Experimentos Utilizando Atributos da UP-G

Os experimentos a seguir retratam o desempenho obtido pelas abordagens FCM, HACC- Spatial e SWMU Clustering utilizando dados da UP-G. Da mesma maneira que foi realizado para a UP-CA e a UP-UV, a Figura 8.29 exibe gráficos contendo os valores de MVI para possí- veis divisões dos dados realizadas pelo algoritmo k-means para a tesselação inicial, considerando- se os conjuntos de atributos UP-G1, UP-G2 e UP-G3.

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 182 Figura 8.29: Percentual médio de variância interna (MVI) para dados oriundos da UP-G, consi- derando os conjuntos de atributos (a) UP-G1; (b) UP-G2; e (c) UP-G3.

(a) (b)

(c)

No caso dos dados da UP-G é possível observar, a partir dos gráficos da Figura 8.29, um crescimento contínuo da porcentagem de MVI dos agrupamentos, conforme a quantidade de grupos diminui. Entretanto, em muitos pontos dos gráficos, verificam-se muitos picos de au- mento e redução desse valor, que proporcionam maiores dificuldades ao usuário final em definir qual seria o valor ideal para o parâmetro varTess em todos os conjuntos de atributos. Desse modo, definiu-se um valor fixo de 25% para esse parâmetro em todos os casos, proporcionando uma tesselação inicial contendo uma quantidade de grupos próxima da metade da quantidade de amostras. Além disso, também foram fixados os valores dos parâmetros porcDMU para 5%,

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 183

minDMC para 2 e maxDMC para 5, conforme já realizado em experimentos anteriores. 8.3.3.1 Conjunto de Atributos UP-G1

O primeiro experimento utilizou o conjunto de atributos UP-G1, contendo apenas informa- ções referentes ao solo. A Figura 8.30 exibe os mapas contendo 4 CGDs gerados para esse experimento pelas abordagens FCM, HACC-Spatial e SWMU Clustering sem a utilização da restrição de obstáculos espaciais.

Figura 8.30: Mapas contendo 4 CGDs obtidos a partir das abordagens (a) FCM; (b) HACC- Spatial; e (c) SWMU Clustering sem a utilização da restrição de obstáculos espaciais.

(a) (b) (c)

Com os parâmetros determinados nesse experimento, a abordagem SWMU Clustering con- seguiu gerar apenas mapas contendo entre 2 e 4 CGDs, o que já retrata a dificuldade encontrada na definição da tesselação inicial e também durante a obtenção dos mapas pelas abordagens. O resultado obtido pela abordagem FCM exibe uma estratificação acentuada, onde é possível a identificação apenas de uma UGD na parte superior do mapa. O resultado obtido pela aborda- gem HACC-Spatial exibe uma tentativa de redução da estratificação, onde uma UGD represen- tando unicamente uma CGD é também caracterizada na parte superior do mapa. Entretanto, as outras CGDs continuam bastante estratificadas, gerando inclusive buracos em uma CGD maior. Já a abordagem SWMU Clustering procurou gerar um mapa mais contínuo, preservando a con- tiguidade espacial das CGDs o quanto possível, de forma a entregar ao usuário final um mapa de UGDs passível de análise e utilização. No que diz respeito aos índices alcançados pelo crité- rio SD-Spatial, a abordagem SWMU Clustering obteve resultados muito superiores com relação às outras abordagens, mostrando a eficiência na utilização dos seus parâmetros para restrições espaciais.

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 184

8.3.3.2 Conjunto de Atributos UP-G2

O experimento seguinte foi realizado com a utilização do conjunto de atributos UP-G2, contendo apenas dados de produtividade histórica. Devido ao fato desse conjunto de atributos possuir dados de apenas dois anos de produtividade e para culturas diferentes (milho e soja), fo- ram encontradas muitas dificuldades por parte das abordagens na obtenção de mapas de CGDs consistentes. A abordagem SWMU Clustering conseguiu obter, a partir dos parâmetros determi- nados, apenas mapas contendo 2 e 3 CGDs, enquanto que as abordagens HACC-Spatial e FCM, assim como no experimento anterior, obtiveram mapas muito estratificados e que dificilmente seriam utilizados na prática pelo usuário final, conforme mostra a Figura 8.31.

Figura 8.31: Mapas contendo 3 CGDs obtidos a partir das abordagens (a) FCM; (b) HACC- Spatial; e (c) SWMU Clustering sem a utilização da restrição de obstáculos espaciais.

(a) (b) (c)

Apesar da necessidade de fundir diversas UGDs consideradas como estratos a partir da restrição que impõe um tamanho mínimo para a área de uma UGD, fazendo com que a separação dos grupos no espaço de atributos fosse bastante prejudicada, a abordagem SWMU Clustering alcançou, nesse experimento, índices melhores para o critério SD-Spatial do que as abordagens FCM e HACC-Spatial.

8.3.3.3 Conjunto de Atributos UP-G3

Finalizando, um último experimento foi realizado com a utilização do conjunto de atributos UP-G3, selecionados a partir da alta correlação existente entre eles. Para esse experimento, o mapa de declividade da área foi utilizado como obstáculo pela abordagem SWMU Clustering, na tentativa de reduzir a dependência do parâmetro porcDMU no tratamento da estratificação ao final da construção do dendrograma. Como resultado, foi possível a obtenção de mapas contendo 5 CGDs utilizando todas as abordagens, exibidos na Figura 8.32.

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 185 Figura 8.32: Mapas contendo 5 CGDs obtidos pelas abordagens (a) FCM; (b) HACC-Spatial; e (c) SWMU Clustering considerando a restrição de obstáculos espaciais.

(a) (b) (c)

Por meio da Figura 8.32, é possível verificar novamente a dificuldade da abordagem HACC- Spatial em obter mapas de CGDs que podem ser utilizados na prática, principalmente por conta da atribuição dos valores para os seus parâmetros. Nesse caso, uma tesselação inicial con- tendo uma quantidade de grupos em torno da metade da quantidade de amostras, aliado ao desligamento da restrição imposta pelo parâmetro cp logo nos primeiros passos da constru- ção do dendrograma, fez com que fossem identificadas UGDs e CGDs muito pequenas e que tornaram-se buracos considerados como estratos em uma CGD maior que ocupa quase toda área de estudo. Com relação à abordagem FCM, a utilização de parâmetros bem correlaciona- dos proporcionou uma diminuição considerável na estratificação do mapa final em comparação com os experimentos utilizando os conjuntos de atributos UP-G1 e UP-G2, permitindo uma identificação mais clara das CGDs. Já o resultado obtido pela abordagem SWMU Clustering mostra a eficácia do uso dos obstáculos espaciais, fazendo com que o parâmetro porcDMU in- fluenciasse menos no resultado final e possibilitasse a obtenção de um mapa contendo 5 CGDs. A Figura 8.33 exibe os índices alcançados pelo critério SD-Spatial para as abordagens FCM, HACC-Spatial e SWMU Clustering na obtenção de mapas contendo de 2 a 5 CGDs.

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 186 Figura 8.33: Índices alcançados pelo critério SD-Spatial para mapas contendo entre 2 e 5 CGDs obtidos pelas abordagens FCM, HACC-Spatial e SWMU Clustering.

O gráfico da Figura 8.33 mostra que a estratificação identificada nos resultados da aborda- gem FCM proporciona um efeito negativo nos índices do critério SD-Spatial, onde os resultados obtidos pela abordagem SWMU Clustering foram sempre melhores. Com relação à abordagem HACC-Spatial, a obtenção de muitas UGDs consideradas como estratos proporcionou uma di- ferença significativa nos índices obtidos, em comparação com as outras abordagens.