Anda di halaman 1dari 56

Modelos de Dinmica Urbana:

Conceitos, Derivao de Relaes, Calibrao,


Exemplos

Cludia Maria de Almeida1, Antonio Miguel Vieira Monteiro1,


Gilberto Cmara1

Mdulo 6 do Curso 2: Modelagem Ambiental e Modelos Dinmicos de Uso e


Cobertura do Solo, oferecido no XI Simpsio Brasileiro de Sensoriamento Remoto,
Centro de Convenes do Mercure Hotel, Belo Horizonte MG, 06 de abril de 2003.

__________________________________________________________________

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

{almeida@ltid.inpe.br, miguel@dpi.inpe.br, gilberto@dpi.inpe.br}


MODELOS DE DINMICA URBANA:
CONCEITOS, DERIVAO DE RELAES, CALIBRAO, EXEMPLOS

1. INTRODUO

Esforos no sentido de uma compreenso mais profunda sobre fenmenos naturais de


dimenses espao-temporais, com fins a represent-los sob a forma de modelos
espaciais dinmicos, constituem-se em uma das mais instigantes, seno mais frteis, e
promissoras agendas de pesquisa no atual estado da arte de Geotecnologias.

Tradicionalmente, o corrente estgio tecnolgico de Geoprocessamento ainda enfatiza a


representao de fenmenos espaciais no computador de forma esttica. Isto se deve ao
fato de que a principal abstrao utilizada em Sistemas de Informao Geogrfica (SIG)
o mapa. No entanto, um significativo conjunto de fenmenos espaciais, tais como
escoamento de gua da chuva, planejamento urbano e disperso de sementes, entre
outros, so inerentemente dinmicos, e as representaes estticas utilizadas em SIG
no os capturam de forma adequada. Deste modo, um dos grandes desafios da Cincia
da Geoinformao o desenvolvimento de tcnicas e abstraes que sejam capazes de
representar adequadamente fenmenos dinmicos (Cmara et al., 2002).

A princpio, necessrio que se faam alguns esclarecimentos quanto a terminologias


no mbito de modelagem propriamente dita. Um modelo pode ser entendido como a
representao de um sistema, a qual pode se dar atravs de vrias linguagens:
matemtica, lgica, fsica, analgica, icnica, grfica, etc., e segundo uma ou mais
teorias (Novaes, 1981). Um sistema um conjunto de partes ou subsistemas
interconectados, apresentando interdependncia entre os componentes e seus atributos
(Chadwick, 1973). Por sua vez, a teoria pode ser definida como sendo um conjunto de
idias, postulados, relaes causais, etc., que formam um todo coerente, desenvolvido
com o intuito de explicar um grupo de fatos ou fenmenos, estabelecendo leis
fundamentais, relaes sistemticas e princpios gerais (Novaes, 1981).

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.

Em termos de funo, podem-se elencar as seguintes tipologias de modelos (Novaes,


1981):

- modelo descritivo: o seu objetivo to-somente entender a estrutura do


sistema;
- modelo explorativo: um modelo descritivo que envolve a anlise
paramtrica de diversos estados, atravs da variao dos elementos do
sistema e de suas relaes, sem que haja atuao externa sobre ele;
- modelo preditivo: um modelo explorativo que envolve a varivel tempo,
incluindo a projeo de alguns elementos bsicos (no caso especfico de
modelagem urbana, esses elementos podem ser populao, renda, relao
veculos/pessoa, etc.);
- modelo operacional: um modelo que dispe de relaes sobre as quais o
operador possa introduzir fatores exgenos atuantes, de forma a modificar o
comportamento do sistema.

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).

No caso particular dos modelos de simulao de dinmicas urbanas, cujas


funcionalidades reportam-se sobretudo quelas dos modelos preditivo e operacional, o
objetivo o de oferecer meios explcitos de explorao e visualizao das
conseqncias de estratgias alternativas para o desenvolvimento do ambiente urbano.

2. BREVE HISTRICO SOBRE MODELOS URBANOS

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.

Desenvolvimentos pioneiros em modelagem urbana aparecem nos Estados Unidos no


final dos anos 50 sob a forma de modelos de planejamento de transportes, onde o
aumento de congestionamentos devido crescente propriedade de veculos
automobilsticos nas dcadas de 40 e 50, o aparecimento de computadores e o
surgimento do que se convencionou denominar Revoluo Quantitativa nas Cincias
Sociais (Sociologia, Geografia, Economia, Cincias Polticas, Planejamento Urbano)
haviam reunido as premissas necessrias para experimentaes nesse mbito de
pesquisa (Batty, 1976).

A essa primeira linhagem, por assim dizer, de modelos genuinamente quantitativos e


compartimentalizados (especializados em temticas de planejamento de transportes,
mercado imobilirio habitacional, etc.), seguiu-se uma gerao de abordagens mais
integradoras em modelagem (1970-1986), as quais, diferentemente da setorializao
empreendida pela gerao anterior, concebiam o crescimento urbano como um todo,
isto , considerando simultaneamente os aspectos de uso do solo, planejamento de
transportes, loteamentos habitacionais, mercado de trabalho, dentre outros.

Em que pese as iniciativas das mesmas em integralizar diferentes dimenses do


crescimento urbano e de refinamento do seu instrumental matemtico, avanos na
representao espacial ocorreriam somente no final dos anos 80, quando modelos
ancorados no conceito de autmatos celulares (os quais concebem o espao como uma
grade de clulas com relaes de vizinhana contgua) passaram a ser extensivamente
aplicados para estudos de dinmicas urbanas.

Os autmatos celulares, ou cellular automata (CA) como so conhecidos no meio


cientfico internacional, so compostos por quatro elementos bsicos (Batty et al.,
1997):

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.

Modelos de autmatos celulares tornaram-se popular em inmeros ramos do


conhecimento cientfico, encontrando aplicabilidade em reas como Ecologia, Biologia,
Epidemiologia, Termodinmica, Hidrologia, Meteorologia, dentre outras. Isto se explica
em grande parte pelo fato de que essas abstraes so de fcil manuseio computacional
e apreenso lgica, capazes de gerar dinmicas que replicam processos tradicionais de
mudanas por difuso, mas que ao mesmo tempo, contm complexidade suficiente para
simular padres inusitados e surpreendentes como aqueles encontrados em fenmenos
emergentes.

Pode-se afirmar que modelos baseados em CA tm a sua origem na Geografia


Quantitativa, devido em grande parte ao trabalho de Waldo Tobler que, durante os anos
70, atuava na Universidade de Michigan, onde Arthur Burks e o seu Grupo de Lgica da
Computao procuravam aplicar as teorias sobre auto-reprodutibilidade das mquinas,
propostas durante as dcadas de 20 e 30 por precursores da computao digital, Alan
Turing e John von Neumann, sendo este ltimo ex-professor e colega de Burks. O
prprio Tobler props modelos de espao celular para o desenvolvimento da cidade de
Detroit, mas em 1979 ele comeou a efetivamente explorar a aplicabilidade de modelos

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).

A dcada de 90 presenciou sucessivos refinamentos nos modelos urbanos de autmatos


celulares, que passaram a incorporar dimenses ambientais, scio-econmicas e
polticas, e conseguiram enfim articular nveis analticos de micro e macro-escala
(Phipps e Langlois, 1997; White e Engelen, 1997; White et al., 1998).

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).

3. PRINCIPAIS LINHAS DE MODELAGEM DINMICA EM ESTUDOS


URBANSTICOS

Muito embora as propostas iniciais para a utilizao de autmatos celulares em


modelagem urbana tenham enfatizado o seu uso pedaggico para a demonstrao de
como padres globais emergem de aes locais, um nmero crescente de modelos tm
sido desenvolvidos visando a outros tipos de experimentaes, tais como parmetros
fractais, teoria do caos, auto-organizao, etc. (White, 1985; Batty e Longley, 1986 e
1994; White e Engelen, 1993; Portugali et al., 1997) e a investigaes de carter
prtico.

Fundamentalmente, modelos de CA simulam processos de mudana ou crescimento


baseados na premissa de vizinhanas estritamente locais, onde as transies ocorrem

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).

Desde o comeo da dcada de 90, produziram-se mais de vinte aplicaes prticas


significativas de modelos celulares em estudos urbanos, sendo que em todos os casos, as
vizinhanas locais foram generalizadas para regies ou macro-regies, e a problemtica
do ajuste entre o processo de desenvolvimento urbano implcito por estes modelos e os
dados disponveis para aliment-los tem sido pouco explorada (Schock, 2000).

Especificamente em termos de modelos celulares voltados simulao de mudanas de


uso do solo urbano, h atualmente inmeras variaes no que tange ao ajuste entre seus
mecanismos de simulao e os dados de entrada, podendo-se identificar trs abordagens
distintas. A primeira delas diz respeito aos modelos mais tradicionais, tais como aqueles
desenvolvidos por White e Engelen (1993, 1997, 1998) para Cincinnati e outras cidades
americanas, bem como para a ilha caribenha de Santa Lcia, onde os parmetros de
modelagem so dimensionados a partir de equaes determinsticas envolvendo os

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).

No item a seguir, ser apresentado um estudo de caso prtico em modelagem de


transio do uso do solo urbano para a cidade de Bauru, localizada no oeste do Estado
de So Paulo. Seu tecido urbano foi convertido em uma grade com resoluo de 100 x
100 (m), e probabilidades de transio do uso do solo foram calculadas para cada clula
dessa grade atravs dos mtodos estatsticos pesos de evidncias e regresso logstica,
levando-se em considerao informaes relacionadas infra-estrutura e a aspectos
scio-econmicos da cidade. As probabilidades ento obtidas alimentaram um modelo
de autmatos celulares DINAMICA concebido pelo Centro de Sensoriamento
Remoto da Universidade Federal de Minas Gerais (CSR-UFMG), baseado em
algoritmos de transio estocsticos. Diferentes resultados de simulao para a cidade
em estudo foram gerados para o perodo 1979-1988, e testes espaciais de validao
estatstica foram ento conduzidos para os melhores resultados, empregando-se um
procedimento de ajuste por mltiplas resolues.

4. APLICAO DE UM MODELO DE AUTMATOS CELULARES EM UM


ESTUDO PRTICO: O CASO DE BAURU

A cidade de Bauru nasceu originariamente como um ndulo de entroncamento ferro-


modal durante a expanso do ciclo cafeeiro no sculo XIX, que trouxe como uma de
suas principais conseqncias, a ocupao interiorana do oeste do Estado. Dotada de
forte dinamismo econmico e acentuada presena do setor tercirio, Bauru hoje um

18
exemplo de plo de desenvolvimento regional que materializa os efeitos de booms
urbanizatrios em vista dessa sua condio histrica estratgica.

Esses surtos de crescimento urbano vieram acompanhados de processos especulativos,


ocasionando a formao de uma mancha urbana descontnua, isto , intermediada por
vazios (Figura 1), caracterizada predominantemente por baixas densidades de ocupao
e fortemente condicionada por um nucleamento de loteamentos de baixo e alto padro,
de forma praticamente aureolar, em torno da mancha urbana principal.

N N

Fig. 1 Malha urbana de Bauru em 1979 ( esquerda), e em 1988 ( direita).

4.1 ANLISE EXPLORATRIA DOS DADOS E SELEO DE VARIVEIS

Dentre as variveis elencadas para a alimentao do modelo, e que se referem a


aspectos scio-econmicos e de infra-estrutura de Bauru, apenas algumas so
apresentadas na seqncia (Figuras 2 a 5), pois o nmero total de variveis disponveis
para a conduo deste experimento excedeu a quarenta. Inicialmente, essas variveis,
sob a forma de mapas ou layers, foram vetorizados no AutoCAD 14, sendo
posteriormente exportados para o SPRING (SIG de domnio pblico, desenvolvido pela
Diviso de Processamento da Imagem do Instituto Nacional de Pesquisas Espaciais
DPI-INPE) como arquivo com extenso DXF, onde se submeteram a um processamento
preliminar (edio vetorial, reconhecimento de polgonos, associao de classes,
confeco de mapas de distncias, elaborao de estimadores de densidade para pontos
Kernel, etc.).

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).

O primeiro dos mtodos estatsticos a ser empregado neste experimento, pesos de


evidncias, inteiramente baseado no Teorema de Bayes ou da probabilidade
condicional, o qual pressupe a independncia de eventos. Assim sendo, um dos
primeiros procedimentos na anlise exploratria dos dados refere-se verificao de
dependncia entre os mapas de variveis explicativas.

Para tanto, foram utilizados o ndice de Cramer e o Joint Information Uncertainty


(Bonham-Carter, 1994), os quais operam, respectivamente, com valores reais e
percentuais de reas de sobreposio entre dois mapas de variveis, destinando-se a
avaliar a existncia de dependncia ou associao espacial entre ambos. Isto foi feito de
forma seletiva, isto , apenas para todas as possveis combinaes de pares de mapas
que dizem respeito a um mesmo tipo de transio do uso do solo urbano. A frmula do
ndice de Cramer (V) dada por:

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..

Assim, a Estatstica Chi-Quadrado definida por:

XX n m

(T - T *)
2 2
X = i, j i, j
(3)
i=1 j =1
T i, j *

isto , a familiar expresso (observado esperado)2 / esperado, a qual possui um


limite inferior de 0 para os casos em que as reas observadas igualam as reas
esperadas, e os dois mapas sejam completamente independentes entre si. Conforme as
reas observadas gradualmente diferenciam-se das reas esperadas, 2
aumenta em
magnitude e passa a adquirir um limite superior varivel. Finalmente, na frmula do
ndice de Cramer (V), M corresponde ao mnimo valor de T.. para n-1, m-1. Na prtica,
e isto ocorre no clculo do ndice de Cramer pelo programa IDRISI, T.. considerado
na sua totalidade, isto , com o seu total original de linhas e colunas.

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.

Suponha-se que os valores Tij sejam transformados para propores de reas, p,


dividindo-se cada elemento de rea pelo grande somatrio total de linhas e colunas T...
Assim, pij = Tij /T.., e as propores marginais so definidas como pi. = Ti. /T.. e como p.j
= T.j /T... Assumindo-se que uma matriz de propores de rea para os mapas A e B
tenha sido determinada a partir de T, ento a entropia de A e B definida pelas
seguintes expresses:
XX m

H(A) = p - ln p
j =1
j j (4)

XX n
(5)
H(B) = p - ln p
i=1
i i

A entropia conjunta da combinao entre mapas, H(A,B), dada por:


XX n m

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.

No caso da regresso logstica, segundo mtodo estatstico adotado neste experimento


de modelagem, a anlise exploratria visa deteco de correlao entre as variveis
independentes ou explicativas. Para este fim, utilizou-se o ndice de Correlao (),
cuja frmula baseia-se na covarincia (), dada por:

A ,B = 1/N (x A (i) - x A (i)) (x B (i) - x B (i )) (8)


i=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.

A,B = A,B (9)


A2 B2

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

agua rea coberta pela rede de atendimento de gua.


dens_mda Faixa de densidade mdia-alta de ocupao da quadra (25% a 40%).
conj_hab Presena de conjuntos habitacionais.
com_kern Distncias a faixas de concentrao de estabelecimentos comerciais, estabelecidas pelo estimador Kernel.
dist_ind Distncias ao uso industrial.
dist_res Distncias ao uso residencial.
pol_res Distncias a loteamentos residenciais perifricos, isolados da mancha urbana principal.
clas_inst Distncias a equipamentos institucionais perifricos, isolados da mancha urbana principal.
vias_exist Distncias rede de principais vias existentes.
eixo_simp Distncias ao eixo de servios e corredor industrial.
vias_plan Distncias s principais vias de acesso planejadas.
vias_perf Distncias s vias perifricas que atravessam reas no loteadas.

A definio do limiar de tolerncia para estes ndices feita de forma emprica.


Segundo Bonham-Carter (1994), valores menores do que 0,50 sugerem menos
associao do que mais. Em todas as anlises de associao para mapas de variveis
com base no ndice de Cramer e no Joint Information Uncertainty, os valores obtidos
so inferiores a este patamar. Para o ndice de Correlao, entretanto, houve casos de
valores elevados, entre 0,70 e 0,90. Como este ltimo ndice extrado a partir de uma
contagem estatstica pixel a pixel, o mesmo se torna altamente sensvel autocorrelao
espacial entre clulas. Sendo assim, os valores obtidos atravs do ndice de Cramer e
Joint Information Uncertainty tm prevalncia sobre o ndice de Correlao, o que
determinou a no excluso de nenhuma das variveis preliminarmente selecionadas para
a modelagem em ambos os mtodos (pesos de evidncias e regresso logstica).

24
TABELA 2 ASSOCIAO ESPACIAL ENTRE VARIVEIS

VARIVEL VARIVEL NDICE JOINT INFORMATION NDICE DE


A B DE CRAMER (V) UNCERTAINTY (JIU) CORRELAO ()
agua eixo_simp 0,3257 0,0767 -0,3060
conj_hab 0,0460 0,0017 0,0530
dens_mda vias_plan 0,2617 0,0701 -0,1600
vias_perf 0,0201 0,0003 -0,0560
conj_hab vias_plan 0,1174 0,0188 -0,0760
vias_perf 0,0480 0,0047 -0,0440
dist_res 0,4129 0,3447 0,9050
pol_res 0,1142 0,0310 0,1580
com_kern clas_inst 0,1218 0,0520 -0,2930
vias_exist 0,2685 0,1499 0,7670
eixo_simp 0,2029 0,1099 0,7060
vias_perf 0,0434 0,0064 0,4490
dist_ind eixo_simp 0,1466 0,0477 0,5630
dist_res eixo_simp 0,2142 0,1002 0,7900
clas_inst 0,1487 0,0559 0,7070
pol_res vias_exist 0,0592 0,0078 0,1860
vias_perf 0,1733 0,0553 0,5380
clas_inst vias_exist 0,0601 0,0108 -0,1190
vias_perf 0,0765 0,0238 0,2170
vias_exist vias_perf 0,0239 0,0019 0,3090
vias_plan vias_perf 0,0247 0,0029 0,0658

Na prtica, a anlise exploratria tambm inclui a seleo de variveis por mtodos


empricos, baseados na visualizao em tela de distintos mapas sobrepostos aos limites
do mapa de uso do solo final, recurso este possibilitado pelo SPRING (Figura 6).

4.2 CLCULO DAS TAXAS DE TRANSIO

4.2.1 TAXAS GLOBAIS DE TRANSIO

Foram empregadas oito categorias de zonas de uso do solo para a conduo do


experimento de modelagem em questo: residencial, comercial, industrial, institucional,
servios, zona mista, lazer/recreao e uso no-urbano. A zona mista congrega os usos
residencial, comercial e de servios. A zona de lazer e recreao, sua vez, inclui as
grandes reas verdes urbanas, como parques, hortos, etc. Apenas cinco transies de uso
do solo, discriminadas na Tabela 3, foram detectadas.

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%).

TABELA 3 - RELAO DE CDIGOS E SIGNIFICADOS DAS POSSVEIS


TRANSIES DE USO DO SOLO

Cdigo Significado da Transio de Uso

NU_RES No-Urbano para Residencial


NU_IND No-Urbano para Industrial
NU_SERV No-Urbano para Servios
RES_SERV Residencial para Servios
RES_MIST Residencial para Zona Mista

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:

ajuste das zonas de uso em funo do uso predominante e


efetivamente existente (ex.: zona tida como industrial, porm com
poucos estabelecimentos industriais e majoritariamente ocupada por
loteamentos habitacionais, reclassificada para residencial);

generalizao de zonas semelhantes para uma nica categoria (ex.:


zonas de uso residencial de diferentes densidades so reclassificadas
como zonas residenciais apenas; zonas de uso especial e de
equipamentos institucionais passam a ser enquadradas como zonas de
uso institucional, etc.);

adoo de oito categorias bsicas de (zonas de) uso do solo:


residencial, comercial, industrial , servios, institucional, zona mista,
lazer/recreao e uso no-urbano;

excluso de distritos isolados da mancha urbana, situados a uma


distncia maior de 10 km do permetro urbano oficial;

desconsiderao do sistema virio.

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.

Convm salientar que, devido aleatoriedade do algoritmo de transio utilizado pelo


programa DINAMICA, no qual este experimento foi conduzido, os percentuais
previstos pela matriz de transies nem sempre so atingidos.

TABELA 4 MATRIZ DE TRANSIES GLOBAIS DO USO DO SOLO


URBANO PARA BAURU NO PERODO 1979 1988.

No-Urbano Residenc. Comercial Industrial Institucional Servios Zona Mista Lazer/Recr.

No-Urbano 0,9171331 0,0697519 0 0,0095301 0 0,0035848 0 0


Residenc. 0 0,9379833 0 0 0 0,0597520 0,0022647 0
Comercial 0 0 1,0000000 0 0 0 0 0
Industrial 0 0 0 1,0000000 0 0 0 0
Institucional 0 0 0 0 1,0000000 0 0 0
Servios 0 0 0 0 0 1,0000000 0 0
Zona Mista 0 0 0 0 0 0 1,0000000 0
Lazer/Recr. 0 0 0 0 0 0 0 1,0000000

vlido igualmente realar que, para os casos de estimativa de taxas globais de


transio em prognsticos, o modelo Markoviano deve ser usado. Este modelo se

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)

onde (t ) um vetor coluna, com n elementos, representando a condio do sistema


em um tempo t particular (por exemplo fraes de rea em cada ni tipo de uso do solo),
(t +1) o vetor de ocupao nos n estados aps o intervalo de tempo t +1, e Pk a
matriz de probabilidades de transio elevada a k passos de tempo do intervalo
considerado (Hobbs, 1983).

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:

(t +1) = P[f(t)] . (t ) (11)

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).

4.2.2 TAXAS ANUAIS DE TRANSIO

Para se computar as taxas anuais de transio do modelo de simulao de mudanas do


uso do solo urbano, utiliza-se o mtodo de Principais Componentes, conforme proposto
por Bell e Hinoja (1977). Assim, tem-se que:

1 /n -1
MT a n u a l = H . V . H (12)

onde MTanual refere-se matriz de taxas anuais de transio do uso do solo; H


corresponde aos auto-vetores da matriz de taxas globais de transio (expressa na
Tabela 4); V, aos auto-valores da matriz de taxas globais; n representa o total do nmero
de passos anuais compreendidos no perodo de simulao considerado; e H 1 refere-se
matriz inversa de auto-vetores da matriz de taxas globais. Estimativas das taxas anuais
de transio para o experimento de modelagem em questo esto indicadas na Tabela 5.

TABELA 5 MATRIZ DE TRANSIES ANUAIS DO USO DO SOLO


URBANO PARA BAURU NO PERODO 1979 1988.

No-Urbano Residenc. Comercial Industrial Institucional Servios Zona Mista Lazer/Recr.

No-Urbano 0,9904346 0,0082863 0 0,0011001 0 0,0001876 0 0


Residenc. 0 0,9929116 0 0 0 0,0068296 0,0002589 0
Comercial 0 0 1,0000000 0 0 0 0 0
Industrial 0 0 0 1,0000000 0 0 0 0
Institucional 0 0 0 0 1,0000000 0 0 0
Servios 0 0 0 0 0 1,0000000 0 0
Zona Mista 0 0 0 0 0 0 1,0000000 0
Lazer/Recr. 0 0 0 0 0 0 0 1,0000000

30
4.3 CLCULO DAS PROBABILIDADES DE TRANSIO DAS CLULAS

4.3.1 MTODO DE PESOS DE EVIDNCIAS

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 .

A favorabilidade para se encontrar a transio R em vista da presena da evidncia, ou


seja, do padro binrio A (rede de atendimento de gua), dada por:

P {R/A} = P {R %A} (13)


P {A}

onde P {RA} a probabilidade condicional de ocorrncia da transio no-urbano -


residencial dada a presena do padro binrio A, e {R A} igual probabilidade de
ocorrncia de R e A conjuntamente. Para se obter uma expresso relacionando-se a
probabilidade a posteriori de ocorrncia da transio R em termos de probabilidade a
priori, pode-se afirmar que a probabilidade condicional do padro binrio A, dada a
presena da transio R, definida por:

P {A/R} = P {A %R} (14)


P {R}

31
Como P {A R} o mesmo que P {R A}, tem-se:

P {R/A} = P {R} . P {A/R}


(15)
P {A}

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}:

P {R/A} = P {R} . P {A/R}


(16)
P {R/A} P {R/A} . P {A}

Pelas definies de probabilidade condicional, chega-se seguinte frmula:

P {R/A} = P {R} . P {A} . P {A/R}


P { R/A} P {R} . P {A} P {A/R} (17)

Substituindo-se os devidos termos da equao acima por odds, tem-se que:

O { R/A} = O{R} . P {A/R} (18)


P {A/R}

onde O {R A} o odds condicional (a posteriori) de R dado A, O {R} o odds a priori


de R e P{ A/R} . P{A/R} conhecido como razo de suficincia ou sufficiency ratio
(LS). Nos mtodos de pesos de evidncias, calcula-se o logaritmo natural de ambos os
lados da equao anterior, e o loge LS denominado peso positivo de evidncia W+.
Assim:
+
logit {R/A} = logit {R}+ W (19)

Tratamentos algbricos semelhantes levam derivao de uma expresso de odds para a


probabilidade condicional de R, dada a ausncia do padro binrio A, como sendo:

32
O {R/A} = O{R} . P {A/R} (20)
P {A/R}

O termo P{A/R} . P{A/R} chamado de razo de necessidade ou necessity ratio (LN).


Com a extrao do logaritmo natural de ambos os termos da equao, tem-se :

-
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.

Os valores da probabilidade a posteriori calculados adotando-se pesos de evidncias ou


razes de probabilidade so idnticos queles calculados diretamente a partir das
equaes de probabilidade condicional. A razo pela qual se calculam pesos de
evidncias explica-se pela necessidade de se combinar diferentes padres ou variveis
de forma simultnea, em uma nica equao para o clculo de probabilidade (Bonham-
Carter, 1994). Para isto, a pressuposio de independncia condicional entre os padres
ou mapas de variveis requerida.

A expresso geral para se combinar i=1,2,...,n mapas de variveis (Mi), para a


formulao baseada em odds, :

33
n

O {R / M 1 %M %M %... %M } = O {R} .
2 3 n LS i (22)
i =1

e, para a baseada em logits, :

lo git {R / M 1 %M %M %... %M } = logit {R} + W


2 3 n
+
i (23)
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).

Para a produo de cada um dos mapas de mudanas de uso, o processo de reconverso


de valores do edit foi feito de acordo com as seguintes regras:
- tudo o que no corresponde classe de origem (ex.: no caso do mapa de
mudanas no-urbano residencial, a classe de origem no-urbano)
reclassificado para valor 0, e aparecer em preto na tela. A reclassificao
para valor 0 automtica no edit para os valores excludos da tabela de
reconverso;
- tudo o que corresponde classe de origem e permanece como tal, ou ento,
transiciona para qualquer outra classe que no a de destino, reclassificado
para valor 1, aparecendo em cor verde claro;
- tudo o que corresponde classe de origem e transiciona para a classe de
destino, reclassificado para valor 2, aparecendo na cor azul.

A Figura 11 apresenta um exemplo dos cinco possveis mapas de mudanas, para o caso
da transio: no-urbano residencial (cdigo nu_res).

Fig. 11 Mapa de mudana: no-urbano - residencial (cdigo: nu_res) para Bauru,


1979-1988.

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).

Fig. 12 Exemplo de resultado de tabulao cruzada parcial entre as classes 1 e 2 do


mapa de mudana residencial servios (res_serv) e o mapa de distncias
rede de principais vias existentes.

Os resultados numricos de propores de clulas de diversos padres presentes nas


classes 1 e 2 dos diferentes mapas de mudanas, obtido pelas tabulaes cruzadas
parciais, so transferidos para um arquivo Excell especialmente construdo com base
nas frmulas de probabilidade condicional do mtodo de pesos de evidncias, de forma
a gerar para cada relacionamento entre um determinado padro e um mapa de mudana
de uso do solo, os respectivos pesos positivos de evidncias ou W+ (Equaes n 18 e
19).

Assim sendo, os valores de W+ de diferentes padres para um mesmo tipo de transio


do uso do solo urbano passam a integrar a frmula para o clculo de probabilidade de
transio das clulas. O DINAMICA adota, para este fim, uma frmula adaptada de
converso de logits para probabilidade condicional, expressa a seguir:

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

onde V se refere a todas as possveis variveis selecionadas para explicar a transio R.

A Tabela 5 apresenta os valores de pesos positivos de evidncias (W+) computados para


cada um dos padres escolhidos para explicar os cinco tipos existentes de transio do
uso do solo urbano em Bauru, de 1979 a 1988.

TABELA 5 PESOS POSITIVOS DE EVIDNCIAS (W+) PARA AS


TRANSIES DO USO DO SOLO EM BAURU, 1979-1988.

TRANSIO VARIVEL PESOS POSITIVOS DE EVIDNCIAS

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

Obs.: Faixas de distncias em metros.


1
1: 0 -500; 2: 500-1000; 3: 1000-1500; 4: 1500-10000; 5: 10000-30000; 6: > 30000
2
1: 0 -500; 2: 500-1000; 3: 1000-1500; 4: 1500-2000; 5: 2000-5000; 6: 5000-10000; 7: >10000
3
1: 0 -500; 2: 500-1000; 3: 1000-2000; 4: 2000-5000; 5: 5000-10000; 6: > 10000
4
1: 0 -500; 2: 500-1000; 3: 1000-3000; 4: 3000-8000; 5: 8000-15000; 6: > 15000
5
1: 0 -250; 2: 250-500; 3: 500-750; 4: 750-1000; 5: 1000-1250; 6: 1250-2000; 7: > 2000
6
1: 0 -250; 2: 250-500; 3: 500-750; 4: 750-1000; 5: 1000-1500; 6: 1500-2500; 7: > 2500

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.

interessante de se notar como os mapas de probabilidade detectam consideravelmente


bem as reas de transio (cor azul) no respectivo mapa de mudanas, uma vez que as
regies de tons mais avermelhados correspondem exatamente s reas de maior
probabilidade de transio.

Fig. 13 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio no-urbano industrial (nu_ind), direita.

Fig. 14 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio no-urbano servios (nu_serv), direita.

38
Fig. 15 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio no-urbano residencial (nu_res), direita.

Fig. 16 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio residencial servios (res_serv), direita.

Fig. 17 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio residencial zona mista (res_mist), direita.

39
4.3.2 MTODO DE REGRESSO LOGSTICA

O mtodo de regresso logstica aplica-se aos casos em que a varivel de sada ou


dependente binria ou dicotmica, isto , possui carter qualitativo, indicando sucesso
(valor 1) ou fracasso (valor 0). Este mtodo foi originalmente concebido para responder
s necessidades das cincias biomdicas e de sade pblica, no sentido de modelar as
variveis forantes de quadros patolgicos. Pode-se ento explicar, pelo exemplo de
incidncia de doena coronria (DC) em um grupo amostral de indivduos pertencentes
a diferentes faixas etrias (Figura 18), a converso da plotagem simples da freqncia
de ocorrncia desta patologia em uma curva de distribuio logstica ou funo logstica
(que possui o formato de um s).

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 = log P i ,j (x,y) = 0 , i j + 1 , i j . V 1 , xy + . . . + k, i j . V k, xy (25)


1 - P i ,j (x,y)

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.

A regresso logstica politmica, sua vez, agrega regresses logsticas binrias


parciais, onde o logaritmo da chance sempre adota para o denominador um dos nveis
da varivel de sada, que passa a ser chamado nvel de referncia. O nvel de referncia
escolhido pelo modelador, sendo usualmente um nvel que se distinge do
comportamento dos demais nveis, ou que apresenta vantagens para a anlise de

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.

g 1 (x) = log P (Y=1 / X 1 - p ) , g 1 (x) = 1 0 + 1 1 .X 1 +...+ 1 p .X p (27)


P (Y= 0 / X 1 - p )

g 2 (x) = log P (Y= 2 / X 1 - p ) , g 2 (x) = 2 0 + 2 1 .X 1 +...+ 2 p .X p (28)


P (Y= 0 / X 1 - p )

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.

O mtodo adotado para a estimativa dos coeficientes da equao de regresso logstica


(i) o da Mxima Verossimilhana, o qual fornece valores para esses parmetros
que visam maximizar a probabilidade de se obter o conjunto de dados observado. A
funo de verossimilhana (likelihood l) dada por:

nl

l () = { (x )
i
yi
[1 - (xi )]
1 -yi
}, (xi ) = e
0 + 1X1 + ... + pX p

(32)
i=1
0 + 1X1 + ... + pX p
1+e

Matematicamente, mais fcil se trabalhar com o logaritmo da Equao 32. Assim, o


log da funo de verossimilhana definido por:

nl

L() = ln [ l()] = {y i ln[ (x i ) ] + ( 1 - y i ) ln [ 1 - (xi )]} (33)


i=1

As equaes de verossimilhana so encontradas tomando-se a primeira derivada


parcial de ln [l()] em relao aos 2 (p + 1) parmetros desconhecidos. A forma geral
das equaes dada por:

L() = x k i (yj i - j i ) (34)


jk
i=1

Os estimadores de mxima verossimilhana so obtidos igualando-se a Equao 34 a


zero e resolvendo-a em . Como esta equao envolve termos no-lineares, mtodos
iterativos especiais so requeridos para a sua soluo, usualmente disponveis em
pacotes estatsticos.

Uma das primeiras perguntas ao se conduzir um experimento de simulao de mudanas


de uso do solo urbano pelo mtodo de regresso logstica a de como se modelar a
varivel dependente ou de sada. No caso da adoo do modelo politmico, as

43
permanncias constituiriam o nvel 0, e as demais transies assumiriam valores
naturais de 1 a n, referentes s n transies existentes.

Uma segunda alternativa seria a adoo de modelos politmicos parciais, onde


transies relativas a estados de origem coincidentes seriam tratadas em um mesmo
modelo. Assim, no caso do experimento para a cidade de Bauru, haveria dois grupos de
modelos politmicos parciais. Um primeiro incluiria as transies com estado original
no-urbano, e um segundo grupo reuniria as transies com estado original
residencial. De acordo com a Tabela 3, o primeiro grupo classificaria como 0 a
permanncia nu_nu, e s transies nu_res, nu_ind e nu_serv seriam atribudas
valores de 1 a 3. No segundo grupo, a permanncia res_res receberia valor 0 , e as
transies res_serv e res_mist seriam tratadas como nveis 1 e 2.

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.

Em relao a aspectos operacionais, os diferentes mapas de transies (ver Figura 11)


submeteram-se a operaes de ponderao no SPRING, nas quais mapas temticos so
convertidos em grades numricas regulares.

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.

Do mesmo modo que os mapas de transies, os mapas de variveis independentes


categricas, assim como os mapas de distncias sob a forma de mapas temticos
submeteram-se a operaes de ponderao. As grades numricas da resultantes geraram
arquivos-texto, os quais, aps a devida reformatao, foram exportados para o programa
estatstico MINITAB verso 13.0, a fim de se construir os bancos estatsticos para a
estimativa dos coeficientes de cada um dos cinco modelos de regresso logstica binria,
referentes s cinco transies de uso do solo ocorridas em Bauru, durante o perodo de
simulao. A Figura 18 mostra estas etapas de converso dos dados numricos e sua
importao no programa estatstico de forma esquemtica.

Leitura das grades Arquivos-texto


em colunas
Exportao das colunas para o MINITAB

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 .

O modelo aceito quando todas as variveis so significantes no nvel 0,05, e a perda


da estatstica G permanece inferior a 5%. Os modelos de regresso no se submeteram a
testes de ajuste estatsticos convencionais. Apenas os resultados finais das simulaes
foram sujeitos a testes de validao estatstica espacial, conforme ser mostrado no Item
4.5.

Os valores estimados para os parmetros de cada um dos cinco modelos de regresso e


seus respectivos p-value obtidos pelo teste de Wald esto indicados na Tabela 6.
Muito embora as variveis dist_res e dens_mda no sejam significantes no nvel
0,05, elas foram mantidas nos modelos em vista da sua efetiva contribuio para a
explicao das transies nu_serv e res_mist, respectivamente. De acordo com
Hosmer e Lemeshow (1989), no se pode construir modelos de regresso baseando-se
inteiramente em testes de significncia estatstica, ... uma vez que h inmeras outras
consideraes que iro influenciar a deciso do modelador quanto excluso ou
incluso de variveis em um modelo.

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

Com base nos parmetros estimados, apresentados na Tabela 6, o DINAMICA calcula a


probabilidade de transio de uso do solo para cada clula da rea de estudo e em
relao s cinco categorias de mudanas existentes. A frmula empregada para tanto,
embora se trate de modelos binrios, uma adaptao da equao de probabilidade do
mtodo de regresso logstica politmica, definida por:

0+ 1X1 + ... + pXp


P i , j (x ,y)= e
(37)
t

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.

Do mesmo modo que no mtodo pesos de evidncias, o DINAMICA confecciona


mapas de probabilidade espacial de transio das clulas (Figuras 19 a 23) para cada
categoria de transio do uso do solo.

47
Fig. 19 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio no-urbano industrial (nu_ind), direita.

Fig. 20 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio no-urbano servios (nu_serv), direita.

Fig. 21 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa de


transio no-urbano residencial (nu_res), direita.

48
Fig. 22 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa
de transio residencial servios (res_serv), direita.

Fig. 23 - Mapa de probabilidade espacial de transio das clulas, esquerda, e mapa


de transio residencial zona mista (res_mist), direita.

4.4 CALIBRAO DO MODELO

Para a calibrao do modelo de simulao em ambos os mtodos, foram adotados


procedimentos empricos diferenciados. Um deles se refere anlise visual comparativa
de diferentes resultados de simulao e o mapa de uso final, aos quais podem ser
conjugados mapas de probabilidade e de mudanas bem como sobreposies de
diferentes padres aos limites do mapa de uso final (Figura 24).

49
Fig. 24 Exemplo de abordagem emprica de anlise visual para calibrao do modelo.

A calibrao do modelo no mtodo de pesos de evidncias tambm se d por meio da


anlise de grficos de disperso das subcategorias de padres (faixas de distncia, por
exemplo), quando estas existirem, em relao aos pesos positivos de evidncias a elas
associados. De forma geral, quando os grficos de disperso produzirem um bom ajuste
a linhas de tendncia (que podem assumir funo e grau diferenciados), isto implica a
incluso do padro neles representados (Figura 25).

Realizados os procedimentos de calibrao do modelo, chegou-se aos seguintes


conjuntos de mapas de variveis ou padres para cada uma das possveis transies de
uso do solo urbano em Bauru, no perodo 1979-1988 (Tabela 7).

TABELA 7 CONJUNTOS DE VARIVEIS EXPLICATIVAS PARA CADA


TIPO DE TRANSIO DO USO DO SOLO URBANO EM
BAURU, NO PERODO 1979 1988.

VARIVEL NU_RES NU_IND NU_SERV RES_SERV RES_MIST

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

0,000 -0,500 0 2000 4000 6000


-0,100 0 500 1000 1500 -1,000
-0,200
-1,500
-0,300
Distncias a Ferrovias (m)
Distncias aos Rios (m)

Relao entre Padro e Varivel Resposta Relao entre Padro e Varivel Resposta

5,000
Pesos de Evidncias

Pesos de Evidncias 0,600


4,000
0,400
3,000
(W+)

(W+)

2,000 0,200
1,000
0,000
0,000 0 500 1000 1500 2000 2500
0 1000 2000 3000 4000 -0,200

Distncias a Indstrias (m) Distncias a Vias Principais (m)

Fig. 25 Exemplos de grficos de disperso e respectivas linhas de tendncia entre


subcategorias de padres (eixo X) e pesos positivos de evidncias (eixo Y).
Os grficos superiores demonstram casos de ajuste deficitrio, e portanto, de
excluso dos padres neles representados. Por sua vez, os grficos inferiores
denotam um bom ajuste das linhas de tendncia, o que indica a alta chance
de incluso destes padres no modelo de dinmicas do uso do solo urbano.

Com base no processo de calibrao do modelo de simulao em questo, constata-se


que a probabilidade de que certas reas no-urbanas passem a abrigar loteamentos
residenciais (transio nu_res) depende em grande parte da ocorrncia prvia de
loteamentos residenciais nas vizinhanas, da maior proximidade dessas reas a
concentraes de estabelecimentos comerciais (ncleos comerciais), bem como da
existncia de facilidade de acesso a esses locais.

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.

A transio residencial-servios (res_serv) pressupe a insero do uso de servios em


reas j consolidadas do ponto de vista de urbanizao. Dessa forma, por j estar em
meio aos mercados consumidor e fornecedor, essa categoria de mudana prioriza
somente a localizao estratgica em relao ao eixo N-S / E-O de servios. Essa
transio pressupe a ausncia de abastecimento de gua (note-se que neste caso W+
negativo), pelo menos no tempo inicial de simulao, uma vez que reas privadas de
rede de gua e bem localizadas quanto ao eixo de servios correspondem exatamente
quelas localizadas no limite imediato de reas urbanas consolidadas, e portanto,
passveis de abrigarem uso de servios ao final do perodo de simulao.

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:

faixa de densidade de ocupao mdia-alta (valores mais elevados de


densidade ocorrem apenas na zona comercial central consolidada da cidade
ou prximos a zonas mistas existentes);
presena ou proximidade de conjuntos habitacionais (pois eles concentram
maiores densidades ocupacionais, e por conseguinte, maior mercado
consumidor);
proximidade a vias de acesso planejadas ou perifricas, em vista de se tratar
de reas mais afastadas do ncleo central da cidade.

Observa-se, portanto, que as transies de uso do experimento em anlise concordam


com pressupostos de teorias econmicas de crescimento e desenvolvimento urbanos,
onde h uma busca contnua por otimizao de vantagens locacionais, capazes de
assegurar preos imobilirios competitivos, boas condies de acessibilidade,
racionalizao de custos de transporte, alm de uma localizao estratgica em relao a
mercados consumidores e fornecedores (Almeida et al., no prelo).

Aps a calibrao do conjunto de padres do modelo de simulao, tem incio a


calibrao relativa aos parmetros do script do programa DINAMICA, tais como
nmero de iteraes, proporo de transies por contigidade (funo expander) e
por difuso (funo patcher), tamanho mdio e varincia das manchas a serem
geradas pelo expander ou patcher em cada um dos tipos de transio, etc.

O expander um algoritmo do programa DINAMICA que realiza transies de um


estado i para um estado j apenas nas vizinhanas contguas das clulas com estado j. Sua
seqncia de procedimentos a seguinte:

- identificao das clulas de fronteiras da classe j;

53
- elevao de sua probabilidade proporcionalmente ao n de vizinhos da classe
j em uma janela 3 x 3, isto :

P (x,y) = n de v izinhos da classe j . P (x,y)


i,j final i, j in ic i a l
(38)
n de v izinhos possv eis

onde n de vizinhos possveis igual a 8 (9 1);

- sorteiro de nmero randmico entre 0 e 255. Se o nmero sorteado for menor


que a probabilidade de transio da clula (tambm no intervalo 0-255), a
clula alocada para um segundo sorteio, no qual ocorrem as transies de
estado, e vice-versa. Nesse sorteio, so selecionadas clulas em nmero dez
vezes superior ao requerido pelo modelo Markoviano para a transio ao
estado j;

- novo sorteio de nmero randmico entre 0 e 255. Se o nmero sorteado for


menor que a probabilidade de transio da clula (tambm no intervalo 0-
255), a clula transiciona para o estado j, e vice-versa.

O patcher, por sua vez, um algoritmo do DINAMICA que realiza transies de um


estado i para um estado j apenas nas vizinhanas contguas das clulas com estado
diferente de j. Sua seqncia de procedimentos a seguinte:

- sorteio de nmero randmico entre 0 e 255. Se o nmero sorteado for menor


que a probabilidade de transio da clula (tambm no intervalo 0-255), a
clula transiciona para o estado j, e vice-versa.

Os parmetros de entrada do script do DINAMICA que produziram os melhores


resultados de simulaes so apresentados na Tabela 8.

54
TABELA 8 PARMETROS FINAIS DO SCRIPT DO DINAMICA

Tamanho Mdio Varincia das Proporo do Proporo do Nmero de


TRANSIES das Manchas Manchas Expander Patcher Iteraes
NU_RES 1100 500 0,65 0,35 5

NU_IND 320 1 1,00 0 5

NU_SERV 25 2 0,50 0,50 5

RES_SERV 25 2 0,10 0,90 5

RES_MIST 35 2 0 1,00 5

Devido aleatoriedade da lgica algortmica do DINAMICA, ainda que se mantenham


os mesmos padres para cada uma das transies e os mesmos parmetros de entrada,
os resultados das simulaes diferenciam-se a cada rodada do programa. Assim, so
apresentados na Figura 26 os melhores resultados das simulaes geradas pelo mtodo
de pesos de evidncias e na Figura 27, pelo mtodo de regresso logstica.

O algoritmo patcher mostrou-se de grande adequao para a modelagem de loteamentos


habitacionais desagregados da mancha urbana principal. Os corredores de servios, em
tom ocre, foram bem modelados em todas as simulaes. A zona de uso industrial, em
cor verde claro, foi consideravelmente bem detectada nas trs simulaes, em especial
na S2 e S3. As zonas de lazer e recreao (amarelo limo), institucionais (vermelho) e a
zona comercial central (azul claro) no sofreram transies. A nova zona mista que
surge a noroeste, no perodo da simulao, foi bem modelada, sobretudo na S1 e S3.

Por fim, as transies de reas no-urbanas para residenciais constituem a categoria de


mudana que representa o maior desafio neste experimento de modelagem. Os motivos
de dificuldade para a apreenso de suas formas corretamente se deve ao fato de que as
mesmas se encontram vinculadas aos limites de propriedades imobilirias, as quais se
constituem em fatores altamente instveis, e portanto, de baixa suscetibilidade
modelagem, uma vez que operaes de fuso, desmembramento ou remembramento de
lotes alteram significativamente as feies geomtricas delimitadoras de loteamentos
urbanos.

55
Simulao 1 S1

Mapa real de uso do solo Simulao 2 S2

Simulao 3 S3

Fig. 26 Simulaes obtidas pelo mtodo de pesos de evidncias, Bauru: 1979-1988.

56
Simulao 1 S1

Mapa real de uso do solo Simulao 2 S2

Simulao 3 S3

Fig. 27 Simulaes obtidas pelo mtodo de regresso logstica, Bauru: 1979-1988.

57
4.5 TESTES ESTATSTICOS DE VALIDAO DO MODELO

Para a validao espacial do modelo, foram conduzidos testes estatsticos baseados em


um procedimento intitulado Mtodo de Mltiplas Resolues, criado por Constanza
(1989), e que consiste em um algoritmo que gradualmente diminui a resoluo de
comparao entre a imagem real e a simulada pelo aumento da janela de amostragem.

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.

A frmula para o ajuste dada por:

tw p

1- a i1 - a i 2
s= 1 i =1 2
Fw = 2w (39)
tw

onde Fw o ajuste para a janela de tamanho w x w; ai1 o nmero de clulas da


categoria i (imagem simulada) e ai2 o nmero de clulas da categoria i na cena 2
(imagem observada) na janela da amostra; p corresponde ao nmero de diferentes
categorias na janela amostrada e tw, ao total de nmeros de janelas amostradas na cena
para um tamanho de janela w x w.

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.

O ajuste total do modelo pode ser expresso pela seguinte frmula:

58
n

Fw e
- k ( w - 1)

w=1
Ft = n
(40)
e
- k ( w - 1)

w=1

onde Ft a mdia da soma de todos os ajustes de todos os tamanhos das janelas, Fw o


ajuste para janelas de amostras de dimenso linear w, e k, uma constante. Quando k
igual a zero, todos os tamanhos de janelas tm o mesmo peso; quando k=1, somente as
janelas maiores so importantes. Segundo Constanza (1989), os valores de k podem ser
ajustados dependendo do objetivo do modelo e da qualidade dos dados.

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).

TABELA 9 TESTE DE AJUSTE (FIT) POR MLTIPLAS RESOLUES


PARA OS MELHORES RESULTADOS DE SIMULAES

SIMULAES FIT (F) PESOS DE EVIDNCIAS FIT (F) REGRESSO LOGSTICA

S1 F = 0,902937 F = 0,905172

S2 F = 0,896092 F = 0,907539

S3 F = 0,901134 F = 0,907868

5. CONCLUSES

Modelagens de dinmicas de uso do solo urbano mostram-se extremamente teis para


os casos de identificao dos principais vetores de expanso urbana e de suas vocaes
(tendncias de uso), permitindo ao poder pblico local ordenar e redirecionar (se for o
caso) o crescimento urbano, conforme a capacidade de suporte ambiental e a
disponibilidade presente e futura (investimentos previstos) de infra e super-estrutura.

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.

Da mesma forma, a prpria sociedade civil organizada, seja atravs de ONGs,


movimentos sociais, associao de moradores de bairros, etc., podero se valer dos
prognsticos, para, atravs dos meios legtimos, reforar presses reivindicatrias por
equipamentos infra ou supra-estruturais de forma mais fundamentada, consubstanciada
em tendncias de expanso urbana de curto e mdio prazo.

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

guisa de concluso, importante salientar que a integrao entre modelos dinmicos e


Sistemas de Informaes Geogrficas deve ser entendida como um acoplamento e no
como mera subjugao de modelos a esses sistemas (Bivand e Lucas, 2000). Neste
sentido, Parks (1993) apresenta trs fortes razes para esta integrao. Primeiramente, o

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

Albin, P. S. The Analysis of Complex Socio-Economic Systems. Lexington, MA: D.


C. Heath, 1975.

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.

Baker, W. L. A review of models of landscape change. Landscape Ecology, v.2, n.2,


p.111-133, 1989.

Batty, M. Urban Modelling: Algorithms, Calibrations, Predictions. Cambridge:


Cambridge University Press, 1976. 381p.

------- 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.

Benati, S. A cellular automaton for the simulation of competitive location.


Environment and Planning B, v.24, n.2, p.205-218, March 1997.

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.

Bonham-Carter, G. F. Geographic Information Systems for Geoscientists: Modelling


with GIS. Ontario: Pergamon, 1994. 414p.

Burrough, P. Dynamic Modelling and Geocomputation. Geocomputation: A Primer.


In: Longley, P.; Batty, M.; McDonnel, R. ed. London: John Wiley & Sons, 1998.
P. 165-192.

Cmara, G.; Monteiro, A. M. V.; Medeiros, J. S. Representaes Computacionais do


Espao: Um Dilogo entre a Geografia e a Cincia da Geoinformao. [online].
<http://www.dpi.inpe.br/geopro/trabalhos/epistemologia.pdf>. Jan. 2002.

Chadwick G. Uma Vision Sistemica del Planeamiento. Barcelona: Editorial Gustavo


Gili, 1973. 283p.

Clarke, K. C.; Hoppen, S.; Gaydos, L. A self-modifying cellular automaton model of


historical urbanization in the San Francisco Bay area. Environment and Planning
B, v.24, n.2, p.247-261, March 1997.

Clarke, K. C.; Gaydos, L. J. Loose-Coupling a Cellular Automaton Model and GIS:


Long-Term Urban Growth Predictions for San Francisco and Baltimore.
International Journal of Geographic Information Science, v.12, p.699-714,
1998.

63
Constanza, R. Model goodness of fit: a multiple resolution procedure. Ecological
Modelling, v.47, p.199-215, Sept. 1989.

Couclelis, H. Macrostructure and Microbehavior in a Metropolitan Area. Environment


and Planning B, v.16, p.141-154, 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.

Hobbs R. J. Markov models in the study of post-fire succession in heathland


communities. Vegetation, v.56, p.17-30, 1983.

Hosmer, D.; Lemeshow, S. Applied logistic reggression. Wiley series in probability


and mathematical statistics. New York: John Wiley & Sons, 1989.

Novaes, A. G. Modelos em Planejamento Urbano, Regional e de Transportes. So


Paulo: Editora Edgard Blcher, 1981. 290p.

Openshaw, S. GeoComputation. In: Openshaw, S.; Abrahart, R. J. ed.


Geocomputation. New York: Taylor & Francis, 2000. Cap. 1, p. 1-31.

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.

Tobler, W. R. Cellular Geography. In: Gale, S.; Olsson, G. ed. Philosophy in


Geography. Dordrecht, The Netherlands: D. Reidel, 1979. p. 279-386.

White, R. W. Transition to chaos with increasing system complexity: the case of


regional industrial systems. Environment and Planning A, v.17, p.387-396, 1985.

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.

Xia, L.; Yeh, A. G. Modelling Sustainable Urban Development by the Integration of


Constrained Cellular Automata and GIS. International Journal of Geographic
Information Science, v.14, p.131-152, 2000.

66

Anda mungkin juga menyukai