__________________________________________________________________
1
Instituto Nacional de Pesquisas Espaciais (INPE), Diviso de Processamento da
Imagem DPI, Avenida dos Astronautas, 1758 12227-010, So Jos dos Campos,
So Paulo, Brasil
1. INTRODUO
12
De acordo com Batty (1976), o processo de modelagem relaciona-se diretamente com o
mtodo cientfico, uma vez que nele conjeturam-se hipteses, as quais so refutadas por
experimentos, por novas observaes, e sobretudo, por insights.
Pode-se afirmar assim, que o objetivo geral dos modelos dinmicos em SIG realizar a
simulao numrica de processos do mundo real em que o estado de uma localizao na
superfcie terrestre muda em resposta a variaes em suas foras direcionadoras
(Burrough, 1998).
13
Os modelos urbanos, assim como aqueles existentes nas demais reas de Cincias
Aplicadas (Ecologia, Geografia, Epidemiologia, etc.), surgiram com carter
reconhecidamente quantitativo, e portanto, desvinculados de recursos que
possibilitassem a representao espacial dos seus resultados.
14
clulas so objetos do universo de modelagem que podem assumir diferentes
formas (quadrada, retangular, hexagonal) e dimenses (uni, bi ou tridimensional), os
quais devem manifestar algum tipo de adjacncia ou proximidade entre si;
estados atributo nico (discreto) apresentado por cada clula em um intervalo
de tempo considerado;
vizinhana podem assumir diferentes formatos (cruz ou vizinhana de von
Neumann; janela 3x3 ou vizinhana de Moore; etc.) e seus estados e configuraes
condicionaro a mudana ou a permanncia dos estados atuais das clulas sob sua
influncia;
regras de transio determinam ou no as mudanas de estado das clulas a
cada instante de tempo (passo ou iterao). As regras so uniformes e aplicam-se
indistintamente a toda clula, estado ou vizinhana. importante salientar que toda
mudana de estado local, o que implica dizer, a princpio, que no h ao distncia.
15
de autmatos propriamente ditos em sistemas geogrficos, o que culminou com o seu
famoso artigo Cellular Geography. Nos anos 80, em Santa Barbara, Couclelis
influenciada por Tobler continuou essas especulaes at o final da dcada, quando
ento as aplicaes de autmatos comearam a se consolidar e passaram a ser dotadas
de aprimoramentos conceituais, como as noes de fractais, entropia, criticalidade, etc.
(Batty et al., 1997).
Segundo Batty (2000), h atualmente cerca de pouco mais de vinte aplicaes urbanas
de modelos de autmatos celulares, entre as quais citam-se intra-migrao e segregao
social (Portugali et al., 1997), otimizao locacional de atividades comerciais (Benati,
1997), expanso da malha viria (Batty e Xie, 1997), crescimento urbano (Clarke et al.,
1997) e transies de uso do solo urbano (Phipps e Langlois, 1997; White e Engelen,
1997; White et al., 1998; Almeida et al., in press).
16
nica e simplesmente em funo do que acontece na vizinhana imediata de uma dada
clula. Nesse sentido, inexiste ao distncia, pois a dinmica inerente aos autmatos
e que produz fenmenos emergentes a nvel global inteiramente um produto de
decises locais, as quais desconsideram tudo o que se passa alm da vizinhana
reconhecidamente imediata (Batty, 2000).
Modelos pioneiros, tais como o desenvolvido para Detroit (Tobler, 1979) ou o modelo
comportamental de empreendedores imobilirios para Los Angeles (Couclelis, 1989)
apresentavam um carter integralmente pedaggico, pois embora fossem baseados em
casos reais, destinavam-se meramente a indagaes tericas afeitas s cidades em
estudo. Com o passar do tempo, a crescente atratividade dessas abordagens, de um lado,
e, o enorme interesse por SIG de outro, levaram a uma profuso de modelos de
autmatos voltados a aplicaes prticas em questes urbanas. Em decorrncia disto, o
princpio da observncia vizinhana estritamente local em CA foi inevitavelmente
flexibilizado, e os modelos da decorrentes so melhor denominados como modelos
celulares ou de espao celular, e no mais como modelos de autmatos celulares (Albin,
1975).
17
dados existentes em cada caso. A segunda abordagem, de forma contrria, parametriza
os modelos por meio de procedimentos heursticos, atravs de anlises comparativas
entre diferentes resultados preliminares de simulao. Essa linha foi seguida por Clarke
et al. (1997, 1998) nos seus vrios modelos de crescimento de regies metropolitanas
nos Estados Unidos. Finalmente, a terceira abordagem constitui-se em um dos mais
promissores mtodos de parametrizao, pois totalmente voltada aos dados
disponveis nas aplicaes em estudo, mas se utiliza de procedimentos contemporneos
para ajuste de padres, tais como redes neurais (Wu, 1998; Xia e Yeh, 2000) e
aprendizado evolucionrio ou algoritmos genticos (Papini et al., 1998).
18
exemplo de plo de desenvolvimento regional que materializa os efeitos de booms
urbanizatrios em vista dessa sua condio histrica estratgica.
N N
19
Fig. 2 Rede de gua, Bauru (1979). Fig. 3 Est. Kernel Comrcio, Bauru (1979).
Fig. 4 Densidade Ocup., Bauru (1979). Fig. 5 Distncias a Indstrias, Bauru (1979).
20
V = X x2
T .. M
2
(1)
onde 2
corresponde Estatstica Chi-Quadrado. Para este tipo de estatstica,
necessria uma tabulao cruzada de reas entre as variveis em estudo (mapas A e B,
por exemplo), cuja tabela de resultados denominada de matriz T. Essa matriz possui
elementos Tij, onde h i = 1,2,...,n classes do mapa B (linhas da tabela), e j = 1,2,...,n
classes do mapa A (colunas da tabela). Os totais marginais de T so definidos como Ti.
para a soma da i-sima linha, T.j para a soma da j-sima coluna, e T.. para o grande
somatrio total de linhas e colunas. Se os dois mapas (A e B) so independentes entre si,
sem qualquer tipo de correlao entre eles, ento a rea esperada na categoria de
sobreposio dada pelo produto dos totais marginais dividido pelo grande somatrio
total. Portanto, a rea esperada Tij* para a i-sima linha e j-sima coluna :
Ti , j * = Ti . Tj
(2)
T T..
XX n m
(T - T *)
2 2
X = i, j i, j
(3)
i=1 j =1
T i, j *
21
O ndice de Cramer, por se basear em medidas absolutas de rea, considerado no
robusto, e portanto, passvel de envis. Outros ndices, denominados Medidas de
Entropia ou Estatsticas de Informao, baseiam-se igualmente nas informaes
fornecidas pela matriz de tabulao cruzada de reas (T), porm estritamente nos seus
valores percentuais. Como propores de reas so adimensionais, as Medidas de
Entropia possuem vantagem sobre a Estatstica Chi-Quadrado, pelo fato de no serem
afetadas por unidades de medidas.
H(A) = p - ln p
j =1
j j (4)
XX n
(5)
H(B) = p - ln p
i=1
i i
H(A,B) = - p . ln p
i =1 j =1
i,j i, j
(6)
Por fim, chega-se a uma medida de correlao entre os mapas, definida como Incerteza
Conjunta de Informao ou Joint Information Uncertainty U (A,B), cuja frmula a
seguinte:
XX
U(A,B) = 2 H(A) + H(B) - H(A,B)
(7)
H(A) + H(B)
22
e que varia entre 0 e 1. Quando os dois mapas forem completamente independentes
entre si, ento H(A,B)=H(A)+H(B), e U(A,B) ser igual a 0. Do contrrio, isto , no caso
em que os dois mapas forem completamente dependentes um do outro,
H(A)=H(B)=H(A,B)=1, e U(A,B) ser tambm igual a 1.
que mede a esperana do produto dos desvios de cada varivel de dois conjuntos
numricos (A e B), em relao s suas respectivas mdias. O coeficiente de correlao
(A,B) corresponde a uma normalizao da covarincia em uma escala absoluta de [-
1,+1], indicando a similaridade entre dois conjuntos de dados numricos onde valores
prximos ou iguais a 1 indicam correlao negativa, e valores prximos ou iguais a +1,
correlao positiva. Este coeficiente calculado atravs da diviso do valor de
covarincia pela raiz quadrada do produto dos desvios padres dos conjuntos de dados.
Uma relao completa dos mapas de variveis adotados para o experimento, com seus
respectivos cdigos, so apresentados na Tabela 1. Os valores do ndice de Cramer (V),
do Joint Information Uncertainty (JIU) e do ndice de Correlao (), obtidos para
todas as combinaes de pares de mapas selecionados para explicar um mesmo tipo de
transio, encontram-se na Tabela 2.
23
TABELA 1 RELAO DE CDIGOS E SIGNIFICADOS DAS VARIVEIS
CDIGO SIGNIFICADO
24
TABELA 2 ASSOCIAO ESPACIAL ENTRE VARIVEIS
25
Fig. 6 Figura exemplificativa da sobreposio de distintos mapas de variveis,
existentes na cidade de Bauru em 1979, ao mapa de limites de uso do solo final
(1988), visando de forma emprica seleo de variveis para a transio
uso residencial zona mista. Os fatiamentos de distncias referem-se s
principais vias de acesso planejadas; os blocos em lils, presena de
conjuntos habitacionais; e os polgonos em vermelho, s reas com
densidade de ocupao mdia-alta (25% a 40%).
26
Para o clculo das taxas ou percentuais globais de transio do uso (Tabela 4), foi
realizada a tabulao cruzada entre os mapas de uso do solo inicial e final (Figura 7).
Esses mapas de uso submeteram-se a procedimentos preliminares de generalizao, de
forma a torn-los operveis do ponto de vista da modelagem computacional e, ao
mesmo tempo, condizentes com a realidade qual se reportam. Os procedimentos foram
os seguintes:
27
Fig. 7 Mapas de uso do solo urbano de Bauru em 1979 ( esquerda) e em 1988 (
direita). O amarelo representa o uso residencial; o laranja, comercial; o lils,
industrial; o azul, institucional; o vermelho, servios; o marrom, zona mista;
o verde, lazer/recreao; e o branco, uso no-urbano.
28
destina a descrever um certo tipo de processo, que se move em uma seqncia de
passos, atravs de um conjunto de estados, e cuja frmula dada abaixo:
(t +1) = Pk . (t ) (10)
Uma das desvantagens do modelo, dada a natureza estocstica do mesmo, a de que ele
mascara as variveis explicativas, no se prestando ao entendimento das causas e
forantes dos processos de transio do uso do solo (JRC e ESA, 1994). A principal
vantagem da cadeia de Markov reside na sua simplicidade matemtica e operacional.
Ademais, em termos de predio, os modelos Markovianos tm o potencial de fornecer
projees convenientes de mudanas de uso da terra com requisies mnimas de dados,
o que especialmente til quando estes forem indisponveis, insuficientes ou no
confiveis para se proceder a uma modelagem determinstica mais apurada. A vantagem
particular das cadeias Markovianas de primeira ordem consiste no fato de que,
conhecendo-se a matriz de transio, no h a necessidade de obteno de dados
antigos de uso da terra; apenas a informao atual requerida (JRC e ESA, 1994).
Cabe aqui mencionar, que modelos Markovianos podem ser modelados para acomodar
efeitos de alta ordem, como a influncia de variveis endgenas e exgenas. A
contribuio dessas variveis para as transies, estacionrias ou no, podem ser
modeladas usando a seguinte abordagem, na qual a Equao n 3.4 passa a ser
modificada para:
29
onde P uma matriz com elementos Pi,j, sendo Pi,j = b1X1 + b2X2 + ... + bnXn e b1...bn,
os parmetros que relacionam Pi,j com as variveis X1, X2...Xn. Por este raciocnio, X1,
X2...Xn podem representar variveis endgenas ou exgenas (Baker, 1989).
1 /n -1
MT a n u a l = H . V . H (12)
30
4.3 CLCULO DAS PROBABILIDADES DE TRANSIO DAS CLULAS
O clculo das probabilidades de transio de uso do solo das clulas utilizou-se tanto do
mtodo pesos de evidncias como do mtodo de regresso logstica. O primeiro,
conforme j anteriormente exposto, inteiramente baseado no Teorema de Bayes, que
trata da probabilidade condicional, isto , a probabilidade de um evento ocorrer, dado
que outro evento, independente do primeiro, j ocorreu.
Para melhor entender a construo desse mtodo, pode-se tomar o exemplo no prprio
mbito de dinmicas urbanas, relativo favorabilidade para se encontrar a transio de
uso no-urbano para uso residencial (R) em face da ocorrncia prvia de um padro
binrio (A), que pode se referir, por exemplo, rea atendida por rede de gua .
31
Como P {A R} o mesmo que P {R A}, tem-se:
As equaes acima apresentadas podem ser expressas sob a forma de odds. Odds so
definidos como a razo da probabilidade que um evento ir ocorrer pela probabilidade
de que ele no ir ocorrer. Os mtodos de pesos de evidncias usam os logaritmos
naturais dos odds, conhecidos por log odds ou logits. Para se clarificar essa abordagem,
a Equao n 3 ser exemplificativamente convertida para odds. Para tanto, basta
dividir-se os dois lados da equao por P {R A}:
32
O {R/A} = O{R} . P {A/R} (20)
P {A/R}
-
logit {R/A} = logit {R}+ W (21)
onde o loge LN denominado peso negativo de evidncia W-. Convm mencionar que
LS e LN so tambm denominadas razes de probabilidade. Quando h correlao
positiva entre a classe de uso e o padro, LS maior do que 1, ao passo que LN situa-se
no intervalo [0,1]. Se o padro apresentar correlao negativa com a classe de uso, LN
ser maior do que 1, e LS se encontrar no intervalo [0,1]. Caso o padro seja totalmente
descorrelacionado com a classe de uso, ento LS=LN=1, e a probabilidade condicional
(a posteriori) de ocorrncia da classe de uso se igualar probabilidade a priori, isto , a
presena ou a ausncia do padro no afetaro a probabilidade de ocorrncia dessa
classe.
Da mesma forma, W+ ser positivo e W-, negativo, quando houver correlao positiva, e
vice-versa. Quando a classe de uso e o padro forem descorrelacionados, W+=W-=0, e
as probabilidades a posteriori e a priori de ocorrncia da classe de uso se igualam.
33
n
O {R / M 1 %M %M %... %M } = O {R} .
2 3 n LS i (22)
i =1
Para o clculo das probabilidades de transio das clulas do ponto de vista operacional,
foram elaborados, a princpio, mapas de mudanas para cada tipo de transio possvel
do uso do solo de Bauru (nu_res; nu_ind; nu_serv; res_serv; res_mist), os quais sero
mostrados frente. No IDRISI, isto foi realizado a partir de um mapa preliminar de
tabulao cruzada (Figura 8) entre os mapas de uso do solo de 1979 e 1988 (ver Figura
7), exportados do SPRING como arquivos com extenso TIFF.
Fig. 8 Mapa de tabulao cruzada entre os mapas de uso do solo de Bauru (1979-88).
A partir do recurso edit do IDRISI aplicado sobre o mapa de tabulao cruzada, foram
ento gerados os mapas de mudanas para cada tipo de transio possvel do uso do
solo, pois o edit pressupe uma operao de mapeamento, com a reconverso dos
valores das classes, que correspondem a nmeros inteiros. Exemplos de tabelas de
mapeamento do comando edit so apresentadas abaixo (Figuras 9 e 10).
34
Fig. 9 Tabela edit (nu_res). Fig. 10 Tabela edit (res_serv).
A Figura 11 apresenta um exemplo dos cinco possveis mapas de mudanas, para o caso
da transio: no-urbano residencial (cdigo nu_res).
35
A partir de ento, cada um dos mapas de mudanas (nu_res; nu_ind; nu_serv; res_serv;
res_mist) foram submetidos a tabulaes cruzadas parciais com diferentes mapas de
variveis ou padres. Essas tabulaes cruzadas parciais ignoram a classe de valor zero
dos mapas de mudanas, sendo executadas pelo comando ermatt do IDRISI. Um
exemplo de resultado dessas tabulaes parciais mostrado abaixo (Figura 12).
36
m
+
W i, j (x,y)
i= 1
P x , y (R/V 1 ...V n ) = e m (24)
+
k W i, j (x,y)
i= 1
1+ e
j =1
De Uso 1 2 3 4 5 6 7
1
com_kern 3,749 2,106 1,864 0,491 -0,323 0 -
pol_res3 1,968 1,615 1,392 0,892 -0,626 -0,469 -
NU_RES clas_inst4 0,003 0,600 1,254 0,727 -0,359 -0,089 -
vias_exist5 0,231 0,320 0,353 0,510 0,443 0,196 -0,085
vias_perf6 2,377 2,269 2,068 1,984 1,444 0,857 -0,127
NU_IND dist_ind2 3,862 4,016 3,792 3,452 1,763 0 0
eixo_simp5 2,722 2,799 2,676 2,625 2,525 1,727 -3,832
com_kern1 3,412 4,469 2,912 0,878 0 0 -
NU_SERV dist_res3 2,144 1,523 0,621 -0,065 0 0 -
eixo_simp5 3,508 3,321 2,917 1,869 0,450 0 0
RES_SERV agua Presente: -0,6611 Ausente: 0,2883
eixo_simp5 2,780 1,948 1,461 0,888 -0,297 -1,412 -3,284
dens_mda Presente: 0,6452 Ausente: -0,0635
RES_MIST conj_hab Presente: 2,4678 Ausente: -0,3214
5
vias_plan 3,506 1,863 0 0 0 0 0
vias_perf6 1,775 1,652 1,848 0,903 0 0 0
37
Em posse dos valores de probabilidade calculados de acordo com a Equao n 24, o
DINAMICA confecciona mapas de probabilidade espacial de transio das clulas
(Figuras 13 a 17) para cada categoria de transio do uso do solo, os quais so vistos no
ERMAPPER, programa de visualizao conjugado ao DINAMICA.
38
Fig. 15 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio no-urbano residencial (nu_res), direita.
39
4.3.2 MTODO DE REGRESSO LOGSTICA
Funo Logstica
DC(Y) DC(Y)
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
10 20 30 40 50 60 70 10 20 30 40 50 60 70
O grfico esquerda representa uma simples plotagem da incidncia (1) ou ausncia (0)
de doena coronria em indivduos de diferentes idades pertencentes a um determinado
grupo amostral. O grfico direita, por sua vez, plota apenas a mdia da freqncia de
ocorrncia da doena por grupos de faixas etrias (divididos de dez em dez anos),
representados pelas suas respectivas mdias. O resultado do ajuste desses pontos
corresponde a uma curva logstica, com tendncias mais constantes ou estacionrias nos
seus extremos, e um comportamento intermedirio marcadamente linear.
40
O mtodo de regresso logstica tambm comporta diferentes nveis para a varivel de
sada, caso em que se denomina regresso politmica. Assim, a varivel de sada ou
dependente pode assumir n valores (n N), isto , Y = 0, 1, 2, ..., n.
A regresso logstica considerada um mtodo robusto, justamente por operar com base
em regresses lineares. Dessa forma, a regresso logstica binria (Y=0 ou Y=1)
consiste na extrao do logaritmo natural ou neperiano da chance ou odds em relao
aos dois nveis da varivel de sada. A chance ou odds diz respeito razo entre a
probabilidade de ocorrncia de um evento e a probabilidade complementar, isto , a
probabilidade de no ocorrncia do evento. No caso da regresso binria, a chance seria
a razo P(1)/P(0). O logaritmo da chance corresponde uma equao de regresso
linear uni ou multivariada convencional, a qual transposta para a equao da funo
logstica, conforme indicado abaixo, para o caso exemplar de regresso multivariada:
L
P i ,j (x,y) = e (26)
L
1+e
onde i e j representam estados ou tipos de uso do solo das clulas; x,y indicam uma
determinada clula em funo de suas coordenadas de localizao; e V expressa as k
variveis independentes selecionadas para explicar a transio do estado i para o estado
j.
41
regresso em ser comparado com cada um dos nveis restantes da varivel dependente.
Na seqncia, so apresentadas as formulaes para o clculo de probabilidade para um
mtodo de regresso logstica politmica, onde a varivel dependente assume trs nveis
(0, 1 e 2), sendo o 0 eleito como nvel de referncia. As Equaes 27 e 28 correspondem
ao logaritmo das chances, e as Equaes 29, 30 e 31 apresentam o clculo de
probabilidade propriamente dito.
P (Y=0/X 1 - p ) = 1 (29)
g 1 ( x) g 2 ( x)
1+e +e
g 1 ( x)
P (Y=1/X 1 - p ) = e (30)
g 1 ( x) g 2 ( x)
1+e +e
g 2 ( x)
P (Y=2/X 1 - p ) = e (31)
g 1 ( x) g 2 ( x)
1+e +e
A mdia da equao de regresso logstica deve estar situada entre 0 e 1, para o caso de
regresso binria, e entre 0 e n, para o caso de regresso logstica politmica com n
nveis para a varivel de sada. Os erros seguem uma distribuio binomial, que
corresponde a uma somatria de distribuies Bernoulli, as quais modelam a ocorrncia
42
de sucesso (1) ou fracasso (0). De forma geral, os princpios que guiam a regresso
linear tambm se aplicam logstica.
nl
l () = { (x )
i
yi
[1 - (xi )]
1 -yi
}, (xi ) = e
0 + 1X1 + ... + pX p
(32)
i=1
0 + 1X1 + ... + pX p
1+e
nl
43
permanncias constituiriam o nvel 0, e as demais transies assumiriam valores
naturais de 1 a n, referentes s n transies existentes.
Uma terceira e ltima soluo consiste na utilizao de modelos binrios para cada uma
das transies identificadas na cidade durante o perodo de estudo. Assim, para cada
categoria de mudana de uso, assinalado valor 0 para a respectiva permanncia, e
valor 1, para a transio considerada. Para o experimento de Bauru, a modelagem
binria foi empregada, uma vez que, neste caso, apenas as variveis independentes
selecionadas para explicar a transio em anlise efetivamente integram o modelo,
afastando-se a possibilidade de insero de rudo no modelo pelo aporte de variveis
destinadas explicao de outras categorias de transio. Ademais, a modelagem
binria condizente com a lgica algortmica do programa de simulao de dinmicas
de uso do solo DINAMICA desenvolvido pelo Centro de Sensoriamento Remoto da
Universidade Federal de Minas Gerais (CSR-UFMG), adotado neste experimento, no
qual os parmetros de calibrao so individualmente definidos para cada transio de
uso do solo.
44
Os mapas de distncias, que representam variveis independentes contnuas, aps
fatiamento no SPRING foram tratados como variveis categricas (discretas). Isto
porque praticamente todos eles apresentaram um comportamento no-linear e/ou
multimodal em relao s respectivas transies de uso do solo as quais procuram
explicar. O manuseio desta informao como varivel contnua implicaria uma grande
heterogeneidade dos dados , o que consequentemente traria rudos para as simulaes,
prejudicando a calibrao do modelo.
Fig. 18 Etapas de converso dos dados de grades numricas regulares para bancos de
de dados estatsticos no programa MINITAB.
45
Para a estimativa dos coeficientes de regresso, adotou-se o mtodo backward
stepwise, onde o modelo inicial inclui todas as variveis, excluindo a varivel menos
significante a cada passo. A definio da significncia baseou-se no teste chi-quadrado
de Wald, o qual obtido pela comparao do coeficiente estimado e seu erro padro
estimado, bem como no teste da estatstica G, onde se avalia o modelo com a varivel
inclusa em relao ao modelo sem essa mesma varivel. As frmulas para o teste de
Wald e estatstica G encontram-se expressas nas Equaes 35 e 36.
W= i (35)
(SE) i
G = - 2 {L ( i ) - [ n 1 ln (n 1 ) + n o ln (n o ) - n ln (n)] } (36)
onde n1 = yi , n0 = 1 - yi e n = n1 + n0 .
46
TABELA 6 - RESULTADOS DAS ANLISES DE REGRESSO LOGSTICA
PARA BAURU, 1979-1988
VARIVEIS Transio NU_RES Transio NU_IND Transio NU_SERV Transio RES_SERV Transio RES_MIX
k P k P k P k P k P
constante(0) 7.646900 0.000 5.274530 0.000 4.865300 0.000 -1.551900 0.000 3.901200 0.000
agua # # # # # # 1.708810 0.000 # #
dens_mda # # # # # # # # 0.383300 0.232
conj_hab # # # # # # # # -1.068800 0.000
com_kern -0.924990 0.000 # # -1.461660 0.000 # # # #
dist_ind # # -1.048320 0.000 # # # # # #
dist_res # # # # 0.027680 0.442 # # # #
pol_res -0.392090 0.000 # # # # # # # #
clas_inst -0.405525 0.000 # # # # # # # #
vias_exist 0.051476 0.000 # # # # # # # #
eixo_simp # # -0.741110 0.000 -0.974470 0.000 -0.929550 0.000 # #
vias_plan # # # # # # # # -1.865200 0.000
vias_perf -0.309469 0.000 # # # # # # -0.521040 0.000
e
0+ 1X1 + ... + pXp
1+
i =1
sendo p o total de variveis independentes selecionadas para explicar cada uma das t
transies de uso do solo. A relativizao do clculo de uma determinada probabilidade
de transio pela insero das demais probabilidades no denominador foi mantida como
uma estratgia algbrica para se estabelecer valores de probabilidades mais criteriosos, e
tambm, como forma de se criar artifcios para o desempate dos valores de
probabilidade entre as clulas.
47
Fig. 19 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio no-urbano industrial (nu_ind), direita.
48
Fig. 22 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio residencial servios (res_serv), direita.
49
Fig. 24 Exemplo de abordagem emprica de anlise visual para calibrao do modelo.
agua
dens_mda
conj_hab
com_kern
dist_ind
dist_res
pol_res
clas_inst
vias_exist
eixo_simp
vias_plan
vias_perf
50
Relao entre Padro e Varivel Resposta Relao entre Padro e Varivel Resposta
0,400
1,000
Pesos de Evidncias
0,300
0,500
Evidncias(W+)
0,200
Pesos de
0,000
(W+)
0,100
Relao entre Padro e Varivel Resposta Relao entre Padro e Varivel Resposta
5,000
Pesos de Evidncias
(W+)
2,000 0,200
1,000
0,000
0,000 0 500 1000 1500 2000 2500
0 1000 2000 3000 4000 -0,200
51
No caso da transio de reas no-urbanas para uso industrial (nu_ind), h dois grandes
determinantes: a proximidade ao uso industrial previamente existente e a facilidade de
acesso rodovirio. Isto se explica pelo fato de que no processo de produo industrial, o
produto final de certas indstrias se constitui no insumo para outras, gerando a
necessidade de racionalizao e otimizao dos custos pela proximidade entre indstrias
relacionadas em uma mesma cadeia produtiva. Ademais, terrenos nas proximidades de
reas industriais tendem a se desvalorizar para outros usos, tornando-se competitivos
para o uso industrial.
Em relao s mudanas de uso no-urbano para servios (nu_serv), trs grandes fatores
so preponderantes: a proximidade a concentraes de estabelecimentos comerciais
(ncleos comerciais), a proximidade a classe de uso residencial, e por fim, a localizao
estratgica em relao ao eixo N-S / E-O de servios de Bauru. Neste caso, o primeiro
fator representa o mercado fornecedor (e em alguns casos, tambm consumidor), o
segundo, o mercado consumidor por excelncia, e o terceiro, a facilidade de acesso para
ambos os mercados afeitos ao uso de servios.
Por fim, a ltima categoria de transio diz respeito mudana de uso residencial para
zona mista (res_mist). As zonas mistas, que atuam praticamente como subcentros
urbanos, se constituem em uma espcie de maturao de ncleos comerciais, os quais
passam a atrair tambm servios e alguns equipamentos institucionais. Novas zonas
52
mistas surgem, portanto, em reas mais perifricas, onde ocorre um maior adensamento
ocupacional. Assim sendo, os fatores determinantes desta ltima categoria de transio
so:
53
- elevao de sua probabilidade proporcionalmente ao n de vizinhos da classe
j em uma janela 3 x 3, isto :
54
TABELA 8 PARMETROS FINAIS DO SCRIPT DO DINAMICA
RES_MIST 35 2 0 1,00 5
55
Simulao 1 S1
Simulao 3 S3
56
Simulao 1 S1
Simulao 3 S3
57
4.5 TESTES ESTATSTICOS DE VALIDAO DO MODELO
Esta janela deslocada atravs da imagem, e o ajuste mdio de uma janela de tamanho
particular calculado. Portanto, este tamanho representa o ajuste da predio para
aquela resoluo.
tw p
1- a i1 - a i 2
s= 1 i =1 2
Fw = 2w (39)
tw
Para duas cenas idnticas, um grfico de Fw contra w fornecer uma linha reta. Mas, se
as cenas tiverem a mesma proporo de elementos de paisagem, todavia com padres
espaciais diferentes, a linha aumentar gradualmente at que Fw atinja o valor 1, quando
a janela tornar-se- igual ao tamanho da cena avaliada. No entanto, se existe um relativo
ajuste dos padres, esta curva aumentar rapidamente de modo assinttico.
58
n
Fw e
- k ( w - 1)
w=1
Ft = n
(40)
e
- k ( w - 1)
w=1
Os resultados para cada uma das simulaes, geradas tanto pelo mtodo pesos de
evidncias como pelo mtodo de regresso logstica, referentes a janelas de tamanho 3 x
3, 5 x 5 e 9 x 9, so apresentados a seguir (Tabela 9).
S1 F = 0,902937 F = 0,905172
S2 F = 0,896092 F = 0,907539
S3 F = 0,901134 F = 0,907868
5. CONCLUSES
59
Os prognsticos de expanso urbana fornecidos por modelagens espao-temporais
tambm se prestam a auxiliar gestores locais, como subprefeitos, administradores
regionais, secretrios municipais, etc., a estabelecer metas para investimentos em infra-
estrutura e equipamentos sociais, a exemplo de escolas, creches, postos de sade e
outros. Tomadores de deciso da esfera particular podem igualmente se beneficiar
desses dados de modelagem, uma vez que empresas de transporte, telefonia celular, TV
a cabo e outras, tero subsdios para definir prioridades sobre onde e com que
intensidade investir.
Por fim, vlido reiterar que modelagem dinmica constitui-se em um desafio eminente
para a prxima gerao de SIG. De acordo com Burrough (1998), mtodos para a
modelagem de sistemas abertos ou de autmatos celulares, os quais vm de encontro a
inmeras requisies de eclogos para modelar processos dinmicos de maneira rpida
e eficiente, so raramente implementados em SIG. Como conseqncia, ... os SIG
permanecem ainda com enfoque restrito ... e privados de recursos de simulao e
modelagem to relevantes no mundo moderno... (Openshaw, 2000). Todos esses
argumentos encontram respaldo no trabalho de Cmara et al. (2002), para quem os
atuais paradigmas de representao do conhecimento so essencialmente estticos, sem
modelar adequadamente a dimenso temporal e os relacionamentos dinmicos e
dependentes de contexto entre os objetos
60
fato de que a representao espacial crtica soluo de problemas ambientais, porm
os SIG carecem de recursos preditivos e analticos para lidar com problemas complexos.
Segundo, ferramentas de modelagem no dispem de componentes analticos espaciais
suficientemente flexveis como aqueles encontrados em SIG, e so freqentemente
inacessveis ao pblico no-especialista. Terceiro, modelagem e SIG podem ambos
adquirir maior robusteza atravs de mtua cooperao e co-evoluo.
61
REFERNCIAS
Almeida, C. M.; Batty, M.; Monteiro, A. M. V.; Cmara, G.; Soares-Filho, B. S.;
Cerqueira, G. C.; Pennachin, C. L. Stochastic Cellular Automata Modelling of
Urban Land Use Dynamics: Empirical Development and Estimation. Computers,
Environment and Urban Systems, 2003. No prelo.
------- GeoComputation using cellular automata. In: Openshaw, S.; Abrahart, R. J. ed.
Geocomputation. New York: Taylor&Francis, 2000. Cap. 5, p. 95-126.
Batty, M.; Longley, P. A. The fractal simulation of urban structure. Environment and
Planning A, v.18, p.1143-1179, 1986.
Batty, M.; Longley, P. A. ed. Fractal Cities. London: Academic Press, 1996. 394p.
Batty, M.; Couclelis, H.; Eichen, M. Urban systems as cellular automata (Editorial).
Environment and Planning B, v.24, n.2, p.159-164, March 1997.
Batty, M.; Xie, Y. Possible urban automata. Environment and Planning B, v.24, n.2,
p.175-192, March 1997.
62
Bell, E. J.; Hinoja, R. C. Markov analysis of land use change: continuous time and
stationary processes. Socio-Economic Planning Science, v.11, p.13-17, 1977.
Bivand, R.; Lucas, A. Integrating Models and Geographical Information Systems. In:
Openshaw, S.; Abrahart, R. J. ed. Geocomputation. London: Taylor &
Francis, 2000. Cap. 14, p. 331-364.
63
Constanza, R. Model goodness of fit: a multiple resolution procedure. Ecological
Modelling, v.47, p.199-215, Sept. 1989.
JRC (Joint Research Centre European Commission / Institute for Remote Sensing
Applications), ESA (European Space Agency / ESRIN Earthnet Programme
Office). Modelling Deforestation Processes A Review. Trees Series B: Research
Report n 1. Luxembourg: ECSC-EC-EAEC, 1994.
Papini, L.; Rabino, G. A.; Colonna, A.; Di Stefano, V.; Lombardo, S. Learning Cellular
Automata in a Real World: The Case Study of the Rome Metropolitan Area. In:
Bandini, S.; Serra, R.; Liverani, F. S. ed. Cellular Automata: Research Towards
Industry: ACRI96: Proceedings of the Third Conference on Cellular
Automata for Research and Industry. Springer-Verlag: London, 1998. P. 165-
183.
64
Parks, B. O. The Need for Integration. In: Goodchild, M. J.; Parks, B. O.; Steyaert, L. T.
ed. Environmental Modelling with GIS. Oxford: Oxford University Press, 1993.
P. 31-34.
Phipps, M.; Langlois, A. Spatial dynamics, cellular automata, and parallel processing
computers. Environment and Planning B, v.24, n.2, p.193-204, March 1997.
Portugali, J.; Benenson I.; Omer, I. Spatial cognitive dissonance and sociospatial
emergence in a self-organizing city. Environment and Planning B, v.24, n.2,
p.263-286, March 1997.
Schock, S. ed. Projecting Land Use Change: A Summary of Models for Assessing
the Effects of Growth and Change on Land Use Patterns, EPA/600/R-00/098,
National Exposure Research Laboratory, Office of Research and Development, US
Environmental Protection Agency, Washington DC, 2000.
White, R. W.; Engelen, G. Cellular Automata and Fractal Urban Form: A Cellular
Modelling Approach to the Evolution of Urban Land Use Patterns. Environment
and Planning A, v.25, p.1175-1199, 1993.
White R. W.; Engelen, G. Cellular automata as the basis of integrated dynamic regional
modelling. Environment and Planning B, v.24, n.2, p.235-246, March 1997.
65
White, R. W.; Engelen, G.; Uljee I. Vulnerability Assessment of Low-Lying Coastal
Areas and Small Islands to Climate Change and Sea Level Rise Phase 2:
Case Study St. Lucia. Report to the United Nations Environment Programme,
Caribbean Regional Co-ordinating Unit, Kingston, Jamaica: RIKS Publication,
1998.
Wu, F. Simland: A Prototype to Simulate Land Conversion through the Integrated GIS
and CA with AHP-Derived Transition Rules. International Journal of
Geographic Information Science, v.12, p.63-82, 1998.
66