Modelagem da Biodiversidade Utilizando Redes Neurais

Artificiais
Fabrcio Augusto Rodrigues1, Elisngela Silva da Cunha Rodrigues2, Pedro Luiz
Pizzigatti Corra1, Ricardo Luis de Azevedo da Rocha2, Antonio Mauro Saraiva1
Departamento de Engenharia de Computao e Sistemas Digitais Escola Politcnica
da Universidade de So Paulo (EPUSP)
Laboratrio de Automao Agrcola

Laboratrio de Linguagens e Tcnicas Adaptativas

{fabricio.rodrigues, elisangela.rodrigues, pedro.correa, luis.rocha,

antonio.saraiva}@poli.usp.br

Abstract. Biodiversity conservation is one of the great contemporary

challenges. Techniques and tools that contribute for the strategical planning
of actions related to the environmental conservation are essential in the
decision-making process. This paper presents an algorithm of biodiversity
modeling based on Artificial Neural Networks, used to create models of
biological species geographical distribution. Tests reached accuracy until
94%, showing that Artificial Neural Networks are suitable techniques to
modeling process.
Resumo. A conservao da biodiversidade um dos grandes desafios
contemporneos. Tcnicas e ferramentas que contribuam para o planejamento
estratgico de aes relacionadas conservao ambiental so fundamentais
no processo de tomada de deciso. Este artigo apresenta um algoritmo de
modelagem da biodiversidade baseado em Redes Neurais Artificiais, utilizado
para criar modelos de distribuio geogrfica de espcies biolgicas.
Durante os testes, foram alcanadas taxas de acuidade de at 94%,
demonstrando que as Redes Neurais Artificiais so tcnicas adequadas ao
processo de modelagem.

1. Introduo
O desenvolvimento econmico, principalmente na ltima dcada, tem acelerado o
processo de destruio de ecossistemas, aumentando a demanda por ferramentas de
apoio tomada de deciso no que se refere conservao da biodiversidade. Uma nova
rea de pesquisa cientfica, denominada Informtica para Biodiversidade [Canhos 2003],
tem como desafio suprir esta demanda, fornecendo ferramentas computacionais
aplicadas ao estudo da biodiversidade. Uma das tarefas, nas quais ferramentas
computacionais tm sido aplicadas, a modelagem de distribuio geogrfica de
espcies biolgicas.
Uma vez que os recursos humanos e financeiros direcionados ao meio-ambiente
geralmente so escassos, frente demanda atual, ferramentas de modelagem podem
contribuir para a conservao ambiental. Tais ferramentas podem ser aplicadas, por
585

exemplo, na identificao de reas com alto risco de perda da sua biodiversidade,

possibilitando assim que os recursos escassos sejam direcionados para essas regies e
suas espcies ameaadas.
Os modelos de distribuio geogrfica de espcies biolgicas so criados por
algoritmos que buscam, em um espao de caractersticas, relaes no aleatrias entre
os dados de entrada. No processo de modelagem adotado neste trabalho, os modelos so
criados a partir de dados georreferenciados de ocorrncia da espcie e variveis
ambientais. Vrios algoritmos tm sido utilizados para a criao dos modelos de
distribuio, com destaque para algoritmos da rea de Aprendizagem de Mquina,
apresentados sucintamente na Seo 3.
Este artigo apresenta um algoritmo de modelagem baseado em Redes Neurais
Artificiais (RNA) desenvolvido dentro do escopo do projeto openModeller [Muoz et
al. 2009], cujo objetivo principal o desenvolvimento de um framework de cdigo
aberto para modelagem da biodiversidade. O algoritmo foi testado com dados de uma
espcie vegetal tpica do cerrado brasileiro. O objetivo dos testes foi avaliar de forma
preliminar a aplicabilidade do algoritmo. A prxima etapa deste trabalho prev a
comparao do algoritmo desenvolvido com outros algoritmos de modelagem j
utilizados.
Alm do algoritmo de modelagem baseado em RNA, o openModeller oferece
outros algoritmos de modelagem, ferramentas de tratamento e preparao de dados
ambientais, opes de busca de dados de localizao de espcies e interface grfica para
visualizao de modelos de distribuio. Este conjunto de funcionalidades torna o
openModeller um ambiente adequado a incluso de novas tcnicas de modelagem.
A Seo 2 apresenta resumidamente o processo geral de modelagem de
distribuio geogrfica de espcies biolgicas. Alguns dos principais algoritmos
utilizados no processo de modelagem so apresentados brevemente na Seo 3. Os
principais aspectos do desenvolvimento do algoritmo de modelagem baseado em RNA
so apresentados na Seo 4. A Seo 5 descreve os experimentos realizados e apresenta
os resultados obtidos. A discusso final e propostas de trabalhos futuros so
apresentados na Seo 6.

2. O Processo de Modelagem
Ferramentas de modelagem de distribuio geogrfica de espcies biolgicas podem
contribuir de maneira importante para a conservao da biodiversidade, apoiando o
processo de tomada de deciso. O objetivo deste tipo de modelagem estimar a
probabilidade da presena ou da ausncia de uma determinada espcie em uma regio
geogrfica. Isto feito atravs da converso de dados de ocorrncia da espcie e dados
ambientais em mapas de distribuio geogrfica [Siqueira 2005].
Os dados de ocorrncia so pontos georreferenciados (latitude e longitude) que
representam a existncia ou no da espcie em uma determinada regio. So divididos
em pontos de presena, que indicam a existncia comprovada da espcie, e pontos de
ausncia, que representam a inexistncia da espcie. Os dados de ocorrncia
normalmente resultam da observao e coleta em campo [Siqueira 2005]. Entretanto,
pontos de ausncia so muito difceis de determinar e raramente esto disponveis, pois
a no observao de uma espcie em uma determinada regio no suficiente para
determinar que aquela espcie no existe naquele local.

586

Os dados ambientais, tambm chamados de camadas ambientais, ou variveis

ambientais, representam as condies ambientais sob as quais a espcie pode existir
naquela regio. Esse conjunto de condies normalmente chamado de nicho
fundamental da espcie [Siqueira 2005]. Fatores como competio entre indivduos e
espcies, predao, parasitismo etc., no so considerados neste processo de
modelagem. Temperatura, precipitao e altitude so alguns exemplos de variveis
ambientais frequentemente utilizadas no processo de modelagem.
O processo de modelagem de distribuio geogrfica de espcies biolgicas pode
ser resumido nas seguintes etapas: (1) um conjunto de pontos de ocorrncia
(georreferenciados) combinado com um conjunto de variveis ambientais, dando
origem a um conjunto de pontos de nicho, no qual cada ponto de nicho formado pelos
valores que as variveis ambientais assumem em cada ponto de ocorrncia; (2) um
algoritmo de modelagem utilizado para criar um modelo de nicho a partir do conjunto
de pontos de nicho; (3) o modelo de nicho criado pelo algoritmo projetado em uma
determinada regio geogrfica, levando em considerao as mesmas variveis
ambientais utilizadas para a criao deste modelo de nicho.
O resultado do processo de modelagem um mapa georreferenciado contendo,
em cada ponto, a probabilidade de ocorrncia da espcie, estimada pelo algoritmo de
modelagem escolhido. Este mapa pode representar: cenrios atuais, quando as variveis
ambientais utilizadas representam as condies climticas atuais; cenrios anteriores,
quando as variveis ambientais utilizadas representam condies climticas do passado;
e at mesmo cenrios futuros, quando so utilizadas variveis ambientais que simulam
mudanas nas condies climticas atuais [Hijmans et al. 2005]. Exemplos de mapas de
distribuio podem ser vistos na Seo 5.

3. Algoritmos de Modelagem
A funo principal dos algoritmos executar o passo de inferncia do processo de
modelagem. O passo de inferncia pode ser resumido na busca por associaes no
aleatrias entre os dados de ocorrncia da espcie e os dados ambientais. O
openModeller oferece diversos algoritmos de modelagem, alguns utilizam uma
abordagem estatstica enquanto outros so baseados em tcnicas de Aprendizagem de
Mquina.
Oferecer diferentes algoritmos numa mesma ferramenta de modelagem um dos
objetivos principais do projeto openModeller. Tal caracterstica pode facilitar o processo
de comparao entre os algoritmos disponveis, alm de permitir que os usurios
possam selecionar o algoritmo mais adequado aos objetivos da modelagem.
importante destacar que, embora no seja meta deste artigo apresentar a comparao do
algoritmo desenvolvido com outros algoritmos de modelagem, esse estudo comparativo
j est sendo realizado.
Dentre os diversos algoritmos de modelagem oferecidos pelo openModeller,
destacam-se o GARP (Genetic Algorithm for Rule-set Production) [Stockwell and
Peters 1999], SVM (Support Vector Machines) [Vapinik 1995, Lorena et al. 2008] e
Entropia Mxima [Rodrigues et al. 2010, Phillips et al. 2006]. Uma vez que os
algoritmos citados apresentam bons resultados no processo de modelagem, natural que
a aplicabilidade de outras tcnicas clssicas de Aprendizagem de Mquina seja
investigada. Neste contexto, um algoritmo de modelagem baseado em Redes Neurais

587

Artificiais foi desenvolvido e integrado ao openModeller. Aspectos sobre o

desenvolvimento desse algoritmo so abordados na prxima seo.

4. Modelagem com Redes Neurais Artificiais

O Processo de modelagem de distribuio geogrfica de espcies biolgicas pode ser
visto como um problema de predio, uma vez que o objetivo principal determinar a
probabilidade da existncia de uma determinada espcie biolgica em cada ponto de um
mapa georreferenciado. Como descrito anteriormente, este processo de predio
baseado em dados ambientais e dados de ocorrncia da espcie.
A subseo 4.1 apresenta resumidamente alguns trabalhos que utilizaram RNA
em alguma etapa do processo de modelagem. Detalhes sobre o algoritmo desenvolvido e
integrado ao openModeller so apresentados na subseo 4.2.
4.1. Trabalhos Relacionados
A aplicao de Redes Neurais Artificiais no processo da modelagem de distribuio
geogrfica de espcies biolgicas pode ser observada em alguns trabalhos, motivando
novas pesquisas. Geralmente, tais trabalhos discutem os modelos de distribuio
gerados do ponto de vista biolgico, utilizando a tcnica computacional apenas como
ferramenta, ou seja, no discutem os aspectos de implementao e ajuste dos parmetros
do algoritmo.
O BIOMOD [Thuiller et al. 2009] uma plataforma direcionada modelagem
de distribuio geogrfica de espcies que inclui vrias tcnicas, dentre elas RNA.
Em [Ximenes et al. 2009], foi proposto o uso de Mapas Auto-Organizveis
(SOM - self-organizing map) , uma abordagem de RNA, para a anlise de dependncia
espacial de variveis ambientais, utilizadas na modelagem de distribuio de espcies.
Esta anlise contribui para a pr-seleo de variveis, reduzindo assim a quantidade de
dados a serem manipulados e diminuindo o custo computacional da modelagem.
Em [Jimnez-Valverde et al. 2009], modelos de distribuio de espcies
artrpodes foram criados utilizando RNA do tipo Perceptron de Mltiplas Camadas.
Neste trabalho, os autores investigaram se os modelos de distribuio criados podem ser
utilizados como substitutos da abundncia de espcies artrpodes na Ilha Terceira do
arquiplago dos Aores.
RNA tambm foram utilizadas no mapeamento da intensidade de luz no Nepal.
Este mapeamento contribui com o monitoramento da propagao do arbusto
Chromolaena odorata [Joshi et al. 2005]. Segundo os autores do trabalho, este arbusto
considerado uma das piores espcies invasivas do mundo.
Em [Mastrorillo et al. 1997], RNA foram utilizadas para estimar a
presena/ausncia de trs espcies de peixe a partir de dez variveis ambientais. Os
resultados obtidos com esta abordagem foram comparados com os resultados obtidos
atravs do uso de DFA (discriminant factorial analysis) para a mesma modelagem. As
RNA apresentaram melhor capacidade de separao dos exemplos que o uso de DFA,
para as trs espcies.
4.2. Algoritmo baseado em Redes Neurais no openModeller
Para a implementao do algoritmo baseado em RNA e sua consequente

588

integrao ao openModeller, foi adotado o modelo Perceptron de Mltiplas Camadas

(Multilayer Perceptron - MLP), usando o algoritmo de treinamento de Retropropagao
de Erro (Backpropagation) [Rumelhart et al. 1986]. A ideia foi utilizar um modelo
clssico, bem testado e adequado tarefa de modelagem. Alm disso, as classes dos
dados que formam os conjuntos de treinamento e teste so conhecidas e divididas em
pontos de presena e pontos de ausncia, tornando o treinamento supervisionado
adequado, como o caso do Backpropagation. Mesmo quando os dados so formados
apenas por pontos de presena, uma estratgia de gerao de pontos de pseudo-ausncia
utilizada, permitindo o uso do treinamento supervisionado.
No algoritmo desenvolvido, a arquitetura da rede neural organizada em trs
camadas, conforme o esquema mostrado na Figura 1. A camada de entrada recebe os
valores das variveis ambientais para cada exemplo de treinamento. Portanto, o nmero
de neurnios dessa camada corresponde ao nmero de variveis ambientais utilizadas na
etapa de inferncia e definido automaticamente pelo algoritmo. A camada de sada
formada por um nico neurnio, responsvel por apresentar o valor de sada da rede (um
valor entre 0 e 1), ou seja, a probabilidade da presena da espcie em cada ponto do
mapa georreferenciado. Apenas uma camada escondida utilizada na implementao
atual do algoritmo e a quantidade de neurnios dessa camada definida pelo usurio.
Cada neurnio da rede est conectado unidirecionalmente a todos os neurnios da
camada seguinte. No modelo MLP, o sinal de ativao dos neurnios da camada
escondida calculado atravs de uma funo no-linear que recebe a soma ponderada
dos valores de entrada. No algoritmo integrado ao openModeller foi adotada a funo
logstica (sigmoide) como funo de ativao.
Processamento

Variveis
Ambientais

.
.
.

.
.
.

Probabilidade
de ocorrncia

Figura 1. Esquema de uma rede neural para o processo de modelagem de

distribuio geogrfica de espcies biolgicas

Durante a etapa de treinamento dois critrios de parada so utilizados: nmero

limite de pocas de treinamento [Haykin 2001] e um valor que representa o erro mnimo
esperado. Esta estratgia adotada uma vez que o treinamento com o Backpropagation
no garante que o erro da rede atingir um valor mnimo estabelecido, podendo ficar
preso em regies de mnimos locais. O algoritmo de treinamento executado at que
um dos critrios de parada seja satisfeito. Dessa forma, mesmo que o erro mnimo
esperado no tenha sido alcanado, quando o nmero de pocas previamente
estabelecido no incio do treinamento atingido, o algoritmo de treinamento
interrompido.
Alm do nmero de neurnios da camada escondida, do nmero de pocas e do
erro mnimo esperado, outros parmetros definidos pelo usurio so: (1) a taxa de
aprendizagem; e (2) a constante do termo de momentum. importante ressaltar que a
incluso do termo de momentum uma modificao na regra original do algoritmo

589

Backpropagation. Detalhes sobre o ajuste desses parmetros podem ser encontrados em

[Haykin 2001].
O algoritmo de modelagem baseado em RNA foi implementado em linguagem
C++, tornando mais direta a sua integrao ao openModeller, uma vez que este
framework foi totalmente escrito nesta linguagem. A implementao envolveu um
trabalho de pesquisa e seleo de uma biblioteca de RNA, utilizada como base para o
desenvolvimento do algoritmo. importante destacar que a prpria filosofia de
desenvolvimento do openModeller tem como princpio a aplicao e o reuso de cdigo
aberto.
A biblioteca escolhida pode ser encontrada em [Chopra, 2008]. A simplicidade
do cdigo, permitindo uma melhor compreenso, e os mtodos disponveis foram
pontos fundamentais na escolha da biblioteca. No entanto, vrias alteraes no cdigo
fonte da biblioteca foram realizadas para tornar possvel a integrao do algoritmo ao
openModeller e tornar o algoritmo mais robusto e completo. Modificaes na regra de
atualizao dos pesos da rede neural durante o treinamento foram realizadas, como por
exemplo a incluso do termo de momentum. Alm disso, outra modificao foi a
utilizao do nmero de pocas de treinamento juntamente com o valor do erro mnimo
como critrios de parada, conforme descrito acima. A biblioteca original considera
apenas o nmero de pocas como critrio de parada para a etapa de treinamento da rede
neural.
A prxima seo descreve os experimentos realizados com o algoritmo de
modelagem desenvolvido e apresenta os resultados alcanados.

5. Experimentos e Resultados
Os experimentos foram realizados em duas etapas com o objetivo de validar o algoritmo
desenvolvido. A segunda etapa foi estabelecida aps a verificao de possveis rudos
nos dados. Esses rudos foram detectados no primeiro conjunto de testes. As subsees
seguintes descrevem os dados utilizados nos experimentos, a metodologia aplicada nos
testes e os resultados obtidos.
5.1. Dados
Foram utilizados 100 registros de ocorrncia, sendo 50 pontos de presena e 50 pontos
de ausncia da espcie Stryphnodendron obovatum, uma planta da famlia Mimosaceae
presente no cerrado brasileiro. Os registros de ocorrncia foram fornecidos por uma
biloga e coletados conforme descrito em [Lorena et al. 2008].
Foram utilizadas sete camadas ambientais recortadas para o estado de So Paulo,
Brasil. Todas as camadas pertencem a mesma regio com 30 segundos de arcos de
resoluo espacial (aproximadamente 1 km2) e esto disponveis no WorldClim
Global Climate Data [Hijmans et al. 2005]. As camadas usadas foram temperatura
mdia anual, escala diurna mdia, temperatura mxima do ms mais quente, temperatura
mnima do ms mais frio, precipitao anual, precipitao do ms mais mido e
precipitao do ms mais seco.
5.2. Metodologia
As medidas estatsticas coletadas para anlise dos modelos e validao do algoritmo de
modelagem baseado em RNA foram: acuidade, porcentagem de erros de omisso,
590

porcentagem de erros de comisso, AUC (Area Under the ROC Curve) e quantidade de
pocas do treinamento.
A acuidade corresponde porcentagem de acertos do algoritmo em relao ao
conjunto de dados e foi medida tanto durante o treinamento quanto com conjuntos de
testes independentes. Os erros de omisso correspondem porcentagem de pontos de
presena que no foram corretamente classificados, enquanto os erros de comisso
correspondem porcentagem de pontos de ausncia que no foram classificados
corretamente. A AUC fornece uma medida de desempenho do modelo, representada por
um valor entre 0 e 1. Quanto mais prxima de 1 melhor o modelo [Fielding and Bell
1997].
Os dados foram divididos em cinco parties, cada uma contendo 10 pontos de
presena e 10 pontos de ausncia. A partir dessas parties foram criados dez conjuntos
de treinamento e dez conjuntos de teste. Em cada conjunto de treinamento foram
agrupadas trs parties, ou seja, 60% dos dados e em cada conjunto de teste foram
agrupadas as duas parties restantes, correspondendo a 40% dos dados. Desta forma,
cada modelo gerado a partir de uma partio de treinamento foi testado com a partio
de teste, mutuamente exclusiva, correspondente.
A primeira etapa de testes mostrou a possvel presena de rudo nos dados, ou
seja, pontos de ocorrncia que no so distinguidos pela rede neural. Aps uma anlise
dos resultados desta primeira etapa de testes, quatro pontos de ausncia foram
identificados e considerados pontos com rudo. Esses pontos foram removidos do
conjunto de dados, restando assim 50 pontos de presena e 46 pontos de ausncia, a
partir dos quais novos testes foram realizados.
Todos os experimentos foram realizados com os parmetros de entrada
calibrados com os mesmos valores. Testes preliminares mostraram que valores
adequados para os parmetros so: (1) 4 neurnios na camada escondida; (2) taxa de
aprendizagem = 0,7; (3) constante de momentum = 0,4; (4) erro mnimo = 0,02. A
quantidade de neurnios na camada escondida foi definida atravs da mdia aritmtica
entre o nmero de entradas (7 entradas) e o nmero de sadas (1 sada). Na primeira
etapa de testes o nmero limite de pocas de treinamento foi igual dois milhes. Este
valor foi definido em razo da demora na convergncia por erro mnimo, causada pela
possvel presena de rudo nos dados. Com a remoo do rudo, o nmero limite de
pocas de treinamento foi igual a 500.000, uma vez que a convergncia se tornou muito
mais rpida.
5.3. Resultados
As mdias das medidas estatsticas coletadas durante o treinamento so apresentadas na
Tabela 1 e as mdias das medidas estatsticas coletadas a partir de conjuntos de teste
independentes so mostradas na Tabela 2.
Analisando os dados coletados, possvel observar que a qualidade dos
exemplos de treinamento interfere na taxa de aprendizagem do algoritmo. Mesmo que
seja apresentado um conjunto de treinamento menor rede, a qualidade dos modelos
pode ser superior se os dados forem livres de rudos. Esta sensibilidade aos dados de
treinamento uma caracterstica inerente ao modelo neural adotado no algoritmo de
modelagem.
O maior valor de acuidade registrado no treinamento foi 100% nas duas etapas.
591

Este valor indica que todos os dados de treinamento foram aprendidos pela rede neural.
Na primeira etapa de experimentos, o maior valor de acuidade registrado quando
apresentado um conjunto de teste independente foi 87,5%. Na segunda etapa de
experimentos, o maior valor de acuidade registrado com um conjunto de teste
independente foi 94,44%. As Figuras 2 e 3 apresentam os modelos que alcanaram os
maiores valores de acuidade e AUC em cada etapa de experimentos respectivamente.
Tabela 1. Mdia das estatsticas de treinamento
Etapa

Acuidade
(%)

Erro de
Omisso
(%)

Erro de
Comisso
(%)

AUC

98,50

3,00

0,98

99,11

1,92

0,99

Tabela 2. Mdia das estatsticas de teste

Etapa

Acuidade
(%)

Erro de
Omisso
(%)

Erro de
Comisso
(%)

AUC

75,25

26,5

23

0,77

81,61

16

22

0,81

Figura 2. Modelo de distribuio que apresentou os maiores valores de

acuidade (87,5%) e AUC (0,9) na primeira etapa de testes.

Figura 3. Modelo de distribuio que apresentou os maiores valores de

acuidade (94,44%) e AUC (0,94) na segunda etapa de testes.

592

 importante destacar, nas Figuras 2 e 3, que as regies representadas pela cor

preta foram classificadas com baixa probabilidade de presena da espcie, podendo at
apresentar probabilidade nula. Regies representadas pela cor cinza apresentam alta
probabilidade de presena da espcie. Por fim, regies representadas por cores prximas
do branco so regies de fronteira entre altas e baixas probabilidades de presena da
espcie, ou seja, probabilidades intermedirias.

6. Discusso e Trabalhos Futuros

O objetivo principal deste trabalho foi apresentar um algoritmo de modelagem de
distribuio geogrfica de espcies biolgicas baseado em Redes Neurais Artificiais. O
algoritmo apresentado est disponvel no openModeller, um framework para modelagem
que oferece diversos algoritmos de modelagem entre outras funcionalidades.
O algoritmo foi testado com dados de ocorrncia da espcie Stryphnodendron
obovatum, uma planta do cerrado brasileiro, e dados bioclimticos. Os dados de
ocorrncia utilizados estavam divididos em pontos de presena e pontos de ausncia,
caracterstica importante para a estratgia adotada no treinamento da rede neural.
Os modelos gerados foram testados com dados independentes, ou seja, dados
que no faziam parte dos conjuntos de treinamento. Os resultados alcanados
demonstraram que o algoritmo desenvolvido adequado ao processo de modelagem,
com taxas de acuidade de at 94%.
Quando pontos de ausncia no esto disponveis, o algoritmo utiliza um mtodo
de seleo de pontos de pseudo-ausncia. Entretanto, tal estratgia pode gerar rudo nos
dados, afetando as taxas de acuidade dos modelos criados. Alm disso, rudo nos dados
pode afetar o treinamento da rede, impossibilitando a convergncia. Assim, uma
proposta de trabalho futuro o desenvolvimento de algoritmos de modelagem baseados
em outros modelos neurais, capazes de aprender a partir de conjuntos de dados que
contenham apenas pontos de presena.
A prxima etapa deste trabalho ter como objetivo a comparao do algoritmo
desenvolvido com outras tcnicas j difundidas na comunidade de modelagem, por
exemplo, GARP, SVM e Entropia Mxima. importante destacar que o
desenvolvimento do algoritmo apresentado neste artigo apenas uma etapa inicial de
uma pesquisa mais abrangente que envolve, alm de outras atividades, a comparao
entre as tcnicas de modelagem.

Referncias
Canhos, V. P. (2003) Informtica para biodiversidade: padres, protocolos e
ferramentas. Cincia e Cultura. [online]. v. 55, n. 2, pp. 45-47.
http://cienciaecultura.bvs.br/pdf/cic/v55n2/15530.pdf.
Chopra, P. (2008) http://www.paraschopra.com. Downloaded in 2008.
Fielding, A. H. and Bell, J. F. (1997) A review of methods for the assessment of
prediction errors in conservation presence/absence models, Environmental
Conservation 24: 38 49.
Haykin, S. (2001) Redes Neurais Princpios e Prtica. Trad. Paulo Martins Engel. 2.
ed. Porto Alegre: Bookman.

593

Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. and Jarvis, A. (2005) Very high
resolution interpolated climate surfaces for global land areas. International Journal of
Climatology 25: 1965 1978.
Lorena, A. C., Siqueira, M. F., Giovanni, R., Carvalho, A. C. P. L. F. and Prati, R. C.
(2008) Potential Distribution Modelling Using Machine Learning. IEA/AIE '08:
Proceedings of the 21st International Conference on Industrial, Engineering and Other
Applications of Applied Intelligent Systems. Wroclaw, Poland. Lecture Notes in
Computer Science, Springer-Verlag Berlin Heidelberg, v. 5027, p. 255264.
Muoz, M.E.S., Giovanni, R., Siqueira, M.F., Sutton, T., Brewer, P., Pereira, R.S.,
Canhos, D.A.L. & Canhos, V.P. (2009) "openModeller: a generic approach to
species' potential distribution modelling". GeoInformatica. DOI: 10.1007/s10707009-0090-7.
Phillips, S. J.; Anderson, R. P.; Schapire, R. E. (2006) Maximum entropy modeling of
species geographic distributions. Ecological Modelling 190: 231 259.
Rodrigues, E. S. C., Rodrigues, F. A., Rocha, R. L. A. and Corra, P. L. P. (2010) An
Adaptive Maximum Entropy Approach for Modeling of Species Distribution.
Memrias do WTA 2010 4 Workshop de Tecnologia Adaptativa. Escola
Politcnica da Universidade de So Paulo, So Paulo. ISBN 978-85-86686-56-6.
Rumelhart, D. E., Hinton, G. E. and Williams, R. J. (1986) Learning representations by
back-propagating errors. Nature, 323:533-536.
Siqueira, M. F. (2005) Uso de modelagem de nicho fundamental na avaliao do padro
de distribuio geogrfica de espcies vegetais. Tese de Doutorado. Escola de
Engenharia de So Carlos da Universidade de So Paulo. So Carlos, So Paulo.
Stockwell, D.; Peters, D. (1999) The GARP modelling system: problems and solutions
to automated spatial prediction. International Journal of Geographical Information
Science, vol. 13, n. 2, 143 158.
Vapinik, V. (1995) The Nature of Statistical Learning Theory. Springer-Verlag.
Thuiller, W., Lafourcade, B., Englerand, R. and Arajo, M. B. (2009). BIOMOD a
platform for ensemble forecasting of species distributions. Ecography 32: 369373.
Mastrorillo, S., Lek, S., Dauba, F. and Belaud, A. (1997). The use of articial neural
networks to predict the presence of small-bodied sh in a river. FreshwaterBiology
38, 237246.
Ximenes, A. C., Amaral, S., Arcoverde, G. F. B., Monteiro, A. M. V. (2009). Redes
neurais para a seleo de variveis ambientais no processo de modelagem de
distribuio de espcies na regio Norte do Brasil. Anais XIV Simpsio Brasileiro de
Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 55315538.
Joshi, C., de Leeuw, J., Skidmore, A. K., van Andel, J., Lekhak, H. D. and van Duren, I.
C. (2005). Remote Sensing and GIS for Mapping and Management of Invasive Shrub
Chromolaena odorata in Nepal. Proceedings of Eighth AGILE Conference on
Geographic Information Science Estoril, Portugal (2005), pp. 7180.
Jimnez-Valverde, A., Diniz, F., de Azevedo, E. B. and Borges, P. A. V. (2009) Species
distribution models do not account for abundance: the case of arthropodes on
Terceira Island. Ann. Zool. Fennici 46: 451-464.
594