Modelagem de Mudanas de Uso da Terra MSc. Srgio Souza Costa e Dra. Ana Paula Dutra de Aguiar 1.

1 Introduo A emisso de CO2 relacionada a mudanas de uso e cobertura um dos principais fatores associados s mudanas climticas. O termo Cobertura da Terra se refere aos atributos fsicos da superfcie terrestre (por exemplo, floresta, gua, gramneas, reas construdas, etc.). J o termo Uso da Terra se refere ao uso humano de tais atributos (por exemplo, recreao, proteo, pastagem, rea residencial, rea comercial, etc.). Mudanas de Uso e Cobertura da Terra se refere tanto converso entre classes (por exemplo, processos de desertificao e desflorestamento), quanto s alteraes nessas classes (e.g., intensificao de uso agrcola, degradao da cobertura vegetal). Para uma reviso completa sobre teorias de mudanas de uso e cobertura e mtodos associados, consultar Briassoulis (2000) e Gutman et al. (2004). No Brasil, a questo do desflorestamento na Amaznia torna o pas o 4o emissor mundial. A Amaznia Brasileira ocupa uma rea de cerca de 4 milhes de km2. Cerca de 17% da floresta j foi removida. As taxas mdias de desmatamento anual nesta dcada so de cerca de 19.000 km2, com grandes flutuaes ano a ano, e esto associadas a fatores econmicos (como o cmbio que favorece ou no s exportaes de commodities), institucionais (polticas de controle de desmatamento, de crdito) e climticos (anos mais ou menos chuvosos). Estas taxas de desflorestamento por sua vez afetam os nveis de emisso de CO2 e o clima regional e global. A regio bastante heterognea em termos de atores e processos que influenciam os padres espaciais e temporais do desflorestamento. Em contextos socioeconmicos, biofsicos e polticos distintos, mltiplos atores contribuem para criar diferentes trajetrias de mudanas na regio, que se traduzem em taxas e padres distribudos de modo no homogneo no espao e no tempo. Por outro lado, as alteraes previstas no clima regional podem influenciar os Sistemas de Uso e sua sustentabilidade econmica e ambiental, afetando de modo distinto os diferentes atores.

Devido importncia da regio da Amaznia Brasileira, tanto em escala nacional como em escala internacional, importante definir indicadores confiveis para subsidiar a elaborao de polticas pblicas. Modelos computacionais so ferramentas teis para complementar capacidade mental de modelagem, de forma a permitir tomadas de deciso mais informadas (Costanza and Ruth, 1998). Modelos de mudanas terrestres podem ajudar na avaliao de impactos possveis das regras alternativas atravs da construo de cenrios e contribuem para os processos de tomada de deciso. Uma grande variedade de modelos pode ser encontrada na literatura, com objetivos, tcnicas, embasamento terico e tradies de modelagem distintas (Briassoulis, 2001; Parker 2002; Verburg 2006). Neste livro, ns focamos em modelos de mudanas terrestres espacialmente explcitos que visem: Explicar e testar hipteses sobre mudanas passadas, atravs da identificao de fatores determinantes de mudanas no uso e cobertura da terra; Projetar e visualizar mudanas futuras, sua intensidade, localizao e data; Verificar como escolhas de polticas pblicas podem influenciar as mudanas, atravs da construo de cenrios considerando opes alternativas de polticas. 1.2 Principais Abordagens de Modelagem de Mudanas de Uso da Terra Atualmente possvel encontrar dezenas de modelos e ferramentas para modelagem de mudanas terrestres na literatura. Esses modelos se diferenciam de acordo com a aplicao, as tcnicas empregadas e at devido aos dados de entrada ou de sada. Nesta reviso no nos preocuparemos em descrever minuciosamente as tcnicas computacionais ou matemticas, mas sim as abordagens metodolgicas de construo desses modelos. Distinguimos duas abordagens para a construo dos modelos: bottom-up e top-down1, como mostrado na Figura 1.

Essa terminologia empregada em varias outras disciplinas, como engenharia e economia.

Figura 1. Abordagem bottom-up e top-down. Adaptado de Nas prximas sees sero descritas as principais caractersticas e a estrutura bsica de cada abordagem. 1.2.1 Modelagem top-down A abordagem top-down empregada por diversos modelos encontrados na literatura, como por exemplo: CLUE (Veldkamp and Fresco, 1996; Verburg et al., 1999), CLUE-s (Verburg et al., 2002), DINAMICA (Soares-Filho et al., 2002), RIKS (White and Engelen, 2000; White et al., 1997) e CA_Markov (Eastman, 2003). Esses modelos distinguem-se basicamente pela representao de dados, pela equao ou regras utilizadas para descrever as mudanas. Entretanto, independentemente do modelo pode-se observar trs principais mdulos: mdulo de demanda, mdulo de potencial e mdulo de alocao. No mdulo de demanda calculada a quantidade de mudana para cada transio. Essa quantidade de mudana passada para o mdulo de alocao, onde algoritmos especficos de alocao iro efetuar as mudanas de acordo com o mapa de potencial de mudana. Este mapa produzido pelo mdulo de potencial atravs de alguma equao matemtica ou estatstica que relaciona as mudanas com um conjunto de variveis. Essa estrutura apresentada na Figura 2.

Figura 2. Estrutura geral dos modelos top-down. Adaptado de (Verburg et al., 2006) Tanto o mdulo de demanda, quanto o mdulo de potencial tem como entrada um conjunto de variveis, algumas para o clculo de quantidade de mudana e outras para o clculo da localizao das mudanas. Entretanto, algumas variveis podem afetar tanto a quantidade quanto a localizao das mudanas. A seguir ser apresentado com detalhes cada um desses mdulos. Mdulo de Demanda O mdulo de demanda2 responsvel por responder o quanto vai mudar?. Em muitos dos modelos a demanda considerada como uma varivel exgena ao modelo e que est relacionada a foras de mercado. Usualmente, esse clculo de demanda realizado por alguma ferramenta externa e pode usar diferentes tcnicas e mtodos. Entretanto, nesta reviso consideraremos duas principais metodologias: Extrapolao de tendncias, as taxas de mudanas ocorridas no passado so usadas para inferir as mudanas que ocorreram no futuro. Utilizada por modelos que buscam responder como ser o futuro, caso as mudanas ocorridas no passado se mantenham.

Alguns modelos podem referir a demanda tambm como taxa de transio, ou taxa de mudanas.

Construo de cenrios, essa metodologia permite simular diferentes realidades, considerando um conjunto de precondies. A vantagem desta abordagem poder analisar os efeitos de mudanas em polticas pblicas e no mercado.

Tanto a extrapolao de tendncias quanto construo de cenrios podem ser empregados usando diferentes tcnicas. Por exemplo, podem ser usadas tcnicas de processamento de imagens para extrair as tendncias de mudanas em regies onde no h disponveis dados de taxas de mudanas. A construo de cenrios pode usar conhecimento de especialistas para definir qual ser a taxa de mudana para cada ano. Uma outra forma de construir cenrio a partir de modelos econmicos, que podem usar variveis como crescimento demogrfico e renda per capta para calcular as taxas de mudanas. Mdulo de Clculo de Potencial O mdulo de clculo de potencial o principal componente desta abordagem e responsvel por responder onde ocorreram as mudanas?. O principal pressuposto desse mdulo que as mudanas no uso do solo no ocorrem de forma aleatria no espao, ou seja, existe uma forte relao entre as mudanas e algumas variveis espaciais, como conexo a mercado, declividade e acesso a estradas. Usualmente, utiliza-se algum mtodo estatstico ou matemtico para estabelecer as relaes entre as mudanas terrestres e um conjunto de variveis, (ver Figura 3).

Figura 3 Mdulo de potencial de mudana. A escolha das variveis dependente do modelo e um dos grandes desafios para o modelador. Ela requer uma clara diferenciao entre determinantes espaciais de mudana, isto , causas prximas (locais, diretamente ligadas a mudanas no uso da terra) de foras determinantes subjacentes, que atuam na determinao da quantidade de mudanas. A confuso entre determinantes espaciais e causas subjacentes tem levado a uma nfase

exagerada em fatores como estradas, tipos de solo ou topografia como causas de desflorestamento (Veldkamp and Lambin, 2001). Na Figura 4 apresentada um exemplo de varivel que pode ser empregado em modelos de uso de solo.

Figura 4. Distncia a plos madeireiros em 1997. Fonte: (Aguiar, 2006) O mtodo frequentemente utilizado para o relacionamento das variveis a estatstica multivariada, mais especificamente a anlise de regresso. Este mtodo permite explorar e inferir a relao de uma varivel dependente (uso da terra) com variveis independentes especficas (fatores explanatrios). O tipo de regresso utilizada depende ainda da representao dos dados. Regresso linear usada em modelos que operam sobre dados contnuos (ex. Clue), enquanto regresso logstica empregada em modelos que operam sobre dados discretos (ex. DINAMICA e CLUE-s). Um outro mtodo estatstico empregado o mtodo de pesos de evidncia. Este mtodo baseado no teorema da probabilidade condicional de Bayes (Bonham-Carter, 1994). Basicamente, este teorema concerne em calcular a propenso de um uso (ex. uso no-urbano para residencial), dado que uma evidncia (ex. suprimento de gua), tambm chamada varivel explicativa, j ocorreu (Almeida, 2003). Existem ainda diversos outros mtodos para o relacionando das variveis explicativas com as mudanas terrestres, que podem variar de mtodos simples de agregao (mdia ou produto) a mtodos mais complexos como redes neurais. Lesschen (2005) discute em detalhes vrios destes mtodos que so aplicados a modelos de mudana terrestre. A sada desses modelos um mapa de potencial de mudana, que representa o quanto uma determinada regio suscetvel a uma determinada mudana. Esse potencial de mudana

pode ser representado por variveis probabilsticas, ou por qualquer outro tipo de varivel que represente valores de baixo a alto potencial de mudana. Este mapa de sada ser utilizado como dado de entrada para os algoritmos de alocao, como ser descrito na prxima seo. Mdulo de Alocao O mdulo de alocao o processo responsvel por realizar as mudanas (ou transies) entre os usos da terra, um processo puramente de deciso. Para cada instante do tempo, o algoritmo de alocao tem como entrada a demanda (quantidade de mudana), o mapa de uso e o mapa de potencial e produz como sada um novo mapa de uso que ser usado no instante seguinte do modelo, Figura 5.

Figura 5. Mdulo de alocao O algoritmo de alocao pode variar de acordo com os dados e parmetros de entrada. Por exemplo, alguns algoritmos lidam com apenas duas classes (floresta e desflorestamento) enquanto outros consideram vrias classes (pastagem, agricultura e floresta). Mas a maior diferena deve-se ao formato de entrada da demanda: Demanda por transio, em alguns modelos a quantidade de mudana entre uma determinada transio (ex. floresta para agricultura) j dado a prior pelo mdulo de demanda. Um exemplo disso o mdulo de alocao do DINAMICA, que tem como entrada uma matriz de transio com o percentual de mudana para cada tipo de uso da terra. Demanda por tipo de uso, em outros modelos no existe a prior uma quantidade de mudana entre os tipos de uso da terra. Neste caso, o mdulo de alocao quem 7

decide como ser feito a distribuio das mudanas entre os tipos de uso da terra. Para isto necessrio um mtodo de competio de classes para decidir entre as transies, como nos modelos da famlia CLUE. O mdulo de alocao possui diversas outras funes e parmetros para tornar as alocaes mais realistas. Por exemplo, no modelo DINAMICA existem dois algoritmos de alocao, que so as funes expander (expansora) e patcher (formadora de manchas). A funo expander se dedica unicamente a expanso ou contrao de manchas prvias de uma determinada classe, j a funo patcher responsvel por formar novas manchas de uma determinada classe em regies que anteriormente no existia. O percentual de quantidade de mudana para cada funo especificado pelo modelador, alm de outros parmetros, como isometria, varincia e tamanho mdio das manchas. Esses parmetros permitem que as alocaes sejam mais parecidas com as aberturas causadas pelos atores (por exemplo, colonos ou grandes fazendeiros). Dependendo do modelo, existem ainda vrias outras funes e ou parmetros. Por exemplo, alguns modelos podem permitir que se modelem as mudanas que no possuem relaes espaciais, onde uma dada quantidade de mudana ocorre de forma aleatria. Outros modelos podem incorporar alguma restrio por transies, regies ou por tempo mnimo de anos em que um dado uso da terra deve se manter antes de mudar para outro uso. 1.2.2 Modelagem Bottom-up Modelagem baseado em agentes a tcnica comumente empregada na abordagem bottomup. Essa tcnica baseada no conceito de emergncia, que uma caracterstica essencial dos sistemas de simulao social, onde as interaes entre as entidades (ou agentes) no nvel micro resulta em padres no nvel macro (Matthews et al., 2005). Exemplos gerais incluem o modelo de segregao (Schelling, 1971) e o modelo vo dos pssaros (ou birdflocking) (Reynolds, 1987).

Figura 6. Modelo vo dos pssaros: (a) configurao inicial e (b) aps 500 iteraes. A motivao geral dessa abordagem a possibilidade de descrever sistemas complexos a partir de um pequeno conjunto de regras. Por exemplo, o modelo do vo dos pssaros possui apenas trs regras: evitar colises com os pssaros vizinhos, igualar a velocidade com os vizinhos e manter-se prximo dos vizinhos. Na Figura 6, apresentada a configurao inicial e o resultado do modelo aps 500 iteraes, usando a ferramenta NetLogo (Wilensky, 1999). A estrutura bsica de um modelo baseado em agentes consiste de: (a) entidades autnomas (agentes), (b) um ambiente onde os agentes interagem, e (c) regras que definem as relaes entre os agentes e seu ambiente, Figura 7.

Figura 7. Modelagem baseada em agentes. O ambiente representa a paisagem onde os agentes interagem, a principal funo do ambiente prover um contexto espacial para os agentes (Huigen and Fischer, 2003). Os ambientes so usualmente representados por um espao celular, que pode ser hipottico ou baseado em uma paisagem real. Ambientes hipotticos podem ser usados por modelos conhecidos como laboratrios sociais. Esses modelos usualmente buscam simular alguns conceitos ou aspectos especficos das interaes sociais. Exemplos de trabalhos nessa linha so discutidos em (Clarke and Gaydos, 1998) e (Barros, 2004). Existem tambm modelos 9

que usam dados reais, como censo e imagens de sensoriamento remoto para descrever a evoluo de mudanas de paisagem. Alguns exemplos incluem: (Castella et al., 2005), (Deadman et al., 2004) e (Manson, 2005). Os agentes so entidades autnomas, heterogneas, e que compartilham e interagem com o ambiente, tomando decises baseado em um conjunto de regras (Lambin, 2006). Em modelos de mudanas terrestres os agentes podem representar entidades, tais como fazendeiros, polticos e instituies. Diferentes fatores podem afetar as decises dos agentes, tais como experincia, estrutura familiar, tcnicas e contextos scio-econmicos. Nessa abordagem, as mudanas terrestres o resultado da interao entre os agentes e o ambiente, para isso necessrio que os agentes sejam alocados no espao. Em modelos hipotticos essa alocao pode ser realizada de forma aleatria ou baseada em algumas regras de localizao. Entretanto, ligar os agentes a suas reais localizaes ou propriedades um grande desafio aos modelos que buscam descrever uma paisagem real. Algumas tcnicas, tais como mtodos participativos ou questionrios, podem ser usadas para identificar os agentes e o seu real ambiente. Tais tcnicas so possveis somente em reas de estudo de pequena extenso (Verburg, 2006). Uma alternativa uso de informaes cadastrais, mas em muitos pases essas informaes possam no estar disponveis por questes de privacidade (Verburg, 2006). Aplicaes Essa abordagem uma promissora ferramenta para tratar a heterogeneidade e complexidade dos diferentes atores que compem um sistema de mudana terrestre. Matthews et al. (2005) destaca seis principais aplicaes para modelagem baseado em agente: (a) polticas pblicas e planejamento, (b) modelos participativos, (c) modos de paisagem, (d) testes de conceitos de cincias sociais e (e) explicao de funes de sistemas terrestres. Destacamos a aplicao em modelagem participativa e para testes de conceito de cincias sociais. Modelagem participativa permite aproximar os agentes (tomadores de deciso) dos modeladores. Essa aproximao muito benfica para ambos, permitindo entender melhor o processo de deciso usado pelos agentes. Em (Castella et al., 2005), o autor props uma

10

abordagem que combinou trs diferentes ferramentas (ver Figura 8): (a) jogo de interpretao de personagens3, (b) modelo baseado em agente, e (c) um sistema de informao geogrfico. Castella (2005) aplicou essa metodologia na provncia de Bac Kan no Vietn, com o objetivo de identificar os diferentes processos de deciso dos produtores locais.

Figura 8. Modelagem participativa em Bac Kan. Adaptado de: (Castella et al., 2005) Uma outra aplicao muito usada dessa abordagem para explorar conceitos e teorias sociais. Por exemplo, alguns modelos podem explorar a competitividade das diferentes estratgias que os produtores podem adotar, e como as instituies podem influenciar no seu comportamento (Matthews et al., 2005). Barros(2004) usou um modelo baseado em agentes para explorar vrios aspectos sobre o crescimento das cidades latino-americanas. Na Figura 9 apresentada o resultado da simulao do processo de periferizao das cidades, onde as pessoas de baixa renda ficam mais distantes dos centros das cidades.

jogo de interpretao de personagens ou Role-playing game(RPG) um tipo de jogo em que os jogadores assumem os papeis de personagens e criam narrativas colaborativamente.

11

Figura 9. Evoluo das cidades latino-americanas Em geral, essa abordagem tem sido mais utilizada pela comunidade cientfica como ferramenta para organizar conhecimento de estudos empricos e para explorar conceitos especficos de sistemas de mudanas terrestres (Matthews et al., 2005). A exigncia de uma grande quantidade de dados torna essa abordagem ainda limitada para aplicaes em regies de grande extenso. Entretanto, atualmente existe um grande esforo por parte da comunidade cientfica em usar essa abordagem e isso reflete no grande numero de ferramentas de modelagem de agentes, como Repast, Swarm, Netlogo e Obeus. 1.2.3 Qual a melhor abordagem? impossvel dizer qual a melhor abordagem, o uso de uma ou outra abordagem depende dos objetivos do modelo, do conhecimento do especialista e da extenso da rea de estudo. A abordagem top-down adequada a processos em que as mudanas so largamente dirigidas por demandas regionais, como no caso de expanso de agricultura em regies com grande oferta de recursos naturais (Verburg, 2006). Os modelos top-down so ainda mais fceis e rpidos de construir comparado aos modelos bottom-up. Por exemplo, existem alguns arcabouos (ou ferramentas) disponveis para o desenvolvimento de modelos top-down, tais como CLUE, CLUE-S e DINAMICA. Esses arcabouos so parametrizveis, ou seja, podem ser usados em diferentes reas de estudo com diferentes variveis, clculo de demanda e clculo de potencial. Dados de censo e imagens de sensoriamento remoto podem ainda serem usados para analisar as relaes entre os padres de mudanas e as variveis explicativas. Modelos bottom-up requer um extenso trabalho de campo para definir as regras de comportamento dos agentes e so usualmente construdos para pequenas reas com

12

objetivo de responder algum conceito especfico (Robinson et al., 2007). Entretanto, os modelos top-down so baseados na anlise de padres, e uma srie de simplificaes e suposies so consideradas, no sendo capazes de expressar a heterogeneidade dos diferentes atores como na abordagem bottom-up. Modelos bottom-up tem o potencial para representar a complexidade dos processos biofsicos e socioeconmicos, e a interao dos atores nos diferentes nveis de organizao. Em geral, a seleo de uma dada abordagem depende do nvel de anlise exigido para responder as perguntas do modelo, um balano entre heterogeneidade e escala de anlise deve ser considerado. Um dos desafios atuais combinar ambas as abordagens, dado que uma abordagem puramente bottom-up ou topdown pode no ser suficiente para representar os processos biofsicos e socioeconmicos. Desse modo, atualmente tem surgido alguns autores que prope o uso de multi-abordagem, como discutido em (Verburg, 2006) e (Moreira et al., 2008). 1.3 Modelagem na Amaznia: resultados em escala regional Laurance et. al (2001) discutem o futuro da Amaznia utilizando um modelo baseado em operaes de SGI (mapa de distncias), e na suposio que a infra-estrutura de estradas o principal fator no processo de desflorestamento. Dois cenrios alternativos so considerados, de acordo com: (1) a estimativa da extenso de reas degradadas em volta de obras de infra-estrutura existentes e planejadas; (2) o impacto estimado de reas protegidas. Os autores extrapolaram para 2020, o relacionamento obtido empiricamente entre padres espaciais passados de desflorestamento e distncias a estradas. Padres projetados apresentam formas de mapas de distncia uniformes ao redor de rodovias existentes e planejadas e outras infra-estruturas atravs de toda a regio (Cmara et al., 2002). Resultados de modelos que incluem rodovias planejadas indicam que em 2020, 28% da Amaznia ser desflorestada ou altamente degradada num cenrio otimista, e 42% num cenrio no otimista, Figura 10. Os novos planos de infra-estrutura so responsveis por um aumento na taxa de desflorestamento de 2.690 km2 por ano no cenrio otimista, e 5.060 km2 por ano no cenrio pessimista.

13

Figura 10. Cenrio otimista e no otimista. Adaptado de (Laurance et al., 2001) Nepstad et al. (2001) tambm extrapola padres espaciais de desflorestamento para prever quantidades futuras, tomando rodovias como o principal fator gerando o desflorestamento, Figura 11. Baseado em corredores de 100 km centrados nas rodovias, o modelo prev que os 6.245 km de rodovias federais planejadas causariam o desflorestamento adicional de uma rea de 120.000 km2 (com base nas taxas de desflorestamento mais baixas ao longo das principais rodovias pavimentadas, 29%) e 270.000 km2 (com base nas taxas de desflorestamento mais altas ao longo das principais rodovias pavimentadas, 58%) nos prximos 20 a 30 anos.

Figura 11. Queimada, desflorestamento e rodovias na Amaznia. Fonte:(Nepstad et al., 2001)

14

Andersen et al. (2002) desenvolveu um modelo economtrico da dinmica de desflorestamento na Amaznia, tambm empregado para analisar o impacto de infraestrutura federal planejada. Utilizando dados em nvel municipal de 1970 at 1999, os autores propem um modelo com seis variveis endgenas (dependentes): rea de remoo da vegetao, crescimento do PIB rural e urbano, crescimento da populao rural e urbana, e crescimento do rebanho bovino. O modelo utiliza dados scio-econmicos e de crdito federal como variveis independentes. Os resultados em relao aos impactos das obras de infra-estrutura so diferentes daqueles obtidos por Laurance et al. (2001) e Nepstad et al. (2001). Os resultados do modelo indicam que a infra-estrutura federal planejada ir encorajar uma intensificao e crescimento urbano, e diminuir o desflorestamento total, em relao situao na qual as obras no so construdas. A diferena principal entre o modelo de Andersen et al. (2002) e os outros dois modelos so: (a) a incluso de variveis scio-econmicas, tais como a populao, renda e preo de terras; e (b) a separao clara dos efeitos da construo de rodovias e dos efeitos de crditos subsidiados no passado. A incluso do desflorestamento existente nas equaes permite a distino entre o impacto da infra-estrutura em reas virgens e reas mais consolidadas. O resultado dos modelos mostra que obras para melhorar estradas existentes influenciam de forma positiva os preos da terra, encorajando a intensificao do uso da terra, e, portanto levando a ganhos econmicos. A principal desvantagem desta abordagem de modelagem no ser espacialmente explcita. Uma abordagem diferente foi adotada por Soares-Filho et al (2006; 2004). Os autores desenvolveram um modelo com dois componentes, separando o clculo das taxas de desflorestamento da alocao destas taxas no espao. Seis cenrios representando diferentes nveis de Governana so analisados. Os cenrios diferem no grau de manuteno das reservas legais em propriedades privadas, e na extenso e efetiva manuteno das reas protegidas. Existem dois cenrios extremos: o cenrio de governana total e o business as usual, Figura 12. O cenrio governana baseia-se na hiptese de reduo gradual nas taxas de desflorestamento e que o desflorestamento nas reas privadas seja limitado a 50% das reas de floresta. Este cenrio tambm prev a expanso de reas protegidas para 41% do total de rea de floresta e que 100% da floresta nas reas protegidas permaneam intactos. No outro extremo, no cenrio business as usual, as 15

reas protegidas perderiam 40% de suas reas de florestas. Cenrios intermedirios incorporam um subconjunto de medidas de governana gradualmente ao cenrio business as usual.

Figura 12. Desflorestamento da Amazonia em 2050. (a) cenrio business as usual e (b) cenrio de governaa. Para calcular as taxas de desflorestamento, a bacia Amaznica foi subdividida em 40 subregies. O modelo projeta taxas de desflorestamento para cada sub-regio utilizando tendncias histricas, somadas a um fator positivo para incorporar o efeito de obras infraestrutura. Taxas em cada sub-regio variam tambm de acordo as tendncias esperadas em determinado cenrio (aumentando ou diminuindo), e o nvel de cumprimento da lei em reas protegidas e privadas hipoteticamente esperado em cada cenrio. A taxa global para toda a Amaznia a composio de taxas individuais de sub-regies. O modelo de alocao considera que a proximidade de centros urbanos aumenta o desflorestamento. O desflorestamento menor mais prximo de terrenos baixos de inundao, e em regies elevadas e ngremes; no influenciado pela qualidade do solo e tipo de vegetao, e no segue necessariamente a rede de rios principais. Distncia a reas desflorestadas previamente, e distncia a rodovias (incluindo ambas, pavimentadas e no pavimentadas) so os fatores mais fortes para previso do desflorestamento, e reservas indgenas so importantes em retardar o desflorestamento4. Os resultados do modelo indicam que a pavimentao da rodovia ManausPorto Velho, que atravessa uma regio com poucas reas protegidas e poucos assentamentos humanos,
4

Estes resultados de anlise estatstica contrastam em diversos aspectos com os obtidos nesta tese (Captulo 4), devido abordagem em relao escala de estudo, como discutido na Seo 6.2.

16

promovem mais desflorestamento do que a pavimentao da rodovia CuiabSantarm. O modelo business as usual prev a remoo de 40% do total de floresta em 2050; em torno de 250.000 km2 deste desflorestamento seria creditado a novos projetos de pavimentao. Os cenrios de governana intermedirios indicam que a expanso e o controle efetivo das reas protegidas poderiam evitar um tero de desflorestamento projetado, mas a conservao de terras privadas tambm necessria para reduzir o desflorestamento. Os autores sugerem que a comunidade internacional pode influenciar a reduo do desflorestamento, atravs de presses do mercado internacional para a aplicao de mtodos ecologicamente seguros na produo de carne, soja e outras comodities agrcolas. Este trabalho representa um avano em relao aos anteriores ao incorporar o conceito de governana na construo de cenrios. Aguiar (2006) dividiu a regio Amaznica em trs grandes macro-regies: o Arco Densamente Povoado, a Amaznia Central e a Amaznia Ocidental (Becker, 2005a). As trs macro-regies so utilizadas para explorar a distribuio temporal e espacial no uniforme de mudanas ao longo da regio, atravs de cenrios de demanda regionalizada. (Soares-Filho et al., 2006) divide seu estudo em 40 sub-regies, portanto limitando as possveis interaes espaciais a reas menores. O uso de regies maiores permite tambm a emergncia de diferenas internas em termos de velocidade de mudana, no restrita a tendncias passadas. A demanda por desflorestamento foi uma varivel exgena no modelo. O modelo considera que a demanda para a abertura de novas reas est relacionada a foras de mercado externas. O aumento ou diminuio da demanda so proxies de diferentes condies do mercado, e representam uma maior ou menor presso para a converso da floresta determinada pelo agro-negcio nacional e internacional. Esta premissa contrasta com trabalhos anteriores (Laurance et al., 2001; Nepstad et al., 2001), nos quais a demanda por desflorestamento calculada com base em modificaes nas redes de rodovias e reas protegidas. Separao entre aspectos espaciais de mudanas e a distribuio temporal da quantidade de mudanas. No modelo de Soares-Filho et al. (2005), as taxas de desflorestamento so

17

calculadas com base na combinao de foras de mercado externas e os efeitos da pavimentao de rodovias, grau de obedincia s leis e criao de reas protegidas. Em contraste, neste trabalho, rodovias e reas protegidas so incorporadas apenas como determinantes espaciais da localizao das mudanas, Figura 13. Elas no influenciam as taxas globais de desflorestamento. Esta abordagem permite a anlise tanto dos efeitos locais quanto regionais das polticas, incluindo a pavimentao de rodovias, criao de reas protegidas, e medidas de controle para aumentar o grau de obedincia s leis.

Figura 13. Comparao quantitativa dos cenrios de pavimentao e proteo (Aguiar, 2006). Independentemente do modelo, sempre haver pressupostos e simplificaes. O modelo uma grande ferramenta para analisar os efeitos das aes humanas. Entretanto, necessrio conhecer bem os pressupostos e as simplificaes dos modelos para melhor interpretar os resultados. 1.4 Consideraes finais Modelos de mudanas terrestres so relativamente recentes, os primeiros modelos surgiram na dcada de 90. Desde ento, vrios modelos foram propostos e grandes avanos foram feitos. Entretanto, esses modelos ainda possuem vrias limitaes na sua construo, o que se deve a complexidade de se modelar as mudanas terrestres. Mudanas terrestres o resultado de uma complexa interao entre os sistemas biofsicos e socioeconmicos, onde diferentes processos atuam sobre as diferentes escalas temporais e espaciais. necessrio

18

compreender como esses diferentes processos atuam nessas diferentes escalas, para poder construir polticas pblicas apropriadas como apontada por Becker (Becker, 2005b): E impossvel, hoje, mais do que nunca, compreender o que ocorre em um local, e consequentemente, criar e implementer polticas pblicas adequadas, sem considerar os interesses e aes conflitantes em escalas geogrficas diferentes Desse modo, o desafio atual desenvolver modelos multi-abordagens e multi-escalas, como apontado pelo Global Land Project (Moran et al., 2005). O projeto aponta dois grandes desafios: (a) entender as interaes entre as escalas locais e regionais; e (b) integrar as dimenses espaciais e sociais. Esses desafios foram propostos, devido a que os modelos atuais usualmente tratam uma nica escala (regional ou local) e no tratam a interao e os possveis feedbacks entre os sistemas biofsicos e socioeconmicos. Os sistemas terrestres, tanto biofsicos como socioeconmicos, esto altamente interligados, mudana em um sistema afeta o outro e vice versa. Entender e modelar a interao entre as escalas (locais, regionais e globais) e entre os sistemas terrestres o atual desafio para os modeladores. 1.5 Referencias AGUIAR, A. P. D. Modelagem de mudana do uso da terra na amaznia: explorando a heterogeneidade intra-regional.So Jos dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2006.Doctor Thesis in Applied Computing Science, 2006. ALMEIDA, C. Modelagem Espacial Dinmica como Ferramenta de Planejamento: Simulao de Mudanas de Uso do Solo em Bauru e Piracicaba (SP).So Jos dos Campos: INPE, 2003.Doutorado em Sensoriamento Remoto, 2003. BARROS, J. X. Urban Growth in Latin American Cities: Exploring urban dynamics through agent-based simulation.University of London, 2004.Bartlett School of Graduate Studies, 2004. BECKER, B. Geopoltica da Amaznia (Amazonian Geopolitics). Journal of the Institute of Advanced Studies of the University of Sao Paulo (Estudos Avanados), v. 19, n.53, p. 71-86, 2005a.

19

BECKER, B. K. Geopoltica da Amaznia (Amazonian Geopolitics). Estudos Avancados (Journal of the Institute of Advanced Studies of the University of Sao Paulo), v. 19, n.53, p. 71-86, 2005b. CASTELLA, J.-C.; BOISSAU, S.; TRUNG, T.; QUANG, D. Agrarian transition and lowland-upland interactions in mountain areas in northern Vietnam: application of a multi-agent simulation model. Agricultural Systems, v. 86, n.3, p. 312-332, 2005. CLARKE, K.; GAYDOS, L. Loose Coupling A Cellular Automaton Model and GIS: Long-Term Growth Prediction for San Francisco and Washington/Baltimore. International Journal of Geographical information Science, v. 12, n.7, p. 699714, 1998. DEADMAN, P.; ROBINSON, D.; MORAN, E.; BRONDIZIO, E. Colonist household decision making and land-use change in the Amazon Rainforest: an agent-based simulation. Environment and Planning B-Planning & Design, v. 31, n.5, p. 693709, 2004. EASTMAN, J. IDRISI Kilimanjaro. Guide to GIS and Image Processing. Worcester, MA: Clark University, 2003. HUIGEN, M.; FISCHER, G. Agent Based Modelling in Land Use and Land Cover Change Studies. In: Interim Repor. 2003. p. LAMBIN, E. F. G., HELMUT J. Land-Use and Land-Cover Change - Local Processes and Global Impacts. 2006. LAURANCE, W.; COCHRANE, M.; BERGEN, S.; FEARNSIDE, P.; DELAMONICA, P.; BARBER, C.; D'ANGELO, S.; FERNANDES, T. The future of the Brazilian Amazon. Science, v. 291, p. 438-439, 2001. LESSCHEN, J. P. V., P.H.; STAAL, S.J. Statistical methods for analysing the spatial dimension of changes in land use and farming systems. LUCC Focus 3 Office and ILRI, 2005. MANSON, S. Agent-based modeling and genetic programming for modeling land change in the Southern Yucatan Peninsular Region of Mexico. Agriculture, Ecosystems & Environment, v. 111, n.1-4, p. 47-62, 2005. MATTHEWS, R.; GILBERT, N. G.; ROACH, A.; POLHILL, J. G.; GOTTS, N. M. Agentbased land-use models: a review of applications. Landscape Ecology, n.Volume 22, Number 10 / December, 2007, p. 1447-1459, 2005. MORAN, E.; OJIMA, D.; BUCHMANN, N.; CANADELL, J.; COOMES, O.; GRAUMLICH, L.; JACKSON, R.; JARAMILLO, V.; LAVOREL, S.; LEADLEY, P.; MATSON, P.; MURDIYARSO, D.; PORTER, J.; PFAFF, A.; PITELKA, L.; RAJAN, K.; RAMANKUTTY, N.; II, B. T.; YAGI, K., 2005, Global Land Project:

20

Science Plan and Implementation Strategy. IGBP Report No. 53/IHDP Report No. 19., Stockholm, IGBP Secretariat. MOREIRA, E. G.; COSTA, S. S.; AGUIAR, A. P. D. D.; CAMARA, G.; CARNEIRO, T., 2008, Dynamic coupling of multiscale land change models: Interactions and feedbacks across regional and local deforestation models in the Brazilian Amazon, Landscape Ecology - Special Issue (submitted). NEPSTAD, D.; CARVALHO, G.; BARROS, A. C.; ALENCAR, A.; CAPOBIANCO, J. P.; BISHOP, J.; MOUTINHO, P.; LEFEBVRE, P.; SILVA-JR., U. L.; PRINS, E. Road Paving, fire regime feedbacks, and the future of Amazon Forests. Forest Ecology and Managment, v. 154, p. 395-407, 2001. REYNOLDS, C. Flocks, herds and schools: A distributed behavioral model. SIGGRAPH Comput. Graph., v. 21, n.4, p. 25-34, 1987. ROBINSON, D. T.; BROWN, D. G.; PARKER, D. C.; SCHREINEMACHERS, P.; JANSSEN, M. A.; HUIGEN, M.; WITTMER, H.; GOTTS, N.; PROMBUROM, P.; IRWIN, E.; BERGER, T.; GATZWEILER, F.; BARNAUD, C. Comparison of Empirical Methods for Building Agent-Based Models in Land Use Science. Journal of Land Use Science, v. 2, n.1, p. 31-55, 2007. SCHELLING, T. Dynamic models of segregation. Journal of Mathematical Sociology, v. 1, p. 143-186, 1971. SOARES-FILHO, B.; CERQUEIRA, G.; PENNACHIN, C. DINAMICA a stochastic cellular automata model designed to simulate the landscape dynamics in an Amazonian colonization frontier. Ecological modelling, v. 154, n.3, p. 217 235, 2002. SOARES-FILHO, B.; NEPSTAD, D.; CURRAN, L.; CERQUEIRA, G.; GARCIA, R.; RAMOS, C. A.; VOLL, E.; MCDONALD, A.; LEFEBVRE, P.; SCHLESSINGER, P. Modeling conservation in the Amazon basin. Nature, v. 4389, 2006. SOARES-FILHO, B. A., ANE; NEPSTAD, DANIEL; CERQUEIRA, GUSTAVO; VERA DIAZ, MARIA DEL CARMEN; RIVERO, SRGIO; SOLRZANO, LUIS; VOLL, ELIANE. Simulating the response of land-cover changes to road paving and governance along a major Amazon highway: the Santarm-Cuiab corridor. Global Change Biology, v. 10, n.20, p. 745-764, 2004. VELDKAMP, A.; FRESCO, L. O. CLUE: a conceptual model to study the Conversion of Land Use and its Effects. Ecological modelling, v. 85, p. 253-270, 1996. VELDKAMP, T.; LAMBIN, E. Predicting land-use change. Agriculture, Ecosystems and Environment, v. 85, p. 1-6, 2001. VERBURG, P. Simulating feedbacks in land use and land cover change models. Landscape Ecology, v. 21, n.8, p. 1171-1183, 2006. 21

VERBURG, P.; DE KONING, G.; KOK, K.; VELDKAMP, A.; BOUMA, J. A spatial explicit allocation procedure for modelling the pattern of land use change based upon actual land use. Ecological modelling, v. 116, p. 45-61, 1999. VERBURG, P. H.; KOK, K.; PONTIUS, R. G.; VELDKAMP, A.; LAMBIN, E. F.; GEIST, H. J., 2006. Modelling land use and land cover change. Land-use and land-cover change. Local processes and global impacts, Springer, Berlim. VERBURG, P. H.; SOEPBOER, W.; VELDKAMP, A.; LIMPIADA, R.; ESPALDON, V. Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management, v. 30, n.3, p. 391-405, 2002. WHITE, R.; ENGELEN, G. High-resolution integrated modelling of the spatial dynamics of urban and regional systems. Computer, Environment and Urban Systems, v. 24, p. 383-400, 2000. WHITE, R.; ENGELEN, G.; ULJEE, I. The Use of Constrained Cellular Automata for High-resolution Modelling of Urban Land Use Dynamics. Environment and Planning B: Planning and Design, v. 24, p. 323-343, 1997. WILENSKY, U., 1999, NetLogo, in EVANSTON, I., ed., Center for Connected Learning and Computer-Based Modeling. Northwestern University.

22