Documente Academic
Documente Profesional
Documente Cultură
Relatrio Tcnico
Maio 2001
RESUMO
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).
1.2 - OBJETIVO
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).
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 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.
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.
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.
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).
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).
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
Fuzzy Mnimo
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
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:
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).
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).
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.
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.
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.
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.
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.
P ( B | D)
P( D | B) = P( D ) probabilid ade a posteriore (2.10)
P( B)
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.
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)
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.
P ( B D)
P( B | D ) = (2.13)
P( D )
P ( B | D)
P( D | B) = P( D ) (2.14)
P ( B)
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.
P( D )
O( D) = (2.15)
(1 P( D))
onde P(D) probabilidade a priore.
P ( B | D)
P ( D | B) = P ( D) (2.16)
P( B )
P( B | D )
P( D | B) = P( D ) (2.17)
P( B)
P ( D | B ) P ( D) P ( B | D )
= (2.18)
P ( D | B) P( D | B ) P( B)
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 )
P (B | D)
O( D | B ) = O (D ) Razo de Necessidade (L N) (2.21)
P (B | D )
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).
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.
P( B1 B2 | D) = P ( B1 | D) P( B2 | D) (2.27)
O( D | B1 B2 ) = O( D) LS 1 LS 2 (2.29)
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
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
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).
Ti . T. j
Ti *, j = (2.35)
T ..
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.
2
C= (2.37)
T + 2
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).
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.
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
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;
Camada de Sada:
Sada onde o resultado final apresentado.
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).
O segundo passo a definio da configurao da rede, que pode ser dividido em trs
etapas:
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
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 .
[ A I .max ] .w = 0 (2.44)
Clculo da consistncia
CI = ( max n) ( n 1) (2.47)
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.
p ( depsito | fatia)
Grau de confiana = (2.48)
p (d )
MATERIAIS
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.
Ba
BRASIL
Mg
Es
Rj
Sp
3.1.2 Geologia
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.
Evoluo do macio
Mineralizaes
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.
gama-radiometria:
gama-radiometria presena de valores anmalos de radioatividade total, indicativa da
presena de minerais radioativos.
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).
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.
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.
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
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.
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).
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.
Fig. 4.9 Curva quadrtica de espacializao dos membros fuzzy dos lineamentos.
1200000
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
Fig. 4.10 Distribuio acumulada dos pixels do cenrio de potencialidade gerado pelo
modelo Fuzzy Mnimo-Mximo.
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)
1600000
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.
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
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.
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.
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.
1600000
Frequncia acumulada
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.
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.
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
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.
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
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.
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.
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.
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:
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
2 20,07
C gama x lito log ia = = = 0,164
T + 2
727,33 + 20,07
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.
( (
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 ) =
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
(
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).
1600000
1200000
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.
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.
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 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.
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).
Cada sinal multiplicado por um peso que indica a sua influncia na sada
do EP;
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:
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.
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).
wij = j oi (4.5)
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)
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).
+ ( t 1) E
( t 1)
E
(t )
i j , se >0
wi j wi j
E ( t 1)
E (t )
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 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.
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.
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.
CONCLUSES E DISCUSSES
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.
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 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.
//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);
}
//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"));
}
//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);
}
//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"));
//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;
}
//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));
}
// 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));
}
// 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 ;
//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));
}
//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));
}
//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;
}
//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));
//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");
//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));
Booleano
Mdia Ponderada
Fuzzy Mnimo-Mximo
Fuzzy Mdia
Fuzzy Ponderado
Fuzzy Gama
Bayes
Litologia
Estrutura Circular
lineamentos
contato geolgico
Estrutura circular
lineamentos
lit
ol
gi
o
contatos geolgicos
Lineamentos
Contato geolgico
contatos geolgicos
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