REDE NEURAL DE KOHONEN - RECONHECIMENTO DE PADRÕES NÃO-SUPERVISIONADO

6. RESULTADOS E DISCUSSÃO

6.4 RECONHECIMENTO DE PADRÕES NÃO-SUPERVISIONADO

6.4.2 REDE NEURAL DE KOHONEN

Uma das ferramentas desenvolvidas para a análise exploratória multivariada é a rede neural de Kohonen, que tem a competência de projetar dados de elevadas dimensões em um espaço menor, sem perder a informação original. De fato, é uma das principais vantagens da rede neural de Kohonen, em particular e em relação à PCA, uma vez que toda a informação sobre as amostras e variáveis que influenciam as amostras são apresentadas em uma matriz de duas dimensões (GONTIJO et al., 2014). Essa técnica foi aplicada a todas as campanhas e a seguir são apresentados os resultados para os campos 1, 2, 6, 7 e 11. Os resultados dos demais campos (3, 4, 5, 8, 9, 10 e 12) estão disponíveis no Apêndice D.

A Figura 29 apresenta o tratamento de dados pela rede de Kohonen realizado para a campanha 1. Percebe-se a formação de nove grupos (Figura 29 (a)), com destaque para os nomeados I e II, formados pelos tributários, localizados nas regiões afetada e não afetada; o grupo III constituído pelos pontos 14, 19, 25 e 27, estabelecidos no rio principal (com exceção do ponto 19), região afetada; e o grupo IV composto pelos pontos 1, 5, 8 e 18, sendo todos os locais amostrados no rio principal, porém abrangendo as áreas afetada e não afetada.

Na segunda campanha foi verificada a formação de um número maior de grupamentos (Figura 30 (a)) em relação à primeira, e isso se deve ao maior número de tributários que representaram grupos unitários (I, V, VI, X, XI, XII e XIII). Os grupos VIII e XIV representam pontos estabelecidos no rio principal, localizados na área do desastre. Para a região não afetada observou-se a formação do grupo V, constituído pelos pontos 1, 5, 8 e 10, todos localizados no rio principal.

Em relação às variáveis analisadas nas campanhas (Figura 29 (b) e Figura 30 (b)) e que são responsáveis pela formação dos agrupamentos, no geral, a região não afetada pelo desastre sofre influência dos parâmetros atrelados às descargas de águas residuais urbanas sem tratamento adequado. Para a região atingida com o aporte de lama, é possível verificar fortes contribuições da turbidez, sólidos totais e pH, destacando que esse padrão se repete para os campos 1 e 2.

Figura 29 - Grupos formados pelos pontos amostrados (a) na bacia hidrográfica do rio Gualaxo do Norte/MG e as variáveis avaliadas (b), a partir da aplicação da rede neural de Kohonen aos dados referentes ao campo 1.

Legenda: Alca: alcalinidade (mg/L), Cond: condutividade (μS/cm), Clor: cloreto (mg/L), CT: coliformes totais (NMP/100 mL), DBO: demanda bioquímica de oxigênio (mg/L), EC: E. coli (NMP/100 mL), %sat: porcentagem de saturação do oxigênio dissolvido (%), NO3: nitrato (mg/L), NO2: nitrito (mg/L), ORP: potencial de oxi-redução (mV), pH: potencial hidrogeniônico, PT: fósforo total (mg/L), ST: sólidos totais (mg/L), Ta: temperatura da água (ºC), Turb: turbidez (NTU).

II I III IV V VI _VII VIII IX (a) (b)

Figura 30 - Grupos formados pelos pontos amostrados (a) na bacia hidrográfica do rio Gualaxo do Norte/MG e as variáveis avaliadas (b), a partir da aplicação da rede neural de Kohonen aos dados referentes ao campo 2.

XIV III II I VII IX III _VI V VI VIII XI XII XIII X (a) (b)

A porcentagem de saturação do oxigênio dissolvido apresenta altos valores na região afetada pelo desastre e tal fato se justifica pelas características do rio principal, como maiores vazão e largura, o que acaba promovendo uma maior oxigenação. Com relação à flutuação da temperatura da água há de se levar em consideração a variação da incidência solar no decorrer do dia.

Voyslavov, Tsakovski e Simeonov, (2012) realizaram um estudo sobre a qualidade da água de um rio transfronteiriço, cuja nascente é localizada na Bulgária, utilizando como umas das ferramentas para análise dos dados gerados a rede neural de Kohonen. Foram avaliados dados referentes a dez estaçõesde monitoramento coletadas num período de 1990 a 2009. Com a técnica multivariada empregada foi detectada a formação de agrupamentos também relacionada com a possibilidade de contaminação por efluentes domésticos sem tratamento, na medida que estes foram relacionados aos parâmetros nitrato, fósforo, DBO e OD.

A Figura 31 mostra a análise pela rede de Kohonen para a sexta campanha sendo possível verificar a formação de 12 grupos (Figura 31 (a)), com destaque para o de número VIII, constituído pelos pontos estabelecidos no rio principal da região afetada pelo desastre (exceção do ponto 16). Também se observa que as amostragens do rio principal se estabeleceram na parte inferior do mapa, e os pontos localizados na parte não afetada tiveram comportamento de grupos unitários.

Para o campo 6, em relação às variáveis (Figura 31 (b)) que são responsáveis pela formação dos grupos destacam-se, no caso da região afetada, os altos valores de alcalinidade e fósforo total, além das intensamente potencializadas, turbidez e sólidos totais. Para a área não atingida pelo desastre, as variáveis de maior contribuição para a formação dos grupos estão atreladas à ausência de estruturas de saneamento básico.

A Figura 32 representa os dados referentes ao campo 7. Para essa campanha observa-se uma tendência de separação dos pontos (Figura 32 (a)) pela região de localização, isto é, os pontos estabelecidos na região não afetada estão situados próximos uns dos outros, assim como para os pontos fixados no rio principal, na região afetada, também se verifica o agrupamento (grupo IX) da maior parte dos tributários amostrados, demonstrando um comportamento similar.

As variáveis de influência (Figura 32 (b)) para os pontos do rio principal fixados na região afetada, além dos valores elevados de turbidez e sólidos totais, apresentaram uma forte contribuição também do fósforo total e do nitrato. Para a região não afetada, destacam-se os altos valores de ORP e condutividade. Vale ressaltar que ambas as campanhas, 6 e 7, foram realizadas na estação úmida e tal fato corrobora com os altos valores de turbidez e sólidos totais uma vez que essa estação contribui para um maior carreamento. Na região afetada pelo desastre esse transporte acaba sendo mais intenso devido ao material que foi depositado ao longo da extensão do rio.

Figura 31 - Grupos formados pelos pontos amostrados (a) na bacia hidrográfica do rio Gualaxo do Norte/MG e as variáveis avaliadas (b), a partir da aplicação da rede neural de Kohonen aos dados referentes ao campo 6.

I III IV XI VIII II V VI VII X IX XII (a) _(b)

Figura 32 - Grupos formados pelos pontos amostrados (a) na bacia hidrográfica do rio Gualaxo do Norte/MG e as variáveis avaliadas (b), a partir da aplicação da rede neural de Kohonen aos dados referentes ao campo 7.

I XVI I II III IV V VI I VII I VIII IX I X I XI I XII I XIII I I (a) _(b)

Os valores de fósforo e nitrato também são potencializados pela sazonalidade, principalmente na região afetada, tendo em vista que o leito do rio está sendo revestido por vegetação, o que pode contribuir para o aporte de nutrientes caso algum tipo de fertilizante esteja sendo empregado.

Com o intuito de verificar quais eram as principais fontes de poluição de uma bacia hidrográfica localizada em uma área com intensa atividade de mineração e indústria química, Olkowska et al., (2014) utilizaram a rede neural de Kohonen. Com as técnicas de quimiometria empregadas foram obtidos agrupamentos com padrões relacionados às atividades presentes na bacia. Para a região de mineração, as principais variáveis foram carbono orgânico total e demanda química de oxigênio; para áreas com poluição advinda da indústria química destacaram-se o arsênio, bário e pH; e nas regiões pouco impactadas as variáveis foram sulfato, cloro e cálcio, atreladas a processos naturais de intemperismo.

Com as amostragens referentes ao campo 11, representadas pela Figura 33 (a), foi possível verificar a formação de 11 grupos, com destaque para grupo I que é constituído por todos os pontos coletados no rio Gualaxo do Norte, na parte afetada pelo desastre. Percebe-se que as variáveis (Figura 33 (b)) que contribuíram para esse agrupamento foram a turbidez, alcalinidade, coliformes totais e fósforo. O grupo VIII observado foi formado pelos pontos 8, 10 (rio principal, parte não afetada), 20 e 24 (tributários, parte afetada). O grupo XI é formado pelos tributários da parte não afetada pelo desastre, destacando as influências dos altos valores de cloreto e DBO, e o grupo X é caracterizado pela maioria dos tributários amostrados na região afetada e pelo ponto 1.

Diante do apresentado, observa-se que as aplicações das técnicas não-supervisionadas auxiliaram no reconhecimento dos agrupamentos naturais das amostras que, nesse caso, em sua maioria, formaram conjuntos definidos principalmente em função da região de localização dos pontos. Assim, tanto a PCA quanto a rede neural de Kohonen foram ferramentas que viabilizaram a interpretação dos dados gerados, auxiliando no entendimento das relações e influências das variáveis, que se tornaram mais evidentes após o tratamento multivariado.

Vale salientar que, mesmo diante do desastre sem precedentes que ocorreu na região, as análises exploratórias evidenciaram que todos os pontos amostrados sofrem influências principalmente de parâmetros relacionados à descarga de efluentes domésticos sem tratamento prévio.

Figura 33 - Grupos formados pelos pontos amostrados (a) na bacia hidrográfica do rio Gualaxo do Norte/MG e as variáveis avaliadas (b), a partir da aplicação da rede neural de

Kohonen aos dados referentes ao campo 11.

Portanto, verificou-se que embora o aporte de lama tenha causado inúmeros impactos negativos certamente incomensuráveis que incluem a mortandade de peixes e outros animais, a remoção de inúmeras espécies de plantas, a desapropriação de inúmeras residências, o comprometimento

I I VIII I V I II I III IV I VI I VII I IX I X XI I (a) (b)

do abastecimento de água em muitas regiões, entre vários outros, a região desse estudo já apresentava graves problemas relacionados à falta de saneamento básico.

A aplicação da técnica rede neural de Kohonen confirmou os padrões estabelecidos na PCA e permitiu ainda a visualização de mais agrupamentos, além disso ressalta-se que a estrutura bidimensional permite a visualização da variabilidade total dos dados, o que não aconteceu com a PCA cujas duas primeiras componentes principais explicaram juntas cerca de 50 % da variância original dos dados, para todas as coletas. Porém destaca-se que a PCA proporcionou uma melhor visualização das similaridades das amostras no tocante às regiões afetada e não afetada. A utilização de ambas as técnicas auxiliou no entendimento dos padrões existentes entre as amostras analisadas e na identificação das variáveis responsáveis pela formação desses agrupamentos, além da possibilidade de relacionar os parâmetros com as atividades desenvolvidas na região.

No documento Técnicas de reconhecimento de padrões para a avaliação de corpos hídricos afetados por rejeitos do rompimento da Barragem de Fundão. (páginas 85-93)