Este trabalho introduz novos algoritmos de redes neurais para o processamento online de padrões espaço-temporais, estendendo o algoritmo Incremental Gaussian Mixture Network (IGMN). O algoritmo IGMN é uma rede neural online incremental que aprende a partir de uma única passada através de dados por meio de uma versão incremental do algoritmo Expectation-Maximization (EM) combinado com regressão localmente ponderada (Locally Weighted Regression, LWR). Quatro abordagens diferentes são usadas para dar capacidade de processamento temporal para o algoritmo IGMN: linhas de atraso (Time-Delay IGMN), uma camada de reservoir (Echo-State IGMN), média móvel exponencial do vetor de entrada reconstruído (Merge IGMN) e auto-referência (Recursive IGMN). Isso resulta em algoritmos que são online, incrementais, agressivos e têm capacidades temporais e, portanto, são adequados para tarefas com memória ou estados internos desconhecidos, caracterizados por fluxo contínuo ininterrupto de dados, e que exigem operação perpétua provendo previsões sem etapas separadas para aprendizado e execução. Os algoritmos propostos são comparados a outras redes neurais espaço-temporais em 8 tarefas de previsão de séries temporais. Dois deles mostram desempenhos satisfatórios, em geral, superando as abordagens existentes. Uma melhoria geral para o algoritmo IGMN também é descrita, eliminando um dos parâmetros ajustáveis manualmente e provendo melhores resultados. / This work introduces novel neural networks algorithms for online spatio-temporal pattern processing by extending the Incremental Gaussian Mixture Network (IGMN). The IGMN algorithm is an online incremental neural network that learns from a single scan through data by means of an incremental version of the Expectation-Maximization (EM) algorithm combined with locally weighted regression (LWR). Four different approaches are used to give temporal processing capabilities to the IGMN algorithm: time-delay lines (Time-Delay IGMN), a reservoir layer (Echo-State IGMN), exponential moving average of reconstructed input vector (Merge IGMN) and self-referencing (Recursive IGMN). This results in algorithms that are online, incremental, aggressive and have temporal capabilities, and therefore are suitable for tasks with memory or unknown internal states, characterized by continuous non-stopping data-flows, and that require life-long learning while operating and giving predictions without separated stages. The proposed algorithms are compared to other spatio-temporal neural networks in 8 time-series prediction tasks. Two of them show satisfactory performances, generally improving upon existing approaches. A general enhancement for the IGMN algorithm is also described, eliminating one of the algorithm’s manually tunable parameters and giving better results.

O tamanho dos conjuntos de dados se tornou um grande problema atualmente. À medida que o sensoriamento urbano ganha popularidade, os conjuntos de dados de natureza espacial e temporal se tornam ubíquos, e levantam uma série de questões relacionadas ao armazenamento e gerenciamento destes. Isso também cria uma mudança no paradigma de análise, uma vez que os conjuntos de dados que antes representavam uma única série de medições ordenadas no tempo, agora são compostos por centenas dessas séries, com uma taxa de amostragem que está aumentando constantemente. Além disso, uma vez que os dados urbanos normalmente apresentam disposição geográfica inerente, a maioria das das tarefas requerem o suporte de representações espaciais apropriadas. Este se torna outro problema, visto que as tecnologias de exibição de imagens não avançam na mesma velocidade das tecnologias de sensoriamento, de modo que consequentemente acaba-se tendo mais dados do que espaço visual para representa-los. Após conduzir uma pesquisa exaustiva a respeito de análise de dados temporais e visualização, nós melhoramos uma visualização compacta de series temporais para auxiliar a exploração de grandes conjuntos de dados espaçotemporais. Nossa proposta aproveita a compacticidade de tal representação para permitir o uso de um mapa para representar os atributos espaciais dos dados, de modo coordenado, enquanto representação, de forma compreensível, centenas de series simultaneamente, com total contexto temporal. Nós apresentamos nossa proposta como sendo capaz de auxiliar várias tarefas de caráter exploratório de forma intuitiva. Para defender essa afirmação, nós mostramos como essa ideia foi desenvolvida e melhorada ao longo do desenvolvimento de dois estudos de design visual em diferentes domínios de aplicação, e validamos com a implementação de protótipos que foram usados na análise exploratória de vários conjuntos de dados com 3 representações diferentes. Palavras- / The size of datasets became the major problem in data analysis today. As urban sensing becomes popular, datasets of spatial and temporal nature become ubiquitous, leading to several concerns regarding storage and management. It also creates a shift of paradigm in data analysis, as datasets that once represented a single series of measurements ordered in time are now composed of hundreds of series with ever increasing sampling rates. Also, as urban data usually presents inherent geographic disposition, most analysis tasks requires the support of proper spatial views. It becomes another problem, once that displaying technologies do not advance at the same of pace that sensing technologies do, and consequently, there is usually more data than visual space to represent it. After conducting exhaustive research on temporal data analysis and visualization, we improved a compact visual representation of time series to support the exploration of large spatio-temporal datasets. Our proposal exploits the compactness of such representation to allow the use of a map to represent the spatial properties of the data in a coordinate scheme while presenting, in a comprehensible manner, hundreds of series simultaneously, with full temporal context. We argue that such solution can effectively support many exploratory tasks in an intuitive manner. To support this claim, we show how the idea was conceived, and improved along the development of two design studies from different application domains, and validated by the implementation of prototypes used in the exploratory analysis of several datasets with 3 different data structures.

Cette thèse a été conduite dans le cadre d’une convention industrielle avec SNCF Réseau. Elle se situe dans le domaine de la géovisualisation d’informations spatio-temporelles, et porte plus particulièrement sur l’élaboration de méthodes de visualisation cartographiques adaptées à l’analyse des impacts des inondations sur le système ferroviaire. Les événements historiques sont une source d’informations importante pour la compréhension et la gestion des risques naturels. La cartographie s’est imposée comme un outil clé pour appréhender les risques dans leurs contextes territoriaux. Mais l’élaboration de visualisations cartographiques qui soient lisibles tout en restituant la complexité des processus survenus lors d’une catastrophe naturelle n’est pas aisée. Les verrous principaux sont la nécessité de représenter à la fois les dimensions spatiales et temporelles des événements issus de risques, le besoin de visualiser les effets dominos, qui conduisent à amplifier les dommages, et la volonté d’adapter les représentations aux besoins et aux capacités cognitives des utilisateurs. Ce travail a conduit à quatre contributions. La première contribution a consisté à formaliser les récits d’inondations dans une ontologie de domaine, qui décrit à la fois les événements issus d’inondations, les effets dominos et leurs impacts sur le système ferroviaire et les mesures de réaction pour ramener le système ferroviaire à l’état d’équilibre. Cinq cas d’inondations historiques ont été instanciés dans le modèle. Leur étude a permis de formuler des principes sémiologiques génériques pour cartographier les récits d’inondations, ce qui constitue la deuxième contribution. La troisième contribution est la production d’une interface de géovisualisation intégrant des représentations graphiques innovantes pour visualiser les temporalités associées aux événements. Cette interface de géovisualisation a fait l’objet d’une expérimentation auprès des experts ferroviaires. Les résultats ont validé les propositions relatives à la représentation du temps mais ont infirmé les propositions de visualisation des effets dominos. Suite à l’analyse des résultats, la quatrième contribution consiste en un modèle de protocole expérimental réutilisable, adapté au test d’interfaces de géovisualisation. / This research was led in an industrial partnership with SNCF Réseau. In the field of geovisualization of spatio-temporal information, it focuses on developing cartographical visualization methods adapted to the analysis of the impacts of floods on the railway system.Historical events are of great help to understand and manage natural risks. Cartography became a key tool to analyze risks in their territorial contexts. But making maps which remain legible while showing all the complexity of risk processes that occurred during natural disaster is not easy. The main challenges are the need to represent both the temporal and the spatial dimensions of risk events, the need to visualize domino-effect, because they often lead to worsen damages, and the will to adapt representations to the cognitive capacities of users.This research resulted in four contributions. The first one is the formalization of flood narratives in a domain ontology, which describes flood events, domino-effects, their impacts on the railway system and also response measures to restore the system. Five case studies of historical floods were instantiated in the model. Resulting from their study, the second contribution consists in generic semiology principles to visualize the narratives of floods on maps. The third contribution is a geovisualization interface, which includes original graphical representations to visualize the temporal features associated with flood events. This geovisualization interface was tested in an experiment with expert users of the railway field. Results confirmed the proposals of representation of time but disconfirm proposals of visualization of domino effects. The analysis of results led to the fourth contribution, which consists in a reusable model of an experimental procedure that is adapted to test geovisualization interfaces.

Este trabalho introduz novos algoritmos de redes neurais para o processamento online de padrões espaço-temporais, estendendo o algoritmo Incremental Gaussian Mixture Network (IGMN). O algoritmo IGMN é uma rede neural online incremental que aprende a partir de uma única passada através de dados por meio de uma versão incremental do algoritmo Expectation-Maximization (EM) combinado com regressão localmente ponderada (Locally Weighted Regression, LWR). Quatro abordagens diferentes são usadas para dar capacidade de processamento temporal para o algoritmo IGMN: linhas de atraso (Time-Delay IGMN), uma camada de reservoir (Echo-State IGMN), média móvel exponencial do vetor de entrada reconstruído (Merge IGMN) e auto-referência (Recursive IGMN). Isso resulta em algoritmos que são online, incrementais, agressivos e têm capacidades temporais e, portanto, são adequados para tarefas com memória ou estados internos desconhecidos, caracterizados por fluxo contínuo ininterrupto de dados, e que exigem operação perpétua provendo previsões sem etapas separadas para aprendizado e execução. Os algoritmos propostos são comparados a outras redes neurais espaço-temporais em 8 tarefas de previsão de séries temporais. Dois deles mostram desempenhos satisfatórios, em geral, superando as abordagens existentes. Uma melhoria geral para o algoritmo IGMN também é descrita, eliminando um dos parâmetros ajustáveis manualmente e provendo melhores resultados. / This work introduces novel neural networks algorithms for online spatio-temporal pattern processing by extending the Incremental Gaussian Mixture Network (IGMN). The IGMN algorithm is an online incremental neural network that learns from a single scan through data by means of an incremental version of the Expectation-Maximization (EM) algorithm combined with locally weighted regression (LWR). Four different approaches are used to give temporal processing capabilities to the IGMN algorithm: time-delay lines (Time-Delay IGMN), a reservoir layer (Echo-State IGMN), exponential moving average of reconstructed input vector (Merge IGMN) and self-referencing (Recursive IGMN). This results in algorithms that are online, incremental, aggressive and have temporal capabilities, and therefore are suitable for tasks with memory or unknown internal states, characterized by continuous non-stopping data-flows, and that require life-long learning while operating and giving predictions without separated stages. The proposed algorithms are compared to other spatio-temporal neural networks in 8 time-series prediction tasks. Two of them show satisfactory performances, generally improving upon existing approaches. A general enhancement for the IGMN algorithm is also described, eliminating one of the algorithm’s manually tunable parameters and giving better results.

Since Dengue fever (DF) and its related forms, Dengue Hemorrhagic fever (DHF) and Dengue Shock Syndrome (DSS) have become important health concerns worldwide, it is also imperative to develop methods which will help in the analysis of the incidences. Dengue fever cases are growing in number as it also invades widely, affecting larger number of countries and crossing climatic boundaries. Considering that the disease as of now has neither an effective vaccine nor a cure, monitoring in order to prevent or control is the resorted alternative. GIS and its related technologies offer a wealth of interesting capabilities towards achieving this goal. The intention of this study was to develop methods to describe dengue fever outbreaks taking Rio de Janeiro, Brazil as a case study. Careful study of Census data with appropriate attributes was made to find out their potential influence on dengue fever incidence in the various regions or census districts. Dengue incidence data from year 2000 to year 2008 reported by the municipal secretariat of Rio was used to extract the necessary census districts. Base map files in MapInfo format were converted to shape files.  Using ArcGIS it was possible to merge the dengue fever incidence data with the available base map file of the City of Rio according to corresponding census districts. Choropleth maps were then created using different attributes from which patterns and trends could be used to describe the characteristic of the outbreak with respect to the socio-economic conditions. Incidence data were also plotted in Excel to see temporal variations. Cluster analysis were performed with the Moran I technique on critical periods and years of dengue outbreak. Using the square root of dengue incidence from January to April 2002 and 2008, inverse distance was selected as the conceptualised spatial relationship, Euclidean distance as the distance method. More detailed analyses were then done on the selected critical years of dengue outbreak, (years 2002 and 2008), to investigate the influence of socio-economic variables on dengue incidence per census district.   Dengue incidence rate appeared to be higher during the rainy and warmer months between December and May. Outbreaks of dengue occurred in years 2002 and 2008 over the study period of year 2000 to 2008. Some factors included in the census data were influential in the dengue prevalence according to districts. Satisfactory results can be achieved by using this strategy as a quick method for assessing potential dengue attack, spread and possible enabling conditions. The method has the advantage where there is limited access to field work, less financial means for acquisition of data and other vital resources. A number of difficulties were encountered during the study however and leaves areas where further work can be done for improvements. More variables would be required in order to make a complete and comprehensive description of influential conditions and factors.  There is still a gap in the analytical tools required for multi-dimensional investigations as the ones encountered in this study.  It is vital to integrate ‘GPS’ and ‘Remote Sensing’ in order to obtain a variety of up-to-date data with higher resolution.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.

Fluxos de dados são usualmente caracterizados por grandes quantidades de dados gerados continuamente em processos síncronos ou assíncronos potencialmente infinitos, em aplicações como: sistemas meteorológicos, processos industriais, tráfego de veículos, transações financeiras, redes de sensores, entre outras. Além disso, o comportamento dos dados tende a sofrer alterações significativas ao longo do tempo, definindo data streams evolutivos. Estas alterações podem significar eventos temporários (como anomalias ou eventos extremos) ou mudanças relevantes no processo de geração da stream (que resultam em alterações na distribuição dos dados). Além disso, esses conjuntos de dados podem possuir características espaciais, como a localização geográfica de sensores, que podem ser úteis no processo de análise. A detecção dessas variações de comportamento que considere os aspectos da evolução temporal, assim como as características espaciais dos dados, é relevante em alguns tipos de aplicação, como o monitoramento de eventos climáticos extremos em pesquisas na área de Agrometeorologia. Nesse contexto, esse projeto de mestrado propõe uma técnica para auxiliar a análise espaço-temporal em data streams multidimensionais que contenham informações espaciais e não espaciais. A abordagem adotada é baseada em conceitos da Teoria de Fractais, utilizados para análise de comportamento temporal, assim como técnicas para manipulação de data streams e estruturas de dados hierárquicas, visando permitir uma análise que leve em consideração os aspectos espaciais e não espaciais simultaneamente. A técnica desenvolvida foi aplicada a dados agrometeorológicos, visando identificar comportamentos distintos considerando diferentes sub-regiões definidas pelas características espaciais dos dados. Portanto, os resultados deste trabalho incluem contribuições para a área de mineração de dados e de apoio a pesquisas em Agrometeorologia. / Data streams are usually characterized by large amounts of data generated continuously in synchronous or asynchronous potentially infinite processes, in applications such as: meteorological systems, industrial processes, vehicle traffic, financial transactions, sensor networks, among others. In addition, the behavior of the data tends to change significantly over time, defining evolutionary data streams. These changes may mean temporary events (such as anomalies or extreme events) or relevant changes in the process of generating the stream (that result in changes in the distribution of the data). Furthermore, these data sets can have spatial characteristics such as geographic location of sensors, which can be useful in the analysis process. The detection of these behavioral changes considering aspects of evolution, as well as the spatial characteristics of the data, is relevant for some types of applications, such as monitoring of extreme weather events in Agrometeorology researches. In this context, this project proposes a technique to help spatio-temporal analysis in multidimensional data streams containing spatial and non-spatial information. The adopted approach is based on concepts of the Fractal Theory, used for temporal behavior analysis, as well as techniques for data streams handling also hierarchical data structures, allowing analysis tasks that take into account the spatial and non-spatial aspects simultaneously. The developed technique has been applied to agro-meteorological data to identify different behaviors considering different sub-regions defined by the spatial characteristics of the data. Therefore, results from this work include contribution to data mining area and support research in Agrometeorology.

O tamanho dos conjuntos de dados se tornou um grande problema atualmente. À medida que o sensoriamento urbano ganha popularidade, os conjuntos de dados de natureza espacial e temporal se tornam ubíquos, e levantam uma série de questões relacionadas ao armazenamento e gerenciamento destes. Isso também cria uma mudança no paradigma de análise, uma vez que os conjuntos de dados que antes representavam uma única série de medições ordenadas no tempo, agora são compostos por centenas dessas séries, com uma taxa de amostragem que está aumentando constantemente. Além disso, uma vez que os dados urbanos normalmente apresentam disposição geográfica inerente, a maioria das das tarefas requerem o suporte de representações espaciais apropriadas. Este se torna outro problema, visto que as tecnologias de exibição de imagens não avançam na mesma velocidade das tecnologias de sensoriamento, de modo que consequentemente acaba-se tendo mais dados do que espaço visual para representa-los. Após conduzir uma pesquisa exaustiva a respeito de análise de dados temporais e visualização, nós melhoramos uma visualização compacta de series temporais para auxiliar a exploração de grandes conjuntos de dados espaçotemporais. Nossa proposta aproveita a compacticidade de tal representação para permitir o uso de um mapa para representar os atributos espaciais dos dados, de modo coordenado, enquanto representação, de forma compreensível, centenas de series simultaneamente, com total contexto temporal. Nós apresentamos nossa proposta como sendo capaz de auxiliar várias tarefas de caráter exploratório de forma intuitiva. Para defender essa afirmação, nós mostramos como essa ideia foi desenvolvida e melhorada ao longo do desenvolvimento de dois estudos de design visual em diferentes domínios de aplicação, e validamos com a implementação de protótipos que foram usados na análise exploratória de vários conjuntos de dados com 3 representações diferentes. Palavras- / The size of datasets became the major problem in data analysis today. As urban sensing becomes popular, datasets of spatial and temporal nature become ubiquitous, leading to several concerns regarding storage and management. It also creates a shift of paradigm in data analysis, as datasets that once represented a single series of measurements ordered in time are now composed of hundreds of series with ever increasing sampling rates. Also, as urban data usually presents inherent geographic disposition, most analysis tasks requires the support of proper spatial views. It becomes another problem, once that displaying technologies do not advance at the same of pace that sensing technologies do, and consequently, there is usually more data than visual space to represent it. After conducting exhaustive research on temporal data analysis and visualization, we improved a compact visual representation of time series to support the exploration of large spatio-temporal datasets. Our proposal exploits the compactness of such representation to allow the use of a map to represent the spatial properties of the data in a coordinate scheme while presenting, in a comprehensible manner, hundreds of series simultaneously, with full temporal context. We argue that such solution can effectively support many exploratory tasks in an intuitive manner. To support this claim, we show how the idea was conceived, and improved along the development of two design studies from different application domains, and validated by the implementation of prototypes used in the exploratory analysis of several datasets with 3 different data structures.

Este trabalho introduz novos algoritmos de redes neurais para o processamento online de padrões espaço-temporais, estendendo o algoritmo Incremental Gaussian Mixture Network (IGMN). O algoritmo IGMN é uma rede neural online incremental que aprende a partir de uma única passada através de dados por meio de uma versão incremental do algoritmo Expectation-Maximization (EM) combinado com regressão localmente ponderada (Locally Weighted Regression, LWR). Quatro abordagens diferentes são usadas para dar capacidade de processamento temporal para o algoritmo IGMN: linhas de atraso (Time-Delay IGMN), uma camada de reservoir (Echo-State IGMN), média móvel exponencial do vetor de entrada reconstruído (Merge IGMN) e auto-referência (Recursive IGMN). Isso resulta em algoritmos que são online, incrementais, agressivos e têm capacidades temporais e, portanto, são adequados para tarefas com memória ou estados internos desconhecidos, caracterizados por fluxo contínuo ininterrupto de dados, e que exigem operação perpétua provendo previsões sem etapas separadas para aprendizado e execução. Os algoritmos propostos são comparados a outras redes neurais espaço-temporais em 8 tarefas de previsão de séries temporais. Dois deles mostram desempenhos satisfatórios, em geral, superando as abordagens existentes. Uma melhoria geral para o algoritmo IGMN também é descrita, eliminando um dos parâmetros ajustáveis manualmente e provendo melhores resultados. / This work introduces novel neural networks algorithms for online spatio-temporal pattern processing by extending the Incremental Gaussian Mixture Network (IGMN). The IGMN algorithm is an online incremental neural network that learns from a single scan through data by means of an incremental version of the Expectation-Maximization (EM) algorithm combined with locally weighted regression (LWR). Four different approaches are used to give temporal processing capabilities to the IGMN algorithm: time-delay lines (Time-Delay IGMN), a reservoir layer (Echo-State IGMN), exponential moving average of reconstructed input vector (Merge IGMN) and self-referencing (Recursive IGMN). This results in algorithms that are online, incremental, aggressive and have temporal capabilities, and therefore are suitable for tasks with memory or unknown internal states, characterized by continuous non-stopping data-flows, and that require life-long learning while operating and giving predictions without separated stages. The proposed algorithms are compared to other spatio-temporal neural networks in 8 time-series prediction tasks. Two of them show satisfactory performances, generally improving upon existing approaches. A general enhancement for the IGMN algorithm is also described, eliminating one of the algorithm’s manually tunable parameters and giving better results.

Submitted by (edna.saturno@ufrpe.br) on 2016-06-16T13:11:16Z No. of bitstreams: 1 Eduardo Vetromilla Fuentes.pdf: 2331604 bytes, checksum: af655705e72ee5734b852e5c6da14e46 (MD5) / Made available in DSpace on 2016-06-16T13:11:16Z (GMT). No. of bitstreams: 1 Eduardo Vetromilla Fuentes.pdf: 2331604 bytes, checksum: af655705e72ee5734b852e5c6da14e46 (MD5) Previous issue date: 2011-06-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Given the multiplicity of uses to which reservoirs are generally subjected, it is expected to find different conditions of composition, density and biomass of phytoplankton, due to possible spatial and seasonal variations of limnological conditions and land uses in the basin. Aiming to know the structure of phytoplankton and its variation in function of spatial heterogeneity in Moxotó Reservoir, located in the semiarid region of Northeastern Brazil, samples were analyzed in two periods, rainy (June 2009) and dry (December 2009). Samples were collected at a station in body (dam upstream) and at five in arms representing several human activities (aquaculture, agriculture, urban settlement, landfill and without punctual activity). Limnological variables, richness, density and biomass of phytoplankton were analyzed. Abundance/biomass comparison curves (ABC) were used to analyze phytoplankton structure. Algae diversity between periods and samples was estimated by cluster analysis, using species presence/absence data. Samples were ordinate (NMDS) by abundance and biomass of phytoplankton descriptor species. The relation between phytoplankton and limnological data was accessed by Pearson’s univariate correlation and BIOENV multivariate analysis. The reservoir presented regulated flow, short theoretical retention time (<7 days) and high water transparency (median zEUF: zMAX = 1.0). Phytoplankton biomass was consistent with low-productive systems (median = 0.9 mg L-1), limited mainly by phosphorus in rainy period (median SRP = 8.4 μg L-1), and nitrogen in dry period (median DIN = 36.5 μg L-1). Phytoplankton composition showed marked seasonality, especially for diatoms, with main contributions of planktonic in rainy period and typically periphytic in dry period. Under limitation by SRP and DIN, organisms adapted to mixotrophy (dinoflagellates and euglenoids) reached higher biomass. In contrast, nanoplanktonic organisms (chlorophytes and cryptophytes) were dominant in conditions of high nutrient availability. The studied sites showed three distinct environments: body, arms with submerged macrophytes and arms under influence of tributaries. Among human activities observed, agriculture was considered the most striking in relation to eutrophication. Moreover, proliferation of submerged macrophytes in arms can cause impairment for multiple uses, despite apparent benefits on water quality (increased transparency). Human activities, presence of submerged macrophytes and retention time influenced the availability of resources, being considered the driving forces of phytoplankton structure. / Em vista da multiplicidade de usos à qual os reservatórios geralmente estão sujeitos, espera-se encontrar condições diferenciadas quanto à composição, densidade e biomassa fitoplanctônica, em função de possíveis variações espaciais e sazonais das condições limnológicas e de ocupação do solo na bacia. Com o objetivo de conhecer a estrutura fitoplanctônica e sua variação em função da heterogeneidade espacial no reservatório hidrelétrico de Moxotó, situado na região semiárida do Nordeste do Brasil, foram analisadas amostras em dois períodos sazonais, de chuvas (junho/2009) e de estiagem (dezembro/2009). As coletas foram realizadas em uma estação no corpo central (barragem à montante) e cinco em reentrâncias representativas de diversas atividades antrópicas (piscicultura, agricultura, ocupação urbana, aterro sanitário e sem atividade pontual). Foram analisadas variáveis limnológicas, riqueza, densidade e biomassa fitoplanctônica. Curvas de comparação de abundância e biomassa acumuladas (curvas ABC) foram utilizadas na análise da estrutura do fitoplâncton. A diversidade algal entre períodos e estações foi estimada através de análise de agrupamento, utilizando-se dados de presença/ausência de espécies. As estações foram ordenadas (NMDS) em função da densidade e biomassa de espécies descritoras do fitoplâncton (valores relativos de abundância e/ou biomassa acima de 5%). A relação entre o fitoplâncton e os dados limnológicos foi acessada através de correlação univariada de Pearson e análise multivariada BIOENV. O reservatório apresentou vazão regularizada, tempo teórico de retenção curto (< 7 dias) e transparência da água elevada (mediana zEUF:zMAX = 1,0). A biomassa fitoplanctônica foi compatível com sistemas pouco produtivos (mediana = 0,9 mg L-1), limitadas principalmente por fósforo nas chuvas (mediana SRP = 8,4 μg L-1), e nitrogênio na estiagem (mediana DIN = 36,5 μg L-1). A composição fitoplanctônica apresentou sazonalidade marcante, especialmente para diatomáceas, com maiores participações das planctônicas nas chuvas e das tipicamente perifíticas, na estiagem. Em condições de limitação por SRP e DIN, organismos adaptados a mixotrofia (dinoflagelados e euglenóides) atingiram biomassas mais elevadas. Por outro lado, organismos nanoplanctônicos (clorofíceas e criptofíceas) foram dominantes em condições de disponibilidade de nutrientes. Os locais estudados mostraram a existência de três ambientes distintos, sendo corpo central e reentrâncias com macrófitas submersas e sob influência de tributários. Dentre as atividades antrópicas observadas, a agrícola foi considerada a mais impactante em relação à eutrofização. Por outro lado, a proliferação de macrófitas submersas em reentrâncias pode ocasionar o comprometimento destes locais para fins de usos múltiplos, apesar dos aparentes benefícios para a qualidade da água (aumento da transparência). Atividades antrópicas, presença de macrófitas submersas e tempo de retenção influenciaram a disponibilidade de recursos, sendo consideradas os fatores direcionadores da estrutura do fitoplâncton.