[pt] O objetivo desta pesquisa é classificar o perfil de pagamento dos consumidores não-residenciais de energia elétrica, considerando conhecimento armazenado em base de dados de distribuidoras de energia elétrica. A motivação para desenvolvê-la surgiu da necessidade das distribuidoras por um modelo de suporte a formulação de estratégias capazes de reduzir o grau inadimplência. A metodologia proposta consiste em um sistema inteligente híbrido composto por módulos intercomunicativos que usam conhecimentos armazenados em base de dados para segmentar consumidores e, então, atingir o objetivo proposto. O sistema inicia-se com o módulo neural, que aloca as unidades consumidoras em grupos conforme similaridades (valor fatura, consumo, demanda medida/demanda contratada, intensidade energética e peso da conta no orçamento), em sequência, o módulo bayesiano, estabelece um escore entre 0 e 1 que permite predizer o perfil de pagamento das unidades considerando os grupos gerados e os atributos categóricos (atividade econômica, estrutura tarifária, mesorregião, natureza jurídica e porte empresarial) que caracterizam essas unidades. Os resultados revelaram que o sistema proposto estabelece razoável taxa de acerto na classificação do perfil de consumidores e, portanto, constitui uma importante ferramenta de suporte a formulação de estratégias para combate à inadimplência. Conclui-se que, o sistema híbrido proposto apresenta caráter generalista podendo ser adaptado e implementado em outros mercados. / [en] The objective of this research is to classify the non-residential electricity customer payment profiles regarding the knowledge stored in electricity distribution utilities databases. The motivation for development of the work from the need of electricity distribution by a support model to formulate strategies for tackling non-payment and late payment. The proposed methodology consists of a hybrid intelligent system constituted by intercommunicating modules that use knowledge stored in database to customer segmentation and then achieve the proposed objective. The system begins with the neural module, which allocates the consuming units in groups according to similarities (bill amount, consumption, measured demand/contracted demand, energy intensity and share of the electricity bill in the customer s income), in sequence, the Bayesian module establishes a score between 0 and 1 that allows to predict what payment profile of the units considering the generated groups and categorical attributes (business activity, tariff type, business size, mesoregion and company s legal form) that characterize these units. The results showed that the proposed system provides a reasonable success rate when classifying customer profiles and thus constitutes an important tool in the formulation of strategies for tackling non-payment and late payment. In conclusion, the hybrid system proposed here is a generalist one and could usefully be adapted and implemented in other markets.

Made available in DSpace on 2016-06-02T19:05:36Z (GMT). No. of bitstreams: 1 2598.pdf: 3349204 bytes, checksum: 01649491fd1f03aa5a11b9191727f88b (MD5) Previous issue date: 2009-06-29 / Financiadora de Estudos e Projetos / This master thesis describes an intelligent classifier system applied to multiclass non-linearly separable problems called Slicer. The system adopts a low computacional cost supervised learning strategy (evaluated as ) based on linear separability. During the learning period the system determines a set of hyperplanes associated to oneclass regions (sub-spaces). In classification tasks the classifier system uses the hyperplanes as a set of if-then-else rules to infer the class of the input attribute vector (non classified object). Among other characteristics, the intelligent classifier system is able to: deal with missing attribute values examples; reject noise examples during learning; adjust hyperplane parameters to improve the definition of the one-class regions; and eliminate redundant rules. The fuzzy theory is considered to design a hybrid version with features such as approximate reasoning and parallel inference computation. Different classification methods and benchmarks are considered for evaluation. The classifier system Slicer reaches acceptable results in terms of accuracy, justifying future investigation effort. / Este trabalho de mestrado descreve um sistema classificador inteligente aplicado a problemas multiclasse não-linearmente separáveis chamado Slicer. O sistema adota uma estratégia de aprendizado supervisionado de baixo custo computacional (avaliado em ) baseado em separabilidade linear. Durante o período de aprendizagem o sistema determina um conjunto de hiperplanos associados a regiões de classe única (subespaços). Nas tarefas de classificação o sistema classificador usa os hiperplanos como um conjunto de regras se-entao-senao para inferir a classe do vetor de atributos dado como entrada (objeto a ser classificado). Entre outras caracteristicas, o sistema classificador é capaz de: tratar atributos faltantes; eliminar ruídos durante o aprendizado; ajustar os parâmetros dos hiperplanos para obter melhores regiões de classe única; e eliminar regras redundantes. A teoria nebulosa é considerada para desenvolver uma versão híbrida com características como raciocínio aproximado e simultaneidade no mecanismo de inferência. Diferentes métodos de classificação e domínios são considerados para avaliação. O sistema classificador Slicer alcança resultados aceitáveis em termos de acurácia, justificando investir em futuras investigações.

O desenvolvimento de novas tecnologias vem contribuindo para um conhecimento mais aprofundado da fisiopatologia dos transtornos psiquiátricos, mas os resultados ainda são controversos e não parecem ser específicos para cada diagnóstico. As altas taxas de comorbidade também questionam as características principais de um diagnóstico específico. Em 2009, o Instituto Nacional de Saúde Mental dos EUA iniciou um projeto chamado Research Domain Criteria (RDoC) com o objetivo de desenvolver novas classificações para a pesquisa baseadas em dimensões de comportamentos observáveis associadas a medidas neurobiológicas. Para o estudo da fisiopatologia da comorbidade entre duas doenças mentais, esta proposta sugere que se execute o estudo de sintomas compartilhados e não partir de dois grupos diagnósticos distintos. Na psiquiatria infantil, as altas taxas de comorbidade entre o transtorno do humor bipolar (THB) e o transtorno de déficit de atenção e hiperatividade (TDAH) são um tema controverso. O prejuízo na atenção é um forte candidato para um estudo com a metodologia proposta pelo RDoC visto que os poucos estudos que avaliaram concomitantemente a atenção em jovens com THB e TDAH apresentaram resultados contraditórios. Um dos testes mais utilizados para o estudo da atenção em THB e TDAH é o Continuous Performance Test (CPT). Nossos objetivos foram: 1.Verificar qual é o melhor agrupamento dos sujeitos através dos resultados do Conner\'s Continuous Performance Test (CPT II) independentemente do grupo de origem (THB, TDAH, THB+TDAH, controles); 2. Construir um classificador baseado nos resultados do CPT II; 3com THB+TDAH e 18 controles com idades entre 12 e 17 anos. A melhor divisão dos sujeitos, baseada nos resultados do CPT II, foi em dois novos subgrupos. Grupo A com 35 sujeitos composto de: 30% THB, 52,2% TDAH, 51,5% THB+TDAH, e 16,7% controles. Grupo B com 49 sujeitos: 70% THB, 47,8% TDAH, 48,5% THB+TDAH, e 83,3% controles. O grupo A comparado com o B apresentou um prejuízo funcional maior evidenciado por médias significativamente mais altas no CPT II, com uma diferença significativa em oito das 12 variáveis do CPT II: omissão (p=0,0003), comissão (p=0,00000002), erro padrão (EP) do tempo de reação (TR) (p=1,7x10-20), variabilidade do EP (p=4,3x10-22), detectabilidade (p=0,000008), perseveração (p=0,0000001), TR por intervalo interestímulo (IIE) (p=4,7x10-10) e TR(EP)IIE (p= 1,5x10 -13). Foi possível construir um classificador baseado nas doze variáveis do CPT II, sendo sua acurácia de 98,8% em relação a nossa amostra e 95,2% em relação à validação cruzada confirmando a consistência desses novos grupos. As principais variáveis do CPT II usadas na função discriminante desses novos agrupamentos foram: variabilidade do erro padrão, erro padrão de TR e erro padrão de TR por intervalo interestímulo. Não houve diferença estatística em nenhuma das variáveis do CPT II quando realizamos a comparação tradicional entre THB, TDAH, THB+TDAH, e controles; e a acurácia do classificador para esses grupos foi mais baixa, de 40,5% na nossa amostra e 23,8% na validação cruzada. Discussão: Esses resultados evidenciam a heterogeneidade encontrada nas respostas do CPT II pelos grupos THB, TDAH, THB+TDAH, e controles. As três medidas que mais influenciaram a diferenciação entre os novos agrupamentos A e B foram as que medem a variação no tempo de resposta, que é um dos prejuízos mais replicados no TDAH e também está associada com THB. Essa variabilidade de resposta aumentada é sugerida como um marcador endofenotípico inespecífico de psicopatologia. Conclusão: Nossos achados refletem a heterogeneidade encontrada em pacientes classificados através de categorias diagnósticas vigentes e sugerem que a abordagem da metodologia do RDoC pode ser de grande valia para a melhor compreensão dos transtornos psiquiátricos que acometem crianças e adolescentes. Essa metodologia pode identificar subgrupos com diferenças relevantes do ponto de visto neurobiológico contribuindo para a melhor compreensão da fisiopatologia dos transtornos e promovendo caminhos nos quais a pesquisa pode trazer benefícios para decisões clínicas / The better understanding of psychiatric disorders\' pathophysiology is undeniable. Yet, the results are still replete of controversy and are not diagnostic specific. Categorical approach analysis implicitly involves the notion of a unitary entity, not taking into account the acknowledged heterogeneity present in clinical diagnoses. High comorbidity rates also raises questions about the core features of a specific diagnosis. For this purpose, the National Institute of Mental Health has initiated the Research Domain Criteria (RDoC) project. Instead of using disorders categories as the basis for grouping individuals, RDoC suggests to find relevant dimensions that can cut across traditional disorders. The starting point suggested to study comorbid disorders should be shared symptoms and behaviors, instead of two distinct diagnostic groups. One of the strongest controversies in child psychiatry is the high comorbidity rate between bipolar disorder (BD) and attention-deficit/hyperactivity disorder (ADHD). Distractibility, one of the most common symptoms in BD and ADHD could be a good candidate for an RDoC unit of analysis. Our aim was first to study the patterns of attention based on the Conners\' Continuous Performance Test (CPTII) results in youth with BD, ADHD, BD+ADHD and controls; followed by developing a classifier to compare the classification accuracy of this new formed groups and the original diagnostic ones. Results: 18 healthy controls, 23 patients with ADHD, 33 BD+ADHD and 10 BD were assessed. Using cluster analysis, the entire sample was best clustered in two new groups, A and B, based on the twelve CPT II variables performance, independently of the original diagnoses. 35 subjects in group A: 30% BD, 52.2% ADHD, 51.5% BD+ADHD and 16.7% controls. 49 individuals in group B: 70% BD, 47.8% ADHD, 48.5% BD+ADHD and 83.3% controls. Group A presented a greater impairment exhibited by higher means in all CPTII variables, SNAP-IV means, and lower CGAS means. When we compared the CPT II variables performance between the new clustered groups A and B we found eight out of the twelve CPT II measures that were statistically significant: omission (p=0.0003), commission (p=0.00000002), standard error (SE) of hit reaction time (RT) (p=1.7x10-20), variability of SE (p=4.3x10 -22), detectability (p=0.000008), perseveration (p=0.0000001), hit RT by interstimulus interval (ISI) (p=4.7x10 - 10) and hit RT SE ISI. We found high cross-validated classification accuracy for A and B groups: 95.2%. The stronger CPT II variables in the discriminative pattern were: variability of standard error ranking first, followed by hit RT SE, hit RT SE ISI. There were no statistically significant differences in any of the CPT II measures when comparing the four original groups (BD, ADHD, BD+ADHD, controls). The cross-validated classification accuracy based on the CPT II measures performance in order to classify subjects in the original four groups was much lower (23.8%). Discussion: These results highlight the heterogeneity of CPT II responses among each of the four original groups: BD, ADHD, BD+ADHD and controls. The three variables that most influenced the new clustered groups were the ones that measure and adolescents may share this attentional trait marker. Conclusion: In summary, our findings highlighted the heterogeneity of patients clustered by categorical diagnostic classification. In addition, our classificatory exercise supports the concept behind new approaches like the RDoC framework for child and adolescent psychiatry. It can define meaningful clinical subgroups for the purpose of pathophysiological studies and treatment selection, and provide a pathway by which research findings can be translated into changes in clinical decision making

Este trabalho apresenta a formulação de um sistema híbrido de apoio à decisão que, através de técnicas adaptativas, permite que múltiplos dispositivos sejam utilizados de forma colaborativa para encontrar uma solução para um problema de tomada de decisão. É proposta uma estratégia particular para o trabalho colaborativo que restringe o acesso aos dispositivos mais lentos com base na dificuldade encontrada pelos dispositivos mais rápidos para solucionar um problema específico. As soluções encontradas por cada dispositivo são propagadas aos demais, permitindo que cada um deles agregue estas novas soluções com o auxílio de técnicas adaptativas. É feito um estudo sobre aprendizagem de máquina mediante incertezas para verificar e minimizar os impactos negativos que uma nova solução, possivelmente errônea, possa ter. O sistema híbrido proposto é apresentado numa aplicação particular, utilizando testes padronizados para compará-lo com os dispositivos individuais que o compõem e com sistemas híbridos de mesma finalidade. Através destes testes, é mostrado que dispositivos consolidados, mesmo que de naturezas distintas, podem ser utilizados de maneira colaborativa, permitindo não só calibrar um compromisso entre o tempo de resposta e a taxa de acerto, mas também evoluir de acordo com o histórico de problemas processados. / This work presents a formulation of a hybrid decision-making system that employs adaptive techniques as a way to coordinate multiple devices in order to make a collaborative decision. The strategy proposed here is to restrict the use of slower devices, based on how difficult the specific problem is - easier problems may be solved on faster devices. Each device is able to learn through solutions given by the others, aggregating new knowledge with the aid of adaptive techniques. In order to evaluate and minimize the negative impact those new solutions may have, a study concerning machine learning under uncertainty is carried out. A particular application of this system has been tested and compared, not only to each individual device that is part of the system itself, but to similar hybrid systems as well. It is shown that even devices of distinct natures may be reused in a collaborative manner, making it possible to calibrate the trade-off between hit rate and response time, and to evolve according to the input stimuli received as well.

Este trabalho apresenta a formulação de um sistema híbrido de apoio à decisão que, através de técnicas adaptativas, permite que múltiplos dispositivos sejam utilizados de forma colaborativa para encontrar uma solução para um problema de tomada de decisão. É proposta uma estratégia particular para o trabalho colaborativo que restringe o acesso aos dispositivos mais lentos com base na dificuldade encontrada pelos dispositivos mais rápidos para solucionar um problema específico. As soluções encontradas por cada dispositivo são propagadas aos demais, permitindo que cada um deles agregue estas novas soluções com o auxílio de técnicas adaptativas. É feito um estudo sobre aprendizagem de máquina mediante incertezas para verificar e minimizar os impactos negativos que uma nova solução, possivelmente errônea, possa ter. O sistema híbrido proposto é apresentado numa aplicação particular, utilizando testes padronizados para compará-lo com os dispositivos individuais que o compõem e com sistemas híbridos de mesma finalidade. Através destes testes, é mostrado que dispositivos consolidados, mesmo que de naturezas distintas, podem ser utilizados de maneira colaborativa, permitindo não só calibrar um compromisso entre o tempo de resposta e a taxa de acerto, mas também evoluir de acordo com o histórico de problemas processados. / This work presents a formulation of a hybrid decision-making system that employs adaptive techniques as a way to coordinate multiple devices in order to make a collaborative decision. The strategy proposed here is to restrict the use of slower devices, based on how difficult the specific problem is - easier problems may be solved on faster devices. Each device is able to learn through solutions given by the others, aggregating new knowledge with the aid of adaptive techniques. In order to evaluate and minimize the negative impact those new solutions may have, a study concerning machine learning under uncertainty is carried out. A particular application of this system has been tested and compared, not only to each individual device that is part of the system itself, but to similar hybrid systems as well. It is shown that even devices of distinct natures may be reused in a collaborative manner, making it possible to calibrate the trade-off between hit rate and response time, and to evolve according to the input stimuli received as well.

[pt] Esta dissertação apresenta uma abordagem baseada em dados para o problema de predição de desastres recorrentes em países em desenvolvimento. Métodos de aprendizado de máquina supervisionado são usados para treinar classificadores que visam prever se uma família seria afetada por ameaças climáticas recorrentes (um classificador é treinado para cada perigo natural). A abordagem desenvolvida é válida para perigos naturais recorrentes que afetam um país e permite que os gerentes de risco de desastres direcionem suas operações com mais conhecimento. Além disso, a avaliação preditiva permite que os gerentes entendam os impulsionadores dessas previsões, levando à formulação proativa de políticas e planejamento de operações para mitigar riscos e preparar comunidades para desastres recorrentes. A metodologia proposta foi aplicada ao estudo de caso do Peru, onde foram treinados classificadores para ondas de frio, inundações e deslizamentos de terra. No caso das ondas de frio, o classificador tem 73,82% de precisão. A pesquisa descobriu que famílias pobres em áreas rurais são vulneráveis a desastres relacionados a ondas de frio e precisam de intervenção humanitária proativa. Famílias vulneráveis têm infraestrutura urbana precária, incluindo trilhas, caminhos, postes de iluminação e redes de água e drenagem. O papel do seguro saúde, estado de saúde e educação é menor. Domicílios com membros doentes levam a maiores probabilidades de serem afetados por ondas de frio. Maior realização educacional do chefe da família está associada a uma menor probabilidade de ser afetado por ondas de frio. No caso das inundações, o classificador tem 82.57% de precisão. Certas condições urbanas podem tornar as famílias rurais mais suscetíveis a inundações, como acesso à água potável, postes de iluminação e redes de drenagem. Possuir um computador ou laptop diminui a probabilidade de ser afetado por inundações, enquanto possuir uma bicicleta e ser chefiado por indivíduos casados aumenta. Inundações são mais comuns em assentamentos urbanos menos desenvolvidos do que em famílias rurais isoladas. No caso dos deslizamentos de terra, o classificador tem 88.85% de precisão, e é segue uma lógica diferente do das inundações. A importância na previsão é mais uniformemente distribuída entre as características consideradas no aprendizado do classificador. Assim, o impacto de um recurso individual na previsão é pequeno. A riqueza a longo prazo parece ser mais crítica: a probabilidade de ser afetado por um deslizamento é menor para famílias com certos aparelhos e materiais domésticos de construção. Comunidades rurais são mais afetadas por deslizamentos, especialmente aquelas localizadas em altitudes mais elevadas e maiores distâncias das cidades e mercados. O impacto marginal médio da altitude é não linear. Os classificadores fornecem um método inteligente baseado em dados que economiza recursos garantindo precisão. Além disso, a pesquisa fornece diretrizes para abordar a eficiência na distribuição da ajuda, como formulações de localização da instalação e roteamento de veículos. Os resultados da pesquisa têm várias implicações gerenciais, então os autores convocam à ação gestores de risco de desastres e outros interessados relevantes. Desastres recorrentes desafiam toda a humanidade. / [en] This dissertation presents a data-driven approach to the problem of predicting recurrent disasters in developing countries. Supervised machine learning methods are used to train classifiers that aim to predict whether a household would be affected by recurrent climate threats (one classifier is trained for each natural hazard). The approach developed is valid for recurrent natural hazards affecting a country and allows disaster risk managers to target their operations with more knowledge. In addition, predictive assessment allows managers to understand the drivers of these predictions, leading to proactive policy formulation and operations planning to mitigate risks and prepare communities for recurring disasters. The proposed methodology was applied to the case study of Peru, where classifiers were trained for cold waves, floods, and landslides. In the case of cold waves, the classifier was 73.82% accurate. The research found that low-income families in rural areas are vulnerable to cold wave related disasters and need proactive humanitarian intervention. Vulnerable families have poor urban infrastructure, including footpaths, roads, lampposts, and water and drainage networks. The role of health insurance, health status, and education is minor. Households with sick members are more likely to be affected by cold waves. Higher educational attainment of the head of the household is associated with a lower probability of being affected by cold snaps.In the case of flooding, the classifier is 82.57% accurate. Certain urban conditions, such as access to drinking water, lampposts, and drainage networks, can make rural households more susceptible to flooding. Owning a computer or laptop decreases the likelihood of being affected by flooding while owning a bicycle and being headed by married individuals increases it. Flooding is more common in less developed urban settlements than isolated rural families.In the case of landslides, the classifier is 88.85% accurate and follows a different logic than that of floods. The importance of the prediction is more evenly distributed among the features considered when learning the classifier. Thus, the impact of an individual feature on the prediction is small. Long-term wealth is more critical: the probability of being affected by a landslide is lower for families with specific appliances and household building materials. Rural communities are more affected by landslides, especially those located at higher altitudes and greater distances from cities and markets. The average marginal impact of altitude is non-linear.The classifiers provide an intelligent data-driven method that saves resources by ensuring accuracy. In addition, the research provides guidelines for addressing efficiency in aid distribution, such as facility location formulations and vehicle routing.The research results have several managerial implications, so the authors call for action from disaster risk managers and other relevant stakeholders. Recurrent disasters challenge all of humanity.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-05-10T18:06:15Z No. of bitstreams: 1 WOSLLEY SIDNEY NOGUEIRA DE OLIVEIRA - DISSERTAÇÃO PPGSA ACADÊMICO 2018..pdf: 7059892 bytes, checksum: 1ab51771320e5bbd6c88d3c01b4b7aeb (MD5) / Made available in DSpace on 2018-05-10T18:06:15Z (GMT). No. of bitstreams: 1 WOSLLEY SIDNEY NOGUEIRA DE OLIVEIRA - DISSERTAÇÃO PPGSA ACADÊMICO 2018..pdf: 7059892 bytes, checksum: 1ab51771320e5bbd6c88d3c01b4b7aeb (MD5) Previous issue date: 2018-02-22 / Os perímetros irrigados implantados no Estado da Paraíba são considerados uma alternativa econômica bastante rentável, promove a geração de empregos e aumenta a disponibilidade de alimentos. Devido ao manejo inadequado do solo e da água, isso têm causado perdas na qualidade do solo desses perímetros, degradando-os principalmente por salinização. O sensoriamento remoto é uma alternativa tecnológica de baixo custo, boa frequência temporal e possui a capacidade de mapear áreas em processo de desertificação. Essa pesquisa têm por objetivo identificar possíveis áreas afetadas por sais no Perímetro Irrigado de São Gonçalo (PISG), Sousa- PB, por meio de técnicas de sensoriamento remoto. Para esse estudo foi utilizado imagens do satélite LANDSAT 8/OLI (média resolução espacial), órbita 216 / ponto 65 da data de 23/11/2016; imagem do software Google Earth Pro® da data de 29/02/2016 para servir como imagem auxiliar e registros fotográficos das áreas in loco. Realizou-se a técnica de classificação supervisionada, utilizando o SCP (semi- automatic plugin) no software QGIS (Quantum Gis). A aferição da qualidade da classificação se deu por meio da validação cruzada, utilizando de parâmetros estatísticos como a exatidão do produtor (EP), exatidão do usuário (EU), exatidão global (EG) e índice Kappa. A classe área supostamente salinizada (ASS) apresentou EP e EU de 89.15% e 88.88%, respectivamente. O índice Kappa resultou em um valor de 0.8684, a classe ASS foi classificada como sendo de qualidade excelente. A qualidade geral da classificação é avaliada tanto pela EG que apresentou um valor de 0.9350 como pelo índice Kappa geral com valor de 0.9252, sendo valores que representam uma classificação de qualidade excelente. A classe ASS apresentou os maiores valores mínimos e máximos de fator de refletância em todas as bandas da imagem, destacando a banda 6 de valores 0.47 e 0.67, respectivamente. O valor da área classificada como sendo da classe ASS foi de 1736.75 hectares, 31% da área total do PISG. As imagens analisadas possibilitaram discriminar áreas salinizadas e não salinizadas mediante as diferenças de tonalidade e de refletância. As imagens analisadas com o plugin SCP possibilitaram a realização de um mapa de classificação supervisionada, indicando a variabilidade espacial das áreas propícias ao processo de salinização. No entanto, recomenda- se a análise dos parâmetros físicos e químicos do solo dessas áreas para o aumento da confiabilidade na qualidade desse tipo de mapeamento. / The irrigated perimeters implemented in the State of Paraiba are considered a costeffective alternative quite profitable, promotes the generation of jobs and increases the availability of food. Due to inadequate management of soil and water, that have caused losses in soil quality of these perimeters, degrading them mainly by salinization. Remote sensing is an alternative low-cost technology, good temporal and frequency has the ability to map areas in process of desertification. This research aim to identify potential areas affected by salts in the irrigated perimeter of São Gonçalo (PISG), Sousa-PB, through remote sensing techniques. For this study we used LANDSAT satellite images 8/OLI (average spatial resolution), 216/orbit point 65 of 07/11/2016 date; image of the Google Earth Pro software® from date of 29/02/2016 to serve as auxiliary image and photographic records of the areas on the spot. The supervised classification technique, using the SCP (semi-automatic plugin) in software QGIS (Quantum Gis). The measurement of the quality of the classification took place by means of cross-validation, using statistical parameters such as the accuracy of the producer (EP), accuracy of the user (EU), global (EG) accuracy and Kappa index. The area class supposedly salinated (.ASS) presented EP and I of 89.15% and 88.88%, respectively. The Kappa index resulted in a value of .ASS class 0.8684 was classified as being of excellent quality. The overall quality of the classification is assessed both by EG who presented a 0.9350 value as the Kappa index 0.9252 valued General, being values that represent a rating of excellent quality. The class ASS presented the largest minimum and maximum values of reflectance factor in all the bands in the image, highlighting the band 6 0.47 values and 0.67, respectively. The value of the area classified as being of .ASS class was 1736.75 acres, 31% of the total area of the PISG. The images reviewed discriminate salinated areas and not allowed saline through the variations of shade and reflectance. The images analyzed with the SCP plugin enabled the creation of a map of supervised classification, indicating the spatial variability of the areas prone to salinization process. However, it is recommended that the analysis of the physical and chemical soil parameters of these areas for increased reliability in the quality of this type of mapping.