O crescente uso dos Sistemas de Informações Geográficas exige a reflexão sobre a qualidade dos dados georreferenciados, que é crucial para a qualidade do produto final destes sistemas. A qualidade destes dados é muitas vezes desconhecida ou simplesmente ignorada. Conhecendo-a, o usuário adquire subsídios para aceitá-los ou rejeitá-los em seus projetos. O objetivo deste trabalho é avaliar a qualidade de dados georreferenciados, através da análise de discrepância entre estes no meio digital e os obtidos a partir da tecnologia GPS. Efetuando-se estas análises, verifica-se a existência de erros sistemáticos na obtenção destes dados e analisa-se a precisão dos mesmos em relação aos padrões adotados, obtendo-se assim, um perfil que permite a avaliação qualitativa e quantitativa dos mesmos. / The crescent use of the Geographic Information System asks for a reflection about the quality of the georeferenced data, which is important for the quality of the final product of these systems. The quality of these data is many times unknown or simply ignored. Knowing this quality, the user acquires subsidies to accept or reject them in their projects. The aim of this work is to evaluate the quality of georeferenced data, through the analysis of discrepancy among these in the digital mean and those obtained from the GPS Technology. Performing these analysis it is verified the existence of systematical errors in the obtainment of these data and it is analyzed the precision of those in relation to the adopted standards, obtaining in this way, a feature that allows the qualitative and quantitative evaluation of these.

O crescente uso dos Sistemas de Informações Geográficas exige a reflexão sobre a qualidade dos dados georreferenciados, que é crucial para a qualidade do produto final destes sistemas. A qualidade destes dados é muitas vezes desconhecida ou simplesmente ignorada. Conhecendo-a, o usuário adquire subsídios para aceitá-los ou rejeitá-los em seus projetos. O objetivo deste trabalho é avaliar a qualidade de dados georreferenciados, através da análise de discrepância entre estes no meio digital e os obtidos a partir da tecnologia GPS. Efetuando-se estas análises, verifica-se a existência de erros sistemáticos na obtenção destes dados e analisa-se a precisão dos mesmos em relação aos padrões adotados, obtendo-se assim, um perfil que permite a avaliação qualitativa e quantitativa dos mesmos. / The crescent use of the Geographic Information System asks for a reflection about the quality of the georeferenced data, which is important for the quality of the final product of these systems. The quality of these data is many times unknown or simply ignored. Knowing this quality, the user acquires subsidies to accept or reject them in their projects. The aim of this work is to evaluate the quality of georeferenced data, through the analysis of discrepancy among these in the digital mean and those obtained from the GPS Technology. Performing these analysis it is verified the existence of systematical errors in the obtainment of these data and it is analyzed the precision of those in relation to the adopted standards, obtaining in this way, a feature that allows the qualitative and quantitative evaluation of these.

Made available in DSpace on 2017-07-21T14:19:38Z (GMT). No. of bitstreams: 1 Ronan Assumpcao.pdf: 1635695 bytes, checksum: 084afb104dd339cbac6751edc1408418 (MD5) Previous issue date: 2012-08-17 / Agriculture demands for various computing solutions, especially when refers to the Precision Agriculture (PA). Data Mining is one of the computing resources that can benefit the analysis of data from AP, which usually are georeferenced. However, there are limitations of algorithms and computational tools when it is need to group different characteristics also considering its geographical position. In this context, the aim of this work was to develop and implement algorithms that consider clustering and visualization of georeferenced attributes along with various attributes in the agricutural database. It was created a new computational tool for georeferenced agricultural data mining called Dager. The algorithms PAM, CLARA and CLARANS were implemented and, based on these two new algorithms, and GCLARA GCLARANS were developed and implemented in the tool. Besides the algorithms it was implemented a module for graphical visualization of clusters. For the experiments, a database obtained by Precision Farming and evaluation groups were employed statistical methods ANOVA and MANOVA. The result showed the mapping and visualization of regions within a field with similar characteristics, achieving the proposoal objectives. / A agricultura demanda de soluções computacionais diversas, especialmente quando refere-se ao segmento da Agricultura de Precisão (AP). A Mineração de Dados é um dos recursos computacionais que pode beneficiar a análise de dados de AP, os quais normalmente são georreferenciados. Porém, há limitação de algoritmos e ferramentas computacionais quando se tem necessidade de agrupar características diversas considerando também sua posição geográfica. Nesse contexto, o objetivo desta dissertação foi desenvolver e implementar algoritmos de agrupamentos e visualização que considerem atributos georreferenciados juntamente com atributos diversos em base de dados agrícolas. Para tanto, foi criada uma nova ferramenta computacional para mineração de dados agrícolas georreferenciados, denominada DAGER. Os algoritmos PAM, CLARA e CLARANS foram implementados e, com base nesses, dois novos algoritmos, GCLARA e GCLARANS foram desenvolvidos e implementados na ferramenta. Além dos algoritmos, foi implementado um módulo de visualização gráfica dos agrupamentos. Para a realização dos experimentos, foi utilizada uma base de dados agrícola obtida por processos de Agricultura de Precisão e para a avaliação dos grupos foram empregados os métodos estatísticos ANOVA e o MANOVA. O resultado apresenta o mapeamento e visualização de regiões dentro de uma lavoura com características semelhantes, atendendo aos objetivos propostos

Submitted by Maicon Juliano Schmidt (maicons) on 2015-07-06T16:35:49Z No. of bitstreams: 1 Luana Carine Schünke.pdf: 7508388 bytes, checksum: a12396bedf39ca3d110912e0a25ef468 (MD5) / Made available in DSpace on 2015-07-06T16:35:49Z (GMT). No. of bitstreams: 1 Luana Carine Schünke.pdf: 7508388 bytes, checksum: a12396bedf39ca3d110912e0a25ef468 (MD5) Previous issue date: 2013-01-31 / Nenhuma / Cidades participativas são aquelas em que os seus cidadãos participam na construção e melhora do cotidiano da sua cidade. Neste sentido, a ideia é de que através de uma página virtual as pessoas possam registrar eventos relacionados a sua cidade. Exemplos de eventos são crimes, acidentes, manutenções, entre outros. Através da mesma página virtual, os cidadãos também podem visualizar informações sobre a sua cidade, essas visualizações são resultantes da integralização dos dados registrados pelos próprios cidadãos. O objetivo deste trabalho é gerar a visualização e a interação de diferentes classes de ocorrências em cidades participativas. Para isso, são estudados vários conceitos como: visualização de informações, diagramas de Voronoi, árvore quaternária, envoltória convexa e API do Google Maps. A partir desses estudos, é criado um modelo de visualização de ocorrências. As visualizações resultantes geram regiões de acordo com a densidade das ocorrências. A interação entre duas classes de ocorrências acontece com base nas densidades das ocorrências e também de acordo com uma distribuição de contexto. As classes de ocorrências escolhidas para as interações são ocorrências criminais e ocorrências policiais. A distribuição de contexto riqueza é aplicada com o intuito de ser um atrativo para as ocorrências criminais. O comportamento do sistema oriundo das interações é analisado e representado graficamente. / Participatory cities are those that citizens participate in the construction and improvement of their common daily life. In this direction, the idea of this work is that through a website people can record issues/occurrences related to their city. Examples of occurrences are crimes, accidents, maintenance issues, among others. Through the same site, citizens can get global information about the city, resulted from the integration of the supplied data by the use of a visualization scheme. The goal of this work is to create views and interactions about the occurrences registered in a participatory city. For this, many concepts are studied like: data visualizing, Voronoi diagrams, quaternary tree, convex hull and Google Maps API. Starting from this studies, there is created a model visualization of occurrences. The resulting visualizations generate regions according occurrences densities. Based on occurrences densities and also in agreement with a context distribution the interaction between two classes of events befall. Criminal occurrences and police occurrences are the classes of events selected to interact. The wealth context distribution is apllied with the aim to be attractive for the criminal occurrences. The system behavior arising from interactions is analyzed and graphically represented.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-13T15:57:01Z No. of bitstreams: 1 Jonathan Machado_.pdf: 1018280 bytes, checksum: ac428b5c72c1ef24649cb96a3a778512 (MD5) / Made available in DSpace on 2017-06-13T15:57:01Z (GMT). No. of bitstreams: 1 Jonathan Machado_.pdf: 1018280 bytes, checksum: ac428b5c72c1ef24649cb96a3a778512 (MD5) Previous issue date: 2017-03-30 / Nenhuma / Os acidentes de trânsito de veículos são uma das maiores causas de mortes na população jovem mundial, e existe uma tendência ao crescimento no número de casos dos mesmos nos próximos anos. A ocorrência dos acidentes é influenciada por diversos fatores, tais como condições das vias, condições climáticas, fiscalização de leis por órgãos governamentais, dentre outros. Seria interessante conhecer de maneira mais detalhada quais destes fatores detém maior influência. Na internet, existe uma quantidade imensa de dados gerados pelos mais diversos órgãos e empresas, porém grande parte desta informação não é analisada por ninguém, seja por falta de acesso, ou porque os dados não estão estruturados de uma maneira que permita seu entendimento. A disponibilização de dados vem aumentando, seja por conta de políticas de dados abertos implantadas pelo governo ou através de ferramentas colaborativas da web, que possibilitam o registro de informações por parte da população, e que posteriormente disponibilizam seus dados. Este trabalho propõe um método de agrupamento de dados georreferenciados oriundos de diversas fontes, para realização de uma análise estatística utilizando a técnica de Análise de Componentes Principais, que poderá identificar de forma georreferenciada quais características influenciam mais na ocorrência de acidentes de trânsito de veículos. Após a análise, é explorada uma nova metodologia de visualização dos resultados, plotados sobre mapas, que podem servir de auxílio para órgãos do governo e tomadores de decisão que realizam ações para diminuir os acidentes de trânsito. / Traffic accidents of vehicles are one of the biggest causes of deaths in the world's young population, and there is a tendency to increase this number in the next years. The occurrence of accidents is influenced by several factors, such as road conditions, climatic conditions, law enforcement by government agencies, among others. It would be interesting to know in more detail which of these factors has the greatest influence. On the internet, there is an immense amount of data generated by diverse agencies and companies, but much of this information is not analyzed, either because of lack of access, or because the data is not structured in a way that allows its understanding. The availability of data is increasing, either through open data policies implemented by the government, or through collaborative web tools, which make it possible record information by population, and subsequently make their data available. This work proposes a method of grouping georeferenced data from several sources, to perform a statistical analysis using the technique of Principal Components Analysis, which can identify in a georeferenced way which characteristics influence more in the occurrence of traffic acidentes of vehicles. After the analysis, a new methodology for visualizing results, plotted on maps, is explored, which can serve as an aid to government agencies and decision makers who take actions to reduce traffic accidents.

Nesta tese é apresentada uma investigação de possibilidades em Inteligência Artificial na detecção de padrões e previsão de acidentes em rodovias. Para tanto, é realizada uma avaliação de diferentes técnicas de Aprendizado de Máquina baseadas em abordagens de agrupamento, classificação e predição de links, com base em dados de acidentes georreferenciados e modelados em estruturas de clustering, árvores (CART) e redes (redes neurais artificiais, redes bayesianas e redes complexas). Os resultados revelaram que as abordagens baseadas em redes complexas possibilitaram a detecção de estruturas de agrupamentos mais robustas, quando comparadas as técnicas tradicionais de clustering, uma vez que consideram na estrutura topológica dos dados conceitos de vizinhança. O agrupamento dos dados proporciona a redução da heterogeneidade das bases de dados, bem como a obtenção de regras de decisão (CART) com maior probabilidade de ocorrência e taxa geral de acerto. A classificação supervisionada da severidade dos acidentes em redes, utilizando as modelagens de redes neurais artificiais e redes bayesianas, permitiu identificar simultaneamente os fatores contribuintes a ocorrência dos acidentes, sejam estes associados ao motorista, as variáveis de infraestrutura viária ou as condições do ambiente. No entanto, por considerar o peso das variáveis utilizadas no processo de modelagem, a classificação por redes bayesianas tende a ser mais realista, sendo menos sensível ao overfitting. Quanto à predição dos acidentes, foi possível pela predição de links utilizando a abordagem de redes complexas bipartidas, identificar alta correlação entre os acidentes preditos e os acidentes observados para uma determinada época. A abordagem proposta é flexível ao número de variáveis necessárias ao processo de modelagem, o que permite a realização de um diversificado número de estudos. No entanto, quando se considera a modelagem simplificada, formada pelas variáveis recomendadas pelo Highway Safety Manual (HSM), da Association of State Highway na Transportation (AASHTO), verifica-se que a predição é mais precisa e acurada, uma vez que esta modelagem considera fundamentalmente variáveis de infraestrutura viária, enquanto que na modelagem geral são consideradas também variáveis ambientais, que são mais variantes no tempo e no espaço. Até o presente momento, o método proposto é o mais adequado para explicar o comportamento e aspectos dinâmicos em ambientes rodoviários. No entanto, a abordagem proposta foi limitada pela quantidade de dados explorados, bem como por anomalias decorrentes a processos de execução de obras no trecho da rodovia em análise. Ademais, pode ser aplicada em problemas de diferentes escalas e para diversos estudos de caso. Portanto, por meio da modelagem de redes bipartidas georreferenciadas é possível não apenas realizar a predição de acidentes em rodovias, como também verificar a variação da acidentalidade viária e os níveis de segurança e desempenho de uma rodovia. / This thesis presents an investigation of Possibilities in Artificial Intelligence in the detection of patterns and prediction of accidents on highways. For this, it is performed an evaluation of different machine learning techniques based on grouping, classification and prediction of links, based on data from georeferenced accidents and modeled on clustering structures, trees (CART) and networks (artificial neural network, Bayesian network and complex network). The results revealed that the approaches based on complex networks enabled the detection of structures of groupings more robust, when comparing traditional clustering techniques, when they consider in the structure topological data neighborhood concepts. The grouping of data provides the reduction of heterogeneity of the database, as well as obtaining decision rules (CART) with the higher probability of occurrence and general rate of hit. The classification supervised of the severity of accidents in networks, using the modelling of artificial neural networks and Bayesian networks, it allowed to simultaneously identify the factors contributing to the occurrence of accidents, whether these are associated with the driver, the road infrastructure variables or the environmental conditions. However, considering the weight of the variables used in the modeling process, the classification by Bayesian networks tends to be more realistic, being less sensitive too overftting. Regarding the prediction of accidents, it was possible to predict links using the approach of complex bipartite networks, to identify high correlation between predicted accidents and accidents observed for a certain time. The proposed approach is flexible to the number of variables necessary for the modeling process, which allows the realization of a diversified number of studies. However, when you consider the \"simplified modelling\", formed by the variables recommended by the Highway Safety Manual (HSM), of the Association of State Highway na Transportation (AASHTO), it is verified that the prediction is more accurate and precise, since this modelling considers fundamentally variables of road infrastructure, while that the \"general modelling\" are considered the also environmental variables, which are more variants in time and space. Up to the present moment, the proposed method is best suited to explain the behavior and dynamic aspects in the environment road. However, the proposed approach was limited by the amount of data explored, as well as by anomalies resulting from processes of execution of works in the stretch of the highway under analysis. Moreover, it can be applied to problems of different scales and for several case studies. Therefore, through the modeling of geo-referenced bipartite networks, it is possible not only to predict accidents on highways, but also to check he variation of road accidents and the safety and performance levels of a highway.

[pt] Crimes na adolescência impõem custos não triviais para a sociedade, o que tornou seus determinantes e fatores dissuasivos cada vez mais sujeitos a estudo por economistas. Intervenções no nível da escola são comumente propostas com o objetivo de mitigar o surgimento de carreiras criminais e a perpetuação da violência. Entretanto, as direções e os canais pelos quais as escolas afetam crime podem variar. Esse artigo estuda um deles - os esfeitos de incapacitação - explorando um programa federal que aumentou as horas escolares em escolas públicas brasileiras. Usando variação quasiexperimental na probabilidade de aderir ao programa e dados georreferenciados de crime do estado de São Paulo, é possível estimar os feitos causais do programa em atividade criminal ao redor das escolas. Os resultados sugerem que incapacitação de fato previne jovens de cometerem crimes menos severos, com evidência mais forte para crimes relacionados a drogas e para escolas com alunos mais pobres. / [en] Juvenile crime imposes non-trivial costs to societies, which have made its determinants and deterrents increasingly subject of study by economists. School-based interventions are often proposed in order to mitigate the rise in criminal careers and the perpetuation of violence. However, the directions and channels through which schooling may affect crime vary. This paper studies one of them - namely the incapacitation effects - exploiting a federal program that extended school hours in Brazilian public schools. Using quasiexperimental variation in the probability of receiving the program and georeferenced crime data from the state of São Paulo, it is possible to estimate the causal effect of the program on criminal activity in the surroundings of the schools. Results suggest incapacitation does prevent juvelines from engaging in less offensive crimes, with stronger evidence for drug-related crimes and for schools with poorer students.