Em cenas naturais, ocorrem com certa freqüência classes espectralmente muito similares, isto é, os vetores média são muito próximos. Em situações como esta, dados de baixa dimensionalidade (LandSat-TM, Spot) não permitem uma classificação acurada da cena. Por outro lado, sabe-se que dados em alta dimensionalidade [FUK 90] tornam possível a separação destas classes, desde que as matrizes covariância sejam suficientemente distintas. Neste caso, o problema de natureza prática que surge é o da estimação dos parâmetros que caracterizam a distribuição de cada classe. Na medida em que a dimensionalidade dos dados cresce, aumenta o número de parâmetros a serem estimados, especialmente na matriz covariância. Contudo, é sabido que, no mundo real, a quantidade de amostras de treinamento disponíveis, é freqüentemente muito limitada, ocasionando problemas na estimação dos parâmetros necessários ao classificador, degradando portanto a acurácia do processo de classificação, na medida em que a dimensionalidade dos dados aumenta. O Efeito de Hughes, como é chamado este fenômeno, já é bem conhecido no meio científico, e estudos vêm sendo realizados com o objetivo de mitigar este efeito. Entre as alternativas propostas com a finalidade de mitigar o Efeito de Hughes, encontram-se as técnicas de regularização da matriz covariância. Deste modo, técnicas de regularização para a estimação da matriz covariância das classes, tornam-se um tópico interessante de estudo, bem como o comportamento destas técnicas em ambientes de dados de imagens digitais de alta dimensionalidade em sensoriamento remoto, como por exemplo, os dados fornecidos pelo sensor AVIRIS. Neste estudo, é feita uma contextualização em sensoriamento remoto, descrito o sistema sensor AVIRIS, os princípios da análise discriminante linear (LDA), quadrática (QDA) e regularizada (RDA) são apresentados, bem como os experimentos práticos dos métodos, usando dados reais do sensor. Os resultados mostram que, com um número limitado de amostras de treinamento, as técnicas de regularização da matriz covariância foram eficientes em reduzir o Efeito de Hughes. Quanto à acurácia, em alguns casos o modelo quadrático continua sendo o melhor, apesar do Efeito de Hughes, e em outros casos o método de regularização é superior, além de suavizar este efeito. Esta dissertação está organizada da seguinte maneira: No primeiro capítulo é feita uma introdução aos temas: sensoriamento remoto (radiação eletromagnética, espectro eletromagnético, bandas espectrais, assinatura espectral), são também descritos os conceitos, funcionamento do sensor hiperespectral AVIRIS, e os conceitos básicos de reconhecimento de padrões e da abordagem estatística. No segundo capítulo, é feita uma revisão bibliográfica sobre os problemas associados à dimensionalidade dos dados, à descrição das técnicas paramétricas citadas anteriormente, aos métodos de QDA, LDA e RDA, e testes realizados com outros tipos de dados e seus resultados.O terceiro capítulo versa sobre a metodologia que será utilizada nos dados hiperespectrais disponíveis. O quarto capítulo apresenta os testes e experimentos da Análise Discriminante Regularizada (RDA) em imagens hiperespectrais obtidos pelo sensor AVIRIS. No quinto capítulo são apresentados as conclusões e análise final. A contribuição científica deste estudo, relaciona-se à utilização de métodos de regularização da matriz covariância, originalmente propostos por Friedman [FRI 89] para classificação de dados em alta dimensionalidade (dados sintéticos, dados de enologia), para o caso especifico de dados de sensoriamento remoto em alta dimensionalidade (imagens hiperespectrais). A conclusão principal desta dissertação é que o método RDA é útil no processo de classificação de imagens com dados em alta dimensionalidade e classes com características espectrais muito próximas. / The remote sensing analysis of natural scenes has been relying primarily on data collected by sensors that provide a relatively small number of spectral bands. In most of the cases, this low dimensional image data has proved capable of performing image data classification in an acceptable way. There are some cases, however, in which some or all of the classes involved are spectrally very similar, i.e., their mean vectors are nearly identical. In these cases, the low dimensional image data yield a very low classification accuracy. This problem may be solved by using high dimensional image data. It is well known that high dimensional image data allows for the separation of classes that are spectrally very similar , provided that their covariance matrices differ significantly. One problem with high dimensional data, however, is related to the estimation of the required parameters, specially the class covariance matrices. As the data dimension increases, so does the number of parameters to be estimated. In real world conditions, however, the sample size normally available for parameter estimation is limited, resulting in poor estimates for the parameters. This problem becomes apparent when one compares the classification accuracy against the data dimensionality. Initially the accuracy of the classifier tends to increase as the number of spectral bands increase, i.e., as the data dimensionality becomes larger. Eventually the accuracy peaks and as the data dimensionality continues to increase the classification accuracy tends to decrease. This pattern, known as the "Hughes Phenomenon" is caused by the gradual deterioration of the parameters estimation as the data dimensionality keeps increasing while the number of available training samples remains constant. One possible way to mitigate this problem consists in the procedure known as regularization of the covariance matrix. This procedure can be performed in two steps: (1) replacing the class covariance matrix by a linear combination of the class covariance matrix and the common covariance matrix for all classes involved in the process and (2) scaling the class covariance matrices to counter the bias that tend to estimate the small eigenvalues too small and the large eigenvalues too large. This bias occur whenever the number of training samples is too small compared with the data dimensionality. This study is concerned with the applications of the regularization techniques to remote sensing high dimensional image data such as the data provided by the AVIRIS sensor system. Methods using the conventional quadratic classifier (QDA) and the classifier implementing the regularized covariance matrices (RDA) are tested and compared. The experiments have shown that the regularization techniques were very efficient in mitigating the Hughes phenomenon. In some experiments, the maximum accuracy was obtained using the conventional quadratic classifier (QDA), with a smaller number of spectral bands. In other cases the regularized procedure (RDA) produced more accurate results at higher dimensionality having mitigated the Hughes phenomenon. The investigation of the behavior of the regularization procedure (RDA) in remote sensing image data constitutes the main contribution of this study. The regularization procedure, originally proposed by Friedman is shown to perform well in remote sensing digital image classification. The regularization procedure (RDA) seems to be capable of improving the accuracy of the classification procedure when high dimensional image data is used.

Em cenas naturais, ocorrem com certa freqüência classes espectralmente muito similares, isto é, os vetores média são muito próximos. Em situações como esta, dados de baixa dimensionalidade (LandSat-TM, Spot) não permitem uma classificação acurada da cena. Por outro lado, sabe-se que dados em alta dimensionalidade [FUK 90] tornam possível a separação destas classes, desde que as matrizes covariância sejam suficientemente distintas. Neste caso, o problema de natureza prática que surge é o da estimação dos parâmetros que caracterizam a distribuição de cada classe. Na medida em que a dimensionalidade dos dados cresce, aumenta o número de parâmetros a serem estimados, especialmente na matriz covariância. Contudo, é sabido que, no mundo real, a quantidade de amostras de treinamento disponíveis, é freqüentemente muito limitada, ocasionando problemas na estimação dos parâmetros necessários ao classificador, degradando portanto a acurácia do processo de classificação, na medida em que a dimensionalidade dos dados aumenta. O Efeito de Hughes, como é chamado este fenômeno, já é bem conhecido no meio científico, e estudos vêm sendo realizados com o objetivo de mitigar este efeito. Entre as alternativas propostas com a finalidade de mitigar o Efeito de Hughes, encontram-se as técnicas de regularização da matriz covariância. Deste modo, técnicas de regularização para a estimação da matriz covariância das classes, tornam-se um tópico interessante de estudo, bem como o comportamento destas técnicas em ambientes de dados de imagens digitais de alta dimensionalidade em sensoriamento remoto, como por exemplo, os dados fornecidos pelo sensor AVIRIS. Neste estudo, é feita uma contextualização em sensoriamento remoto, descrito o sistema sensor AVIRIS, os princípios da análise discriminante linear (LDA), quadrática (QDA) e regularizada (RDA) são apresentados, bem como os experimentos práticos dos métodos, usando dados reais do sensor. Os resultados mostram que, com um número limitado de amostras de treinamento, as técnicas de regularização da matriz covariância foram eficientes em reduzir o Efeito de Hughes. Quanto à acurácia, em alguns casos o modelo quadrático continua sendo o melhor, apesar do Efeito de Hughes, e em outros casos o método de regularização é superior, além de suavizar este efeito. Esta dissertação está organizada da seguinte maneira: No primeiro capítulo é feita uma introdução aos temas: sensoriamento remoto (radiação eletromagnética, espectro eletromagnético, bandas espectrais, assinatura espectral), são também descritos os conceitos, funcionamento do sensor hiperespectral AVIRIS, e os conceitos básicos de reconhecimento de padrões e da abordagem estatística. No segundo capítulo, é feita uma revisão bibliográfica sobre os problemas associados à dimensionalidade dos dados, à descrição das técnicas paramétricas citadas anteriormente, aos métodos de QDA, LDA e RDA, e testes realizados com outros tipos de dados e seus resultados.O terceiro capítulo versa sobre a metodologia que será utilizada nos dados hiperespectrais disponíveis. O quarto capítulo apresenta os testes e experimentos da Análise Discriminante Regularizada (RDA) em imagens hiperespectrais obtidos pelo sensor AVIRIS. No quinto capítulo são apresentados as conclusões e análise final. A contribuição científica deste estudo, relaciona-se à utilização de métodos de regularização da matriz covariância, originalmente propostos por Friedman [FRI 89] para classificação de dados em alta dimensionalidade (dados sintéticos, dados de enologia), para o caso especifico de dados de sensoriamento remoto em alta dimensionalidade (imagens hiperespectrais). A conclusão principal desta dissertação é que o método RDA é útil no processo de classificação de imagens com dados em alta dimensionalidade e classes com características espectrais muito próximas. / The remote sensing analysis of natural scenes has been relying primarily on data collected by sensors that provide a relatively small number of spectral bands. In most of the cases, this low dimensional image data has proved capable of performing image data classification in an acceptable way. There are some cases, however, in which some or all of the classes involved are spectrally very similar, i.e., their mean vectors are nearly identical. In these cases, the low dimensional image data yield a very low classification accuracy. This problem may be solved by using high dimensional image data. It is well known that high dimensional image data allows for the separation of classes that are spectrally very similar , provided that their covariance matrices differ significantly. One problem with high dimensional data, however, is related to the estimation of the required parameters, specially the class covariance matrices. As the data dimension increases, so does the number of parameters to be estimated. In real world conditions, however, the sample size normally available for parameter estimation is limited, resulting in poor estimates for the parameters. This problem becomes apparent when one compares the classification accuracy against the data dimensionality. Initially the accuracy of the classifier tends to increase as the number of spectral bands increase, i.e., as the data dimensionality becomes larger. Eventually the accuracy peaks and as the data dimensionality continues to increase the classification accuracy tends to decrease. This pattern, known as the "Hughes Phenomenon" is caused by the gradual deterioration of the parameters estimation as the data dimensionality keeps increasing while the number of available training samples remains constant. One possible way to mitigate this problem consists in the procedure known as regularization of the covariance matrix. This procedure can be performed in two steps: (1) replacing the class covariance matrix by a linear combination of the class covariance matrix and the common covariance matrix for all classes involved in the process and (2) scaling the class covariance matrices to counter the bias that tend to estimate the small eigenvalues too small and the large eigenvalues too large. This bias occur whenever the number of training samples is too small compared with the data dimensionality. This study is concerned with the applications of the regularization techniques to remote sensing high dimensional image data such as the data provided by the AVIRIS sensor system. Methods using the conventional quadratic classifier (QDA) and the classifier implementing the regularized covariance matrices (RDA) are tested and compared. The experiments have shown that the regularization techniques were very efficient in mitigating the Hughes phenomenon. In some experiments, the maximum accuracy was obtained using the conventional quadratic classifier (QDA), with a smaller number of spectral bands. In other cases the regularized procedure (RDA) produced more accurate results at higher dimensionality having mitigated the Hughes phenomenon. The investigation of the behavior of the regularization procedure (RDA) in remote sensing image data constitutes the main contribution of this study. The regularization procedure, originally proposed by Friedman is shown to perform well in remote sensing digital image classification. The regularization procedure (RDA) seems to be capable of improving the accuracy of the classification procedure when high dimensional image data is used.

Em cenas naturais, ocorrem com certa freqüência classes espectralmente muito similares, isto é, os vetores média são muito próximos. Em situações como esta, dados de baixa dimensionalidade (LandSat-TM, Spot) não permitem uma classificação acurada da cena. Por outro lado, sabe-se que dados em alta dimensionalidade [FUK 90] tornam possível a separação destas classes, desde que as matrizes covariância sejam suficientemente distintas. Neste caso, o problema de natureza prática que surge é o da estimação dos parâmetros que caracterizam a distribuição de cada classe. Na medida em que a dimensionalidade dos dados cresce, aumenta o número de parâmetros a serem estimados, especialmente na matriz covariância. Contudo, é sabido que, no mundo real, a quantidade de amostras de treinamento disponíveis, é freqüentemente muito limitada, ocasionando problemas na estimação dos parâmetros necessários ao classificador, degradando portanto a acurácia do processo de classificação, na medida em que a dimensionalidade dos dados aumenta. O Efeito de Hughes, como é chamado este fenômeno, já é bem conhecido no meio científico, e estudos vêm sendo realizados com o objetivo de mitigar este efeito. Entre as alternativas propostas com a finalidade de mitigar o Efeito de Hughes, encontram-se as técnicas de regularização da matriz covariância. Deste modo, técnicas de regularização para a estimação da matriz covariância das classes, tornam-se um tópico interessante de estudo, bem como o comportamento destas técnicas em ambientes de dados de imagens digitais de alta dimensionalidade em sensoriamento remoto, como por exemplo, os dados fornecidos pelo sensor AVIRIS. Neste estudo, é feita uma contextualização em sensoriamento remoto, descrito o sistema sensor AVIRIS, os princípios da análise discriminante linear (LDA), quadrática (QDA) e regularizada (RDA) são apresentados, bem como os experimentos práticos dos métodos, usando dados reais do sensor. Os resultados mostram que, com um número limitado de amostras de treinamento, as técnicas de regularização da matriz covariância foram eficientes em reduzir o Efeito de Hughes. Quanto à acurácia, em alguns casos o modelo quadrático continua sendo o melhor, apesar do Efeito de Hughes, e em outros casos o método de regularização é superior, além de suavizar este efeito. Esta dissertação está organizada da seguinte maneira: No primeiro capítulo é feita uma introdução aos temas: sensoriamento remoto (radiação eletromagnética, espectro eletromagnético, bandas espectrais, assinatura espectral), são também descritos os conceitos, funcionamento do sensor hiperespectral AVIRIS, e os conceitos básicos de reconhecimento de padrões e da abordagem estatística. No segundo capítulo, é feita uma revisão bibliográfica sobre os problemas associados à dimensionalidade dos dados, à descrição das técnicas paramétricas citadas anteriormente, aos métodos de QDA, LDA e RDA, e testes realizados com outros tipos de dados e seus resultados.O terceiro capítulo versa sobre a metodologia que será utilizada nos dados hiperespectrais disponíveis. O quarto capítulo apresenta os testes e experimentos da Análise Discriminante Regularizada (RDA) em imagens hiperespectrais obtidos pelo sensor AVIRIS. No quinto capítulo são apresentados as conclusões e análise final. A contribuição científica deste estudo, relaciona-se à utilização de métodos de regularização da matriz covariância, originalmente propostos por Friedman [FRI 89] para classificação de dados em alta dimensionalidade (dados sintéticos, dados de enologia), para o caso especifico de dados de sensoriamento remoto em alta dimensionalidade (imagens hiperespectrais). A conclusão principal desta dissertação é que o método RDA é útil no processo de classificação de imagens com dados em alta dimensionalidade e classes com características espectrais muito próximas. / The remote sensing analysis of natural scenes has been relying primarily on data collected by sensors that provide a relatively small number of spectral bands. In most of the cases, this low dimensional image data has proved capable of performing image data classification in an acceptable way. There are some cases, however, in which some or all of the classes involved are spectrally very similar, i.e., their mean vectors are nearly identical. In these cases, the low dimensional image data yield a very low classification accuracy. This problem may be solved by using high dimensional image data. It is well known that high dimensional image data allows for the separation of classes that are spectrally very similar , provided that their covariance matrices differ significantly. One problem with high dimensional data, however, is related to the estimation of the required parameters, specially the class covariance matrices. As the data dimension increases, so does the number of parameters to be estimated. In real world conditions, however, the sample size normally available for parameter estimation is limited, resulting in poor estimates for the parameters. This problem becomes apparent when one compares the classification accuracy against the data dimensionality. Initially the accuracy of the classifier tends to increase as the number of spectral bands increase, i.e., as the data dimensionality becomes larger. Eventually the accuracy peaks and as the data dimensionality continues to increase the classification accuracy tends to decrease. This pattern, known as the "Hughes Phenomenon" is caused by the gradual deterioration of the parameters estimation as the data dimensionality keeps increasing while the number of available training samples remains constant. One possible way to mitigate this problem consists in the procedure known as regularization of the covariance matrix. This procedure can be performed in two steps: (1) replacing the class covariance matrix by a linear combination of the class covariance matrix and the common covariance matrix for all classes involved in the process and (2) scaling the class covariance matrices to counter the bias that tend to estimate the small eigenvalues too small and the large eigenvalues too large. This bias occur whenever the number of training samples is too small compared with the data dimensionality. This study is concerned with the applications of the regularization techniques to remote sensing high dimensional image data such as the data provided by the AVIRIS sensor system. Methods using the conventional quadratic classifier (QDA) and the classifier implementing the regularized covariance matrices (RDA) are tested and compared. The experiments have shown that the regularization techniques were very efficient in mitigating the Hughes phenomenon. In some experiments, the maximum accuracy was obtained using the conventional quadratic classifier (QDA), with a smaller number of spectral bands. In other cases the regularized procedure (RDA) produced more accurate results at higher dimensionality having mitigated the Hughes phenomenon. The investigation of the behavior of the regularization procedure (RDA) in remote sensing image data constitutes the main contribution of this study. The regularization procedure, originally proposed by Friedman is shown to perform well in remote sensing digital image classification. The regularization procedure (RDA) seems to be capable of improving the accuracy of the classification procedure when high dimensional image data is used.

Made available in DSpace on 2014-06-12T18:03:36Z (GMT). No. of bitstreams: 2 arquivo7185_1.pdf: 1443935 bytes, checksum: 80e498e192d4886d4ef912d3c8bb8cb4 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência

Made available in DSpace on 2014-06-12T18:03:40Z (GMT). No. of bitstreams: 2 arquivo7186_1.pdf: 1869527 bytes, checksum: f88c1d6a52dd5f9a69ec334a408ad73a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência

Made available in DSpace on 2014-06-12T18:01:35Z (GMT). No. of bitstreams: 2 arquivo3760_1.pdf: 4016206 bytes, checksum: 79a180d77808032075487ee93517b7a6 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A classificação supervisionada representa uma parte das técnicas empregadas no contexto de Data Mining, com crescente impacto nos estudos em várias áreas do conhecimento, possibilitado pelo crescimento exponencial da capacidade de processamento e disponibilidade de recursos computacionais. Além do fato que já existem várias técnicas bem conhecidas e estabelecidas na literatura, a importância desta área exige esforços contínuos no sentido da comparação de performance de diferentes métodos, e da sua aplicabilidade aos diferentes tipos de dados, bem como propostas de novas metodologias que poderão contribuir para o estado da arte atual. Esta dissertação apresenta um novo método de classificação, o método de potencial. Este método é construído com base em conceitos da física, através do mapeamento de observações no espaço p-dimensional dos dados para o sistema virtual de partículas interagentes no espaço Euclidiano p-dimensional. O método é formalizado com todos os detalhes necessários para a definição da regra de classificação com base na teoria de decisão de Bayes. As características mais relevantes do método também são apresentadas. O método de núcleo é utilizado para comparação com o método de potencial por apresentar boas propriedades e ser bastante difundido e estudado no meio acadêmico. Os dois métodos se diferenciam basicamente pela forma funcional com que estimam as densidades que são utilizadas para se construir a regra de classificação. Os classificadores propostos pelos métodos são então avaliados com respeito a discriminabilidade da regra de decisão para dados reais e simulados, respectivamente, através das técnicas bootstrap e holdout. O estudo atual, além de ser longe de ser completo, mostra que o desempenho dos métodos é semelhante na maioria dos casos, mas que por outro lado existem situações quando cada um deles tem vantagens em relação ao outro

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2015. / Submitted by Andrielle Gomes (andriellemacedo@bce.unb.br) on 2015-07-06T15:00:03Z No. of bitstreams: 1 2015_PedroGuilhermedeAndradeVasconcelos.pdf: 1370368 bytes, checksum: c58161829e3cc0d170ccc6d14706a37b (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2015-08-17T16:34:28Z (GMT) No. of bitstreams: 1 2015_PedroGuilhermedeAndradeVasconcelos.pdf: 1370368 bytes, checksum: c58161829e3cc0d170ccc6d14706a37b (MD5) / Made available in DSpace on 2015-08-17T16:34:28Z (GMT). No. of bitstreams: 1 2015_PedroGuilhermedeAndradeVasconcelos.pdf: 1370368 bytes, checksum: c58161829e3cc0d170ccc6d14706a37b (MD5) / A Amazônia, maior bioma de floresta úmida do mundo, contém quase 50% da biodiversidade conhecida do planeta e o maior manancial de água doce, que corresponde aproximadamente a um quinto das reservas mundiais. Entretanto, o uso sustentável deste bioma está ameaçado por vários fatores, e o desmatamento é seu principal problema. Este trabalho aborda o desmatamento da floresta amazônica brasileira, em especial busca os determinantes deste processo, utilizando-se para essa finalidade séries de dados temporais do desmatamento e de diversos fatores socioeconômicos, compreendendo o período de 1990 a 2012. A metodologia utilizada submeteu os dados obtidos à análise estatística de correlação seguida da aplicação da análise multivariada discriminante com o método stepwise. Os resultados obtidos apontaram que em ordem de importância as variáveis determinantes do desmatamento são: Bovinos, Malha Viária, População, Extração da Madeira e Área de Lavoura. Por fim, a partir das discussões foram relacionados alguns mecanismos com potencial para combater o desmatamento. / The Amazon rainforest is the largest biome in the world, containing almost 50% of the known biodiversity of the planet and the biggest source of fresh water, which is approximately one-fifth of global reserves. However, the sustainable use of this ecosystem is threatened by several factors, and deforestation is your main problem. This study addresses the deforestation of the Brazilian Amazon forest, in particular search the determinants of the deforestation process, using for this purpose, time-series of several socioeconomic factors between 1990 and 2012. The methodology applied included statistical analyzes based on correlation analysis followed by the application of multivariate discriminant analysis with the stepwise criteria. The results showed that in order of importance cattle, roads network, selective logging and crop areas were the determinant variables of the deforestation in the amazon. Finally, based on the discussion were related some potential mechanisms to combat deforestation.

A Serra do Mar, na região de Cubatão, é uma área de contraste entre a conservação do meio ambiente e a ocupação do homem. Nessa região têm ocorrido movimentos de massa cujas causas podem ser naturais, porém são intensificados pela ação antrópica. A presença de rodovias, oleodutos, indústrias, centros habitacionais e outras estruturas na região, faz com que esses processos erosivos possam ter conseqüências trágicas, principalmente para a população e ao meio ambiente. No sentido de contribuir para a prevenção desses eventos, este estudo teve como objetivo o mapeamento do risco de escorregamentos, a partir de mapas temáticos de cobertura vegetal, pedologia, litologia, morfologia, hipsometria, clinografia, exposição de vertentes e da precipitação pluviométrica, considerados fatores de instabilidade. Utilizou- se como ferramentas um Sistema de Informações Geográficas (SIG), e um modelo estatístico multivariado, a análise discriminante. A área estudada compreendeu uma superfície de 10.706,9 ha, onde estão contidos os vales do rio Mogi, rio Perequê, parte do rio Pilões e parte do rio Cubatão. Esta foi dividida em unidades de terreno em forma de grade de células de 30 m x 30 m. Os mapas temáticos foram convertidos para o formato digital raster. Áreas com escorregamento e sem escorregamento foram amostradas quanto as suas características hipsométricas, clinográficas, de exposição de vertentes, pluviométricas, pedológicas, de cobertura vegetal, morfológicas e litológicas, considerados fatores de instabilidade. Esses dados foram submetidos à análise discriminante, a partir da qual foi gerada uma função linear discriminante, onde foram atribuídos pesos a cada fator de instabilidade, proporcionais à contribuição de cada um na ocorrência ou não de escorregamentos. A partir desta função foi calculada a probabilidade posterior de uma área ser ou não um escorregamento, considerada o risco. Uma amostra de validação mostrou sua eficiência na classificação de áreas como sendo com escorregamento e sem escorregamento, em 82,41% da mesma. Sua aplicação em cada unidade de terreno da área de estudo gerou um mapa de risco de escorregamentos em cinco níveis: muito baixo (44,4%), baixo (10,2%), médio (9,3%), alto (12,9%) e muito alto (12,7%). Os maiores pesos na função discriminante foram atribuídos à clinografia, precipitação média do trimestre mais chuvoso, pedologia e litologia. Áreas com risco de escorregamento alto e muito alto que ocorreram em vertentes da média e alta encosta (300 m a 700 m), com altas declividades (26° a 36°) e exposição sul (S) e sudeste (SE), em solos do tipo latossolo vermelho-amarelo (LVa1), cobertura vegetal de porte arbóreo baixo (Ab), vertentes retilíneas (VR), litologia do tipo migmatitos estromatíticos (AcMn), em áreas onde a precipitação média do trimestre mais chuvoso esteve entre 1.100mm e 1.200mm e a precipitação média anual entre 3.200mm e 3.600mm. / not available

Dissertação (mestrado)—Universidade de Brasília, Universidade Federal da Paraíba, Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação Multiinstitucional e Inter-Regional de Pós-Graduação em Ciências Contábeis, 2016. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2016-05-18T13:16:45Z No. of bitstreams: 1 2016_CamilaCatarineAraujoAzevedo.pdf: 1803439 bytes, checksum: a0c19428b902d96583b98dd6fad9cfed (MD5) / Approved for entry into archive by Patrícia Nunes da Silva(patricia@bce.unb.br) on 2016-05-27T13:59:32Z (GMT) No. of bitstreams: 1 2016_CamilaCatarineAraujoAzevedo.pdf: 1803439 bytes, checksum: a0c19428b902d96583b98dd6fad9cfed (MD5) / Made available in DSpace on 2016-05-27T13:59:32Z (GMT). No. of bitstreams: 1 2016_CamilaCatarineAraujoAzevedo.pdf: 1803439 bytes, checksum: a0c19428b902d96583b98dd6fad9cfed (MD5) / A presente pesquisa tem o objetivo de avaliar a evolução da capacidade de classificação das empresas do mercado acionário brasileiro em grupos de melhores e piores alternativas de investimentos, a partir de informações contábeis após a adoção das Normas Internacionais de Contabilidade. Para alcançar o objetivo proposto, foram utilizados 14 índices econômico-financeiros como proxies para discriminar as empresas, os quais foram escolhidos mediante verificação dos índices mais utilizados em pesquisas científicas brasileiras no período de 2010 a 2014. A amostra desta pesquisa é composta pelas empresas do segmento de Governança Corporativa da BM&FBovespa,totalizando 98 empresas que se mantiveram constantes no período de 2010 a 2014. Inicialmente, a amostra de empresas de cada ano foi ordenada de acordo com a real variação do valor de mercado a fim de classificar as empresas com maior agregação de valor no grupo “Vencedoras” (primeiro terço da amostra), bem como aquelas com menor agregação de valor no grupo das “Perdedoras” (terceiro terço da amostra). A fim de analisar a capacidade preditiva da informação contábil, foi utilizada a técnica de análise discriminante para segregar as empresas nos dois grupos propostos em cada exercício social e avaliar a evolução dos níveis de acertos a partir dos índices econômico-financeiros. Para tanto, as amostras de cada ano foram segregadas em duas subamostras: uma amostra de análise, que foi utilizada para estimar a função discriminante, e a amostra de teste, que valida as funções estimadas em casos não utilizados. A classificação prevista pela análise discriminante foi então comparada com a classificação real do valor de mercado, gerando os níveis de acertos em cada exercício. Os resultados apontaram que as funções discriminantes estimadas com o uso de índices econômico-financeiros evidenciaram uma evolução na capacidade preditiva de classificar as empresas do segmento de Governança Corporativa nos dois grupos propostos, uma vez que alcançaram níveis de acertos de 64,5%, 74,2%, 90,3%, 77,4% e 93,3% no período de 2010 a 2014, respectivamente. Adicionalmente, os índices considerados significativos para estimações das funções foram: Crescimento das vendas, Liquidez Geral, Margem Ebtida, Liquidez Corrente, Q de Tobin, Giro do Ativo, ROE, PCCT, Book-to-market. _____________________________________________________________________________ ABSTRACT / This study aims to assess the evolution of the classification capacity of companies in the Brazilian stock market in the best groups and worst investment alternatives, from accounting information after the adoption of International Accounting Standards. To achieve the proposed objective, we used 14 economic and financial indicators as proxies to discriminate against companies, which were chosen by checking the most used indexes in Brazilian scientific research in the period 2010 to 2014. The sample of this research consists of the companies segment Corporate Governance of BM&FBovespa, totaling 98 companies remained constant in the period 2010 to 2014. Initially, the sample of firms each year was ordered according to the actual variation in the market value to rank companies more adding value in the group "Winning" (first third of the sample) and those with lower added value in the group of "win" (third third of the sample). In order to test the predictive ability of accounting information, we used discriminant analysis to segregate companies in the two proposed groups in each fiscal year and assess the evolution of hit levels from the economic and financial ratios. For this purpose, samples of each year were divided into two samples: an analysis sample, which was used to estimate the discriminant function, and the test sample, that test functions estimated in unused cases. The classification provided by the discriminant analysis was then compared with the actual classification of the market value, generating the hit levels each year. The results showed that the discriminant function estimated using economic and financial ratios showed an increase in predictive ability to rank companies in the segment of corporate governance in the two proposed groups, as achieved successes levels of 64.5%, 74 2%, 90.3%, 77.4% and 93.3% in the period 2010-2014, respectively. In addition, the indices considered significant for estimation of the functions are: Sales growth, overall liquidity, EBITDA margin, Current Liquidity, Tobin's Q, the Asset Turnover, ROE, PCCT, Book-to-market.

SECUNDINO, Adson Bezerra. Análise da inserção dos produtores de mel no modo de produção orgânico na região do Vale do Jaguaribe. 2012. 141f. : Dissertação (Mestrado em Economia Rural) - Universidade Federal do Ceará, Fortaleza-CE, 2012 / Submitted by Evilanny da Silva (eawusikagl@hotmail.com) on 2013-10-16T14:56:31Z No. of bitstreams: 1 2012_dis_absecundino.pdf: 2727410 bytes, checksum: e1cd259d2fb5b6a857d55b685f7c1f04 (MD5) / Approved for entry into archive by Margareth Mesquita(margaret@ufc.br) on 2013-10-16T17:45:52Z (GMT) No. of bitstreams: 1 2012_dis_absecundino.pdf: 2727410 bytes, checksum: e1cd259d2fb5b6a857d55b685f7c1f04 (MD5) / Made available in DSpace on 2013-10-16T17:45:52Z (GMT). No. of bitstreams: 1 2012_dis_absecundino.pdf: 2727410 bytes, checksum: e1cd259d2fb5b6a857d55b685f7c1f04 (MD5) Previous issue date: 2012 / Although production of organic honey is one of the main levers to boost the growth of Ceara beekeeping, beekeepers in the main producing region of the state still suffer from inadequate knowledge of the techniques required by the ministry of agriculture and livestock for organic activity and also with lack of indicators to measure the degree of preparedness and fitness of beekeeping in relation to organic activity. The main objective of this study was the inclusion of factors of production so beekeepers in organic honey producers in the counties in the Lower Jaguaribe. To verify the adequacy of producers to organic farming legislation was used organic products created by the Ministry of Agriculture, Livestock and Supply (MAPA). The relationship between socioeconomic variables and indices of organic beekeeping were made through a factor analysis and to identify which variables contribute to the beekeepers are inserted in the group of organic farmers was made a discriminant analysis. The results showed that on average beekeepers employ 56% of recommendations for a way to organic production, the index was the siting of the apiaries that contributed the most and least contributed to the formation of the overall suitability index (IGA) was the origin of bees and certification processes. In the factor analysis extracted four factors called capitalization, adequacy of property, size of property and human capital. The results of discriminant analysis indicated that the fact of "Beekeeping is the main activity of the farmer" and "years of study" are the main discriminating variables between the groups of organic and non organic producers. Thus, it is concluded that although there natural factors favorable to organic beekeeping in the state of Ceará most beekeepers is not yet prepared for the cultivation of organic honey. / Embora a produção de mel orgânico seja uma das principais alavancas para impulsionar o crescimento da atividade apícola cearense, os apicultores da região produtora mais importante do Ceará ainda sofrem com inadequados conhecimentos das técnicas exigidas pelo ministério da agricultura e pecuária para a atividade orgânica e também com a falta de indicadores que permitam medir o grau de preparação e adequação da apicultura em relação à atividade orgânica. O principal objetivo deste trabalho foi estudar os fatores de inserção dos apicultores no modo de produção orgânico nos municípios produtores de mel no Baixo Jaguaribe. Para verificar a adequação dos produtores ao cultivo orgânico foi utilizada a legislação dos produtos orgânicos criada pelo Ministério da Agricultura, Pecuária e Abastecimento (MAPA). As relações entre as variáveis socioeconômicas e os índices da apicultura orgânica foram feitas através de uma análise fatorial e para identificar quais as variáveis que contribuem para que os apicultores sejam inseridos no grupo dos produtores orgânicos foi feita uma análise discriminante. Os resultados apontaram que em média os apicultores empregam 56% das recomendações necessárias para um modo de produção orgânico, o índice localização dos apiários foi o que mais contribuiu e as que menos contribuíram para a formação do índice de adequação geral (IGA) foi origem das abelhas e os processos de certificação. Na análise fatorial foram extraídos quatro fatores, chamados de capitalização, adequação da propriedade, tamanho da propriedade e capital humano. Os resultados da análise discriminante apontaram que o fato da “apicultura ser a principal atividade do produtor rural” e “anos de estudo” são as principais variáveis discriminantes entre os grupos dos produtores orgânicos e não orgânicos. Dessa forma, conclui-se que apesar de existir fatores naturais favoráveis à apicultura orgânica no estado do Ceará grande parte dos apicultores ainda não está preparada para o cultivo do mel orgânico.