Abstract: O conhecimento da diversidade
biológica associada aos sistemas agrícolas e
agroflorestais, assim como dos processos que a determinam é um
factor crucial para garantir a sua conservação e
monitorização. As aves são dos grupos
taxonómicos frequentemente utilizados como indicadores da
biodiversidade geral de um sistema devido à sua
importância de conservação, à relativa
facilidade em recolher informação e à sua
razoávelmente rápida capacidade de resposta às
alterações que se verificam no meio. As metodologias de
amostragem das aves do tipo Atlas, onde todo o espaço é
sistemáticamente percorrido, não são muito usadas.
Normalmente, devido às constrições financeiras e
temporais, opta-se por seleccionar aleatóriamente um conjunto de
pontos representativos da área a estudar, e a efectuar a recolha
dos dados apenas nestes locais. Para inferir estas grandezas no
espaço não amostrado apartir da informação
disponível é necessário recorrer a modelos que
quantifiquem as suas características. Os métodos
deterministas de inferência espacial (polígonos de
influência, triangulação, inverso da potência
das distâncias), têm apenas como objectivo a
interpolação espacial dos valores observados, não
fornecendo medidas de incerteza relacionadas com o fenómeno, com
as observações e com o método de inferência,
além de poderem ser contraditórios com a estrutura
espacial da grandeza a estimar. Os modelos geoestatísticos
permitem superar estas lacunas quantificando a estrutura espacial e
avaliando a incerteza na caracterização do
fenómeno espacial. De entre eles, destacam-se os modelos de
simulação ao gerarem imagens equiprováveis com a
mesma variabilidade espacial dos valores observados. Estas imagens
representam o comportamento extremo simultâneo da variável
em estudo. As imagens de satélite através das suas
características espectrais podem ser utilizadas para diferenciar
as diversas ocupações do solo, sendo abundante a
informação nelas contida quando comparada com os
níveis de amostragem das variáveis de biodiversidade. As
redes neuronais através da sua capacidade de apreensão de
um determinado contexto e de melhoria do seu desempenho com a
aprendizagem sucessiva de exemplos, permitem classificar todos os
pixeis de uma imagem em valores de biodiversidade através da
generalização da informação que absorveram
durante a fase de treino. Neste artigo aplicam-se técnicas de
geoestatística e de aprendizagem por evolução
neuronal para efectuar a simulação estocástica da
biodiversidade avifaunística. A aprendizagem por
auto-organização é efectuada a partir de um
mecanismo emergente e bio-inspirado recentemente proposto - Darwinismo
Sináptico - que sendo simples, altamente adaptável e de
rápida convergência permite uma alternativa robusta
às regras clássicas de aprendizagem de Hebbian, com
possibilidades de integração de largas quantidades de
dados, como aqueles provenientes dos vários layers de
informação e usuais em análise e
modelação de recursos naturais. Testa-se ainda a mais
valia da utilização de imagens de satélite como
informação de suporte ao processo de inferência
espacial da biodiversidade e a possibilidade de obtenção
de cartografia de ocupação do solo de qualidade
semelhante à obtida apartir de fotografia aérea. As
metodologias são testadas no Parque Natural do Douro
Internacional (PNDI) e utiliza-se uma base de dados (BD), recolhidos
entre Maio e Junho de 1999, contendo informação sobre 271
pontos de contagem de aves obtidos aleatóriamente sobre uma
amostra estratificada de 8 classes de ocupação do solo.
Desta BD fazem ainda parte um conjunto de variáveis ambientais,
utilizadas na avaliação dos factores biofísicos
que afectam a diversidade ornitológica.
Keywords: Biodiversidade, Darwinismo
Sináptico, Detecção Remota, Geoestatística,
Redes neuronais.
Related
Works:
63. Vitorino Ramos,
Carlos Fernandes, Agostinho C. Rosa, Social
Cognitive Maps, Swarm
Collective Perception and Distributed Search on Dynamic Landscapes,
submitted to A. Porto, A. Pazos, W. Buno (Eds.), Advancing Artificial
Intelligence through Biological Process Applications, IDEA Group Inc., 2007.
55. Vitorino Ramos, Pedro
Pina, Exploiting and Evolving Rn
Mathematical Morphology
Feature
Spaces, in Ronse Ch., Najman L., Decencière E. (Eds.), Mathematical Morphology: 40
Years On, pp. 465-474, Springer,
Dordrecht,
The Netherlands, 2005.
40. Stefano
Bonduà, Vitorino Ramos, Evolution,
Neoteny, and Semi-Variogram
Model Fitting Search, in Sanchez-Vila, Xavier; Carrera, Jesus;
Gómez-Hernández, Jaime (Eds.), Kluwer, Vol.
13, ISBN: 1-4020- 2114-3, pp.500-502, GeoENV´2002 - Fourth
European Conference on GeoStatistics
for Environmental Applications,
Nov. 27-29, 2002, Barcelona, Spain.
31. Vitorino Ramos,
Fernando Muge, Map Segmentation by Colour Cube
Genetic K-Mean
Clustering, Proc. of ECDL´2000 - 4th European
Conference on Research and Advanced
Technology for Digital Libraries, J. Borbinha and
T. Baker (Eds.), ISBN 3-540-41023-6, Lecture Notes in Computer Science,
Vol. 1923, pp. 319-323, Springer-Verlag
-Heidelberg, Lisbon, Portugal,
18-20 Sep. 2000.
51. Vitorino Ramos, Ajith
Abraham, Evolving a Stigmergic Self-Organized
Data-Mining, in ISDA-04,
4th Int. Conf. on Intelligent Systems, Design and Applications,
Budapest, Hungary, ISBN 963-7154-30-2, pp. 725-730, August 26-28, 2004.
53. Vitorino Ramos,
Jonathan Campbell, John Slater, John Gillespie, Ivan F. Bendezu and
Fionn Murtagh, Swarming around Shellfish Larvae
Images, in WCLC-05, 2nd
World
Congress on Lateral Computing, Bangalore,
India, 16-18 Dec., 2005.
29. Vitorino Ramos,
Filipe Almeida, Artificial Ant Colonies in
Digital Image Habitats - A
Mass Behaviour Effect Study on Pattern Recognition, Proceedings of ANTS´2000 - 2nd
International Workshop on Ant
Algorithms (From Ant
Colonies to Artificial Ants), Marco Dorigo, Martin Middendorf
&
Thomas Stüzle (Eds.), pp. 113-116, Brussels, Belgium, 7-9 Sep.
2000.
45. Vitorino Ramos, Ajith
Abraham, Swarms on Continuous Data, in
CEC´03 - Congress on Evolutionary
Computation, IEEE Press,
ISBN 078-0378-04-0, pp.1370-1375,
Canberra, Australia, 8-12 Dec. 2003.
66. Vitorino Ramos, Pursuit-Evasion on
Ensembles of Co-Evolving Neurons and Host-Parasite
Neural Computing, submitted to
ICANN´07 - Int. Conf. on Artificial Neural Networks, Springer, Porto, Portugal, Sep. 9-13
2007.
67. Vitorino Ramos,
Self-Organized Co-Evolutionary Complex Network Learning on Bounded
Rationality Environments, submitted to Adaptive
Behaviour Journal, Special issue on Mind and Behaviour, 2007.