1

29

A observação da evolução nos

padrões espaciais e sociodemográficos

através dos self-organizing maps:

o caso da Área Metropolitana de

Lisboa – Norte

Roberto Henriques

introdução: a complexidade do fenómeno urbano e as novas ferramentas para a análise da informação disponível nas cidades A evolução das cidades, quer em termos de distribuição quer em termos de dimensão, tem recebido um grande interesse por investigadores. A existência de grandes cidades, de grande dispersão no tamanho, a notável estabilidade da hierarquia entre as cidades ao longo de décadas ou mesmo séculos, e o papel da urbanização no desenvolvimento económico são características particularmente interessantes no estudo da estrutura urbana de cidades em todo o mundo. A cidade é muitas vezes comparada a um organismo vivo. Ela está cheia de sistemas, processos, interações e simbioses tão complexos que dificultam o nosso entendimento sobre o funcionamento das mesmas. Neste sentido, as cidades são sistemas que podem ser analisadas a partir de várias perspetivas, sendo a demografia, morfologia ou funcionalidade os critérios mais comuns para a definição das suas próprias fronteiras. Neste sentido, o interesse específico será compreender a cidade com base em indicadores estatísticos, encontrando novas formas, mais inteligentes e capazes de incorporar novos dados que podem fornecer um retrato mais preciso da cidade. Com a proliferação de sensores capazes de registar todo a evolução de fenómenos, o aparecimento de plataformas eletrónicas massivas de dados sociais e a capacidade crescente na fusão e análise deste tipo de dados, cada vez mais a dinâmica das cidades pode ser avaliada numa resolução temporal e espaciais impossíveis até agora.Uma das fontes de dados para análise mais usada nestes casos são os dados dos censos, que se caracterizam por medir diversas perspetivas da cidade como a demografia, alojamentos e condição socioprofissional. Estas fontes de dados caracterizam-se normalmente por disponibilizar um grande número de variáveis descrevendo vários aspetos de uma determinada área. A análise feita a partir destes dados usa normalmente tabelas, gráficos, mapas, animações ou técnicas estatísticas mas muitas vezes a dimensão e o volume destes conjuntos de dados dificulta as tarefas de compreensão e extração de conhecimento das mesmas.Uma das técnicas particularmente interessantes para a análise de padrões e visualização de dados é chamada de mapas auto-organizáveis (ou originalmente self-organizing maps). Trata-se de uma técnica da família das redes neuronais que tem a grande vantagem de ser capaz de projetar para apenas duas dimensões, conceitos que geralmente

são caracterizados por muitas mais dimensões. Professor Auxiliar Convidado

SEGI-NOVA

Figura 1 Espaço de entrada e espaço de saída dos SOM

os mapas auto-organizáveis (SoM)Os SOMs foram propostos pela primeira vez por Tuevo Kohonen no início da década de 1980 (Kohonen, 2001), e seu principal objetivo é extrair e ilustrar a estrutura dos dados, através de um mapa resultante de um processo de aprendizagem não supervisionada (Kaski & Kohonen, 1996; Kaski, Nikkilä, & Kohonen, 1998). Os SOM são constituídos por um conjunto de neurónios que servirão para representar os dados originais o mais fielmente possível, sendo possível representar os neurónios num espaço bidimensional. Este facto permite que os SOM sejam normalmente utilizados como uma ferramenta de redução da dimensionalidade permitindo a projeção dos dados multidimensionais em apenas duas dimensões (Koua & Kraak, 2004). A grelha formada pelos neurónios é geralmente referida como o espaço de saída, em oposição ao espaço de entrada, que é o espaço original dos dados (Figura 1).Esta capacidade dos SOM de permitir ter uma ideia da estrutura dos dados através da observação do mapa, é possível principalmente devido à preservação das relações topológicas, ou seja, padrões que estão próximos no espaço de entrada serão mapeados, tanto quanto possível, para neurónios vizinhos no espaço de saída (R Henriques, Bacao, & Lobo, 2010; Roberto Henriques, Bacao, & Lobo, 2012). Existem várias formas de visualizar os SOM (Vesanto, 1999). Duas das ferramentas de visualização mais importantes são os planos das componentes (Kohonen, 2001) e as matrizes U (Ultsch & Siemon, 1990). Nos planos das componentes, cada neurónio é colorido de acordo com o peso de cada variável. As matrizes U são representações do espaço de saída que mostram as distâncias entre neurónios no espaço de entrada. Normalmente, uma escala de cinzas é usada para representar as distâncias, com a maior distância a ser representado com a cor preta e a menor com o branco.

31

Área Metropolitana de Lisboa Norte: evolução entre 2001 e 2011Na análise apresentada de seguida são usadas os dados do Censos de 2001 e 2011 (fonte: http://mapas.ine.pt/download/index2011.phtml) ao nível da freguesia, focando-se sobretudo em aspetos como a estrutura habitacional, nível de educação, tipologia familiar e emprego. A tabela que se apresenta de seguida lista as variáveis usadas para cada dos aspetos referidos.

Este mapa tem vários aspetos importantes que deverão ser considerados na sua leitura:- A proximidade entre duas freguesias representa a sua semelhança (de acordo com as variáveis usadas, ver Tabela 1).De forma oposta, quanto maior for a distância entre duas freguesias mais dissemelhantes estas serão. Exemplificando, as freguesias de Casal de Cambra e Frielas são muito semelhantes (na figura no topo esquerdo) enquanto das freguesias do Campo Grande e Castelo (na figura, no topo direito e fundo direito, respetivamente) são muito diferentes;- A intensidade do cinzento apresentado como fundo no mapa indica a presença de outliers (freguesias que são anormalmente diferentes da sua vizinhança). Assim, podemos ver claramente que a freguesia dos Mártires é um outlier.

Figura 2 Freguesias da AML-Norte

V i l a F r a n c a d e X i r aV i l a F r a n c a d e X i r a

M a f r aM a f r a

L o u r e sL o u r e s

C o l a r e sC o l a r e s

B u c e l a sB u c e l a s

B e l a sB e l a s

A l c a b i d e c h eA l c a b i d e c h e

Te r r u g e mTe r r u g e m

L o u s aL o u s a

C a s c a i sC a s c a i s

E n c a r n a ç ã oE n c a r n a ç ã o

I g r e j a N o v aI g r e j a N o v a

M i l h a r a d oM i l h a r a d o

V i a l o n g aV i a l o n g a

A z u e i r aA z u e i r aS a n t o I s i d o r oS a n t o I s i d o r o

F a n h õ e sF a n h õ e s

E s t o r i lE s t o r i l

S ã o J o ã o d a s L a m p a sS ã o J o ã o d a s L a m p a s

A l m a r g e m d o B i s p oA l m a r g e m d o B i s p o

E r i c e i r aE r i c e i r a

R i o d e M o u r oR i o d e M o u r o

C h e l e i r o sC h e l e i r o s

G r a d i lG r a d i l

P ê r o P i n h e i r oP ê r o P i n h e i r o

M a l v e i r aM a l v e i r a

S i n t r a ( S ã o M a r t i n h o )S i n t r a ( S ã o M a r t i n h o )

E n x a r a d o B i s p oE n x a r a d o B i s p o

B e n f i c aB e n f i c a

A l v e r c a d o R i b a t e j oA l v e r c a d o R i b a t e j o

S ã o D o m i n g o s d e R a n aS ã o D o m i n g o s d e R a n a

B a r c a r e n aB a r c a r e n a

C a c h o e i r a sC a c h o e i r a s

L u m i a rL u m i a r

M a r v i l aM a r v i l a

S ã o J o ã o d o s M o n t e sS ã o J o ã o d o s M o n t e sC a r v o e i r aC a r v o e i r a

S i n t r a ( S ã o P e d r o d e P e n a f e r r i m )S i n t r a ( S ã o P e d r o d e P e n a f e r r i m )

F r i e l a sF r i e l a s

M o n t e l a v a rM o n t e l a v a r

S o b r a l d a A b e l h e i r aS o b r a l d a A b e l h e i r a

S a n t o A n t ã o d o To j a lS a n t o A n t ã o d o To j a l

� n h o s� n h o s

S a n t o E s t ê v ã o d a s G a l �sS a n t o E s t ê v ã o d a s G a l �s

C a n e ç a sC a n e ç a s

C a s t a n h e i r a d o R i b a t e j oC a s t a n h e i r a d o R i b a t e j o

A l g u e i r ã o �M e m M a r t i n sA l g u e i r ã o �M e m M a r t i n s

S ã o J u l i ã o d o To j a lS ã o J u l i ã o d o To j a l

C a l h a n d r i zC a l h a n d r i z

C a r n a x i d eC a r n a x i d e

V e n d a d o P i n h e i r oV e n d a d o P i n h e i r o

P o r t o S a l v oP o r t o S a l v o

A g u a l v aA g u a l v a

F a m õ e sF a m õ e s C a m a r a t eC a m a r a t e

M i n aM i n a

� d i v e l a s� d i v e l a s

V e n t e i r aV e n t e i r a

S ã o B r �sS ã o B r �s

C a r n i d eC a r n i d e

P o n t i n h aP o n t i n h a

� u e l u z� u e l u z

P a r e d eP a r e d e

C a x i a sC a x i a sA j u d aA j u d a

S a n t a M a r i a d o s � l i v a i sS a n t a M a r i a d o s � l i v a i s

S a c a v �mS a c a v �m

A l c �n t a r aA l c �n t a r a

R a m a d aR a m a d a

S o b r a l i n h oS o b r a l i n h o

C a r c a v e l o sC a r c a v e l o s

S a n t a I r i a d e A z o i aS a n t a I r i a d e A z o i a

B o b a d e l aB o b a d e l a

M i l h a r a d oM i l h a r a d o

S i n t r a ( S a n t a M a r i a e S ã o M i g u e l )S i n t r a ( S a n t a M a r i a e S ã o M i g u e l )

A l g �sA l g �s

S ã o J o ã o d a Ta l h aS ã o J o ã o d a Ta l h a

C a c �mC a c �m

F o r t e d a C a s aF o r t e d a C a s a

S ã o M i g u e l d e A l c a i n ç aS ã o M i g u e l d e A l c a i n ç a

� u e i j a s� u e i j a s

B e a t oB e a t o

V i l a F r a n c a d o R o s �r i oV i l a F r a n c a d o R o s �r i o

C a m p o l i d eC a m p o l i d e

A l h a n d r aA l h a n d r a

B u r a c aB u r a c a

P a ç o d e A r c o sP a ç o d e A r c o s

� e i r a s e S ã o J u l i ã o d a B a r r a� e i r a s e S ã o J u l i ã o d a B a r r a

P �v o a d e S a n t a I r i aP �v o a d e S a n t a I r i a

M a s s a m �M a s s a m �D a m a i aD a m a i a

C h a r n e c aC h a r n e c a

P r a z e r e sP r a z e r e s

S ã o D o m i n g o s d e B e n f i c aS ã o D o m i n g o s d e B e n f i c a

S ã o J o ã oS ã o J o ã o

S a n t a M a r i a d e B e l �mS a n t a M a r i a d e B e l �m

A p e l a ç ã oA p e l a ç ã o

P o r t e l aP o r t e l aM i r a �S i n t r aM i r a �S i n t r a

P e n aP e n aA n j o sA n j o s

A l v a l a d eA l v a l a d e

S �S � S a n t o E s t ê v ã oS a n t o E s t ê v ã o

30

Tema Variável

Alojamentos

Alojamentos familiares clássicos de residência habitual com 1 ou 2 divisões

Alojamentos familiares clássicos de residência habitual com 3 ou 4 divisões

Alojamentos familiares clássicos de residência habitual com proprietário ocupante

Estrutura etária

Indivíduos residentes com idade entre 0 e 19 anos

Indivíduos residentes com idade entre 19 e 64 anos

Indivíduos residentes com idade superior a 65 anos

Nível de educação

Indivíduos residentes com o ensino secundário completo

Indivíduos residentes com o ensino pós-secundário

Indivíduos residentes com um curso superior completo

Indivíduos residentes a frequentar o 3º ciclo do ensino básico

Indivíduos residentes a frequentar o ensino secundário

Emprego

Indivíduos residentes empregados

Indivíduos residentes pensionistas ou reformados

Indivíduos residentes desempregados à procura do 1º emprego

Indivíduos residentes desempregados à procura de novo emprego

Indivíduos residentes sem atividade económica

Tabela 1Variáveis usadas

Figura 3Matriz U resultante do SOM usando os dados de 2001

No mapa da Figura 2 é apresentada a área de estudo constituída pelas freguesias da margem norte da Área Metropolitana de Lisboa (AML).Aplicando os SOM aos dados dos Censos de 2001 para as freguesias da AML Norte, obtemos a matriz U da Figura 3.

32

Figura 4Planos de componentes

32

Figura 5Matriz U com trajetórias relativas às alterações entre 2001 e 2011

Partindo da Figura 4 é possível avaliar a distribuição de cada uma das variáveis usadas originalmente, através da construção de uma camada que representa a variação de cada variável (plano de componentes). Assim, podemos avaliar a distribuição das variáveis Alojamentos com 1 ou 2 divisões, Alojamentos com 3 ou 4 divisões, Alojamentos com proprietário ocupante, residentes com idade entre 0 e 19 anos, residentes com idade entre 19 e 64 anos, residentes com idade superior a 65 anos, residentes com o ensino secundário completo, residentes com o ensino pós-secundário, residentes com um curso superior completo, residentes empregados, residentes pensionistas e residentes sem atividade económica. Para a escala de cores usada o azul representa valores mais baixos enquanto o vermelho representa os valores mais elevados. Analisando o plano da componente correspondente ao nº de Alojamentos com 1 ou 2 divisões, podemos verificar que na sua grande maioria esta variável apresenta um valor médio por freguesia baixo, existindo duas regiões (no topo ao centro e no fundo à esquerda) onde existe um aglomerado de freguesias com valor mais elevado. Analisando novamente a Figura 3, podemos verificar que algumas das freguesias representadas nessas zonas são a Reboleira (topo, centro) e o Castelo ou Santo Estevão (fundo, esquerdo).

Fazendo uma análise análoga para os dados de 2011 é então possível traçar evoluções ocorridas nos 10 anos. A matriz U apresentada na Figura 5 seguinte mostra a evolução das 5 freguesias estudadas que apresentaram uma maior alteração no seu perfil. São elas, Santa Maria dos Olivais, São Julião do Tojal, Madalena, Sacramento e Sé (estas 3 últimas, no centro histórico da cidade de Lisboa).Analisando em detalhe essas 5 freguesias para a década 2001-2011 podemos verificar com o auxílio das figuras 6-10 que todas se caracterizam por uma diminuição no número de alojamentos com 1 ou 2 divisões, uma diminuição no número de alojamentos com 3 ou 4 divisões, um aumento no número de residentes com ensino superior, no número de residentes empregados, aumento do número de pensionistas ou reformados e uma diminuição do número de residentes sem atividade económica. Podemos então, a partir daqui, construir um mapa da AML-Norte com as alterações nos perfis das freguesias em estudo. (Figura 11)

Focando a análise apenas na zona do centro histórico da cidade, e mais concretamente da Baixa de Lisboa, onde nos interessa analisar o perfil de recomposição, no sentido de perceber se são visíveis dinãmicas associáveis a processos de revitalização urbana, podemos obter o seguinte mapa de evolução (figura 12):

Figura 12 Seleção de algumas freguesias da zona da baixa de Lisboa para análise mais detalhada

Lapa

Sé

São Paulo

Mercês

Santos-o-Velho

São NicolauSanta Catarina

Santo Estêvão

MártiresMadalena

Santiago

Castelo

SacramentoEncarnaçãoSão Miguel

São Cristóvão e São Lourenço

Figura 11 Variação entre 2001 e 2011 para todas as freguesias da AML-Norte. As freguesias com variação mínima estão representadas a branco enquanto as freguesias com as maiores alterações estão representadas a azul-escuro.

35

Figura 6 Evolução da Madalena

Figura 7 Evolução do Sacramento

Figura 10 Evolução da Sé Figura 9 Evolução de São Julião do Tojal

Figura 8 Evolução de Santa Maria dos Olivais

3736

Figura 14 Evolução das freguesias da zona da baixa de Lisboa

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

CASTELO_2001 CASTELO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

ENCARNAÇÃO_2001 ENCARNAÇÃO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

LAPA_2001 LAPA_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

MADALENA_2001 MADALENA_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

MÁRTIRES_2001 MÁRTIRES_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

MERCÊS_2001 MERCÊS_2011

A partir desta seleção de freguesias podemos então tentar perceber na matriz U as principais alterações. (Figura 13)Neste mapa dois padrões genéricos principais são assinalados (setas a verde). Por um lado o aumento do nº de residentes ativos e com atividade económica (em baixo da direita para a esquerda) e por outro lado o aumento do nº de residentes com um maior nível de escolaridade (à direita de baixo para cima). Como pode ser ainda analisado, a maioria das freguesias da zona da baixa de Lisboa tem uma evolução positiva num destes dois fatores assinalados (Figura 14). Tal facto suporta a ideia de um certo “renascimento” ou revitalização das áreas mais antigas de cidades com um nº mais elevado de residentes ativos e com um nível de escolaridade maior.

ConclusõesAs cidades caracterizam-se por serem sistemas multidimensionais com inúmeros processos e simbioses complexas que dificultam o nosso entendimento sobre o funcionamento das mesmas. A análise de várias perspetivas e segundo vários atributos caracterizadores de uma cidade torna-se assim um processo vital na compreensão das mesmas. Esta tarefa é, nos dias de hoje, por um lado, facilitada com a proliferação de dados que são recolhidos, mas por outro lado, essa mesma quantidade de dados e a sua variabilidade tornam a tarefa de análise cada vez mais difícil. São necessárias novas ferramentas para análise de dados, e para análises espaciais de dados, em particular, ferramentas visuais podem ter um forte impacto na análise. Os SOM são um bom exemplo deste tipo de ferramentas. Neste artigo procurou-se que constituíssem a base para a análise das freguesias da AML Norte, usando os dados recolhidos no Censos 2001 e 2011. A utilização desta ferramenta permite evidenciar, de forma clara e simples, um conjunto de processos que reflectem inequivocamente várias das facetas do processo de revitalização do centro histórico da cidade, nomedamente na zona da Baixa e suas imediações.

Figura 13 Matriz U de algumas freguesias da zona da baixa de Lisboa

3938

Bibliografia

Henriques, R., Bacao, F., & Lobo, V. (2010). Artificial Intelligence in Geospatial Analysis: applications of Self-Organizing Maps in the context of Geographic Information Science. UNL, Lisboa. Retrieved from http://hdl.handle.net/10362/5723

Henriques, R., Bacao, F., & Lobo, V. (2012). Exploratory geospatial data analysis using the GeoSOM suite. Computers, Environment and Urban Systems, 36(3), 218–232. doi:10.1016/j.compenvurbsys.2011.11.003

Kaski, S., & Kohonen, T. (1996). Exploratory data analysis by the self-organizing map: structures of welfare and poverty in the world. In N. Apostolos-Paul, Yaser Refenes, Yaser Abu-Mostafa, John Moody, & A. Weigend (Eds.), Neural Networks in Financial Engineering (pp. 498–507). Singapore: World Scientific. Retrieved from http://www.cis.hut.fi/~sami/therest.html

Kaski, S., Nikkilä, J., & Kohonen, T. (1998). Methods for interpreting a self-organized map in data analysis. In M. Verleysen (Ed.), Proceedings of ESANN’98 , 6th European Symposium on Artificial Neural Networks (pp. 185–190). Bruges, Belgium: D-Facto. Retrieved from http://www.cis.hut.fi/~sami/therest.html

Kohonen, T. (2001). Self-Organizing Maps (3rd editio.). Berlin: Springer.

Koua, E., & Kraak, M.-J. (2004). Geovisualization to support the exploration of large health and demographic survey data. International Journal of Health Geographics, 3(1), 12. Retrieved from http://www.ij-healthgeographics.com/content/3/1/12

Ultsch, A., & Siemon, H. P. (1990). Kohonen´s self-organizing neural networks for exploratory data analysis. In Proceedings of the International Neural Network Conference (pp. 305–308). Paris: Kluwer.

Vesanto, J. (1999). SOM-based data visualization methods. Intelligent Data Analysis, 3, 111–126. Retrieved from http://www.ingentaconnect.com/content/els/1088467x/1999/00000003/00000002/art00013

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SÃO MIGUEL_2001 SÃO MIGUEL_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

SÃO NICOLAU_2001 SÃO NICOLAU_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SÉ_2001 SÉ_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SACRAMENTO_2001 SACRAMENTO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SANTA CATARINA_2001 SANTA CATARINA_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SANTIAGO_2001 SANTIAGO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SANTO ESTÊVÃO_2001 SANTO ESTÊVÃO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SANTOS-O-VELHO_2001 SANTOS-O-VELHO_2011

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

SÃO CRISTÓVÃO E SÃO LOURENÇO_2001 SÃO CRISTÓVÃO E SÃO LOURENÇO_2011

260