Vous êtes sur la page 1sur 16

1

Aula prática SONY

AVALIAÇÃO POR CRITÉRIOS MÚLTIPLOS – COMBINAÇÃO LINEAR


PONDERADA (Weighted Linear Combination – WLC).

O método de agregação por critérios múltiplos é denominado de


Combinação Linear Ponderada (Weighted Linear Combination – WLC).

Neste método os fatores não são reduzidos a simples restrições Booleanas:

 ao invés disso, eles são padronizados para uma escala de aptidão


de 0 (menos apto) a 255 (mais apto);

 reeescalonar os valores para uma escala contínua permite comparar


e combinar, como no caso Booleano;

 no caso continuo se evitará as decisões Booleanas rígidas de


definição de áreas particularer como absolutamente aptas e não
aptas;

 com a Combinação Linear Ponderada (Weighted Linear


Combination – WLC) usa-se o conceito relativo ou Fuzzy para
definir aquelas áreas que são aptas e para definir o limite entre o
apto e o inapto para os fatores. Porém, as restrições manterão seu
caráter booleano rígido;

 a Combinação Linear Ponderada (Weighted Linear Combination –


WLC) permite não apenas reter toda a variabilidade dos dados
contínuos, mas oferece também a possibilidade dos fatores
compensarem-se uns com os outros:

 um escore de aptidão baixo em um fator para uma área qualquer,


pode ser compensado por um escore alto de aptidão em um outro
fator. A forma como ocorre a compensação de um fator com o outro,
será determinada por um conjunto de pesos dos fatores que indica a
importância relativa a cada fator;

 este procedimento de agregação afasta a análise do extremo de


aversão ao risco da operação AND;

 a Combinação Linear Ponderada (Weighted Linear Combination –


WLC) é uma técnica baseada nas médias e que coloca a análise
exatamente a meio caminho das operações AND ( mínimo) e do OR
2

(máximo), isto é, nenhum risco extremo e nenhum extremo de


aversão ao risco.

Padronização de fatores (Fuzzy)

O procedimento de padronização de (Weighted Linear Combination –


WLC), é um pouco mais complexo que no caso Booleano:
 os fatores não são apenas reclassificados de 0 a 1, mas sim
reescalonados de acordo com alguma função para um intervalo
particular comum;
 para usar os fatores fuzzy com o módulo MCE (Multi Criteria
Evaluation – Avaliação por Critérios Múltiplos), esses devem ser
padronizados para um intervalo em nível de byte, entre 0 e 255.

Serão reconsiderados os fatores originais, rotinas de padronização e regras


de decisão:
• estas regras de decisão, estavam anteriormente na forma de decisões
rígidas;
• os fatores originais foram reduzidos a restrições Booleanas usando funções
de associação a conjuntos fixos, 0 e 1. Agora os fatores serão considerados
à luz de regras de decisão Fuzzy, onde as áreas aptas e inaptas constituem
medidas contínuas.
3

Sigmoidal

A função Sigmoidal (''s - moldado “) é talvez a mais comumente


usada”. É produzida utilizando uma função cosseno.
No seu uso, FUZZY, necessita de 4 pontos que regem a forma da
curva ao longo do eixo X. Estes são indicados na curva como pontos a, b, c,
d, e representam os pontos de inflexão da curva do seguinte modo:

a= curva sobre sobe acima 0


b= curva torna - se 1
c= curva cai abaixo de 1
d= curva torna - se 0

Uma das possibilidades de expressar a função Sigmoidal é a curva


monotonicamente crescente e decrescente, e duas curvas simétricas, no
canto superior esquerdo, superior direito, inferior esquerdo e inferior direito,
respectivamente.
No caso do monotonicamente crescente, o valor dado à inflexão
pontos b, c, d e são idênticos. Da mesma forma, na função
monotonicamente decrescente a, b e c têm idênticos valores.
4

Por exemplo, na construção da classe "grandes declives," pode - se


utilizar um monotonicamente crescente função com uma inflexão ponto
fixado em 10% (encostas estão começando a se tornar "forte"), e b, c e d
fixada em 25% (declive torna - se um membro de pleno direito da classe
"ladeiras íngremes").
Como outro exemplo: modelo da classe "altura adequada" para uma
determinada espécies de plantas com uma função simétrica ter uma
inflexão valores = 1000m, b e c = 2000m e d = 5000m.

J – FORMATO

A função na forma de J também é bastante comum, embora na maioria dos


casos, considera-se que uma função sigmoidal seria melhor. A função na forma de
J possui diferentes possibilidades, quanto as posições dos pontos inflexão.
Salienta-se que com a função na forma de J , a função chega a 0, mas o limite é o
infinito. Assim, a inflexão dos pontos a e d indicam os pontos em que a função é 0
até tornar-se 0.5, mas não linearmente, por exemplo.
5

LINEAR

Esta função é amplamente utilizada em dispositivos eletrônicos concebidos


a partir da lógica fuzzy, em parte devido à sua simplicidade, mas também em parte
devido à necessidade de acompanhar de saída essencialmente linear de
sensores. Assim, a inflexão dos pontos a e d indicam os pontos em que a função é
0 até atingir linearmente 0.5.
6

PONTOS DEFINIDOS

Quando a relação entre o valor e fuzzy não segue nenhuma das três
funções acima. O usuário - define função é mais aplicável. O controle dos pontos
utilizados nesta função pode ser tanto quanto necessário para definir a
composição da curva nebulosa (fuzzy). A fuzzy entre quaisquer dois pontos de
controle é linearmente interpolada.

Na Avaliação Multicritério, a função fuzzy é utilizada na padronização dos


critérios. Exatamente qual função deve ser utilizada vai depender do entendimento
da relação entre o critério e fixar a decisão, bem como sobre a disponibilidade da
informação para inferir a lógica nebulosa.
7

Problema: determinar áreas aptas para a implantação de uma indústria na


Bacia do rio Avencal -São José dos Pinhais - PR
Restrições:
1 - em áreas com declividade entre 6 e 30°;
2 - em áreas a 100 metros das áreas de preservação permanente;
3 - em áreas atualmente cobertas por matas e macegas;
4 - em áreas continuas superiores a 1 ha.

1 - FATOR DECLIVIDADE

Como local apto para a instalação da indústria serão as áreas com declividades
entre 6 e 30%. As áreas não aptas estarão em duas categorias: entre 0 e 6% e
acima de 30%. Para tal teremos como pontos de inflexão: 3, 6, 30 e 45.
Entretanto as declividades mais baixas serão as mais aptas e qualquer declividade
acima de 30% será inapta para a instalação da indústria.

Para tal será utilizada a função sigmoidal simétrica para reescalonar os dados de
0 a 255.

Primeiro Procedimento: tomando o módulo Fuzzy

Aqui será utilizada a função sigmoidal para reescalonar os dados no intervalo de 0


255.
8

Ao executar FUZZY neste caso, o primeiro ponto de inflexão, onde a curva


começa a decrescer abaixo do máximo de aptidão, será nosso valor mínimo de
declividade 6, enquanto nosso segundo ponto de inflexão será o valor máximo
30%
Execute o módulo Fuzzy na avencal_d , especifique a função sigmoidal -
monotonicamente crescente (o certo é, a sigmoidal – simétrica)
• O primeiro ponto de controle é o valor no qual a aptidão começa a declinar
do valor máximo – ponto de controle a = 3, o último d = 45 ;
• e o segundo e terceiro pontos de controles é o valor estimado do ponto de
inflexão na curva, ou o ponto intermediário até a base da curva onde a
associação ao conjunto começa a se aproximar de 6 – ponto de controle b
até 30, ponto de controle c.
Ajuste o formato dos dados para byte.

Gis analysis → Decision Support → Fuzzy


Sigmoidal
Input image ....procurar avencal_d
Output image___digitar____W modelo FUZZY
Output data format...procurar Byte (0-255 range)
Synmetric
Control a: 3
Control b: 6
Control c: 30
Control d: 45
OK Aparecerá uma imagem na tela onde as áreas mais aptas entre 6 até 30%.

2 - FATOR DISTÂNCIA DAS ÁREAS DE PRESERVAÇÀO PERMANENTE (em


áreas a 100 metros das áreas de preservação permanente)

O fator distância das áreas de preservação permanente, não possuem um


decréscimo ou acréscimo constante de aptidão baseado apenas na distância.
9

Sabe-se que a legislação coloca na região um afastamento de 30 para canais com


até 10 m de largura, nas nascentes 50 m , lagoas 50 m e a Planície de Inundação
deverá ser totalmente preservada.......

De acordo com esse critério, a indústria poderá ser instalada a uma distância de
100m das áreas de preservação permanente. Além desses 100m aptidão mantém-
se constante para a instalação da indústria. Para atender a tal restrição a curva
que melhor descreve é a curva sigmoidal crescente.

Primeiro Procedimento, a parir da imagem legislação final, execute o reclass,


onde as áreas aptas a instalação da indústria tomarão os valores de 0 aptas e as
não aptas 1.

Gis analysis → Database Query → Reclass


Input file ....procurar…..legislação final
Output image___digitar____ legislação r
OK
Reclass
001
116
0 6 9999

Surgirá na tela uma imagem onde zero serão as áreas aptas e 1 as não áreas
aptas. Nessa imagem executar o comando Distance, imagem de saída
W leg dist

Segundo Procedimento: tomando o módulo Fuzzy

Execute o módulo Fuzzy na W leg_dist, especifique a função sigmoidal


monotonicamente crescente. Para acomodar os dois valores limites de 100 e
255 em nossa função, os pontos de controle não serão mais o mínimo e o máximo
dos nossos valores de entrada. Ao contrário, eles serão equivalentes aos pontos
de inflexão da curva sigmoidal. No caso de uma função crescente, o primeiro
ponto de controle (a) é o valor no qual a aptidão começa a subir abruptamente
acima de 100 e o segundo ponto (b) onde aptidão se mantém constante e
aproxima-se de 255. Lembrar que a imagem W leg_dist representa as faixas de
preservação = 0 e continuas a partir de zero. Para isto é melhor iniciar com o valor
100 para o ponto de controle a e para b 255. Ajuste o formato dos dados para
byte.

Gis analysis → Decision Support → Fuzzy


Sigmoidal
Input image ....procurar W leg dist
Output image___digitar____ W leg_dist FUZZY
Output data format...procurar Byte (0-255 range)
1

Monotonically increasing
Control a 100
Control b 255
OK

3 - FATOR USO DA TERRA (em áreas atualmente cobertas por matas e


macegas)

Na MCE Booleana os tipos de uso da terra foram reclassificados em aptos


e não aptos. Na booleana estabeleceu-se que áreas aptas para a instalação de
uma indústria são as matas e macegas e todas as demais são não aptas.
Entretanto, pode-se considerar que possuem níveis diferentes de aptidão para a
instalação de uma Indústria. Conhecendo a aptidão relativa de cada categoria
poder-se-á reescaloná-la em intervalos de 0 a 255. Enquanto a maioria dos fatores
pode ser reescalonada automaticamente, usando-se alguma função matemática,
reescalonar dados discretos para dar um determinado índice subjetivo para cada
categoria, deve se basear em algum conhecimento prévio.

Primeiro Procedimento

- na escala 0 a 255 será atribuído:


1

Identificador Legenda Novo


atual identificador
1 Floresta Ombrófila Mista Montana 200
2 Sucessão em Estágio Inicial da 255
Floresta Ombrófila Mista Montana
3 Cultura 100
4 Área Edificada 25
5 Planície de Inundação com Campos 0
Edáficos
6 Lagoas 0

Procedimento: use EDIT e ASSIGN para alterar os identificadores das classes na


imagem de feições mapa2000r para os novos escores de aptidão relativa.
Denominar a imagem de saída de mapa2000r255 (mapa de fatores padronizados)

Data entry → edit


00
1 200
2 255
3 100
4 25
50
60

File → save as
Digitar o nome do arquivo = mapa2000r255
Salva como = Attribute values file (*avl)
• Real

Agora aplicar os valores acima na mapa2000r

Gis analysis → Database Query → Assign


Feature definition image ....procurar….. mapa2000r
Output image___digitar____ Wmapa2000r
Atribute values file.....procurar..... mapa2000r255
OK

Surgirá na tela um imagem de valores “contínuos” de 0 a 255, a paleta é a


Idrisi256.

Segundo Procedimento: tomando o módulo Fuzzy


1

Execute o módulo Fuzzy na Wmapa2000r, especifique a função sigmoidal


monotonicamente crescente. Para acomodar os dois valores limites de 25 e 255 m
em nossa função, os pontos de controle serão o mínimo de aptidão e o máximo de
aptidão. Eles serão equivalentes aos pontos de inflexão da curva sigmoidal. No
caso de uma função crescente, o primeiro ponto de controle (a) é o valor no qual a
aptidão começa a subir acima de zero e o segundo ponto (b) onde aptidão
mantem-se constante ou seja no caso é de 255. Ajuste o formato dos dados para
byte.

Gis analysis → Decision Support → Fuzzy


Sigmoidal
Input image ....procurar Wmapa2000r
Output image___digitar____ Wmapa2000r fuzzy
Output data format...procurar Byte (0-255 range)
Monotonically increasing
Control a 25 (porque nosso ponto mínimo, com alguma possibilidade, era 25)
Control b 255
OK

Na padronização Fuzzy resultou em uma imagem com os seguintes valores:


Area
Category Hectares

0 469.1006250
61 141.2787500
221 167.5043750
255 36.1162500
1

PONDERAÇÃO DE FATORES

Uma das vantagens da Combinação Linear Ponderada (Weighted Linear


Combination – WLC) é a capacidade de dar diferentes pesos relativos para cada
um dos fatores no processo de agregação. Os pesos dos fatores, algumas vezes
chamados de pesos de compensação, são atribuídos a cada fator: eles indicam a
importância relativa de cada fator em relação aos demais e controlam como os
fatores irão compensar-se uns aos outros. No caso WLC, onde os fatores se
compensam totalmente, fatores com aptidão elevada em um local podem
compensar fatores com baixa aptidão neste mesmo local. O grau com que um
fator pode compensar o outro é determinado pelo seu fator, ou peso de
compensação.

O módulo WEIGHT, utiliza uma técnica de comparação pareada, para desenvolver


um conjunto de pesos de fatores. As comparações referem-se à importância dos
dois fatores na determinação de sua aptidão para o objetivo determinado. O
módulo informa os novos pesos juntamente com uma razão de consistência. A
razão de consistência tem a intenção de instruir o usuário sobre quaisquer
inconsistências ocorridas durante o processo de comparação pareada.

Após a matriz estar completa, os pesos dos fatores podem ser calculados se
acionando a opção Calcular pesos. Este procedimento poderá ser feito várias
vezes, sempre retornado à matriz de comparação pareada, ajustando-se os
escores e calculando pesos até que uma razão de consistência aceitável seja
alcançada. Convém observar que pode se aceitar a comparação pareada a
qualquer momento, independente da razão de consistência obtida (deverá ser
menor que 0,1), e então usar os pesos resultantes para ponderar seus fatores.
Neste caso aceitar-se-á a matriz de comparação pareada tal como foi concebida.

PRIMEIRO PROCEDIMENTO

Executar WEIGHT (pesos), gerar um arquivo de comparação pareada, nesse


módulo, ou no gerar no EDIT, um arquivo .pcf

Gis analysis → Decision Support → Weigth


. Create new pairwise camparision file
digitar…....W avencal weight
Output …….digitar____ avencal weight D

Factors for new pairwise comparasion file

1 - em áreas com declividade entre 6 e 30 - W modelo FUZZY


2 - em áreas a 100 metros das áreas de preservação permanente - W leg_dist
FUZZY
3 - em áreas atualmente cobertas por matas e macegas - Wmapa2000r fuzzy
1

Factor Filename…..procurar os layers fuzzy….


W modelo FUZZY
W leg_dist FUZZY 3 number of files
Wmapa2000r fuzzy

- em áreas com declividade entre 6 e 30°;


2 - em áreas a 100 metros das áreas de preservação permanente;
3 - em áreas atualmente cobertas por matas e macegas

Next → →

Aparecerá a matriz onde deverão ser colocados os pesos

W modelo W leg_dist Wmapa200


FUZZY FUZZY 0r fuzzy
1
W modelo FUZZY
5 1
W leg_dist FUZZY
3 1/3 1
Wmapa2000r
fuzzy

O Cálculo dos pesos resultantes:


The eigenvector of weights is :

w leg dist fuzzy s : 0.1047


w mapa2000r fuzzy s : 0.6370
w modelo fuzzy : 0.2583

Consistency ratio = 0.03 (aceitável)


Consistency is acceptable
1

Execução da Avaliação por critérios múltiplos (Multi Criteria Evaluation-


MCE-) e Combinação Linear Ponderada (Weighted Linear Combination -
WLC)

Um dos procedimentos mais comuns de agregação de dados é a Combinação


Linear Ponderada (WLC). Isto é feito multiplicando-se cada fator padronizado pelo
seu peso correspondente (em nosso caso pesos derivados através do módulo
WEIGHT, mas de nenhum modo limitado a essa única técnica) e somando-se a
seguir todos os fatores.
Uma vez somados os fatores, o último passo na WLC é multiplicar nossas
restrições Booleanas para eliminar as áreas que não são aptas em grau algum. A
imagem final é uma medida de aptidão agregada com valores entre 0 e 255. Este
procedimento pode parecer tedioso, mas é executado facilmente através do
módulo MCE.

O procedimento WLC permite uma completa compensação entre todos os fatores.


O grau com que um fator pode compensar outro, entretanto, é determinado pelo
seu peso. Uma alta aptidão em um layer em uma determinada área pode
compensar uma baixa aptidão de um outro determinado layer nessa mesma área.

SEGUNDO PROCEDIMENTO

Execute Avaliação por critérios múltiplos (MCE) usando a opção Combinação


Linear Ponderada. Recupere o arquivo de parâmetros dos seis fatores e seus
respectivos pesos w avencal weight.psf . Especifique ainda o uso de uma
restrição a legislaçào. Denomine a imagem de saída de Avencal MCE e salve
novamente o arquivo de parâmetros. Mais uma vez será comparado o resultado
com os arquivos de entrada usando a consulta expandida do cursor. Use EDIT e
escolha criar um novo arquivo do grupo de imagens chamado Avencal MCE.
Adicione ao grupo os arquivos a seguir:

Gis analysis → Decision Support → MCE (multi-criteria evaluation)


* Weighted linear combination

Output image (digitar) Avencal MCE (acp_avencal FINAL1)

• Retrive parameters (recupere os parametros)


Procurar Avencal MCE. dsf (decision support file) (acp_avencal w2.dsf)
Aparecerá na tela os arquivos e os pesos já calculados no item anterior
(Combinação Linear Ponderada - Weighted Linear Combination – WLC)

OBS: COLOCAR “CONSTRAINTS”: um layer que determina uma restrição mai


forte, nesse caso o layer das restrições legais.
OK

.....Overlay ....reclass......
1

CONSIDERAÇÕES FINAIS (Acacia):

acp_avencal FINAL1 foi reclassificada (RECLASS: 0 0 0 / 1 1 99999) gerando


acp_avencal FINAL3.

Multiplicando o acp_avencal FINAL3 com o layer do perímetro da bacia tivemos


como resultado acp_avencal FINAL5, que depois de ser somada ao perímetro da
bacia gerou o mapa acp_avencal FINAL6 como o mapa final, onde 0 é o polígono
exterior, 1 corresponde às áreas não aptas e 2 às áreas aptas ao
empreendimento.