Self-Organizing Map approach to cluster Brazilian agricultural spatiotemporal diversity
Resumo
Este trabalho tem como objetivo agrupar os municípios brasileiros de acordo com seu padrão espaço-temporal de diversidade agrícola. O índice de diversidade foi definido para oito categorias e calculado pela entropia de Shannon a partir das estimativas anuais (1999-2018) do IBGE para a produção agrícola. O método de agrupamento proposto é baseado no Mapa Auto-Organizável, uma rede neural artificial não supervisionada, e compreende etapas visuais e automáticas. O método dividiu os municípios em oito grupos organizados espacialmente em três regiões, mostrando diferentes padrões espaço-temporais.Referências
Augustijn, E.W. and Zurita-Milla, R. (2013). Self-organizing maps as an approach to Journal of Health International exploring spatiotemporal diffusion patterns. Geographics, 12(1).
Chen, I.-T., Chang, L.-C., and Chang, F.-J. (2018). Exploring the spatio-temporal interrelation between groundwater and surface water by using the self-organizing maps. Journal of Hydrology, 556:131–142.
Dessie, A., Abate, T., Mekie, T., and Liyew, Y. (2019). Crop diversification analysis on farming system: evidence from northwest red pepper dominated smallholder ethiopia. Ecological Processes, 8(50).
Genolini, C., Alacoque, X., Sentenac, M., and Arnaud, C. (2015). Kml and kml3d: R packages to cluster longitudinal data. Journal of Statistical Software, 65(4):1–34.
Hagenauer, J. and Helbich, M. (2013). Hierarchical self-organizing maps for clustering spatiotemporal data. International Journal of Geographical Information Science, 27(10):2026–2042.
IBGE. Sistema ibge de recuperação automática. Available at https://sidra.ibge.gov.br (2021/06/15).
Ling, C. and Delmelle, E. (2016). Classifying multidimensional trajectories of neighbourhood change: a self-organizing map and k-means approach. Annals of GIS, 22(3):173–186.
Luo, Z. T., Sang, H., and Mallick, B. (2021). A bayesian contiguous partitioning learning clustered latent variables. Journal of Machine Learning method for Research, 22:1–52.
Qi, J., Liu, H., Liu, X., and Zhang, Y. (2019). Spatiotemporal evolution analysis of timeseries land use change using self-organizing map to examine the zoning and scale effects. Computers, Environment and Urban Systems, 76:11–23.
Sales, C. and Rodrigues, R. (2019). Espaço rural brasileiro: diversificação e peculiaridades. Revista Espinhaço, 8(1):54–65.
Sambuichi, R., Galindo, E., Pereira, R., Constantino, M., and Rabetti, M. (2016). Diversidade da produção nos estabelecimentos da agricultura familiar no brasil: uma análise econométrica baseada no cadastro da declaração de aptidão ao pronaf (dap). Technical report, Brasília: Rio de Janeiro.
Schneider, S. and Cassol, A. (2014). Diversidade e heterogeneidade da agricultura familiar no brasil e algumas implicações para políticas públicas. Cadernos de Ciência & Tecnologia, 31(2):227–263.
Shannon, E. (1948). Mathematical theory of communication. The Bell System Technical Journal, 28(4):656–715.
Silva, M., Siqueira, E., and Teixeira, O. (2010). Abordagem conexionista para análise espacial exploratória de dados socioeconômicos de territórios rurais. Revista de Economia e Sociologia Rural, 48:429–446.
Skupin, A. and Hagelman, R. (2005). Visualizing demographic trajectories with selforganizingmaps. GeoInformatica, 9(2):159–179.
Teixeira, L. V., o, R. M. A., and Loschi, R. H. (2019). Bayesian space-time partitioning by sampling and pruning spanning trees. Journal of Machine Learning Research, 20:1–35.
Teixeira, M. and Ribeiro, S. (2020). Agricultura e paisagens sustentáveis: a diversidade produtiva do setor agrícola de minas gerais, brasil. Sustainability in Debate, 11(2):29–41
Wang, N., Biggs, T., and Skupin, A. (2013). Visualizing gridded time series data with self organizing maps: An application to multi-year snow dynamics in the northern hemisphere. Computers, Environment and Urban Systems, 39:107–120.
Chen, I.-T., Chang, L.-C., and Chang, F.-J. (2018). Exploring the spatio-temporal interrelation between groundwater and surface water by using the self-organizing maps. Journal of Hydrology, 556:131–142.
Dessie, A., Abate, T., Mekie, T., and Liyew, Y. (2019). Crop diversification analysis on farming system: evidence from northwest red pepper dominated smallholder ethiopia. Ecological Processes, 8(50).
Genolini, C., Alacoque, X., Sentenac, M., and Arnaud, C. (2015). Kml and kml3d: R packages to cluster longitudinal data. Journal of Statistical Software, 65(4):1–34.
Hagenauer, J. and Helbich, M. (2013). Hierarchical self-organizing maps for clustering spatiotemporal data. International Journal of Geographical Information Science, 27(10):2026–2042.
IBGE. Sistema ibge de recuperação automática. Available at https://sidra.ibge.gov.br (2021/06/15).
Ling, C. and Delmelle, E. (2016). Classifying multidimensional trajectories of neighbourhood change: a self-organizing map and k-means approach. Annals of GIS, 22(3):173–186.
Luo, Z. T., Sang, H., and Mallick, B. (2021). A bayesian contiguous partitioning learning clustered latent variables. Journal of Machine Learning method for Research, 22:1–52.
Qi, J., Liu, H., Liu, X., and Zhang, Y. (2019). Spatiotemporal evolution analysis of timeseries land use change using self-organizing map to examine the zoning and scale effects. Computers, Environment and Urban Systems, 76:11–23.
Sales, C. and Rodrigues, R. (2019). Espaço rural brasileiro: diversificação e peculiaridades. Revista Espinhaço, 8(1):54–65.
Sambuichi, R., Galindo, E., Pereira, R., Constantino, M., and Rabetti, M. (2016). Diversidade da produção nos estabelecimentos da agricultura familiar no brasil: uma análise econométrica baseada no cadastro da declaração de aptidão ao pronaf (dap). Technical report, Brasília: Rio de Janeiro.
Schneider, S. and Cassol, A. (2014). Diversidade e heterogeneidade da agricultura familiar no brasil e algumas implicações para políticas públicas. Cadernos de Ciência & Tecnologia, 31(2):227–263.
Shannon, E. (1948). Mathematical theory of communication. The Bell System Technical Journal, 28(4):656–715.
Silva, M., Siqueira, E., and Teixeira, O. (2010). Abordagem conexionista para análise espacial exploratória de dados socioeconômicos de territórios rurais. Revista de Economia e Sociologia Rural, 48:429–446.
Skupin, A. and Hagelman, R. (2005). Visualizing demographic trajectories with selforganizingmaps. GeoInformatica, 9(2):159–179.
Teixeira, L. V., o, R. M. A., and Loschi, R. H. (2019). Bayesian space-time partitioning by sampling and pruning spanning trees. Journal of Machine Learning Research, 20:1–35.
Teixeira, M. and Ribeiro, S. (2020). Agricultura e paisagens sustentáveis: a diversidade produtiva do setor agrícola de minas gerais, brasil. Sustainability in Debate, 11(2):29–41
Wang, N., Biggs, T., and Skupin, A. (2013). Visualizing gridded time series data with self organizing maps: An application to multi-year snow dynamics in the northern hemisphere. Computers, Environment and Urban Systems, 39:107–120.
Publicado
25/10/2021
Como Citar
SANTOS, Flávio E. de O.; SILVA, Marcos A. S. da; MATOS, Leonardo N.; MOURA, Fábio R. de; DOMPIERI, Márcia H. G..
Self-Organizing Map approach to cluster Brazilian agricultural spatiotemporal diversity. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE), 21. , 2021, Maceió.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 65-73.
DOI: https://doi.org/10.5753/erbase.2021.20058.
