IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO.
10, OCTOBER 2016
Mapping Plaques Cisterns by Fuzzy Grouping
Analysis
M. R. G. Oliveira, D. V. Cruz and M. Cunha Filho
1
Abstract—This paper presents the Fuzzy clustering method to assess
quality of the groups formed by cisterns plaques according to some water
quality variables. This method uses cluster validation steps to determine
the optimal partition, which provides the most homogeneous possible
groups. In this work Fuzzy clustering method is used to evaluate the
quality of the clusters based on the validation methods of controlling the
variability of groups or dissimilarity. The method was tested on a hun-
dred plaques cisterns located in Pajeú region. Therefore, the Fuzzy clus-
tering method indicates five groups as the best partition, while the
Ward's method shows six groups as best partition.
Keywords—Fuzzy clustering, Cisterns plaques, Pajeú region.
I. INTRODUÇÃO
A ESTIMATIVA de parâmetros de qualidade da água é
uma das questões mais relevantes, enfrentadas em reser-
vatórios de água destinadas ao consumo humano. É muito
importante estimar os parâmetros de qualidade da água, para
gestão de projetos de recursos hídricos, em regiões onde os
recursos hídricos são escassos como no Nordeste Brasileiro
modelos climáticos globais prevê aumento na frequência e
intensidade de eventos climáticos extremos, incluindo secas
severas [1].
Clusterização é um processo não supervisionado que obje-
tiva identificar grupos significativos implícito em um conjunto
de dados. É um processo de atribuição de objetos de dados em
subconjuntos chamado clusters, de modo que os objetos de
dados no mesmo cluster são similares em alguma característi-
ca [2,3].
Um problema existente no uso de algoritmos de agrupa-
mento é determinar o melhor número de clusters para repre-
sentar adequadamente partições naturais. Algoritmos de agru-
pamento geralmente exigem que o número de clusters seja
determinado antes do agrupamento [4]. Em muitas situações,
em particular com dados de dimensões mais elevadas e clus-
ters de sobreposição, não fica claro que a solução do cluster é
a melhor. Para superar este problema vários algoritmos têm
sido propostos, os quais determinam o número opcional de
clusters automaticamente como métodos hierárquicos [5],
aglomerativo de fusão compatível [6] e abordagem evolutiva
[7].
Diversos índices de validação de cluster tem sido proposto
[4, 8-17]. Índices de agrupamento Fuzzy avaliam as partições,
neste tipo de agrupamento cada objeto pode pertencer a mais
de um cluster, sua adesão está associada a um nível que des-
creve para cada cluster.
1
M. R. G. Oliveira, Universidade Federal Rural de Pernambuco, riveli-
no_gomes@hotmail.com
D. V. Cruz, Universidade Federal Rural de Pernambuco, da-
vid@hotmail.com
M. Cunha Filho, Universidade Federal Rural de Pernambuco, mo-
acyr2006@ibest.com.br
M. Cunha Filho, Universidade Federal Rural de Pernambuco, mo-
acyr2006@ibest.com.
4367
O objetivo do presente estudo é avaliar a eficácia das me-
didas de validação de agrupamentos de cisternas de placas
segundo as variáveis de qualidade de água na determinação de
partições ótimas fornecidas pelo agrupamento Fuzzy.
II. MATERIAL E MÉTODOS
A área de estudo está localizada nas comunidades de Serra
Grande: Poço do Serrote, Poldrinho, Catolé e Três Irmão,
próxima a serra da Lagartixa, pertencente ao limite municipal
entre as cidades de Serra Talhada e Floresta, região do alto
Sertão do Pajeú, ambiente semiárido do Estado de Pernambu-
co de coordenadas geográficas de 38°23ˈ55.51” longitude
Oeste e 8°07ˈ06.72” latitude Sul.
O clima da região, de acordo com a classificação de Köp-
pen se enquadra no tipo Bwh, denominado semiárido, quente e
seco, com chuvas de verão em outono com pluviosidade mé-
dia anual de 647 mm, para o período de 1912 a 1991 [18] e
temperatura média anual superior a 25oC.
Agrupamento Fuzzy
O termo grupo deve ser usado quando não existe qualquer
informação sobre como é a organização dos dados. Nesse
caso, o trabalho de análise de dados é denominado agrupa-
mento e tem por objetivo estudar as relações de similaridade
entre os dados ou cisternas, determinando quais dados formam
quais grupos. Os grupos são formados de maneira que maxi-
mize a similaridade entre as cisternas de um grupo (similari-
dade dentro do grupo) e minimizar a similaridade entre cister-
nas de grupos diferentes (similaridade externa aos grupos).
Então formalmente, dado um conjunto de dados de entrada
( ∈ ℝ ), é encontrada uma função:
:ℝ × ⟶ , (1)
onde é um vetor de parâmetros ajustáveis, por meio de um
algoritmo de aprendizado supervisionado ou não supervisio-
nado, que determina c-grupos a partir da matriz de dados ori-
ginais X, e segundo [19], tem-se, ≠ ∅, = 1, … , ;
= , ,…, ( ≤ ), tal que:
i) = 1, … , ;
ii) ∪ = ;
iii) ∩ = ∅, , = 1, … , e ≠ , supondo a aborda-
gem clássica de classificação ou agrupamentos.
Índices de validação do agrupamento Fuzzy
Existem vários índices de validação que tem sido utilizada
com muita intensidade para determinar o número ótimo de
grupos (c) em um conjunto de dados [20 – 22]. Neste estudo
4368 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 10, OCTOBER 2016

são utilizadas três medidas de validação para o agrupamento Agrupamento Hierárquico

Fuzzy, que são o coeficiente de parição (VPC), partição entro-
pia (VPE) e o índice de Xie e Beni (VXB) que são testados para
diferentes números de agrupamento c e diferentes valores do
parâmetro de Fuzificação m, para verificar a sua adequação na
obtenção de agrupamentos homogêneos. Estes três índices são
discutidos em seguida, [10] duas publicações distintas propu-
seram os índices do coeficiente de partição (VPC) e partição
entropia (VPE) para validação de agrupamento Fuzzy, que são
definidos como:
1
( )= ( ) . (2)
A gama de variação do índice VPC é , 1 , e a partição
ótima corresponde ao valor máximo de VPC, o que implica a
sobreposição mínima entre os agrupamentos. O valor máximo
de VPC é 1, enquanto o mínimo corresponde a quantidade 1/c.
A classificação em grupos procede por etapas, em geral
determinando-se a partir de n subgrupos de um único indiví-
duo cada, sucessivas fusões de subgrupos considerados mais
“semelhantes”. Cada fusão reduz, em uma unidade, o número
de subgrupos. Dados dois grupos U e V, para medir a seme-
lhança/dessemelhança entre eles, o seguinte algoritmo de
agrupamento são utilizados:
Método de Ward
Considera-se a imobilidade de um grupo U, isto é, a soma
de quadrados das diferenças entre cada objeto ou cisterna e o
“objeto médio” desse grupo, dado por:
= ( − ) , (5)
∈

1
( )=− (3) onde é é a média dos valores da variável para os objetos
ou cisternas do grupo U. Toma-se agora a distância entre os
grupos U e V como sendo o aumento na soma total das imobi-
lidades provocado pela divisão dos mesmos, isto é, seja a
Na equação 3, o logaritmo tem base ∈ (1, ∞), onde o imobilidade do grupo U, a imobilidade do grupo Ve ∪ a
intervalo de variação de é[0, ( )]. O valor mínimo de imobilidade do grupo resultante da divisão dos grupos U e V.
indica uma boa classificação ou agrupamento ótimo cor- Então uma vez que a divisão de U e V não afeta a imobilidade
respondendo a uma partição mais realista. Teoricamente o dos grupos remanescentes, temos:
valor mínimo de é 0 (zero). = −( + ), (6)
∪
Onde:
: matriz de partição Fuzzy que contém a composição de cada note que, se ̅ e ̅ são os vetores de média dos grupos U e V
vetor de redimensionado em cada grupo; respectivamente, então:
: denota o grau de adesão do vetor característico de variá-
veis, redimensionado no agrupamento, representado pelo = ‖ ̅ − ̅ ‖ (7)
centroide dos respectivos grupos, com ∈ [0,1]. +
A medida de validação de agrupamento proposta por [11], é
proporção de compactação de uma c-partição. Pode ser consi- O algoritmo de Ward, também conhecido como método da
derada como sendo uma função do conjunto de dados e o variância mínima proposto por [23], tem tendência a produzir
centroide dos grupos. grupos com um número aproximadamente igual de objetos.
Correlação Cofenética
∑ ∑ ( ) ‖ − ‖ (4)
( , : )= , A correlação Cofenética é definida como sendo a correla-
‖ − ‖
ção entre as distâncias previstas e as distâncias observadas. A
qualidade do agrupamento será melhor quanto mais próximo
onde o termo do numerador da equação acima é a soma dos for de um (1) o coeficiente de correlação. O coeficiente de
quadrados dos desvios de cada vetor característico ( =
correlação entre a matriz de distâncias originais e a matriz
1, … , ) para o centroide Fuzzy de cada grupo = (1, … ). cofenética proposta por [24] é dado pela expressão:
A magnitude dos termos diminui à medida que os agrupa-
mentos ficam mais compactos. O denominador que por sua ∑ ∑ − ̅ ( − ̅)
=
vez mede a distância mínima entre os centroides dos grupos de (8)
∑ ∑ − ̅ ∑ ∑ ( − ̅)
cisternas, tem valor mais elevado para grupos que estão bem
separados. O valor mínimo de sugere uma boa partição ou Em que:
agrupamento ótimo o que corresponde a grupos de cisternas
compactos e bemseparados. Temos ainda que é a matriz de
dados, N é o número de vetores de características ou variáveis 2 2
̅= e ̅=
de qualidade de água das cisternas e = ( , … , ), repre- ( − 1) ( − 1)
senta um c-tripla de protótipos , cada qual caracterizando o
baricentro de um dos grupos c. onde:
: distância entre os objetos ou cisternas i e j, na matriz cofe-
nética; : distância entre os objetos ou cisternas i e j, na
GOMES DE OLIVEIRA : MAPPING PLAQUES CISTERNS
matriz original de distâncias ou matriz de dissimilaridade; n:
dimensão da matriz.
III. RESULTADOS E DISCUSSÃO
Os sistemas Híbridos caracterizam-se pela combinação de
duas ou mais técnicas de Inteligência Computacional em um
só modelo, objetivando-se utilizar o que existe de mais robus-
to para obter a melhor solução para um dado problema. Neste
contexto existem os modelos híbridos construídos com Redes
Neurais Artificiais (RNA). Portanto os modelos híbridos têm
como base a adição da Teoria de Conjuntos Fuzzy utilizando o
algoritmo c – Means.
O algoritmo Fuzzy c – Means o qual funciona como base
para outros modelos híbridos utilizados na tarefa de agrupa-
mento ou classificação foi proposto por [25]. Segundo esse
modelo uma variação não supervisionada da RNA é adiciona-
da de característica Fuzzy.
Assim um objeto ou cisterna é atribuído a cada grupo de
acordo com o grau de adesão máxima aos grupos, e portanto
esta matriz produz a partição de agrupamentos o mais próximo
possível da realidade, isto é, uma cisterna é atribuída a cada
grupo de acordo com o grau de pertinência máxima, desde que
tal grau de pertinência seja igual ou maior a 0,5 (≥ 0,5), o que
foi observado em todas as cisternas, caso contrário presume-se
que a cisterna que obteve grau de pertinência inferior a 0,5
não pertence a nenhum grupo, o que não verificou-se neste
agrupamento Fuzzy.
As cem cisternas consideradas no estudo, foram analisadas
para extrair características para a análise de agrupamento. As
correlações entre as características e as variáveis relacionadas
com a qualidade da água foram analisadas, ou seja, as seis
variáveis de qualidade da água ora analisadas foram relacio-
nadas aos sais minerais e as condições higiênicas sanitárias.
As variáveis de localização, latitude e longitude então inclu-
sas no estudo para identificar as regiões onde estão localizadas
as cisternas que são geograficamente próximas. As seis variá-
veis foram padronizadas, e foi atribuída a mesma escala de
importância para todas as variáveis, o que significa que ne-
nhuma variável em particular influenciou no resultado dos
agrupamentos, exceto pela característica natural da variável.
Para analisar a sensibilidade do resultado do algoritmo Fuzzy c
– Means (FCM) a variação no parâmetro de fuzificação o m é
de 1,4 a 2,5 e no entanto [20], menciona que o FCM oferece
melhor desempenho para m no intervalo de 1,5 – 2,5.
A homogeneidade dos grupos é obtida a partir do algoritmo
Fuzzy c – Means (FCM), é testada através de medidas de hete-
rogeneidades [26]. Quando o conjunto inteiro de cem cisternas
foi considerado como um único grupo, este grupo é bastante
heterogêneo. Por outro lado, quando o número de grupos c
aumenta além de um, o algoritmo apresenta grupos que são
relativamente homogêneos. No entanto o tamanho dos grupos
diminui com aumento do número de grupos. Assim neste
estudo o número máximo de grupos foi fixado pela matriz do
grau de pertinência das cisternas em cada grupo. Portanto, os
resultados obtidos para c não superior a 6 são apresentados e
discutido em seguida.
O número ideal de grupos no conjunto de dados de cisterna
é identificado através das medidas de validação do agrupa-
mento Fuzzy. O índice de Xie e Beni ( )indica como núme-
4369
ro ótimo de grupos (Tabela I), c = 2 para m= 1,5;1,6; 1,7;
2,2; 2,3 e 2,4, indica c = 3 para m = 1,4, indica c = 4 para m
= 2,5 e c = 5 para m = 1,8; 1,9; 2,0 e 2,1. As medidas de
heterogeneidade de [26] mostram que para c = 5, isto é, quan-
do o número de grupos é maior o algoritmo de agrupamento
(FCM) fornecem grupos mais homogêneos. A escolha de um
número maior de grupos no caso c = 5, permite uma melhor
comparação dos resultados como definido anteriormente. Os
valores ótimos do índice de Xie e Beni sugerem que a melhor
escolha de m está no intervalo 1,8 – 2,1, ou seja, o número de
grupos indicado pelo algoritmo (FCM) é c = 5 para m na
vizinhança de 2,0. O coeficiente de partição ( )e partição
entropia ( ) indicam c = 2 como melhor partição, isto é,
sugerem dois grupos como resultado ótimo e são ineficazes.
Em geral ( ) é maximizado e ( ) é minimizado para c =
2, independentemente do valor que o parâmetro de fuzificação
m assume (Tabela I). Isto ocorre porque estas duas medidas de
validação necessitam de uma relação direta com alguma pro-
priedade dos dados. Em conformidade com [11], note que, à
medida que o coeficiente de partição decresce monotonamente
com aumento do número de agrupamentos, a partição entropia
apresenta um crescimento monótono a medida que o número
de grupos aumenta.
Uma partição é considerada “ótima” quando os grupos
formados pelo algoritmo de agrupamento (FCM) são tão ho-
mogêneos de forma que nenhum objeto ou cisterna seja realo-
cado a outro grupo se houver novas interações do algoritmo.
Esta partição é verificada pelos índices de validação de Xie e
Beni ( ), o coeficiente de partição( ) e partição entropia
( ), que são obtidos pelas variações do parâmetro de fuzifi-
cação m e o número de grupos c (Tabela I), isto é, o algoritmo
obtém uma partição “ótima” que é indica por (VXB) em geral
para m=2 quando ( ) atinge seu valor máximo e ( ),
atinge seu valor mínimo para c = 2.
Segundo [27 – 28], ambas as medidas frequentemente indi-
cam como resultado c = 2, sendo uma partição ótima. No caso
dos dados das cisternas de placas na região do Pajeú a tendên-
cia monótona é claramente observada na partição da entropia
( ) para valores de m superior a 1,9 (Tabela I). O índice de
Xie e Beni ( ) não exibe nenhuma tendência monofônica.
Portanto é eficaz na identificação da partição ótima ou dos
grupos formados pelas cisternas de placas utilizadas no estudo
da qualidade da água na região do Pajeú.
De acordo com [19], se o parâmetro de fuzificação m é de-
finido em m = 2, o grau de pertinência das observações ou
cisternas a um determinado grupo, é obtido unicamente em
função das razões entre as distâncias entre o objeto e os cen-
tros de grupos. Por outro lado, se o valor do parâmetro de
Fuzificação m é diferente de 2 (m ≠ 2), observa-se que existe
uma alteração na influência das relações entre as distâncias
dos dados aos centros dos grupos. Quando o parâmetro de
fuzificação m cresce, isto é, para (m → ∞) o grau de pertinên-
cia não é calculado mais em função das distâncias entre os
dados e os centros dos grupos, e sim em função do número de
grupos c. Observa-se que para altos valores de m os vetores
protótipos que compõem os elementos da matriz de atualiza-
ção dos dados, tendem a se aproximar do centro do conjunto
de dados, ou seja, para valores altos do parâmetro de fuzifica-
ção o algoritmo (FCM) apresenta resultados com grupos me-
nos bem definidos. Portanto o “melhor” valor que m pode
4370 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 10, OCTOBER 2016

assumir no algoritmo (FCM) é aquele que minimiza a movi- Uma observação visual do dendograma feita com base na
mentação da matriz de atualização. Fig. 1, observa-se a existência de seis grupos nesta figura, que
foi obtida pelo método de Ward.
TABELA I
COMPARAÇÃO DAS MEDIDAS DE VALIDAÇÃO DOS GRUPOS PARA O CONJUNTO DE DADOS RELATIVOS AS CISTERNAS DE PLACAS NA
REGIÃO DO PAJEÚ EM SERRA TALHADA – PE. OS VALORES EM NEGRITO DENOTAM VALORES ÓTIMOS DAS MEDIDAS DE VALIDAÇÃO

c m VPC VPE VXB c m VPC VPE VXB

2 1,4 0,932 0,123 0,315 2 2,0 0,753 0,400 0,265
3 0,939 0,123 0,209 3 0,628 0,662 0,389
4 0,834 0,312 0,575 4 0,565 0,831 0,345
5 0,863 0,256 0,367 5 0,582 0,847 0,232
6 0,854 0,290 0,570 6 0,545 0,962 0,318
2 1,5 0,903 0,174 0,311 2 2,1 0,729 0,432 0,255
3 0,829 0,311 0,438 3 0,595 0,714 0,378
4 0,783 0,409 0,540 4 0,529 0,895 0,312
5 0,818 0,352 0,350 5 0,542 0,929 0,209
6 0,803 0,403 0,527 6 0,504 1,050 0,282
2 1,6 0,872 0,226 0,304 2 2,2 0,707 0,460 0,244
3 0,789 0,388 0,435 3 0,566 0,760 0,369
4 0,736 0,503 0,499 4 0,497 0,951 0,281
5 0,771 0,454 0,329 5 0,505 1,001 0,187
6 0,748 0,523 0,483 6 0,467 1,128 0,248
2 1,7 0,840 0,276 0,295 2 2,3 0,688 0,484 0,234
3 0,746 0,465 0,424 3 0,539 0,800 0,361
4 0,690 0,594 0,458 4 0,469 1,000 0,253
5 0,722 0,559 0,306 5 0,424 1,161 0,314
6 0,693 0,643 0,437 6 0,396 1,279 0,262
2 1,8 0,809 0,322 0,285 2 2,4 0,670 0,505 0,224
3 0,704 0,537 0,412 3 0,516 0,835 0,353
4 0,646 0,680 0,419 4 0,444 1,044 0,227
5 0,674 0,661 0,281 5 0,400 1,209 0,287
6 0,640 0,758 0,394 6 0,371 1,333 0,234
2 1,9 0,780 0,363 0,275 2 2,5 0,655 0,524 0,214
3 0,665 0,603 0,400 3 0,495 0,865 0,347
4 0,603 0,759 0,380 4 0,422 1,082 0,204
5 0,627 0,758 0,256 5 0,378 1,251 0,259
6 0,591 0,865 0,355 6 0,349 1,380 0,209
VPC: coeficiente departição; VPE: partição entropia; VXB: índice de Xie e Beni; m: parâmetro de fuzificação; c: número de grupos.

Figura 1. Dendograma resultante do método de Ward.

GOMES DE OLIVEIRA : MAPPING PLAQUES CISTERNS
O método de Ward apresentou algumas diferenças do mé-
todo de agrupamento Fuzzy, uma delas é que o grupo 1 agru-
pou 42 cisternas, ou seja, um número bem superior em relação
ao mesmo grupo obtido pelo método de agrupamento Fuzzy
que agrupou 7 cisternas como visto na Tabela II.O grupo 4
ficou com 28 cisternas segundo o método de Ward, e pelo
agrupamento Fuzzy este grupo alocou 29 cisternas, ou seja,
ambos os métodos obtiveram resultados bastante similares. No
grupo 3 o método de Ward alocou apenas 6 cisternas já o
agrupamento Fuzzy 29 cisternas. O grupo 2 alocou 12 cister-
nas pelo agrupamento Fuzzye7 cisternas pelo método de
Ward, já o grupo 5 agrupo 15 cisternas pelo agrupamento
Fuzzy e 10 cisternas pelo método de Ward e o grupo 6 agru-
pou 8 cisternas pelo agrupamento Fuzzy e 7 cisternas pelo
método de Ward. De maneira geral o método agrupamento
Fuzzy classificou as cisternas nos seis grupos de maneira, mas
parcimoniosa, isto é, não houve grupos com um número ele-
vado de cisternas e tão pouco grupos com poucas observações.
TABELA II
NÚMERO DE CISTERNAS AGRUPADAS PELO AGRUPAMENTO
FUZZY E PELO MÉTODO HIERÁRQUICO DE AGRUPAMENTO
Métodos de Agrupamento
Grupos Fuzzy Ward
Grupo 1 7 42
Grupo 2 12 7 acordo com a matriz do grau de pertinência das cisternas a
Grupo 3 29 6 cada grupo. No entanto levando em consideração o índice de
Grupo 4 29 28
Grupo 5 15 10
Grupo 6 8 7
O método de Ward apresentou características peculiares em
relação ao método de agrupamento Fuzzy utilizado para estas
análises como bem destacadas anteriormente. Estas caracterís-
ticas também foram notáveis no gráfico e nas estatísticas da
silhueta observadas na Fig. 2, onde o único grupo que obteve
estatística da silhueta ótima com valor de 0,84 foi o grupo 6,
enquanto os demais grupos obtiveram estatísticas da silhueta
acima de 0,48 dando indícios de boas classificações das cis-
ternas em seus respectivos grupos, mesmo com estatísticas da
silhueta inferiores ao grupo 6.
Clusters silhouette plot
Average silhouette width: 0.54
1.00
0.75
Silhouette width Si
0.50
0.25
0.00
Figura 2. Gráfico e estatística da silhueta obtida pelo método de Ward.
4371
A estatística média da silhueta obtida pelo método de Ward
foi de 0,54, valor que não levanta evidências da inadequação
com relação a classificação das cisternas nos respectivos gru-
pos.
IV. CONCLUSÃO
O método de agrupamento Fuzzy utilizou a matriz de grau
de pertinência que alocou cada cisterna para o grupo ao qual
ela obteve a mais elevada pertinência. Assim possibilitando
que os resultados apresentados neste trabalho apoiam forte-
mente a análise agrupamento Fuzzy para produzir ou encontrar
grupos homogêneos, que são eficazes na análise agrupamento
de cisternas de placas da região do Pajeú.
O método de Ward também foi utilizado para a classifica-
ção das cisternas e foi observada a alocação das cisternas nos
seus respectivos grupos. Quando os desempenhos do método
do agrupamento Fuzzy e método de Ward são comparados
verificou-se que os resultados para os grupos formados pelo
método do agrupamento Fuzzy são melhores que os resultados
do método de Ward. Logo os resultados mostraram que o
desempenho do agrupamento Fuzzy era melhor do que o mé-
todo de Ward para identificação dos grupos de cisternas mais
homogêneos.
O agrupamento Fuzzy sugeriu a formação de seis grupos de
Xie e Beni, a indicação foi de cinco grupos, o que se tornaria
mais plausível por ser um índice de validação. Portanto com o
resultado, pode-se dizer que o método de agrupamento Fuzzy
pode ser utilizado com sucesso para classificação de cisternas
de placas.
V. REFERÊNCIAS
[1] K. Cherwin, Knapp, A. Unexpected patterns of sensitivity to drought in
three semi-arid grasslands. Global Change Ecology - Original Research, v.
169, pp. 845 – 852, 2012.
[2] L. Kaufman, P.J. Rousseeuw. In: Finding Groups in Data Wiley, New
York, 1990.
[3] A. K. Jain, M.N. Murty, P.J. Flynn. Data clustering: a review, ACM
Comput. Surv. v. 31 n. 3, pp. 264 –323, 1991.
[4] F. Hoppner, F. Klawon, R. Kruse, T. Runkler. Fuzzy Cluster Analysis:
Methods for Classifications, Data Analysis and Image RecognitionWiley,
New York,1999.
[5] A. Devillez, P. Billaudel, G. V. Lecolier. A fuzzy hybrid hierarchical
clustering method with a new criterion able to find the optimal partition,
Fuzzy Sets Syst. v. 128, n. 3, pp. 323–338, 2002.
[6] H. Frigui, R. Krishnapuram. A robust algorithm for automatic extraction
of anunknown number of clusters from noisy data, Pattern Recognition Lett.
cluster n. 17 pp. 12231232, 1996.
[7] E. R. Hruschka, R. J. G. B. Campello, L. N. de Castro. Evolutionary
1
search foroptimal fuzzy c-means clustering, in: Proceedings of the 13th IEEE
2
International Conference on Fuzzy Systems, Budapest, Hungary, pp. 685–
3
690, 2004.
4 [8] G.V. Milligan, M.C. Cooper. An examination of procedures for determin-
5 ing the number of clusters in a data set, Psychometrika v. 50, n. 2, pp. 159–
6 179, 1985.
[9] J. C. Bezdek. Numerical taxonomy with fuzzy sets, J. Math. Biol. n. 1 pp.
57–71, 1974.
[10] J. C. Bezdek. Cluster validity with fuzzy sets, J. Cybern. n. 3, pp. 58–78,
1974.
[11] X. L. Xie, G. Beni. A validity measure for fuzzy clustering, IEEE Trans.
Pattern. Anal. Mach. Intell. v. 13, n.8, pp. 841–847, 1991.
4372 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 10, OCTOBER 2016

[12] K. L. Wu, M. S. Yang. A cluster validity index for fuzzy clustering, 1992. Obteve o título de especialista em MBA em Administração de Empre-
Pattern Recognition Lett. n. 26, pp. 1275–1291, 2005. sas pela Faculdade de Tecnologia Internacional (FATEC), Recife, Pernambu-
[13] M. Kim, R. S. Ramakrishna. New indices for cluster validity assessment, co, Brasil, 2012. Obteve o título de mestre em Biometria e Estatística Aplica-
Pattern Recognition Lett. v. 26, n. 15, pp. 2353–2363, 2005. da pela Universidade Federal Rural de Pernambuco (UFRPE), Recife, Per-
[14] Y. Zhang, W. Wang, X. Zhang, Li Yi. A cluster validity index for fuzzy nambuco, Brasil, 2002. Obteve o título de Doutor em Agronomia (Ciência dos
clustering, Inform. Sci. v. 178, n.4, pp. 1205–1218, 2008. Solos), pela Universidade Federal Rural de Pernambuco (UFRPE), Recife,
[15] A. Celikyilmaz, I. B. Turk. Validation criteria for enhanced fuzzy cluster- Pernambuco, Brasil, 2009.Foi Diretor do Núcleo de Tecnologia da Informa-
ing, Pattern Recognition Lett. v. 29, n. 2, pp. 97–108, 2008. ção (NTI) de 1995 a 2000. Foi Coordenador do Programa de Pós-Graduação
[16] W. Wang, Y. Zhang. On fuzzy cluster validity indices, Fuzzy Sets Syst. em Biometria e Estatística Aplicada/UFRPE. Está como Pró-Reitor de Admi-
v.58, n.19, pp. 2095–2117, 2007. nistração da UFRPE. Bolsista CNPq. Atualmente é professor adjunto da
[17] M. Bouguessa, S. Wang, H. Sun. An objective approach o cluster valida- Graduação e da Pós-Graduação do Departamento de Estatística e Informática
tion, Pattern Recognition Lett. v. 27 n. 13, pp. 1419–1430, 2006. da Universidade Federal Rural de Pernambuco, atuando principalmente nos
[18] Sudene - Superintendência do Desenvolvimento do Nordeste. Dados seguintes temas: Estatística aplicada, gestão, educação a distância, recursos
pluviométricos mensais do Nordeste. Recife: SUDENE, 1990. hídricos, produção de sedimentos em suspensão e por carga de fundo e con-
[19] R. Xu, D. Wunsch. II survey of clustering algorithms. IEEE Transactions servação do solo e da água. http://lattes.cnpq.br/7315592683569670.
on Neural Networks, v. 16, n. 3, pp. 645–678, 2005.
[20] N. R. Pal, J. C. Bezdek. On cluster validity for the Fuzzy c-means model.
IEEE Transactions on Fuzzy systems. v.3 n.3, pp.370 – 379, 1995.
[21] S. Theodoridis, K. Koutroubas. Pattern Recognition. Academic Press,
New York, 1999.
[22] M. Halkidi, Y. Batistakis, M. Vazirgiannis. On clustering validation
techniques. Journal of Intelligent Information Systems, v. 17, pp. 107 – 145,
2001.
[23] L. Orlóci. Multivariate analysis in vegetational research. 2. ed. The
Hague: Dr. W. Junk B. V. Publishers, 1978. 451 p.
[24] W. O. Bussab, E. S. Miazaki, D. Andrade. Introdução a análise de agru-
pamento. São Paulo: Associação Brasileira de Estatística, 1990. 105p.
[25] J. C. Bezdek, E. C. Tsao, N. R. Pal. Fuzzy kohonen clustering networks.
In IEEE International Conference on Fuzzy Systems, pp. 1035 – 1043, 1992.
[26] J. R. M. Hosking, J. R. Wallis. Some statistics use fulin regional frequen-
cy analysis. Water Resources Research (Correction: Water Resources Re-
search v. 31 n. 1, p. 251, 1995), v. 29 n. 2, pp. 271 – 281, 1993.
[27] Z. K. Bargaoui, V. Fortin, B. Bobée, L. Duckstein. A fuzzy approach to
the delineation of region of influence for hydrometric stations. Revue des
sciences de l’eau v. 11 n. 2, pp. 255 – 282, 1998.
[28] M. J. Hall, A. W. Minns. The classification of hydrologically homogene-
ous regions. Hydrological Sciences Journal, v. 44, n. 5, pp. 693 – 704, 1999.

Manoel Rivelino Gomes de Oliveira é graduado

emEstatística pela Universidade Estadual da Paraiba
(UEPB), Campina Grande, Paraíba, Brasil, 2008. Obteve o
título de mestre em Biometria e Estatística Aplicada, área de
recursos hidricos utilizando técinicas de Séries Temporais
pela Universidade Federal Rural de Pernambuco (UFRPE),
Recife, Pernambuco, Brasil, 2012. Doutorado em Andamento em Biometria e
Estatística Aplicada, área de recursos hídricos utilizando Estatística Multivari-
ada e Redes Neurais pela Universidade Federal Rural de Pernambuco
(UFRPE), Recife, Pernambuco, Brasil, com a obtenção do título de doutor
prevista para 2016.http://lattes.cnpq.br/9155420673076195.

David Venancio da Cruz é graduado em Estatística pela

Universidade Estadual da Paraiba (UEPB), Campina Grande,
Paraíba, Brasil, 2008. Obteve o título de especialista em
Estatística Aplicada, área de Modelos Lineares pela Fundação
Universitária de Apoio ao Ensino, Pesquisa e Extensão
(FURNE), Brasil, 2011. Obteve o título de mestre em
Biometria e Estatística Aplicada, área de recursos hídricos utilizando Controle
Estatístico de Qualidade pela Universidade Federal Rural de Pernambuco
(UFRPE), Recife, Pernambuco, Brasil, 2014. Doutorado em Andamento em
Biometria e Estaística Aplicada, área de recursos hídricos utilizando Controle
Estatístico de Qualidade pela Universidade Federal Rural de Pernambuco
(UFRPE), Recife, Pernambuco, Brasil, com a obtensão do título de doutor
prevista para 2018. A área de atuação é análises estatísticas de recursos
hidricos utilizando Estatística Multivariada e Séries Tempo-
rais.http://lattes.cnpq.br/3355291698817713.

Moacyr Cunha Filho é graduado em Engenharia Civil pela

Universidade Católica de Pernambuco (UNICAP), Recife,
Pernambuco, Brasil (1988). Obteve o título de especialista em
Disciplinas Profissionalizantes, área Modelagem Matemática
utilizando o Software Modellos pela Universidade Federal
Rural de Pernambuco (UFPE), Recife, Pernambuco, Brasil,
1990. Obteve o título de especialista em Segurança do Traba-
lho pela Universidade de Pernambuco (UPE), Recife, Pernambuco, Brasil,