Identification of priority areas for forest restoration using self-organizing maps neural network;Identificação de áreas prioritárias para recuperação florestal com o uso de rede neural de mapas auto-organizáveis

Boletim de Ciencias Geodesicas

Volumn 17, Issue 3, 2011, Pages 379-400

  Arcoverde, Gustavo Felipe Balué ^a   de Almeida, Cláudia Maria ^a   de Ximenes, Arimatea Carvalho ^a   Maeda, Eduardo Eiji ^b   de Araújo, Luciana Spinelli ^a  

^a INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS   (Brazil)

^b UNIVERSITY OF HELSINKI   (Finland)

Author keywords

Forest restoration; SOM; Spatial pattern recognition; Watershed

Indexed keywords

ARTIFICIAL NEURAL NETWORK; CLUSTER ANALYSIS; FOREST COVER; HISTOGRAM; NDVI; PATTERN RECOGNITION; SELF ORGANIZATION; SOIL EROSION; URBAN AREA; WATERSHED;

BRAZIL; SAO PAULO [BRAZIL];

EID: 80054728787     PISSN: 14134853     EISSN: 19822170     Source Type: Journal    
DOI: 10.1590/s1982-21702011000300004     Document Type: Article

References (34)

1. AGÊNCIA NACIONAL DE ÁGUAS. HidroWeb: Sistema de Informações Hidrológicas. 2009. Disponível em urlhttp://hidroweb.ana.gov.br/. Acesso em: 07 ago. 2009.
2. BAÇÃO, F.; LOBO, V.; PAINHO, M. Geo-Self-Organizing Map (Geo-SOM) for building and exploring homogeneous regions. In: EGENHOFER, M.; MILLER, H.; FREKSA, C. (Org.). GIScience 2004, Lecture Notes in Computer Science, Berlin: Springer, 2004. p. 22-37.
3. BOSCHI, L. S.; GALO, M. L. B. T. O uso de redes neurais artificiais na análise da ambigüidade entre classes de água e plantas aquáticas. Boletim de Ciências Geodésicas, v. 10, n. 2, p. 193-212, 2004.
4. BRASIL. Resolução CONAMA n. 303, de 20 de março de 2002. Dispõe sobre parâmetros, definições e limites de Áreas de Preservação Permanente. Brasília: Diário Oficial da República Federativa do Brasil, 13 de maio de 2002.
5. Burns, I. S.; Scott, S.; Levick, L.; Hernandez, M.; Goodrich, D. C.; Semmens, D. J.; Kepner, W. G.; Miller, S. N. Automated Geospatial Watershed Assessment (AGWA)-A GIS-Based Hydrologic Modeling Tool: Documentation and User Manual. 2004. Disponível em urlhttp://www.epa.gov/esd/land-sci/agwa/pdf/user_manual.pdf. Acesso em: 19 nov. 2009.
6. CONSERVAÇÃO INTERNACIONAL. Sobre o bioma da mata atlântica. Aliança para a Conservação da Mata Atlântica. São Paulo, 2008. Disponível em urlhttp://www.aliancamataatlantica.org.br. Acesso em: 10 dez. 2009
7. Davies, D. L. Bouldin, D. W. A Cluster Separation Measure. IEEE Trans. On Pattern Analysis and Machine Intelligence, v. 1, n. 2, p. 224-227, 1979.
8. Ferreira, M. S.; Galo, M. L. B. T. Influência dos dados de entrada na classificação a partir de rede neural artificial. In: III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação-III SIMGEO. Anais., 27-30 julho, Recife, PE. Recife: UFPE, 2010.
9. GIRAUDEL, J. L.; LEK, S. A comparison of self-organizing map algorithm and some conventional statistical methods for ecological community ordination. Ecological Modelling, v. 146, n. 1-3, p. 329-339, 2001.
10. GOOGLE EARTH. Imagem do Município de Igaratá. 2008. Disponível em urlhttp://www.google.com/earth/index.html. Acesso em: 15 ago. 2009.
11. HAYKIN, S. Redes neurais: princípios e prática. 2 ed. Porto Alegre: Bookman, 2001.
12. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Igaratá: SF-23-Y-D-I-2 MI 2768.2. Rio de Janeiro, 1984. Carta Topográfica. Escala: 1:50.000.
13. INSTITUTO FLORESTAL. Inventário Florestal da Vegetação Natural do Estado de São Paulo. São Paulo: Imprensa Oficial, 2005. 200p.
14. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Landsat 5-TM-WRS 219/76-Data de aquisição: 08/09/04. São José dos Campos: INPE, 2004. Uma imagem de satélite. 368 MB. GeoTiff. CD-ROM.
15. KITCHING, R. L. Food webs and container habitats: the natural history and ecology of phytotelmata. Cambridge: Cambridge University Press, 2000. 431 p.
16. KOHONEN, T. Self-organized formation of topologically correct feature maps. Biological Cybernetics, v. 43, p.59-69, 1982.
17. KOHONEN T.; KASKI S.; LAGUS K.; SALOJÄRVI J.; HONKELA J.; PAATERO V.; SAARELA A. Self organization of a massive document collection. IEEE Transactions on Neural Networks, v. 11, n. 3, p. 574-585, 2000.
18. LEITE, A. Y. C. M.; MATOS, L. N.; SILVA, M. A. S. Utilização de rede neural som para visualização e análise de dados censitários. In: 58. Reunião Anual da Sociedade Brasileira para o Progresso da Ciência-58. SBPC. Anais., 6-21 julho, Florianópolis, SC. Florianópolis: SBPC, 2006.
19. LIPPITT, C. D.; ROGAN, J.; LI, Z.; EASTMAN, J. R.; JONES, T. G. Mapping selective logging in mixed deciduous forest: a comparison of machine learning algorithms. Photogrammetric Engineering & Remote Sensing, v. 74, n. 10, p. 1201-1211, 2008.
20. LOMBARDI NETO, F.; MOLDENHAUER, W. C. Erosividade da chuva: sua distribuição e relação com perdas de solo em Campinas, SP. Bragantia, v. 51, n.2, p.189-196, 1992.
21. MACHADO, M. L.; ALVES, J. S.; GOMES, I.; VIEIRA, E. M.; SIMÃO, M. L. R.; NAIME, U. J. Levantamento sistemático dos fatores da Equação Universal de Perdas de Solos (USLE) para o delineamento de áreas com potencial erosivo da bacia PN1-IGAM, Minas Gerais (resultados parciais). In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14. (SBSR), 2009, Natal. Anais. São José dos Campos: INPE, 2009. p. 7733-7739. DVD, On-line. ISBN 978-85-17-00044-7.
22. MINISTÉRIO DAS MINAS E ENERGIA (MME). Projeto RADAMBRASIL: mapa exploratório de solos. Brasília: MME, 1977.
23. MYERS N., MITTERMEIER R. A., MITTERMEIER C. G., DA FONSECA G. A. B., KENT J. Biodiversity hotspots for conservation priorities. Nature, v. 403, Feb 2000, pp. 853-858.
24. OLIVEIRA, J. B.; CAMARGO, M. N.; ROSSI, M; CALDERANO FILHO, B. Mapa pedológico do estado de São Paulo: legenda expandida. Campinas. 1999. 64p. Inclui mapas.
25. PROGRAMA BIOTA/FAPESP. Mapa de Áreas Prioritárias para Incremento da Conectividade do Estado de São Paulo. São Paulo, SP: Programa BIOTA/FAPESP, Instituto Florestal/SMA, Centro de Referência em Informação Ambiental, 2007. Disponível em
26. RODRIGUES, R. R.; LIMA, R. A. F.; GANDOLFI, S.; NAVE, A. G. On the restoration of high diversity forests: 30 years of experience in the Brazilian Atlantic Forest. Biological Conservation, v. 142, pp. 1242-1251, 2009.
27. SÃO PAULO. GOVERNO DO ESTADO. Resolução SMA-SP 85/2008. Dispõe sobre os critérios e parâmetros para compensação ambiental de áreas objeto de pedido de autorização para supressão de vegetação nativa no estado de São Paulo. São Paulo: Diário Oficial do Estado, 12 de dezembro de 2008.
28. SELAMAT, A.; SELAMAT, M. H. Clustering location of forest fires using selforganizing maps. Brunei Darussalam Journal of Technology and Commerce, v. 4, n. 1, p. 113-120, 2006.
29. SOS MATA ATLÂNTICA. Nossos Projetos. 2009. Disponível em . Acesso em: 18 set. 2009.
30. TOBLER, W. A computer movie simulating urban growth in the Detroit region. Economic Geography, v. 46, p. 234-240, 1970
31. ULTSCH, A. Self-organizing neural networks perform different from statistical kmeans clustering. In: Annual Conference of the German Classificatio Society, n. 19, 1996, [S.l.]. Proceedings. [S.l.]: H. H. Bock and W. Polasek, 1996. p. 1-13.
32. UNIVERSIDADE DE SÃO PAULO (USP). Pacto pela restauração da mata atlântica: referencial dos conceitos e ações de restauração florestal. 1 Ed. São Paulo, Neoband, 2009. 258 p. Disponível em
33. VESANTO, J.; HIMBERG, J.; ALHONIEMI, E.; PARHANKANGAS, J. SOM toolbox for Matlab 5. Helsink University of Technology, 2000. p. 60. Disponível em
34. WALKER, R. Theorizing land-cover and land-use change: the case of tropical deforestation. International Regional Science Reviews. v. 24, n. 3, pp. 247-270, 2004.