na
magnitude do 2) Bonham-Carter (1994) prope a utilizao do coeficiente de
contingncia (Equao 2.37), que independente da unidade de medida e varia de 0 a 1.
O valor 0 indica que os mapas no so correlacionados e os valores prximos a 1
que eles so correlacionados.

2
C= (2.37)
T + 2

2.4.2 - Reclassificao Binria - Contraste

O processo de converso de mapas multi-classes para uma forma binria pode tanto ser
efetuado subjetivamente, usando-se o julgamento geolgico, como pode ser efetuado
estatisticamente, determinando-se o limiar de corte que maximiza a associao espacial
entre o mapa com a evidncia, resultante da reclassificao binria, e o mapa com as
verdades de campo (ocorrncias minerais).

Como ferramenta estatstica para a definio do limiar de corte que maximiza a

correlao espacial Bonham-Carter (1994) prope como um dos parmetros possveis a
utilizao do Contraste (Cw). Para ilustrar o processo de obteno do limiar de corte,
considere um plano de informao com lineamentos. Na Figura 2.11 tem-se uma
ampliao dos lineamentos com fatias (buffers) e ocorrncias minerais sobrepostas.
Sem a necessidade de anlise estatstica, apenas com anlise visual, fica claro que os
pontos de ocorrncia caem prximos aos lineamentos. Fato este que corrobora com a
premissa de que ocorrncias minerais esto associadas geneticamente a lineamentos.
Fig. 2.11 Corredores ao longo de lineamentos, com ocorrncias minerais sobrepostas.

O objetivo nesta anlise determinar o mapa binrio que indique a melhor correlao
entre lineamentos e ocorrncias conhecidas. A escolha de uma distncia pequena define
uma classe com rea reduzida, que no englobar muitas das ocorrncias. No caso
oposto, uma distncia muito grande define uma classe favorvel muito ampla,
diminuindo a efetividade da evidncia em prever as reas alvos. O plano de informao
do exemplo apresenta 28 fatias com espaamento de 25m cada, num total de 700m.

De modo a evitar esses dois extremos, procede-se o clculo de ponderadores (Contraste)

para cada fatia. As formulaes propostas para o clculo do Contraste so:

CW = Ln[O( B | A)] Ln[O( B | A )] (2.38)

, ou

CW = W + W (2.39)
 Contraste entre os lineamentos e as ocorrncias minerais

Contraste 2.0

1.5

1.0

0.5

0.0
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700
-0.5
Distncia (m)
-1.0

-1.5

Fig. 2.12 Valores de contraste acumulados das fatias ao longo dos lineamentos
indicando um ponto timo de corte em 250m.

A computao do contraste para cada fatia gera valores individuais que podem oscilar
muito, conforme a quantidade de ocorrncias. Este aspecto pode gerar um grfico com
uma curva muito ruidosa, devido grande variao nos valores de contraste, o que
dificulta a definio de um ponto de corte confivel. Este problema pode ser contornado
com o clculo do contraste acumulado, conforme demostrado na Tabela 2.3 e na Figura
2.12. O grfico apresenta um pico claro na distncia de 250m que o ponto de corte que
fornece o padro binrio que melhor prediz as ocorrncias minerais conhecidas. De
qualquer modo bom indicar que nem sempre est tcnica fornece um ponto de
mximo claro para corte. Em tais situaes os limiares so definidos segundo o
julgamento subjetivo do gelogo.
TABELA 2.3 VALORES UNITRIOS E ACUMULADOS DE CONTRASTE
DAS FATIAS AO LONGO DOS LINEAMENTOS, INDICANDO O LIMIAR DE
CORTE DE 250 M COMO AQUELE QUE MAXIMIZA A CORRELAO
ESPACIAL DOS LINEAMENTOS COM AS OCORRNCIAS MINERAIS
Fatia Distncia Contraste Contraste acumulado
1 25 0.20708 0.2071
2 50 0.19165 0.3987
3 75 0.25186 0.6506
4 100 0.24800 0.8986
5 125 0.19165 1.0902
6 150 0.13637 1.2266
7 175 0.10533 1.3319
8 200 0.10695 1.4389
9 225 -0.01381 1.4251
10 250 0.05937 1.4844
11 275 -0.00553 1.4789
12 300 -0.02101 1.4579
13 325 -0.00716 1.4507
14 350 -0.03870 1.4120
15 375 -0.06596 1.3461
16 400 -0.11612 1.2300
17 425 -0.25675 0.9732
18 450 -0.21505 0.7582
19 475 -0.19254 0.5656
20 500 -0.26399 0.3016
21 525 -0.44979 -0.1482
22 550 -0.31204 -0.4602
23 575 -0.22130 -0.6815
24 600 -0.17127 -0.8528
25 625 -0.32883 -1.1816
26 650 0.00539 -1.1762
27 675 0.07632 -1.0999
28 700 0.19028 -0.9096
2.5 REDES NEURAIS ARTIFICIAIS

Redes Neurais Artificiais so tcnicas computacionais que apresentam um modelo

matemtico inspirado na estrutura neural de organismos inteligentes que adquirem
conhecimento atravs da experincia (Carvalho,1999). O processamento em redes
neurais ocorre na sua maioria de modo paralelo, diferentemente da computao
convencional, que apresenta processamento seqencial.

Uma rede neural artificial composta por vrios elementos de processamento (EPs).
Esses elementos geralmente so conectados por canais de comunicao associados a
determinados pesos. Os pesos so coeficientes adaptativos da rede que determinam a
intensidade dos sinais de entrada, ou seja so medidas de fora de conexo (Nelson e
Illingworth, 1991). Os elementos fazem operaes apenas sobre dados locais, que so as
entradas recebidas pelas suas conexes. O comportamento inteligente de uma Rede
Neural Artificial vem das interaes entre os EPs da rede.

As arquiteturas neurais so na maioria das vezes organizadas em camadas, com EPs que
podem estar conectados aos EPs da camada posterior (Figura 2.13). Usualmente as
camadas so classificadas em trs grupos:

Camada de Entrada:
Entrada onde os sinais (padres) so apresentados rede;

Camadas Intermedirias ou Escondidas:

Escondidas onde efetuada a maior parte do
processamento, atravs das conexes ponderadas;

Camada de Sada:
Sada onde o resultado final apresentado.

Fig. 2.13 Organizao em camadas de uma rede neural.

FONTE: Carvalho (1999).

A operao de um EP pode ser entendida da seguinte maneira: sinais so apresentados

entrada; cada sinal multiplicado por um peso, que indica a sua influncia na sada da
unidade; efetuada a soma ponderada dos sinais que produz um nvel de atividade; se
este nvel de atividade exceder a um certo limite (bias) a unidade produz uma
determinada resposta de sada.

Fig. 2.14 Elemento de processamento funo de soma.

FONTE: Adaptado Nelson e Illingworth (1991)

Matematicamente pode-se pensar nas entradas e nos pesos como vetores (i1 , i 2 , ..., i n ) e
( wi , w2 ,..., wn ) . efetuada a multiplicao de cada componente i n pelo correspondente
wn , e, posteriormente, a soma de todos os produtos (Figura 2.14). No resultado
aplicada uma funo de transferncia (funo de ativao), geralmente no-linear
(Figura 2.15). As funes lineares na prtica mostram-se pouco eficientes pois fornecem
simplesmente sadas proporcionais s entradas. As funes mais utilizadas so as Hard
limiter, Ramping function e sigmide, sendo estas as mais utilizadas, devido ao seu
carter contnuo (Nelson e Illingworth, 1991).

A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os
pesos de suas conexes so ajustados de acordo com os padres apresentados (sinais).
Em outras palavras, elas aprendem atravs de exemplos. Os sinais podem ser positivos
(excitadores) ou negativos (inibidores). Uma entrada positiva promove o disparo de um
EP, enquanto a negativa tende manter o EP inerte.
Fig. 2.15 Exemplos de funes de transferncia. FONTE: Adaptado de Nelson e
Illingworth (1989).

A propriedade mais importante das redes neurais a habilidade de aprender e, com

isso, melhorar o seu desempenho. Isso feito atravs de um processo interativo de
ajustes aplicado a seus pesos, o treinamento. O aprendizado efetuado atravs de
algoritmo de aprendizado que um conjunto de regras bem definidas para a soluo de
um determinado problema. Existem muitos tipos de algoritmos de aprendizado
especficos para determinados modelos de redes neurais. O aprendizado ocorre quando
a rede neural atinge uma soluo generalizada para uma classe de problemas.

As formas de aprendizado podem ser subdivididas em: supervisionadas; no

supervisionadas; e por reforo. No aprendizado supervisionado so apresentadas rede
um conjunto de padres de entrada e seus correspondentes padres de sada. Durante os
processos sucessivos, a rede realiza um ajustamento dos pesos das conexes entre os
elementos de processamento, segundo alguma lei de aprendizado (algoritmo), at que o
erro entre os padres de entrada e sada esteja abaixo de um valor mnimo desejado
(Figura 2.16). Dentre os algoritmos de aprendizado supervisionado os mais utilizados
so Perceptron, Adeline e Madaline, Backpropagation (Hetch-Nielsen, 1989). O
aprendizado por reforo similar ao supervisionado com a diferena que um crtico
externo avalia a resposta fornecida pela rede (Carvalho, 1999).

No aprendizado no-supervisionado a rede analisa os conjuntos de entradas

apresentadas e determina algumas das propriedades dos conjuntos de dados e aprende a
refletir sobre suas propriedades de sada. Os mtodos de aprendizado mais utilizados so
Mapa Auto-Organizvel de Kohonen, Redes de Hopfield e Memria Associativa
Bidirecional (Hecht-Nielsen,1989).
 Fig. 2.16 Exemplificao do processo de aprendizado.
FONTE: Carvalho (1999).

O primeiro passo do processo de desenvolvimento de redes neurais artificiais so a

coleta de dados relativos ao problema e a sua separao em um conjunto de treinamento
e um conjunto de teste. Os dados de treinamento sero utilizados para o treinamento da
rede e dados de teste sero utilizados para verificar sua performance sob condies reais
de utilizao.

O segundo passo a definio da configurao da rede, que pode ser dividido em trs
etapas:

- seleo do paradigma neural apropriado aplicao;

- determinao da topologia da rede a ser utilizada (nmero de camadas, nmero

de unidades em cada camada, etc.);

- determinao de parmetros do algoritmo de treinamento e funes de ativao

(Carvalho, 1999).

O terceiro passo o treinamento da rede. Nesta fase, seguindo o algoritmo de

treinamento escolhido, sero ajustados os pesos das conexes. Normalmente, os valores
iniciais dos pesos da rede so nmeros aleatrios uniformemente distribudos em um
intervalo definido.

O quarto passo o teste da rede. Durante esta fase o conjunto de teste utilizado para
determinar a performance da rede com dados que no foram previamente utilizados. O
desempenho da rede, nesta fase, uma boa indicao de sua performance real
(Carvalho,1999). Finalmente, com a rede treinada e avaliada, ela pode ser integrada a
um sistema do ambiente operacional da aplicao.
2.6 SUPORTE DECISO

Qual o grande desafio da produo de novas informaes em um SIG? A

capacidade de comparar e avaliar as diferentes possibilidades de gerao de novos
mapas. Como o SIG oferece uma grande quantidade de funes de lgebra de Mapas,
nem sempre facil escolher qual a forma de combinao de dados mais adequada para
nossos propsitos. Neste contexto, muito til dispor de ferramentas de suporte
deciso, que nos ajudam a organizar e estabelecer um modelo racional de combinao
de dados. Uma das tcnicas mais teis o processo analtico hierrquico - Analytical
Hierarchy Process (AHP), desenvolvida por Saaty (1992), considerada como sendo a
mais promissora no contexto do processo de tomada de deciso.

Suporte Deciso - Conceitos Bsicos

Decidir escolher entre alternativas. Com base nesta viso, podemos encarar o
processo de manipulao de dados num sistema de informao geogrfica como uma
forma de produzir diferentes hipteses sobre o tema de estudo. O conceito fundamental
dos vrios modelos de tomada de deciso o de racionalidade. De acordo com este
princpio, indivduos e organizaes seguem um comportamento de escolha entre
alternativas, baseado em critrios objetivos de julgamento, cujo fundamento ser
satisfazer um nvel pre-estabelecido de aspiraes. O modelo racional de tomada de
deciso preconiza quatro passos que devem ser seguidos para uma escolha apropriada:
Definio do problema: formular o problema como uma necessidade de chegar a
um novo estado.
Busca de alternativas: estabelecer as diferentes alternativas (aqui consideradas
como as diferentes possveis solues do problema) e determinar um critrio de
avaliao.
Avaliao de alternativas: cada alternativa de resposta avaliada.
Seleo de alternativas: as possveis solues so ordenadas, selecionando-se a
mais desejvel ou agurpando-se as melhores para uma avaliao posterior.

A Tcnica AHP - Processo Analtico Hierrquico

Quando temos diferentes fatores que contribuem para a nossa deciso, como fazer para
determinar a contribuio relativa de cada um? Para abordar este problema, Thomas
Saaty props, em 1978, o tcnica AHP (processo analtico hierrquico). Trata-se de uma
teoria com base matemtica que permite organizar e avaliar a importncia relativa entre
critrios e medir a consistncia dos julgamentos. Requer a estruturao de um modelo
hierrquico, o qual geralmente composto por meta, critrios, sub-critrios e
alternativas; e um processo de comparao pareada, por importncia relativa,
preferncias ou probabilidade, entre dois critrios, com relao ao critrio no nvel
superior. Com base na comparao, a AHP pondera todos os sub-critrios e critrios e
calcula um valor de razo de consistncia entre [0, 1], com 0 indicando a completa
consistncia do processo de julgamento.
O primeiro passo para a aplicao dessa tcnica a elaborao de uma relao de
importncia relativa entre as evidncias. Neste procedimento, os diferentes fatores que
influenciam a tomada de deciso so comparados dois-a-dois, e um critrio de
importncia relativa atribudo ao relacionamento entre estes fatores, conforme uma
escala pr-definida (veja tabela). A lgica da comparao par a par sugere obter uma
medida relativa do mrito, em situaes nas quais exista alguma incerteza sobre o
critrio de determinao de padres desejados em processos de inferncia espacial. A
lgica da comparao par a par uma anlise decomposta, por comparao dois a dois
dos elementos, que finaliza com uma sntese de recomposio, pela agregao dos
valores membro dos elementos, em um mtodo de avaliao unificado (Banai, 1993).

TABELA 2.4 ESCALA AHP DE COMPARAO PAR A PAR

Intensidade de importncia Definio e explicao

1 Importncia igual os dois fatores contribuem
igualmente para o objetivo
3 Importncia moderada um fator ligeiramente mais
importante que o outro
5 Importncia essencial um fator claramente mais
importante o outro
7 Importncia demostrada um fator fortemente
favorecido e sua maior relevncia foi demostrada na
prtica
9 Importncia extrema a evidncia que diferencia os
fatores da maior ordem possvel
2,4,6,8 Valores intermedirios entre julgamento - possibilidade
de compromissos adicionais

A lgica da comparao par a par de n elementos desenvolvida em uma matriz A =

( a ij ). Os coeficientes desta matriz indicam uma estimativa da magnitude dos elementos
x i , indicado pelos wi , em relao a uma dada propriedade P. Deste modo, uma matriz
de razes formada com os coeficientes a ij = wi w j . A matriz A recproca
(a ji = (1 aij )) , e todas as entradas da diagonal so unitrias a ii = 1 .
W1 W1 W1 W2 L W1 Wn
W W W W L W 2 Wn
A= 2 1 2 2
(2.40)
M M L M

W n W1 W n W2 L W n Wn

As magnitudes wi (i = 1,K , n) so assumidas como conhecidas (i.e., s ( xi ) = wi ).

Entretanto, caso estas no sejam conhecidas possvel recuperar seu vetor (coluna): [w1,
w2, , wn] atravs da soluo da equao caracterstica (A multiplicao de A por w
definida como proporcional ao w com o fator escalar n):

A.w = n.w (2.41)

Como a matriz A apresenta rank unitrio (na matriz A apenas uma das linhas
independente, as demais so constantes mltiplas da primeira linha), todos os valores
caractersticos (autovalores) i (i=1,n) so zero, exceto um i , o qual Saaty (1978)
denomina como max i = 0 .

Substituindo-se n por max na Equao (2.41) obtm-se:

A.w = max .w (2.42)

O primeiro passo para a soluo da equao caracterstica o clculo do autovalor max .

O desenvolvimento abaixo demostra as operaes necessrias para o isolamento do
termo da equao do qual o determinante igualado zero. Isto possvel uma vez que
assumido um w 0.

A.w = max .w (2.43)

[ A I .max ] .w = 0 (2.44)

det [ A I . max ] = 0 w0 (2.45)

O prximo passo a substituio do autovalor, max , na formula 2.44. O vetor

caracterstico (autovetor) w obtido atravs da soluo das equaes resultantes da
equao 2.44, onde o resultado nico definido atravs da normalizao de w (cada
posio de wi deve ser dividida pelo somatrio de wi , para i=1,,n). A escala
limitada entre [0,1] e recuperada da matriz das razes, A . Deste modo, a grade de
relacionamento dos elementos x i de um conjunto S em um espao de propriedade
M=[0,,1] definido por wi : 0 s ( x i ) = wi 1 (Banai, 1993).

A tcnica AHP uma ferramenta de anlise multi-critrio que permite algumas

melhorias em aplicaes desenvolvidas em SIG. Algumas das principais propriedades
que caracterizam a metodologia sero abordadas resumidamente a seguir:

Clculo da consistncia

Quando o vetor dos pesos, w , no conhecido, pode-se estim-lo atravs da matriz de

comparao dois a dois, A , sendo os coeficientes da matriz estimativas dos pesos
relativos. Considerando as estimativas dos atuais, A , w , e n por A , w , e max ,
respectivamente, a equao caracterstica resultante expressa por:

A'.w' = max .w' (2.46)

Nos casos onde w conhecido, a condio de consistncia a ij . a jk = aik vlida para a
matriz A . Entretanto esta condio de consistncia pode no ser vlida em situaes
onde a matriz foi estimada, A ; i.e., a ij' . a 'jk aik' . Uma pequena perturbao nos valores
dos coeficientes de A implica num pequeno desvio dos valores caractersticos
(autovalores), o que geralmente resulta num max >n. Uma boa estimativa dos coeficiente
de A implica num max mais prximo de n o que resultaria numa soluo onde o w o
mais prximo de w . Este desvio de consistncia medido pelo ndice de consistncia, CI:

CI = ( max n) ( n 1) (2.47)

O ndice CI comparado com sua mdia, RI (ndice de Consistncia Randmica), a

qual derivada a partir de uma amostra de 500 matrizes recprocas geradas de forma
randmica e que apresenta as mesmas dimenses de A . O ndice de consistncia
randmico, RI, utiliza uma escala de 9 pontos mais os valores recprocos 1/9, 1/8, ,1
(Tabela 2.4), e dado pelo tamanho da matriz (ou o nmero de fatores, n, na matriz de
comparao) (Banai, 1993):
N 1 2 3 4 5 6 7 8 9 10
RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
A comparao dos dois valores via um ndice CR=CI/RI indica que a razo estimada
pela matriz A a mais prxima de ser logicamente consistente, ou de modo contrrio, a
mais prxima de ser aleatria. Saaty (1980) sugere um limite de CR igual a 10% como
uma medida de boa consistncia. A melhoria da consistncia em situaes onde o ndice
CR excede 0.10 envolve a reviso das razes estimadas na matriz A .
2.7 MTODOS DE AFERIO DE QUALIDADE

Para a avaliao dos mapas de potencialidade gerados atravs das anlises multi-
critrios, pretende-se utilizar a probabilidade condicional. O objetivo avaliar o carter
explicativo dos mapas com as verdades de campo (ocorrncias minerais) utilizando a
idia da probabilidade a posteriore. O que se espera nessa anlise uma alta correlao
das ocorrncias com as faixas dos mapas de potencialidade definidos como de alto
potencial.

Para um melhor entendimento imagine-se um mapa de potencialidade com diferentes

faixas de potencialidades. Na prtica o que se espera uma alta correlao das faixas
definidas como de alto potencial com as verdades de campo (ocorrncias minerais) e
uma baixa correlao com as de baixo potencial. O cruzamento desses mapas com as
verdades de campo fornecer parmetros que, substitudos na formulao do grau de
confiana (equao 2.48), permitiro avaliar o carter explicativo de cada faixa relativa
s verdades de campo.

Na prtica o que se obtm so valores que expressam numericamente o quanto se

aumenta em nmero de vezes (grau de confiana) o encontro de novos depsitos a
partir do momento que se est pesquisando em regies definidas como de alto potencial.
O grau de confiana expresso pela razo da probabilidade a posteriori pela
probabilidade a priore.

p ( depsito | fatia)
Grau de confiana = (2.48)
p (d )

onde: p ( depsito | fatia) a probabilidade a posteriore do depsito ocorrer

dado uma certa classe de prioridade;

p (d ) a probabilidade a priore do depsito ocorrer considerando a rea

total de estudo.
 CAPTULO 3

MATERIAIS

As inferncias espaciais basearam-se na aplicao de um modelo de prospeco aplicado

em um banco de dados espaciais, atravs de tcnicas de geoprocessamento. O banco de
dados foi manipulado no SPRING (Sistema de Processamento de Informaes
Georreferenciadas), sistema de informao geogrfica (SIG) baseado num modelo de
dados orientado a objeto, do qual so derivados sua interface de menus e sua linguagem
espacial LEGAL.

Todos os modelamentos desenvolvidos neste trabalho (com exceo do modelo segundo

teoria de redes neurais) foram desenvolvidos no SPRING. O modelamento por Redes
Neurais utilizou, alm do SPRING, o programa de simulao de Redes Neurais
Artificiais SNNS (Stuttgart Neural Network Simulator), para execuo do
processamento do banco de dados.

Neste captulo pretende-se descrever a rea de estudo, o Complexo Alcalino de Poos de

Caldas, o banco de dados espaciais utilizado, bem como apresentar algumas das
definies dos sistemas utilizados: SPRING, linguagem de lgebra de mapas LEGAL e o
simulador SNNS.

3.1 REA DE ESTUDO

O macio Alcalino de Poos de Caldas foi usado como rea-teste para a aplicao das
metodologias de integrao e anlise espacial dos dados. Essa escolha foi motivada pela
disponibilidade de uma base de dados em formato digital, adequada a estudos
metodolgicos de anlise espacial.

Pesquisas para minerais radioativos no complexo alcalino de Poos de Caldas tiveram

incio em 1952, com os trabalhos executados pelo Conselho Nacional de Pesquisa
(Tolbert, 1966). Esse interesse gerou uma boa base de dados de campo e estudos (Ellert,
1959; Tolbert, 1966; Oliveira, 1974; Almeida e Paradella, 1977; Ulbrich, 1984; Fraenkel
et al., 1985; Almeida Filho,1995). A seguir ser apresentado um resumo sobre as
caractersticas geolgicas gerais do macio de Poos de Caldas e do banco de dados
disponvel.

3.1.1 Caractersticas Gerais

O plat de Poos de Caldas localiza-se na divisa dos estados de Minas Gerais e So

Paulo, a aproximadamente 300Km da cidade de So Paulo (Figura 3.1). O macio, de
formato aproximado circular, possui uma rea aproximada de 750Km2, com dimetro
de cerca de 35Km. A altitude mdia do plat gira em torno de 1300m, bordejado por
diques anelares de 1500 a 1650m de altitude.

Ba

BRASIL

Mg

Es

Rj
Sp

Fig. 3.1 Localizao da rea de estudo.

A cidade de Poos de Caldas, com aproximadamente 110.000 habitantes, no limite

norte da cratera, um importante centro hidrotermomineral do Brasil, tambm com
importantes atividades de minerao de bauxita e argila.

3.1.2 Geologia

O macio de natureza intrusiva tem como rochas mais abundantes nefelinas-sienitos

(tinguatos, fonlitos, foiatos) de idade Mesozica-Cenozica. O embasamento
cristalino apresenta rochas Arqueanas, constitudas na maioria por gnaisses, migmatitos
e granulitos, conforme mapa litolgico da Figura 3.2.

Os diversos tipos litolgicos de origem alcalina podem ser subdivididos em trs grupos
principais: - brechas, tufos e aglomerados; - rochas efusivas e hipabissais; e rochas
plutnicas (Fraenkel et al., 1985). Brechas, tufos e aglomerados correspondem ao
material vulcnico aflorante na poro noroeste do macio. As rochas efusivas e
hipabissais so representadas por fonlitos e tinguatos respectivamente. As rochas
plutnicas so constitudas por foiatos e por lujaritos, ocorrendo tambm chibinitos em
menor proporo.

Outro aspecto litolgico importante a existncia de uma rocha potssica, resultante

da alterao por processos hidrotermais e de intemperismo do tinguato (Fraenkel et al.,
1985), a qual constitui importante controle das mineralizaes uranferas no macio.
Aspectos estruturais

O complexo alcalino apresenta dois grandes sistemas de falhamentos, com direes

predominantes em N60W e N40E, estando o primeiro relacionado com a tectnica
regional e o segundo com o processo formador da caldeira (Fraenkel et al., 1985).
Almeida Filho e Paradella (1977), atravs da interpretao de imagens Landsat,
identificaram existncia de 7 estruturas circulares no interior da caldeira de Poos de
Caldas, possivelmente associadas presena de cones vulcnicos (Figura 3.3). A presena
de vrias ocorrncias minerais radioativas ao longo das bordas dessas estruturas, levou
aqueles autores a considerarem que estas feies constituram controle estrutural dessas
mineralizaes.

Evoluo do macio

O complexo alcalino teve as primeiras manifestaes no Cretceo Superior (87m.a.) e

evoluiu atravs de fases sucessivas at ano 60 m.a.. Estudos realizados por Ellert (1959)
reconhecem 6 fases na formao do complexo alcalino: 1) soerguimento do
embasamento; 2) atividades vulcnicas; 3) formao de caldeiras; 4) atividade
magmtica alcalina; 5) formao dos diques anelares; 6) intruses de foiatos, chibinitos
e lujaritos.

Mineralizaes

As mineralizaes radioativas do macio alcalino podem ser agrupadas em trs

associaes: urnio-zircnio, trio-terras raras e urnio-molibdnio (Tolbert, 1966;
Fraenkel et al.,1985) Os indcios e mineralizaes conhecidos no macio esto indicados
no mapa da Figura 3.4.

As associaes urnio-zircnio constituem as mineralizaes mais comuns, ocorrendo

como depsitos aluviais, eluviais e como veios e lentes. As associaes trio-terras raras
representam o segundo tipo de mineralizaes radioativas do macio sendo o depsito
de Morro de Ferro o mais significativo (Tolbert,1966). As mineralizaes urnio-
molibdnio esto associadas superposio de eventos tectnicos, hidrotermais e
metericos, ocorrendo como faixas ou como corpos lenticulares, encaixadas em foiatos
e tinguatos hidrotermalizados.
 Fig. 3.2 Mapa litolgico do macio de Poos de Caldas.FONTE: Nuclebrs (1975a).

Fig. 3.3 Mapa de lineamentos estruturais e estruturas circulares do macio de Poos de

Caldas. FONTE: Adaptado de Almeida Filho (1995).
Fig. 3.4 Ocorrncias de minerais radioativos no planalto de Poos de Caldas.
FONTE: Nuclebrs (1975b).

3.1.3 Modelo Prospectivo

Para a representao espacial e anlise das informaes relevantes sobre um alvo a ser
pesquisado, Rostirolla (1997) prope a definio das seguintes atividades: - mapear a
rea e construir o banco de dados georreferenciado; - estudar os depsitos conhecidos
para a elaborao do modelo de depsito; - montar o modelo gentico e caracterizar as
variveis diagnsticas (evidncias); - definir os ponderadores para cada varivel
diagnstica; - integrar os mapas ponderados; - construir os mapas de potencialidade; e
analisar os resultados e a eficincia do sistema de avaliao.

De acordo com as etapas propostas pelo autor acima, a etapa fundamental consiste na
definio do modelo prospectivo a ser adotado para a rea de estudo. O poder
explicativo do modelo proposto depende fundamentalmente do conhecimento
geolgico prvio da rea de estudo, que permitir a seleo dos critrios diagnsticos
mais importantes para a alimentao do modelo. No caso particular da rea de estudo,
os critrios diagnsticos (evidncias) mais importantes a ser considerados so
caractersticas geolgicas da rea (litologia, estruturas e presena de anomalias
radioativas). Tais parmetros podem definir isolada ou conjuntamente, stios potenciais
ocorrncia dos minerais de interesse.

Almeida Filho (1995) relata a dificuldade da elaborao de um modelo prospectivo para

o macio de Poos de Caldas, devido alta complexidade dos fenmenos envolvidos no
processo formador do complexo alcalino e das mineralizaes associadas. O processo
envolve aspectos tectnicos, estruturais, litolgicos e intempricos, com particularidades
de regio para regio. Entretanto, aquele autor identifica algumas caractersticas comuns
s ocorrncias minerais no macio alcalino, as quais foram preliminarmente assumidas
como critrios diagnsticos pesquisa de minerais radioativos:

litologias favorveis : presena de controles litolgicos representados por rochas

potssicas, lujaritos/chibinitos, material vulcnico, e corpos intrusivos de foiatos;

falhamentos/fraturamentos : presena de falhas e fraturas, condicionando o alojamento

de veios e lentes mineralizados;

estruturas circulares : presena de cones vulcnicos no interior da cratera, condicionando

a ocorrncia de mineralizaes radioativas em suas bordas;

gama-radiometria:
gama-radiometria presena de valores anmalos de radioatividade total, indicativa da
presena de minerais radioativos.

Desse modo, o modelo prospectivo para a definio de reas potenciais ocorrncias de

minerais radioativos baseia-se em trs pontos: dados gama-radioativos, litologias
favorveis e feies estruturais.

3.2 BANCO DE DADOS ESPACIAIS

As informaes relevantes ao processo de inferncia espacial foram extradas do banco

de dados digitais geocodificados (BDDG) construdo por Almeida Filho (1995) no
ambiente dos sistemas SITIM (Sistema de Tratamento de Imagens) e SGI (Sistema de
Georreferenciado de Informao), desenvolvidos pelo INPE .

Os planos de informao de interesse foram migrados para o ambiente SPRING, onde

foram realizadas todas as edies e processamentos necessrios para a execuo das
anlises multi-critrio com vistas a definir cenrios potenciais ocorrncia de minerais
radioativos.

Os dados utilizados esto apresentados na Tabela 3.1, onde esto explicitados os

formatos e respectivos atributos.
 TABELA 3.1 TIPOS, FORMATOS E ATRIBUTOS DOS DADOS

Dados Formatos Atributos

Cidade, principais drenagens Vetorial Infra-estrutura

Mapa Litolgico Vetorial e matricial Informaes litolgicas

Contatos litolgicos Vetorial e matricial Zonas de contatos

Gama-radiometria Vetorial e matricial Radioatividade (contagem total)

Feies estruturais Vetorial Falhas/fraturas e estr. circulares

Ocorrncias minerais Vetorial Verdade de campo

Adaptada de Almeida Filho (1995).

As principais caractersticas dos planos de informao so descritas a seguir:

Dados planimtricos indicao da cidade de Poos de Caldas, principais drenagens e

barragens. Essas entidades foram digitalizadas a partir das folhas descritas
anteriormente.

Dados litolgicos As unidades litolgicas foram digitalizadas a partir do mapa

geolgico do macio alcalino (Nuclebrs, 1975a) (Figura 3.2).

Dados gama radiomtricos os dados radiomtricos foram coletados pela Comisso

Nacional de Energia Nuclear CNEN, atravs de aerolevantamento com helicptero e
caminhamentos. Nos levantamentos com helicptero os dados foram coletados em
malhas de 250x250m, enquanto os dados coletados no terreno o foram em malha de
75x250m. Estes dados de radiatividade total encontravam-se integrados no mapa
radiomtrico do planalto de Poos de Caldas (NUCLEBRAS,1975c), subdivididos em 5
classes de intensidade radioativa, em relao a um background regional de 40 unidades
(background -1,3; 1,3-1,8; 1,8-2,5; 2,5-3,5; 3,5 - background)(Figura 3.4).

Dados estruturais Os dados estruturais foram obtidos atravs da interpretao de

imagens multiespectrais (MSS) realizada por Almeida Filho (1995). Eles foram
subdivididos pelo autor em feies lineares e feies circulares. As estruturas circulares
identificadas correspondem a sete feies no macio alcalino, interpretadas como
associadas a edifcios vulcnicos no interior da cratera (Almeida Filho e Paradella, 1977).
Fig. 3.5 Mapa de intensidade radioativa total do planalto de Poos de Caldas.
FONTE: Nuclebrs (1975c).

3.3 SUPORTE COMPUTACIONAL UTILIZADO

Dois sistemas foram usados no presente estudo: SPRING e SNNS. O SPRING um SIG
de 2o gerao, desenvolvido pelo Instituto Nacional de Pesquisas Espaciais INPE. No
seu modelo conceitual um banco de dados corresponde fisicamente a um diretrio onde
so armazenados suas definies de categoria e classe e os projetos pertencentes ao
banco. Os projetos so armazenados em subdiretrios juntamente com seus arquivos de
dados (pontos, linhas, imagens orbitais e areas, imagens temticas, textos, grades e
objetos).

O dados espaciais devem ser representados no esquema conceitual do SPRING como

geo-campos ou geo-objetos. O geo-campo representa a distribuio espacial de variveis
que possuem valores em todos os pontos pertencentes a uma regio geogrfica, podendo
ser especializado em modelos: temtico, numrico e imagem. O geo-objeto representa
um elemento nico que possui atributos no espaciais e est associado a mltiplas
localizaes geogrficas.

O SPRING prov um ambiente de trabalho amigvel e poderoso, atravs da combinao

de menus e janelas com uma linguagem espacial denominada LEGAL Linguagem
Espacial para Geoprocessamento Algbrico (Cmara, 1996). facilmente programvel
pelo usurio, possibilitando a realizao de anlises espaciais atravs de lgebra de
mapas. A anlise espacial utiliza atributos espaciais e no espaciais das entidades grficas
armazenadas na base de dados espaciais, para fazer anlises e simulaes sobre
fenmenos do mundo real.

A estrutura de um programa em LEGAL composta de trs partes: declarao,

instanciao e operao. Na declarao so definidos os dados, onde cada plano de
informao (PI) a ser manipulado associado a uma varivel de determinada categoria
definida no esquema conceitual. A instanciao consiste nas manipulaes de banco
de dados, onde PIs so recuperados ou criados dependendo dessas manipulaes. Na
operao so realizadas as operaes de lgebra de mapas (transformao, booleana,
matemtica, classificao contnua, vizinhana, reclassificao por atributos). No Anexo
I esto apresentados os programas em LEGAL construdos para execuo dos
procedimentos necessrios para a aplicao das diferentes tcnicas de inferncia espacial,
usadas neste estudo.

O outro pacote utilizado, o SNNS, um programa de simulao de redes neurais

artificiais, desenvolvido pelo Institute for Parallel and Distributed High Performance
Systems - IPVR da Universidade de Stuttgart.

O simulador composto por 4 componentes principais: simulador central, interface de

usurio grfica, interface de execuo em grupo e compilador de rede SNN2C. Uma de
suas caractersticas mais importantes a interface grfica que permite que usurios
inexperientes possam aprender e desenvolver modelos conexionistas com o auxlio do
simulador, de modo que o desenvolvimento de redes neurais complexas seja fcil e
rpido (Zell et al., 1999).
 CAPTULO 4

MODELAGEM DOS DADOS: RESULTADOS E DISCUSSES

Foram utilizados vrios mtodos de inferncia espacial para a integrao dos dados
(evidncias) relevantes para o modelo prospectivo adotado para o macio alcalino de
Poos Caldas. Os mtodos geraram diferentes planos de informao (geocampos) com
representao Temtica ou Numrico - MNT (Modelo Numrico de Terreno). Na
representao Temtica (booleano), a favorabilidade para ocorrncias minerais
radioativas expressa espacialmente atravs de polgonos ou pixels. Na representao
Numrica tm-se campos contnuos em forma de grade regular, que expressam
pontualmente o grau de favorabilidade.

Os resultados em formato numrico foram fatiados em quatro classes (nula, baixa,

mdia e alta), arbitrariamente definidas, que exprimem nveis diferentes de
potencialidade ocorrncia mineral. Os fatiamentos foram efetuados com o objetivo de
definir classes com reas o mais prximas possveis em tamanho. O desejo dessa
similaridade entre classes advm do sentimento de que as comparaes entre cenrios
seriam mais lgicas.

Os mapas com representao Temtica, gerados atravs dos 8 modelamentos (Booleano,

Mdia Ponderada, Fuzzy Mnimo-Mximo, Fuzzy Mdia, Fuzzy Gama, Fuzzy Ponderado
(AHP), Bayesiano, e Redes Neurais), foram avaliados qualitativamente e
quantitativamente. Nas anlises qualitativas foram observadas as coincidncias das
ocorrncias minerais com as classes de favorabilidade de cada cenrio. A observao foi
executada sobrepondo-se a cada mapa de favorabilidade as ocorrncias minerais,
definidas por uma circunferncia com 0,2 Km2 de rea. Em casos onde existiu a
interseo de mais de uma classe por ocorrncia mineral foi assumido a classe de maior
potencialidade como a classe coincidente.

Para a realizao das anlises quantitativas foi utilizada a probalidade condicional para a
avaliao de cada fatia dos cenrios gerados. O objetivo foi avaliar o carter explicativo
de cada faixa (nula, baixa, mdia e alta) em relao s ocorrncias minerais radioativas.
Ou seja, desejou-se aferir em quanto seria aumentada a chance de ocorrncia (grau de
confiana) de um depsito mineral nas classes definidas no mapa de favorabilidade.

Para a definio dos graus de confiana, o primeiro passo foi a tabulao cruzada do PI
das ocorrncias minerais com cada um dos diferentes PIs que continham os cenrios
gerados. O cruzamento gerou 8 matrizes de confuso (2x4) que foram editadas. Cada
matriz gerou outras 4 matrizes (2x2), de onde foram extrados os valores para o clculo
da probabilidade a priore e a posteriore, necessrias para o clculo do grau de confiana
( grau de confiana = P( D | B) P( D) ). As matrizes binrias de confuso de cada classe
dos diferentes cenrios encontram-se na Tabelas II.1 (Anexo II).

O clculo do grau de confiana foi obtido para todas as classes (fatias) dos mapas de
favorabilidade gerados e os resultados esto apresentados em tabelas individualizadas
para cada modelamento (Tabelas 4.2, 4.3, 4.6, 4.7, 4.9, 4.10, 4.20, 4.21). A anlise dessas
tabelas permitiu a obteno de algumas concluses com relao qualidade dos mapas
de favorabilidade gerados.

Os comentrios com relao s avaliaes qualitativas e quantitativas foram realizados

individualmente, modelo por modelo, apontando-se os pontos positivos e falhos de cada
modelamento. De modo geral, todos os mapas de favorabilidade apresentaram fatias
com um comportamento coerente em relao distribuio do grau de confiana. Ou
seja, os valores de grau de confiana variaram de modo crescente, com valores menores
sendo obtidos em classes definidas como de potencial nulo e maiores para classes de alto
potencial. Isso atesta a eficincia desse parmetro estatstico na aferio dos resultados,
assim como dos modelamentos prospectivos executados.

4.1 INFERNCIA BOOLENA

O modelo Booleano envolveu a combinao lgica de mapas binrios, atravs de

operadores condicionais. O primeiro passo para a aplicao do mtodo foi a
reclassificao dos planos de informao para um padro binrio. Os PIs Litologia e
Intensidade Radioativa foram reagrupados cada um para apenas duas classes:
favorvel e no-favorvel. A Figura 4.1 mostra a generalizao aplicada ao plano de
informao litolgico, onde as unidades (classes) Rocha Potssica, Foiato,
Lujaritos/Chibinitos e Material Vulcnico foram agrupadas como favorveis e as demais,
Fonlito, Tinguato, Embasamento e Arenito como no-favorveis (Programa I.1 -
Anexo I). O mesmo procedimento foi aplicado ao PI Intensidade Radioativa. Unidades
com valores acima de 1,8 vez o background regional foram consideradas como favorveis
e abaixo como no-favorveis. Esse limiar de corte foi definido empiricamente por
Almeida Filho (1995), que tomou como base o valor mnimo encontrado no depsito de
Campo So Agostinho. O resultado encontra-se na Figura 4.2. O programa, em
linguagem LEGAL, para esse procedimento encontra-se no Anexo I, Programa I.2.
 Fig. 4.1 Exemplificao de generalizao de mapa temtico para padro binrio.
No caso dos lineamentos e estruturas circulares, foi construdo primeiramente um mapa
de distncias isotropicamente distribudo ao longo dos lineamentos e estruturas
circulares, segundo uma grade regular numrica. Estes planos foram, ento, fatiados
segundo um limiar de corte definido empiricamente por Almeida Filho (1995). Para os
lineamentos o limiar definido como rea favorvel foi de 250m e para as estruturas
circulares de 350m (Figura 4.3).
Como os contatos das unidades litolgicas so inferidos na sua maioria, foi criado um
buffer de 100m ao longo dos mesmos, de modo a minimizar erros relativos ao
posicionamento. O procedimento de construo do plano de informao binrio foi o
mesmo adotado para os lineamentos e estruturas circulares. Com os planos de
informao ajustados para um padro binrio, o prximo passo foi a integrao destas
evidncias, segundo os operadores de lgica booleana, determinando os locais onde as
evidncias satisfaziam ou no s regras definidas pelo modelo. As operaes efetuadas
de modo seqencial foram eqivalentes s realizadas por Almeida Filho (1995), onde os
E ( - interseo) e OU
operadores utilizados foram E OU ( - unio). Primeiramente as
evidncias foram agrupadas com o operador OU em trs grupos principais saber:
Grupo A - litologia OU contatos litolgicos;
Grupo B - estruturas circulares OU lineamentos;
Grupo C - intensidade gama-radiomtrica.
 Fig. 4.2 - Tabela e plano de informao de intensidade radioativa reclassificado.

Fig. 4.3 Planos de informao binrios, lineamentos e estruturas circulares, com a

classe favorvel em verde e a no-favorvel em cinza.

O resultado deste agrupamento so planos de informao que retornam a unio das

reas favorveis de cada evidncia. Com os grupos formados aplicou-se o operador "E E ",
para definir as reas potencialmente favorveis. O PI final apresenta como reas
potencialmente favorveis apenas aquelas onde houve coincidncia das classes favorveis
das evidncias agrupadas. A formulao est expressa abaixo e o programa LEGAL
encontra-se no Anexo I (Programa I.3).
 Grupo A = (litologia) (contato litolgico)
Grupo B= (estruturas circulares) (lineamentos)
Grupo C=(intensidade de radiometria gama)
R = (Grupo A) (GrupoB ) (GrupoC )

No modelamento Booleano, um dos problemas encontrados a rigidez do resultado

final, que no permite uma nova redistribuio dos dados em um nmero maior de
classes. O cenrio, em termos de distribuio de valores, foi o que apresentou o pior
resultado, visto que os pixels apresentam apenas dois valores, 0 ou 1 (no-favorvel e
favorvel) (Figura 4.4). Esta caracterstica da tcnica dificultou a comparao entre os
outros modelos e pesou contra o modelamento, pois no permitiu variao nos limiares
de tomada de deciso.

Distribuio dos pixels segundo as classes "favorvel' e "no-favorvel"

2000000
Frequncia

1600000

1200000

800000

400000

0
1
favorvel no-favorvel

Fig. 4.4 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Booleano.

A classe favorvel encerrou 24 das 48 ocorrncias minerais em uma rea de 32,4 Km2,
ou 4,45% do macio alcalino (Figura 4.5). O grau de confiana indica um aumento de
5,78 vezes na probabilidade a priore de descobertas de depsitos minerais, caso pesquisas
sejam realizadas nessas reas. Dentre os principais depsitos, a classe mapeou o Campo
Agostinho e Morro do Ferro. A mina Usamu Utsumi foi encerrada pela classe no-
favorvel, que compreende uma rea de 694,94 Km2 (95,55% do macio) e obteve 0,78
de grau de confiana (Tabela 4.1).
 TABELA 4.1 SUMRIO DOS RESULTADOS DO MTODO
BOOLEANO
22
Fatia rea (Km ) rea (%) Prob. Posteriore Grau de confiana U-Zr U-Mo Th-Tr
Favorvel 32.4 4.45 0.0722 5.78 14 9 1
No favorvel 694.94 95.55 0.0097 0.78 (1.28) 21 2 1
Total 727.34 100.00 Prob. priore 0.0125 35 11 2

Fig. 4.5 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo

o mtodo Booleano.

4.2 MTODO MDIA PONDERADA

Neste mtodo, cada plano de informao e suas respectivas classes so ponderados de

acordo com a importncia relativa para a hiptese considerada no modelo prospectivo
adotado. A definio dos pesos a etapa mais crtica desta tcnica, pois os pesos
atribudos s evidncias precisam indicar a importncia relativa das mesmas para o
modelo. A integrao das evidncias realizada atravs de uma soma ponderada,
procurando refletir a importncia relativa dos fenmenos geolgicos envolvidos.

Para a aplicao da tcnica, o primeiro passo foi a definio dos pesos que iriam
ponderar tanto os PIs como suas respectivas classes. Os pesos adotados foram os
mesmos definidos de modo heurstico por Almeida filho (1995), segundo sua
experincia pessoal na regio:

Gama-radiometria:
peso do plano de informao y1= 80;
peso das classes:
background 1.3 w11 = 0;
1.3 - 1.8 w12 = 10;
1.8 - 2.5 w13 = 60;
2.5 - 3.5 w14 = 70;
> 3.5 w15 = 80;
Dados litolgicos:
peso do plano de informao y2 = 60;
peso das classes:
rochas potssicas w21 = 60;
lujaritos/chibinitos w22 = 60;
foiatos w23 = 30;
material vulcnico w24 = 20;
tinguatos w25 = 0;
fonlitos w26 = 0;
arenitos w27 = 0;
embasamento w28 = 0;
Dados estruturais: peso do plano de informao y3 = 20;

peso das classes: "buffer" das estruturas circulares e lineamentos w31 = 20.
A atribuio dos pesos foi feita atravs de programas de ponderao em linguagem
LEGAL (Anexo I - Programas I.4, I.5 e I.6). No caso dos lineamentos e estruturas
circulares adotou-se buffers de 250m e de 350m, respectivamente. As classes foram
integradas atravs do operador lgico (OU), gerando-se um nico PI representando a
soma dos buffers dos lineamentos e estruturas circulares.
Os dados resultantes em formato numrico, foram integrados atravs de uma soma
ponderada, implementada atravs de um programa em LEGAL (Anexo I - Programa
I.7). O plano de informao resultante apresenta valores numricos que variam de 0 a
65, espacializados em uma grade regular. Para exemplificao do processamento,
considere um ponto qualquer da grade que apresente: classe de anomalia gama-
radiomtrica de 2.5-3.5, unidade litologia foiato e que encontra-se dentro dos buffers
dos lineamentos e/ou estruturas circulares. O valor de sada :
 r = (( 14 y1 ) + ( 23 y 2 ) + ( 31 y 3 )) /( y1 + y 2 + y 3 )
r = (( 70 80) + (30 60) + ( 20 20)) /( 80 + 60 + 20) = 48,75

Pontos com valores iguais a "0" indicam reas de potencial nulo, enquanto pontos com
valores iguais a "65" so reas de mximo potencial. Para uma melhor visualizao, o
plano de informao resultante foi subdividido arbitrariamente em 4 fatias de
favorabilidade (0-29.9 Nula; 29.9-52.0 baixa; 52.0-55.3 mdia; 55.3-65.0
alta).

Dentre as tcnicas utilizadas, a Mdia Ponderada mostrou-se uma das mais eficazes. As
diferentes faixas de potencialidade mostraram coerncia na distribuio relativa dos
valores dos graus de confiana, que apresentaram um padro decrescente da classe
alto potencial para a de potencial nulo. O ponto negativo deste modelamento foi a
distribuio no uniforme dos valores de sada, apresentando agrupamentos que podem
ser visualizados no grfico da Figura 4.6 pelos patamares da distribuio acumulada dos
valores. Esta m distribuio dos valores, na prtica, impediu maior flexibilidade no
fatiamento.

Distribuio acumulada dos pixels sobreposta pelas classes de

potencialidade
Frequncia acumulada

1600000

1200000
Distribuio acumulada dos pixels

800000
Nulo

400000
Mdio

Baixo
Alto
0
0 10 20 30 40 50 60 70
Valores dos pixels

Fig. 4.6 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Mdia Ponderada.

O grau de confiana da classe nula indica possibilidade de sucesso 2,27 vezes menor
em relao a todo o complexo alcalino. Ou seja, a probabilidade do encontro de
depsitos considerando-se a rea total maior do que se considerarmos apenas essa
classe. Ela cobre uma rea de 628,36 Km2 (86,39% da superfcie total do macio
alcalino), contendo 8 mineralizaes conhecidas.
As demais classes (baixo, mdio e alto potencial) compreendem uma rea de 98,98 Km2,
que eqivalem a 13,61% do complexo alcalino e encerraram 40 das 48, ou 83,33%,
mineralizaes conhecidas (Figura 4.7).

As classes mdio e alto potencial encerram 24 mineralizaes, sendo 10 das 11

mineralizaes de U-Mo e as duas de Th-Tr, totalizando 30,64 Km2 (apenas 4,27% do
total do macio alcalino). Os valores de grau de confiana das faixas mdio e alto
foram 4,97 e 12,60, respectivamente, sendo o valor da classe alto o segundo melhor
valor obtido dentre todos os modelamentos prospectivos executados. Embora essa classe
compreenda uma rea de apenas 6,48Km2 (menos de 1% do macio), ela encerrou as
principais mineralizaes conhecidas, como a Mina Usamu Utsumi e os depsitos de
campo Agostinho e Morro do Ferro, atestando a confiabilidade do modelo prospectivo
(Tabela 4.2).
TABELA 4.2 SUMRIO DOS RESULTADOS DO MODELO MDIA
PONDERADA

Fatia rea rea Prob. Grau de U- U- Th-

(Km2) (%) Posteriore confiana Zr Mo Tr

alta (65.0-55,3) 6.48 0.89 0.1574 12.60 7 4 1

mdia (55.3-52.0) 24.16 3.32 0.0621 4.97 6 5 1
baixa (52.0-29.9) 68.34 9.40 0.0457 3.65 15 1 0
nula (29.9-0.0) 628.36 86.39 0.0055 0.44 (2.27) 7 1 0

Total 727.33 100.00 Prob. priore 0.0125 35 11 2

Fig. 4.7 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo
o mtodo Mdia Ponderada.

4.3 MTODO FUZZY

Para a aplicao da metodologia fuzzy torna-se necessrio que todas as evidncias

(planos de informao) estejam no formato numrico MNT. Assim, os mapas temticos
foram ponderados para valores que variam entre 0 e 1 (membros fuzzy). A definio dos
pesos, semelhantemente ao mtodo Mdia Ponderada, uma das mais difceis etapas,
pois as evidncias devem ser hierarquizadas atravs dos membros fuzzy. Essa graduao
deve expressar, de um modo semelhante ao modelo cognitivo humano, o grau de
aceitao da evidncia com o modelo prospectivo proposto.
Para o mapa de intensidade gama-radiometria, os membros fuzzy foram definidos
atravs da aplicao de uma funo linear sobre os pesos definidos por Almeida Filho
(1995). O objetivo da funo foi reescalonar os ponderadores das classes de anomalia
gama-radiomtrica para valores entre 0 e 1. A Tabela 4.3 apresenta os pesos do mtodo
Mdia Ponderada e os valores de membro fuzzy obtidos a partir da equao linear
( f ( x ) = 0,0125 x ). Com os valores dos membros fuzzy definidos, o prximo passo foi
a atribuio destes valores para o plano de informao atravs de um programa de
ponderao executado atravs da linguagem LEGAL (Anexo I - Programa I.8).

No caso das unidades litolgicas, a atribuio dos membros fuzzy foi um pouco mais
complexa. Como a maioria dos contatos so inferidos, objetivou-se, alm de atribuir os
membros fuzzy para as unidades litolgicas, expressar tambm a informao semntica
dos diferentes contatos (inferido e definido). Sendo assim, foram necessrios vrios
processamentos para construo de um PI litolgico que expressasse tambm a
informao do tipo de contato.

A primeira etapa foi a construo de um PI em formato temtico com polgonos que

serviriam de mscara para os contatos inferidos. Estes contatos correspondem queles
mapeados pelos buffers de 100m por Almeida Filho (1995). A seguir foi editado o plano
de informao litolgico onde as unidades foram individualizas em PIs binrios, de
modo que em cada PI estivesse apenas uma unidade litolgica, confrontada com as
demais, representadas por um nico polgono. Ou seja, se o desejo for confrontar a
rocha potssica com as demais unidades litolgicas, os contatos das outras unidades
deveriam ser eliminados de modo que fique apenas os contatos da rocha potssica. Em
teoria de conjuntos seria o conjunto A confrontado com o no-A (A = T A ). No
caso, essa edio foi necessria apenas para as 4 unidades (rocha potssica,
lujarito/chibinito, foiato e material vulcnico) consideradas como favorveis, ou com
grau de aceitao maior que 0.

TABELA 4.3 VALORES DOS MEMBROS FUZZY DO PLANO DE

INFORMAO GAMA-RADIOMETRIA

Gama-radiometria (x) = 0,0125.x

Classes Mdia Ponderada Membros fuzzy
background 0 0
1,3 - 1,8 10 0,125
1,8 - 2,5 60 0,750
2,5 - 3,5 70 0,875
> 3,5 80 1
Tomando como ponto de partida os contatos das unidades favorveis (evidncias),
foram construdos 4 mapas de distncias isotropicamente distribudos em grades
regulares (superfcies contnuas). A penltima etapa foi a construo dos 4 planos de
informao que conteriam os valores de membros fuzzy das unidades litolgicas,
considerando tambm a informao semntica dos tipos de contato (inferido e
definido). Os PIs foram obtidos a partir de processamentos realizados atravs de
programas em LEGAL (Anexo I - Programas I.9, I.10, I.11, I.12).
Os programas realizaram diferentes funes condicionadas por restries espaciais. As
operaes foram realizadas pontualmente onde em cada ponto da grade, foi verificado o
condicionante espacial e aplicada a respectiva funo. A seqncia de operaes a seguir
exemplifica o programa executado para a rocha potssica:
MFR . potssica = 0 Se (Classe.Mscara = contato definido E Classe.PI binrio = No-
R.potssica);
MFR . potssica = 1 Se (Classe.Mscara = contato definido E Classe.PI binrio =
R.potssica);
MFR . potssica = (0.005 dist ) + 0.5 Se (Classe.Mscara = contato inferido E
Classe.PI binrio = R.potssica E distncia < 100);
MFR . potssica = (0.005 dist ) + 0.5 Se (Classe.Mscara = contato inferido E
Classe.PI binrio = No-R.potssica E distncia < 100).
A primeira e a segunda condies das operaes tm como objetivo retornar valores de
membro fuzzy que exprimam o grau de possibilidade da existncia da rocha potssica,
considerando corpos definidos por contatos rgidos. A terceira e a quarta condio
definem os membros fuzzy dos corpos de rocha potssica que so definidos por contatos
inferidos.

Para expressar a incerteza quanto possvel localizao do contato inferido, foi

considerada uma zona de transio onde foi aplicada a funo membro fuzzy linear. Esta
graduou os membros de modo decrescente conforme a distncia da unidade litolgica.
A zona de transio delimita a regio onde os membros fuzzy expressam no espao a
possibilidade da localizao do contato.

A Figura 4.8 ilustra o resultado do procedimento aplicado rocha potssica e ao

material vulcnico. Na figura esto representados os membros fuzzy como grade regular
sobreposta a unidades litolgicas separadas por contato rgido. As linhas pontilhadas
demarcam uma zona de transio de 200m em relao a esse contato. As funes
membro fuzzy que graduam os elementos encontram-se no topo da figura.
Fig. 4.8 Representao dos membros fuzzy da rocha potssica (azul) e material vulcnico
(cinza) em grade regular numrica. A grade sobrepe as unidades definidas
inicialmente pelo contato rgido. No topo dos dois planos encontram-se as
funes lineares que mapearam os respectivos membros.
O procedimento foi aplicado tambm para as demais unidades litolgicas favorveis. Os
PIs litolgicos fuzzy com a informao semntica dos contatos foram finalmente
integrados atravs de soma ponderada. Os pesos foram obtidos atravs da aplicao de
uma funo linear sobre os pesos definidos por Almeida Filho (1995). A Tabela 4.4
apresenta os pesos e os valores de membro fuzzy obtidos a partir da equao linear
( f ( x ) = 0,0167 x ). Como o peso das unidades no-favorveis 0, o procedimento de
representao dos membros fuzzy foi aplicado apenas para as unidades litolgicas
favorveis. A soma ponderada foi executada a partir do Programa I.13 (Anexo I) e a
expresso seguinte ilustra a operao:
MFlitolgia = R. potssica + ( Lujarito, chibinito) + ( 0.5 Foiato) + (0.33 Mat . vulcnico)
Os procedimentos para atribuio dos membros fuzzy das estruturas circulares e
lineamentos foram semelhantes. Para a definio dos membros fuzzy foi necessrio a
criao de dois mapas de distncias, um para cada evidncia estrutural. As funes
quadrticas para espacializar os valores dos membros fuzzy foram aplicadas sobre as
grades de distncias atravs dos Programas I.14 e I.15 (Anexo I), considerando zonas de
transio de 700m e 500m de largura, respectivamente. As funes espacializam os
membros de uma forma gradual decrescente, conforme a distncia das feies
estruturais. A Figura 4.9 demostra a funo membro fuzzy para os lineamentos. Essa
funo semelhante que mapeou os membros fuzzy das estruturas circulares, sendo
diferente apenas os parmetros de ponto de cruzamento e zona de transio.
TABELA 4.4 VALORES DOS MEMBROS FUZZY DO PLANO DE
INFORMAO LITOLGICA
Litologia (x) = 0,0167.x
Classe Mdia Ponderada (x) Membro fuzzy (f(x))
Rochas potssicas 60 1
Lujaritos /chibinitos 60 1
Foiatos 30 0.5
Mat. Vulcnico 20 0,333
Tinguato 0 0
Fonlitos 0 0
Embasamento 0 0
Arenito 0 0

O processo de espacializao dos membros fuzzy que representariam os contatos

geolgicos foi semelhante ao executado para as estruturas circulares e lineamentos.
Como a informao da incerteza na localizao dos contatos j foi considerada na
construo do PI litolgico fuzzy, considerou-se apenas a importncia os contatos dos
corpos intrusivos de foiato. Novamente a funo quadrtica fuzzy aplicada (Programa
I.16 Anexo I), modela a importncia desses contatos medida que se distancia dos
mesmos.

Fig. 4.9 Curva quadrtica de espacializao dos membros fuzzy dos lineamentos.

Finalmente os PIs fuzzy foram integrados, segundo anlises multi-critrio definidas

atravs de operadores fuzzy (Mnimo-Mximo, Mdia, Ponderado (Tcnica AHP) e
Gama), gerando diferentes cenrios de potencialidade ocorrncia mineral radioativa.
Os procedimentos adotados esto relatados a seguir:

4.3.1 Fuzzy Mnimo-Mximo

Nessa anlise multi-critrio foram utilizados dois operadores, mnimo e mximo,

combinados numa seqncia lgica semelhante adotada no mtodo Booleano. O
primeiro passo foi a integrao em trs grupos principais das evidncias fuzzy atravs do
operador fuzzy mximo, saber:
Grupo A - Litologia com os contatos dos corpos intrusivos de foiato;
Grupo B - Lineamentos com as Estruturas Circulares;
Grupo C - Intensidade Gama-radiomtrica.
Nessa primeira integrao, o operador fuzzy mximo compara os valores numricos dos
membros fuzzy, retornando como valor de sada o maior valor dentre as evidncias
fuzzy. Posteriormente esses trs grupos foram integrados atravs do operador fuzzy
mnimo que de modo contrrio retornou os menores valores da comparao entre os
membros fuzzy. A formulao abaixo exemplifica as operaes que foram realizadas no
Programa I.17 (Anexo I).

MFmin - max = Min(Max(MFlitologia , MFcontato ), Max ( MFestrut. circular , MFlineamento s ), MFgama )

O mapa de favorabilidade resultante deste modelamento (Figura 4.11) apresentou

alguns problemas, embora tenha obtido uma boa coincidncia da classe alto potencial
com as ocorrncias minerais. O primeiro problema foi a distribuio no uniforme dos
valores numricos, o que dificultou o fatiamento. A distribuio dos valores apresentou
picos que indicam pontos com maior concentrao de valores. A Figura 4.10 apresenta
a distribuio acumulada dos membros fuzzy onde possvel identificar degraus que
ilustram de modo mais claro esse problema. Na prtica, a distribuio no uniforme
impediu que as classes de potencialidade pudessem ser definidas com reas semelhantes
s dos demais cenrios.
Outro problema foi a distribuio no coerente dos valores de grau de confiana, onde a
faixa alto potencial (5,44) obteve um valor menor do que a faixa mdio potencial
(5,87), quando o esperado seria o inverso (Tabela 4.5). A classe nula, com uma rea de
575,9 Km2 (79,18% do macio alcalino), obteve uma coincidncia de 8 ocorrncias
minerais, sendo uma delas a importante Mina Usamu Utsumi. Embora o nmero de
coincidncias tenha sido baixo, o fato de um importante depsito ter sido mapeado por
esta classe depe contra o mtodo. O grau de confiana obtido indica que uma pesquisa
mineral dirigida s reas definidas como de potencialidade nula teria chance de sucesso
1,85 vezes menor do que pesquisas que considerassem todo o complexo alcalino.
 Distribuio acumulada dos pixels sobreposta pelas classes de
potencialidade
Frequncia acumulada 1600000

1200000

Distribuio acumulada dos pixels

Nulo

800000

Baixo

Mdio Alto
400000
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valores dos pixels

Fig. 4.10 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Fuzzy Mnimo-Mximo.

As demais classes de potencialidade (baixo, mdio e alto) compreendem uma rea de

151,44 Km2 (20,82% da rea total do macio alcalino) e encerraram 40 das 48
mineralizaes conhecidas. Embora a classe alto potencial tenha indicado uma
coincidncia com 18 mineralizaes, seu grau de confiana (5,44) foi menor que as
classes de mesmo potencial dos outros cenrios. Dentre os principais depsitos, a classe
alto potencial mapeou o Campo Agostinho e Morro do Ferro.

TABELA 4.5 SUMRIO DOS RESULTADOS DO MTODO FUZZY

MNIMO-MXIMO

Fatia rea rea Prob. Grau de U- U- Th-

(Km2) (%) Posteriore confiana Zr Mo Tr

alta (1.00-0.75) 12.94 1.78 0.0680 5.44 8 9 1

mdia (0.75- 24.42 3.36 0.0733 5.87 10 0 0
0.37)
baixa (0.37- 114.08 15.68 0.0222 1.77 10 1 1
0.12)
nula (0.12- 575.9 79.18 0.0068 0.54 (1.85) 7 1 0
0.00)

Total 727.33 100.00 Prob. priore 0.0125 35 11 2

Fig. 4.11 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo
o mtodo Fuzzy Mnimo-Mximo.

4.3.2 Fuzzy Mdia

O operador fuzzy mdia define uma soma aritmtica onde os pesos de importncia so
distribudos uniformemente para todas os membros fuzzy de entrada. Este operador
admite uma igualdade nas relaes entre as evidncias. A funo matemtica que o
define apresentada a seguir e o programa em Legal encontra-se no Anexo I, (Programa
I.18)

MFlito log ia + MFgama + MFlineamentos + MFestrut , circular + MFcontato

MFmdia =
5

Num contexto geral, esse modelamento apresentou resultados coerentes. Os membros

fuzzy apresentaram distribuio contnua, sem valores concentrados que pudessem
dificultar o fatiamento (Figura 4.12). As classes de potencialidade apresentaram
distribuio coerente dos valores de grau de confiana, sendo de 7,52 o valor obtido
pela classe alto potencial. (Tabela 4.6).
As classes alto e mdio potenciais encerram 26 ocorrncias minerais em 30,93 Km2,
ou 4,25%, do complexo alcalino, incluindo os importantes depsitos de Morro do Ferro
e Campo Agostinho (Figura 4.13). O nmero de ocorrncias salta para 36 quando so
consideradas as classes alto, mdio e baixo potenciais juntas, o que corresponde a
uma rea de 98,74 Km2 (13,57% do macio alcalino).

Distribuio acumulada dos pixels sobreposta pelas classes de

potencialidade
Frequnica acumulada

1600000

Distribuio acumulada dos pixels

1200000

800000
Nulo

400000

Baixo
Mdio Alto
0
0 20 40 60 80 100
Valores dos pixels

Fig. 4.12 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Fuzzy Mdio.

A classe nulo potencial obteve coincidncia com 12 ocorrncias minerais. Esta alta
coincidncia com ocorrncias minerais, numa classe de potencial nulo, depe contra o
modelo, pois o esperado seria o inverso. Seu grau de confiana indica uma piora da
chance do encontro de depsitos minerais de 1,54 vezes em relao ao macio todo.

TABELA 4.6 SUMRIO DOS RESULTADOS DO MTODO FUZZY MDIA

Fatia rea rea Prob. Grau de U- U- Th-

(Km2) (%) Posteriore confiana Zr Mo Tr

alta (0.90-0.64) 6.39 0.88 0.0939 7.52 4 4 1

mdia (0.64-0.50) 24.54 3.37 0.0579 4.64 12 5 0
baixa (0.-0.38) 67.81 9.32 0.0385 3.08 8 1 1
nula (0.38-0.00) 628.59 86.42 0.0071 0.57 (1.54) 11 1 0

Total 727.33 100.00 Prob. priore 0.0125 35 11 2

Fig. 4.13 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo
o mtodo Fuzzy Mdia.

4.3.3 Fuz
Fuzzy Ponderado

Nesta inferncia fuzzy as evidncias foram combinadas atravs de uma soma ponderada,
com os pesos de cada evidncia sendo definidos empiricamente, segundo a tcnica de
tomada de deciso AHP (Saaty, 1992). Esta tcnica permite a definio de pesos que
expressam de modo hierrquico os membros fuzzy, atravs de comparao feita dois a
dois entre as evidncias.

A primeira etapa para a definio dos pesos foi a elaborao de uma relao de
importncia relativa entre as evidncias, definida par a par . Essa relao entre as
evidncias pretende capturar o conhecimento do especialista que deve indicar o grau de
importncia relativo entre evidncias comparadas. O modulo de anlise espacial do
SPRING (Suporte deciso AHP) permite a graduao em 9 nveis (igual, um pouco
melhor, algo melhor, moderadamente melhor, melhor, bem melhor, muito melhor,
criticamente melhor e absolutamente melhor) os quais foram utilizados como dados de
entrada da matriz de comparao par a par. As relaes consideradas encontram-se
abaixo e a matriz na Tabela 4.7:
Gama algo melhor que Litologia (3 : 1)
Gama melhor que Estruturas circulares (5 : 1)
Gama muito melhor que Lineamentos (7 : 1)
Gama muito melhor que Contatos geolgicos (7 : 1)
Litologia algo melhor que Estruturas circulares (3 : 1)
Litologia melhor que Lineamentos (5 : 1)
Litologia melhor que Contato geolgico (5 : 1)
Estruturas circulares algo melhor que Lineamentos (3 : 1)
Estruturas circulares algo melhor que Contatos geolgicos (3 : 1)
Lineamentos igual Contatos geolgicos (1 : 1)
TABELA 4.7 MATRIZ DE COMPARAO PAR A PAR

Gama-radiometria Litologia Estr. circular Lineamentos Cont. geolgico

Gama-radiometria 1
Litologia 1/3 1
Estr. circular 1/5 1/3 1
Lineamentos 1/7 1/5 1/3 1
Cont. geolgico 1/7 1/5 1/3 1 1

O mdulo calcula os autovetores da matriz, os quais correspondem aos ponderadores

das evidncias e a razo de consistncia, que um parmetro que indica a coerncia na
estipulao das relaes. A razo de consistncia obtida foi de 0.03, que indica uma boa
concordncia das comparaes. Os pesos obtidos de cada membro fuzzy foram:
gama-radiometria = 0,514;
litologia = 0,258;
estruturas circulares = 0,1223;
lineamentos = 0,0529;
contatos litolgicos = 0,0529;
As evidncias foram ento combinadas atravs de uma soma ponderada executada pelo
Programa em LEGAL I.19 (Anexo I). A formulao foi expressa por:
MF ponderado = (MF gama 0,514) + ( MFlito log ia 0,258) + ( MFestrut,circular 0,1223 ) + ( MFlineamentos 0, 0529) + (MF contato 0,0529 )

Em comparao aos demais o modelamento Fuzzy Ponderado foi o que apresentou os

melhores resultados. A distribuio dos valores dos membros fuzzy foi a mais uniforme,
no apresentando concentraes em pontos que pudessem dificultar o fatiamento dos
valores (Figura 4.14).
 Os valores de grau de confiana apresentaram distribuio relativa coerente entre as
classes, variando de modo crescente da classe nulo potencial (0.45) para a classe alto
potencial (12,90) (Tabela 4.8). A classe alto potencial obteve o maior valor de grau de
confiana dentre todas as classes de alto potencial dos demais modelamentos e uma
coincidncia com 12 ocorrncias minerais, incluindo entre estas os importantes
depsitos do Morro do Ferro e Campo Agostinho e a Mina Usamu Utsumi (Figura
4.15).
A classe mdio potencial apresentou grau de confiana de 5,70 e em conjunto com a
classe alto potencial encerraram 27 ocorrncias minerais, sendo 10 das 11
mineralizaes de U-Mo e as duas mineralizaes conhecidas de Th-Tr, numa rea
conjunta de 30,43 Km2 (4,18% do macio alcalino).

Distribuio acumulada dos pixels sobreposta pelas classes de

potencialidade
Frequncia acumulada

1600000

1200000
Distribuio acumulada dos pixels

800000
Nulo

400000

Baixo
Mdio Alto
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Valores dos pixels

Fig. 4.14 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Fuzzy Ponderado.

TABELA 4.8 SUMRIO DOS RESULTADOS DO MTODO FUZZY

PONDERADO
22
Fatia rea (Km ) rea (%) Prob. Posteriore Grau de confiana U-Zr U-Mo Th-Tr
alta (0.95-0.77) 6.14 0.84 0.1612 12.90 6 5 1
mdia (0.77-0.65) 24.29 3.34 0.0712 5.70 9 5 1
baixa (0.65-0.37) 67.91 9.34 0.0423 3.38 11 0 0
nula (0.37-0.00) 629.0 86.48 0.0056 0.45 (2.22) 9 1 0
Total 727.33 100.00 Prob. priore 0.0125 35 11 2

A classe nulo potencial compreendeu uma rea de 629,0 Km2 (86,48% do complexo
alcalino) e encerrou 10 das 48 ocorrncias minerais. O valor de grau de confiana (0,45)
indica que essas reas apresentam uma diminuio de 2,22 vezes na probabilidade a
priore do encontro de ocorrncias minerais.

Fig. 4.15 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo

o mtodo Fuzzy Ponderado (AHP).

4.3.4 Fuzzy Gama

Nessa inferncia as evidncias foram combinadas atravs de um operador fuzzy definido

por dois termos (controlados pelo parmetro (gama). A escolha do determina o
carter de deciso produto algbrico fuzzy, Equao 2.7 e a soma algbrica fuzzy,
Equao 2.8), do especialista que pode variar de pessimista, com abaixo de 0,35 e
otimista, com acima de 0,85.
O valor adotado de 0.85 faz com que o termo soma algbrica seja mais importante
que o produto Pag. 32) observa-se que o valor encontra-se na regio esquerda, o que
garante algbrico, na computao do resultado final. Pelo grfico da Figura 2.5 (que o
valor de sada ser sempre maior ou igual ao maior valor de entrada das evidncias. O
Programa I.20 (Anexo I) realizou as operaes que esto ilustradas abaixo:

MFsoma a lg brica = 1 ((1 MFgama ) (1 MFlito ) (1 MFest.circular ) (1 MFlineam. ) (1 MFcont. geol. ))

MFprodutoa lg brico = MFgama MFlito MFest.circular MFlineam. MFcont. geol.

MFgama = ( MFsoma a lg brica ) 0 .85 ( MF produtoa lg brico ) (1 0. 85)

O desempenho do modelo Fuzzy Gama foi parecido ao obtido pelo Fuzzy Mdia, com
exceo ao padro de distribuio dos membros fuzzy. A distribuio dos membros
fuzzy de potencialidade ocorrncia de minerais radioativos deste modelo apresentou
grande concentrao em valores baixos, onde 86,55% dos membros fuzzy incidiram
abaixo de 0,04. Essa concentrao dificultou o fatiamento e gerou classes de
potencialidade com amplitudes muito variadas. Enquanto a classe alto potencial
precisou de uma amplitude de 0,41 (de 0,92 at 0,51) para compor uma rea de 6,48
Km2, a classe de potencial nulo precisou apenas de 0.04 de amplitude para compor uma
rea de 629,52 Km2. Essa distoro fica mais clara no grfico da Figura 4.16, onde os
valores de membro fuzzy so plotados com distribuio acumulada.

Distribuio acumulada dos pixels sopreposta pelas classes de

potencialidade

1600000
Frequncia acumulada

Distribuio acumulada dos pixels

1200000

N
u
l
800000 o

Baixo
Mdio Alto
400000
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Valores dos pixels

Fig. 4.16 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Fuzzy gama.

A classe alto potencial obteve a menor coincidncia com as ocorrncias minerais

conhecidas (apenas 8), dentre as classes de mesma potencialidade dos demais
modelamentos (Figura 4.17). Os valores de grau de confiana das classes de
potencialidade foram prximos aos obtidos pelo modelamento Fuzzy mdia (Tabela
4.9), onde as classes alto, mdio e baixo potencial encerram 34 ocorrncias
minerais em reas que totalizaram 97,81 Km2. Dentre os principais depsitos, a classe
alto potencial mapeou apenas o Morro do Ferro, sendo o depsito Campo Agostinho
e a Mina Usamu Utsumi mapeados pelas classes baixo e nulo potencial
respectivamente.

TABELA 4.9 SUMRIO DOS RESULTADOS DO MTODO FUZZY GAMA

22
Fatia rea (Km ) rea (%) Prob. Posteriore Grau de confiana U-Zr U-Mo Th-Tr
alta (0.92-0.51) 6.48 0.89 0.0864 6.92 6 1 1
mdia (0.51-0.17) 22.58 3.10 0.0540 4.33 5 4 0
baixa (0.17-0.04) 68.75 9.45 0.0374 2.99 11 5 1
nula (0.04-0.0) 629.52 86.55 0.0075 0.60 (1.67) 13 1 0
Total 727.33 100.00 Prob. priore 0.0125 35 11 2

A classe nulo potencial encerrou 15 ocorrncias minerais, o maior nmero dentre as

demais classes de mesma prioridade. O grau de confiana indicou uma diminuio de
1,67 em relao a probabilidade a priore, que considera todo o macio.

Fig. 4.17 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo

o mtodo Fuzzy Gama.
 4.4 MTODO DE BAYES

Na inferncia bayesiana o objetivo foi utilizar as 48 ocorrncias minerais, as quais

possibilitaram o clculo de parmetros estatsticos que serviram de ponderadores das
evidncias consideradas no modelamento. Para assegurar a correta execuo do modelo
foram necessrias diferentes etapas de edio dos PIs, bem como o clculo de
parmetros estatsticos que garantissem matematicamente o modelamento.

No modelo bayesiano as evidncias devem estar em padro binrio (favorvel, no-

favorvel), antes de serem calculados os ponderadores. Sendo assim, o primeiro passo
foi um estudo de Contraste (Cw) das evidncias com as ocorrncias minerais, o qual
possibilitou determinar o limiar de corte que maximizaria a associao espacial entre os
PIs resultantes da reclassificao binria e o PI com as verdades de campo (ocorrncias
minerais).

Para os planos de informao, litologia e intensidade gama-radiometria, foi adotada a

mesma reclassificao definida por Almeida Filho (1995), que considerou as unidades
litolgicas, rocha potssica, lujarito/chibinito, material vulcnico e corpos intrusivos de
foiato, e as classes radiomtricas com anomalia acima de 1.8 vezes o background como
favorveis. Entretanto, os estudos de Contraste da litologia e do mapa de intensidade
gama-radiometria foram realizados apenas com o intuito de testar a correlao das
evidncias com as ocorrncias minerais.

O primeiro passo para o clculo do contraste da litologia foi a tabulao cruzada entre o
PI ocorrncias minerais e o PI litolgico. Como a tabulao cruzada gera uma matriz de
confuso onde cada clula da matriz indica a interseo (sobreposio) das classes dos
PIs (ex. N{fonlito depsito} = 0,73Km2), e como estas intersees devem estar
expressas por unidade de rea ou nmero de elementos (pixel), foi necessrio definir
uma rea para cada ocorrncia mineral. Como no existia informao quanto rea de
cada ocorrncia mineral, foi assumida uma rea circular padro de 0,2 Km2, construda a
partir do fatiamento de um mapa de distncia adotado-se um raio de r = 252,31 m
partir de cada ocorrncia mineral.

A matriz de confuso gerada foi posteriormente editada em planilha de modo que o

clculo do contraste fosse efetuado sempre em um padro binrio, ou seja, a classe
estudada era sempre comparada com as demais agrupadas (ex. fonlito versus no-
fonlito) (Tabela 4.10 em amarelo).
TABELA 4.10 MATRIZES DE CONFUSO ENTRE AS OCORRNCIAS E
AS UNIDADES LITOLGICAS AJUSTADAS PARA UM PADRO BINRIO
COM A CLASSE FONLITO EM DESTAQUE
fonlitos no-fonlito total tinguato no-tinguato total
depsitos 0.73 8.35 9.08 depsitos 2.84 6.24 9.08
no-depsitos 86.72 631.09 717.81 no-depsitos 325.97 391.84 717.81
total 87.45 639.44 726.89 total 328.81 398.08 726.89
r.potssica no-rocha potssica total mat.vulcnico no-mat.vulcnico total
depsitos 3.65 5.43 9.08 depsitos 0.19 8.89 9.08
no-depsitos 70.34 647.47 717.81 no-depsitos 10.95 706.86 717.81
total 73.99 652.9 726.89 total 11.14 715.75 726.89
foiato no-foiato total arenitos no-arenitos total
depsitos 1.46 7.62 9.08 depsitos 0 9.08 9.08
no-depsitos 212.25 505.56 717.81 no-depsitos 1.44 716.37 717.81
total 213.71 513.18 726.89 total 1.44 725.45 726.89
lujarito/chibinito no-lujarito/chibinito total
depsitos 0.21 8.87 9.08
no-depsitos 10.14 707.67 717.81
total 10.35 716.54 726.89

As matrizes de confuso, em padro binrio, forneceram os parmetros para o clculo

das razes de suficincia (LS) e necessidade (LN), as quais foram utilizadas no clculo do
contraste de cada classe litolgica (Tabela 4.11). As formulaes a seguir ilustram o
clculo do contraste do fonlito:

N ( D fonlito) 0,73

LS =
N ( D) 9,08
= = 0,6655
N ( D fonlito) 86,72

N (D ) 717,81

N ( D fonlito) 8,35

LN =
N ( D) 9,08
= = 1,0460
N ( D fonlito) 631,09

N (D ) 717,81

CWfonlito = Ln( LS ) Ln( LN ) = 0,4522

TABELA 4.11 VALORES DE RAZO DE SUFICINCIA (LS), RAZO DE

NECESSIDADE (LN) E CONTRASTE DE CADA UNIDADE LITOLGICA

LS LN contraste
Fonlitos 0.6655 1.0460 -0.4522
R.potssica 4.1022 0.6630 1.8225
Foiatos 0.5438 1.1915 -0.7844
Lujaritos/chibinitos 1.6372 0.9909 0.5022
Tinguatos 0.6888 1.2589 -0.6031
Mat.vulcnico 1.3717 0.9942 0.3218
Arenitos 0.0000 1.0020 0.0000 .
O mesmo procedimento foi executado para as demais unidades litolgicas e para as
classes do PI de Intensidade Gama-radiomtrica. As matrizes de confuso binrias do
mapa de anomalia gama-radiomtrica encontram-se na Tabela 4.12 e os resultados do
contraste encontram-se na Tabela 4.13.

Os procedimentos para o clculo do contraste das estruturas circulares, lineamentos e

contatos dos corpos intrusivos de foiato foram idnticos. O objetivo era definir a zona
(buffer) que apresentasse a melhor associao espacial com as verdades de campo.
Inicialmente foram construdos trs mapas de distncia que tomaram como ponto de
partida os arcos das estruturas circulares, lineamentos e corpos intrusivos de foiato.
Esses PIs foram fatiados em 28 classes (fatias) de 25m cada e ento cruzados com as
ocorrncias minerais, para a gerao das matrizes de confuso. Estas foram reagrupadas
para um padro binrio, onde cada fatia foi comparada com as demais ( A = T A) . As
matrizes de confuso binrias forneceram os parmetros para o clculo dos contrastes,
conforme exemplificado anteriormente com a unidade litolgica fonlito.

TABELA 4. 12 MATRIZES DE CONFUSO ENTRE AS OCORRNCIAS E

AS CLASSES DE ANOMALIA RADIOMETRIA AJUSTADAS PARA UM
PADRO BINRIO

background no-background total 2.5 no (2.5-3.5) total

depsito 1.11 7.97 9.08 depsito 1.12 7.96 9.08
no depsito 410.48 307.77 718.25 no depsito 11.17 707.08 718.25
total 411.59 315.74 727.33 total 12.29 715.04 727.33
1.3 no (1.3-1.8) total 3.5 no (>3.5) total
depsito 2.94 6.14 9.08 depsito 0.78 8.3 9.08
no depsito 233.62 484.63 718.25 no depsito 3.46 714.79 718.25
total 236.56 490.77 727.33 total 4.24 723.09 727.33
1.8 no (1.8-2.5) total
depsito 3.13 5.95 9.08
no depsito 59.52 658.73 718.25
total 62.65 664.68 727.33

TABELA 4.13 VALORES DE RAZO DE SUFICINCIA (LS), RAZO DE

NECESSIDADE (LN) E CONTRASTE DE CADA CLASSE DE ANOMALIA
GAMA-RADIOMETRIA

LS LN contraste
background 0.2139 2.0484 -2.2593
1.3 - 1.8 0.9955 1.0022 -0.0067
1.8 - 2.5 4.1598 0.7145 1.7616
2.5 - 3.5 7.9315 0.8905 2.1868
> 3.5 17.8323 0.9185 2.9660

Para a definio do limiar de corte, os valores de contraste foram plotados em um

grfico cumulativo. Nas Figuras 4.18, 4.19 e 4.20 encontram-se os grficos dos contrastes
acumulados para as estruturas circulares, lineamentos e contatos dos corpos intrusivos
de foiato, respectivamente.

Pela anlise dos grficos de contraste acumulado foram escolhidos os pontos de mximo
valor acumulado como limiares de corte. Os valores de corte foram 625m para as
estruturas circulares, 250m para os lineamentos e 500m para os contatos dos foiatos.
Os PIs binrios foram obtidos atravs do fatiamento dos respectivos mapas de distncia
nos pontos definidos pelos grficos de contraste acumulados.

Contraste entre as estruturas circulares e as ocorrncias minerias

Contraste

24

22

20

18

16

14

12

10

0
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700
Distncia (m)

Fig. 4.18 Valores de contraste acumulados das fatias ao longo das estruturas circulares,
indicando o valor mximo acumulado usado como limiar de corte.

Contraste entre os lineamentos e as ocorrncias minerais

2.0
Contraste

1.5

1.0

0.5

0.0
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700
-0.5
Distncia (m)

-1.0

-1.5

Fig. 4.19 Valores de contraste acumulados das fatias ao longo dos lineamentos,
indicando o valor mximo acumulado usado como limiar de corte.
 Contraste entre os contatos dos corpos intrusivos de foiato
e as ocorrncias minerais

Contraste 12.50

10.00

7.50

5.00

2.50

0.00
0 100 200 300 400 500 600 700

Distncia (m)

Fig. 4.20 Valores de contraste acumulados das fatias ao longo dos contatos dos corpos
intrusivos de foiato, indicando o valor mximo acumulado usado como
limiar de corte.

Para a integrao final dos planos de informao binrios necessrio que a

independencia condiconal entre as evidncias no seja violada num grau elevado. Sendo
assim, testes foram realizados com as evidncias, medindo-se o grau de independncia
entre elas.

Todas as evidncias binrias foram comparadas em pares, sendo utilizado como

parmetro de medida o ndice Qui-quadrado, 2, e o Coeficiente de Contingncia, C. O
objetivo foi testar o grau de associao entre classes de cada PI binrio. Os
procedimentos foram os mesmos para todas as anlises dos pares de evidncias, sendo as
etapas envolvidas nos testes ilustradas aqui pelo teste entre o PI Intensidade Gama-
radiometria e o PI Litologia.

Primeiramente foi executada uma tabulao cruzada entre as duas evidncias, a qual
gerou uma matriz de confuso, tambm conhecida como tabela de contingncia, de
onde foram extrados os parmetros necessrios para o clculo do 2. Na Tabela 4.14, os
valores em preto representam as intersees entre as classes do PI gama-radiometria
binrio com o PI litologia binrio. Os nmeros em vermelho representam os valores
esperados para as categorias de sobreposio, caso os PIs gama-radiometria e litologia
fossem independentes. Os valores foram obtidos pelo produto dos totais das margens
dividido pelo total absoluto, conforme demostrado nas formulaes abaixo:

T1 .T. 1( 79.18 309,33)

T(*gama x lito log ia )1 ,1 = = = 33.66
T .. 727.33
T1 .T. 2 (79.18 418.10)
T(*gama x lito log ia ) 1, 2 = = = 45.52
T .. 727.33
 T2 .T.1 (648.15 309.33)
T(*gama x lito log ia ) 2 ,1 = = = 275.56
T .. 727.33

T2 .T. 2 (648.15 418.10)

T(*gama x lito log ia ) 2 , 2 = = = 372.58
T .. 727.33
TABELA 4.14 TABELA DE CONTIGNCIA ENTRE OS PIS DE INTENSIDADE
GAMA-RADIOMETRIA E LITOLOGIA. OS VALORES EM VERMELHO INDICA
VALORES ESPERADOS DE INTERSEO (Ti *, j ) NO CASO DE INDEPENDNCIA
CONDICIONAL ENTRE OS PIS
Litologia
favorvel No-favorvel Totais
26.91
favorvel 52.27 (33.66) 79.18
(45.52)
gama

256.96 391.19
no-favorvel 648.15
(275.56) (372.58)
totais 309.23 418.1 727.33
Os valores da interseo entre as classes (gama x litologia), mais o resultado das
operaes acima foram utilizados na estatstica 2 e no clculo do coeficiente de
contingncia, conforme demostrado pelas formulaes a seguir:

2 2 (Ti , j Ti *,j ) 2 (T1,1 T1,1 ) 2 (T1, 2 T1, 2 ) 2 (T2 ,1 T2,1 ) 2 (T2 , 2 T2, 2 ) 2
2
= = + + + =
gama x lito log ia
Ti *, j T
T
T
T
i =1 j =1 1,1 1, 2 2 ,1 2, 2

(52,27 33,66) 2 ( 26,91 45,52) 2 ( 256,96 257,56) 2 (391,19 372,58) 2

= + + + = 20,07
33,66 45,52 257,56 372,58

2 20,07
C gama x lito log ia = = = 0,164
T + 2
727,33 + 20,07

Como mencionado anteriormente, as operaes foram repetidas para as demais

evidncias, num total de 10 comparaes, considerando-se 5 evidncias (gama-
radiometria, litologia, estruturas circulares, lineamentos e contatos geolgicos). As
tabelas de contingncia dos cruzamentos encontram-se na Tabela II.2 (Anexo II) e os
resultados de 2 e Coeficiente de Contingncia encontram-se na Tabela 4.15.
TABELA 4.15 VALORES DE 2 E C DAS EVIDNCIAS OBTIDOS POR
COMPARAO PAR A PAR
PI x PI 22 C
Gama-radiometria x litologia 20.075 0.164
Gama-radiometria x estruturas circulares 4.880 0.082
Gama-radiometria x lineamentos 0.607 0.029
Gama-radiometria x contatos geolgicos 13.109 0.133
Litologia x estruturas circulares 5.202 0.084
Litologia x lineamentos 3.248 0.067
Litologia x contatos geolgicos 19.283 0.161
Estruturas circulares x lineamentos 2.575 0.059
Estruturas circulares x contato geolgico 16.134 0.147
Lineamentos x contatos geolgicos 1.776 0.049

Os resultados dos coeficientes de contingncia demostraram que as evidncias violaram

o princpio da independncia condicional em grau aceitvel (valores prximos 0), no
sendo necessrio nenhum ajuste das evidncias. Para a integrao final o primeiro passo
foi o clculo da chance a priore ( O(D) ) das ocorrncias minerais, que foi obtida a partir
probabilidade a priore ( P(D) ) conforme formulao:

N ( D) 9.08
P( D ) = = = 0,01248
N (T ) 727.3

P( D ) 0,01248
O( D) = = = 0,01264
(1 P( D)) (1 0,01248)

A prxima etapa foi o clculo das razes de suficincia (LS) e necessidade (LN).
Novamente foi necessrio fazer uma tabulao cruzada, porm desta vez, o cruzamento
envolveu as 5 evidncias binrias construdas com as ocorrncias minerais. As matrizes
de confuso (Anexo II - Tabelas II.3) forneceram os valores para o clculo das LS e LN
(Tabela 4.16), dos quais foram extrados os logaritmos naturais, W+ e W
respectivamente. Os W + e W foram, ento, somados ao logaritmo natural da chance a
priore segundo uma soma condicional controlada pela presena ou no das evidncias.

TABELA 4.16 VALORES DE LS E LN E W+ E W DAS EVIDNCIAS

BINRIAS

Evidncias binrias LS LN W + = Log (LS ) W = Log (LN )

Gama-radiometria 5.394 0.494 1.685 -0.704
Litologia 1.435 0.681 0.361 -0.384
Estruturas circulares 2.416 0.646 0.882 -0.437
Lineamentos 1.162 0.902 0.150 -0.103
Contatos foiato 1.895 0.226 0.639 -1.488
Como exemplificao do processo, considere um ponto da grade numrica, que
encontra-se dentro dos padres favorveis anomalia gama-radiomtrica e litologia e fora
dos padres favorveis estruturas circulares, lineamentos e contatos dos foiatos. A
presena ou ausncia das evidncias serviram de condicionantes espaciais na soma
condicional dos W + e W , efetuada pelo Programa I.21 (Anexo I). A formulao abaixo
demostra a operao realizada:

( (
Ln O D | gama lito log ia est .circular lineamento cont . foiato = ))
= Ln(O( D) ) + (W gama
+ +
+ W lito log ia + W est .circular + Wlineamento + Wcont . foiato ) =

= 4,3708 + 1,6852 + 1, 2540 + (0,4020) + (0,1034) + ( 0,1876) = 2,1246

A ltima etapa do processo foi o clculo da probabilidade a posteriore que foi obtida a
partir da chance a posteriore, conforme as formulaes abaixo:

O( D | B ) = e Ln (O ( D| B ) )

( (
Ln O D | gama litologia est .circular lineamento cont . foiato = 2,1246 ))
( )
O D | gama litolog ia est .circular lineamento cont . foiato = e 2,1246

O(D | gama litologia est .circular lineamento cont . foiato) = 0,1195

P (D | gama lito log ia est.circular lineamento cont . foiato ) =

(
O D | gama lito log ia est.circular lineamento cont . foiato)
(
1 + O D | gama lito log ia est.circular lineamento cont . foiato )
(
P D | gama litolog ia est.circular lineamento cont . foiato = ) 0,1195
1 + 0,1195

(
P D | gama litolog ia est .circular lineamento cont. foiato = 0,1067 )
O cenrio resultante do modelamento bayesiano apresentou alguns aspectos positivos e
outros negativos quando comparados aos demais. Um dos aspectos negativos foi que os
valores de probabilidade a posteriore no apresentaram uma distribuio contnua, com
pontos de concentraes que dificultaram a diviso das classes em reas semelhantes s
mesmas classes dos demais cenrios (Figura 4.21). O outro aspecto foi a distribuio
pouco coerente dos graus de confiana. O valor obtido para a classe alto potencial
(6,69) foi menor que o da classe mdio potencial (8,39), quando o esperado seria o
contrrio.

A classe alto potencial encerrou 9 ocorrncias minerais, numa rea de 5,98 Km2
(0,82% do macio alcalino) (Tabela 4.17). O depsito do Morro do Ferro foi mapeado
por esta classe (Figura 4.22), que obteve um de grau de confiana de 6,64.
A classe mdio potencial obteve 18 coincidncias com ocorrncias minerais
conhecidas. A anlise em conjunto das duas classes alto e mdio potencial indicou
que estas encerram 27 ocorrncias minerais, em rea de 27,54Km2, (3,78% do complexo
alcalino).

Distribuio acumulada dos pixels sobreposta pelas classes de

potencialidade
2000000
Frequncia acumulada

1600000

1200000

Distribuio acumulada dos pixels

800000
Nulo

400000

Baixo
Mdio Alto
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
Valores dos pixels em probabilidade

Fig. 4.21 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Bayes.

TABELA 4.17 SUMRIO DOS RESULTADOS DO MTODO DE BAYES

22
Fatia rea (Km ) rea (%) Prob. Posteriore Grau de confiana U-Zr U-Mo Th-Tr
alta (0.344-0.341) 5.98 0.82 0.0836 6.69 6 2 1
mdia(0.341-0.12) 21.56 2.96 0.1048 8.39 12 6 0
baixa (0.12-0.034) 64.61 8.88 0.0393 3.15 8 2 1
nula (0.034-0.0) 635.18 87.33 0.0060 0.48 (2.08) 9 1 0
Total 727.33 100.00 Prob. priore 0.0125 35 11 2

A classe nulo potencial, com 635,18 Km2 de rea (87,33% do macio), apresentou uma
probabilidade de descoberta de depsitos 2,08 vezes menor em relao a probabilidade a
priore e encerrou 10 das 48 ocorrncias minerais conhecidas.
Fig. 4.22 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo
o mtodo Bayesiano.

4.5 INFERNCIA POR REDES NEURAIS

Para a realizao da anlise espacial por redes neurais foram utilizados os planos de
informao, litologia fuzzy, anomalia radiomtrica fuzzy, lineamentos fuzzy e estruturas
circulares fuzzy, gerados para a inferncia espacial fuzzy. O intuito foi definir uma rede
neural artificial que processasse os dados pontuais dos planos de informao
(evidncias), utilizando o resultado (membros fuzzy) da inferncia fuzzy ponderada
como padro de sada (padro desejado para onde os dados de entrada fossem
mapeados).

A realizao da inferncia espacial por redes neurais demandou a execuo de diferentes

etapas operacionais, bem como a definio de diversos parmetros e funes, que
estabeleceram o comportamento da rede no processamento dos dados de entrada. De
todas as etapas, as mais complicadas talvez tenham sido as que envolveram a definio
da arquitetura da rede (nmeros de elementos de processamento (EP), tipo de conexo
e nmero de camadas); o modelo de ativao; o algoritmo de aprendizado e seus
respectivos parmetros.

A primeira etapa para a realizao da inferncia espacial foi o ajuste dos planos de
informao para um formato no qual o programa de simulao de rede neural
entendesse. A converso de formato foi realizada atravs da funo de exportao para
SNNS do pacote SPRING.

Com os dados convertidos, o prximo passo foi a separao dos dados em dois
conjuntos: treinamento e testes. O primeiro foi utilizado para o treinamento da rede,
enquanto os dados de teste foram utilizados para verificar sua performance sob
condies reais de utilizao. A escolha dos conjuntos foi arbitrria, onde cada conjunto
de dados definido por uma quadrcula foi escolhido baseado na diversidade da
informao das evidncias (Figura 4.23).

A prxima etapa consistiu da definio da rede neural propriamente dita. Sendo assim,
foram definidos: o paradigma neural, a arquitetura da rede, as funes de ativao e
aprendizado e o modo de atualizao das ativaes. Embora existam metodologias
("dicas") na conduo destas tarefas, as escolhas foram feitas de forma emprica. Vale
ressaltar que a definio da configurao de qualquer rede neural ainda considerada
uma arte que requer certa experincia dos projetistas (Carvalho, 1999).

Fig. 4.23 Definio dos conjuntos de dados de treinamento e teste da rede sobre o
mapa Litolgico.

A rede neural artificial escolhida foi a supervisionada, com fluxo da informao num
sentido unidirecional, ascendente (bottom-up), denominada na literatura como
feedforward. A direo da conexo mostra a direo de transferncia da ativao. O EP a
partir da qual a conexo se inicia chamado de fonte, enquanto o EP, onde a conexo
termina, chamado de alvo. Cada conexo tem um peso que lhe atribudo. O efeito da
sada de uma unidade, na sua sucessora, definido por este valor. No caso do peso ser
negativo, a conexo ser inibidora, resultando na diminuio da atividade da unidade
alvo. No caso inverso, positivo, este tem uma excitao, resultando no aumento da
atividade.

A arquitetura da rede foi definida com 17 elementos de processamento divididos em 4

camadas: uma de entrada, duas intermedirias, e uma de sada (Figura 4.24). A camada
de entrada contendo quatro EPs foi responsvel pelo recebimento dos sinais de
entrada, que correspondem aos planos de informao (litologia fuzzy, anomalia
radiomtrica fuzzy, lineamentos fuzzy e estruturas circulares fuzzy). Ou seja, os EP11,
EP12, EP13, EP14 podem ser entendidos como vetores, wi j , onde cada localizao das
grades numricas serviu de sinal de entrada processado pela rede neural artificial.

A segunda e terceira camadas contendo seis EPs cada, corresponderam s camadas

intermedirias, responsveis por parte do processamento dos sinais de ativao; onde,
atravs de seus elementos e suas conexes, parte da informao aprendida e
armazenada. A ltima, denominada de camada de sada, com um nico EP, indica o
grau de favorabilidade ocorrncia de minerais radioativos.

Fig. 4.24 Arquitetura da rede neural artificial utilizada.

Os EPs foram conectados em sentido ascendente, da entrada para a sada, num total de
66 conexes. As conexes, que formam a memria distribuda do classificador,
ocorreram dos EPs de uma camada com os EPs da camada subsequente. Ou seja, os
elementos EP11, EP12, EP13, EP14 foram conectados aos elementos EP21, EP22, EP23, EP24 num
total de 24 conexes, que por sua vez foram conectados aos EP31, EP32, EP33, EP34, num
total de 36 conexes, e finalmente estes foram conectados ao EP41 (4 conexes).

Com o paradigma e a topologia da rede neural definidos, o prximo passo foi a

definio da funo de ativao, a qual controlaria o comportamento dos sinais na etapa
forward de processamento. A fase forward pode ser resumida da seguinte maneira:

Sinais so apresentados entrada;

Cada sinal multiplicado por um peso que indica a sua influncia na sada
do EP;

Um nvel de atividade produzindo com a soma dos sinais ponderados;

Se este nvel de atividade exceder a um certo limite, a unidade produz uma

determinada resposta de sada.

Assim, uma nova atividade (ativao) em um EP computada, considerando-se a antiga

ativao do EP, seu limiar de corte (bias) e as sadas dos EPs antecessores, multiplicadas
pelos respectivos pesos das suas conexes com o EP corrente.

A formulao pode ser expressa de modo geral como segue:

a j (t + 1) = f act ( net j (t ), a j (t ), j ) (4.1)

onde:
a j (t ) - ativao do elemento j no passo t;
net j (t ) - entrada da rede no elemento j no passo t;
j - limiar de corte (bias) do elemento j.
As entradas da rede net j (t ) foram computadas conforme formulao a seguir:

net j (t ) = wij oi (t ) (4.2)

i

onde:
wi j - peso da conexo do elemento i com o elemento j;
oi (t ) - sada do elemento i no passo t.
No presente modelamento foi utilizada a funo default act_logistic do simulador
SNNS, a qual calcula a entrada da rede atravs da soma ponderada de todas as ativaes.
O resultado foi posteriormente compactado com uma funo logstica, ou de
transferncia, f act ( x ) = 1 (1 + e x ) . A funo faz com que o valor de uma nova ativao
em um passo (t+1) recaia dentro da amplitude [0,1]. A formulao, mais detalhada, da
funo de ativao logstica encontra-se a seguir:

1
a j (t + 1) = (4.3)
1 + e i ij i
(w o ( t ) j )

onde:
a j (t ) - ativao do elemento j no passo t
oi (t ) - sada do elemento i no passo t;
j - ndice para alguns dos elementos da rede;
i - ndice do elemento antecessor ao elemento j;
wi j - peso da conexo do elemento i com o elemento j;
j - limiar de corte (bias) do elemento j.
Sobre cada nova atividade foi aplicado uma funo de sada, que possibilitou o
processamento da ativao de todos os EPs, gerando, assim, os sinais de sada. A funo
de sada utilizada foi a identidade definida por:

o j (t ) = a j ( t ) (4.4)
onde:
a j (t ) - ativao do elemento j no passo t;
o j (t ) - sada do elemento j no passo t;
j ndice para todos os elementos de uma rede.

Para efetuar o clculo do novo valor de ativao de um EP no passo (t +1), o simulador

SNNS, operando seqencialmente, tem que visitar todos os EPs. Esta ordem foi
definida no Mdulo de Atualizao do SNNS, o qual contem cinco modelos de
atualizao. O modelo definido foi o Topolgico, no qual o processador central
(Kernell) organiza as visitaes aos EPs pela sua topologia. Essa ordem corresponde
propagao natural de atividade da rede, da entrada para a sada.

Com a fase forward definida, a prxima fase foi a definio do algoritmo de

aprendizado, responsvel pelo ajuste dos pesos das conexes, para obter o
comportamento desejado do sistema. O algoritmo responsvel pela fase de propagao
backward de simulao da rede neural.

O procedimento de simulao total de uma rede neural artificial pode ser resumido
como segue: Um padro de entrada apresentado para a rede. A entrada ento
propagada frente (forward) at a ativao atingir a camada de sada. Isto constitui a
chamada fase de propagao forward (forward propagation phase). A sada ento
comparada com o padro de sada desejado. O erro, diferena j (delta) entre a sada
o j e a padro de sada desejado t j de um EP alvo de sada j ento utilizado juntamente
com a sada oi do EP fonte i para computar as mudanas necessrias da conexo wij
(Equao 4.5). Para computar os deltas dos EPs internos (camadas escondidas), para os
quais no esto disponveis os padres de sada, so utilizados os deltas das camadas
posteriores, que j foram computados. Deste modo, os erros (deltas) so
retropropagados (fase denominada backward propagation).

A regra backpropagation de atualizao do peso, tambm chamada de regra delta,

escrita como segue:

wij = j oi (4.5)

f j' ( net j )( t j o j ) caso o EP j seja um EP de sada

j = '
f j ( net j ) k k w jk caso o EP j seja um EP escondido

onde:
- fator de treinamento eta (uma constante);
j - erro (diferena entre a sada real e a entrada de treinamento) da unidade j;
t j - padro de sada do EP j;
oi - sada do EP antecessor i;
i - ndice de um antecessor de um EP j corrente com conexo wij de i para j;
j - ndice de um EP corrente;
k - ndice de um sucessor ao EP corrente j com conexo wjk de j para k.
Na presente simulao artificial foi utilizado o algoritmo de aprendizado RPROP
(R
R elisient Backprop
propagation), que uma variao do algoritmo Backpropagation. O
RPROP um esquema de aprendizado supervisionado em grupo (batch), o que significa
que a atualizao dos pesos e as adaptaes so executadas depois que o gradiente de
todos os padres for computado. A funo RPROP conta com um termo de decaimento
do peso, , com o qual pode-se reduzir tanto o erro da sada como a dimenso do peso,
o que resulta numa melhora da generalizao (aprendizado). A funo erro expressa
por:

E = (t i oi ) + 10 wi2j (4.6)

O princpio bsico da funo RPROP eliminar a influncia destrutiva do tamanho da

derivada parcial do peso de um determinado ciclo. Como conseqncia, apenas o sinal
da derivao considerado para indicar a direo da atualizao do peso. O tamanho
da mudana do peso determinado exclusivamente por um peso especfico, tambm
chamado, valor de atualizao (it )j :
 (t ) E
(t )

i j , se >0
wi j
(t ) E (t )
wi(tj) = + i j , se >0 (4.7)
wi j
0 , outros casos

E ( t )
onde denota a informao dos gradientes somados considerando-se todos os
wi j
padres de um conjunto (batch learning).

O segundo passo do aprendizado RPROP determinar o novo valor de atualizao

i j (t ) . Isto baseado em um processo adaptativo de sinal dependente.

+ ( t 1) E
( t 1)
E
(t )

i j , se >0
wi j wi j
E ( t 1)
E (t )

(it )j = (it j 1) , se <0

wi j wi j (4.8)
(it j 1 ) , outros casos


onde 0 < < 1 < +

A regra adaptativa funciona do seguinte modo: toda vez que a derivada parcial do peso
correspondente wi j muda seu sinal, o que indica que a ltima atualizao foi muito
grande e o algoritmo pulou sobre um mnimo local, o valor de atualizao i j (t )
decrescido pelo fator . No caso da derivada manter seu sinal, o valor de atualizao
levemente aumentado de modo acelerar convergncias em regies aproximadamente
planas. Os valores dos fatores de aumento e diminuio so: = 0.5 ; + = 1.2 .

Parmetros

O algoritmo RPROP assume trs parmetros: o valor de atualizao inicial 0 , um

limite mximo de atualizao, max , e o expoente de decaimento do peso , os quais
devem ser fixados nos campos da funo de aprendizado definidos no painel de
controle. A funo de cada parmetro e os respectivos valores adotados esto descritos a
seguir:

O valor inicial, 0 , adotado foi 0.2. O segundo parmetro, max , pretende prevenir o
peso de tornar-se muito grande em um nico passo, o valor adotado foi 50.0. O ltimo
parmetro, termo de decaimento (), visa diminuir o valor do peso, o que resultaria
numa melhor generalizao. Seu valor foi 4.0.
Com os dados subdivididos (conjuntos de treinamento e teste), e a rede devidamente
configurada (arquitetura, paradigma da rede, funes de ativao e aprendizado) deu-se
incio fase de treinamento da rede neural. Esta corresponde fase de ajuste dos pesos,
treinando a rede a convergir os sinais de entrada para o padro de sada desejado.

Os dados de treinamento foram apresentados rede utilizando-se diferentes nmeros de

passos. Ao trmino de cada processo de treinamento foram apresentados rede os dados
de teste para aferir seu poder de generalizao. O objetivo foi determinar o ponto de
erro mnimo do conjunto de teste. Neste ponto a rede generaliza melhor, evitando assim
o overtraining. Esse pode diminuir a performance de generalizao, apesar do erro dos
dados de treinamento continuarem ficando menores. O nmero de passos que forneceu
a melhor performance foi 800.

Finalmente, com a rede treinada e testada, a ltima etapa foi a apresentao dos dados
completos. O resultado foi salvo e convertido novamente para o formato SPRING. No
ambiente SPRING foi efetuado o fatiamento dos dados em 4 classes diferentes de
potencialidade ocorrncia de minerais radioativos.

O cenrio de favorabilidade gerado pela inferncia por Redes Neurais Artificiais

apresentou resultados prximos queles obtidos pela tcnica Fuzzy Ponderado. As
diferentes faixas de potencialidade apresentaram coerncia na distribuio relativa dos
valores dos graus de confiana, que apresentaram um padro decrescente da classe alto
potencial para a de potencial nulo. A distribuio dos valores numricos foi uniforme
no apresentando agrupamentos que pudessem representar problemas no fatiamento
(Figura 4.25).

A classe alto potencial, com uma rea de 6,65 Km2 (menos de 1% do macio alcalino),
obteve o terceiro maior valor de grau de confiana (12,51) dentre todas as classes de alto
potencial dos demais modelamentos e uma coincidncia com 14 ocorrncias minerais,
incluindo entre elas os depsitos do Morro do Ferro e Campo Agostinho e a Mina
Usamu Utsumi (Tabela 4.18).As classes mdio e alto potencial encerram juntas 25
mineralizaes, sendo 9 das 11 mineralizaes de U-Mo e as duas de Th-Tr em reas que
totalizam 28,52 Km2, ou 3,92% do total do macio alcalino (Figura 4.26). As classes
baixo, mdio e alto potencial, juntas compreenderam uma rea de 96,04 Km2, o que
eqivale a 13,2% do complexo alcalino e obtiveram uma coincidncia com 38 dos 48
indcios e mineralizaes conhecidos. O grau de confiana da classe nula indica que
pesquisas realizadas nessas reas apresentariam uma possibilidade de sucesso 2,22 vezes
menor do que considerando todo o complexo alcalino. A classe nula compreendeu
uma rea de 631,29 Km2 , a qual encerrou 10 dos indcios e mineralizaes conhecidos.
 Distribuio acumulada dos pixels sobreposta pelas classes de
potencialidade
Frequncia acumulada 1600000

1200000
Distribuio acumulada dos pixels

800000
Nulo

400000

Baixo
Mdio
Alto
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Valores dos pixels

Fig. 4.25 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Redes Neurais Artificiais.

TABELA 4.18 SUMRIO DOS RESULTADOS DO MTODO REDES

NEURAIS ARTIFICIAIS

Fatia rea rea Prob. Grau de U- U- Th-

(Km2) (%) Posteriore confiana Zr Mo Tr

alta (0.95-0.76) 6.65 0.91 0.1564 12.51 7 6 1

mdia (0.76-0.65) 21.87 3.01 0.0681 5.45 7 3 1
baixa (0.65-0.37) 67.52 9.28 0.0444 3.56 12 1 0
nula (0.37-0.0) 631.29 86.80 0.0056 0.45 (2.22) 9 1 0

Total 727.33 100.00 Prob. priore 0.0125 35 11 2

Fig. 4.26 Mapa de favorabilidade ocorrncia de minerais radioativos, obtido segundo
inferncia por Redes Neurais Artificiais.
 CAPTULO 5

CONCLUSES E DISCUSSES

Tcnicas de anlise e integrao multi-critrios de dados espaciais aplicadas no

complexo alcalino de Poos de Caldas mostraram ser ferramentas poderosas em
modelamentos aplicados em pesquisa mineral, na predio das reas favorveis
ocorrncia de depsitos minerais. Todavia, o sucesso de tal abordagem depende
diretamente do grau de conhecimento disponvel sobre a geologia da regio de estudo, o
qual permitir a definio de parmetros e relaes necessrios definio do modelo
prospectivo a ser adotado.

A concepo do modelo prospectivo normalmente a etapa mais difcil do trabalho,

onde a definio das evidncias e a importncia relativa entre elas ser de suma
importncia para a boa eficincia do modelo adotado. Assim, a elaborao do modelo
fortemente depende do conhecimento que o especialista tem da geologia da rea de
estudo, incluindo modelos de depsitos, alm do domnio das tcnicas mais
adequadas para a integrao dos dados.

A utilizao da probabilidade condicional (Grau de Confiana) na avaliao quantitativa

dos cenrios mostrou-se bastante interessante pois permitiu medir o poder explicativo
dos cenrios de favorabilidade s ocorrncias minerais. A utilizao desse parmetro em
conjunto com a inspeo visual proporcionou julgamentos mais precisos.

A Tabela 5.1 apresenta um resumo sobre o desempenho dos 8 modelos de anlise multi-
critrio usados no presente estudo. Ela indica a soma das reas (Km2 e porcentagem
(%)) e ocorrncias minerais radioativas incidentes, nas classes alto e mdio
potencial, alm do grau de confiana da classe alto potencial e o padro de sada dos
dados.

O modelamento Booleano de fcil implementao, sendo indicado para trabalhos de

inferncia com dados simplificados em formato temtico. Entretanto, a generalizao
dos dados num estgio inicial da inferncia resultou em desempenho regular, sendo o
cenrio de potencialidade gerado o segundo pior dentre todos, em termos dos aspectos
analisados. A rigidez do produto final foi outra caracterstica no favorvel, no
permitindo variaes na graduao dos nveis de prioridade, que em processos de
tomada de deciso pode implicar em erros de julgamento. Embora seu desempenho
tenha sido moderado, a classe favorvel encerrou 24 das 48 ocorrncias minerais, a
mesma quantidade obtida pelas reas das classes alto e mdio potencial do modelo
Mdia Ponderada.
 TABELA 5.1 SUMRIO DO DESEMPENHO DE CADA MODELO

rea Grau de Ocorrncias

confiana Minerais Padro de sada
Mtodos Classe dos dados
(Classe alta) (48 no total)
Km 22 %

Booleano Favorvel 32.40 4.45 5.78 24 ruim

Mdia Ponderada Alta + Mdia 30.64 4.21 12.60 24 regular

Fuzzy Mn-Mximo Alta + Mdia 37.36 5.14 5.44 28 regular

Fuzzy Mdia Alta + Mdia 30.93 4.25 7.52 26 bom

Fuzzy Ponderado Alta + Mdia 30.43 4.18 12.90 27 bom

Fuzzy Gama Alta + Mdia 29.06 3.99 6.92 17 ruim

Bayes Alta + Mdia 27.54 3.78 6.69 27 regular

Redes Neurais Alta + Mdia 28,52 3.92 12.51 25 bom

Os resultados do modelamento baseado em Mdia Ponderada possibilitaram uma maior

flexibilidade na manipulao dos dados em relao ao mtodo Booleano, o que implicou
numa melhora no processo de inferncia. A ponderao dos dados temticos permitiu
uma graduao da importncia relativa das evidncias, num acrscimo de informao e,
consequentemente, numa melhora no modelamento dos dados. Todavia, o carter
discreto dos valores no foi totalmente eliminado, o que impossibilitou a melhora da
mobilidade nos nveis de tomada de deciso (fatiamento). O desempenho do cenrio
gerado foi muito bom, o grau de confiana (12,60) foi o segundo melhor entre as classe
alto potencial dos demais cenrios. Esse cenrio e o do Fuzzy Ponderado foram os
nicos, onde os trs principais depsitos. (Mina Usamu Utsumi; Campo Agostinho; e
Morro do Ferro) foram mapeados pela classe alto potencial.

A teoria da lgica Fuzzy foi a que permitiu o maior refinamento no modelamento dos
dados, permitindo a representao da variao espacial dos atributos em superfcies
contnuas. Entretanto, essas caractersticas nem sempre levaram a resultados mais
adequados. As funes membros fuzzy possibilitaram a incorporao do conhecimento
de forma bastante realista, resultando em cenrios mais coerentes e menos sujeitos a
erros. A abordagem da importao semntica (IS) permitiu a incorporao sobre a
natureza imprecisa de contatos litolgicos, o que representou uma melhoria na natureza
da informao. Outra vantagem da modelagem fuzzy a maior quantidade de
operadores o que representa maior flexibilidade na combinao das evidncias.

Os modelos Fuzzy Mnimo-Mximo e Fuzzy Mdia geraram cenrios com desempenhos

razoveis em comparaes aos demais. O principal problema nos dois modelos foi os
baixos valores de grau de confiana. O moderado desempenho destes modelos est
associado diretamente simplicidade dos operadores, que no permitem a graduao
das evidncias.

O modelo Fuzzy Mnimo-Mximo apresentou problemas tambm no padro de sada

dos dados, com pontos de concentrao que dificultaram o fatiamento. O resultado
positivo foi a alta incidncia de minerais na classe alto potencial, 18 no total. Caso
considere-se as classes alto e mdio potencial, o nmero salta para 28, tambm a
maior incidncia entre os demais cenrios.

Os cenrios dos modelos Fuzzy Mdio, Fuzzy Ponderado e Redes Neurais apresentaram
os padres mais uniformes de distribuio dos valores de sada. Isto permitiu maior
flexibilidade nos limiares de corte das classes de potencialidade (tomada de deciso).

O modelo Fuzzy Ponderado foi o que obteve o melhor desempenho nos critrios
analisados. A classe alto potencial obteve o maior grau de confiana (12,90) e em
conjunto com a classe mdio potencial, encerrou 27 ocorrncias minerais, a segunda
maior coincidncia entre os demais cenrios. O responsvel direto pelo seu sucesso,
alm da lgica Fuzzy, foi a tcnica AHP que permitiu, de modo eficaz, a hierarquizao
das evidncias.

O cenrio gerado pelo modelo Fuzzy Gama foi o que apresentou desempenho menos
expressivo dentre todos os modelamentos. A classe alto e mdio potencial
encerraram o menor nmero de ocorrncias minerais, 17 no total. E o padro de sada
dos dados foi um dos menos uniformes, apresentando alta concentrao em valores
baixos. Talvez o principal responsvel pelo baixo desempenho, tenha sido o segundo
membro do operador (produto algbrico fuzzy), visto que o produto de valores menores
que 1 tende a diminuir consideravelmente os valores numricos. Optou-se por um
alto valor do expoente gama ( =0.85), numa tentativa de minimizar a influncia do
produto algbrico fuzzy, todavia aparentemente, no houve efeito prtico.

Embora nem todos os cenrios dos modelamentos Fuzzy tenham tido desempenho
satisfatrio, pelas caractersticas discutidas acima, na mdia, pode-se afirmar que o
teoria da lgica Fuzzy altamente indicada para estudos de fenmenos naturais.

O mtodo Bayesiano constituiu uma abordagem muito interessante ao processo de

inferncia espacial. A possibilidade do emprego de parmetros estatsticos, na definio
dos ponderadores, altamente indicada para situaes onde torna-se difcil hierarquizar
as evidncias. Nesses casos o modelo pode servir de guia na definio dos pesos. O
estudo do Contraste, para definio do limiar de corte das evidncias, tambm foi
bastante interessante pois possibilitou correlacionar mais precisamente as evidncias
com as verdades de campo. Isso fica claro quando comparamos seus resultados com os
do modelo Booleano. Uma rea menor ( reabayes = 27,54 Km 2 ) encerrou 27 ocorrncias
contra 24 do modelo Booleano numa rea maior ( reabooleano = 32,4 Km 2 ).
O ponto de destaque desse cenrio foi a classe mdio potencial, que obteve o melhor
grau de confiana (8,39) em comparao com as demais classes de mesma
potencialidade. As classes alto e mdio potencial encerraram 27 ocorrncias
minerais, a segunda melhor incidncia entre os demais cenrios.

Apesar dessas caractersticas, o cenrio gerado pelo mtodo Bayesiano apresentou

desempenho geral mediano, comparado aos demais. Isso pode estar ligado ao corte
rgido das evidncias na etapa inicial do processo de inferncia. Os cortes significaram
simplificao dos dados e consequentemente reduo de informao. Outra
caracterstica desse modelamento a necessidade da existncia de verdades de campo
(ocorrncias minerais) para a realizao da tabulao cruzada com as evidncias,
possibilitando o clculo de parmetros de ponderao.

A aplicao das tcnicas de Redes Neurais mostrou-se eficiente. O cenrio gerado

apresentou o segundo melhor desempenho geral, perdendo apenas para o Fuzzy
Ponderado. A classe alto potencial encerrou o segundo maior nmero de ocorrncias
minerais (14) e obteve o terceiro maior grau de confiana (12,51). Paradoxalmente, o
ponto negativo do modelo tambm uma de suas maiores vantagens, a grande
quantidade de parmetros e variveis que podem ser utilizados, os quais, se no
manejados adequadamente, podem alterar consideravelmente o desempenho do
modelo. Entretanto, ao mesmo tempo em que isto resulta em dificuldades, permite
tambm simulaes muito mais prximas da realidade.

Como sugesto para melhoria em futuros trabalhos de inferncia espacial, sugere-se o

incremento de mapas de incerteza, os quais poderiam indicar reas problemticas nos
cenrios. Essas regies poderiam ser eliminadas, ou melhor investigadas em campo para
a melhoria do modelo. Adicionalmente, recomendvel o estudo mais aprofundado de
tcnicas de fatiamento (migrao do ambiente numrico para o ambiente rgido), na
tentativa de definir classes temticas mais coerentes em relao ao agrupamento dos
valores numricos de sada. E, finalmente, um estudo mais aprofundado de outras
arquiteturas e paradigmas de aprendizado para redes neurais artificiais, como por
exemplo, o aprendizado no-supervisionado, que elimina a necessidade de um padro
de sada para o aprendizado da rede.
 REFERNCIAS BIBLIOGRFIAS

Agterberg, F.P. Systematic approach to dealing with uncertainty of geoscience

information in mineral exploration. In: Symposium on Applications of Computers
and Operations Research in the Mineral Industry, 21.. Colorado, USA, 1989.
Proceedings . Colorado: Society of Mining Engineers. Chapter 18. 165-178p.
Almeida Filho, R. Integrao, manipulao e anlise espacial de dados na pesquisa
mineral atravs de modelos empricos de prospeco: Um exemplo no planalto de
Poos de Caldas. Revista Brasileira de Geofsica,
Geofsica v. 13, n.2, p.127-142, 1995.
Almeida Filho, R.; Paradella, W.R. Estudo do macio alcalino de Poos de Caldas atravs
de imagens Landsat com nfase em mineralizaes radioativas.
radioativas So Jos dos
Campos: INPE,1977. 130p. (INPE-111-TPT/060).
Altman, D. Fuzzy set theoretic approaches for handling imprecision in spatial analysis.
International Journal of Geographical Information Systems . v. 8, n. 3, p.271-289,
1994.
Banai, R. Fuzziness in geographical information system: contributions from analytic
hierarchy process. International Journal of Geographical Information Systems,
Systems v. 7,
n. 4, p. 315-329, 1993.
Bonham-Carter, G. F.. Mapping mineral potential with a geographic information
system.
system Geological Survey of Canada, Ontario, Canada. 121-130p. 1990.
Bonham-Carter, G. F. Geographic information systems for geoscientists, modeling with
GIS . Ontario: Pergamon, 1994. 398p..

Burrough, P. A. Principles of geographical information systems for land resources

assessment.
assessment Oxford: Clarendon Press, 1986.
Burrough, P. A. Fuzzy mathematical methods for soil survey and land evaluation.
Journal of Soil Science,
Science v. 40, p. 477-492. 1989.
Burrough, P. A. Development of intelligent geographical information systems.
International Journal of Geographical Information Systems , v. 6, n. 1, p. 1-11, 1992.
Burrough, P. A.; Heuvelink, G. B. M. The sensitivity of boolean and continuous (Fuzzy)
logical modelling to uncertain data. In European Conference and Exhibition on
Geographical Information Systems Munich, 3. (EGIS'92). Munich, Germany, 1992.
Proceedings : Munich, Germany: EGIS'92. p. 1032-1041.
Burrough, P. A.; McDonnell, R. A. Principles of geographical information systems .
Oxford: Oxford University Press, 1998. 333p.
Cmara, G. Modelos, linguagens e arquiteturas para banco de dados geogrficos . So
Jos dos Campos. Dissertao (Doutorado em Computao) Instituto Nacional de
Pesquisas Espaciais, 1996.
Cmara, G.; Davis, C.; Monteiro, A. M. V.; Paiva, J. A.; DAlge, J. C. L.
Geoprocessamento: Teoria e Aplicaes. [online].
<http://www.dpi.inpe.br/gilberto/livro>. Dez. 2000.
Carvalho, A. P. L. F. Redes neurais artificiais . [online].
<http://www.icmsc.sc.usp.br/~andre/neural1.html>. Abril. 1999.
Cowen, D. J. GIS versus CAD DBMS: What are the differences? Photogrammetric
Engineering and Remote Sensing,
Sensing v. 54, p.1551-1554, 1988.
Cox, E. The fuzzy systems:
systems handbook a practitioner's guide to building, using, and
maintaining fuzzy systems. London: Academic Press, 1994. 625p.
Eastman, J. R.; Jin, W.; Kyem, P.A.K.; Toledano, J. Raster procedures for multi-
criteria/multi-objective decisions. Photogrammetric Engineering and Remote
Sensing,
Sensing v.61, n.5, May, 1995, p. 539-547.
Ellert, R. Contribuio geologia do macio alcalino de Poos de Caldas. Boletim da
Faculdade de Filosofia, Cincias e Letras da Universidade de So Paulo. Geologia.
Geologia v.
18, p.5-63, 1959.
Empresas Nucleares Brasileiras (Nuclebrs) Poos de Caldas:
Caldas mapa geolgico do
planalto de Poos de Caldas. 1975a. Indito.
Empresas Nucleares Brasileiras (Nuclebrs) Poos de Caldas:
Caldas ocorrncias de minerais
radioativos do planalto de Poos de Caldas. 1975b. Indito.
Empresas Nucleares Brasileiras (Nuclebrs) Poos de Caldas:
Caldas mapa radiomtrico do
planalto de Poos de Caldas. 1975c. Indito.
Fang, J. H. Fuzzy logic & geology. Geotimes:
Geotimes News and Trends in the Geoscience, v. 42,
n. 10, p. 23-26, 1997.
Fraenkel, M. O.; Santos, R. C., Loureno, F. E. V. L.; Muniz, W. S. Jazida de urnio no
planalto de Poos de Caldas, Minas Gerais. In: DNPM. DNPM Principais depsitos
minerais do Brasil,
Brasil 1985. vol.1, cap.5, p. 89-103.
Goodchild, M; F. Modeling error in objects and fields. In Goodchild, M. F. e Gopal, S.
ed. The Accuracy of Spatial Databases.
Databases London: Taylor & Francis, 1989. p. 107-113.
Harris, J. Data integration for gold exploration in eastern Nova Scotia using a GIS. In:
Thematic Conference on Remote Sensing for Exploration Geology, 7., Calgary,
Canada, 1989. Anais . Canada: 1989, p. 233-248.
Hecht-Nielsen, R. Neurocomputing.
Neurocomputing San Diego: HNC, Inc.; University of California.
1989. 433p.
Heuvelink, G. B. M.; Burrough, P.A. Error propagation in cartographic modelling using
Boolean logic and continuos classification. International Journal of Geographical
Information Systems , v. 7, n. 3, p. 231-246, 1993.
Lihao, S.; Xincai, W.; Shunping, Z. Application of GIS in petroleum exploration. In:
Twelfth International Conference and Workshops on Applied geologic Remote
Sensing, 12., Denver, Colorado, november, 1997. Anais . Colorado: 1997, p. 121-125.
Nelson, M.M.; Illingworth, W.T. A practical guide to neural nets . Massachusetts: Library
of Congress Cataloging in Publication Data, 1990. 344p..
Oliveira, A. G. Mineralizao de urnio e molibdnio no planalto de Poos de Caldas,
MG. In: Congresso Brasileiro de Geologia, 28., Porto Alegre, 1974. Anais . Porto
Alegre, 1974, v.17, p.185-190.
Parker, H. D. The unique qualities of a geographic information system: a commentary.
Photogrammetric Engineering and Remote Sensing,
Sensing v.54, p. 1547-1549, 1988.
Pendock, N.; Nedeljkovic, V. Integrating geophysical data sets using probabilistics
methods. In: Thematic Conference and Workshop on Applied Geologic Remote
Sensing, 11., Las Vegas, 1996. Proceedings . Nevada: 1996, v.2, p.621-628.
Reddy, R.K.T.; Bonham-Carter, G.F.; Galley, A.G.. Developing a geographic expert
system for regional mapping of volcanogenic massive sulfide (VMS) deposit
potential.
potential Ontario: Geological Survey of Canada, 1992. p.112-124.
Rostirolla, P. S. Alguns aspectos da avaliao de favorabilidade em geologia exploratria.
Revista Brasileira de Geocincias,
Geocincias v. 27, n. 4, p. 327-338, 1997.
Rostirolla, P. S. Avaliao de favorabilidade em explorao: um enfoque metodolgico.
metodolgico
Rio Claro. 164p. Dissertao (Doutorado em Geologia Regional) - UNESP, 1996.
Saaty, T. L. Exploring the interface between hierarchies, multiple objectives and fuzzy
sets. Fuzzy Sets and Systems , v.1, p. 57-58, 1978.
Saaty, T. L. The analytic hierarchy process.
process New York: McGraw-Hill, 1980.
Saaty, T. L. Multicriteria decision making the analytical hierarchy process, Pittsburgh:
RWS Publications, 1992.
Silva, A. B. A GIS approach for land use assessment a brazilian case study. In: Thematic
Conference on Geology Remote Sensing. 10.. San Antonio, Texas, 1994. Anais: San
Antonio: 1994. v. 2, p. 296-303.
Smith, T. R.; Menon, S.; Starr, J. L.; Estes, J. E. Requirements and principles for the
implementation and construction of large-scale geographical information systems.
International Journal of Geographical Information Systems , v. 1 p. 13-31, 1987.
Tolbert, J. The uraniferous zirconium deposits of the Poos de Caldas plateau, Brazil.
U.S. Geological Survey Bulletin , 1185 C, 28p, 1966.
Turner, A. K.; Sjoekri, A. An integrated exploration methodology based on GIS and
statistical analyses. In: International Conference on Applied Geologic Remote
Sensing, 13., Vancouver, CA, 1999. Proceedings . Canada: British Columbia, 1999.
v.1, p.247-254.
Ulbrich, H. H. G. J. A petrografia, a estrutura e o quimismo de nefelina sienito do
macio alcalino de Poos de Caldas, MG.
MG So Paulo - SP. 446p. Dissertao (Livre
Docncia) Universidade de So Paulo - USP, 1984.
Wang, F.; Brent Hall, G. Fuzzy representation of geographical boundaries in GIS.
International Journal of Geographical Information Systems , v. 10, n. 5, p. 573-590,
1996.
Zadeh, L. A. Fuzzy sets. Information and control,
control v.8, p. 338-353, 1965.
Zadeh, L. A. A fuzzy-set theoretic interpretation of linguistic hedges.. Journal of
Cybernetics,
Cybernetics v. 2, n. 3, p. 4-34, 1972.
Zell, A.; Mamier, G.; Vogt, M.; Mache, N.; Hbner, R.; Dring, S.. Stuttgart neural net
simulator - user manual.
manual Version 4.1. Stuttgart: IPVR: University of Stuttgart. 1991.
 APNDICE I PROGRAMAS EM LEGAL

Programa I.1 Programa de reclassificao das unidades litolgicas em

classes favorvel e no-favorvel.
{//declarao
Tematico lito, favo ("Litologia");
Tabela tabfav (Reclassificacao);

//tabela
tabfav = Novo (CategoriaIni = "Litologia" ,
CategoriaFim = "Litologia",
"embasamento" : "nao-favoravel",
"arenitos" : "nao-favoravel",
"fonolitos" : "nao-favoravel",
"tinguaitos" : "nao-favoravel",
"foiaitos" : "favoravel",
"R_potassicas" : "favoravel",
"lujaritos/chibin" : "favoravel",
"mat.vulcanico" : "favoravel" );

//instanciao
lito = Recupere (Nome = "Litologia");
favo = Novo (Nome = "Litologia favorvel: contrast", ResX = 25, ResY =
25, Escala = 50000);

//operao
favo = Reclassifique (lito, tabfav);
}

Programa I.2 - Programa de reclassificao das unidades de intensidade

radioativa em classes favorvel e no-favorvel.
{//declarao
Tematico favo , gama ("Gama");
Tabela tabfav (Reclassificacao);

//tabela
tabfav = Novo (CategoriaIni = "Gama" ,
CategoriaFim = "Gama",
"background < 1.3" : "nao-favoravel",
"1.3 <x< 1.8" : "nao-favoravel",,
"1.8 <x< 2.5" : "favoravel",
"2.5 <x< 3.5" : "favoravel",
"x>3.5" : "favoravel");

//instanciao
gama = Recupere (Nome = "Gama");
favo = Novo (Nome = "Gama favorvel", ResX = 25, ResY = 25, Escala =
50000);
//operao
favo = Reclassifique (gama, tabfav);
}
Programa I.3 Programa de integrao das evidncias atravs de operadores
lgicos booleanos
{//declarao
Tematico lito ("Litologia"), cont ("Contato-geolgico"), circ
("Estruturas-Circulares"),
line ("Lineamentos"), gama ("Gama"), boo ("Integrao - Resultados");

//Instanciao
lito = Recupere (Nome = "Litologia-favorvel");
cont = Recupere (Nome = "Buffer: 100m");
circ = Recupere (Nome = "Buffer: 350m");
line = Recupere (Nome = "Buffer: 250m");
gama = Recupere (Nome = "Gama-favorvel");
boo = Novo (Nome = "Booleano", ResX = 25, ResY = 25, Escala = 50000);

//Operao
boo = (((lito.Classe == "favoravel" || cont.Classe == "favoravel") &&
(circ.Classe == "favoravel" ||
line.Classe == "favoravel") && gama.Classe == "favoravel") ?
Classe ("favoravel") : Classe("nao-favoravel"));
}

Programa I.4 Programa para ponderao das classes litolgicas

{//declarao
Tematico lito ("Litologia");
Numerico pond ("Mdia Ponderada");
Tabela tablito (Ponderacao);

//tabela
tablito = Novo (CategoriaIni = "Litologia",
"arenitos" , "embasamento", "fonolitos", "tinguaitos" : 0,
"mat.vulcanico" : 20,
"foiaitos" : 30,
"R_potassicas", "lujaritos/chibin" : 60);

//instanciao
lito = Recupere (Nome = "Litologia");
pond = Novo (Nome = "Litologia ponderada", ResX = 25 , ResY = 25 ,
Escala =50000, Min = 0, Max = 100);

//operao
pond = Pondere (lito , tablito);
}
Programa I.5 Programa para ponderao das classes de intensidade gama-
radiomtrica
{//declarao
Tematico gama ("Gama");
Numerico numg ("Mdia Ponderada ");
Tabela tabgama (Ponderacao);
//tabela
tabgama = Novo (CategoriaIni = "Gama",
"background" : 0.0,
"1.3-1.8" : 10,
"1.8-2.5" : 60,
"2.5-3.5" : 70,
">3.5" : 80);
gama = Recupere (Nome = "Gama");
numg = Novo (Nome = "Gama ponderado", ResX = 25 , ResY = 25 , Escala
= 50000, Min = 0, Max = 100);

//operao
numg = Pondere (gama , tabgama);
}

Programa I.6 Programa para unio e ponderao dos buffers dos

lineamentos e estruturas circulares.
{//declarao
Tematico line, line-circ ("Lineamentos"), circ ("Estruturas-
Circulares");
Numerico line-circ-pond, ("Mdia Ponderada");
Tabela tabline-circ (Ponderacao);

//instanciao
line = Recupere (Nome = "Buffer: 250m");
circ = Recupere (Nome = "Buffer: 350m");
line-circ = Novo (Nome = "Lineam-estr.circular", ResX = 25,ResY = 25
,Escala =50000);
line-circ-pond = Novo (Nome = "Lineam-estr.circular ponderada", ResX =
25,ResY = 25 ,Escala =50000, Min = 0, Max =100);

//tabelas
tabline-circ = Novo (CategoriaIni = "Lineamentos ",
"nao-favoravel" : 0,
"favoravel" : 20);

//operao
line-circ = ((line.Classe == "favoravel" || circ.Classe ==
"favoravel") ? Classe ("favoravel") : Classe ("nao-favoravel"));

line-circ-pond = Pondere (line-circ , tabline);

}
Programa I.7 Programa de integrao dos planos de informao ponderados
atravs de uma soma ponderada.
{//declarao
Numerico lito, gama, line-circ, result ("Mdia Ponderada");

//instanciao
lito = Recupere (Nome = "Litologia ponderada");
gama = Recupere (Nome = "Gama ponderada");
line-circ = Recupere (Nome = "Lineam-estr.circular ponderada");
result = Novo (Nome = "Integrao-M.ponderada", ResX = 25 , ResY = 25
, Escala = 50000, Min = 0, Max = 100);
//operao
result =((gama*80) + (lito*60) + (line-circ*20))/160;
}

Programa I.8 Programa de ponderao das classes de anomalia gama-

radiometria para obteno dos membros fuzzy .
{//declarao
Tematico gama ("Gama");
Numerico numg ("numfuzzy");
Tabela tabgama (Ponderacao);

//tabela
tabgama = Novo (CategoriaIni = "Gama",
"background" : 0.0,
"1.3-1.8" : 0.125,
"1.8-2.5" : 0.750,
"2.5-3.5" : 0.875,
"> 3.5" : 1.000);

//instanciao
gama = Recupere (Nome = "Gama");
numg = Novo (Nome = "Gama-fuzzy", ResX = 25 , ResY = 25 , Escala =
50000, Min = 0, Max = 1);

//operao
numg = Pondere (gama , tabgama);
}
Programa I.9 Programa para construo dos membros fuzzy da rocha
potssica
{// programa para espacializao continua e rgida do contato da R.
potssica
// declarao
Tematico masC ("Contato-geolgico"), lito ("Litologia") ;
Numerico dist ("Mapa de distncia") , result ("numfuzzy");

// instanciao
masC = Recupere (Nome = "Mscara:corpos pequenos");
lito = Recupere (Nome = "Litologia-R.potssica");
dist = Recupere (Nome = "contato-R.potssica");
result = Novo (Nome = "R-potssica: fuzzy", ResX = 25, ResY = 25,
Escala = 50000 , Min = 0 , Max = 1);

// operao
result = ((masC.Classe == "favoravel" && lito.Classe ==
"R_potassicas") ? Digital (1) :
(masC.Classe == "favoravel" && lito.Classe == "nao-
favoravel") ? Digital (0) :
(lito.Classe == "R_potassicas" && dist >= 100) ?
Digital (1) :
(dist <100 && lito.Classe == "R_potassicas") ?
(dist*0.005)+0.5 :
(dist < 100 && lito.Classe == "nao-favoravel") ? (dist*
-0.005)+0.5 : Digital (0));
}

Programa I.10 Programa para construo dos membros fuzzy do

Lujarito/chibinito
{// programa para espacializao continua e rgido do contato do
lujarito/chibinito
// declarao
Tematico masC ("Contato-geolgico"), lito ("Litologia") ;
Numerico dist ("Mapa de distncia") , result ("numfuzzy");

// instanciao
masC = Recupere (Nome = "Mscara:corpos pequenos");
lito = Recupere (Nome = "Litologia - lujarito/chibinito");
dist = Recupere (Nome = "Cont.geolgico - lujarito/chibin");
result = Novo (Nome = "Lujarito/chibinito: fuzzy1", ResX = 25 , ResY
= 25 , Escala = 50000 , Min = 0 , Max = 1);

// operao
result = ((masC.Classe == "favoravel" && lito.Classe ==
"lujaritos/chibin") ? Digital (1) :
(masC.Classe == "favoravel" && lito.Classe == "nao-
favoravel") ? Digital (0) :
(lito.Classe == "lujaritos/chibin" && dist >= 100) ?
Digital (1) :
(dist < 100 && lito.Classe == "lujaritos/chibin") ?
(dist*0.005)+0.5 :
(dist < 100 && lito.Classe == "nao-favoravel") ? (dist*
-0.005)+0.5 : Digital (0));
}
Programa I.11 Programa para construo dos membros fuzzy do foiato
{// programa para espacializao continua e rgida dos contatos do
foiato
// declarao
Tematico masC ("Contato-geolgico"), lito ("Litologia") ;
Numerico dist ("Mapa de distncia") , result ("numfuzzy");

// instanciao
masC = Recupere (Nome = "Mscara:corpos pequenos");
lito = Recupere (Nome = "Litologia-Foiato");
dist = Recupere (Nome = "Contato - Foiato");
result = Novo (Nome = "Foiato-fuzzy", ResX = 25 , ResY = 25 ,
Escala = 50000 , Min = 0 , Max = 1);

// operao
result = ((masC.Classe == "favoravel" && lito.Classe == "foiaitos") ?
Digital (1) :
(masC.Classe == "favoravel" && lito.Classe == "nao-favoravel") ?
Digital (0) :
(lito.Classe == "foiaitos" && dist >= 100) ? Digital (1) :
(dist < 100 && lito.Classe == "foiaitos") ? (dist*0.005)+0.5 :
(dist < 100 && lito.Classe == "nao-favoravel") ? (dist* -0.005)+0.5 :
Digital (0));
}

Programa I.12 Programa para construo dos membros fuzzy do material

vulcnico
{// programa para espacializao continua e rgido do contato do
tinguato
// declarao

Tematico masC ("Contato-geolgico"), lito ("Litologia") ;

Numerico dist ("Mapa de distncia") , result ("numfuzzy");

// instanciao
masC = Recupere (Nome = "Mscara:corpos pequenos");
lito = Recupere (Nome = "Litologia- Mat. Vulcnico");
dist = Recupere (Nome = "Contato - Mat. vulcnico");
result = Novo (Nome = "Mat. Vulcnico: fuzzy", ResX = 25 , ResY = 25
, Escala = 50000 , Min = 0 , Max = 1);

// operao
result = ((masC.Classe == "favoravel" && lito.Classe ==
"mat.vulcanico") ? Digital (1) :
(masC.Classe == "favoravel" && lito.Classe == "nao-favoravel") ?
Digital (0) :
(lito.Classe == "mat.vulcanico" && dist >= 100) ? Digital (1) :
(dist < 100 && lito.Classe == "mat.vulcanico") ? (dist*0.005)+0.5 :
(dist < 100 && lito.Classe == "nao-favoravel") ? (dist* -0.005)+0.5 :
Digital (0));
}
Programa I.13 Programa para integrao dos PI das unidades litolgicas
fuzzy atravs de uma soma ponderada.
{// programa para integrao das litologias fuzzy
// declarao
Numerico foia , luja , matvul, pota, result ("numfuzzy");

// instanciao
foia = Recupere (Nome = "Foiato: fuzzy");
matvul = Recupere (Nome = "Mat. Vulcnico: fuzzy");
pota = Recupere (Nome = "R-potssica: fuzzy");
luja = Recupere (Nome = "Lujarito/chibinito: fuzzy");
result = Novo (Nome = "Litologia-fuzzy", ResX = 25 , ResY = 25 ,
Escala = 50000 , Min = 0 , Max =2);

// Operao
result = (matvul*0.3333) + (foia*0.5) + pota + luja ;

Programa I.14 Programa de mapeamento dos membros fuzzy das estruturas

circulares.
{ //Considerando um ponto cruzamento de350m
//declarao
Numerico est ("Mapa de distncia") , fuzzy ("Evidncias Fuzzy");

//instanciao
est = Recupere (Nome = "Estrutura circular");
fuzzy = Novo (Nome = "Estr.circular-fuzzy-pc-350m" , ResX = 25, ResY =
25, Escala = 50000,
Min = 0, Max = 1);

//operao
fuzzy = ( est <= 700 ? 1 /( 1 +((1/122500)*(est^2) ) ) : Digital (0));
}

Programa I.15 Programa de mapeamento dos membros fuzzy dos

lineamentos
{//Considerando um buffer de interesse de 250m
//declarao
Numerico line ("Mapa de distncia") , fuzzy ("numfuzzy");

//instanciao
line = Recupere (Nome = "Lineamentos");
fuzzy = Novo (Nome = "Lineamentos-fuzzy" , ResX = 25, ResY = 25,
Escala = 50000,
Min = 0, Max = 1);

//operao
fuzzy = ( line <= 250 ? 1 /( 1 +(0.000064*(line^2) ) ) : Digital (0));
}
Programa I.16 Programa de mapeamento dos membros fuzzy dos contatos
dos corpos do foiato.
{//Considerando um buffer de interesse de 100m
//declarao
Numerico cont ("Mapa de distncia") , fuzzy ("numfuzzy");

//instanciao
cont = Recupere (Nome = "Contato - Foiato");
fuzzy = Novo (Nome = "Contato-foiato-fuzzy" , ResX = 25, ResY = 25,
Escala = 50000,
Min = 0, Max = 1);

//operao
fuzzy = ( cont <= 100 ? 1 /( 1 +(0.0004*(cont^2) ) ) : Digital (0));
}

Programa I.17 Programa de integrao dos PI fuzzy (evidncias) segundo

operadores fuzzy mnimo-mximo.
{//declarao
Numerico gama, lito, circ, cont, line, maxi1, maxi2 ("numfuzzy");
Numerico minfu ("Fuzzy-resultados");

//instanciao
gama = Recupere (Nome = "Gama-fuzzy");
line = Recupere (Nome = "Lineamentos-fuzzy");
cont = Recupere (Nome = "Contato-foiato-fuzzy");
lito = Recupere (Nome = "Litologia-fuzzy");
circ = Recupere (Nome = " Estr-circular-500-300-fuzzy");
minfu = Novo (Nome = "Fuzzy:min-max", ResX = 250, ResY = 250,
Escala = 50000,
Min= 0, Max = 1 );
= Novo (Nome = "f11", ResX = 25, ResY = 25, Escala = 50000,
Min= 0, Max = 1 );
maxi2 = Novo (Nome = "f12", ResX = 25, ResY = 25, Escala = 50000,
Min= 0, Max = 1 );

//operao
maxi1 = max (lito, cont);
maxi2 = max (circ, line);
minfu = min (gama, min (maxi1 , maxi2));
}
Programa I.18 Programa de integrao dos PI fuzzy (evidncias) segundo
operador fuzzy mdia.
{//declarao
Numerico gama, lito, circ, cont, line ("numfuzzy");
Numerico minfu ("Fuzzy-resultados");

//instanciao
gama = Recupere (Nome = "Gama-fuzzy");
line = Recupere (Nome = "Lineamentos-fuzzy");
cont = Recupere (Nome = "Contato-foiato-fuzzy");
lito = Recupere (Nome = "Litologia-fuzzy");
circ = Recupere (Nome = " Estr-circular-500-300-fuzzy");
minfu = Novo (Nome = "Fuzzy-media", ResX = 25, ResY = 25, Escala =
50000,
Min= 0, Max = 1 );

//operao
minfu = (gama +lito +circ + cont + line)/5;
}

Programa I.19 Programa de integrao dos PI fuzzy (evidncias) segundo

operador fuzzy ponderado.
{//declarao
Numerico gama, lito, circ, cont, line ("numfuzzy");
Numerico minfu ("Fuzzy-resultados");

//instanciao
gama = Recupere (Nome = "Gama-fuzzy");
line = Recupere (Nome = "Lineamentos-fuzzy");
cont = Recupere (Nome = "Contato-foiato-fuzzy");
lito = Recupere (Nome = "Litologia-fuzzy");
circ = Recupere (Nome = " Estr-circular-500-300-fuzzy");
minfu = Novo (Nome = "Fuzzy-ponderado", ResX = 25, ResY = 25,
Escala = 50000,
Min= 0, Max = 1 );

//operao
minfu = (gama*0.514) +(lito*0.258) +(circ*0.1223) + (cont*0.0529) +
(line*0.0529);
}
Programa I.20 Programa de integrao dos PI fuzzy (evidncias) segundo
operador fuzzy gama.
{//declarao
Numerico gama, lito, circ, cont, line, sum, pro ("numfuzzy");
Numerico result ("Fuzzy-resultados");

//instanciao
gama = Recupere (Nome = "Gama-fuzzy");
line = Recupere (Nome = "Lineamentos-fuzzy");
cont = Recupere (Nome = "Contato-foiato-fuzzy");
lito = Recupere (Nome = "Litologia-fuzzy");
circ = Recupere (Nome = " Estr-circular-500-300-fuzzy");
sum = Novo (Nome = "sumfuzzy", ResX = 25, ResY = 25, Escala = 50000,
Min = 0, Max = 1);
pro = Novo (Nome = "profuzzy", ResX = 25, ResY = 25, Escala = 50000,
Min = 0, Max =1 );
result = Novo (Nome = "Fuzzy-Gama (0.85)", ResX = 25, ResY = 25,
Escala = 50000,
Min = 0, Max = 1);
//operao
//soma algbrica fuzzy
sum = 1-((1-lito)*(1-gama)*(1-circ)*(1-line)*(1-cont));

//produto algbrico fuzzy

pro = lito*gama*circ*line*cont;

//valor do gama
g = 0.85;

//operador gama
result = (sum^g)*(pro^(1-g));
}
Programa I.21 Programa para clculo da chance a posteriore
{//declarao
Tematico gama ("Gama"), line ("Lineamentos"), cont ("Contato-
geolgico"),circ ("Estruturas-Circulares"), lito ("Litologia");
Numerico logO , prob ("Bayes");

//atribuio dos valores dos W+ e W-

Wpri = -4.36964279;
WposGama = 1.685188964; WnegGama = -0.704475879;
WposLine = 0.149913968; WnegLine = -0.103384395;
WposCont = 0.798634581; WnegCont = -0.187620352;
WposCirc =0.898897373; WnegCirc = -0.401959283;
WposLito = 1.253996113; WnegLito = -0.454511882;

//Instanciao
gama = Recupere (Nome = "Gama-favorvel");
line = Recupere (Nome = "Buffer-250m");
cont = Recupere (Nome = "Buffer: 500m");
circ = Recupere (Nome = "Buffer: int-500m-ext-300m");
lito = Recupere (Nome = "Lito-favorvel");
logO = Novo (Nome = "LN(o(d|p))", ResX = 25, ResY =25, Escala =
50000, Min= -10, Max = 1);
prob = Novo (Nome = "prob-datadriven", ResX = 25, ResY =25, Escala =
50000, Min= 0, Max = 1);

//operao
logO = Wpri +
(( line.Classe == "favoravel") ? Digital ( WposLine) :
Digital(WnegLine))+
(( gama.Classe == "favoravel") ? Digital ( WposGama) : Digital (
WnegGama)) +
(( cont.Classe == "favoravel") ? Digital ( WposCont) : Digital
(WnegCont))+
(( circ.Classe == "favoravel") ? Digital ( WposCirc) : Digital
(WnegCirc))+
(( lito.Classe == "favoravel") ? Digital ( WposLito) : Digital
(WnegLito));

prob = exp (logO) /( 1 + exp (logO));

}
 APNDICE II TABELAS

TABELA II.1 MATRIZES DE CONFUSO DOS CENRIOS DE

FAVORABILIDADE COM AS OCORRNCIAS MINERAIS.

Booleano

favorvel no-favorvel total no-favorvel favorvel total

no-depsito 30.1 688.2 718.3 no-depsito 688.2 30.1 718.3

depsito 2.3 6.8 9.1 depsito 6.8 2.3 9.1

total 32.4 694.9 727.3 total 694.9 32.4 727.3

Mdia Ponderada

nulo no-nulo total mdio no-mdio total

no-depsito 624.9 93.3 718.3 no-depsito 22.7 695.6 718.3

depsito 3.5 5.6 9.1 depsito 1.5 7.6 9.1

total 628.4 99.0 727.3 total 24.2 703.2 727.3

baixo no-baixo total alto no-alto total

no-depsito 65.2 653.0 718.3 no-depsito 5.5 712.8 718.3

depsito 3.1 6.0 9.1 depsito 1.0 8.1 9.1

total 68.3 659.0 727.3 total 6.5 720.9 727.3

Fuzzy Mnimo-Mximo

nulo no-nulo total mdio no-mdio total

no-depsito 572.0 146.2 718.3 no-depsito 22.6 695.6 718.3

depsito 3.9 5.2 9.1 depsito 1.8 7.3 9.1

total 575.9 151.4 727.3 total 24.4 702.9 727.3

baixo no-baixo total alto no-alto total

no-depsito 111.6 606.7 718.3 no-depsito 12.1 706.2 718.3

depsito 2.5 6.6 9.1 depsito 0.9 8.2 9.1

total 114.1 613.3 727.3 total 12.9 714.4 727.3

Fuzzy Mdia

nulo no-nulo total mdio no-mdio total

no-depsito 624.1 94.1 718.3 no-depsito 23.1 695.1 718.3

depsito 4.5 4.6 9.1 depsito 1.4 7.7 9.1

total 628.6 98.7 727.3 total 24.5 702.8 727.3

baixo no-baixo total alto no-alto total

no-depsito 65.2 653.1 718.3 no-depsito 5.8 712.5 718.3

depsito 2.6 6.5 9.1 depsito 0.6 8.5 9.1

total 67.8 659.5 727.3 total 6.4 720.9 727.3

Fuzzy Ponderado

nulo no-nulo total mdio no-mdio total

no-depsito 625.5 92.7 718.3 no-depsito 22.6 695.7 718.3

depsito 3.5 5.6 9.1 depsito 1.7 7.4 9.1

total 629.0 98.3 727.3 total 24.3 703.1 727.3

baixo no-baixo total alto no-alto total

no-depsito 65.0 653.2 718.3 no-depsito 5.2 713.1 718.3

depsito 2.9 6.2 9.1 depsito 1.0 8.1 9.1

total 67.9 659.4 727.3 total 6.1 721.2 727.3

Fuzzy Gama

nulo no-nulo total mdio no-mdio total

no-depsito 624.8 93.5 718.3 no-depsito 21.4 696.9 718.3

depsito 4.7 4.4 9.1 depsito 1.2 7.9 9.1

total 629.5 97.8 727.3 total 22.6 704.8 727.3

baixo no-baixo total alto no-alto total

no-depsito 66.2 652.1 718.3 no-depsito 5.9 712.3 718.3

depsito 2.6 6.5 9.1 depsito 0.6 8.5 9.1

total 68.8 658.6 727.3 total 6.5 720.9 727.3

Bayes

nulo no-nulo total mdio no-mdio total

no-depsito 631.4 86.9 718.2 no-depsito 19.3 698.9 718.2

depsito 3.8 5.3 9.1 depsito 2.3 6.8 9.1

total 635.2 92.2 727.3 total 21.6 705.8 727.3

baixo no-baixo total alto no-alto total

no-depsito 62.1 656.2 718.2 no-depsito 5.5 712.8 718.2

depsito 2.5 6.6 9.1 depsito 0.5 8.6 9.1

total 64.6 662.7 727.3 total 6.0 721.4 727.3

Rede Neural Artificial

nulo no-nulo total mdio no-mdio total

no-depsito 627.7 90.5 718.2 no-depsito 20.4 697.9 718.2

depsito 3.6 5.5 9.1 depsito 1.5 7.6 9.1

total 631.3 96.0 727.3 total 21.9 705.5 727.3

baixo no-baixo total alto no-alto total

no-depsito 64.5 653.7 718.2 no-depsito 5.6 712.6 718.2

depsito 3.0 6.1 9.1 depsito 1.0 8.1 9.1

total 67.5 659.8 727.3 total 6.7 720.7 727.3

TABELA II.2 TABELA DE CONTIGNCIA DAS EVIDNCIAS
CRUZADAS DOIS A DOIS.

Litologia

favorvel no-favorvel totais

favorvel 52.27 (33.66) 26.91 (45.52) 79.18

no-favorvel 256.96 (275.56) 391.19 (372.58) 648.15

gama

totais 309.23 418.1 727.33

Estrutura Circular

favorvel no-favorvel totais

favorvel 23.6 (16.13) 55.58 (63.05) 79.18

no-favorvel 124.54 (132.01) 523.61 (516.14) 648.15

gama

totais 148.14 579.19 727.33

lineamentos

favorvel no-favorvel totais

favorvel 33.15 (29.97) 46.03 (49.20) 79.18

no-favorvel 242.21 (245.38) 405.94 (402.77) 648.15

gama

totais 275.36 451.97 727.33

contato geolgico

favorvel no-favorvel totais

favorvel 52.33 (37.15) 26.86 (42.04) 79.19

no-favorvel 288.9 (304.08) 359.26 (344.08) 648.16

gama

totais 341.23 386.12 727.35

Estrutura circular

favorvel no-favorvel totais

favorvel 75.23 (62.98) 234.0 (246.25) 309.23

litologia

no-favorvel 72.91 (85.16) 345.19 (332.94) 418.1

totais 148.14 579.19 727.33

lineamentos
lit
ol

gi
o

favorvel no-favorvel totais

 favorvel 128.73 (117.08) 180.5 (192.15) 309.23

no-favorvel 146.64 (158.29) 271.46 (259.81) 418.11

totais 275.37 451.96 727.33

contatos geolgicos

favorvel no-favorvel totais

favorvel 174.29 (145.07) 134.94 (164.16) 309.23

litologia

no-favorvel 166.93 (196.15) 251.17 (221.95) 418.11

totais 341.22 386.11 727.33

estruturas circulares

Lineamentos

favorvel no-favorvel totais

favorvel 64.54 (56.09) 83.6 (92.05) 148.14

no-favorvel 210.83 (219.28) 368.36 (359.91) 579.19

totais 275.37 451.96 727.33

TABELA II.2 TABELA DE CONTIGNCIA DAS EVIDNCIAS

CRUZADAS DOIS A DOIS (continuao).
estruturas circulares

Contato geolgico

favorvel no-favorvel totais

favorvel 91.27 (69.50) 56.87 (78.64) 148.14

no-favorvel 249.95 (271.95) 329.24 (307.47) 579.19

totais 341.22 386.11 727.33

contatos geolgicos

favorvel no-favorvel totais

lineamentos

favorvel 137.89 (129.19) 137.48 (146.18) 275.37

no-favorvel 203.34 (212.04) 248.63 (239.93) 451.97

totais 341.23 386.11 727.34

TABELA II.3 MATRIZES DE CONFUSO DAS EVIDNCIAS BINRIAS
UTILIZADAS NO MODELAMENTO BAYESIANO.

gama-radiometria
favorvel no-favorvel total
depsito 5.06 4.03 9.09
no depsito 74.13 644.12 718.25
total 79.19 648.15 727.34

Litologia
favorvel no-favorvel total
depsito 5.51 3.57 9.08
no depsito 303.72 414.53 718.25
total 309.23 418.1 727.33

Estrutura circular
favorvel no-favorvel total
depsito 4.39 4.69 9.08
no depsito 143.75 574.50 718.25
total 148.14 579.19 727.33

Lineamento
favorvel no-favorvel total
depsito 3.99 5.10 9.09
no depsito 271.38 446.87 718.25
total 275.37 451.97 727.34

Contato geolgico
favorvel no-favorvel total
depsito 7.99 1.10 9.09
no depsito 333.24 385.01 718.25
total 341.23 386.11 727.34