Simulação da evolução da classe de ocupação e uso do solo - urbano (contínuo e descontínuo) para a área da Cova do Vapor no extremo Noroeste de Almada

RICARDO BRASIL & JOSÉ SANTOS

Modelos Geográficos e Sistemas Urbanos

Complexos Simulação da evolução da classe de ocupação e uso do solo - urbano (contínuo e descontínuo) para a área da

Cova do Vapor no extremo Noroeste de Almada.

IGOT

26-06-2009

Modelos Geográficos e Sistemas Urbanos Complexos

2

Índice Geral

I. Introdução…………………………………………………………….….4

II. Breve Enquadramento da área de estudo…………………………….….5

III. Definição de Autómatos Celulares e a sua importância……………....…5

IV. A ligação entre os Autómatos Celulares e os SIG…………………....…6

V. Análise da Complexidade…………………………………………….…7

Fase 1- Preparação dos dados……………………………………………….…..7

Fase 2 - Pré-processo para análise das variáveis – CrossTab e Qui quadrado….9

Fase 3 - Cadeias de Markov e probabilidades……………………………….…11

Fase 4 - Aplicação de regras de transição……………………………….……...12

Fase 4.1 - Distâncias (implica ficheiros binários de input)……………….……13

Fase 4.2 – Método Fuzzy – normalização das distâncias às estradas e uso e

ocupação do solo (apenas ao último ano, com linear decreasing)……………..14

Fase 5 - AC (predição para o mesmo número de anos que difere os inputs)…..15

Fase 5.1 - Validação do Modelo……………………………………………….16

VI. Discussão e Análise dos Resultados…………………………………...19

VII. Bibliografia……………………………………………………….........21

Índice de Figuras

Figura número 1. Enquadramento da área de estudo………………..……………….....5

Figura número 2 - Resultado do Cruzamento entre os ficheiros que servirão de base para

a indexação temporal………………………………………………………………...….9

Figura número 3 – Distância euclidiana à rede viária (à esquerda) e normalização

(Fuzzy) das distâncias (à direita)………………………………………………...….….13

Figura número 4 – Áreas da classe do urbano para 1995 (à esquerda) e normalização

(Fuzzy) das distâncias (à direita)……………………………………….........…...….…14

Figura número 5 – Constrangimentos: máscaras binárias (à esquerda) e ponderação (0-

255) (à direita)……………………………………………………………………….....15


3

Figura número 6 – Simulação da evolução da classe do uso do solo urbano para

2004………………………………………………………………………………..…...16

Figura número 7- Áreas (a castanho) que a simulação não considerou como sendo da

classe do urbano mas que na realidade são……………………………………18

Figura número 8 - Histograma do ficheiro de comparação entre as áreas da coasses o

urbano da do ficheiro de simulação com as mesmas áreas do ficheiro para o ano de

2004………………………………………………………………………………….…18

Figura número 9 – Uso e ocupação do solo para 2004 (à esquerda) e simulação da

evolução da classe do uso do solo urbano para 2004 (à direita)………………………..19

Índice de Tabelas

Tabela número 1 – Constrangimentos do ficheiro de Ordenamento de Território

(PDM)……………………………………………………………………………….…..9


4

Simulação da evolução da classe de ocupação e uso do solo -

urbano (contínuo e descontínuo) para a área da Cova do

Vapor no extremo Noroeste de Almada.

José Santos n.º 32505

Ricardo Brasil n.º 32548

I. Introdução

No âmbito do Seminário em Modelos Geográficos e Sistemas Urbanos Complexos do

mestrado em Sistemas de Informação Geográfica e Modelação Territorial aplicados ao

Ordenamento, foi proposta a realização de dois exercícios práticos sobre a temática da

modelação da complexidade em Geografia. Sendo que o primeiro incidiu sobre a

utilização das Redes Neuronais e o segundo sobre os Autómatos Celulares.

Pretende-se com este trabalho expor e explicar as metodologias necessárias,

nomeadamente, no software IDRISI, versão ANDES, para se modelar a complexidade

em Geografia.

O caso de estudo a modelar para este trabalho será a simulação da evolução das classes

de ocupação do uso de solo, designadamente, a classe de urbano para a área da Cova do

Vapor no extremo Noroeste de Almada.

A complexidade será representada e analisada através de um modelo de alteração dos

padrões de uso do solo. Na maioria dos casos, estes modelos servem para se

compreender de que forma as mudanças na ocupação e uso do solo podem provocar

alterações a nível ambiental (Steiner e Osterman, 1988 cit. em Tenedório et al., 2006)

ou até a nível da economia local ou regional (Burchell, 1996 cit. em Tenedório et al.,

2006). Para este estudo, o modelo de alteração dos padrões de uso e ocupação do solo

será elaborado e explicado não para compreender as consequências que as alterações do

uso do solo poderão ter nos níveis referidos acima, mas sim para demonstrar quais os

procedimentos necessários e de que forma se modela a complexidade em Geografia.


5

II. Breve enquadramento da área de estudo

De uma forma breve, a Cova do Vapor é uma área de acessibilidade acrescida pela

construção da Ponte sobre o Tejo, com possibilidades de expansão urbana e de

potencialidades naturais raras. A Cova do Vapor assistiu a uma pressão urbanística

desmedida que se traduziu numa ocupação irreversível do solo mesmo em áreas de

fortes restrições físicas. Todavia, a Cova do Vapor ainda se mantém como um território

relativamente livre da acção antrópica, apresentando um elevado risco de acidentes

naturais e humanos. (adaptado de Tenedório et al., 2006).

Figura número 1. Enquadramento da área de estudo.

Fonte: Modelos Geográficos e Sistemas Urbanos Complexos.

Técnicas de geocomputação aplicadas à previsão de alterações na linha de costa.

Tenedório et al., 2006.

III. Definição de Autómatos Celulares e a sua importância

Os Autómatos Celulares (AC) compõem uma matriz de células regulares, em que uma

determinada célula (AC), num dado momento, pode adquirir um qualquer estado em

função das características das células vizinhas através de processos de iteração com, e

segundo um conjunto finito uniforme de regras de transição. Em suma, um autómato

(AC) é um agente dinâmico que funciona sempre em função do conjunto de células

vizinhas. Cada vez mais os Autómatos Celulares têm vindo a adquirir uma maior


6

importância no estudo de fenómenos urbanos, tais como, a localização e a morfologia

urbana. A aplicação deste tipo de modelo complexo às cidades é, em parte, resultado,

também, da complexidade da própria cidade. O que este modelo representa são as

dinâmicas de alteração possíveis do próprio modelo como sendo a representação

idealizada do mesmo. Este modelo de simulação urbana é essencial no caso de estudo,

uma vez que permite conceber modelos operativos de planeamento e modelos de apoio

à decisão. O que torna este modelo exequível e importante para este tipo de estudo é o

facto de interligar os conceitos de espaço, tempo e os atributos do sistema em estudo.

IV. A ligação entre os Autómatos Celulares e os SIG

Os modelos de transição espacial são uma extensão do modelo (não espacial) de

Markov (Hathout, 1988 cit em Abreu et al., 2007) e uma forma de autómato celular

estocástico (Theobald e Hobbs, 1998 cit. em Abreu et al., 2007).

O surgimento de alterações como o caso da substituição do espaço isotrópico por um

espaço em que cada célula tem inerente um conjunto próprio de atributos que representa

as suas características relevantes ocasionou importantes mudanças no conceito original

de AC e permitiu incorporar constrangimentos geográficos. Estes avanços, de que a

ligação entre os AC e o modelo de Markov é um exemplo, têm sido acompanhados de

um crescimento da complexidade dos modelos (Couclelis, 1997, cit. em Abreu et al.,

2007). Estas modificações permitiram a integração, não só conceptual mas também

prática, dos agentes autónomos em ambientes SIG. Sendo que a aplicação dos AC num

espaço anisotrópico, tal como o encontrado num SIG de base matricial, permite com

que os AC sejam entendidos como uma espécie de SIG dinâmico (Batty e Xie, 1994,

cit. em Abreu et al., 2007). Estes factores conduziram à utilização dos AC como método

de simulação do crescimento urbano e regional.

Estes modelos adoptam uma abordagem de baixo para cima (bottom-up) na medida em

que as interacções locais (vizinhança) dão relevo à formação de complexos padrões

globais. Desta forma os AC podem ser entendidos como um sistema espacial dinâmico

e relativamente simples, no qual o estado de cada célula da matriz depende do estado

prévio das células que se encontram dentro de uma determinada vizinhança, de acordo

com um conjunto de regras de transição, como já foi referido. Nestes modelos, o

resultado da iteração anterior tem um papel determinante no desfecho da seguinte


7

podendo, ao fim das diversas iterações que compõem a simulação, formarem-se

complexos padrões globais de uso do solo (Batty e Xie, 1994 cit. em Abreu et al.,

2007).

Assim sendo, através do software IDRISI foi possível elaborar um modelo para os

Autómatos Celulares, designadamente, com a ferramenta Ca_Markov que faz a ligação

entre as cadeias de Markov e os AC. Pode-se definir, de uma forma simples, o algoritmo

utilizado como um módulo que analisa um conjunto de imagens e a partir desta

estabelece uma matriz de probabilidades e uma área de transição entre as duas imagens,

ou seja, é possível através desta função determinar os pixéis que se vão manter dentro

da mesma classe e os que, provavelmente, irão transitar de classe com base num período

de tempo determinado.

V. Análise da Complexidade

Fase 1- Preparação dos dados

Para analisar a complexidade, foi necessário seguir um processo constituído por 7 fases.

A primeira fase e a mais morosa incidiu na preparação dos dados de entrada ou input.

Estes dados de entrada são constituídos por informação vectorial e matricial. Esta base

de dados serve de base para a simulação.

Os dados de base, neste caso, os temas cartográficos, utilizados para analisar a evolução

do uso do solo para a área da Cova do Vapor em Almada foram os seguintes.

Em formato vectorial: Rede viária; Hidrografia; RAN; REN e PDM (Ordenamento). Em

formato matricial: Uso e ocupação do solo para o ano de 1940; Uso e ocupação do solo

para o ano de 1995; Uso e ocupação do solo para o ano de 2004.

Toda a informação da base de dados que se encontrava em formato vectorial teve que

ser convertida em matricial (pixel 10 x 10 m), de modo a viabilizar a simulação. Como a

grande maioria dos modelos de AC, o modelo proposto assenta sobre uma estrutura

celular.

De seguida, os ficheiros matriciais são reclassificados de forma a representarem

constrangimentos ou probabilidades de ocorrência. Primeiramente, representam temas


8

binários, onde o “0” representa ausência e a “1” presença, e, seguidamente, são

reclassificados de forma a representarem variáveis contínuas (distâncias).

Os ficheiros com a informação referente à rede viária, à hidrografia, à REN e à RAN

foram reclassificados de uma forma simples, isto é, onde se encontram pixéis referentes

à REN, RAN, hidrografia e rede viária atribui-se valor de 0.

Para a reclassificação do ficheiro referente ao ordenamento do território, neste caso, o

ficheiro com as classes do PDM, foi necessário atribuir a cada uma das classes do PDM

da Cova do Vapor um valor de 0 ou 1, de acordo com as classes onde se pode construir

e vice-versa. Na tabela número1, presente de seguida, encontram-se os valores que

foram atribuídos a cada classe. É de referir que estes valores foram atribuídos de forma

arbitrária.

Nome da classe Abreviatura

PDM

Valor

Binário

ESPAÇO AGRÍCOLA AGRIC 1

ESPAÇOS CULTURAIS E NATURAIS C_NAT 1

ESPAÇO CANAL EC 0

EQUIPAMENTOS EXISTENTES EQ_E 0

EQUIPAMENTOS PREVISTOS NÃO PROGRAMADOS EQ_PNP 0

EQUIPAMENTOS PROGRAMADOS EQ_PP 0

ESPAÇOS INVESTIGAÇÃO E DESENVOLVIMENTO

PREVISTOS NÃO PROGRAMADOS

I_D_PNP 0

ESPAÇOS INDUSTRIAIS EXISTENTES IND_E 0

INTERFACE INT 0

ESPAÇO DE USO MILITAR MLT 0

ESPAÇOS URBANOS_NÚCLEOS HISTÓRICOS NH 0

NÚCLEOS HISTÓRICOS ÁREAS CONSOLIDADAS NH_UC 0

ESPAÇO VOCAÇÃO TURÍSTICA PREVISTO NÃO

PROGRAMADO

TUR_PNP 0

ESPAÇO VOCAÇÃO TURÍSTICA PREVISTO

PROGRAMADO

TUR_PP 0

URBANO CONSOLIDADO UC 0

ESPAÇO URBANIZÁVEL HABITAÇÃO NÃO

PROGRAMADO BAIXA DENSIDADE

UZHNPBD 1

ESPAÇO URBANIZÁVEL HABITAÇÃO NÃO

PROGRAMADO MÉDIA DENSIDADE

UZHNPMD 1

ESPAÇO URBANIZÁVEL HABITAÇÃO PROGRAMADA

BAIXA DENSIDADE

UZHPBD 1

ESPAÇO VERDE PROTECÇÃO ENQUADRAMENTO VPE 0

ESPAÇO VERDE RECREIO E LAZER EXISTENTE VRL_E 0

ESPAÇO VERDE RECREIO E LAZER PREVISTO NÃO

PROGRAMADO

VRL_PNP 0


9

ESPAÇO VERDE RECREIO E LAZER PREVISTO

PROGRAMADO

VRL_PP 0

ESPAÇO URBANIZÁVEL HABITAÇÃO PROGRAMADA

BAIXA DENSIDADE

UZHPMD 1

Tabela número 1 – Constrangimentos do ficheiro de Ordenamento de Território

(PDM).

Os ficheiros matriciais com a informação referente à ocupação e uso do solo para os

anos de 1940, 1995 e 2004 foram reclassificados com três classes. Para a classe do

Oceano, isto é, os pixéis que representam o Oceano, foi atribuído o valor de 0 enquanto

para as classes do Urbano e não Urbano (restantes classes) foram atribuídos os valores

de 1 e 2, respectivamente.

Fase 2 - Pré-processo para análise das variáveis – CrossTab e Qui quadrado

Esta fase, sendo a mais breve, é composta pelo pré-procesamento das variáveis, isto é, é

efectuado um cruzamento entre os ficheiros que servirão de base para a indexação

temporal – a quantidade de células (território) que se prevê que transite para um tipo uso

diferente, calculada através das cadeias de Markov. Este cruzamento é feito através da

ferramenta CrossTab que permite saber que relação existe entre os dois ficheiros,

determina as combinações únicas de valores e calcula as estatísticas similares nos dois

ficheiros. Na página seguinte encontra-se o resultado desta operação.


10

Figura número 2 - Resultado do Cruzamento entre os ficheiros que servirão de base

para a indexação temporal.

Cross-tabulation of uso40_reclass (columns) against uso95_reclass (rows)

0 1 Total

------------------------------

0 | 178498 1228 | 179726

1 | 29672 4949 | 34621

------------------------------

Total | 208170 6177 | 214347

Chi Square = 19217.02148

df = 1

P-Level = 0.0000

Cramer's V = 0.2994

Proportional Crosstabulation

0 1 Total

------------------------------

0 | 0.8328 0.0057 | 0.8385

1 | 0.1384 0.0231 | 0.1615

------------------------------

Total | 0.9712 0.0288 | 1.0000

Kappa Index of Agreement (KIA)

------------------------------

Using uso95_reclass as the reference image...

Category KIA

-------- -------

0 0.7629

1 0.1175

Using uso40_reclass as the reference image...

Category KIA

-------- -------

0 0.1175

1 0.7629

Overall Kappa 0.2037

Resultados da operação CrossTab: índice de Kappa e Qui quadrado.

Para aferirmos a validade do modelo é necessário ter em conta o coeficiente de Kappa,

obtido através do cruzamento das classes dos ficheiros. Este cruzamento ira gerar, além

de uma matriz com o cruzamento das classes dos dois mapas, os coeficientes


11

necessários para avaliar a qualidade do modelo, o valor do coeficiente estatístico de

Kappa presenteou um valor de 0.2037. Este índice varia entre -1 e 1, em que -1 significa

um desacordo total, isto é, não há relação possível entre as variáveis; 0 significa um

menor desacordo entre as variáveis, sendo que, a validação do modelo pode ser posta

em causa, e 1 é o resultado de uma relação perfeita entre as variáveis. Portanto, com um

coeficiente de 0.2037 pode-se afirmar que existe uma relação razoável entre os dois

ficheiros e que o estudo realizado é plausível de validação.

Para melhor interpretação do valor estatístico de Kappa apresenta-se os seguintes

valores:

1

Fase 3 - Cadeias de Markov e probabilidades

Como referido anteriormente, através das cadeias de Markov pode-se calcular a

indexação temporal, i.e. a quantidade de células (território) que se prevê que transite

para um tipo de uso diferente.

Com os ficheiros do uso e ocupação do solo para os anos de 1940 e 1995 reclassificados

com as três classes referidas na fase 1, é possível, através das cadeias de Markov, ter as

probabilidades de determinada classe mudar para outra e vice-versa. As cadeias de

Markov permitem aferir:

Uma matriz de probabilidade de transição (“markovtransition_probabilities”):

Probabilidade de mudar para:

Classe. 1 Classe. 2

Classe 1: 0.9351 0.0649

Classe 2: 0.0891 0.9109

1 http://users.med.up.pt/joakim/intromed/estatisticakappa.htm


12

Uma matriz do quantitativo de território (área em pixéis) transitado entre classes

(“markovtransition_areas”):

Células em expectativa de transição:

Classe 1 Classe2

Classe 1 : 30761 2137

Classe 2 : 7286 74511

Um conjunto de ficheiros-imagem com as probabilidades de transição entre

classes.

Fase 4 - Aplicação de regras de transição

Considerando o autómato um agente dinâmico, cujo estado sofre evoluções no tempo

(auto-organização, emergência, não-linearidade e dinâmica ordem/caos), é plausível que

se tente compreender quais as causas que provocam essas alterações, i.e. as regras de

transição.

O aspecto mais importante de um autómato celular é a regra de transição ou a função de

transição. Fundamentalmente, é esta que determina a evolução. Naturalmente, a regra de

transição depende da geometria da matriz, da vizinhança, e do estado (momento

temporal). Mesmo que a regra de transição determine directamente a evolução, em

muitos casos não é possível predizer a evolução de um AC a não ser através da

simulação.

A evolução ou transição das classes de uso e ocupação do solo não se dão de forma

linear. É necessário definir regras de transição que aproximem o modelo à realidade.

Os dados de entrada são reclassificados para que estejam representadas as regras de

transição que ditam os efeitos espaciais que as células de previsão detêm nas mudanças

de uso do solo (Pijanowski et al., 2000, cit. em Tenedório et al., 2006).

Assim sendo, os ficheiros são reclassificados segundo duas classes de regras de

transição:

1- Vizinhanças ou densidades;

2- Distância às células de previsão.


13

Os efeitos de vizinhança são baseados na premissa que a composição das células

vizinhas (i.e. janela de vizinhança) tem efeito na tendência de uma célula central mudar

de uso. Por seu lado, as regras de transição espacial baseadas na distância relacionam a

distância euclidiana entre cada célula e a variável de previsão mais próxima (adaptado

de Tenedório et al., 2006).

Áreas onde a expansão urbana é interdita como o caso da RAN, REN ou Rede

Hidrográfica são codificadas como sendo áreas para onde a evolução das classes não é

possível, isto é, áreas onde o valor de pixel é “0” – Restrição, enquanto as restantes

áreas onde se pode verificar mudanças de classes é atribuído o valor de “1” – Factor.

Fase 4.1 - Distâncias (implica ficheiros binários de input)

Foi calculada a distância euclidiana às estradas e à classe do urbano para o ano de 1995.

Fase 4.2 – Método Fuzzy – normalização das distâncias às estradas e uso e

ocupação do solo (apenas ao último ano, com linear decreasing)

Para as áreas mais próximas das estradas (até aos 150 m) o valor de ponderação é o

máximo (255). A partir dos 150 metros o valor de ponderação vai diminuindo com o

afastamento, i.e. mais perto das estradas, maior probabilidade de ser urbano, mais longe

menor probabilidade de ser urbano.

Figura número 3 – Distância euclidiana à rede viária (à esquerda) e normalização

(Fuzzy) das distâncias (à direita).


14

No que se concerne à classe do urbano para o ano de 1995, até aos 200m o valor de

ponderação é o máximo e a partir dos 200 a ponderação vai decrescendo. Sendo que

mais perto a probabilidade é maior e mais afastado acontece o contrário.

Figura número 4 – Áreas da classe do urbano para 1995 (à esquerda) e normalização

(Fuzzy) das distâncias (à direita).

Fase 5 - AC (predição para o mesmo número de anos que difere os inputs)

Um dos problemas dos modelos de AC, e talvez o maior, é o da determinação das

ponderações a atribuir a cada factor. No passado, estes modelos apenas eram utilizados

para simular o crescimento urbano na perspectiva da transição rural-urbano. A

simulação deste tipo de crescimento, que apenas lida com estados binários – urbanizado

ou não, é, relativamente, fácil, mas os modelos AC tornam-se consideravelmente mais

complexos quando são introduzidos múltiplos usos, como residencial, comercial e

industrial (adaptado de Torrens, 2000). Os valores de ponderação dos respectivos

ficheiros foram atribuídos de forma arbitrária. Partiu-se do pressuposto que os ficheiros

de ponderação têm a mesma importância.

Para se incorporar os ficheiros de ponderação e os ficheiros binários com os

constrangimentos foi necessário elaborar um raster group com estes ficheiros. Somando

os ficheiros de ponderação (uso_95_fuzzy e rede_viaria_fuzzy) e dividindo a soma dos

ficheiros por 2 obteve-se um ficheiro com as ponderações totais.

Por outro lado, multiplicando todos os ficheiros binários de restrição

(hidrografia_reclass*ren_reclass*_ran_reclass*_pdm_reclass) e dividindo a


15

multiplicação por o mesmo número de ficheiros, obteve-se um ficheiro com a totalidade

das restrições.

Multiplicando ambos os ficheiros com a totalidade das ponderações e restrições obteve-

se um ficheiro com as regras de transição para a área em estudo.

Figura número 5 – Constrangimentos: máscaras binárias (à esquerda) e ponderação

(0-255) (à direita).

Com a ferramenta CA_Markov, usando o ficheiro reclassificado do uso e ocupação do

solo para 1995 como imagem base de ocupação e uso do solo, utilizando o ficheiro de

transição de áreas (cadeias de Markov) e incorporando o ficheiro com as regras de

transição, foi possível simular a ocupação e uso do solo para 2004, dizendo ao sistema

que o número de iterações dos AC são 9. O resultado da simulação para o ano de 2004

está presente na figura número 6.


16

Figura número 6 – Simulação da evolução da classe do uso do solo urbano para 2004.

Fase 5.1 - Validação do Modelo

O melhor método para efectuar a validação de um modelo é o cruzamento dos

resultados desse mesmo modelo com dados reais. Assim sendo, para validar o modelo

resultante deste estudo cruzou-se o output do modelo com o ficheiro reclassificado com

as classes da ocupação do uso do solo do ano de 2004 de forma a avaliar se a previsão

da evolução da classe do urbano, com base nas regras de transição, corresponde à

disposição da mesma classe do uso do solo para 2004.

A validação deste modelo de desenvolvimento urbano é fundamental para a

compreensão do mesmo, o pressuposto do conceito de validação neste modelo é a chave

para o seu desenvolvimento.

Para aferirmos a validade do modelo é necessário ter em conta o coeficiente de Kappa

obtido através do cruzamento dos dois ficheiros. Neste caso, o valor do coeficiente

estatístico de Kappa foi de 0.45 significando que existe uma relação moderada entre o

ficheiro com os dados reais e a simulação.


17

Cross-tabulation of simulacao_uso_solo2004 (columns) against uso04_reclass (rows)

0 1 Total

------------------------------

0 | 95455 2668 | 98123

1 | 312 36687 | 36999

2 | 706 78519 | 79225

------------------------------

Total | 96473 117874 | 214347

Chi Square = 199783.68750

df = 2

P-Level = 0.0000

Cramer's V = 0.9654

Proportional Crosstabulation

0 1 Total

------------------------------

0 | 0.4453 0.0124 | 0.4578

1 | 0.0015 0.1712 | 0.1726

2 | 0.0033 0.3663 | 0.3696

------------------------------

Total | 0.4501 0.5499 | 1.0000

Overall Kappa 0.4514

Dados provenientes do cruzamento entre o ficheiro resultante da simulação e o

ficheiro com os dados da ocupação e uso do solo para o ano de 2004.

Subtraindo o ficheiro resultante da simulação pelo ficheiro reclassificado da ocupação e

uso do solo de 2004, obteve-se as áreas que na realidade são da classe do urbano mas

que no ficheiro da simulação não são.

A figura número 7 é o resultado desta operação. As manchas a castanho representam as

áreas que são da classe do urbano na realidade. Com o histograma apresentado de

seguida, percebe-se que os pixéis da classe a castanho (urbano) são 7468. Sabendo que a

área total em estudo (urbano e restantes classes) tem 116224 pixéis, então, a


18

percentagem de área que a simulação apresentou como erro é, em termos relativos, de

6.42%.

Figura número 7- Áreas (a castanho) que a simulação não considerou como sendo da

classe do urbano mas que na realidade são.

Figura número 8 - Histograma do ficheiro de comparação entre as áreas da coasses o

urbano da do ficheiro de simulação com as mesmas áreas do ficheiro para o ano de

2004.


19

VI. Discussão e análise dos resultados

A possibilidade de simular ou prever as mudanças de ocupação e uso do solo, através

dos modelos de alteração dos padrões de uso e ocupação do solo, como é o caso do

modelo elaborado, pode ser uma grande vantagem e uma ajuda para os sistemas de

apoio à decisão.

As alterações do uso e ocupação solo podem gerar graves consequências tanto a nível

humano como ambiental. Os modelos de previsão do uso do solo são uma útil

ferramenta para a compreensão dessas consequências e, desta forma, são de extrema

importância do ponto de vista do ordenamento, planeamento e gestão do território.

Como em qualquer modelo, existe sempre um erro associado, quando comparado com a

realidade. Assim sendo, a melhor forma para validar um modelo será compará-lo com

dados reais.

Como foi referido no presente estudo, a validação deste modelo passou pelo cruzamento

entre o ficheiro de ocupação e uso do solo reclassificada para o ano de 2004 com o

ficheiro resultante da simulação do uso do solo para o mesmo ano. A diferença entre as

áreas que no ficheiro do uso do solo para 2004 são da classe do urbano para as áreas que

na simulação são da mesma classe rondou os 6%. Pode-se afirmar que é um bom

resultado, na medida em que todas as variáreis foram ponderadas com a mesma

importância e a ponderação interna das mesmas foi parametrizada de forma arbitrária,

com base no senso comum. Na figura número 9, trasladada abaixo, pode-se fazer a

comparação visual entre os dois ficheiros. Como se vê, a diferença entre a realidade e a

simulação não é muita.

Figura número 9 – Uso e ocupação do solo para 2004 (à esquerda) e simulação da

evolução da classe do uso do solo urbano para 2004 (à direita).


20

É notório que não existem grandes disparidades no que se concerne à classe a vermelho

(urbano), à excepção da área no canto inferior direito dos dois ficheiros. Nesta área,

nota-se que há uma grande área onde na realidade o uso e ocupação do solo é da classe

do urbano mas que no output da simulação não é dessa classe. Sendo que está é a área

onde houve o maior erro de simulação. Tirando esta área, o resultado da simulação foi

regular.

Em género de conclusão, pode-se afirmar que, apesar de se tratar de complexidade, não

é complicado modelar este tipo de fenómeno. Basta se ter acesso a uma base de dados

que disponha da informação necessária e saber com fidelidade e rigor as regras de

transição da área em estudo. Partindo daqui, é exequível qualquer um dos modelos de

previsão do uso do solo.


21

VII. Bibliografia

Torrens, Paul, 2000. How cellular models of urban systems work (1 Theory).

Center for advanced spatial analysis, UCL. Pp. 41-52;

Tenedório, José António; Rocha, Jorge; Encarnação, Sara e Ferreira, José

Carlos, 2006. Modelos Geográficos e Sistemas Urbanos Complexos. Técnicas de

geocomputação aplicadas à previsão de alterações na linha de costa. 21pp;

Abreu, Diogo; Rocha Jorge e Morgado, Paulo, 2007. Sebenta do seminário em

modelação geográfica e sistemas complexos. Faculdade de Letras. Universidade

de Lisboa. Pp. 1-30.

Education

Simulação da evolução da classe de ocupação e uso do solo - urbano (contínuo e descontínuo) para a área da Cova do Vapor no extremo Noroeste de Almada