1 / 33

Uso de Regras de Associação Fuzzy na Base de Dados Integrada PIATAM/SIPAM

www.piatam.fua.br. Uso de Regras de Associação Fuzzy na Base de Dados Integrada PIATAM/SIPAM. Fábio Roque da Silva Moreira Orientação: Alexandre Evsukoff Fernando Pellon de Miranda. Agosto/2005. APRESENTAÇÃO. Introdução;

kalliyan
Download Presentation

Uso de Regras de Associação Fuzzy na Base de Dados Integrada PIATAM/SIPAM

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. www.piatam.fua.br Uso de Regras de Associação Fuzzy na Base de Dados Integrada PIATAM/SIPAM Fábio Roque da Silva Moreira Orientação: Alexandre Evsukoff Fernando Pellon de Miranda Agosto/2005

  2. APRESENTAÇÃO • Introdução; • Projeto PIATAM e a Base de Dados Integrada BDI PIATAM/SIPAM; • Motivação e Objetivo; • Fundamentação Teórica: • Regras de associação Fuzzy; • Conjuntos de Dados de Limnologia do PIATAM; • Avanços Futuros: • (Regras de Associação Fuzzy Temporais e Espaciais)

  3. INTRODUÇÃO • As atuais iniciativas de construção de grandes repositórios centralizados de dados sócio-ambientais (e.g. SIPAM) demostram uma mudança de filosofia no trato com as informações sócio-ambientais; • Um bom exemplo de Base Integrada de Dados (BDI) é a base PIATAM/SIPAM (Dados sócio-ambientais); • Essa nova filosofia de integração das informações ambientais sinaliza com novas possibilidades de extração de conhecimento (interrelações entre as variáveis (atributos);

  4. INTRODUÇÃO • Entretanto, a aquisição desse conhecimento demanda o emprego de técnicas matemáticas adequadas; • Dentre as diversas técnicas de data mining empregadas a técnica regras de associação aparece em destaque (Motivos: facilidade de compreenção e alta capacidade de manipulação de massívas quantidades de informação); • Regras de associação apresentam uma abordagem booleana(item presente ou não). Entretanto, em casos naturais as relações naturais são fuzzyao invés de booleanas, o que traz a tona o conceito de regras de associação fuzzy.

  5. MOTIVAÇÃO E OBJETIVO • Necessidade de extração de conhecimento da BDI PIATAM/SIPAM que auxilie e forneça subsídios para processos de tomada de decisão durante planos de contigência (transporte de óleo e gás na região amazônica). • Apresentar uma proposta de extração de conhecimento da Base de Dados Integrada PIATAM/SIPAM, através da aplicação de um modelo baseado em Regras de Associação Fuzzy.

  6. PIATAM Potenciais Impactos Ambientais no Transporte Fluvial de Gás Natural e Petróleo na Amazônia

  7. PROJETO PIATAM • Idealizado para minimizar os possíveis impactos ambientais relacionados a industria do petróleo na Amazônia; • Ajuda a promover a produção e o transporte de óleo e gás de forma sustentável, contribuindo também para a ampliação do conhecimento científico sobre a região; • Dispõe Base de Dados de natureza ambiental e sócio-econômica, consistindo de dados de trabalho de campo coletados periodicamente por pesquisadores de diferentes áreas, assim como arquivos de imagens individuais de satélites e aeroportadas, além de mosaicos georreferenciados;

  8. PROJETO PIATAM ÁREA DE ESTUDO MOSAICO JERS-1 SAR

  9. PROJETO PIATAM 11 Localidades (9 Comunidades) Mosaico GRFM Época Seca Outubro 1995 Mosaico GRFM Época Cheia Maio 1996

  10. MOSAICO JERS-1 COARI - MANAUS • LOW FLOOD • 19 OCT 95 – 24 OCT 95

  11. MOSAICO JERS-1 COARI - MANAUS • LOW FLOOD • RISING WATER • 19 OCT 95 – 24 OCT 95 • 28 FEB 96 – 04 MAR 96

  12. MOSAICO JERS-1 COARI - MANAUS • LOW FLOOD • RISING WATER • HIGH FLOOD • 19 OCT 95 – 24 OCT 95 • 28 FEB 96 – 04 MAR 96 • 26 MAY 96 – 31 MAY 96

  13. MOSAICO JERS-1 COARI - MANAUS • LOW FLOOD • RISING WATER • HIGH FLOOD • RECEDING WATER • 19 OCT 95 – 24 OCT 95 • 28 FEB 96 – 04 MAR 96 • 26 MAY 96 – 31 MAY 96 • 22 AUG 96 – 27 AUG 96

  14. BDI PIATAM/SIPAM Base de Dados Integrada PIATAM/SIPAM (BDI): - Repositório centralizado de informações de natureza sócio-ambiental identificadas como de interesse para o projeto PIATAM. Vantagem da BDI: - Oportunidade de mineração de dados no auxilio de processos de tomada de decisão (planos de contingência mais adequados às variações sazonais do ambiente amazônico (seca, enchente, cheia e vazante). Clientes: INFOPAE e Mapa de Sensibilidade

  15. BDI PIATAM/SIPAM Classificação dos dados disponíveis na BDI: • Dados de campo; • Modelos Digitais de Elevação do SRTM; • Dados de imagens originais do PIATAM ou do SIPAM; • Dados de Base (Cartografia básica/temática do IBGE e Modelos Digitais de Elevação da UFV) originais do SIPAM; • Dados de Sensores do SIPAM; • Dados Socioeconômicos do IBGE e Previsão de Tempo, originais do SIPAM.

  16. Arqueologia Crustáceos Documentação Entomologia Flora Herpetofauna Ictiofauna IDH-C Limnologia Macrófitas Aquáticas Malária Socioeconomia Solos Varzeometria BDI PIATAM/SIPAM Dados de Campo

  17. BDI PIATAM/SIPAM Dados de Campo: Marco PIATAM Ponto de Coleta

  18. FUNDAMENTAÇÃO TEÓRICA • Regras de Associação Fuzzy • As pesquisas iniciais relacionadas com Regras de Associação concentravam-se em regras booleanas, as (presença ou não), desconsiderando atributos quantitativos. • Regras de associação são empregadas em tabela de dados com dados binários. Onde, um registro X na tabela de dados representa uma transação, enquanto os atributos representam itens que podem ter sido adquiridos ou não. Desse modo, para cada atributo A, A(x) é tanto 1 ou 0 indicando se o item foi ou não comprado na transação X. (Hong, et al. 1999)

  19. FUNDAMENTAÇÃO TEÓRICA • Um modo de tratar com atributos quantitativos é substituí-los por outros atributos que formam uma partição discreta (e.g. baixo [0,100 [, médio [100, 300 [ e alto [300, + [ ); • A teoria dos conjuntos fuzzy ajuda a lidar melhor com atributos quantitativos, representando uma ótima ferramenta para modelar termos e relações imprecisas comumente empregados por seres humanos em comunicação e compreensão. Além do mais, é vastamente aceito que muitas relações naturais no mundo real são intrinsicamente fuzzy ao invés de booleana.

  20. FUNDAMENTAÇÃO TEÓRICA Conjunto de dados:

  21. FUNDAMENTAÇÃO TEÓRICA Primeiro Passo: Transformação dos atributos em conjuntos Fuzzy:

  22. FUNDAMENTAÇÃO TEÓRICA Conjuntos Fuzzy pH:

  23. FUNDAMENTAÇÃO TEÓRICA Conjuntos Fuzzy:

  24. FUNDAMENTAÇÃO TEÓRICA Segundo Passo: Calculo da cardinalidade escalar de cada conjunto Fuzzy:

  25. FUNDAMENTAÇÃO TEÓRICA Terceiro Passo: Encontrar a região fuzzy por atributo de maior valor de cardinalidade: Assume-se a região fuzzy para o atributo j

  26. FUNDAMENTAÇÃO TEÓRICA Quarto Passo: Verificar-se o valor de de cada região fuzzy é maior ou igual ao suporte pré-definido : Caso o valor seja maior considere este atributo no conjunto de itens 1-itemset (L1)

  27. FUNDAMENTAÇÃO TEÓRICA Quinto Passo: Fixe r=1 Encontre todos os candidatos do conjunto Cr+1através do Lrde um modo semelhante ao algoritmo apriore

  28. FUNDAMENTAÇÃO TEÓRICA Quinto Passo: • Considere um itemsetI que não satisfaça ao limiar de suporte: • Caso um item A seja adicionado ao itemset I o conjunto resultante não pode ocorrer mais freqüentemente do que I,

  29. FUNDAMENTAÇÃO TEÓRICA Regras de Associação:

  30. FUNDAMENTAÇÃO TEÓRICA Regras de Associação:

  31. FUNDAMENTAÇÃO TEÓRICA Regras de Associação:

  32. FUNDAMENTAÇÃO TEÓRICA Teoria dos conjuntos Fuzzy: Função característica Função petinência -cut

  33. FUNDAMENTAÇÃO TEÓRICA Teoria dos conjuntos Fuzzy: Cardinalidade escalar Complemento

More Related