Aplicações de redes neurais na área ambiental

RIBEIRO e CENTENO (2001) aplicaram redes neurais com o objetivo de delimitar e caracterizar unidades de paisagem utilizando dados de imagens de sensoriamento remoto associados a dados topográficos e geológicos. As redes foram utilizadas como ferramentas para integração de dados de fontes diferentes e resultaram em uma alternativa à classificação tradicional, pois possibilitaram minimizar a subjetividade que cada analista utiliza na sua interpretação sobre as características únicas da paisagem. Os autores alegaram ainda que tal complementação de informações seria inviável se no processo de classificação fossem utilizados os métodos estatísticos convencionais.

As características espaciais, espectrais, radiométricas e temporais das imagens de sensoriamento remoto permitem sua utilização em uma ampla variedade de estudos ambientais. Já a aplicação de estruturas de redes neurais a essas imagens, muitas vezes integradas a dados temáticos, permitiu estabelecer relações de síntese entre as variáveis que representam o meio físico e os fenômenos ambientais. Nesse contexto, GALO (2000) buscou

adequar essas estruturas computacionais a diferentes situações de classificação e aplicou à caracterização ambiental do Parque Estadual Morro do Diabo (PEMD). Os resultados apontaram a viabilidade de se aplicar redes neurais no estudo da ecologia da paisagem.

BACA (2001) desenvolveu um aplicativo com técnicas de redes neurais para a Modelagem Numérica do Terreno (MNT), afirmando que em muitas situações é preciso ter valores pontuais interpolados para abranger amplas superfícies. Este tipo de levantamento pode ser utilizado para diversos fins, como por exemplo, o cálculo do desvio geoidal na determinação da altitude e o estudo da determinação de superfícies de temperatura.

O autor alega que em todos estes casos a metodologia tradicional de formação da grade de valores numéricos, empregando métodos geoestatísticos ou tradicionais, exige o armazenamento de grande volume de dados e o emprego de um aplicativo para a interpolação. A aplicação da ferramenta de redes neurais pode economizar espaço de armazenamento e facilitar a interpolação.

BRAGA (1995) propôs, em seu trabalho de tese, avançar os estudos no entendimento de modelos de previsão das principais fases fenológicas da cultura da maçã, considerando sua produtividade nas safras. Para tanto, foram desenvolvidos, testados e comparados modelos de previsão polinomiais contra redes neurais artificiais. A combinação destes modelos também foi testada, buscando minimizar desvios ou erros relativos das previsões.

O autor argumenta que os modelos têm fundamentação agrometeorológica com combinação de dados do potencial produtivo da espécie e seus cultivares, sendo que as variáveis ou estimadores agrometeorológicos considerados levam em conta o conceito de graus-dia, horas de frio e balanço hídrico. Os modelos desenvolvidos são polinomiais de diversas ordens, ajustados por regressão múltipla e a rede neural empregada foi a Back- Propagation.

MEDEIROS (1999) cita que as redes neurais podem ser utilizadas nas mais diversas áreas, principalmente em aplicações que envolvam a resolução de problemas de aproximação, mapeamento de funções e reconhecimento de padrões. No entanto, para que as soluções obtidas da implementação da rede tenham desempenho satisfatório, deve-se dispor de uma grande quantidade de dados de treinamento e não necessitar de regras de decisão discretas (por exemplo, sim ou não).

DRUMMOND et al. (2000) registraram em seus estudos de predição agrícola que os métodos tradicionais de compilação de dados são extremamente demorados e trabalhosos, o que não condiz com as exigências da realidade. Já considerando as técnicas de redes neurais, os autores consideraram-nas interessantes para essas situações, sendo que os resultados do estudo mostraram que a variação no tempo de treinamento entre os métodos neurais poderia certamente ser atribuído às especificidades do algoritmo de treinamento ou aos parâmetros de treinamento usados (ou a ambos), e por isso, foram considerados irrelevantes no estudo.

Ainda sobre o estudo de predição, uma situação interessante foi considerada: quando uma simples observação climatológica foi removida dos dados de treinamento, a habilidade de predição do método foi reduzida dramaticamente, embora uma das fases do experimento tenha indicado que o método não-linear teve a capacidade de sucesso usando variáveis climatológicas adicionais. Os autores sugeriram estudos mais aprofundados sobre essa situação.

CASTRO et al. (1998) enfatizam que o primeiro aspecto associado com os maiores desafios nos problemas de predição é o grande número de variáveis de entrada a serem consideradas e as interações não-lineares significativas entre elas, impedindo a adoção de estratégias de predição convencionais.

Segundo os autores as redes neurais artificiais são um dispositivo computacional muito poderoso para efetuar extração e representação de informações, podendo ser usadas para produzir um modelo de predição. Quando um problema de predição envolve um grande número de variáveis de entrada e existe uma interação não-linear entre elas, há a necessidade de introduzir vários métodos de redução de dimensão. As aplicações que usam arquiteturas de redes neurais podem ser encontradas em muitas áreas de pesquisa, sendo que as ferramentas de predição apresentadas nesse estudo podem ser diretamente aplicadas para todos os problemas de predição em outras áreas de pesquisa de similar complexidade.

SIMPSON (1998) publicou um estudo sobre uma estrutura de RN para predição de produtividade em safras agrícolas. Primeiramente, foi elaborado um estudo comparativo sobre desempenho de classificação de safras utilizando dois tipos de dados: dados agrometeorológicos (umidade do solo, temperatura, radiação solar) e dados de sensoriamento remoto, a partir de imagens Landsat 5 TM, encontrando resultados de 5% de erro padrão para os dados estudados. Após, foi implementado, com sucesso, o treinamento de uma RN CMAC

(Cerebellar Model Articulation Controller) empregando dados de classificação de nuvens por imagens Meteosat e identificação de minerais pelo o sensor AVIRIS, visando a predição da produtividade agrícola.