( PDF ) Descoberta de conhecimento em base de dados de monitoramento ambiental para avaliação da qualidade da água

Download PDF

ads:

UNIVERSIDADE FEDERAL DE MATO GROSSO

INSTITUTO DE CIÊNCIAS EXATAS E DA TERRA

PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA E MEIO AMBIENTE

DESCOBERTA DE CONHECIMENTO EM BASE DE

DADOS DE MONITORAMENTO AMBIENTAL PARA

AVALIAÇÃO DA QUALIDADE DA ÁGUA

INARA APARECIDA FERRER SILVA

ORIENTADOR: PROF. DR. PETER ZEILHOFER

Cuiabá- MT, junho/2007

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

UNIVERSIDADE FEDERAL DE MATO GROSSO

INSTITUTO DE CIÊNCIAS EXATAS E DA TERRA

PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA E MEIO AMBIENTE

DESCOBERTA DE CONHECIMENTO EM BASE DE

DADOS DE MONITORAMENTO AMBIENTAL PARA

AVALIAÇÃO DA QUALIDADE DA ÁGUA

INARA APARECIDA FERRER SILVA

Dissertação apresentada ao Programa de Pós-

graduação em Física e Meio Ambiente da

Universidade Federal de Mato Grosso, como parte

dos requisitos para obtenção do título de Mestre em

Física e Meio Ambiente.

ORIENTADOR: PROF. DR. PETER ZEILHOFER

Cuiabá- MT, Junho/2007

ads:

DEDICATÓRIA

Ao bom Deus pela vida, aos meus

pais pelo infinito amor e ajuda nesta

caminhada, ao meu esposo pelo

companheirismo e paciência, a

minha irmã Ivana que me incentivou

em todos os sentidos, aos meus filhos

Giovanni e Enzo que me fazem

renascer a cada dia.

iii

AGRADECIMENTOS

Ao Prof. Dr. Peter Zeilhofer, pela orientação, incentivo, paciência,

confiança e grande amizade, itens que possibilitaram a realização deste trabalho, a

minha gratidão.

Ao Prof. José de Souza Nogueira por permitir através da coordenação deste

curso de mestrado o meu ingresso e realização.

Aos especialistas Prof. Márcio Mecca, Marizete Caovilla, Andreza Thiesen,

Liliana Zeilhofer, que responderam `a nossa classificação com dedicação, item

primordial para a realização deste trabalho, meus sinceros agradecimentos.

A todos os professores do Programa de Mestrado em Física e Meio

Ambiente da Universidade Federal de Mato Grosso pela dedicação a este curso e

transmissão de conhecimento.

Ao meu pai, pela força moral, pelo apoio nas horas difíceis, pela palavra

certa nas horas incertas, meu eterno amor.

`A minha mãe, que não mediu esforços para me ajudar com meus filhos, a

minha eterna gratidão e amor.

`A minha irmã que pelos incentivos e forças nas horas em que elas

desaparecem.

`A Soilce pela gentileza em nos atender, pela amizade e carinho de

sempre.

Aos funcionários e técnicos da UFMT que proporcionaram o ambiente

propício para as aulas e desenvolvimento deste trabalho.

A todos os colegas de mestrado, pela amizade, pela palavra amiga, pela

ajuda, toda a minha gratidão.

Ao Centro Federal de Educação Tecnológica, pelo apoio e liberação de

50% da carga horária.

Aos colegas de trabalho do CEFET que assumiram os 50% de carga

horária para que eu pudesse realizar este trabalho.

`A minha chefe Danusa Balthazar Gonçalves pela compreensão e apoio

para a realização deste trabalho, dedico o sucesso desta realização profissional,

meus sinceros agradecimentos.

SUMÁRIO

1- INTRODUÇÃO.................................................................................................. 1

2- REVISÃO DE LITERATURA........................................................................... 5

2.1- A ÁGUA.......................................................................................................... 5

2.2- ASPECTOS INSTITUCIONAIS DE GERENCIAMENTO DE RECURSOS

HÍDRICOS.............................................................................................................. 7

2.3- FONTES DE POLUIÇÃO DA ÁGUA ........................................................... 9

2.4- PADRÕES AMBIENTAIS E VARIÁVEIS DA QUALIDADE DA ÁGUA10

2.4.1 - Variáveis da Qualidade da Água ............................................................... 13

2.4.1.1- pH ........................................................................................................... 13

2.4.1.2- Oxigênio dissolvido................................................................................ 14

2.4.1.3- Demanda bioquímica do oxigênio (DBO) e demanda química do oxigênio

(DQO) ................................................................................................................... 14

2.4.1.4 - Sólidos .................................................................................................... 15

2.4.1.5 - Compostos de Nitrogênio ....................................................................... 15

2.4.1.6 - Fósforo.................................................................................................... 16

2.4.1.7 – Coliformes.............................................................................................. 16

2.4.1.8- Turbidez................................................................................................... 17

2.5- TOMADA DE DECISÃO E DESCOBERTA DE CONHECIMENTO (KDD)

EM BASES DE DADOS...................................................................................... 17

2.5.1– Sistemas Inteligentes.................................................................................. 20

2.5.2- Descoberta de Conhecimento (KDD) em Bases de Dados......................... 21

2.5.2.1- O Processo da Descoberta de Conhecimento .......................................... 23

2.5.2.2- Metas da Mineração................................................................................. 28

2.5.2.3 -Tarefas da Mineração............................................................................... 29

2.5.2.4- Métodos ou Técnicas de Mineração ........................................................ 30

2.5.2.5 – Tipo de aprendizado em Bases de Dados............................................... 31

2.5.3.6 Ferramentas utilizadas em Data Mining .................................................. 33

2.5.3- Descoberta de Conhecimento em Bases de Dados de Monitoramento de

Qualidade da Água................................................................................................ 34

2.5.4- Medidas de Avaliação de Regras................................................................ 36

2.5.4.1- Taxa de Acerto......................................................................................... 37

2.5.4.2- “Hold Out”............................................................................................... 38

2.5.4.3- Validação Cruzada.................................................................................. 39

2.5.4.4- Taxa de erro............................................................................................ 39

2.5.4.5 Fator de Confiança................................................................................... 40

2.5.4.6- Matriz de Confusão................................................................................. 40

3 – MATERIAIS E MÉTODOS........................................................................... 43

3.1 Área de Estudo................................................................................................ 43

3.1.1- Aspectos Demográficos.............................................................................. 45

3.2- Sistema Integrado de Monitoramento Ambiental da bacia do Rio Cuiabá

(SIBAC) ................................................................................................................ 47

3.3- Conjunto de dados e sua classificação por especialistas................................ 49

3.4- Mineração de dados....................................................................................... 51

3.4.1 Tarefas de Mineração de Dados implementadas na Weka........................... 51

3.4.2- Entrada de Dados na Weka......................................................................... 52

3.4.3- Ambiente Weka.......................................................................................... 54

3.4.2- Weka Explorer............................................................................................ 56

3.4.2.1- Preprocessing........................................................................................... 57

3.4.2.2- Current Relation....................................................................................... 57

3.4.2.3- Attributes ................................................................................................. 58

3.4.2.4- Selected Attribute .................................................................................... 59

3.5- ALGORITMOS DE CLASSIFICAÇÃO E SUA VALIDAÇÃO ................. 60

3.5.1- Classifier Output Text................................................................................. 65

4. RESULTADOS................................................................................................. 71

4.1- PRÉ-PROCESSAMENTO ............................................................................ 71

4.2- MINERAÇÃO DE DADOS.......................................................................... 77

4.2.1- Visão geral dos classificadores................................................................... 77

4.2.2- Resultado do uso “Abastecimento” ............................................................ 79

4.2.3- Resultado do uso “Balneabilidade ” ........................................................... 84

4.2.4- Resultado do uso “Irrigação”.................................................................... 87

4.2.5- Resultado do uso “Manutenção dos Ciclos Biogeoquímicos Naturais”.... 91

5- DISCUSSÃO.................................................................................................... 94

5.1- ENQUETE COM ESPECIALISTAS............................................................ 94

5 - CONCLUSÕES............................................................................................. 104

6 – BIBLIOGRAFIAS CITADAS...................................................................... 108

7 – BIBLIOGRAFIAS CONSULTADAS.......................................................... 116

LISTA DE FIGURAS

Figura 1- Valor potencial da informação (Fonte: www.inteliiwise.com/navega) 18

Figura 2- Evolução do valor estratégico das bases de dados (Cabena et al & Tyson

apud Quoniam)...................................................................................................... 19

Figura 3- Ciclo básico de descoberta de conhecimento em BD. (Barreto, 1999). 22

Figura 4- Etapas da descoberta do conhecimento. (Quoniam et al., 2001) .......... 24

Figura 5- Fases da descoberta de conhecimento................................................... 25

Figura 6- Tarefas da mineração de dados ............................................................ 30

Figura 7- DM em Meteorologia........................................................................... 34

Figura 8- Interface WWW para consulta de médias mensais de qualidade de água

no Banco de Dados SIBAC. (Fonte: www.geohidro.ufmt.br).............................. 48

Figura 9- Formato do arquivo arff para entrada na Weka..................................... 54

Figura 10- Janela de entrada do Weka.................................................................. 55

Figura 11- Tela inicial da Weka com as variáveis e o arquivo abastecimento.arff

aberto..................................................................................................................... 56

Figura 12- Seção Attributes da Weka.................................................................... 58

Figura 13- Seção “selected attribute”................................................................... 59

Figura 14- Tela do Weka na guia Classify (classificadores)................................. 64

Figura 15- Seção Run Information do Classifier Output Text.............................. 65

Figura 16- Seção Classifier Model do Classifier Output Text com as regras....... 66

Figura 17- Regras geradas pelo algoritmo JRIP e porcentagem de instâncias

classificadas corretamente..................................................................................... 67

Figura 18- Seção summary, detailed accuracy by class e confusion matrix do

classifier output text.............................................................................................. 68

Figura 19- Curva ROC.......................................................................................... 70

Figura 20- Histograma das variáveis da amostra de abastecimento (n:366)......... 72

Figura 21- Histograma das variáveis da amostra de Balneabilidade (n:351) ....... 73

Figura 22- Histograma das variáveis da amostra de irrigação (n:379)................ 73

Figura 23- Histograma das variáveis da amostra de Manutenção dos Ciclos

Biogeoquímicos Naturais (n:114)......................................................................... 74

Figura 24- Histograma da amostra abastecimento de acordo com a classificação dos

especialistas (n: 50)............................................................................................... 75

Figura 25- Histograma da amostra balneabilidade de acordo com a classificação

dos especialistas (n: 50) ........................................................................................ 76

Figura 26- Histograma da amostra irrigação de acordo com a classificação dos

especialistas........................................................................................................... 76

Figura 27- Histograma da amostra Manutenção dos ciclos biogeoquímicos naturais

de acordo com a classificação dos especialistas (n: 50)........................................ 77

Figura 28- Desempenho dos classificadores para classificação da amostra "

Abastecimento"..................................................................................................... 80

Figura 29- Valores de Kappa Statistic para amostra "Abastecimento"................ 81

Figura 30- Métricas de avaliação do algoritmo PART na amostra "Abastecimento"

( Validação Cruzada)............................................................................................. 82

Figura 31- Regras geradas pelo algoritmo PART amostra Abastecimento (classes

em negrito)............................................................................................................ 84

Figura 32- Desempenho dos classificadores para classificação da amostra

“Balneabilidade”................................................................................................... 84

Figura 33- Valor de Kappa Statistic dos algoritmos para amostra de

“Balneabilidade”................................................................................................... 85

Figura 34- Métrica de avaliação do algoritmo Jrip para a amostra

“Balneabilidade" ................................................................................................... 86

Figura 35- Regras geradas pelo algoritmo JRIP amostra Balneabilidade (classes em

negrito).................................................................................................................. 87

Figura 36- Desempenho dos classificadores para classificação da amostra

“Irrigação”............................................................................................................. 88

Figura 37- Valor de kappa statistic para os algoritmos da amostra de “Irrigação”89

Figura 38- Métrica de avaliação do algoritmo OneR para amostra "Irrigação" (

Validação Cruzada)............................................................................................... 90

Figura 39- Regras geradas pelo algoritmo OneR amostra Irrigação..................... 90

Figura 40- Desempenho dos classificadores para classificação da amostra

“Manutenção dos Ciclos Biogeoquímicos” ( validação cruzada)......................... 91

Figura 41- Valor de kappa para ciclos biogeoquímicos naturais.......................... 92

iii

Figura 42- Métrica de validação do algoritmo OneR para amostra "Manutenção dos

Ciclos Biogeoquímicos Naturais” ( Validação Cruzada)...................................... 93

Figura 43- Regras geradas pelo algoritmo OneR amostra Manutenção dos Ciclos

Biogeoquímicos Naturais...................................................................................... 93

LISTA DE TABELAS

Tabela 1- Parte da tabela de registros do SIBAC classificados por um especialista para os

usos de abastecimento e irrigação (5: ótimo até 1: péssimo)................................ 51

Tabela 2- Tabela comparativa da freqüência de classificação das classes............ 75

Tabela 3- Desempenho dos classificadores para a amostra “Abastecimento”...... 80

Tabela 4- Porcentagens corretas dos algoritmos de classificação para Balneabilidade 85

Tabela 5- Porcentagem de Instâncias corretas dos algoritmos de classificação para

irrigação ................................................................................................................ 88

Tabela 6- Porcentagem de dados corretos para amostra “Manutenção dos Ciclos...

Biogeoquímicos Naturais...................................................................................... 91

LISTA DE QUADROS

Quadro 1- Avaliação da qualidade das águas de modo a atender seu uso mais restritivo

dentro da classe................................................................................... 12

Quadro 2- Cronologia da era do conhecimento .................................................... 20

Quadro 3- Matriz de Confusão.............................................................................. 41

Quadro 4- Variáveis indicadoras de qualidade da água e seus limites segundo o

CONAMA 357/2005........................................................................... 50

Quadro 5- Classificadores para predições na Weka.............................................. 61

Quadro 6- Quadro demonstrativo das variáveis de saída nas regras..................... 96

Quadro 7- Comparação dos limites de Classificação da CPRH e regras geradas pelos

algoritmos............................................................................................ 98

Quadro 8- Quadro comparativo das regras classificadas pelo algoritmo por uso e

CPRH .................................................................................................. 99

LISTA DE SIGLAS

IA- Inteligência Artificial

KDD- Knowledge Discovery in Databases

DM- Data Mining

BD- Banco de Dados

SIBAC- Sistema de Monitoramento Ambiental da Bacia do Rio Cuiabá

SGBD- Sistema Gerenciador de Banco de Dados

CF- Coliforme Termotolerante

CT- Eschrichia Coli

NTK- Nitrogênio Total Kjheldal

P- Fósforo

OD- Oxigênio Dissolvido

DBO- Demanda Bioquímica de Oxigênio

pH- Potencial Hidrogeniônico

ST- Sólidos Dissolvidos Totais

DQO- Demanda Química de Oxigênio

Turb- Turbidez

CPRH- Agência Estadual do Meio Ambiente do Estado de Pernambuco

vii

RESUMO

SILVA, I.A.F. Descoberta de Conhecimento em Base de Dados de Monitoramento

Ambiental para Avaliação da Qualidade da Água. Cuiabá, 2007. 134 p. Dissertação

(Mestrado) – Programa de Pós-Graduação em Física e Meio Ambiente, Universidade

Federal de Mato Grosso.

Com o sucessivo crescimento econômico e populacional, aumenta a demanda

pelo uso dos recursos hídricos, intensificam-se os conflitos entre os diversos usos e a

degradação da qualidade dos corpos da água. Assim entidades e órgãos

governamentais mantêm bases de dados de qualidade de água para subsidiar o

monitoramento ambiental. Porém, o volume crescente desses dados, associado a

limitação humana em analisá-los e relacioná-los em sua totalidade, faz com que a

interpretação conclusiva da situação real da qualidade da água de uma bacia seja uma

tarefa difícil. Em conseqüência disso, a necessidade de se desenvolver novas

ferramentas e técnicas de extração de conhecimento a partir de dados armazenados

também vem crescendo, juntamente com a necessidade de se criar instrumentos

automatizados para avaliar a evolução da qualidade das águas em seus estados atuais.

Assim, o objetivo deste trabalho é propor a descoberta de conhecimento em bases de

dados de monitoramento ambiental, utilizando técnicas de mineração de dados (Data

Mining) para descobrir regras que representem níveis de qualidade da água nos seus

estados atuais. Em um estudo de caso utilizando a base de dados de monitoramento

ambiental da bacia do Rio Cuiabá (SIBAC), no Estado de Mato Grosso, obteve-se uma

classificação de especialistas do domínio para quatro usos (Balneabilidade,

Abastecimento, Irrigação e Manutenção dos Ciclos Biogeoquímicos Naturais) nos

níveis de qualidade (ótimo, bom, regular, ruim e péssimo). Posteriormente as amostras

foram submetidas a um software de Mineração de Dados, oito algoritmos de

classificação foram utilizados para desenvolvimento de regras de avaliação

automatizada. Nas classificações obtidas, destacaram-se os algoritmos PART, JRIP e

OneR com níveis de acerto entre 37.7 e 74.5 %, mostrando uma possível contribuição

das técnicas avaliadas para a sintetização e interpretação de dados presentes em bases

de dados de qualidade da água.

Palavras-chave: mineração de dados, qualidade da água, monitoramento ambiental,

base de dados.

viii

ABSTRACT

SILVA, I.A.F. Knowledge Discovery in Databases of monitored ambient to

Evaluation of the Quality of the Water. Cuiabá, 2007. 134p. Dissertação (Mestrado) –

Programa de Pós-Graduação em Física e Meio Ambiente, Universidade Federal de

Mato Grosso.

The successive economic and population growth has increased the demand for

the use of the hybrid resources, the conflicts between the diverse uses and the

degradation of the quality of the bodies of the water have been intensified. Thus,

entities and governmental organizations have kept databases about the quality of water

in order to subsidize the environmental supervision. However, the increasing volume

of these data associated the limitation of human resources for analyzing and relating

them to the totality, makes the conclusive interpretation of the real situation about the

quality of the basin water a difficult task. In consequence, the necessity of developing

new tools and extraction techniques of knowledge from stored data have been

increasing with the necessity of creating automatized instruments to evaluate the

evolution of the quality of waters in their current phases. Consequently the objective

of this study is to consider the knowledge discovery in databases of monitored ambient

by means of techniques of data mining to find out rules that represent levels of quality

of the water in their current phases. In a case study using the database of monitored

ambient of the basin of Cuiaba river (SIBAC), in the State of Mato Grosso, in Brazil.

A classification of specialists was obtained. It presents the domain for four uses

(Balneability, Supplying, Irrigation and Maintenance of the Natural Biogeochemical

Cycles) in the quality levels (excellent, good, regular, bad and very bad). Afterward

the samples had been submitted to a Data Mining Software, eight algorithms of

classification had been used for development of automatized rules evaluation. In the

obtained classifications, the algorithms PART, JRIP and OneR with levels of rightness

between 37.7 and 74.5 % had been distinguished, revealing to a possible contribution

of the techniques evaluated for the sintetization and interpretation of data gifts in

databases of quality of the water.

Key words: data mining, quality of the water, environmental checking, data base.

1- INTRODUÇÃO

A água é um bem que não se produz, é um recurso que a natureza recicla através do

seu ciclo hidrológico. Observa-se que a medida que as regiões se desenvolvem, mais

intenso é o uso dos recursos hídricos, maior o potencial de conflitos entre usos e

maiores os riscos de degradação da qualidade dos corpos d’água. Assim a

preocupação com a água é crescente, ela precisa ser gerida como um bem escasso, de

alto valor econômico, não só nos seus aspectos quantitativos, mas, principalmente

em relação a sua qualidade, causando prejuízos e restrições nos seus usos múltiplos.

Os problemas relativos a qualidade da água envolvem um espectro bastante amplo

dentro das áreas de estudo hidroambiental e na determinação das potenciais fontes de

contaminação resultantes de: disposições inadequadas de resíduos sólidos e líquidos,

de natureza doméstica e industrial, alterações provocadas por empreendimento para

geração de energia, resfriamento de águas de termoelétricas, agricultura e criação de

animais. Todas essas ações de origem antrópica que ocorrem na bacia causam

impactos que se inter-relacionam com os processos naturais que ocorrem na bacia.

A questão da qualidade ganhou evidência com a sanção da Lei Federal N° 9.433, de

8 de janeiro de 1997, que instituiu a Política Nacional de Recursos Hídricos, tendo

como um dos seus fundamentos gerir tais recursos, proporcionando uso múltiplo, em

consonância com objetivos que assegurem a atual e as futuras gerações a necessária

disponibilidade de água, em padrões de qualidade adequados aos respectivos usos.

Isto demonstra a preocupação com a integração da gestão dos aspectos de qualidade

e quantidade, onde uma das ações principais é a “integração da gestão de recursos

hídricos com a gestão ambiental”.

O CONSELHO NACIONAL DO MEIO AMBIENTE-CONAMA N° 357, de 17 de

março de 2005, dispõe sobre a classificação dos corpos d’água e diretrizes

ambientais para o seu enquadramento, bem como estabelece as condições e padrões

de lançamento de efluentes , e dá outras providências. Segundo o CONAMA 357 as

águas são tratadas como: águas doces, águas salobras, águas salinas, ambiente lêntico

e ambiente lótico. As águas doces, salobras e salinas do Território Nacional são

classificadas, segundo a qualidade requerida para os seus usos preponderantes, em

treze classes de qualidade. As águas doces, objeto do nosso estudo de caso na Bacia

do Rio Cuiabá, podem ser classificadas em: classe especial, classe 1, classe 2, classe

3 e classe 4. O rio Cuiabá, é classificado como um rio de classe 2, onde suas águas

podem ser destinadas:

• Ao abastecimento para consumo humano, após tratamento

convencional;

• A proteção de comunidades aquáticas;

• A recreação de contato primário, tais como natação, esqui aquático e

mergulho, conforme Resolução CONAMA 274, de 2000;

• A irrigação de hortaliças, plantas frutíferas e de parques, jardins,

campos de esporte e lazer, com os quais o público possa vir a ter contato

direto; e,

• A aqüicultura e `a atividade de pesca.

Os padrões de qualidade das águas determinados nesta Resolução estabelecem

limites individuais para cada substância. O conjunto de parâmetros de qualidade de

água selecionado para subsidiar a proposta de enquadramento deverá ser monitorado

periodicamente pelo Poder Público.

Sendo o enquadramento de um manancial nas classes do CONAMA 357/2005

comumente um ato estático, persiste a necessidade de se criar instrumentos para

avaliar a evolução da qualidade das águas. Neste contexto, este trabalho propõe a

descoberta de conhecimento para avaliação das condições atuais de qualidade da

água dos mananciais da bacia do Rio Cuiabá, em sua grande maioria enquadrada na

classe 2 do CONAMA, visando o estabelecimento de critérios mais restritivos para

os usos dos recursos hídricos na bacia do rio Cuiabá.

Para monitorar a qualidade das bacias hidrográficas, universidades e órgãos

governamentais mantém registros das coletas realizadas in loco em bancos de dados.

Normalmente estes registros indicam o trecho do rio onde foi feita determinada

coleta, o mês e o ano da coleta, os elementos químicos, físico-químicos e biológicos

presentes e suas respectivas concentrações. O volume de dados armazenados nessas

bases cresce rapidamente, elas contêm informações valiosas, porém, a recuperação

dessas informações não é de forma direta, muita informação e conhecimento úteis

podem estar sendo desperdiçados, ficando ocultos dentro das bases de dados.

Usualmente, estas informações não estão disponíveis devido a falta de ferramentas

adequadas para sua extração, associada a limitação humana de analisar extensas

bases de dados e extrair relações entre elas.

Assim o aumento no volume das bases de dados de monitoramento ambiental

associado a demanda crescente por conhecimento novo, voltado a decisões

estratégicas, tem provocado o interesse crescente em descobrir conhecimentos

relevantes nessas bases de dados, especialmente em bases de monitoramento

ambiental

Neste contexto, a descoberta de conhecimento em bases de dados de monitoramento

ambiental, utilizando técnicas de Data Mining, para avaliar a qualidade da água pode

ser uma ferramenta importante para o processo de tomada de decisão realizados por

órgãos e gestores de recursos hídricos na avaliação qualitativa dos mesmos. Este

processo de “busca” de conhecimento implícito em bases de dados é uma área da

Inteligência Artificial, chamada de KDD (Descoberta de Conhecimento em Bases de

Dados). KDD pode ser visto ainda como o processo da descoberta de novas

correlações, padrões e tendências significativas por meio da análise minuciosa de

grandes conjuntos de dados. É um processo genérico de descoberta de conhecimento

que inclui três fases: pré-processamento, mineração de dados e pós-processamento

do conhecimento obtido. A mineração de dados (Data Mining) é a principal fase do

processo de KDD, pode ser usada sob vários segmentos que armazenam

informações, aplicando algoritmos nesses segmentos. As ferramentas de Data Mining

identificam todas as correlações existentes nessas fontes de dados, assim é possível

extrair o conhecimento sucinto e com maior facilidade para subsidiar a tomada de

decisão.

Considerando que o objetivo deste trabalho é a descoberta de conhecimento não

trivial em bases de dados de monitoramento ambiental para avaliação da qualidade

da água, este trabalho tem a intenção de realizar:

• Um estudo sobre o processo de descoberta de conhecimento (KDD) em

bases de dados, especificamente as de monitoramento ambiental;

• Acessar padrões dos dados de uma base de Monitoramento Ambiental –

SIBAC (Sistema Integrado de Monitoramento Ambiental da Bacia do Rio

Cuiabá) utilizando técnicas de mineração de dados para descobrir

conhecimento dos níveis de qualidade da água, no contexto de seus possíveis

usos. Explicitar este conhecimento através de modelos de regras de

classificação e previsão destes padrões na Bacia do rio Cuiabá.

• Avaliar o desempenho de diversos algoritmos de classificação presentes no

software Weka para o problema em estudo, visando uma futura utilização

destes em um Sistema Especialista para avaliação automatizada da base de

dados SIBAC e de saídas de modelos de qualidade de água.

Assim, o propósito deste trabalho é responder a seguinte questão: Como extrair o

conhecimento implícito em bases de dados de monitoramento ambiental e com isto

melhorar o processo de tomada de decisão para avaliação qualitativa da gestão de

recursos hídricos?

2- REVISÃO DE LITERATURA

2.1- A ÁGUA

NALINI (2003) diz que o mais valioso recurso natural da humanidade é a água, sem

ela não há vida.

O conjunto das atividades humanas cada vez mais diversificado,

associado ao crescimento demográfico, vem exigindo atenção

maior às necessidades de uso de água para as mais diversas

finalidades. Essas necessidades cobram seus tributos tanto em

termos quantitativos como qualitativos, e se evidenciam

principalmente em regiões com características de maior

desenvolvimento urbano, industrial e agrícola .(PHILLIPI JR apud

MANCUSO & SANTOS, 2003).

O Brasil detém 8% das reservas de água doce de todo o planeta.

De toda a água da Terra, só 0,2% pode ser aproveitada. 97,3%

da água concentra-se nos oceanos, 2,07% nas geleiras e calotas

polares e somente 0,63% de água doce, própria para o uso. No

Brasil 80% da água disponível está na Bacia Amazônica, onde

vivem apenas 7% da população. Os 20% restantes distribuem-se

desigualmente pelo país, segundo dados de 1997 do CPRM -

Serviço Geológico do Brasil. A região Sudeste é aquela em que os

rios se encontram mais comprometidos. Enquanto que de 92 a

95% das casas do país recebem água potável, apenas 35% delas

possuem coleta de esgotos. Pior ainda, 16% dos dejetos das zonas

urbanas são tratados. Os outros 84% são despejados diretamente

nos rios.(NALINI, 2003)

A falta d’agua tornará o produto mais valioso, suas taxas consequentemente serão

aumentadas e a disponibilidade do produto será controlada. Hoje cobra-se pelo

tratamento, encanamento, ou seja pelos serviços que a companhia de saneamento

presta a população. As tarifas são até irrisórias se pensarmos na raridade do bem e

nos problemas que estamos enfrentando. Muito em breve teremos a água sendo

cobrada como bem econômico justamente pela escassez do produto.

Cobrar pela água in natura não eliminará o problema. Mas o

atenuará. Em seguida virá a legislação impondo a obrigatoriedade

de equipamentos que disciplinem a vazão máxima para as casas e

empresas. Depois, normas para a utilização de eletrodomésticos,

aparelhos hidráulicos e encanamentos de controle no fornecimento

e de vazão intermitente, ou reduzida. Planos para reutilização da

água e para o seu uso racional, (NALINI,2003).

Segundo a Unicef (Fundo das Nações Unidas para a Infância), menos da metade da

população mundial tem acesso à água potável. A irrigação corresponde a 73% do

consumo de água, 21% vai para a indústria e apenas 6% destina-se ao consumo

doméstico. Um bilhão e 200 milhões de pessoas (35% da população mundial) não

têm acesso a água tratada. Um bilhão e oitocentos milhões de pessoas (43% da

população mundial) não contam com serviços adequados de saneamento básico, ou

seja, são dez milhões de pessoas que morrem anualmente em decorrência de doenças

intestinais transmitidas pela água.

De acordo com a Política Nacional de Recursos Hídricos instituída pela Lei n° 9.433

de 08.01.97, o intuito da cobrança pela utilização dos recursos hídricos é reconhecer

a água como bem econômico e dar ao usuário uma indicação de seu real valor. Além

disso, o propósito é incentivar o uso racional e sustentável da água e obter recursos

financeiros para o financiamento dos programas e intervenções contemplados nos

planos de recursos hídricos. A fixação dos valores a serem cobrados pela utilização

dos recursos hídricos considerará três fases: a captação, a extração e derivação, a

diluição, transporte e assimilação de efluentes e outros usos que alterem o regime, a

quantidade ou a qualidade da água existente em um corpo d’água.

Portanto o uso da água como bem econômico deverá ser controlado por um

instrumento jurídico que discipline seu uso e manutenção para garantir o consumo

das populações e outras atividades econômicas.

2.2- ASPECTOS INSTITUCIONAIS DE GERENCIAMENTO DE

RECURSOS HÍDRICOS

A Lei Federal 9.433, de 08.01.97, institui a Política Nacional de Recursos Hídricos,

cria o Sistema Nacional de Gerenciamento de Recursos Hídricos, regulamenta o

inciso XIX do art. 21 da Constituição Federal.

A Política Nacional de Recursos Hídricos baseia-se nos seguintes

fundamentos: a água é um bem de domínio publico; a água é um

recurso natural limitado, dotado de valor econômico; em situações

de escassez, o uso prioritário dos recursos hídricos e o consumo

humano e a dessedentação de animais; a gestão de recursos

hídricos deve sempre proporcionar o uso múltiplo das águas; a

bacia hidrográfica e a unidade territorial para a implementação

da Política Nacional de Recursos Hídricos e a atuação do Sistema

Nacional de Gerenciamento de Recursos Hídricos; a gestão de

recursos hídricos deve ser descentralizada e contar com a

participação do Poder Publico, dos usuários e das

comunidades.(REBOUÇAS et al.,1999)

Também estabelece as seguintes diretrizes gerais de ação: a gestão sistemática de

recursos hídricos, sem dissociação dos aspectos de qualidade e quantidade; a

adequação da gestão de recursos hídricos as diversidades físicas, bióticas,

demográficas, econômicas, sociais e culturais das diversas regiões do Pais; a

integração da gestão de recursos hídricos com a gestão ambiental; a articulação do

planejamento de recursos hídricos com o dos setores usuários e com os

planejamentos regional, estadual e nacional; a articulação da gestão de recursos

hídricos com a do uso do solo; a integração da gestão das bacias hidrográficas com a

dos sistemas estuarinos e zonas costeiras.

Possui como instrumentos: os Planos de Recursos Hídricos; o enquadramento dos

corpos de água em classes, segundo os usos preponderantes da água; a outorga dos

direitos de uso de recursos hídricos; a cobrança pelo uso de recursos hídricos; a

compensação a municípios e o Sistema de Informações sobre recursos hídricos.

Outorga de direito de uso de recursos hídricos é o ato administrativo mediante o qual

o poder público outorgante faculta ao outorgado o uso de determinado recurso

hídrico, e por prazo determinado, nos termos e nas condições expressas no ato de

outorga. Prevista na Lei 9.433/97 como um dos instrumentos da Política Nacional de

Recursos Hídricos com o objetivo de assegurar o controle quantitativo e qualitativo

da água e o efetivo exercício dos direitos de acesso a este bem.

Conforme a Política Nacional de Recursos Hídricos estão sujeitos a outorga pelo

Poder Público os direitos dos seguintes usos de recursos hídricos: derivação ou

captação de parcela da água existente em um corpo de água para consumo final,

inclusive abastecimento público, ou insumo de processo produtivo; extração de água

de aqüífero subterrâneo para consumo final ou insumo de processo produtivo;

lançamento em corpo d’água de esgotos e demais resíduos líquidos ou gasosos,

tratados ou não, com fim de sua diluição, transporte ou disposição final;

aproveitamento dos potenciais hidrelétricos; outros usos que alterem o regime, a

quantidade ou a qualidade da água existente em um corpo de água.

Conforme HORA (2001), embora a Lei n° 9.433/97 reconheça a outorga como um

instrumento de controle na distribuição de recursos hídricos de competência do Poder

Público, estabeleceu alguns quesitos que tornam esse controle participativo, isso para

levar em consideração aspectos tradicionais e valores culturais das comunidades que

utilizam a bacia. Assim, as prioridades de uso na concessão da outorga, serão

definidas pelos Planos de Recursos Hídricos aprovados pelos comitês de Bacias

Hidrográficas. Fica estabelecida também ao Conselho Nacional de Recursos Hídricos

a competência para estabelecer diretrizes gerais para este instrumento de gestão.

No Estado de Mato Grosso foi instalado o Conselho Estadual de Recursos Hídricos -

CEHIDRO em 06 de marco de 2002, através do decreto de regulamentação n° 3.952.

Atualmente, o instrumento de gestão de recursos hídricos "Outorga de Direitos de

Uso da Água" está em fase inicial no Estado. Para tanto, foram publicados no DOE

do dia 06/06/07 o Decreto n° 336 que regulamenta a outorga de direitos de uso dos

recursos hídricos. A Resolução n° 12 do CEHIDRO é que estabelece critérios

técnicos para outorga de captações de águas superficiais de domínio do Estado e a

Portaria n° 04 dispõe sobre os procedimentos para tal. Além disso, estuda-se qual a

UPG (Unidade de Planejamento e Gerenciamento de Bacia) que dará início a

emissão da Outorga, com excessão da outorga para geração de energia hidrelétrica (a

qual necessita da solicitação do pedido de outorga, independente da UPG). Com

relação ao Plano Estadual de Bacias neste estado, atualmente está em fase de

discussão e apresentação para a sociedade do Diagnóstico realizado.

Segundo PROENÇA et al.(2004), outro instrumento de gerenciamento de recursos

hídricos da Lei n. 9.433/97 é a implementação do enquadramento dos corpos de

água em classes, isso demanda o conhecimento da qualidade das águas a serem

geridas e das influências ambientais e antrópicas que possam alterá-la. Dessa forma

é possível a utilização das normas de qualidade das águas, garantindo os padrões

para os usos múltiplos desejados pela comunidade, preservando os aspectos

qualitativos para a vida aquática e demais usos.

Assim a medida que as regiões crescem e se desenvolvem, maior é o uso dos

recursos hídricos, maiores são os conflitos e riscos ambientais da qualidade dos

corpos d’ água.

2.3- FONTES DE POLUIÇÃO DA ÁGUA

REBOUÇAS et al.(1999) diz que a qualidade dos corpos dágua dependem dos

ambientes naturais e antrópicos de onde se originam, circulam , percolam ou ficam

estocadas. Os principais problemas de escassez de água que ameaçam a

sobrevivência das populações e da vida na Terra, são causados pelo crescimento

desordenado das demandas e pelos processos de degradação da qualidade dos corpos

d’água, atingindo valores nunca imaginados, a partir da década de 50.

Segundo LIMA (2001), os conceitos de qualidade e poluição estão interligados. A

poluição decorre de uma mudança na qualidade física, química, radiológica ou

biológica do ar, água ou solo causada pelo homem ou por outra atividade que pode

ser prejudicial ao uso do recurso.

HOLT apud LIMA (2001) diz que a industrialização e urbanização, juntamente com

a intensificação das atividades agrícolas, têm resultado no aumento da demanda pela

água. Em conseqüência disto também aumentam a contribuição de contaminantes

nos corpos d’água. As maiores rotas de contaminação são ocasionadas por emissões

diretas e indiretas dos esgotos tratados e não-tratados (produtos tóxicos e metais

pesados), escoamento e deposição atmosférica e por lixiviação do solo.

LIMA (2001) diz que as variedades de poluentes lançados nos corpos d’água podem

ser agrupadas em duas classes:pontual e difusa. Os resíduos domésticos e industriais

constituem o grupo das fontes pontuais por se restringirem a um simples ponto de

lançamento, facilitando o sistema de coleta através de canais ou rede. Em geral a

fonte de poluição pontual pode ser reduzida através tratamento apropriado para

posterior lançamento. A poluição difusa, caracteriza-se por apresentar múltiplos

pontos de descarga resultantes do escoamento em áreas urbanas e ou agrícolas e

ocorrem durante os períodos de chuva, atingindo concentrações bastante elevadas

dos poluentes. A redução dessas fontes requer mudanças nas práticas de uso da terra

e na melhoria de programas de educação ambiental.

Assim, o índice de poluição não é determinado pela intensidade dos poluentes, mas

pela capacidade de assimilação dos corpos d’ água.

2.4- PADRÕES AMBIENTAIS E VARIÁVEIS DA QUALIDADE

DA ÁGUA

Segundo a Organização Mundial da Saúde-OMS, água potável é aquela que

apresenta aspecto límpido e transparente, não apresenta cheiro ou gosto objetáveis,

não contém nenhum tipo de microrganismo que possa causar doença; e não contém

nenhuma substância em concentrações que possam causar qualquer prejuízo a saúde

(padrão de potabilidade para as águas destinadas ao abastecimento humano).

No Brasil, o uso da água doce para consumo humano está sujeito a fatores

específicos de qualidade que são definidos pelos Padrões de Potabilidade. Os

Padrões de Potabilidade são definidos pelo Ministério da Saúde (BRASIL,2000),

através da Portaria n.518 de 26/03/2004. Esses valores são valores máximos

permitidos (VMP) de concentração para uma série de substâncias e componentes

presentes na água.

Segundo BLUM apud MANCUSO & SANTOS (2003) o fato de estabelecer a

qualidade da água a seu uso visa simplificar e tornar mais objetiva a avaliação, mas

tem limitações que devem ser consideradas. Por exemplo, quando se trata de avaliar

a qualidade de uma água para consumo humano, deve-se levar em conta que não são

ainda suficientemente conhecidos os efeitos sobre a saúde provocados pela presença

de várias substâncias químicas, especialmente compostos orgânicos sintéticos. Ou

seja, não se dispõe de padrões de potabilidade para todos os possíveis constituintes

de uma água. Além disso, não se conhecem suficientemente os efeitos da associação

de duas ou mais substâncias (efeitos sinérgicos), nem estão definidos métodos de

análise para identificação e quantificação de outras.

Conforme NASCIMENTO (1998) os padrões são utilizados para a proteção da

qualidade da água, de forma a assegurar seus usos previstos. A ABNT (NBR

9896/87) preconiza que os padrões de qualidade são constituídos por um conjunto de

parâmetros e respectivos limites, e são estabelecidos com base em critérios

científicos que avaliam risco para um dado indivíduo e o dano causado pela

exposição a uma dose de determinado poluente. Um critério científico é uma

quantidade limite fixada para um determinado parâmetro que, estando dentro dos

limites máximos (ou mínimos), conforme a natureza do constituinte, protegerá os

usos desejados para um determinado corpo d’agua, dentro de um grau de segurança.

Assim REBOUÇAS et al. (1999) diz que a escassez quantitativa é um fator limitante

ao desenvolvimento, enquanto que a qualitativa traz problemas sérios a saúde

pública, `a economia e ao meio ambiente. Da mesma forma os métodos sofisticados

de tratamento podem criar problemas complexos que afetam a qualidade do ambiente

e a saúde pública.

A Legislação Brasileira também estabelece padrões de qualidade para águas

superficiais, através do CONAMA n°357 de 17 de março de 2005 .

De acordo com REBOUÇAS et al.(1999) na avaliação da qualidade da água

considera-se a composição de uma amostra que são constituídas por características

químicas, microbiológicas e físicas, observando limites estabelecidos pela Resolução

CONAMA n°357 de 17 de março de 2005 e o respectivo objetivo.

O enquadramento nas classes da CONAMA, entretanto é estático, precisa de uma

avaliação constante. No estado de Pernambuco criou-se, por exemplo, um sistema de

avaliação periódico. A Agência Estadual de Meio Ambiente e Recursos Hídricos do

Estado de Pernambuco- CPRH, considerando a real situação das águas nas estações

monitoradas, e a classificação das águas interiores segundo os usos preponderantes,

estabelecida no Decreto Estadual 7.269/81, adota, na determinação da qualidade dos

corpos d’ água, a classificação constante do Quadro 1 .

Quadro 1-Avaliação da qualidade das águas de modo a atender seu uso mais

restritivo dentro da classe

CLASSIFICAÇÃO DESCRIÇÃO

Não comprometida Enquadram-se, nesta categoria, os corpos de água que apresentam

condições de qualidade de água compatíveis com os limites

estabelecidos para a classe especial das águas doces, salinas e

salobras e classe 1 das águas doces (Resolução CONAMA n°

357/05). Estes corpos d’água apresentam qualidade da água ótima,

com níveis desprezíveis de poluição.

Pouco comprometida Enquadram-se, nesta categoria, os corpos de água que apresentam

condições de qualidade de água compatíveis com os limites

estabelecidos para a classe 2 das águas doces e a classe 1 das águas

salinas e salobras (Resolução CONAMA n° 357/05). Estes corpos

d’água apresentam qualidade da água boa, com níveis baixos de

poluição.

Moderadamente

comprometida

Enquadram-se, nesta categoria, os corpos de água que apresentam

condições de qualidade de água compatíveis com os limites para a

classe 3 das águas doces e a classe 2 das águas salinas e salobras

(Resolução CONAMA n° 357/05). Estes corpos d’água apresentam

qualidade da água regular, com níveis aceitáveis de poluição.

Poluída Enquadram-se, nesta categoria, os corpos de água que apresentam

condições de qualidade de água compatíveis com os limites

estabelecidos para a classe 4 das águas doces e a classe 3 das águas

salinas e salobras (Resolução CONAMA n° 357/05). Estes corpos

d’água apresentam qualidade da água ruim, com poluição acima dos

limites aceitáveis.

Muito Poluída Enquadram-se, nesta categoria, os corpos de água que não se

enquadram em nenhuma das classes acima estabelecida. Estes corpos

d’água apresentam qualidade da água péssima, com poluição muito

elevada.

Não Monitorada

Fonte: www.cprh.pe.gov.br

Observa-se que um trecho da bacia hidrográfica com 1005 Mg/L de Coliformes

Termotolerantes em 80% de 6 amostras e outro com 4.000 Mg/L Coliformes

Termotolerantes em 80% de 6 amostras, pertencem a mesma classe 3, segundo a

Resolução CONAMA 357, e verifica-se que os investimentos para recuperar esses

trechos são financeiramente diferentes. Assim percebe-se que o CONAMA 357/05

generaliza os casos dentro de suas classes pela própria característica estática que

possui, um nível de detalhamento na qualidade para estabelecer avaliações periódicas

e o estado de qualidade atual do corpo hídrico pode ser uma alternativa viável, como

mostra o exemplo adotado pela CPRH (Quadro 1).

2.4.1 - Variáveis da Qualidade da Água

O levantamento de qualquer sistema ambiental depende fundamentalmente da

escolha dos parâmetros representativos de seu “status” por ocasião do momento da

amostragem. Esses parâmetros e seus padrões de qualidade da água só têm sentido

se são determinados em função dos seus usos preponderantes atuais e futuros.

Assim, neste item falaremos dos parâmetros utilizados para avaliar qualidade da água

e seus limites estabelecidos pela Resolução CONAMA N° 357 (fixa valores de

diferentes classes para um corpo receptor). Em seguida, faremos uma exposição das

variáveis físico-químicas e biológicas para identificar a qualidade da água utilizadas

neste estudo, são elas: Turbidez, OD, DBO, DQO, NTK, P, pH, Sólidos Dissolvidos

Totais, Coliformes (Termotolerantes e Eschrichia Coli).

2.4.1.1- pH

O termo pH (potencial hidrogeniônico) é usado universalmente para expressar o grau

de acidez ou basicidade de uma solução, ou seja, é o modo de expressar a

concentração de íons de hidrogênio nessa solução. A escala de pH é constituída de

uma série de números variando de 0 a 14, os quais denotam vários graus de acidez ou

alcalinidade. Valores abaixo de 7 e próximos de zero indicam aumento de acidez,

enquanto valores de 7 a 14 indicam aumento da basicidade. Para ESTEVES (1998)

as medidas de pH são de extrema utilidade e complexas de se interpretar pelo grande

número de fatores que podem influenciá-lo. Às águas superficiais possuem um pH

entre 4 e 9. Naturalmente, nesses casos, o pH reflete o tipo de solo por onde a água

percorre. Em lagoas com grande população de algas, nos dias ensolarados, o pH pode

subir muito, chegando a 9 ou até mais. Isso porque as algas, ao realizarem

fotossíntese, retiram muito gás carbônico, que é a principal fonte natural de acidez da

água. Geralmente um pH muito ácido ou muito alcalino está associado à presença de

despejos industriais.

2.4.1.2- Oxigênio dissolvido

BRANCO (1986) diz que a determinação do oxigênio dissolvido é de fundamental

importância para avaliar as condições naturais da água e detectar impactos

ambientais como eutrofização e poluição orgânica. Do ponto de vista ecológico, o

oxigênio dissolvido é uma variável extremamente importante, pois é necessário para

a respiração da maioria dos organismos que habitam o meio aquático. Geralmente o

oxigênio dissolvido se reduz ou desaparece, quando a água recebe grandes

quantidades de substâncias orgânicas biodegradáveis encontradas, por exemplo, no

esgoto doméstico, em certos resíduos industriais, vinhoto, e outros. Os resíduos

orgânicos despejados nos corpos d’água são decompostos por microorganismos que

se utilizam do oxigênio na respiração. A morte de peixes em rios poluídos se deve,

portanto, à ausência de oxigênio e não à presença de substâncias tóxicas. Na

ausência de oxigênio temos a geração de maus odores.

2.4.1.3- Demanda bioquímica do oxigênio (DBO) e demanda química do oxigênio

(DQO)

LIMA (2001) diz que a Demanda Bioquímica de Oxigênio (DBO), exprime o valor

da poluição produzida por matéria orgânica oxidável biologicamente, corresponde à

quantidade de oxigênio que é consumida pelos microorganismos do esgoto ou águas

poluídas, na oxidação biológica, a DBO5 é convencionalmente usada, considera a

medida de 5 dias, incubada a 20 graus de temperatura associada a fração

biodegradável dos componentes carbonáceos. Essa demanda pode ser

suficientemente grande, para consumir todo o oxigênio dissolvido da água, o que

condiciona a morte de todos os organismos aeróbios de respiração subaquática. O

teste de Demanda Química de Oxigênio (DQO) é a medida da quantidade de

oxigênio consumido pela oxidação química de substâncias orgânicas presentes na

águas (SPERLING,1996).

2.4.1.4 - Sólidos

É o material particulado não dissolvido, encontrado suspenso no corpo d’água,

composto por substâncias inorgânicas e orgânicas, incluindo-se aí os organismos

planctônicos (fito e zooplâncton). Sua principal influência é na diminuição na

transparência da água, impedindo a penetração da luz. BRANCO (1986) afirma que

todos os contaminantes com exceção dos gases dissolvidos contribuem para a carga

de sólidos, os que possuem características físicas(suspensos e dissolvidos) e

químicas(orgânicos e inorgânicos). O mesmo autor ainda complementa que os

sólidos voláteis representam uma estimativa orgânica nos sólidos, ao passo que os

sólidos fixos caracterizam a presença de matéria inorgânica ou mineral.

2.4.1.5 - Compostos de Nitrogênio

As águas naturais, em geral, contêm nitratos em solução e, além disso,

principalmente tratando-se de águas que recebem esgotos, podem conter quantidades

variáveis de compostos mais complexos, ou menos oxidados, tais como: compostos

orgânicos quaternários, amônia e nitritos. Em geral, a presença destes denuncia a

existência de poluição recente, uma vez que essas substâncias são oxidadas

rapidamente na água, graças principalmente à presença de bactérias nitrificantes.

MOTA (1995) diz que o nitrogênio orgânico e amônia estão associados a efluentes e

águas recém-poluídas. Com o passar do tempo, o nitrogênio orgânico é convertido

em nitrogênio amoniacal e, posteriormente, se possuem condições aeróbias , a

oxidação da amônia acontece transformando nitrito em nitrato, indicadores de estágio

de poluição remota.

2.4.1.6 - Fósforo

Apresenta-se na água nas formas orgânica e inorgânica, na forma natural (tais como

dissolução de compostos do solo e decomposição da matéria orgânica) e de origem

antropogênica (despejos domésticos, esgotos, detergentes, inseticidas fertilizantes).

FEITOSA et al. (1997) dizem que devido a ação de microrganismos, a concentração

de fósforo pode ser baixa em águas com menor índice de poluição (< que 0,5mg/l) e

em águas poluídas valores acima de 1,0 mg/l. Os compostos de fósforo são um dos

fatores limitantes à vida dos organismos aquáticos e o seu controle, em um corpo

d’água, é de importância fundamental no controle ecológico das algas.

2.4.1.7 – Coliformes

Conforme CANHAMERO (2006), a qualidade de uma água de abastecimento é

avaliada usando organismos indicadores. A probabilidade de existência das doenças

na água passadas a ela por fezes do indivíduos doentes, se faz por contagem de

microorganismos não patogênicos, produzidos em grande numero no intestino, sendo

uma referência(um indicador). Os organismos usados como referência pertencem a

um grupo de bactérias chamados Coliformes dividido em três sub-grupos:

coliformes totais, coliformes fecais e estreptococos fecais. De acordo com o

mesmo autor, os Coliformes Totais (CT) reúnem um grande número de bactérias,

entre elas a Eschrichia Coli

, de origem exclusivamente fecal e que dificilmente se

multiplica fora do trato intestinal. O problema é que outras bactérias dos gêneros

Citrobacter, Eriterobacter e Klebsiella, igualmente identificadas pelas técnicas

laboratoriais como coliformes totais, podem existir no solo e nos vegetais. Desta

forma, não é possível afirmar categoricamente que uma amostra de água com

resultado positivo para coliformes totais tenha entrado em contato com fezes. Os

Coliformes Fecais pertencem a esse subgrupo os microorganismos que aparecem

exclusivamente no trato intestinal. Em laboratório, a diferença entre coliformes totais

e fecais é feita através da temperatura (os coliformes fecais continuam vivos mesmo

a 44ºC, enquanto os coliformes totais têm crescimento a 35ºC). Sua identificação na

No CONAMA 357/2005 Coliforme Total é referenciada como Eschrichia Coli

água permite afirmar que houve presença de matéria fecal, embora não

exclusivamente humana.

BRANCO (1986) enfatiza que a presença de coliformes na água indica a presença de

fezes e, portanto, a potencialidade da veiculação de seres patogênicos.

2.4.1.8- Turbidez

LIMA (2001) afirma que a presença de partículas em suspensão, que causam a

turbidez, ou de substâncias em solução, relativas `a cor, pode concorrer para o

agravamento da poluição. A turbidez limita a penetração de raios solares,

restringindo a realização da fotossíntese que, por sua vez, reduz a reposição do

oxigênio.

2.5- TOMADA DE DECISÃO E DESCOBERTA DE

CONHECIMENTO (KDD) EM BASES DE DADOS

A capacidade de um indivíduo ou empresa de tomar decisões é frequentemente

associada ao conhecimento que ela possui. Um dos problemas dos analistas de

informação é a transformação de dados em informação relevante para a tomada de

decisão. Através de técnicas para exploração de dados, pode-se desenvolver

aplicações que venham a extrair, das bases de dados de empresas e instituições

acadêmicas, informações críticas, com o objetivo de subsidiar o processo decisório

de uma organização.

REZENDE (2003) diz que os conceitos de dados, informação e conhecimento estão

relacionados entre si. Antes de estabelecer a ligação desses conceitos com as

tecnologias utilizadas para seu registro e armazenamento, é preciso descrever a

distinção entre dado, informação e conhecimento .

MOTTA (2004) diz que os dados são elementos puros, quantificáveis sobre

determinado evento; a informação é um contexto, uma referência, um parâmetro para

analisar dados e o conhecimento é a habilidade de se criar um modelo mental que

descreva o evento e indique as decisões a tomar (permitindo a compreensão, análise

e síntese para a tomada de decisão inteligente).

Para REZENDE (2003) dado além de ser um elemento puro, quantificável sobre um

determinado evento, são fatos, números, texto ou qualquer outra mídia que possa ser

processada pelo computador. A informação é o dado analisado e contextualizado,

envolve a interpretação de um conjunto de dados, é constituída por padrões,

associações ou relações que todos os dados juntos podem proporcionar. Esta pode

gerar conhecimento que auxilie na análise de padrões históricos para conseguir uma

previsão de dados futuros. Uma decisão é o uso explícito de um conhecimento.

Segundo NAVEGA (2002), podemos identificar vários níveis de informação em

função da capacidade de entendimento desses conceitos, Figura 1. Assim, a

tradicional pirâmide da informação mostra um aumento do valor da informação ao

subir de nível, `a medida em que aumenta o grau de conhecimento sobre a relação

dos dados.

Figura 1- Valor potencial da informação (Fonte: www.inteliiwise.com/navega)

Quanto maior o grau de abstração da informação, ou seja, maior o conhecimento

dessa relação, melhor o processo de tomada de decisão.

As empresas e instituições acadêmicas interagem com o meio ambiente a todo o

momento. Essa interação tem gerado grandes volumes de dados que são

armazenados em suas bases de dados e podem auxiliar na tomada de decisão.

Na Figura 2 podemos verificar a tradução da Figura 1 para a base de dados de uma

empresa. Em geral, o valor da informação nas bases de dados, para apoiar a tomada

de decisão, aumenta a partir da base da pirâmide. Uma decisão baseada em dados nas

camadas mais baixas (nível operacional), onde há tipicamente milhões de registros

de dados ainda não-estruturados, não possui valor de conhecimento, pois tem-se

pouco entendimento sobre eles. Já a decisão apoiada em dados altamente resumidos

nas camadas superiores da pirâmide, onde já passaram por ferramentas de

organização e estruturação da informação, tem probabilidade de alto valor estratégico

para tomada de decisão nas empresas. Assim, como mostra a Figura 2, o processo de

tomada de decisão é fundamentado nos níveis tático (gerencial) e estratégico

(direção), onde os dados passaram por técnicas de descoberta de conhecimento,

descobrindo novos conceitos e relações entre eles e com isto facilitando o processo

decisório.

Figura 2- Evolução do valor estratégico das bases de dados (Cabena et al & Tyson apud

Quoniam)

Esse processo de transformação de dados em conhecimento em bases de dados, para

melhorar o processo decisório utiliza-se da técnica de data mining (principal fase do

processo de descoberta de conhecimento), que localiza padrões de informação em

bases de dados através do processo de generalização ou indução, descobrindo novos

conhecimentos em bases de dados. As ferramentas de Data Mining identificam todas

as possibilidades de correlações existentes nas fontes de dados sendo portanto uma

fase do processo de descoberta de conhecimento.

2.5.1– Sistemas Inteligentes

Entende-se como inteligente um sistema computacional que obtém e usa o

conhecimento para resolver problemas. Sistemas Inteligentes têm aplicação nos mais

diversos setores, incluindo: energético, econômico/comercial, seguros,

telecomunicações, mercado de capitais, industrial, meio-ambiente e medicina.

De acordo com MOTTA (2005) a obtenção e a utilização do conhecimento são

realizadas através de um sistema inteligente ou de um ser humano como forma de

apoio a tomada de decisão.

Segundo MOTTA (2005) a cronologia da era do conhecimento obedece ao Quadro

02.

Quadro 2 - Cronologia da era do conhecimento

ÉPOCA VALOR DESAFIO

Até 80 Dado Sistemas de

processamento de dados

Entre décadas de 80 e 90 Informação Sistemas de informação

Atualmente Conhecimento

Sistemas inteligentes

O Quadro 2 mostra que até os anos 80 preocupava-se somente com o armazenamento

de dados e com a extração eficiente dos mesmos. Segundo BARRETO (1999), nos

anos 60, acreditava-se que os computadores eram enciclopédias ambulantes, nesta

época desenvolveram-se o conceito de bases de dados, o computador servia apenas

para memorizar e extrair dados. Entre os anos 80 e 90, segundo REZENDE (2003),

o desafio foi migrar os dados para as informações através dos Sistemas de

Informação que tinham por objetivo a análise e organização da informação para

melhorar o processo de tomada de decisão. A partir dos anos 90 o desafio era criar

sistemas que pudessem representar e processar conhecimento em resposta `as muitas

necessidades dos indivíduos. Assim, atualmente busca-se o desenvolvimento de

sistemas inteligentes para auxiliar gestores na difícil tarefa de decidir.

BARRETO (1999) diz que Sistema de Informação e Inteligência Artificial são

tópicos intimamente ligados. SI é um problema que engloba aquisição,

armazenamento e recuperação da informação. IA é uma metodologia de resolver

problemas em geral, cuja solução requeira inteligência. Assim a junção das duas

áreas é perfeita se a aquisição, armazenamento e recuperação da informação

caracterizar o uso de inteligência.

Através de técnicas específicas, os computadores além de armazenar e recuperar

informações, combinam dados e geram novos conhecimentos. Este fato faz o

computador comportar-se como inteligente, ou seja, ele tem habilidades inteligentes.

Para descobrir este novo conhecimento e se tornar um sistema inteligente, temos uma

área de estudo na IA , chamada KDD (Knowlegde Discovery Databases) que se

preocupa com obtenção de conhecimento útil e interessante , muitas vezes implícito

em bases de dados.

2.5.2- Descoberta de Conhecimento (KDD) em Bases de Dados

Com os avanços tecnológicos, os sistemas de armazenamento de dados e

monitoramento de fenômenos observados têm acumulado grandes volumes de dados

que ocultam conhecimento para o ser humano. Assim, o “KDD - Knowledge

Discovery in Databases” (Descoberta de Conhecimento em Banco de Dados) é uma

área da IA que se preocupa em descobrir conhecimento oculto, importante para

empresas e órgãos governamentais através do uso de algoritmos eficientes de

mineração de dados.

“O KDD (knowledge Discovery in Databases) pode ser visto como o

processo da descoberta de novas correlações, padrões e tendências

significativas por meio da análise minuciosa de grandes conjuntos de

dados estocados. Este processo se vale de tecnologias de reconhecimento

utilizando padrões e técnicas estatísticas e matemáticas. O Data Mining

é uma das técnicas utilizada para a realização de KDD. (NORTON,

1999).

Segundo FAYYAD et al. (1996) a descoberta de conhecimento em bases de dados,

KDD, é vista como algo mais amplo, e o termo Data Mining (mineração ou

garimpagem de dados) como um componente que trabalha com os métodos de

descoberta do conhecimento.

LACERDA & SOUZA (2004) afirmam que, devido ao imenso volume de dados,

várias informações acabam ficando escondidas, sendo formadas implicitamente por

relações entre campos, formando padrões imperceptíveis a “olho nu”. O ciclo

iterativo de descoberta do conhecimento em base de dados é mostrado na Figura03.

Figura 3 - Ciclo básico de descoberta de conhecimento em BD. (Barreto, 1999)

De acordo com BARRETO (1999) as principais tecnologias usadas em KDD são:

• Organização dos dados (Data Warehousing);

• Bancos de dados distribuídos (quando os dados estão distribuídos em

diferentes plataformas);

• IA e Sistemas Especialistas;

• Redes Neurais e seus paradigmas de aprendizado supervisionado e não

supervisionado;

• Interfaces amigáveis incluindo realidade virtual.

LACERDA & SOUZA (2004) afirmam que a natureza do descobrimento é tanto

iterativa quanto interativa. A iteratividade está no fato do processo ser realizado em

etapas seqüenciais de maneira que seja possível voltar `as etapas anteriores criando

ligações entre elas. Isso traz muitas possibilidades de seqüências, de forma que os

passos possam ser repetidos o número de vezes que se façam necessários. O usuário

pode dar continuidade ao processo ou transformar uma etapa alterando um atributo,

por exemplo. Assim o usuário é responsável por várias tomadas de decisão durante o

ciclo, na modelagem das informações, na escolha do algoritmo a se usado e sob os

objetivos a ser seguidos, garantindo a interatividade no processo.

De acordo com MOTTA (2005) existem inúmeras áreas de aplicação de KDD:

bancária (aprovação de crédito), ciências e medicina (descoberta de hipóteses,

diagnóstico, classificação, predição), comerciais (segmentação, localização de

consumidores, identificação de hábitos de consumo), engenharia ( simulação e

análise, reconhecimento de padrões , processamento de sinais e planejamento),

financeira(apoio para investimentos, controle de carteira de ações), gerencial (tomada

de decisão, gerenciamento de documentos), internet (ferramentas de busca,

navegação, extração de dados), manufatura (modelagem e controle de processos,

controle de qualidade, alocação de recursos), segurança (detecção de bombas,

icedbergs e fraudes), etc. Recentemente, temos as bases de dados Monitoramento

ambiental , utilizando KDD para diagnóstico e prevenção de danos ambientais.

Portanto, o processo de Extração de Conhecimento em Bases de Dados (KDD) tem

o objetivo de encontrar conhecimento a partir de um conjunto de dados para ser

utilizado em processo decisório. Esta técnica, poderá auxiliar gestores de empresas e

órgãos governamentais na tomada de decisão, uma vez que obtém conhecimento

novo, que não está explícito na base de dados.

2.5.2.1- O Processo da Descoberta de Conhecimento

A descoberta do conhecimento em bases de dados envolve três etapas principais

(Figura 4).

Figura 4 – Etapas da descoberta do conhecimento. (Quoniam et al., 2001)

1) A primeira fase que contempla a limpeza e preparação dos dados (pré-

processamento);

2) A segunda que compreende a mineração para descoberta de padrões;

3) A terceira que compreende a avaliação e interpretação do resultado obtido.

De acordo com NAVEGA (2002) um ciclo completo de descoberta de conhecimento

com Data mining pode ser representado conforme Figura 5. A partir de fontes de

dados (bancos de dados, relatórios, logs de acesso, transações, etc) efetua-se uma

limpeza (consistência, preenchimento de informações, remoção de ruídos e

redundâncias, etc). Assim surgem os repositórios organizados (Data Warehouses).

Após isso temos a utilização das ferramentas de Data Mining e a última fase de

avaliação ou interpretação do resultado onde um analista refina e conduz o processo

até que valiosos padrões apareçam. Assim a hierarquia começa em instâncias

elementares (normalmente volumosas) e termina em um ponto relativamente

concentrado e mais valioso.

Figura 5 - Fases da descoberta de conhecimento (Fonte: www.inteliiwise.com/navega)

2.5.2.1.1-Pré-Processamento

Segundo QUONIAM et al. (2001) nesta fase os dados são coletados, armazenados e

passam por uma limpeza na base de dados. Para ter sucesso nesta fase é preciso

conhecer a base de dados e entender os dados para que na limpeza e preparação não

haja duplicação de conteúdo através de erros de digitação, abreviações, valores

omissos, entre outros.

Para LACERDA & SOUZA (2004) o pré-processamento é dividido em sub-etapas:

• Entendimento do domínio da aplicação: entender objetivos e metas

para posteriormente verificar se o conhecimento descoberto é útil e

identificar as transformações ocorridas na base de dados antes do

inicio da aplicação.

• Seleção dos Dados: Após o entendimento do problema analisar quais

variáveis são relevantes para solucioná-lo, ou obter algum resultado.

Essa escolha deve ser feita sob o escopo do problema.

• Limpeza e pré-processamento: após extração dos dados da base

pode ser que ocorram inconsistências, como dados errados, campos

sem preenchimento, etc. É necessário a remoção desses ruídos ou

erros para o bom funcionamento do modelo.

• Transformação: redução e projeção dos dados considerando conjunto

de atributos úteis.

Após esta fase de pré-processamento segue a aplicação da mineração sob os dados.

2.5.2.1.2-Mineração de Dados (Data Mining)

São técnicas de descoberta de conhecimento em bases de dados que não

conseguimos visualizar através das consultas realizadas no banco de dados. A

mineração de dados trabalhará na busca por padrões e relacionamentos entre os

dados a fim de facilitar o entendimento.

As ferramentas de Data Mining identificam todas as possibilidades

de correlações existentes nas fontes de dados. Através de técnicas

para exploração de dados pode-se desenvolver aplicações que

venham a extrair, dos bancos de dados informações críticas , com

o objetivo de subsidiar plenamente o processo decisório de uma

organização, (QUONIAM,2001).

A definição de Mineração de Dados aceita por diversos autores e pesquisadores

foram elaborados por Fayyad et al. (1996) e diz: “Extração de Conhecimento de

Base de dados é o processo de identificação de padrões válidos, novos,

potencialmente úteis e compreensíveis embutidos nos dados”. Segundo REZENDE

(2003) analisando individualmente cada palavra desta definição é melhor para

compreendê-la:

• Dados: conjunto de fatos presentes em um repositório. Ex: Valores dos

campos de um registro de vendas em uma base qualquer.

• Padrões: denota alguma abstração de um subconjunto dos dados em alguma

linguagem descritiva de conceitos.

• Processo: a extração do conhecimento envolve várias etapas como

preparação dos dados, busca por padrões e avaliação do conhecimento.

• Válidos: os padrões descobertos devem possuir algum grau de certeza,

devem satisfazer funções ou limiares que garantam que os exemplos cobertos

e os casos relacionados ao padrão sejam aceitáveis.

• Novos: um padrão deve fornecer novas informações sobre os dados. Pode ser

medido por comparações entre as alterações ocorridas e os dados anteriores.

• Úteis: os padrões descobertos devem ser incorporados para serem utilizados.

• Compreensíveis: um dos objetivos da MD é encontrar padrões descritos em

alguma linguagem que possa ser compreendida pelos usuários permitindo

uma análise profunda dos dados.

• Conhecimento: o conhecimento é definido em função do seu domínio de

aplicação, utilidade, originalidade e compreensão.

LACERDA & SOUZA (2004) dizem que a principal característica do data mining é

a aplicação de algoritmos ao dados pré-processados. As sub-etapas da mineração

são:

1. Escolha da tarefa de mineração (as ferramentas possuem vários tipos):

regressão,classificação, associação, sumarização, dependência, agrupamento,

etc.

2. Determinar dentro da tarefa escolhida o algoritmo que seja mais

adequada para o problema em questão.

3. Aplicar o algoritmo de mineração sob os dados e variáveis na busca de

padrões.

Assim KDD ou descoberta de conhecimento é o conjunto de tarefas que permite

detectar conhecimentos implícitos em bases de dados. Data Mining é uma técnica

usada em uma das fases do processo de KDD onde o resultado pode ser utilizado

para tomada decisão.

2.5.2.1.3-Pós-Processamento

Após as etapas anteriores pode-se verificar se houve mudança nos dados da base de

dados e aí passa-se para outra fase de interpretação dos resultados obtidos.

Segundo LACERDA & SOUZA (2004), no pós-processamento a principal função é

usar as descobertas úteis. Suas sub-etapas são:

• Interpretação de padrões: avaliar se os padrões descobertos terão alguma

utilidade ou geram algum conhecimento. Servem de suporte a tomada de

decisão.

• Consolidação dos dados: verificar e utilizar o novo conhecimento sobre os

dados através de ferramentas de visualização.

2.5.2.2- Metas da Mineração

O ciclo de descoberta de conhecimento envolve o usuário desde o início de sua fase,

ou seja, na preparação dos dados até a obtenção dos resultados. O usuário precisa ter

em mente os objetivos que deverão ser alcançados com a fase de mineração de

dados, isto porque para alcançar estes objetivos é preciso escolher um algoritmo que

atenderá as necessidades do problema a ser resolvido. Outra razão para isto é que

existem inúmeros conhecimentos que se pode retirar de uma base de dados. Dentre

eles, descoberta de associações, descoberta de regras de previsão, hierarquias de

classificação, descoberta de padrões seqüenciais, descoberta de padrões em séries

temporais, categorização e segmentação (ALVARES,2000).

Assim faz-se necessário a definição clara do objetivo do problema para o bom

desempenho da técnica.

A etapa de mineração de dados possui duas metas (ou atividades) principais

(FAYYAD,1996): previsão e descrição.

• Previsão: serve para antecipar os valores de variáveis conhecidas ou analisar

um possível valor para uma variável com o passar do tempo, ou seja,

determina as chances de uma ação ocorrer.

• Descrição: é a busca por uma descrição padrão dos dados para posterior

entendimento e melhor compreensão dos usuários.

Existem diversas tarefas para se alcançar as metas de previsão e descrição e ainda

vários algoritmos estão disponíveis para resolver cada tarefa. Assim depende do

objetivo do problema (ou da meta da mineração) a escolha da tarefa ideal para

solucioná-lo.

2.5.2.3 -Tarefas da Mineração

Tarefa é no contexto da mineração um tipo de problema de descoberta de

conhecimento a ser solucionado, Figura 6. Podem ser de:

• Classificação: constrói um modelo de forma que possa ser aplicado a dados

não classificados a fim de caracterizá-los em classes, assim é possível

antecipar tendências futuras;

• Estimativa ou regressão: usada para definir um valor para alguma variável

contínua e desconhecida;

• Associação: LACERDA & SOUZA (2004) dizem que a associação

determina grupos de itens que tendem a ocorrer ao mesmo tempo, na mesma

transação, gerando-se uma grande quantidade de regras.

• Agrupamento, segmentação ou clusterização: processo de partição de uma

população heterogênea em vários subgrupos ou grupos mais homogêneos

• Sumarização: busca métodos para encontrar uma descrição compacta para

um subconjunto de dados. Usada para análise exploratória de dados e criação

de relatórios de maneira automática (FAYYAD,1996).

• Desvio: tem por objetivo descobrir um conjunto de valores que não seguem

padrões definidos, é necessário adotar padrões antecipadamente. Pode-se

usar esta tarefa para identificar fraudes baseadas em elementos que estão fora

de padrões ou são exceções `a regra (FELDENS,1997).

• Dependência: Verifica a existência de um modelo que descreva a

dependência entre variáveis.

Figura 6 - Tarefas da mineração de dados

2.5.2.4- Métodos ou Técnicas de Mineração

De acordo com DIAS (2001) as técnicas (métodos) de mineração de dados podem ser

aplicadas as tarefas. Elas correspondem a técnica computacional implementada por

determinado algoritmo para resolver uma tarefa.

HARRISON (1998) dia que não há uma técnica que resolva todos os problemas de

mineração de dados. Existem diferentes métodos para diferentes propósitos, cada um

com suas vantagens e desvantagens. A familiaridade com as técnicas é necessária

para facilitar a escolha de uma tarefa de mineração conforme o problema a ser

tratado. Assim para ser executada, cada tarefa possui várias técnicas de mineração

envolvidas na busca por padrões ocultos de dados, naturalmente umas mais indicadas

que outras para o problema em questão.

LACERDA & SOUZA (2004) dizem que a técnica (método) de regra de associação

resolve problemas de associação. A técnica (método) de árvore de decisão resolve

problemas de classificação e regressão. As demais técnicas resolvem problemas de

classificação e segmentação.

As técnicas (ou métodos) de mineração de dados normalmente usadas são (DIAS,

2001):

Regras de associação: estabelece uma correlação estatística entre atributos de dados

e conjunto de dados;

Arvore de decisão: hierarquização dos dados, baseando-se em estágios de decisão

(nós) e na separação de classes e subconjuntos. É um bom método quando o objetivo

do data mining é a classificação de dados ou predição de saídas, usado para

categorizar dados de arquivos.

Raciocínio baseado em casos (MBR): baseado no método do vizinho mais próximo,

combina e compara atributos par estabelecer hierarquia de semelhança.

Algoritmos genéticos: métodos gerais de busca e otimização, inspirados na Teoria

da Evolução, onde cada nova geração, soluções melhores têm mais chances de ter

“descendentes”;

Redes neurais artificiais: modelos inspirados na fisiologia do cérebro, na qual o

conhecimento é fruto do mapa das conexões neurais e dos pesos dessas conexões. É

uma boa maneira de se predizer regras e classificá-las. Não funcionam muito bem

com muitas entradas e muitos dados.

2.5.2.5 – Tipo de aprendizado em Bases de Dados

O objetivo de um banco de dados é armazenar os dados com segurança e recuperá-

los de forma eficiente conforme necessidade do usuário . Muitas vezes a informação

necessária pode não estar contida explicitamente na base de dados, podendo ser

inferida. HAL apud BOGORNY (2000) salienta duas técnicas para a inferência dos

dados: dedução e indução. A dedução é uma conseqüência lógica das informações

contidas na base de dados, a informação é extraída da base através de operadores

lógicos e comandos dos próprios SGBD. A indução é uma técnica de inferência que

generaliza as informações contidas na base de dados. Nela a base é percorrida em

busca de padrões ou regularidades, que são combinações de valores para certos

atributos que compartilham características comuns. Cada regularidade forma uma

regra, prevendo o valor de um atributo com base em outros atributos. O

aprendizado indutivo consiste na criação de um modelo, onde os objetos e eventos

são agrupados em classes. Para cada classe é criado um conjunto de regras.

AVI apud BOGORNY afirma que existem duas técnicas de aprendizado indutivo:

Aprendizado supervisionado ou de exemplos: nesta técnica são fornecidos classes

e exemplos de cada classe ao sistema, o qual precisa encontrar a descrição

(propriedades comuns nos exemplos) de cada classe. Existe neste aprendizado um

professor que guia o processo. Esse professor é o conhecimento prévio dos conceitos

ou classes que estão descritas pelo conjunto de exemplos de treinamento.

Aprendizado não-supervisionado ou por observação: o sistema precisa descobrir a

classe dos objetos através das propriedades que os mesmos têm em comum. Neste

tipo de aprendizado, o indutor analisa os exemplos fornecidos e tenta determinar se

alguns deles podem ser agrupados, formando clusters. Após isso é necessária análise

para determinar o que cada agrupamento significa no contexto do problema que está

sendo analisado.

De acordo com NAVEGA (2002) padrões são unidades de informação que se

repetem, ou então são sequências de informações que dispõe de uma estrutura que se

repete. A tarefa de localizar padrões não é privilégio do Data Mining. Nosso cérebro

utiliza-se de processos similares, pois muito do conhecimento que temos em nossas

mentes é, de certa forma, um processo que depende da localização de padrões.

O exemplo a seguir sugerido por NAVEGA (2002) mostra os possíveis

procedimentos na descoberta de padrões em uma sequência de letras. Utilizando a

sequência “ABCXYABCZKABDKCABCTUABEWLABCWO procura-se algum

dado relevante. Abaixo seguem algumas possibilidades:

1. A primeira etapa é perceber que existe uma sequência de letras que se repete

bastante. Temos as sequências "AB" e "ABC" e concluimos que elas ocorrem

com frequência superior à das outras sequências.

2. Após determinarmos as sequências "ABC" e "AB", verificamos que elas

segmentam o padrão original em diversas unidades independentes:

3. "ABCXY","ABCZK","ABDKC","ABCTU","ABEWL","ABCWO"

4. Fazem-se agora induções, que geram algumas representações genéricas

dessas unidades:

5. "ABC??" "ABD??" "ABE??" e "AB???",onde o símbolo

(interrogação) '?' representa qualquer letra

6. No final do processo, toda a sequência original é substituída por regras

genéricas indutivas que simplificou (reduziu) a informação original a algumas

expressões simples.

Este processo é um dos pontos essenciais do Data Mining, ou seja, extrair certos

padrões de dados brutos através da indução, reduzindo a informação bruta. Além

disso, esse processo nos permite gerar formas de predizer futuras ocorrências de

padrões.

AVI apud BOGORNY (2003) salienta que com relação ao tipo de aprendizado em

banco de dados, existe o aprendizado de máquina e o aprendizado em mineração de

dados. Um sistema de aprendizado de máquina utiliza informações de um conjunto

de treinamento, ou seja, uma amostra de dados selecionada. A amostra é gerada de

acordo com uma técnica : supervisionada ou não-supervisionada. Na supervisionada

o sistema busca as descrições das classes definidas pelo usuário e, se for não-

supervisionada, o sistema gera um conjunto de novas classes de acordo com suas

descrições.

HAL apud BOGORNY (2003) diz que um sistema de aprendizado em mineração de

dados busca descrições de dados em uma base inteira e não em uma amostra,

resultando em um processo mais complexo e demorado.

DIAS & PACHECO (2005) afirmam que os principais objetivos da mineração são

descobrir os relacionamentos entre dados e fornecer subsídios para fazer uma

previsão das tendências futuras de acordo com os dados anteriores. Os resultados

obtidos da mineração podem ser usados para tomada de decisão, controle de processo

e muitas outras aplicações.

2.5.3.6 Ferramentas utilizadas em Data Mining

Existem diversas ferramentas disponíveis no mercado que realizam várias tarefas de

mineração. A escolha pode ser feita de acordo com o problema e com o resultado

pretendido. São elas:

• WEKA: um software de domínio público, desenvolvido em Java, pela

Universidade de Waikato, que implementa uma série de algoritmos de Data

mining.

• INTELLIGENT MINER: desenvolvido pela IBM, também é uma ferramenta

de mineração, possui interligação com banco de dados DB2 da IBM.

• ORACLE DATA MINER: é uma ferramenta de mineração que possui

interligação com o banco de dados Oracle Enterprise.

• ENTERPRISE MINER: nova versão do SAS Enterprise Miner, usado na

área de negócios, marketing e inteligência competitiva.

• STATISTICA DATA MINER: este software acrescenta as ferramentas de

mineração ao tradicional pacotes de aplicações estatística.

2.5.3- Descoberta de Conhecimento em Bases de Dados de Monitoramento de

Qualidade da Água

O processo de monitoramento ambiental gera um grande conjunto de dados que são

armazenados em uma base de dados. Normalmente são pouco favoráveis a análise de

gestores e pesquisadores ambientais devido a limitação humana em analisá-los e

guardá-los na memória. Neste caso a descoberta de conhecimento, através de suas

técnicas de mineração de dados poderá , através de algoritmos descobrir padrões de

classificação da qualidade da água.

As técnicas de data mining já são utilizadas em diversas áreas e recentemente estão

sendo utilizadas para descoberta de conhecimento em bases de dados de

monitoramento ambiental através do reconhecimento de padrões inicialmente

ocultos, inclusive bases de dados com dados geo-espaciais como na Figura 07.

Figura 7 – DM em Meteorologia. (Fonte: www. crossgrid.org/.../meteo_pollution.html)

A Figura 07 mostra a aplicação de data mining na área de meteorologia,

primeiramente as informações geo-espaciais são armazenadas em bases de dados

distribuídas, em seguida é feita a pré-seleção ou limpeza de dados incorretos para

aplicar a técnica de DM, o resultado é a interpretação dos padrões de dados

encontrados pela técnica.

DELAVAR (2005) retrata a utilização de data mining em bases de dados geo-

espaciais para monitoramento da qualidade da água. Esta aplicação é pela análise da

vizinhança que especifica os rios com a mesma poluição. A técnica de data mining

geoespacial pode ser usada para mostrar a quantidade de poluentes e estimá-las para

proteção ambiental.

PEREIRA (2005) salienta as comunidades ecológicas representam uma complexa

rede de interações entre muitas espécies. Sua análise visa acessar padrões de

comportamento trófico do ecossistema, explicitando esses conhecimento através de

regras geradas de modelos de classificação e previsão, para investigar padrões da

variabilidade temporal de espécies e examinar relações destes padrões `a

disponibilidade de alimento e a relação deste alimento com parâmetros físico-

químicos de qualidade de água.

BIRANT (2006) apresenta o algoritmo ST-DBSCAN, usado para agrupamento

(clustering) de dados espaciais-temporais obtidos por satélite, onde cluster é um dos

métodos de KDD largamente utilizados em bases de dados, também GIBERT (2006)

apresenta estudos realizados no projeto GESCONDA: um sistema de análise de

dados inteligente para descoberta de conhecimento e

gerenciamento em bases de dados ambientais.

Vislumbrando o contexto deste trabalho, o objetivo principal é obter conhecimento

relevante em uma base de dados de monitoramento de qualidade da água. Neste caso,

é importante empregar uma tarefa de classificação, capaz de extrair regras de

previsão dos estados de qualidade da água para avaliar os dados atuais da qualidade

da água da bacia e possíveis situações futuras.

Como exposto nos estudos citados, a classificação é uma das tarefas de DM mais

referenciadas na literatura para KDD. Nela o objetivo é descobrir as relações entre

um atributo meta (cujo valor, ou classe será previsto) e um conjunto de atributos

previsores. O sistema deve descobrir este relacionamento a partir de exemplos com

classe conhecida, ou seja com a classificação de uma amostra a priori realizada. O

relacionamento descoberto será usado para prever o valor do atributo meta (ou a

classe) para exemplos desconhecidos. Neste trabalho pode-se definir classificação da

qualidade da água como atributo meta a ser atingida, com os valores: ótimo, bom ,

regular, ruim e péssimo, e os atributos previsores as variáveis indicadoras da

qualidade da água, tais como: pH, OD, DBO, DQO, TURBIDEZ, SÓLIDOS

DISSOLVIDOS TOTAIS, NTK, P, COLIFORMES TOTAIS E COLIFORMES

FECAIS. A tarefa de classificação é composta por vários algoritmos que podem ser

aplicados resultando em conhecimento obtido sob a forma de regras de classificação.

Conforme ROMÃO (2002), as regras do tipo SE...ENTÃO..., também chamadas

regras de produção constituem uma forma de representação simbólica e possuem o

seguinte formato:

SE <antecedente> ENTÃO <conseqüente>

O antecedente é formado por expressões condicionais envolvendo atributos do

domínio da aplicação existentes no banco de dados. O conseqüente é formado por

uma expressão que indica a previsão de algum valor para um atributo meta (neste

caso qualidade da água), obtido em função dos valores encontrados nos atributos que

compõem o antecedente. Assim, a tarefa é descobrir regras de classificação capazes

de avaliar a qualidade da água objetivando auxiliar gestores e órgãos governamentais

no planejamento de ações futuras.

2.5.4- Medidas de Avaliação de Regras

Independente do tipo de algoritmo usado na tarefa de classificação, as regras

descobertas precisam ser avaliadas. Para isto vários autores utilizam técnicas

estatísticas para avaliar a capacidade de representação do conhecimento adquirido

sob a forma de regras.

Existem poucos estudos analíticos sobre o comportamento de algoritmos de

aprendizagem. A análise de classificadores é fundamentalmente experimental.

Dimensões da análise: taxa de acerto, complexidade dos modelos, tempo de

aprendizagem.

Segundo ROMAO (2002) existem diversas abordagens para avaliar o processo de

descoberta de conhecimento, incluindo-se: exatidão dos resultados (alguma medida

de taxa de acerto), eficiência, compreensão do conhecimento extraído.

A cobertura (razão entre o número de casos cobertos e o número total de casos)

também é uma métrica relevante neste processo de avaliação. É uma medida da

generalidade da regra, quanto maior a cobertura maior o número de exemplos

cobertos pelo corpo da regra.

A maior parte da literatura utiliza taxa de acerto como principal meio de avaliação

das técnicas de KDD (FREITAS, 1997a), principalmente para tarefa de classificação.

Em algumas situações o tempo de aprendizagem é de extrema importância,

especialmente quando o sistema está inserido em um ambiente altamente dinâmico.

Facilidade de compreensão nos resultados da classificação (ex. nas regras) é outra

forma de avaliação do processo de descoberta que favorece a credibilidade no

sistema por parte do usuário. Em muitas aplicações a compreensão por parte dos

humanos é extremamente importante, exigindo algum complemento no pós-

processamento. Em geral considera-se que quanto menor o número de regras

descobertas e menor o número de condições por regra, maior a compreensibilidade

do conjunto de regras. No entanto, esse critério é puramente sintático e objetivo,

ignorando aspectos semânticos e subjetivos das regras. (ROMÃO, 2002)

PAZZANI apud ROMÃO (2002) salienta que “não há nenhum estudo que mostre

que pessoas acham modelos menores mais compreensíveis, ou que o tamanho de um

modelo é o único parâmetro que determina sua compreensibilidade”.

WITTEN & FRANK (2000) salientam que o conjunto de dados utilizados para

extração do conhecimento deve ser dividido em dois grupos, um conjunto de

treinamento e um conjunto de teste. O algoritmo de classificação é aplicado ao

conjunto de treinamento, as regras são descobertas. Em seguida a performance do

algoritmo para estas regras é realizado pela aplicação das mesmas no conjunto de

treinamento, caracterizando uma forma de aprendizagem supervisionada.

2.5.4.1- Taxa de Acerto

A exatidão de um resultado de extração de conhecimento, pode ser medido pela taxa

de acerto. Conforme ROMAO (2002), a taxa de acerto pode ser definida pela

proporção de classificações realizadas corretamente pelas instâncias dos dados

aplicáveis. Ela pode ser medida sobre os dados de treinamento e sobre os dados de

teste, sendo que a exatidão do conjunto de teste alcançada possui geralmente taxas

inferiores, devido ao fato de se utilizar dados que não foram considerados

anteriormente durante o treinamento. Logo, a exatidão perante os dados de teste é

considerada mais representativa para caracterização do universo classificado, fornece

uma medida mais precisa da confiabilidade das regras (ROMÃO, 2002).

Salienta-se que a Taxa de acerto (relação das instâncias dos dados classificadas

corretamente, dividido pelas instâncias dos dados aplicáveis), não se mostrou muito

eficaz em situações nas quais a distribuição das classes é desbalanceada, ou seja, as

classes mais raras são mais difíceis de serem previstas.

Segundo WITTEN & FRANK (2000), os usuários citam três conjuntos de dados

como ideal: treinamento, a validação e ao conjunto de teste. O conjunto de

treinamento pode ser usado para esquema de aprendizagem do classificador, a

validação para otimizar parâmetros destes classificadores e o conjunto de teste é

usado para calcular o erro no final. Segundo os mesmos autores não há problema

quando se tem um grande conjunto de dados, usa-se uma boa parte para fase de

treinamento para descobrir conhecimento e testa-se independentemente em outro

conjunto de teste, aí temos um erro no conjunto de teste representativo, que indica

verdadeiramente a performance futura do conhecimento encontrado.

Geralmente quanto maior o conjunto de treinamento melhor o classificador. Quanto

maior o conjunto de teste mais exata a estimativa do erro.

2.5.4.2- “Hold Out”

Este método é adequado quando uma grande quantidade de registros está disponível.

O conjunto de dados é separado em dois subconjuntos: dados para treinamento e

dados para para teste. Os registros do conjunto devem ser separados dos registros de

teste de forma aleatória, com uma exceção: manter a mesma proporção de registros

de cada classe nos dois conjuntos, o que é chamado de hold out estratificado. O

conjunto pra treinamento é usado para descobrir regras de classificação. O conjunto

para teste deve permanecer separado e ser utilizado apenas para validação dos

resultados obtidos pelo algoritmo de treinamento. Esse método é simples e

apropriado quando se tem abundância de dados. Segundo WEISS (1991) um

conjunto de dados disponíveis para teste precisa de pelo menos 1000 registros, caso

contrário deve-se usar outro método de validação, tal como validação cruzada.

2.5.4.3- Validação Cruzada

Este método é utilizado quando se tem poucos dados para treinamento e teste.

Considerando que a amostra de dados pode não ser representativa todos os dados são

utilizados para treinamento e para teste. Os dados são divididos em n partes e cada

parte contendo o mesmo número de registros. Uma parte é omitida, aplica-se o

esquema de aprendizagem nas outras nove partes, assim o algoritmo de

aprendizagem é executado n vezes nos diferentes conjuntos de treinamento. É

realizada a média do erro de todas as aplicações. WITTEN & FRANK (2000)

consideram, após extensivos testes em bases de dados que um n de dez é um valor

padrão apropriado para conseguir uma boa estimativa de erro.

2.5.4.4- Taxa de erro

WITTEN &s FRANK (2000) salientam que para os problemas de classificação é

natural mensurar a performance do classificador em termos da taxa erro (error rate).

O classificador prediz a classe de cada instância: se é correta, isso é contado como

sucesso, se não for, considera-se um erro. Estado de erro (error rate) é justamente a

proporção de erros realizados no conjunto inteiro de instâncias e mostra a

performance do classificador. Ele é chamado de erro de re-substituição ou enviesado

quando estimado no conjunto de treinamento, e o erro de generalização é estimado

no conjunto de testes independente por isso não é um erro enviesado. O error rate

no conjunto de treinamento não é um bom indicador de performance futura do

classificador. Isso por que o classificador aprendeu as regras no mesmo conjunto de

treinamento, sendo qualquer estimativa de performance nesse conjunto otimista.

Para predizer a performance de um classificador em uma nova informação, precisa-

se obter o error rate num conjunto independente de dados chamado conjunto de

teste.

O erro pode ser decomposto em erros provenientes de ruído no conjunto de dados,

erro de viés (estimado no conjunto de treinamento) e de variância. Se o tipo de

classificador não é adequado para problema o erro de viés será alto. Fazer uma pré-

seleção dos classificadores elimina o erro de viés. O erro de variância existe na

medida em que outro conjunto de dados está sendo coletado e oferece melhor

desempenho que a amostra utilizada.

2.5.4.5 Fator de Confiança

A utilização de um fator de confiança é uma forma simples de se avaliar a precisão

das regras obtidas apenas nos dados de treinamento. Uma regra é uma expressão na

forma X=> Y, onde X é chamado de antecedente e Y denominado conseqüente da

regra. Tanto X como Y pode ser formado por conjuntos de dados. X é formado por

expressões condicionais envolvendo atributos previsores do domínio da aplicação

presente na base de dados e Y é formado por uma expressão que indica a previsão de

algum valor para um atributo meta, obtido em função dos valores previsores

encontrados nos atributos que compõem o antecedente. Assim, o fator de confiança é

calculado pela razão X/Y, onde X é o número de registro que satisfaz o antecedente e

o conseqüente da regra (número de casos que a regra cobre) e Y é o número total de

registros que satisfazem o antecedente da regra(total de casos aplicáveis).

Segundo FREITAS (1999), quando uma regra cobre poucos (registros, este método

apresenta limitações, resultando em superestimações da confiabilidade das regras.

Para minimização destas distorções, QUINLAN (1987) propôs a subtração de uma

constante de 0,5 do valor X [1]:

Fator de Confiança=(X-1/2)/Y [1]

De acordo o fator de confiança é reduzido fortemente no caso de regras

com poucos registros, mas não penaliza a avaliação de regras baseadas em muitos

registros, permitindo a distinção entre regras especializadas e generalizadas.

2.5.4.6- Matriz de Confusão

Há situações onde os métodos simples de validação das regras são insuficientes.

Existem casos onde é necessário descobrir os custos das classificações erradas, os

tipos dos erros. A matriz de confusão foi exemplificada por ROMÃO (2002), para

um sistema que auxilia um diagnóstico médico. São diferenciadas decisões negativas

falsas (paciente classificado como não doente, sendo ele na verdade doente) e

decisões positivas falsas (paciente classificado como doente, sendo ele na verdade

não doente). No método é construída uma matriz de confusão NxN (Quadro 4) com

domínio composto por duas classes, denominadas aqui de “sim” e “não”.

Quadro 3-Matriz de Confusão

Classe prevista

sim Não

sim

SC SE

Classe

atual

não

NE NC

O algoritmo de classificação deve ser executado sobre os dados de treinamento e o

resultado da classificação dividido em quatro categorias:

• Classificações “sim” classificadas corretamente (SC);

• Classificações “sim” classificadas erradamente (SE);

• Classificações “não” classificadas erradamente (NE);

• Classificações “não” classificadas corretamente (NC);

Os contadores internos da matriz de confusão indicarão as quantidades de exemplos

sim corretamente e sim erroneamente classificados. Quanto mais coberturas corretas

(SC e NC) e menos erradas (SE e NE) maior a precisão da regra.

Para ROMAO (2002) a qualidade da regra pode então ser calculada por uma das

seguintes equações (2 a 4):

QUALIDADE=(SC/(SC+NE))*(NC/NC+SE)) [2]

QUALIDADE=(SC/(SC+SE))*(SC/(SC+NE)) [3]

QUALIDADE=(SC-1/2)/(SC+SE) [4]

A equação 4 é uma adaptação da equação 1, conhecida como fator de confiança. A

equação 3 é conhecida como Precision*Recall (HAND, 1997). Na equação 2 o

primeiro termo é chamado de “sensibilidade” ou “completeza de positivos” ou “taxa

de acerto na classe positiva”. O segundo termo é chamado de “especificidade” ou

“completeza de negativos” ou “taxa de acerto na classe negativa”. Os dois termos da

equação são multiplicados para forçar a descoberta de regras que tenham alta

sensibilidade e alta especificidade (Carvalho & Freitas, 2000).

Sensibilidade (abrangência) é a habilidade do teste em identificar corretamente os

casos que são positivos. Especificidade é a habilidade do teste em identificar

corretamente os casos negativos.

3 – MATERIAIS E MÉTODOS

Avaliando o crescente processo de urbanização das cidades banhadas pela bacia do

Rio Cuiabá e nas implicações deste processo optamos por aplicar técnicas de

Descoberta de Conhecimento (KDD) para descobrir conhecimentos ocultos em um

dos módulos do Sibac (na base de dados) para avaliar qualidade da água nos trechos

do rio Cuiabá . As amostras foram selecionadas na base de dados do SIBAC através

de consultas ao site http://www.geohidro.ufmt.br , especificando o trecho, a data de

coleta dos mesmos e as variáveis indicadoras de qualidade sugeridas pelos

especialistas. Em seguida, estes registros passaram pela avaliação sistemática de

especialistas da área que os classificaram segundo os critérios: ótimo, bom, regular,

ruim e péssimo. Posteriormente a amostra foi submetida a ferramenta de mineração

de dados Weka, para aplicação das tarefas de mineração e descoberta de padrões.

3.1 ÁREA DE ESTUDO

O Estado de Mato Grosso está localizado na região Centro Oeste do Brasil, com

cerca de 900.000 km

de extensão territorial e ocupa 11% do território brasileiro.

Abriga as principais nascentes de três bacias hidrográficas brasileiras: Bacia

Amazônica, Araguaia/Tocantins e Platina. A Bacia Platina, no Estado de Mato

Grosso, é chamada de Bacia do “Alto Rio Paraguai”, estende-se até o Estado de

Mato Grosso do Sul e pode ser dividida em cinco sub-bacias. São elas: a do rio

Cuiabá, Rio Paraguai, Rio São Lourenço/Rio Vermelho, Rio Itiquira/Rio Correntes e

o Pantanal (ALVARENGA,1984).

Um dos principais rios desta bacia é o Rio Cuiabá, que drena aproximadamente

28.000 km

até a cidade de Barão de Melgaço, abrangendo os seguintes municípios:

Acorizal, Campo Verde, Barão de Melgaço, Chapada dos Guimarães, Cuiabá,

Jangada, Nobres, Nossa Senhora do Livramento, Nova Brasilândia, Poconé, Rosário

Oeste, Santo Antônio do Leverger e Várzea Grande. O rio Cuiabá tem suas nascentes

no município de Rosário Oeste e é inicialmente formado por dois pequenos cursos

d’água, Cuiabá Bonito e Cuiabá da Larga, que afloram entre as Serras Azuis e

Cuiabá. O ponto de união desses dois cursos d’água é chamado Limoeiro, onde o rio

passa a chamar-se Cuiabazinho, logo abaixo recebe águas do Manso dobrando de

volume, sendo desse ponto em diante chamado de Cuiabá (SONDOTÉCNICA apud

LIMA,2001).

O alto curso do rio Cuiabá e seus afluentes drenam nos municípios de Nobres,

Rosário Oeste, Nova Brasilândia, Campo Verde, Acorizal, Jangada e Chapada dos

Guimarães em áreas do planalto. O médio rio Cuiabá atravessa uma extensa

superfície aplainada com baixas altitudes entre 200m e 450m, conhecida por

Depressão ou Baixada Cuiabana nos municípios de Cuiabá, Várzea Grande, Nossa

Senhora do Livramento e Santo Antônio do Leverger, compreende uma área de

depressão que fica entre as partes mais altas do planalto e o início da planície

inundável do Pantanal Mato-grossense setentrional, nos municípios de Barão de

Melgaço e Poconé (SALOMÃO,1999).

LIMA (2001) salienta que a bacia do rio Cuiabá é constituída por três regiões

geomorfológicas, com características bióticas e abióticas definidas e próprias, que

correspondem `a área de planalto e serras circunvizinhas, `a Baixada Cuiabana e `a

planície do pantanal. Assim em função da declividade ele possui comportamento de

rio de planalto, controlado pela estrutura geológica, com diversas corredeiras até

atingir o nível da base regional, como um rio de planície, representado pelo Pantanal

Matogrossense.

Na área de estudo denominada de Baixada Cuiabana, o clima predominante é do tipo

quente tropical sub-úmido, com temperatura média anual de 26 graus, ocorrendo as

máximas médias diárias em torno de 36 graus, em setembro, e as mínimas de 15

graus, em julho. A precipitação média anual chega a valores de 1342 mm/ano, de

acordo com a série temporal medida entre 1989-2000 (INMET, 2000). A bacia

apresenta sazonalidade marcada por dois períodos distintos de estiagem, de maio a

outubro ,e cheia de novembro a abril.

A bacia do Rio Cuiabá, uma das mais importantes para a formação bacia do Alto

Paraguai, é a principal bacia considerando o ponto de vista econômico e também a

que está mais comprometida pelos impactos ambientais, devido a atração de

atividades altamente consumidoras e degradadoras de recursos hídricos, tais como:

agropecuária, garimpos, construção civil, aglomerado urbano.

3.1.1- Aspectos Demográficos

Segundo dados do IBGE (2000), a população da bacia do rio Cuiabá é

predominantemente urbana, com somente 7% na zona rural. A maior concentração

populacional encontra-se na parte média da bacia, onde são localizados os

municípios de Cuiabá e Várzea Grande que concentram 35% da população de todo

Estado de Mato Grosso.

As principais cidades em Mato Grosso, localizadas na Região Hidrográfica, que

promovem a economia da região são: Cuiabá, com 483.346 habitantes e Várzea

Grande, com 215.298 habitantes. As Sub-bacias mais populosas são as do Cuiabá 02,

com 39,80%, devido a localização das cidades de Cuiabá e Várzea Grande

respectivamente. Em termos gerais, a densidade habitacional na Bacia é de

5,21hab/km2

O Caderno da Região Hidrográfica do Paraguai/MMA (2006) apresenta que as

principais atividades desenvolvidas na região Hidrográfica estão relacionadas

historicamente com agropecuária, embora em diversas regiões, tanto no Mato Grosso

como no Mato Grosso do Sul, exista o uso localizado mais intenso para mineração,

turismo, pesca e industrial. Em termos da ocupação das terras, a atividade mais

intensa se refere a pecuária seguida pela atividade agrícola. Parte da pecuária

extensiva também se utiliza de parcela significativa dos campos naturais,

especialmente na planície pantaneira, que corresponde a 25,7% da área dos

estabelecimentos agropecuários, e em pastagens artificiais, 38,8% das terras

ocupadas pela atividade. Na mesma bacia, os estudos demonstraram que dos

103.510 km

, 64% estão em área urbana, que conta com uma população de 1.072.985

hab, dos quais 91,37% residem em área urbana com uma densidade populacional de

14,85 hab/km

e 2,47 hab/km

na área rural.

TUCCI (2000) salienta que a grande concentração urbana é a principal responsável

pelos conflitos e problemas gerados nessa bacia, tais como: degradação e

assoreamento de mananciais; aumento de riscos das áreas de abastecimento por

poluição orgânica e química; contaminação dos rios por esgoto doméstico e

industrial; gerenciamento inadequado da drenagem urbana e falta de coleta e

disposição do lixo urbano.

Nas décadas de 1970 e 1980, a maior fonte de impactos ambientais para a região foi

a atividade agropecuária no planalto adjacente, em grande parte realizada sem os

cuidados previstos na legislação, causando desmatamentos em área de preservação

permanente(mata ciliar e nascentes), erosão, perda de solos e assoreamento de rios.

(GOMES e PADOVANI-CATELLA, 2004).

A mudança de cenários no setor da pecuária regional, com a mudança da propriedade

das terras, passando dos pecuaristas pertencentes a comunidades tradicional- para

empresários ou grupos empresariais do centro-sul do País, e a subdivisão das

fazendas elevou em muito as taxas de desmatamento e de queimadas, inclusive na

áreas de planície. No Mato Grosso 35% da área do pantanal está desmatada

(PADOVANI et al, 2004).

O Caderno da Região Hidrográfica do Paraguai/MMA (2006) apresentou que, na

última década, houve aumento da atividade agrícola na região de planície (aumento

da área de cultivo de feijão e de arroz irrigado), da exploração mineral, da navegação

fluvial com impactos expressivos na margens do rio Paraguai em especial, e da carga

de poluentes domésticos, industriais e agrícolas lançados em muitos dos seus rios. A

atividade mineral teve importância no processo de ocupação da Bacia Hidrográfica.

A extração de ouro descoberto no rio Coxipó até os tempos atuais tem sido por

garimpagem. A extração do ouro é histórica e tem sido combatida em função dos

riscos ambientais provocados na região devido ao uso do mercúrio, ao assoreamento

provocado pelas deagas e ao desmatamento ciliar. A Universidade Federal de Mato

Grosso(UFMT) pesquisa, ao longo dos anos, nos rios próximos a Poconé a

contaminação por mercúrio, que já foi identificada na cadeia alimentar.

Segundo LIMA (2001) o rio Cuiabá tem seus usos diretos e indiretos tais como:

abastecimento público e rural, produção de energia, irrigação, diluição de esgoto

domiciliar e industrial, pesca e turismo. As alterações na ocupação da bacia,

principalmente a intensificação da atividade agrícola nas últimas décadas, vêm

causando impactos nos recursos hídricos tais como erosão, assoreamento,

eutrofização e contaminação por agrotóxicos.

De acordo com a classificação CONAMA (2005), todos os rios da bacia do rio

Cuiabá são considerados de classe 2, áreas destinadas:

a) ao abastecimento doméstico, após tratamento convencional;

b) a proteção das comunidades aquáticas;

c) a recreação de contato primário (esqui aquático, natação e mergulho);

d) a irrigação de hortaliças e plantas frutíferas;

e) a criação natural e/ou intensiva(aqüicultura) de espécies destinadas `a

alimentação humana

3.2- SISTEMA INTEGRADO DE MONITORAMENTO

AMBIENTAL DA BACIA DO RIO CUIABÁ (SIBAC)

Os dados de qualidade da água analisados neste estudo são provenientes do Sistema

Integrado de Monitoramento Ambiental da Bacia do Rio Cuiabá (SIBAC). SIBAC

visa subsidiar o controle e manejo dos recursos hídricos desta bacia, na área

compreendida entre as nascentes até o inicio da planície pantaneira na região de

Barão de Melgaço. Foi projetado e implementado pelo grupo de pesquisa

GEOHIDRO da na Universidade Federal de Mato Grosso (UFMT). O componente

de Banco de Dados de SIBAC inclui um conjunto de registros multivariados de mais

de 150 pontos de monitoramento, provenientes de diversos órgãos tais como UFMT,

SEMA, Furnas etc., abrangendo um período de cerca de 30 anos.

O banco de dados possui interface WWW, que pode ser acessado pelo endereço

http://www.geohidro.ufmt.br, permitindo ao usuário buscas interativas, escolhendo

pontos de monitoramento, período e variáveis de qualidade de água. A Figura 08

mostra a interface de consulta aos dados.

Figura 8 - Interface WWW para consulta de médias mensais de qualidade de água no Banco de

Dados SIBAC. (Fonte: www.geohidro.ufmt.br)

Acoplado ao componente de Banco de Dados, o SIBAC possui um Sistema de

Informação Geográfica (SIG) implementado em ArcView, para análises e

visualizações espaciais com modelos hidrológicos e de qualidade de água integrados,

entre eles o NGFlow (SANTOS & ZEILHOFER, ), QUAL2E (ZEILHOFER et al.

2001 ) e Outorga (ZEILHOFER et al ,2001).

O modelo Outorga, proposto por HORA (2001), permite a simulação da

disponibilidade hídrica na rede hidrográfica em função da quantidade e qualidade da

água nos mananciais superficiais. Como resultado tem-se que a disponibilidade

hídrica para a concessão da outorga será positiva ou negativa, ou seja, o modelo

transforma o aspecto qualitativo da outorga em disponibilidade hídrica (quantitativo).

3.3- CONJUNTO DE DADOS E SUA CLASSIFICAÇÃO POR

ESPECIALISTAS

Foram extraídos do banco de dados SIBAC um total de 300 amostras (registros de

dados), como mostra tabela exemplar. Devido as classificações realizadas pelos

especialistas, alguns usos tem número menor de registros que outros, isto porque os

especialistas mostraram-se insatisfeitos com tamanho número de registros, alguns

responderam só 50 registros, alegando ser dispendiosa a classificação.

Inicialmente selecionamos a amostra através de diversas consultas ao site. Por meio

de entrevistas com 3 (três) engenheiros(as) sanitaristas foram escolhidas dez

variáveis que tiveram, de acordo com a opinião dos especialistas, a maior

importância na caracterização da qualidade da água para os seguintes usos:

Abastecimento, Irrigação, Balneabilidade e Manutenção dos Ciclos

Biogeoquímicos, conforme Tabela1.

O uso “Abastecimento” compreende as atividades de consumo humano após

tratamento convencional; A “Balneabilidade” corresponde ao uso da água para

recreação de contato primário (probabilidade alta do usuário ingerir água: natação,

esqui aquático,mergulho), na “Irrigação” a água é usada para irrigar campos,

hortaliças, plantas frutíferas, jardins; e, “Manutenção dos Ciclos Biogeoquímicos”

deve ser entendido como uma avaliação composta da similaridade ou dissimilaridade

das características de qualidade de água sob condições naturais (sem introdução de

poluição pontual ou difusa nas mananciais).

As variáveis selecionadas para este estudo de caso tem o limite de suas

concentrações e unidades especificados segundo a classe 2 da resolução CONAMA

n° 357/2005 classe onde o rio Cuiabá está enquadrado (Quadro 4).

Quadro 4-Variáveis indicadoras de qualidade da água e seus limites segundo o CONAMA

357/2005

Variável Descrição Unidade Limite CONAMA,

classe 2

Coliforme Termotolerante NMP/100ml Até 1000 por 100ml em

80% de 6 amostras

Eschrichia Coli

NMP/100ml Até 5000 por 100ml em

10% de 5 amostras

NTK Nitrogênio Total Kjheldal

Mg/L

Até 10 mg/l

P Fósforo Mg/L de P Até 0,025mg/l de

fósforo

OD Oxigênio Dissolvido Mg/L Acima de 5mg/l de O

DBO Demanda Bioquímica de

Oxigênio

Mg/L

em dias a 20

C até 5

mg/l de O

pH Potencial Hidrogeniônico 6 a 9

Sólidos Dissolvidos Totais Mg/L Até 500

DQO Demanda Química de

Oxigênio

Mg/L sem limite para classe 2

Turb Turbidez UNT (unidade

nefelométrica

de turbidez)

até 100 UNT

Os registros foram repassados para quatro especialistas (três engenheiros(as)

sanitaristas, e uma bióloga), para classificação de cada registro de acordo com a sua

qualidade em cinco classes (1-péssimo, 2-ruim, 3-regular, 4-bom, 5-ótimo). A

classificação foi efetuada separadamente para cada uso. A tabela 2 mostra, de forma

O CONAMA 357 alterou a nomenclatura de Coliformes Fecais para Coliformes Termotolerantes.

Os dados coletados no Sibac ainda estão com a nomenclatura do CONAMA 20, assim justifica-se o

valor da variável indicadora CT (antes Coliformes Totais) com a descrição Eschrichia Coli e valores

conforme CONAMA 20 .

exemplar a classificação de alguns registros para os usos “Abastecimento” (Abast) e

“Irrigação” (Irrig).

Para não induzir a classificação dos especialistas foram retirados dos registros as

informações sobre o local e data das coletas das tabelas da amostra, conforme

Tabela 1.

Tabela 1 - Parte da tabela de registros do SIBAC classificados por um especialista para os usos

de abastecimento e irrigação (5: ótimo até 1: péssimo)

3.4- MINERAÇÃO DE DADOS

3.4.1 Tarefas de Mineração de Dados implementadas na Weka

O processo de mineração de dados foi realizado a partir da ferramenta de extração de

conhecimento denominada Weka Knowledge (WITTEN & FRANK, 2000) no intuito

de descobrir regras ou padrões de qualidade da água desta bacia. Weka é um

software implementado em JAVA, segundo o paradigma de orientação a objetos, e é

composto de uma série de algoritmos de aprendizagem para solucionar problemas de

pH OD DQO DBO Turb ST NTK P CT CF Abast Irrig

6.48 4.64 19 1.46 36.9 116 14 0.04 14670 100 4 5

6.46 7.25 24 5.4 124 238 1.26 0.69 120331 1610 3 3

6.91 1.58 32 7.26 37.8 264 16.35 0.53 24192 9208 1 1

6.7 1.74 6 5.94 100 42 8.4 0.17 20140 840 3 5

6.43 1.76 25 1.64 36.8 147 5.27 0.38 43520 3540 2 2

6.6 3.42 31 3.24 96 174 6.72 0.58 198628 43520 2 1

6.58 3.04 13 1.8 77.2 178 2.96 0.38 61310 6970 2 2

6.3 4.58 33 2.02 128 94 3.68 0.36 86640 2430 3 3

6.26 2.96 21 8.56 173 10 6.19 0.07 241920 1350 2 3

6.13 2.7 36 1.64 187.4 149 0.63 0.03 198628 8160 2 1

6.32 2.02 18 1.82 132.5 307 5.99 0.06 26130 2980 3 3

mineração de dados. Os algoritmos podem ser aplicados diretamente a uma série de

dados. Os motivos da escolha desta ferramenta foram:

1. É uma ferramenta desenvolvida na linguagem JAVA, que tem como

característica principal a portabilidade (facilidade de ser executada em

várias plataformas de Sistema Operacional), facilidade para

pesquisadores;

2. Tem o código fonte aberto e as vantagens de uma linguagem orientada

a objeto (modularidade, polimorfismo, encapsulamento, reutilização de

código) para os desenvolvedores, importante para continuidade da

pesquisa;

3. É de fácil acesso pela internet.

São distinguidas sete tarefas na mineração de dados, cada uma é adequada para

atingir um objetivo, ou seja, possuem melhores soluções para determinados

problemas. São elas: Regressão, Associação, Agrupamento (segmentação ou

clusterização), Sumarização, Desvio, Dependência e Classificação. O software

Weka é formado por pacotes que disponibilizam em sua estrutura algumas dessas

tarefas.

Uma forma de representar conhecimento é a utilização de regras do tipo “Se

<condição> então <faça> senão <atributo meta>”. Os métodos de classificação

geram regras apropriadas para este tipo de representação de conhecimento

Como a meta deste trabalho é descobrir um modelo de avaliação para qualidade da

água e em seguida aplicá-lo em toda a base de dados do SIBAC, foi utilizada a tarefa

de classificação de dados. Esta tarefa possui uma série de algoritmos que podem ser

utilizados para gerar um modelo de dados (regras), baseado em uma amostra.

Posteriormente esse modelo de dados encontrado (regras) pode ser utilizado para

classificar novos conjuntos de dados pertencentes a toda a base de dados e assim

predizer classificações sobre a qualidade da água.

3.4.2- Entrada de Dados na Weka

O software Weka lê um formato de arquivo texto padronizado com extensão .arff.

Para importar as amostras do SIBAC, inicialmente armazenadas em tabelas, foi

necessário transformá-las neste formato. Este procedimento foi realizado da seguinte

maneira e pode ser visualizado na Figura 9:

• Salva-se a planilha com os dados, sem nenhuma formatação, no

formato CSV (separado por vírgula);

• Abre-se este arquivo em formato csv em um editor de textos para

acréscimo dos parâmetros requeridos do formato de arquivo com

extensão .arff ;

• A primeira linha contém o nome do arquivo salvo (@relation

irrigação), portanto o nome do arquivo foi irrigação (Figura 09).

• Os itens @atributte são seguidos das variáveis que serão avaliadas no

sistema. Contém uma lista de todos os atributos seguidos do tipo (real,

inteiro, string) do atributo e dos valores dependentes (categorias da

classificação); no caso é a variável classificação com valores de 1 a 5.

• A terceira parte @data corresponde aos dados que a ferramenta

avaliará, os registros de qualidade de água e sua respectiva

classificação. Esta parte consiste das instâncias a serem mineradas

com o valor dos atributos. A última variável (classificação)

corresponde a classificação realizada pelos especialistas, onde o

número 5 significa ótimo estado de qualidade da água, 4 é bom, 3 é

regular, 2 é ruim e 1 é péssimo.

• O arquivo é salvo com o nome e a extensão .arff que pode ser aberto a

partir do módulo “Weka Explorer” para visualização e escolha do

algoritmo adequado para classificação.

Figura 9 - Formato do arquivo arff para entrada na Weka

3.4.3- Ambiente Weka

A Weka possui interface para o usuário. Existem duas possibilidades de utilização :

GUI interface gráfica e Simple CLI que é uma interface simples onde os usuários

entram com linhas de comando (Figura 10).

Figura 10 - Janela de entrada do Weka

A janela Weka Gui Chooser é usada para introduzir o ambiente de aplicação Weka.

Possui seis botões:

1. Simple CLI: é uma interface que permite a execução direta de linhas

de comando do Weka pelo sistema operacional;

2. Explorer: Um ambiente para explorar informação no Weka. Explorer

contém as funcionalidades de pré-processamento, análise,

(classificação, associação e clusterização) e visualização dos

resultados.

3. Experimenter: Um ambiente onde o usuário pode conduzir testes

estatísticos entre os esquemas de aprendizagem da ferramenta; usuário

pode usar diferentes algoritmos simultaneamente e comparar os

resultados, e então escolher o melhor algoritmo para o seu conjunto

de dados.

4. Knowledge Flow: Ambiente essencialmente com as mesmas funções

do Explorer mas com interface draw-and-drop, com a vantagem de

suportar aprendizagem incremental;

5. Arff Viewer: Um visualizador de arquivos .arff que permite edição,

alteração de dados e atributos.

6. Log: É uma área que registra todas as ações efetuadas durante uma

sessão com Weka.

Neste trabalho utiliza-se como ambiente de estudo o Explorer e o Arff Viewer para

visualização e análise dos arquivos de dados antes da mineração.

3.4.2- Weka Explorer

O botão Explorer (Figura 10) aciona a interface exposta na Figura 11. Podemos

verificar as principais tarefas que a ferramenta realiza, ou seja as tarefas de

classificação (Classify), associação (Associate) e agrupamento (Cluster). Neste

trabalho utilizaremos especificamente a tarefa de classificação (Classify).

Figura 11 - Tela inicial da Weka com as variáveis e o arquivo abastecimento.arff aberto

A seção “Tabs” (guias) é composta por sete itens:

1. Preprocess: escolhe e modifica a informação antes da ação de

mineração;

2. Classify: testa ou treina esquemas de aprendizagem em classificação

ou regressão;

3. Cluster: executa tarefas de agrupamento (“Cluster”);

4. Associate: aprende regras de associação para a informação;

5. Select Attribute: seleciona os atributos relevantes para a informação;

6. Visualize: visualiza a informação em gráfico 2D.

3.4.2.1- Preprocessing

A seção Preprocessing habilita o usuário a introduzir os dados a serem minerados na

ferramenta de quatro maneiras:

1. Open file: Abre uma caixa de diálogo permitindo o usuário digitar o nome do

arquivo a ser minerado ou o local de origem do mesmo. Utilizamos este

botão pois introduzimos um arquivo com extensão .arff.

2. Open URL: Abre uma caixa de diálogo onde o usuário deve digitar o

endereço da URL (Uniform Resource Locator) onde a informação está

armazenada (acesso em ambientes de rede);

3. Open DB: Lê a informação de uma base de dados. Para isto deve-se

fazer uma edição no arquivo a partir do utilitário

weka/experiment/DatabaseUtils.props.

4. Generate: permite o usuário gerar dados através de funções específicas

denominadas Datagenerators.

3.4.2.2- Current Relation

O item “Current relation”, permite a visualização das características básicas do

conjunto de dados sendo elas:

Relation: o nome do arquivo que será minerado;

Instances: número de instâncias que serão analisadas neste arquivo

Attributes: o número de atributos analisados

3.4.2.3- Attributes

O item de menu chamado “Attributes” mostra as variáveis (atributos) da amostra,

pode-se visualizar três colunas caracterizando as variáveis (Figura 12). São eles:

No.: identifica a ordem do atributo especificado no arquivo da relação;

Selection tick boxes: permite o usuário marcar ou desmarcar o atributo na

relação;

Name: nome do atributo como foi declarado no arquivo .arff.

Figura 12 - Seção Attributes da Weka

Na lista de atributos especificada pela Figura 12, seguem os botões all, none, invert e

pattern, usados para alterar a seleção dos atributos. Assim:

All: todos os atributos são selecionados;

None: nenhum atributo selecionado, as caixas de seleção são desmarcadas;

Pattern: habilita o usuário a selecionar atributos baseados em expressões

regulares da linguagem Perl5.

O botão Remove localizado abaixo da lista de variáveis pode ser utilizado para

remover atributos indesejados. Esta ação pode ser desfeita acionando o botão Undo

no painel de Preprocess.

3.4.2.4- Selected Attribute

Ao selecionar individualmente um atributo no painel Attributes, obtém-se a

visualização das características do mesmo na janela chamada Select Attribute, como

mostra Figura 13. São elas:

Name: nome do atributo ou variável;

Type: tipo do atributo, normalmente nominal ou numérico;

Missing: o número ou percentagem de instâncias para este atributo que não

foram especificadas;

Distinct: o número de valores distintos na relação para este atributo.

Unique: especifica o número ou percentagem de instâncias únicas, ou seja,

valores que nenhuma outra instância possui.

Figura 13 - Seção “selected attribute”

Os valores estatísticos presentes nesta janela dependem do tipo do atributo. Se ele

for numérico como no exemplo da Figura 13, os valores minimum (mínimo),

maximum (máximo), mean (média) e stdDev (desvio padrão) especificados, se for

nominal a lista conterá a lista dos valores permitidos para o atributo e suas

respectivas quantidades. Abaixo dos valores estatísticos é apresentado um

histograma com faixas de valores da respectiva variável e o número de casos

conforme a classificação adotada pela variável dependente. O histograma e os

valores estatísticos da Figura 13 correspondem ao atributo OD (oxigênio dissolvido)

e sua avaliação relativo ao uso “Abastecimento”. O botão Visualize All mostra o

histograma para todos os atributos da relação. O histograma mostra a variabilidade

de cada variável no conjunto de dados especificado, neste caso a variabilidade do

atributo OD (Figura 13).

3.5- ALGORITMOS DE CLASSIFICAÇÃO E SUA VALIDAÇÃO

A tarefa de classificação é a técnica de mineração de dados mais apropriada para o

objetivo deste estudo, que visou, a partir da análise numérica de amostras de

variáveis analíticas multivariadas, a descoberta de regras para avaliação da qualidade

de água de mananciais superficiais. Segue o Quadro 5 com alguns classificadores e

seus métodos de classificação disponíveis na Weka. Os classificadores do grupo

Lasy (os algoritmos utilizados nestes classificadores são baseados no método do

vizinho mais próximo), os Trees (os algoritmos destes classificadores utilizam

árvores de decisão para criar as regras), Rules (criam conjunto de regras capazes de

predizer ações futuras), Bayes (classificam utilizando redes bayesianas), Functions

(os algoritmos implementam método de regressão linear).

Dentre os algoritmos disponíveis pelo software, selecionamos o grupo de

classificadores chamado Regras (rules) por gerar o tipo de conhecimento mais

apropriado para este trabalho. Este algoritmo gera um modelo de dados (conjunto de

regras) que posteriormente permitirá a classificação dos dados do SIBAC com

relação a qualidade da água.

Quadro 5-Classificadores para predições na Weka

Classificador Grupo Método

Weka.classifiers.Ibk Lazy MBR (K-vizinho mais

próximo)

Weka.classifiers.j48.J48 Trees Árvore de decisão

Weka.classifiers.PART Rules Árvore de decisão

Weka.classifiers.NaiveBayes Bayes Bayes ingênuo

Weka.classifiers.OneR Rules Regras

Weka.classifiers.ZeroR Rules Regras

Weka.classifiers.RIDOR Rules Regras

Weka.classifiers.JRIP Rules Regras

Weka.classifiers.NNGE Rules MBR (K-vizinho mais

próximo)

Weka.classifiers.ConjuntiveRules Rules Regras

Weka.classifiers.Decision Table Rules Tabela de decisão

Weka.classifiers.MultilayerPerceptron Functions Regressão Linear

Dentre os classificadores disponíveis no Software utilizou-s os seguintes:

OneR

Produz regras simples baseadas em apenas um atributo, usa o atributo do mínimo-

erro para a predição( IREP- Incremental Reduced Erro Prunning, técnica de

simplificação de árvores que melhoram erros em conjuntos de dados com ruídos).

ZeroR

É o mais primitivo dos algoritmos de aprendizagem. Para as classes nominais ele

prediz a classe de maior ocorrência nos dados do conjunto de treinamento. Para as

classes numéricas este algoritmo prediz a média. Mesmo sendo um algoritmo com

baixa performance, o seu esquema de predições pode ser usado para testar outros

classificadores e servir com padrão de benchmark.

PART (Partial Decision Trees)

É uma variação do J48, que constrói regras a partir da árvore de decisão. O processo

de geração de regras para classificação de sistemas normalmente atua em dois

estágios: Regras são induzidas inicialmente e posteriormente refinadas . Isto é feito

através de dois métodos, através da geração da árvore de decisão e posteriormente o

mapeamento da árvore de decisão em regras aplicando processos de refinamento, ou

pela utilização do paradigma dividir-para– conquistar.

FRANK E WITTEN (1999) combinam estas duas aproximações em um algoritmo

chamado PART (trabalha construindo a regra e estimando sua cobertura como no

processo de dividir–para–conquistar repetidamente até que todas as instâncias

estejam cobertas). Constrói uma árvore de decisão parcial em cada interação e

converte os ramos com a mais alta cobertura em regras.

Conjuntive Rules

Esta classe cria uma única regra conjuntiva (simples) de aprendizagem capaz de

predizer para variáveis de classes numéricas e nominais. Se o exemplo do teste não

for coberto por esta regra a seguir, prediz usando as distribuições da classe default

dos dados não cobertos pela regra nos dados do treinamento.

JRIP (Optimizing IREP-Incremental Reduced Erro Prunning)

O IREP integra a simplificação de árvores pela redução do erro através da técnica

dividir-para-conquistar. Este algoritmo possui um conjunto de regras e testa todas as

regras, uma por vez. Depois que uma regra é encontrada, todos os exemplos que são

cobertos por ela são deletados. Este processo é repetido até que não exista exemplos

corretamente classificados, ou até que a regra encontrada pelo IREP (Incremental

Reduced Erro Prunning) possua um erro inaceitável. Ele é uma variação do REP

(Reduced Error Pruning), algoritmo de poda pela redução do erro.

Decision Table

Cria uma tabela de decisão para classificar as condições.

NNGE (Nearest Neighbor With Generalization)

Classifica utilizando o método do vizinho-mais-próximo (árvore de decisão) com o

algoritmo usando generalização (poda). É um classificador no qual o aprendizado é

baseado em analogia. O conjunto de treinamento é formado por vetores de n

dimensões e cada elemento deste conjunto representa um ponto no espaço n-

dimensional. Ele funciona de maneira que é calculado os k’ vizinhos mais próximos

de um determinado conjunto de dados, isso é feito usando métricas específicas, tal

como a distância euclidiana. Para determinar a classe de um elemento que não

pertença ao conjunto de treinamento, o classificador procura k elementos do conjunto

de treinamento que estejam mais próximos deste elemento, que tenham a menor

distância. Esses são os chamados vizinhos mais próximos. Verificam -se as classes

desses k vizinhos e a classe mais freqüente será a atribuída.

RIDOR (RIpple-DOwn Rule)

Gera uma primeira regra default do erro e então as exceções para esta regra. Daí gera

as “melhores” exceções para cada exceção e as itera até criar o modelo. Assim

executa a árvore como a expansão das exceções. As exceções são conjuntos de regras

que predizem classes à exceção do erro geradas pelo IREP (Incremental Reduced

Erro Pruning).

Na Figura 14, é apresentada a tela do Classify, na qual o software Weka disponibiliza

várias implementações de classificadores (algoritmos). Após a escolha de um deles

deve-se executá-lo, clicando no botão Choose, como mostra a Figura 14.

Posteriormente, seleciona-se na opção Test Options as opções de teste do

classificador. Existem quatro modos de teste:

Training test: Faz a predição (regras) e testa com o próprio conjunto de

treinamento submetido ao classificador.

Supplied test set: Faz a predição (regras) e testa em outro conjunto de teste

inserido pelo botão set pelo usuário.

Cross-validation: O classificador é avaliado por validação cruzada. O

conjunto de teste é dividido em partes iguais e a predição é aplicada a cada

um separadamente.

Percentage split: Faz a predição baseada na porcentagem dos dados que o

usuário determina na própria ferramenta. A quantidade de dados capturados para

teste pela ferramenta, depende do valor atribuído ao campo porcentagem.

Essas opções de teste permitem a validação da performance do classificador, se há

abundância de dados o ideal é testar as regras obtidas pelo classificador em outro

conjunto de dados utilizando para isso a opção conjunto de teste (test set). Se os

dados são poucos deve-se utilizar a validação cruzada (cross-validation) ou o

porcentagem (percentage split) para validar as regras obtidas.

Após a escolha da opção de teste a ser realizada pelo classificador pode-se acionar o

botão start. Assim tem-se como resultado no lado direito da Figura 14, a saída do

classificador (Classifier Output ) que mostra os dados estatísticos para avaliação do

modelo gerado.

Figura 14 - Tela do Weka na guia Classify (classificadores)

3.5.1- Classifier Output Text

A interface “Classifier Output Text” pode ser visualizada com a utilização da barra

de rolagem e possui as seções:

Run information: contém todas as informações do esquema de

aprendizagem, nome da relação, instâncias, atributos e modo de teste envolvido no

processo (Figura 15).

Classifier model (full training test): representação textual das regras

produzidas para o conjunto de treinamento inteiro, ou seja, o modelo de classificação

gerado para a amostra (Figura 16).

Figura 15 - Seção Run Information do Classifier Output Text

Figura 16 - Seção Classifier Model do Classifier Output Text com as regras

Os resultados do modo de teste podem ser desmembrados em:

Summary: lista de resumo dos valores estatísticos que mostram como

aquele classificador está habilitado a predizer as classes corretas de acordo com

aquele modo de teste (Figura 17).

Detailed accuracy by class: acurácia da predição do classificador

detalhada por classe, (Figura 18).

Confusion matrix: Visualização da matriz de confusão; mostra como as

instâncias foram classificadas em cada classe, (Figura 18).

Figura 17 - Regras geradas pelo algoritmo JRIP e porcentagem de instâncias classificadas

corretamente.

Alguns pontos de avaliação no resultado:

A primeira linha do Classifier Output indica o algoritmo usado e as regras

geradas pelo conjunto de treinamento (modelo classificador escolhido no modo de

teste), neste exemplo o algoritmo utilizado foi o JRIP, Figura 17. Ainda na Figura 17

tem-se o número de regras geradas (6 regras) e o tempo que a ferramenta levou

para construir o modelo (0.17 segundos), eficiência do classificador.

A seguir tem-se a performance do classificador, no item avaliação pelo

conjunto de treinamento (Porcentagem de Instâncias Corretas e Incorretas), primeiro

treina-se o algoritmo com os dados (gera as regras) e depois verifica-se a

performance com os mesmos dados de treinamento (opção de teste), Figura 17.

Existem outras possibilidades de teste dessas regras, tais como conjunto de teste

(com outro conjunto de dados), validação cruzada e porcentagem split etc. A

performance desta opção de teste é mostrada nos itens Classificação de Instâncias

Corretas e Incorretas onde está a porcentagem de cada uma. Para validar o

classificador é melhor utilizar conjunto de teste validação cruzada ou porcentagem

split.

Figura 18 - Seção summary, detailed accuracy by class e confusion matrix do classifier output

text

Ainda na tela de saída do resultado é apresentada a matriz de confusão

(Confusion Matrix) que indica que instâncias foram classificadas de forma correta e

incorreta por classe. Importante observar a taxa de falsos positivos na matriz de

confusão. Se houve 100% de classificação correta podemos esperar uma matriz de

confusão onde todo elemento fora das diagonais é igual a zero.

O Kappa Statistic é um índice que compara o valor encontrado nas

observações com aquele que se pode esperar do acaso. É o valor calculado dos

resultados encontrados na observações e relatado como um decimal (0 a 1). Quanto

menor o valor de kappa menor a confiança da observação, o valor 1 implica a

correlação perfeita, difícil de ser encontrada. Para ser boa uma observação, com 95%

confiável, o valor de kappa deve estar no intervalo (0.279, 0.805).

Root Mean-Squared Error é muito usado para medir o sucesso de uma

predição numérica.. Este valor é calculado pela média da raiz quadrada da diferença

entre o valor calculado e o valor correto. O root mean-squared error é simplesmente

a raiz quadrada do mean-squared-error (dá o valor do erro entre os valores atuais e os

valores preditos, Figura 18.

Mean Absolute Error: média da diferença entre os valores atuais e os

preditos em todos os casos, é a média do erro da predição, Figura 18.

Root Relative Squared Error: reduz o quadrado do erro relativo na

mesma dimensão da quantidade sendo predita incluindo raiz quadrada. Assim como

a raiz quadrada do erro significativo(root mean-squared error), este exagera nos

casos em que o erro da predição foi significativamente maior do que o erro

significativo, Figura 18.

Relative Absolute Error: É o erro total absoluto. Em todas as

mensurações de erro, valores mais baixos significam maior precisão do modelo, com

o valor próximo de zero temos o modelo estatisticamente perfeito, Figura 18.

True Positives (TP): são os valores classificados verdadeiramente

positivos.

False Positives (FP): são os falsos positivos, são os dados classificados

erroneamente como positivos pelo classificador.

Precisão (precision): É o valor da predição positiva (número de casos

positivos por total de casos cobertos), muito influenciada pela especificidade e pouco

pela sensitividade. Sensitividade é o número de casos positivos que são

verdadeiramente positivos e especificidade é o número de casos negativos que são

verdadeiramente negativos.

Recall (Cobertura): É o valor da cobertura de casos muito influenciada

pela sensitividade e pouco pela especificidade. É calculada por número de casos

cobertos pelo número total de casos aplicáveis.

F-measure: Usada para mensurar a performance pois combina valores de

cobertura e precisão de uma regra numa única fórmula. É calculada por

2TP/2TP+FP+FN, onde TP (true positives) são os verdadeiros positivos, FP (False

positives) são os falsos positivos, FN (false negative) são os falsos negativos ou

(2*recall*precision/recall+precision)

ROC Curve (Curva ROC): A curva ROC plota os números de positivos

no eixo vertical(x), e os expressa como uma porcentagem do total do número de

casos positivos, contra o número de casos negativos incluídos no exemplo, expressos

como uma porcentagem do total de casos negativos no eixo horizontal. Uma curva

ROC perfeita corresponde a uma linha horizontal no topo do gráfico, ponto

(100,100) que corresponde a 100% sensitividade contra o ponto (0,0) no eixo

horizontal que corresponde a 0% de especificidade. Curvas abaixo desses pontos

indicam métodos de decisão menos perfeitos, mas qualquer curva situada acima da

reta diagonal que atravessa o gráfico entre os pontos [0,0] e [100,100] pode ser

considerada como boa, Figura 19.

Figura 19 - Curva ROC. (Fonte:www.scielo.cl/fbpe/img/rmc/v134n3/fig06-02.jpg)

4. RESULTADOS

A apresentação dos resultados é dividida em quatro sub-items: Pré-processamento

(4.1), Mineração dos dados (4.2), Análise dos Resultados e Validação (4.3). É

exposta a performance dos algoritmos para classificação dos registros de qualidade

de água proveniente do SIBAC referente a sua aptidão para quatro formas de uso:

Abastecimento Doméstico, Irrigação, Manutenção dos Ciclos Biogeoquímicos

Naturais e Balneabilidade.

4.1 PRÉ-PROCESSAMENTO

Foram testadas quatro amostras de dados, classificadas pelos especialistas de acordo

com a sua aptidão qualitativa para cada um dos quatro tipos de uso de água. Cada

amostra contém 11 variáveis (ou atributos), sendo uma delas o atributo “meta”

chamado classificação que representa a avaliação das amostras.

Inicialmente os especialistas foram solicitados para classificar um conjunto de 300

registros de acordo com cada tipo de uso. Este volume, entretanto, foi considerado

muito extenso pelos especialistas, resultando em um retorno limitado de registros

classificados. Foram recebidos os seguintes números de registros classificados

(somatório dos registros obtidos dos quatro especialistas):

1. Amostra de Abastecimento com 366 registros de dados;

2. Amostra de Balneabilidade com 351 registros de dados;

3. Amostra de Irrigação com 379 registros de dados;

4. Amostra de Manutenção dos Ciclos Biogeoquímicos com 114

registros de dados.

As Figuras 20 a 23 mostram os histogramas das variáveis de qualidade de água para

cada amostra, construídos no pré-processamento na Weka.

Observando os histogramas dos usos de água verifica-se a disposição dos registros

classificados pelos especialistas ainda na fase de pré-processamento. As cores

vermelho, laranja, amarelo, verde e azul presentes no histograma da variável

classificação nas Figuras 20 a 23 representam, respectivamente, as classes péssimo,

ruim, regular, bom e ótimo na classificação dos especialistas. Assim é possível

observar nas figuras a distribuição das classes nas barras do histograma de cada

variável (pH, OD, TURB, P, DQO, ST, NTK, DBO, CF e CT).

Observa-se que existem quantidades de registros diferentes para cada classe. O

ideal seria que o número de classificações realizadas pelos especialistas em cada

amostra( presente nas Figuras 20 a 23) estivesse uniforme, isto para não direcionar o

aprendizado das regras, uma vez que alguns algoritmos tem como critério classificar

pelo atributo majoritário da amostra.

10%

20%

30%

40%

50%

60%

Abastecimento

Classe1-Péssimo

Classe2-Ruim

Classe3-Regular

Classe4-Bom

Classe5-Ótimo

Figura 20-Histograma das variáveis da amostra de abastecimento (n:366)

Verifica-se na amostra de “Abastecimento”, a maior quantidade de registros para a

classe bom e ótimo.

10%

20%

30%

40%

50%

60%

Balneabilidade

Classe1-Péssimo

Classe2-Ruim

Classe3-Regular

Classe4-Bom

Classe5-Ótimo

Figura 21-Histograma das variáveis da amostra de Balneabilidade (n:351)

10%

20%

30%

40%

50%

60%

Irrigação

Classe1-Péssimo

Classe2-Ruim

Classe3-Regular

Classe4-Bom

Classe5-Ótimo

Figura 22-Histograma das variáveis da amostra de irrigação (n:379)

Nas amostras de “Balneabilidade” e “Irrigação” o número maior de registros estão

nas classes péssimo e ótimo.

10%

20%

30%

40%

50%

60%

Manutenção dos Ciclos

biogeoquímicos naturais

Classe1-Péssimo

Classe2-Ruim

Classe3-Regular

Classe4-Bom

Classe5-Ótimo

Figura 23-Histograma das variáveis da amostra de Manutenção dos Ciclos Biogeoquímicos

Naturais (n:114)

Na amostra de “Manutenção dos Ciclos Biogeoquímicos” tem-se o maior número de

registros nas classes regular e bom.

Verifica-se que o número de registros classificados nas classes intermediárias ruim

(laranja), regular (amarelo) e bom (verde) tem similaridade na distribuição das

quantidades presentes em todas as amostras (Figuras 20 a 23). Isso é relevante para

não direcionar o aprendizado do algoritmo e consequentemente o resultado das

regras de classificação.

Pode-se acrescentar ainda que a disposição diferenciada dos registros classificados

nas quatro amostras (Balneabilidade, Irrigação, Abastecimento e Manutenção dos

Ciclos Biogeoquímicos) deve-se aos:

1. limites impostos pelo CONAMA para cada uso, associado a

subjetividade da classificação utilizada pelos especialistas; e,

2. aos trechos selecionados no SIBAC que envolvem nascentes(sem

poluição), trechos de média poluição e trechos poluídos.

Observa-se na Tabela 2 as freqüências das classes avaliadas para cada amostra (uso),

de acordo com a classificação dos especialistas.

Tabela 2-Tabela comparativa da freqüência de classificação das classes

Amostra Classe1

(Péssimo)

Classe2

(Ruim)

Classe3

(Regular)

Classe4

(Bom)

Classe5

(Ótimo)

Total de

instâncias

Abastecimento

49 23 59

124

111 366

Balneabilidade

102 22 56 55

116

351

Irrigação

60 33 51 45

190

379

Manutenção

dos Ciclos

Biogeoquímicos

16 20 32

12 114

A seguir são apresentados histogramas das classificações dos três especialistas por

tipo de uso (Figuras 24 até 27).

10%

15%

20%

25%

30%

35%

40%

especialista1 especialista2 especialista3

pessimo

ruim

regular

bom

otimo

Figura 24-Histograma da amostra abastecimento de acordo com a classificação dos especialistas

(n: 50)

Observa-se uma discordância maior na classificação realizada pelos especialistas em

relação a classe 1 (péssimo) e classe 5 (ótimo) da amostra “Abastecimento”. Nas

demais classes dessa amostra têm-se uma regularidade nos registros.

Na amostra “Balneabilidade” verifica-se discordâncias entre os especialistas nos

valores de classificação onde a qualidade é péssima (1), ruim (2) e ótima (5), Figura

25.

10%

20%

30%

40%

50%

60%

especialista1 especialista2 especialista3

pessimo

ruim

regular

bom

otimo

Figura 25-Histograma da amostra balneabilidade de acordo com a classificação dos especialistas

(n: 50)

10%

20%

30%

40%

50%

60%

especialista1 especialista2 especialista3

pessimo

ruim

regular

bom

otimo

Figura 26-Histograma da amostra irrigação de acordo com a classificação dos especialistas

(n: 50)

Na amostra de “Irrigação” tem-se as maiores discordâncias entre os especialistas nas

classes 1 (péssimo), 2 (bom) e 5 (ótimo), Figura 26.

Para a amostra de “Manutenção dos Ciclos Biogeoquímicos Naturais” tem-se

discordâncias nas classificações realizadas nas classes 1 (péssimo), e 2 (ruim), e 5

(ótimo), conforme Figura 27.

10%

20%

30%

40%

50%

60%

especialista1 especialista2 especialista3

pessimo

ruim

regular

bom

otimo

Figura 27-Histograma da amostra Manutenção dos ciclos biogeoquímicos naturais de acordo

com a classificação dos especialistas (n: 50)

Analisando as amostras, observa-se que os especialistas se divergiram em relação as

classes 1 (péssimo) e 5 (ótimo), isto mostra a incerteza em classificar os extremos.

Por se tratar de um critério subjetivo, onde o especialista é quem decide o que é

ótimo, bom, regular, ruim e péssimo baseado em 10 valores de variávei,s é aceitável

que haja concordâncias e discordâncias na classificação.

4.2- MINERAÇÃO DE DADOS

4.2.1- Visão geral dos classificadores

Em seguida a esta análise exploratória das variáveis de qualidade de água e sua

classificação, foram realizados os procedimentos de mineração dos dados, que se

constituiu em um comparativo empírico de oito algoritmos de classificação do tipo

“rules”, sendo eles:

• ZeroR

• OneR

• Ridor

• NNge

• JRIP

• Decision Table

• PART

• ConjuntiveRule

As Figuras 28 até 30 e Tabelas 5 até 12 mostram o desempenho comparativo dos

algoritmos de classificação, cada um validado por três opções de teste: treinamento,

validação cruzada e porcentagem split.

No conjunto de treinamento todas as amostras são usadas para testar as regras do

classificador, fato este que comprova o bom desempenho de todos os algoritmos para

esta opção de teste. As regras são testadas nos mesmos dados que a formaram, não é

boa opção para medir a performance,WITTEN & FRANK (2000).

Na k- validação cruzada (cross-validation-10 folds) a amostra é dividida em k partes

de igual tamanho, de preferência as partes (ou folds) devem possuir a mesma

quantidade de padrões, garantindo a mesma proporção de classes para cada

subconjunto. O algoritmo é executado sob k-1 “folds”(subconjuntos) gerando as

regras, posteriormente ele é validado sob o fold que sobrou. Assim neste caso onde

usamos 10 partes (10 folds), o conjunto de treinamento é criado sob 9 (nove) partes e

testado calculando a taxa de acerto sob os dados da parte não utilizada, a parte que

sobrou. Ao final a taxa de acerto é uma média das taxas de acerto nas k iterações

realizadas. É uma boa opção para medir a performance dos algoritmos e dos erros,

WITTEN & FRANK (2000).

Na opção porcentagem split separa-se uma porcentagem dos dados para testar as

regras do classificador, neste caso selecionou-se 66% das amostras.

Neste trabalho ilustra-se nas Figuras 28 a 34 a opção de teste conjunto de

treinamento, mas não a utiliza para validar os algoritmos devido a performance

otimista que apresenta.

Existem outras medidas de avaliação de resultados disponíveis pela ferramenta,

apresentaremos um resumo com algumas métricas para cada uso. Neste trabalho

utiliza-se as medidas de predições numéricas somente para os algoritmos que

obtiveram a melhor porcentagem de acerto, fez-se uma pré-seleção.

4.2.2- Resultado do uso “Abastecimento”

Para a amostra “Abastecimento” tem-se a porcentagem correta dos classificadores

para as três opções de teste na Figura 28.

Ao observar o número de instâncias corretas para o teste de validação cruzada

destacou-se o algoritmo PART, Tabela 3.

A taxa de erro ou porcentagem de instâncias incorretas é de muita relevância para

avaliar a aproximação do modelo gerado e a função que governa o fenômeno em

estudo. Erro de treinamento pode significar muitos ruídos e valores vazios nas

amostras. Para minimizar este problema deve-se procurar algoritmos que minimizem

o problema.

A melhor porcentagem de erro confirma-se no algoritmo PART, modo de teste

validação cruzada. Verifica-se que os algoritmos que possuem altas porcentagens de

erro para o conjunto de treinamento podem indicar ruídos nas amostras.

10.

20.

30.

40.

50.

60.

70.

80.

90.

Conjun

tive

rules

cision t

able

idor

Part

neR

nge

Zero

Tarefas de classificação

Porcentagem de instâncias corretas

training set

cross validation

porcentagem

split

Figura 28-Desempenho dos classificadores para classificação da amostra " Abastecimento"

Tabela 3- Desempenho dos classificadores para a amostra “Abastecimento”.

Porcentagem de instâncias corretas - 366 instancias

training set cross validation porcentagem split

Conjuntive rules 43.16 44.53 38.4

Decision table 65.02 55.46 53.6

Ridor 61.2 53.82 60

Jrip 66.93 55.46 44

Part

75.4

57.1

64.8

OneR 63.66 55.73 49.6

Nnge 84.15 52.45 39.2

ZeroR 33.87 33.87 28

O valor de Kappa Statistic é um índice que mede a confiança na observação, valores

de Kappa acima de 0.6 são considerados significativos, LANDIS & KOCH (1977).

Para a amostra de abastecimento observa-se os melhores valores no algoritmo PART

com valor 0,42, Figura 29.

Conjuntiverules

Decisi

n tabl

Jrip

Part

Nng

Zero

Tarefas de classificação

Valor de Kappa Statistic

training set

cross validation

porcentagem

split

Figura 29-Valores de Kappa Statistic para amostra "Abastecimento"

Pode-se observar além das porcentagens corretas, incorretas e valor de kappa destes

algoritmos para o uso de abastecimento, os itens: TP (True Positive), FP (False

Positive), Precisão (Precision), Cobertura (Recall), F-measure, Curva ROC e Matriz

de Confusão, Figura 30.

=== Summary ===

Correctly Classified Instances 209 57.1038 %

Incorrectly Classified Instances 157 42.8962 %

Kappa statistic 0.42

Total Number of Instances 366

=== Detailed Accuracy By Class ===

TP FP Precision Recall

F-

Measure

ROC

Area

Class

0.816

0.057

0.69 0.816 0.748 0.91 1

0.087 0.038 0.133 0.087 0.105 0.74

0.373 0.121 0.373 0.373 0.373 0.67

0.573

0.244

0.546 0.573 0.559 0.72 4

0.667

0.118

0.712 0.667 0.688 0.86 5

=== Confusion Matrix ===

a b c d e <-- classified as

43 1 5 0 0 | a = 1

9 5 8 1 0 | b = 2

1 0 45 12 1 | c = 3

0 0 5 110 9 | d = 4

0 0 0 38 73 | e = 5

Figura 30 - Métricas de avaliação do algoritmo PART na amostra "Abastecimento" ( Validação

Cruzada)

True positives (TP): são os valores verdadeiramente positivos classificados para

cada classe (Figura 30). A classe onde esta taxa foi mais baixa, ou seja, onde houve

menos classificações verdadeiramente positivas foi a classe 2. Na matriz de

confusão verifica-se apenas 2 classificações de TP .

False positives (FP): os falsos positivos são os dados classificados erroneamente

como positivos pelo classificador para cada classe, neste índice verifica-se o maior

problema na classe 4, verificando a matriz de confusão Figura 30.

Precision (Precisão): é o valor do número de casos positivos por total de casos

cobertos, muito influenciada pela especificidade. É calculada por TP/TP+FP, Figura

30. Observa-se a maior precisão na classe 1 onde há maior número de casos TP e a

pior precisão na classe 2 onde há muitos casos classificados erroneamente.

Recall (Cobertura): É o valor muito influenciado pela sensibilidade e pouco pela

especificidade. É calculada por número de casos cobertos pelo número total de

casos aplicáveis, Figura 30. Verifica-se a maior cobertura para classe 1.

F-measure: Usada para mensurar a performance pois combina valores de cobertura

e precisão de uma regra numa única fórmula. É calculada por 2TP/2TP+FP+FN, ou

(2*recall*precision/recall+precision), Figura 30. Para classe 3 é a pior e para a

classe 1 é melhor.

ROC curve (Curva ROC): Qualquer curva situada acima da reta diagonal que

atravessa o gráfico entre os pontos [0,0] e [100,100] pode ser considerada boa, assim

observando a Figura 30 verifica-se que todos os valores de ROC de cada classe estão

dentro do intervalo mencionado.

As regras geradas pelo algoritmo PART para classificação (em negrito) a amostra de

Abastecimento são expostas na Figura 31.

Scheme: weka.classifiers.rules.PART -M 2 -C 0.25 -Q 1

Relation: Abastecimento

Instances: 366

Attributes: 11

Test mode: 10-fold cross-validation

Classifier model (full training set)Î PART decision list

dbo > 6.88 AND solTotais > 117 AND coliformesFecais > 63000: 1 (53.0/10.0)

coliformesFecais <= 1220 AND fosfTotal > 0.16 AND coliformesFecais > 32.8

AND ntk <= 1.68 AND dbo > 0.87 AND fosfTotal <= 0.25: 4 (9.0)

fosfTotal <= 0.16 AND coliformesFecais <= 1220 AND turbidez > 100 AND

fosfTotal <= 0.095: 4 (13.0)

fosfTotal <= 0.16 AND turbidez > 100 AND coliformesTotais <= 73287 AND

fosfTotal > 0.07 AND dqo > 19 AND dqo > 24: 4 (5.0/2.0)

coliformesFecais <= 1600 AND turbidez > 96 AND dqo > 18: 3 (7.0/1.0)

coliformesFecais <= 1600 AND fosfTotal <= 0.16 AND od > 5.62 AND dqo > 2.5

AND dbo <= 5.4 AND turbidez > 4.66 AND fosfTotal <= 0.1: 5 (79.0/9.0)

coliformesFecais <= 2950 AND fosfTotal > 0.16 AND coliformesFecais > 32.8

AND coliformesTotais <= 51720: 4 (18.0/7.0)

fosfTotal > 0.2 AND dbo <= 5.4 AND dbo <= 1.32: 3 (8.0/1.0)

fosfTotal <= 0.2 AND coliformesFecais <= 2950 AND od > 4.02 AND dqo > 2.5: 4

(88.0/38.0)

turbidez <= 26 AND dbo > 0.36 AND ph > 3.795 AND fosfTotal <= 0.29 AND ph >

5.13 AND coliformesTotais > 4130 AND solTotais > 77 AND od <= 6.44: 4

(12.0/3.0)

turbidez <= 4.2 AND turbidez > 1.7 AND coliformesFecais <= 110 AND fosfTotal >

0.02: 4 (11.0/1.0)

coliformesFecais <= 3000 AND turbidez > 4.2 AND od > 4.02: 3 (6.0)

turbidez <= 4.8 AND dbo <= 0.36: 3 (4.0)

coliformesTotais <= 9804 AND turbidez <= 4.66: 5 (4.0/1.0)

od <= 4.52 AND coliformesFecais <= 6300: 3 (13.0/6.0)

od > 4.02 AND coliformesFecais > 5470: 3 (25.0/10.0)

coliformesFecais > 5830: 2 (6.0/1.0): 4 (5.0)

Number of Rules : 18

Figura 31-Regras geradas pelo algoritmo PART amostra Abastecimento (classes em negrito).

4.2.3- Resultado do uso “Balneabilidade ”

Para a amostra “Balneabilidade” tem-se a porcentagem correta dos classificadores

para as três opções de teste na Figura 32.

10.

20.

30.

40.

50.

60.

70.

80.

90.

Conjuntiverules

sion

able

Rido

Jrip

Part

oneR

Nnge

roR

Tarefas de classificação

Porcentagem de instâncias

corretas

training set

cross validation

porcentagem

split

Figura 32- Desempenho dos classificadores para classificação da amostra “Balneabilidade”.

Ao observar o número de instâncias corretas para o teste de validação cruzada

destacou-se o algoritmo JRIP, Tabela 4.

Tabela 4-Porcentagens corretas dos algoritmos de classificação para Balneabilidade

Porcentagem de instâncias Corretas - 351 instâncias

training set cross validation porcentagem split

Conjuntiverules 61.82 61.82 64.17

Decision table 77.2 74.25 74.06

Ridor 75.49 72.36 70.83

Jrip 76.63

74.35

74.16

Part 80.6 70.37 70

OneR 75.44 74.35 72.5

Nnge 78.06 44.4 49.16

ZeroR 33.04 33.04 33.3

O valor de kappa da amostra de Balneabilidade no algoritmo Jrip é 0.64, valores

acima de 0.6 indicam confiabilidade na relação conforme Figura 33.

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Conjuntiverules

eci

ion

Ridor

Jrip

Part

oneR

Nnge

Tarefas de classificação

Valor de Kappa Statistic

training set

cross

validation

porcentagem

split

Figura 33- Valor de Kappa Statistic dos algoritmos para amostra de “Balneabilidade”

Com relação a acurácia (soma de positivos verdadeiros e negativos verdadeiros) por

classe detectou-se os maiores problemas na classe 2, Figura 34.

=== Summary ===

Correctly Classified Instances 261 74.359 %

Incorrectly Classified Instances 90 25.641 %

Kappa statistic 0.647

Total Number of Instances 351

=== Detailed Accuracy By Class ===

TP FP Precision Recall F-Measure ROC Area

Class

0.931 0.133 0.742 0.931 0.826 0.90 1

0 0 0 0 0 0.77

0.375 0.037 0.656 0.375 0.477 0.76

0.618 0.068 0.63 0.618 0.624 0.85 4

0.957 0.111 0.81 0.957 0.877 0.93 5

=== Confusion Matrix ===

a b c d e <-- classified as

95 0 5 1 1 | a = 1

18 0 0 0 4 | b = 2

11 0 21 15 9 | c = 3

4 0 5 34 12 | d = 4

0 0 1 4 111 | e = 5

Figura 34- Métrica de avaliação do algoritmo Jrip para a amostra “Balneabilidade"

(Validação Cruzada)

As regras geradas pelo algoritmo JRIP são, Figura 35:

Scheme: weka.classifiers.rules.JRip -F 3 -N 2.0 -O 2 -S 1

Relation: Balneabilidade

Instances: 351

Attributes: 11

Test mode: 10-fold cross-validation

Classifier model (full training set)Î JRIP rules:

(coliformesFecais <= 1000) and (coliformesFecais >= 259) => Classificacao= 4

(64.0/23.0)

(coliformesTotais >= 10170) and (coliformesFecais <= 2920) and (coliformesFecais

>= 1010) => Classificacao= 3 (24.0/4.0)

(coliformesFecais >= 1236) => Classificacao= 1 (126.0/30.0)

=> Classificacao= 5 (137.0/25.0)

Number of Rules : 4

Figura 35- Regras geradas pelo algoritmo JRIP amostra Balneabilidade (classes em negrito)

4.2.4- Resultado do uso “Irrigação”

Para a amostra “Irrigação” tem-se a porcentagem correta dos classificadores para as

três opções de teste, Figura 36.

10.

20.

30.

40.

50.

60.

70.

80.

90.

veru

Decision table

Part

oneR

Nnge

Tarefas de classificação

Porcentagem de instâncias

corretas

training set

cross validation

porcentagem split

Figura 36- Desempenho dos classificadores para classificação da amostra “Irrigação”.

Observa-se que para o uso de irrigação a melhor porcentagem de acerto, para o modo

de teste cross-validation (validação cruzada) no algoritmo OneR, Tabela 5.

Tabela 5-Porcentagem de Instâncias corretas dos algoritmos de classificação para irrigação

Porcentagem de instâncias Corretas - 379 instâncias

Training set Cross validation Porcentagem split

Conjuntiverules 65.43 65.17 65.89

Decision table 78.62 71.65 69.76

Ridor 78.89 69.12 68.21

Jrip 79.15 68.07 71.31

Part 81.79 70.71 72.09

OneR

78.1

74.67

72.09

NNge 81.26 57.7 59.6

ZeroR 50.13 50.13 53.48

O valor de kappa da amostra de Irrigação no algoritmo OneR é 0.61, valores acima

de 0.6 indicam confiabilidade na relação conforme Figura 37.

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

juntive

rul

on table

dor

Jri

oneR

Zer

Tarefas de classificação

Valor de kappa statistic

training set

cross validation

porcentagem

split

Figura 37- Valor de kappa statistic para os algoritmos da amostra de “Irrigação”

Para a amostra de irrigação obtivemos um bom resultado, basta verificar a

porcentagem de acerto elevada, a baixa porcentagem de erro (instâncias incorretas) e

o valor de Kappa acima de 0.6.

Com relação a acurácia (soma de positivos verdadeiros e negativos verdadeiros) por

classe tem-se que os maiores problemas de classificação ocorreram nas classes 2 e 4

onde as taxas de TP (True Positives) são mais baixas, indicando erro nessas

classificações, Figura 38.

=== Summary ===

Correctly Classified Instances 283 74.6702 %

Incorrectly Classified Instances 96 25.3298 %

Kappa statistic 0.6119

Total Number of Instances 379

=== Detailed Accuracy By Class ===

TP FP Precision Recall F-Measure

ROC

Area

Class

0.967 0.078 0.699 0.967 0.811 0.944 1

0.273 0.026 0.273 0.353 0.623 0.5

0.353 0.046 0.545 0.353 0.429 0.654

0.311 0.039 0.519 0.311 0.389 0.636

0.968 0.18 0.844 0.968 0.902 0.894 5

=== Confusion Matrix ===

a b c d e <-- classified as

58 1 0 0 1 | a = 1

15 9 8 1 0 | b = 2

8 7 18 6 12 | c = 3

2 1 7 14 21 | d = 4

0 0 0 6 184 | e = 5

Figura 38- Métrica de avaliação do algoritmo OneR para amostra "Irrigação" ( Validação

Cruzada)

As regras geradas pelo algoritmo OneR foram (Figura 39):

Scheme: weka.classifiers.rules.OneR -B 6

Relation: Irrigacao

Instances: 379

Attributes: 11

Test mode: 10-fold cross-validation

=== Classifier model (full training set) ===

coliformesFecais:

< 1095.0 -> 5

< 1605.0 -> 4

< 5560.0 -> 3

< 10031 -.> 2

>= 1003 1-> 1

(296/379 instances correct)

Figura 39-Regras geradas pelo algoritmo OneR amostra Irrigação

4.2.5- Resultado do uso “Manutenção dos Ciclos Biogeoquímicos Naturais”

Para a amostra “Manutenção dos Ciclos Biogeoquímicos Naturais” tem-se a

porcentagem correta dos classificadores para as três opções de teste, Figura 40.

Observa-se que para este uso a melhor porcentagem de acerto, para o modo de teste

cross-validation (validação cruzada) no algoritmo OneR, Tabela 6.

junti

eru

ision t

ble

dor

Tarefas de classficação

Porcentagem de valores corretos

training set

cross

validation

porcentagem

lit

Figura 40- Desempenho dos classificadores para classificação da amostra “Manutenção dos

Ciclos Biogeoquímicos” ( validação cruzada).

Tabela 6 - Porcentagem de dados corretos para amostra “Manutenção dos Ciclos

Biogeoquímicos Naturais”

Porcentagem de instâncias corretas

training set cross validation porcentagem split

Conjuntiverules 35.08 27.15 33.33

Decision table 41.22 34.21 23.07

Ridor 55.26 25.43 17.94

Jrip 41.22 29.82 25.64

Part 57.01 19.29 38.46

OneR 47.36

37.7

35.89

Nnge 59.64 10.52 23.07

ZeroR 29.82 29.82 23.07

O valor de kappa desta amostra foi de 0.61 para o algoritmo OneR. Como valores

acima de 0.6 indicam confiabilidade na relação percebe-se que o resultado não foi

bom, Figura 41.

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

0.6

Con

unt

ule

table

Rido

Jrip

Part

Nng

roR

Tarefas de classificação

Valor de kappa statistic

training set

cross validation

porcentagem

lit

Figura 41- Valor de kappa para ciclos biogeoquímicos naturais

Observando a Figura 42, tem-se o desempenho do algoritmo OneR selecionado, visto

que este obteve melhor performance de acertos perante os outros analisados.

Verificamos na Figura 42 baixos índices de acerto deste algoritmo para a amostra

(Manutenção dos Ciclos Biogeoquímicos Naturais) comprovados pela alta taxa de

erro (porcentagem incorreta), baixo valor de kappa e baixos índices de TP

(verdadeiros positivos). Ao olhar a matriz de confusão observa-se os maiores

problemas de classificação nas classes 1, 2, 3 e 5, apenas a classe 4 obteve boa

classificação.

=== Summary ===

Correctly Classified Instances 43 37.7193 %

Incorrectly Classified Instances 71 62.2807 %

Kappa statistic 0.1451

Total Number of Instances 114

=== Detailed Accuracy By Class ===

TP FP Precision Recall F-Measure

ROC

Area

Class

0 0.061 0 0 0 0.469

0.25 0.085 0.385 0.25 0.303 0.582

0.375 0.207 0.414 0.375 0.393 0.584

0.765 0.5 0.394 0.765 0.52 0.632 4

0 0 0 0 0 0.5

=== Confusion Matrix ===

a b c d e <-- classified as

0 5 4 7 0 | a = 1

4 5 3 8 0 | b = 2

2 3 12 15 0 | c = 3

0 0 8 26 0 | d = 4

0 0 2 10 0 | e = 5

Figura 42- Métrica de validação do algoritmo OneR para amostra "Manutenção dos Ciclos

Biogeoquímicos Naturais” ( Validação Cruzada)

As regras geradas pelo algoritmo OneR foram (Figura 43):

Scheme: weka.classifiers.rules.OneR -B 6

Relation: Ciclosbiogeoquimicos

Instances: 114

Attributes: 11

Test mode: 10-fold cross-validation

=== Classifier model (full training set) ===

dbo:

< 3.05 -> 4

< 72.2 -> 3

>= 72.2-> 2

(54/114 instances correct)

Figura 43 - Regras geradas pelo algoritmo OneR amostra Manutenção dos Ciclos

Biogeoquímicos Naturais

5- DISCUSSÃO

5.1- ENQUETE COM ESPECIALISTAS

Para a realização deste estudo realizou-se uma classificação prévia de um conjunto

de registros (selecionados no SIBAC) por especialistas em avaliação de qualidade da

água, por se tratar de um aprendizado supervisionado (onde há necessidade de um

guia para o algoritmo). Foram entrevistados três Engenheiros (as) Sanitaristas e uma

Bióloga. No decorrer deste procedimento foram encontradas várias dificuldades,

dentre elas:

• Desinteresse pela pesquisa;

• Limitações do tempo disponível dos profissionais para classificar a enquete

de 300 registros (alegaram não ter tempo mesmo sabendo da importância do

trabalho para a área);

• Desistência: um quinto especialista previsto para a pesquisa não preencheu a

enquete alegando sobrecarga de trabalho;

• Dificuldade para recolher as classificações: parcialmente a tabela para

classificação foi recebida com aceitação, mas teve demora demasiada para

responder, causando atraso no andamento da pesquisa.

• Preenchimento da pesquisa com número menor de registros: dois dos

especialistas só concordaram em responder 50 registros.

Na mineração de dados é aconselhável que se tenha um número elevado de registros,

principalmente para o conjunto de treinamento (que gera as regras). Neste trabalho

optou-se pelo número de registros obtidos (classificados) dos especialistas.

Certamente após a realização desta enquête com os especialistas concordamos que a

mesma deva ser realizada de outra maneira e com menos variáveis para a avaliação,

determinando as variáveis que são mais problemáticas para cada uso.

A escolha dos algoritmos foi baseada no tipo de conhecimento a ser encontrado,

visando a obtenção de regras de classificação para avaliar qualitativamente o Banco

de Dados de Monitoramento Ambiental (SIBAC). Supõe-se que os melhores

desempenhos de alguns algoritmos em detrimento de outros se deve ao método de

busca de conhecimento que ele utiliza.

Para o uso de abastecimento por exemplo (Figuras 23, 24 e 25), observa-se que as

maiores dúvidas na classificação dos especialistas estão nos valores extremos, onde a

qualidade da água deve ser considerada de péssima qualidade (1) ou ótima qualidade

(5). Ao observar as Figuras 26, 27 e 28 verificamos a mesma situação.

O resultado de balneabilidade e irrigação foram melhores, demonstrando através do

valor de kappa statistic confiabilidade na amostra. Com relação as amostras de

abastecimento e ciclos biogeoquímicos tem-se baixos índices de kappa, altos índices

para as porcentagens de erro e baixos índices de porcentagens corretas, isto no

melhor algoritmo selecionado para a amostra. Podemos enumerar possíveis causas

para este resultado:

• Valores altos de porcentagens incorretas no conjunto de treinamento (training

test) pode significar ruído nas duas amostras. Elas possuem esse índice

elevado;

• Como o algoritmo ZeroR (considerado um algoritmo primitivo, que classifica

as amostras pelo atributo majoritário) apresentou elevada porcentagem de

erro em todas as amostras a que foi submetido, se ocorrer outro algoritmo

com pior eficiência tem-se overfitting (regras muito especializadas) do

modelo gerado. Assim observamos que o desempenho do OneR foi pior do

que ele, isso demonstra overfitting das regras(regras muito especializadas).

Poucos registros nesta amostra (Manutenção dos Ciclos Biogeoquímicos)

pode ter contribuído para esta especialização;

• Baixos valores de Kappa Statistic também demonstram pouca confiabilidade

nas classificações da amostra, as duas possuem valores de kappa abaixo de

0.6, valores acima deste demonstram confiabilidade na amostra.

Observando a acurácia dos resultados por classe, verifica-se que os índices de

classificação correta são mais baixos para as classes intermediárias, ou seja, classe 2

(ruim), classe 3 (regular), classe 4 (bom). Provavelmente isso se deve ao caráter

subjetivo da enquete submetida aos especialistas. Há mais chances de ocorrerem

classificações errôneas nas classes intermediárias pela dificuldade em mensurar o

que é ruim (classe 2), regular (classe3) e não é péssimo (1), por exemplo, o extremo

da relação.

Verifica-se que o conjunto de regras não foi muito complexo, apenas o algoritmo

NNGE (Nearest Neighbor With Generalization), que classifica utilizando o

método do vizinho-mais-próximo (árvore de decisão), gerou elevado número de

regras (90) com muitos testes lógicos (em todos os quatro tipos deste estudo de caso),

o que poderia causar pouca compreensão dos fatos por especialistas no assunto.

Com relação as regras geradas pelo algoritmo de melhor performance nas amostras

obteve-se regras com número de variáveis diferenciadas, ou seja, o conhecimento dos

níveis de qualidade da água encontrados na saída dos algoritmos (expressos sob a

forma de regras) não incluíram todas as variáveis iniciais do arquivo de entrada.

(Quadro 6).

Quadro 6- Quadro demonstrativo das variáveis de saída nas regras

Uso Algoritmo de

melhor

desempenho

Variáveis

consideradas nas

regras

Variáveis importantes

segundo especialistas

Abastecimento (Part)

OD, DBO, DQO, CF,

CT, NTK, P, TURB,

pH, DBO, DQO, CT, CF,

NTK, P, TURB, ST

Balneabilidade (JRIP)

CF e CT CF e CT

Irrigação (OneR)

CF pH, DQO, DBO, NTK, CT,

CF, P

Manutenção dos

Ciclos

Biogeoquímicos

Naturais

(OneR)

DBO PH, OD, DQO, DBO, NTK,

Pode-se observar no Quadro 6 que as variáveis de saída estão presentes na avaliação

inicial realizada pelos especialistas como uma das mais importantes para cada uso.

Observa-se, que as variáveis consideradas para classificação dos usos

“Abastecimento” e “Balneabilidade correspondem basicamente com as variáveis

consideradas pelos especialistas, enquanto o algoritmo OneR, por exemplo, o de

melhor performance nos usos irrigação e Manutenção dos Ciclos Biogeoquímicos

Naturais é um algoritmo que escolhe o atributo mais relevante para construir a sua

regra baseada em um único atributo. Para o uso de irrigação percebe-se que o

mesmo foi rígido escolhendo a variável CF, isto porque para classificar irrigação de

hortaliças esta variável é relevante, porém, para irrigação de campos não seria

necessário. Para Manutenção dos Ciclos Biogeoquímicos Naturais tem-se a variável

DBO escolhida pelo algoritmo para compor as regras. Embora seja uma variável

importante para este uso, tem-se P, NTK, DQO, OD e pH como variáveis relevantes

para esta classificação, embora desconsideradas pelo algoritmo OneR.

Para o uso de Balneabilidade, contato primário (natação, esqui-aquático) tem-se

como variáveis mais relevantes para avaliar este uso CF (Coliformes

Termotolerantes) e CT(Eschrichia Coli), segundo os especialistas (embora existam

outras também importantes). O algoritmo JRIP também as utilizou para representar o

modelo de classificação (regras) criado para este para avaliar a qualidade da água.

Para o uso de abastecimento, o algoritmo PART considerou todas as variáveis

relevantes para construir o modelo de classificação de regras, descrevendo todas as

variáveis nas regras, só não utilizou a variável pH.

Observou-se através de comparação, que as regras produzidas neste estudo tem

analogia com a classificação realizada pela Agência Estadual de Meio Ambiente e

Recursos Hídricos do Estado de Pernambuco- CPRH, na determinação da qualidade

dos corpos dágua. Pode-se observar nos Quadros 7 e 8, um comparativo entre as

Regras de classificação descobertas e a classificação adotada pela CPRH.

Quadro 7-Comparação dos limites de Classificação da CPRH e regras geradas pelos algoritmos

Classificação

CPRH

Descrição dos limites

Estudo do

Sibac

Usos com Regras

semelhantes a

CPRH

Não

Comprometida

Limites obedecem

Decreto Estadual N°

7.269/81 para classe 1

5(ótima)

Abastecimento

Balneabilidade

Irrigação

Pouco

Comprometida

Limites obedecem

Decreto Estadual N°

7.269/81 para classe 2

4(Boa)

Abastecimento

Balneabilidade

Irrigação

Manutenção dos

Ciclos

Biogeoquímicos

Naturais

Moderadamente

Comprometida

Limites obedecem

Decreto Estadual N°

7.269/81 para classe 3

3(Regular)

Abastecimento

Balneabilidade

Irrigação

Manutenção dos

Ciclos

Biogeoquímicos

Naturais

Poluída

Limites obedecem

Decreto Estadual N°

7.269/81 para classe 4

2(Ruim)

Manutenção dos

Ciclos

Biogeoquímicos

Naturais

Muito Poluída

Limites não obedecem

Decreto Estadual N°

7.269/81

1(Péssima)

Abastecimento

Balneabilidade

Irrigação

Observa-se que as regras tem uma certa equivalência , Quadro 8:

Quadro 8- Quadro comparativo das regras classificadas pelo algoritmo por uso e CPRH

Uso Regras Comparação com a CPRH

CF < 1095 Î5 Intervalo equivalente a classe 2

CONAMA 357 e pouco

comprometida (CPRH)

CF < 1605 Î4 Equivalente a classe 3 CONAMA

357 e moderadamente

comprometida (CPRH)

CF < 5560 Î3 Classe 3 e 4 CONAMA 357 e

poluída (CPRH)

CF < 10.031 Î2 Entre a classe 3 e 4 CONAMA

357, poluída (CPRH)

Irrigação

CF>=10.031 Î1 Sem limites e muito poluída CPHH

DBO < 3.05Î 4 Classe 1 CONAMA357 e Não

comprometida CPRH

DBO<72.2Î3 Valores na Classe 2 , 3 e 4 (sem

limite), moderadamente poluída a

poluída na CPRH

Manutenção dos

Ciclos

Biogeoquímicos

Naturais

DBO>=72.2Î2 Sem limites no CONAMA 357 e

muito poluída CPRH

CF<1000 and

CF>=259Î4

Classe 2 CONAMA, Pouco

comprometida CPRH

CF>=10.170 and

CF<=2920 and

CF>=1010Î3

Entre Classe 3 e 4 CONAMA,

Moderadamente Comprometida e

Poluída CPRH

CF>=1236Î1 Classe 3 e 4, de Moderadamente

Comprometida a muito poluída

Balneabilidade

CFÎ5 Classe 1 CONAMA e Não

Comprometida pela CPRH

100

Dentre os melhores algoritmos testados nestes conjunto de dados ( Abastecimento,

Balneabilidade, Irrigação e Manutenção dos Ciclos Biogeoquímicos Naturais),

observou-se que possivelmente os métodos de classificação utilizados por eles sejam

mais indicados para pequenos conjuntos de dados em processos de mineração.

Assim, tem-se a descrição dos algoritmos e dos métodos que eles utilizam:

• PART (Partial decision trees) : Constrói regras a partir de árvores de decisão

parciais usando o J4.8. Constrói uma árvore de decisão parcial em cada

iteração e converte a melhor folha (nó da árvore) em regra. O processo de

geração de regras tem dois estágios: Regras são induzidas inicialmente e

posteriormente refinadas (dividir-para-conquistar). Uma árvore de decisão

(Decision Trees) (Quinhan,1993) utiliza a estratégia de dividir-para-

conquistar, onde um problema complexo é decomposto em subproblemas

mais simples e recursivamente, a mesma estratégia é aplicada a cada

subproblema. Algoritmo de uma árvore decisão:

 Apresenta-se um conjunto de dados ao nó inicial ( ou nó raiz) da

árvore;

 Dependendo do resultado do teste lógico aplicado ao nó raiz, a árvore

ramifica-se para um dos nós filhos (ou uma sub-árvore);

 Este procedimento é repetido até que um nó terminal seja alcançado.

• JRIP (Optimizing IREP-Incremental Reduced Erro Prunning): Existem

muitas técnicas de aprendizado que vêm sendo adaptadas para o aprendizado

e árvores de decisão. A maioria das árvores de decisão utiliza a estratégia de

sobrecarregar para posteriormente simplificar, para tratar dados com ruído.

Assim, nessa estratégia, uma hipótese é formada gerando inicialmente uma

árvore complexa que super-utiliza os dados, e depois simplifica esta árvore

utilizando técnicas de poda. As técnicas de poda melhoram taxas de erros de

dados não vistos quando o conjunto de dados possui ruído. Existem inúmeros

métodos propostos para poda de árvores e uma técnica eficiente é a poda do

mínimo erro REP (Reduced Erro Pruning) (Cohen, 1995). Dentre as

variações deste método está o IREP (Incremental Reduced Erro Pruning)

(Cohen, 1995), utiliza árvore de decisão e as simplifica pela redução do erro,

com um algoritmo que trabalha a técnica dividir-para-conquistar. Depois que

101

uma regra é encontrada, todos os exemplos que são cobertos por ela são

deletados. Um caminho para melhorar a abordagem incremental do IREP é

adiar o processo de produção de regras deste método, assim esse método se

aproxima do método de poda pelo erro, uma otimização conhecida como

JRIP(Cohen, 1995).

• OneR: É uma das formas mais elementares de encontrar regras muito simples

a partir de um conjunto de instâncias, é o método 1R( 1-rule). O método 1R

gera uma árvore de decisão de apenas um nível, que é expressa através de um

conjunto de regras que testa apenas um atributo em particular. É um método

simples, econômico e frequentemente obtém boas regras para caracterizar a

estrutura de dados. Muitas vezes a estrutura dos registros são simples,

tornando um único atributo capaz de classificar uma instância com um bom

nível de precisão. Mesmo que isto não aconteça, é sempre bom começar os

testes pelos métodos mais simples. Usa o atributo do mínimo-erro para a

predição (REP- Reduced Erro Prunning técnica de simplificação de árvores

que melhoram erros em conjuntos de dados com ruídos). Exemplo do

algoritmo 1R:

 Para cada valor do atributo, criar uma regra:

 Contar o numero de vezes que a classe aparece

 Determinar a classe mais freqüente

 Criar a regra associando a classe a este valor do atributo

 Calcular as taxas de erro das regras

 Escolher as regras com menor taxa de erro

• O pior comportamento observado foi do algoritmo NNGE (Nearest

Neighbor With Generalization), elevado número de regras criando uma

certa complexidade em todos os usos. O método de classificação que ele

utiliza é o método do vizinho-mais-próximo (árvore de decisão). É um

classificador onde o aprendizado é baseado em analogia. O conjunto de

treinamento é formado por vetores de n dimensões e cada elemento deste

conjunto representa um ponto no espaço n-dimensional. Ele calcula os k’

vizinhos mais próximos (distância euclidiana) de um determinado conjunto

102

de dados e atribui como da mesma classe. Representa um dos paradigmas da

aprendizagem indutiva, ou seja, objetos semelhantes pertencem ao mesmo

grupo. Vantagens: a aprendizagem consiste em memorizar exemplos,

indicada para problemas complexos. Desvantagem: não obtém uma

representação compacta dos exemplos, tempo de aplicação é lento (para cada

exemplo de teste calcula a distância a cada exemplo de treino). É altamente

afetado por atributos redundantes (exemplos onde os vizinhos são da mesma

classe ou com ruído) e irrelevantes.

Outra observação que se pode fazer é com relação as regras geradas por cada

conjunto de dados (usos). Para as amostras:

• Abastecimento: o maior caso de ocorrências (classificações) na classe 4 e 5.

Percebe-se nas regras geradas pelo algoritmo PART (algoritmo de melhor

performance) que existem 10 regras que contemplam os casos de

classificação 4 (Boa) e 5 (Ótima), de um total de 18 (dezoito) regras geradas

pelo mesmo algoritmo.

• Balneabilidade: o resultado ignora a Classe 2 ( classe de menor ocorrência de

casos), elabora regras para as Classes 4 , 3 e 1. O que não se enquadra nestes

casos é considerado Classe 5 (maior número de ocorrências).

• Irrigação: este uso possui uma equivalência entre a ocorrência das classes,

elaborou portanto regras para todos os casos.

• Manutenção dos Ciclos Biogeoquímicos Naturais: criou regras para as

maiores ocorrências, Classes 2, 3 e 4.

A técnica de descoberta de conhecimento tem a vantagem de aprender num conjunto

de dados para posteriormente ser aplicada a outros, podendo ser utilizada para

predições futuras até em outros conjuntos de dados. Esse é o motivo que nos levou a

escolher esta técnica em detrimento de outras para avaliar a qualidade da água em

Bases de Dados (SIBAC)

As regras resultantes deste trabalho podem futuramente compor o módulo baseado

em conhecimento (Sistema Especialista) de um Sistema Inteligente para

Monitoramento Ambiental e assim avaliar outras bacias hidrográficas.

A automatização de regras pode ser realizada com o desenvolvimento de aplicações

em uma linguagem de programação (Java é mais indicada para a Weka), que

103

especifique o Banco de dados de monitoramento ambiental como entrada e utilize as

regras geradas em um sistema inteligente para avaliar qualitativamente outras bacias

hidrográficas.

104

5 - CONCLUSÕES

Consta-se uma disponibilidade crescente de dados multi-variados de qualidade da

água mantidos em base de dados ambientais, cuja avaliação conclusiva por avaliação

qualitativa, se torna cada vez mais complexa. Neste contexto, a presente dissertação

teve como objetivo principal uma discussão do seguinte questionamento: Como

extrair conhecimento implícito em bases de dados de monitoramento ambiental e

com isto melhorar o processo de tomada de decisão para avaliação qualitativa da

gestão de recursos hídricos?

Foi identificada, a partir da revisão bibliográfica, a área de KDD (Knowledge

Discovery Databases) como propícia para subsidiar a extração de conhecimento

implícito em bases de dados para melhorar a tomada de decisão no contexto de

monitoramento ambiental.

Em um estudo de caso utilizando a Base de Dados do SIBAC, observou-se a

viabilidade de se obter conhecimento através da investigação de técnicas de

mineração, onde testou-se o desempenho de sete algoritmos de classificação do tipo

“rules” visando a extração de regas para enquadrar registros de qualidade de água

em cinco classes qualitativas (ótimo, bom, regular, ruim, péssimo) para os usos:

“Abastecimento”, “Balneabilidade”, “Irrigação” e “Manutenção dos Ciclos

Biogeoquímicos Naturais”. Para fins de validação do desempenho dos algoritmos de

classificação foram utilizadas métricas como: índice de Kappa, Matriz de Confusão,

Valores de TP (True Positives), Valores de FP (False Positives), Precisão

(Precision), Cobertura (Recall), F-Measure, Curva ROC (ROC Curve). Baseado na

classificação de um conjunto de treinamento de em média 300 registros, realizada

por três especialistas pôde-se observar que:

105

1. O processo de KDD (descoberta de conhecimento em bases de dados) inclui

um volume extenso de técnicas aptas para subsidiar a tomada de decisão no

monitoramento ambiental, sendo entretanto, o grupo rules da técnica de

classificação (os que representam o conhecimento através de regras de

decisão), o mais indicado para a tarefa em questão. Essas regras são

condições do tipo if-then que são generalizadas de forma que resumem o

conteúdo da base de dados.

2. Dentre as vantagens do uso das regras está a facilidade da incorporação do

conhecimento (ele fica explícito), facilidade na interpretação do resultado e a

facilidade de futuramente armazenar essas regras numa base de

conhecimento.

3. Existe uma variação expressiva no desempenho dos algoritmos testados para

o domínio em questão, sendo o algoritmo de melhor desempenho o “PART”

para classificação do uso “Abastecimento”, o algoritmo Jrip para o uso

“Balneabilidade”, o algoritmo OneR para Irrigação e para “Manutenção dos

Ciclos Biogeoquímicos Naturais”.

4. Os algoritmos aplicados na classificação tem métodos de classificação

distintos, sendo uns bastante simples (ONeR) e outros consideravelmente

mais complexos, como o Nnge. Neste estudo a simplicidade provou ter bons

resultados, uma vez que o algoritmo OneR obteve bom desempenho para

todos os usos, embora não tenha apresentado o melhor desempenho em

“Abastecimento” (está em segundo lugar na lista dos melhores

classificadores) e em “Balneabilidade” teve o mesmo desempenho do JRip.

Optou-se por considerar o Jrip porque em avaliação de qualidade da água faz-

se necessário o uso de vários atributos (ele utiliza vários), também houve um

aumento de performance deste algoritmo no modo de teste porcentagem split.

5. O método utilizado pelo algoritmo NNge (método do vizinho mais próximo),

tornou a gama de resultados muito extensa, ou seja, o conjunto de regras

muito grande, difícil de ser interpretado e armazenado numa base de

conhecimento. Estas características estiveram presentes nos conjuntos de

regras obtidas por este algoritmo para todos os usos.

106

6. As regras geradas pelo algoritmo OneR são baseadas em um único atributo.

O resultado mostrou que o algoritmo escolheu a variável mais relevante para

cada uso: em “Balneabilidade”, “Abastecimento” e “Irrigação” escolheu

CF, somente em Ciclos Biogeoquímicos Naturais escolheu DBO.

Provavelmente os classificadores acharam a estrutura desta amostra de dados

simples, por isto este algoritmo obteve um bom desempenho.

7. Observou-se a importância da Cobertura (Recall) das regras geradas para

cada classe em seus usos distintos. Faz-se necessário que o modelo cubra o

maior número de casos e que além disso seja preciso na sua cobertura. A

cobertura minimizará a ocorrência de problemas matemáticos que nunca

sejam classificados. Se algum conjunto de dados não for coberto, o sistema

pode não ser capaz de acompanhar o aprendizado que ocorre na resolução

desse problema. Por outro lado tem-se a exatidão (casos cobertos

corretamente sob o número de casos cobertos), esta minimizará os problemas

relativos a predições incorretas, que dependendo da classe pode ter um alto

custo (por exemplo, água com estado de qualidade péssimo (1) avaliada como

ótima (5)). Como em alguns casos é interessante utilizar uma única medida

para avaliar o algoritmo, e visto que cobertura e precisão cobrem diferentes

aspectos de um algoritmo, medidas alternativas foram criadas, tal como F-

Measure, que combina em sua fórmula precisão e cobertura. Assim, além de

verificar as porcentagens corretas, valor de kappa, deve-se prestar atenção aos

FP(falsos positivos), Cobertura(Recall), Precisão (precision), Matriz de

Confusão (erros e acertos de cada classe), principalmente erros nas classes

1(péssimo), 2 (Ruim) e 3 (Regular) . Erros de classificação nestas três classes

podem significar riscos para a população e investimentos desnecessários na

recuperação de determinado trecho da bacia hidrográfica.

8. Entende-se que as técnicas avaliadas consistem em uma complementação de

outras ferramentas em uso operacional como o sistema CONAMA. A

avaliação automatizada pode subsidiar um diagnóstico periódico de

monitoramento, indicando o nível de um eventual desvio da qualidade de

água pré-estabelecida pelas classes estáticas da CONAMA, melhorando o

processo de tomada de decisão.

107

9. As técnicas de mineração de dados (etapa do processo de KDD) podem

auxiliar na descoberta automática ou semi-automática de conhecimento pois

permitem a previsão de valores de atributos com maior probalidade de acerto.

São previsões seguras, baseadas em informações reais disponíveis nas bases

de dados ambientais.

10. Em um sistema operacionalizado acoplado a uma base de conhecimento, as

regras geradas podem ser aperfeiçoadas, dependendo da alimentação de

novos registros classificados por especialistas do domínio. Da mesma forma

permitiria a classificação periódica de toda a base de dados, através de uma

análise automatizada, classificando toda a bacia em níveis de qualidade

propostos neste trabalho.

11. A desvantagem frente aos índices IQA (Índice de Qualidade da Água) é que

nesta técnica as regras mudam em função do conjunto de treinamento, há

produção de regras a cada conjunto de treinamento da base submetido a

mineração.

12. Constatam-se que os algoritmos não somente geram as regras, mas incluem, a

partir das saídas geradas pelas técnicas de validação, uma avaliação da

confiabilidade do conhecimento gerado, indicando desta forma a necessidade

específica de aprimorar os conhecimentos sobre a qualidade de água no

contexto de um determinado uso e sugerir o consenso dos especialistas neste

processo.

13. Entende-se que a aplicação das técnicas possui, sobretudo, utilidade na

avaliação constante de grandes conjuntos de dados dinâmicos. Permitem uma

visão sinóptica em áreas abrangentes, ex. bacia hidrográficas inteiras, tarefa

complexa e dispendiosa se realizada por avaliação interativa por um

técnico/especialista.

108

6 – BIBLIOGRAFIAS CITADAS

ALVARES, Lillian. Aplicação de data mining em bases de dados especializadas

em ciência da informação para obtenção de informações sobre a estrutura de

pesquisa e desenvolvimento em ciência da informação no Brasil. Brasília, 2000.

Monografia (Especialização) UFRJ/ECO, MCT/INT/IBICT.

ALVARENGA, S.M.; BRASIL,A.E.; PINHEIRO,R. et al. Estudo Geomorfológico

Aplicado `a Bacia do Alto Rio Paraguai e Pantanais Matogrossenses. Projeto

RADAMBrasil, série Geomorfologia, Salvador-BA,1984, pp. 89-183.

AZEVEDO, L.G.T.; Rego, M.F.;Baltar, A.M.; Porto,R. Sistemas de suporte a

decisão para a outorga de direitos de uso da água no Brasil: uma análise da

situação brasileira em alguns estados. Revista Bahia e Análise de Dados,

Salvador, v.13, n.ESPECIAL,P.481-296,2003.

BARRETO,J.M. Inteligência Artificial no Limiar do Século XXI. 2 Ed.

Florianópolis,SC, 1999.

BIRANT, D. ; KUT, A. ST-DBSCAN: An Algorithm for clustering spatial-

temporal data. In: Data & Knowledge Engineering 60. 208-221. Elsevier, 2007.

Disponível em: www.sciencedirect.com. Acesso em : 11/11/2006.

BOGORNY, V. Algoritmos e Ferramentas de Descoberta de Conhecimento em

Bancos de Dados Geográficos. Porto Alegre: PPGC de UFRGS, 2003. Disponível

em:

http://www.inf.ufrgs.br/%7Evbogorny/publication.html. Acesso em 07/09/2006.

BRANCO, S. M. (1986). Hidrobiologia aplicada à engenharia sanitária, São

Paulo, 3 ed., CETESB/ASCETESB, 616p.

109

BRASIL. Ministério do Meio Ambiente. Conselho Nacional de Recursos Hídricos.

Resolução n.12, de 19 de junho de 2000. Brasília, 2000.

________.Caderno da Região Hidrográfica do Paraguai/MMA, Secretaria de

Recursos Hídricos. Brasília: MMA, 2006. 140p.:il. Color; 27cm.

________.Ministério do Meio Ambiente. Agência Nacional de Águas(ANA).

Disponibilidades e Demandas de Recursos Hídricos Brasil. Brasília:

Superintendência de Planejamento de Recursos Hídricos, Superintendência de

Conservação de Água e o Solo, Superintendência de Usos Múltiplos, Agência

Nacional de Águas(ANA), 2005. 134p.(arquivo em pdf).

CANO, J. R.; HERRERA, F.; LOZANO, M. Evolutionary Stratified Training Set

Selection for Extracting Classification Rules with Trade Off precision-

interpretability. In: Data & Knowledge Engineering 60. 90-108. Elsevier, 2007.

Disponível em: www.sciencedirect.com. Acesso em : 11/11/2006.

CANHAMERO, M. Apostila do curso e capacitação Técnica em Recursos

Hídricos com ênfase na sub-bacia hidrográfica Billings Tamanduaté-“ O

saneamento Ambiental através do Conhecimento de Novas Técnicas de Análise

para os Recursos Hídricos. Disponível em: www.agds.org.br/cursos/pdf/apostilapro

fmagali.pdf. Acesso em: 15/01/2007.

CONAMA - Conselho Nacional do Meio Ambiente. Resolução n° 357, de 17 de

Março de 2005.

CARVALHO, D. R. & FREITAS, A. A. A hybrid decision tree/genetic algorithm

for coping with the problem of small disjunts in Data Mining. In: Porc. Generic

Evolucionary Computation(GECCO-2000), las Vegas, NV, USA. July,2000.

________. Ministério do Meio Ambiente. Secretaria de Recursos Hídricos. Política

Nacional de Recursos Hídricos. Lei n. 9.433, de 8 de Janeiro de 1997. Brasília,

1997.

110

________. Ministério do Meio Ambiente. Conselho Nacional do Meio Ambiente.

Resolução CONAMA n.357, de 25 de março de 2005. Brasília, 2005.

DEBERDT, André Jean. Projeto PROCIENCIAS -Qualidade de Água. Disponível

em: http://www.educar.sc.usp.br/biologia/prociencias/qagua.htm. Acesso em 10/10/2006.

DELAVAR, M.R.; KARIMIPOUR, F. ; REZAYAN, H. Neighborhood Analysis in

Water Pollution Estimation. In: Environmental Informatics Archives, volume

3(2005), 232-238. ISEIS Publication Series number p002.

DIAS, M.M.; PACHECO,R.C.S. Uma metodologia para o desenvolvimento de

sistemas de descoberta de conhecimento. Publicado em Acta Sci. Technol..

Maringá, v.27, n.1,p.61-72. Jan./june,2005. Disponível em:

http://www.ppg.uem.br.Acesso em 10/10/2006

ESTEVES, F. A. Fundamentos de Limnologia. Rio de Janeiro: Editora

Interciência/Financiadora de Estudos e Projetos. 602p. 1998.

FAYYAD, U.M. et al. Advances in knowledge discovery and datamining.

Cambridge, Ma : AAAI Press, 1996.

FAYYAD, U. et al. From data mining to knowledge discovery in databases. In:

AI Magazine. Cambridge, Ma : AAAI Press, 1996.

FAYYAD, U.; PIATETSKI-SHAPIRO,G.;SMYTH,P. The KDD Process for

Extracting Useful Knowledge from volumes of Data. In: Communications of the

ACM, p.27-34, 1996.

FEITOSA, F. A. C.; FILHO, J. M. Hidrogeologia: conceitos e aplicações,

LABHID-UFPE. Fortaleza-CE. Ed. CPRM, 1997.

111

FELDENS, M. A. Descoberta de Conhecimento em bases de dados e Mineração

de dados. Pelotas, jun. 1997. Disponível em:

<http://gpia.ucpel.tche.br/voia/ioia/public.htm> Acesso em 20/03/2004.

FERRAZ A.R.G.; BRAGA JR. Modelo Decisório para a Outorga de direito ao

uso da água no Estado de São Paulo. RBRH-Revista Brasileira de Recursos

Hídricos, vol 3 n.1 jan/mar 1998, 5-19.

FREITAS, A.A. On objetive measures of rule surprisingness. In: Proceedings of

the 2

European Symposium Principles of Data Mining and Knowledge

Discovery,1997. Disponível em: http://dainf.cefetpr/~alex/thesis.html.

GIBERT, K.; SANCHES-MARRE, M.;RODA-RODRIGUES, I. GESCONDA: An

Intelligent data Analysis system for Knowledge discovery and management.In:

Environmental Modelling & Software, volume 21, Issue 1, 2006, p.115-120.

GOMES, A. K. Análise do Conhecimento Extraído de Classificadores Simbólicos

utilizando medidas de avaliação e de interessabilidade.(Dissertação) Instituto de

Ciências Matemáticas e de Computação da Universidade de São Paulo. USP-São

Carlos,2002.

GOMES, M.M.; PADOVANI ,C. R. A agonia da pecuária no baixo Rio Taquari

(MS). In Simpósio sobre Recursos Naturais e Sócio-econômicos do Pantanal-

Sustentabilidade Regional 4. Corumbá(MS): Embrapa Pantanal/ UFMS/UCDB/

SEBRAE, 2004. Resumo. Cd-Rom.

HAND, D.J. Construction and Assessment of classification rules. John Wiley &

Sons, 1997.

HARRISON, T.H. Intranet Data Warehouse. São Paulo:Editora Berkeley, 1998.

IBGE, 2000, Instituto Brasileiro de Geografia e Estatística: Censo 2000. Disponível

em: www.ibge.gov.br

. Acesso em: 07/08/2005.

112

LACERDA, M.P.; SOUZA, R.C.F. Aplicação da Mineração de Dados em

Sistema de Avaliação de professor e aluno. Monografia(conclusão de curso).

Universidade Federal do Pará. Belém, 2004.

LANNA, A.E.L;1999. Aspectos Institucionais da Gestão de Recursos Hídricos,

Capitulo 5. Publicação do Instituto de Pesquisas Hidráulicas da Universidade

Federal do Rio Grande do Sul- home-page:

atlantico.iph.ufrs.br/portaliph/ppg/disciplinas/hip78/2.pdf. Rio Grande do Sul.

LAVRAC, N; FLACH, P.; ZUPAN,B.Rule evaluation measures: a unifying view.

In: Proceeding of the Ninth International Workshop on Inductive Logic

Porgramming. LNAI. Volume 1634.(1999)74-85.

LIMA, E. B. N. R. Modelagem Integrada para Gestão da Qualidade da água na

Bacia do Rio Cuiabá. Tese(doutorado). Programa de Pós-Graduação da Engenharia

Civil da Universidade Federal do Rio de Janeiro-COPPE. UFRJ.2001.

MANCUSO, P. C. S.; SANTOS, H. F. S. Reuso de Água. 1.ed. Barueri, SP: Ed.

Manole, 2003. 579p.

MEIRELLES, M.; BUENO, M.C.D.; DIAS, T. C.S.; COUTINHO, H.L.C. Sistema

de Suporte a Decisão para avaliação de impactos ambientais em bacias

hidrográficas por redes de dependência e lógica fuzzy. In: XII Simposio

Brasileiro de Sensoriamento Remoto, 2005, Goiânia, Brasil. Anais. XII Simposio

Brasileiro de Sensoriamento Remoto,Goiânia, Brasil, 16-21 abril 2005, INPE,

P.2259-2266. Disponível em:

http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2004/11.21.21.19/doc/2259.pdf. Acesso

em 02 maio 2006.

MOTA, S. Preservação de recursos hídricos. Rio de janeiro,

ABES, 1995.

113

MOTTA, C.G. L., Sistema Inteligente para avaliação de Riscos em Vias de

Transporte Terrestre. Tese de Mestrado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil,

2004. Disponível em:www.coc.ufrj.br. Acesso em: 20/07/2006.

MOTTA, C.G. L. Introdução a Técnicas de Data Mining- Classificação de

Dados,2005. Disponível em:

www.arquivosevt.Incc.br/pdfs/Intoducao%20data%Mining%2002.pdf. Acesso em:

20/07/2006.

NALINI, R. Ética Ambiental. 2ª Ed. Campinas,SP: Ed. Millenium,2003.424p.

NASCIMENTO, L. V.; VON SPERLING, M. Os padrões brasileiros de

qualidade das águas e os critérios para proteção da vida aquática, saúde

humana e animal. In: Congresso Interamericano de Ingeniera Sanitária y

Ambiental, AIDIS,26, 1998, Lima. Anais Lima: 1998, p. 1-6.

NAVEGA, S. Princípios Essenciais do Data Mining. In: Infoimagem, Cenadem,

novembro,2002. Anais: Infoimagem, Cenadem, 2002. Disponível em:

http://www.intelliwise.com/reports/i2002.pdf Acesso em 11/10/2006.

NORTON, M. J. Knowledge Discovery in databases. In: Library Trends, v.48, n.1,

p.9-21, 1999.

PADOVANI, C. R. 2004. Fire Monitoring and analysis for the Brazilian

Pantanal. In Simpósio Internacional de Projetos Ecológicos de Longa Duração,

1.CNPq: Manaus: Resumos. p.47.

PELLEGRINI, G.F.; COLLAZOS,K. Extração de Conhecimento a partir dos

Sistemas de Informação. Disponível em: http://www.inf.ufsc/~I3C/artigos/Pellegrini00.pdf

Acesso em 08/09/2006.

114

PEREIRA, G. C. Mineração de dados para análise e diagnóstico Ambiental.

Tese(doutorado). Programa de Pós-Graduação de Engenharia da Universidade

Federal do Rio de Janeiro-COPPE/UFRJ,2005.

QUINLAN, J. R. Generating productives rules from decision trees. In:

Proceesings of the tenth International Joint Conference on Artificial Intelligence,

pages 304-307, Italy, 1987.

QUONIAM, L. ; TARAPANOFF,K.; JUNIOR,R.H.A.;ALVARES, L. Inteligência

obtida pela aplicação de Data Mining em Bases de teses Francesas sobre o

Brasil. In: Ciência da Informação, Brasília, v.30, n.2, p.20-28, 2001.

REBOUÇAS, A.C.; BRAGA, B; TUNDISI, J. G.. Águas Doces do Brasil: Capital

Ecológico, uso e conservação. São Paulo: Escritura Editora, 1999.717p.

REZENDE, S.O. (Coord.), Sistemas Inteligentes: Fundamentos e Aplicações.

Barueri, SP, Brasil, Rezende, S.O., 2003.Editora Manole.

ROBERTO, A. N. ; PORTO, R. L. ; ZAHED, K. Sistema de Suporte a Decisões

para Análise de Cheias em Bacias Complexas. In: XII Simpósio Brasileiro de

Recursos Hídricos, 1997, Vitória. Anais do XII Simpósio Brasileiro de Recursos

Hídricos, 1997.

ROMÃO, W. Descoberta de Conhecimento relevante em Bancos de Dados sobre

Ciência e Tecnologia. Tese(Doutorado)-Universidade Federal de Santa Catarina..

Florianópolis,2002. Disponível em: http://teses.eps.ufsc.br/resumo.asp?3150. Acesso em

09/10/2006.

SALOMÃO, F. X. T. Rio Cuiabá: A geologia e a problemática da erosão e do

assoreamento. In: Ferreira, M. S. F. D.(org.), O rio Cuiabá como subsídio para a

educação Ambiental, Ed. UFMT,1999.

115

SIBAC-Sistema de Monitoramento da Bacia do Rio Cuiabá, 2000, Relatório de

Modelagem Integrada da Bacia do Rio Cuiabá, PROPEP.

SPRAGUE,R. H. , WATSON, H. J. Sistemas de apoio a decisão: colocando a

teoria em prática. Trad. Ana Beatriz G. R. Silva. Rio de Janeiro,Campus, 1989.

p.43-54.

SILVEIRA, Rosemari de F. Mineração de Dados aplicado a Definição de Índices

em Sistemas de Raciocínio Baseado em Casos. Porto Alegre: CPGCC da

UFRGS, 2003. Monografia(especialização). Universidade Federal do Rio Grande

do Sul . Porto Alegre, BR-RS, 2003.

SPERLING, M.V. Introdução `a Qualidade das Águas e ao tratamento de

esgotos, ed 2, Belo Horizonte-MG, Ed. SEGRAC,1996.

TUCCI, C. E. Modelos Hidrológicos, ed. 1. Porto Alegre, 1998. Ed. da

Universidade Federal do Rio Grande do Sul

WAIKATO, U.D. Weka Knowledge Explorer(Waikato Enviroment for

Knowledge Analys). Nova Zelândia, 2000.

WATERMAN,D.A. A Guide to expert systems. Addison-Wesley Publishing

Company, 1986.

WEISS,S.I.;KULIKOWSKI,C. Computer Systems that learn: classification and

Prediction Methods from Statistics, Neural Networks, Machine Learning, and

Expert Systems. San Francisco, California,1991. Morgan Kauffmann.

WITTEN, I.H.; FRANK, E. Data Mining: Practical Machine Learning Tools

and a Techniques with Java Implementations. Morgan Kaufmann Publishers.

Waikato, 2000,USA.

116

7 – BIBLIOGRAFIAS CONSULTADAS

BERRY, M.J. ; LINOFF, G . Data Mining Techniques: For Marketing, Sales and

Customer Suport. New York, NY: John Wiley & Sons, 1997. 444p.

BRATKO, I: Prolog Programming for Artificial Intelligence. Addison-

Wesley(1990).

GOEBEL, M. et al. A Survey of Data Mining and knowledge Discovery Software

Tools. 1999. Disponível em: http://citeseer.nj.nec.com/goebel99survey.html> Acesso em

28/03/2004.

LUCENA, C.J.P. Inteligência Artificial e Engenharia de Software. Publicações

acadêmico-científicas Puc-RJ/IBM. Brasil. Jorge zahar Editor. Rio de

Janeiro,1987.

GANASCIA, J. G. Inteligência Artificial. Ed. Ática, Sao Paulo,1997.

DATE,C. J. Introdução a Sistemas de Bancos de Dados, tradução da 4 Ed

Americana,p.674, Editora Campus,1996.

DESENVOLVIMENTO E MEIO AMBIENTE: Riscos Coletivos- Ambiente e

Saúde- CO-EDIÇÃO: REVISTA NATURES SCIENCES E SOCIÉTÉS.

Curitiba,PR: Ed. da UFPR, n.5,2002. Semestral. ISSN 1518-952X.

LANDIS J.R., KOCH G.G. The Measurement of Observer Agreement

for Categorical Data, Biometrics, 1977a, 33, 159-174.

LEVINE, R. J.; DRANG,D. E.; EDELSON, B. Inteligência Artificial e sistemas

especialistas. Trad. RATTO, M.C.S.R. São Paulo, Mcgrawhill, 1988. 264p.

117

NAVEGA, S. C. (2000) Inteligência Artificial, Educação de Crianças e o Cérebro

Humano. Publicado em Leopoldianum, Revista de Estudos de Comunicações da

Universidade de Santos (Ano 25, No. 72, Fev. 2000, pp 87-102). Disponível em

http://www.intelliwise.com/reports/p4port.htm

NAVEGA, S. C. (2002) Projeto CYC: Confundindo Inteligência com Conhecimento.

In: KMBrasil 2002, 3

Workshop Brasileiro de Inteligência Competitiva. Disponível

em http://www.intelliwise.com/reports/kmbscn.htm

NAVEGA, S. C. (in press) Pensamento Crítico e Argumentação Sólida. Intelliwise

Publicações. Trechos em http://www.intelliwise.com/books

PORTO, M. Sistema de Gestão da qualidade das águas: uma proposta para o

caso brasileiro. Tese(livre Docência)- Escola Politécnica de Universidade de São

Paulo. Departamento de Engenharia Hidráulica e Sanitária . São Paulo, 2002.

PROENÇA, C. N. O.; MEDEIROS, Y.D.P.; CAMPOS,V.P. Metodologia para

Definição de Parâmetros de Qualidade d a Água visando o enquadramento de

corpos d’água em região semi-árida. Disponível em:

www.grh.ufba.br/Publicacoes/Artigos/Artigos%202004/Em%20andamento/Clélia/art

igo%20clelia%20abrh%2030-08.pdf . Acesso em: 13/11/2006.

UNIVERSIDADE FEDERAL DO CEARÁ(UFC). Laboratório de Inteligência

Artificial. Disponível em http://www.lia.ufc.br/~bezerra/exsinta/exsintashell.htm

Acesso em: 20 março 2006.

RICH, Elaine; KNIGHT, Kevin. Artificial Intelligence. New York: Mc Graw Hill

Book, 1983.

SANTOS, I. M. Data Warehouse como ferramenta de auxílio em sistemas de

monitoramento Ambiental. Monografia(graduação). Departamento de Ciências da

Computação da Universidade Federal de Mato Grosso-UFMT, Cuiabá-MT, 2003.

118

NILSSON, Nils J. Artificial Intelligence: a new synthesis. San Francisco, CA:

Morgan Kaufmann, 1998. 513p.

NILSON, Neils S. Principles of Artificial Intelligence, Spring Verlag, Berlin, 1982.

BRANCO, S. & ROCHA, A. A. Elementos de ciência do ambiente.

2a. ED. SÃO PAULO, CETESB/ASCETESB, 1987. 206 P.

BUSS, D. F.; BAPTISTA, D. F. & NESSIMIAN, J. L. Bases conceituais para a

aplicação de biomonitoramento em programas de avaliação da qualidade da água

de rios. Cad. Saúde Pública, Rio de Janeiro, 19(2): p. 465-473, mar-abr, 2003.

MMA - Ministério do Meio Ambiente, Programa Monitore: Diretório das

Instituições que Realizam Monitoramento Ambiental. Brasília: MMA. 1998.

NAVAS-PEREIRA, D. & HENRIQUES, R. M. Aplicação de índices biológicos

numéricos na avaliação da qualidade ambiental. Revista Brasileira de Biologia, 56:

p441-450. 1995.

CARMOUZE, J. P. (1994). O Metabolismo dos ecossistemas aquáticos:

fundamentos teóricos, métodos de estudo e análises químicas. São Paulo - Editora

Edgard Blücher – FAPESP. 253p.

ESTEVES, F. ª (1988). Fundamentos de limnologia, Rio de Janeiro, - Editora

Interciência Ltda – FINEP. 574p

CARVALHO, B. A. Ecologia aplicada ao saneamento ambiental. Rio de janeiro,

abes/bnh/feema, 1980.

FELLENBERG, G.. Introdução aos problemas de poluição ambiental. São paulo,

epv/springer/edusp, 1980. 196 p.

ACM special interest group on knowledge discovery in data and data mining.

Disponível em: <http://www.acm.org/sigkdd/>

119

CABENA, Peter et al. Discovering data mining: from concept to implementation.

New Jersey : Prentice Hall, 1997.

DATAMATION magazine. Disponível em: <http://www.datamation.com/>

INFORMATION discovery. Disponível em: <http://www.datamining.com/>

INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA

MINING. Disponível em: <http://www.digimine.com/usama/datamine/kdd99/>

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 