• Nenhum resultado encontrado

CAPÍTULO II: REVISÃO BIBLIOGRÁFICA

2.1.13. FERRAMENTAS DISPONÍVEIS PARA MODELAGEM

Existem vários métodos de modelagem que podem ser aplicados ao estudo das variáveis naturais e antrópicas. Pela divulgação, eficiência que pode ser atingida e do­ mínio praticamente exclusivo, foram consideradas somente as ferramentas computacio­ nais.

Em sentido amplo, desde as mais simples até as mais complexas, considerar- se-ão: as bases de dados, as aplicações estatísticas, os SIG, os sistemas especialistas ou

expert systems, e as redes neurais.

2.1.13.1. Bases de dados

As bases de dados normalmente são o centro dos sistemas de modelagem. Ope­ ram interagindo com outras aplicações, mas por si mesmas, as bases podem gerar re­ sultados. O seu manejo requer geralmente a visualização e determinação da qualidade dos dados. Simples relações matemáticas ou lógicas de comandos e ftmções aplicadas no espaço e no tempo nos quais são válidos os dados, poderão indicar tendências primá­ rias futuras das variáveis.

A estrutura das bases de dados pode ser hierárquica, onde a relação entre dados é feita em sentido vertical, mas não horizontal entre registros, estrutura em rede, onde as

relações são múltiplas entre os dados; estrutura relacional, onde existem relações bidire- cionais entre registros previamente ligados por relações normalizadas ou entidades, e estruturas orientadas a objetos, nas quais as entidades antes mencionadas estão repre­ sentadas por variáveis, com propriedades similares aos objetos naturais -nome ou identi­ ficador único e complexidade-.

Paralelamente com o desenvolvimento dos computadores, soma-se o aumento nas capacidades dos periféricos associados ao mesmo e o desenvolvimento de progra­ mas para acesso e processamento de dados capazes de administrar bancos de milhões de registros, e fazer cálculos muito complexos com velocidades cada vez maiores (MI­ CROSOFT, 1993).

2.1.13.2. Aplicações estatísticas

Compreendem programas com ferramentas estatísticas tais como análise e veri­ ficação de distribuições, análise de componentes principais, análise de nebulosas e re­ gressão multivariada.

A combinação destas técnicas com bases de dados pode conduzir à efetiva comprovação da prognose de indicadores ecológicos em bacias hidrográficas, municí­ pios, micro regiões e outras estruturas.

2.1.13.3. Sistemas de informações geográficas

Já definidos conceitualmente os Sistemas de Informações Geográficas, esta técnica pode ser considerada nas operações de modelagem e prognóstico. A utilidade da ferramenta está condicionada pela qualidade dos dados, do desenho e da implementa­ ção, sem esquecer que o modelo é uma simplificação da realidade, onde o erro estará, em conseqüência, sempre presente (ESRI, 1996).

Nos SIG, os modelos cartográficos para prognose são os mais utilizados, e es­ tão orientados à apresentação das tendências de complexos problemas geográficos apre­ sentando hipóteses, com especial uso de operadores matemáticos e lógicos baseados em cálculos de distâncias euclidianas, fatores de fricção, custos e outros indicadores objeti­ vos.

2.1.13.4.Tendências futuras de desenvolvimento

Na temática analisada, apresentam-se os sistemas especialistas ou sistemas baseados em conhecimento, as redes neurais e outros sistemas como a tendência a se desenvolver nas próximas décadas.

Segundo LAM & SWAYNE (1996), os sistemas especialistas baseados em regras estão constituídos por um conjunto de variáveis, os seus atributos e regras especí­ ficas. No sistema é utilizado um motor de inferências genérico que permite organizar as regras para tomar decisões apropriadas ou agir segundo uma série de ações determina­ das por ele mesmo.

Para BEHAR & ROCHA COSTA (1996) os sistemas especialistas, entendidos

como uma forma de inteligência artificial, são utilizados como uma técnica capaz de tornar o ambiente com características semelhantes às do homem, melhorando as intera­ ções entre os usuários, agentes artificiais e/ou humanos. Coincidindo com esta afirma­ ção, salienta-se que o conceito de inteligência artificial não está totalmente aceitado no âmbito científico, considerando a impossibilidade de definir a inteligência, privativa e carateristica dos humanos, como artificial.

Obter o conhecimento necessário para a criação de um sistema experto não é uma tarefa simples. Em alguns temas, o sistema pode aprender através de experiência, mas normalmente o experto e o programador do sistema devem trabalhar unidos para conseguir condensar o saber em algumas certas regras lógicas. Atualmente se está tra­ balhando sobre certos programas que recebem a sabedoria do perito, mediante sessões de ensino. O computador vai perguntando, analisando as respostas e incorporando-as ao banco de dados em forma de regras lógicas (LUMNI, 1999).

As decisões são tomadas usando valores precisos dos atributos das variáveis, sem permitir normalmente condições de lógica difusa ou fuzzy logic.

Os sistemas especialistas mais sofisticados permitem operar com condições difusas controladas pelo usuário, uma vez que na Natureza as interações das variáveis a prognosticar ou modelar apresentam-se deste modo.

Estes sistemas especialistas são ferramentas úteis para diagnosticar as respostas das variáveis ante condições ambientais determinadas, para aconselhar em processos científicos e processos de conhecimentos limitados e para classificar dados e informa­ ção, entre outros.

As redes neurais usam algoritmos no mesmo sentido que os neurônios huma­ nos para transmitir e processar informação, com capacidades de reconhecimento de pa­ drões e aprender por analogia.

Nas redes neurais, os dados e exemplos fornecidos pelo usuário são utilizados para treinar a rede, de modo que quando apresentam-se situações similares, o sistema utiliza os conhecimentos e prediz ou prognostica as conseqüências. Estas redes baseiam- se na utilização de algoritmos de retroalimentação ou forward feed para gerar resulta­ dos, e de retropropagação ou backpropagation (LAM & SWAYNE, 1996), para ajustar os resultados iterativamente até atingir um nível de tolerância.

As redes neurais artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que ad­ quirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento (ICMSC, 1999).

A diferencia principal com os sistemas especialistas é que aqueles requerem conhecimentos prévios providos por um experto. Neste sentido, grupos de pesquisa es­ tão aplicando estas técnicas no reconhecimento de padrões das imagens de satélite.

Outras técnicas de informação que podem operar com os SIG na tomada de decisões, prognóstico e modelagem são os algoritmos genéticos, redes causais e propa­ gação incerta. Pela natureza deste trabalho, estes conceitos são apenas mencionados.

Estas ferramentas detalhadas nos pontos anteriores dificilmente serão aplicadas no fiituro de modo isolado. A situação corrente será a conformação de sistemas híbridos combinando os potenciais de cada uma delas para obter os melhores resultados.

Documentos relacionados