Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.

2899

Regresso geograficamente ponderada aplicada ao estudo da relao pecuria e desmatamento no sudeste do estado do Par.
Magno Roberto Alves Macedo Instituto de Desenvolvimento Econmico, Social e Ambiental do Par IDESP Av. Municipalidade, 1461 Marco Belm Par CEP: 66050-350 magno.macedo@idesp.pa.gov.br / mrmacedo@museu-goeldi.br

Abstract: Understanding the deforestation of the Brazilian Amazon, is a challenge for many researchers, many Methodology are applied in pursuit of understanding the dynamics of this process. The livestock is widely accused of being primarily responsible for the removal of forest. The methodologies developed in the quest to understand this process, we highlight the regression models. This study aimed to compare the results of the traditional global model regression model (OLS) with a regression model that considers the spatial relationships of dependence. The results showed that when compared, the models weighted geographically, describe the spatial analysis, obtaining better results than global models, and thus contributed to the development of more reliable models. The regressions applied in southeast Par showed a strong correlation between the cattle industry and its influence on deforestation in the region. Palavras Chave: Deforestation, Regression Models, , Desmatamento, Modelos de Regresso

1. Introduo Modelos de regresso so modelos matemticos que relacionam o comportamento de uma varivel Y com outra X. Quando a funo f que relaciona duas variveis do tipo f(X) = a + bX temos o modelo de regresso simples. A varivel X a varivel independente da equao enquanto Y = f (X) a varivel dependente das variaes de X. O modelo de regresso chamado de simples quando envolve uma relao causal entre duas variveis. O modelo de regresso multivariado quando envolve uma relao causal com mais de duas variveis. Isto , quando o comportamento de Y explicado por mais de uma varivel independe X , X , ....X .
1 2 n

Estes modelos so bastante utilizados para estimar o comportamento futuro de algum fenmeno da realidade. Neste caso extrapolam-se para o futuro as relaes de causa-efeito j observadas no passado entre as variveis, sendo permitido simular os efeitos sobre uma varivel Y em decorrncia de alteraes introduzidas nos valores de uma varivel X usando estes modelos. H algum tempo, os modelos estatsticos vm influenciando e sendo influenciados pelas representaes espaciais, nascendo a chamada geoestatstica. O corpo metodolgico deste tipo de anlise consiste basicamente em um conjunto de instrumentos estatsticos que quantificam a grandeza espacial do objeto de estudo, em modelos de interpolao espacial tendo por base a sua variabilidade estrutural, e em modelos de simulao estocstica que quantificam a incerteza ligada ao fenmeno espacial (Soares, 2000). Neste escopo, Brunsdon et al (1996), desenvolveram a chamada Geographically Weighted Regression - GWR (Regresso Geogrficamente Ponderada - RGP), esta ferramenta foi desenvolvida com o intuito de se estudar fenmenos que sofrem variao de acordo com a rea que estudada, a chamada heterogeneidade espacial (Charlton e Fotheringham, 2002). A RGP tem como base o ajustamento de um modelo de regresso para cada ponto no conjunto de dados, ponderando as observaes em razo da distancia a este ponto (Carvalho et al., 2006). O fundamento e a chamada primeira lei da geografia que diz que pontos mais prximos do ponto de estudo tenham maiores influencias nos parmetros da regresso do que aqueles obtidos mais distantes (Carvalho et al.,2006), isso faz com que os resultados sejam um conjunto

2899

Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.2900

Sabendo da eficincia da varivel espacial nas regresses Cmara et al. (2005) nos mostra que A idia ajustar um modelo de regresso a cada ponto observado, ponderando todas as demais observaes como funo da distncia a este ponto. Sero feitos tantos ajustes quantas observaes existirem e o resultado ser um coeficiente de ajuste para cada localizao. Estes coeficientes podem ser apresentados visualmente para mostrar como se comportam espacialmente os relacionamentos entre as variveis. Esta tcnica denominada regresso ponderada espacialmente e permite, atravs da inferncia dos coeficientes de regresso locais, estimar as variaes espaciais das medidas territorializadas. Estes mesmos autores ressaltam que a grande maioria dos problemas de gesto pblica no Brasil depende da distribuio espacial do fenmeno subjacente, dentre estes se enquadra o desmatamento na regio amaznica. de fundamental importncia conhecermos para cada regio quais os fatores que influenciam na converso da floresta amaznica em diferentes usos e tipos de ocupao. sabido que nos ltimos anos vrios estudos tiveram como objeto esclarecer o desmatamento, seus atores e processos envolvidos na regio amaznica (Rivero et al. 2009), utilizando diversas metodologias que envolveram modelos economtricos, regresses etc. Estas pesquisas, em sua maioria trabalham em cima de dados tabulares, onde executam suas expresses, e interpretam seus resultados por meio de grficos, ndices e novas tabelas. Geralmente utilizam modelos de regresso tradicional com dados scio-econmicos, estes modelos ignoram sua localizao e produzem resultados gerais que se pretendem vlidos para toda a rea de estudo. preciso perceber que a maior parte das ocorrncias, sejam de quais caractersticas for, se ocorridas no espao quase que inevitavelmente apresentam entre si uma relao que depende da distncia (Cmara et al.,2005). Coadunado com esta linha de raciocnio este trabalho se prope a mostrar a relao entre o desmatamento e a atividade pecuria no sudeste do estado do Par utilizando dados de fontes secundrias como o INPE, o IBGE. Para tal, este estudo fez uso da estatstica espacial e da geoestatisca, utilizando-se de um modelo de regresso onde a varivel dependente o desmatamento, e as variveis explicativas so dados inerentes ao desenvolvimento das atividades pecurias, alm dados de ocupao do solo, sociais etc. o que difere ento estes trabalhos dos j realizados? A resposta que neste modelo de regresso ser levado em conta o componente espacial, pois todos os clculos tomaro como referencia a rea sem floresta dos municpios paraenses, isso faz com que seja diminuda a generalizao dos resultados destes modelos, pois apenas mostrar que a pecuria tem relao direta com o aumento do desmatamento no o suficiente, preciso mostrar onde ocorrem estes processos. 2. Metodologia de Trabalho 2.1. Regresso espacial Os modelos de regresso espacial podem variar de acordo como o interesse de estudo, e podem ser aplicados com efeito espacial global e efeito espacial local. Nesse estudo foi utilizado o efeito local, visto que, quando o processo espacial no-estacionrio, os coeficientes de regresso precisam refletir a heterogeneidade espacial, neste caso o desmatamento foi modelado observando a tendncia espacial de forma contnua com os parmetros variando no espao, isto pode ser ilustrado por: (1)

2900

Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.2901

Varivel Dependente (y): o fenmeno, o objeto, e o que voc est querendo relacionar / modelar / prever (o desmatamento, por exemplo) Variveis explicativas (x): So as variveis que influenciam diretamente, ou que hipoteticamente ajudam a explicar a varivel dependente; (rebanho bovino, Mumero de estabelecimentos agropecurios com bovinos etc.); Coeficientes (): So os valores, calculados pela ferramenta de regresso, que indicam a relao e o peso de cada varivel explicativa para a varivel dependente; Resduos: (): a parte da varivel dependente que no explicada pelo modelo.

2.2. Definindo a rea e as variveis de atuao do modelo Por o tema central deste estudo ser o desmatamento no estado do Par, nada mais bvio que o modelo de regresso espacial tome como referencia, no toda a extenso do Estado, e sim, somente as reas onde j ocorreram os desmatamento. Para isso foram selecionados os dados do projeto PRODES do Instituto Nacional de Pesquisas Espaciais do ano de 2005. A cada polgono de desmatamento foi calculada sua respectiva rea e foi associada a identificao do municpio que ele faz parte. No modelo a rea desmata (area_desm) foi a varivel dependente. Como variveis explicativas, foram utilizadas as informaes do censo agropecurio de 2006 referentes ao nmero de estabelecimentos agropecurios com pastagens (EstPast), Populao Rural (PopRur), e efetivo total do rebanho bovino (Rebov), pessoal ocupado em estabelecimentos da agropecuria (PesOcup). O uso das informaes de 2006 para tentar explicar o desmatamento de 2005, baseado nas observaes do Dr. Jonas Bastos da Veiga, especialista em pecuria na Amaznia, onde afirma que primeiro chega o pasto e depois chega o boi. O retrocesso temporal de 5 anos justifica-se pela temporalidade dos dados do censo agropecurio. 2.3. Ajustamento do conjunto de dados Apesar da RGP ser uma ferramenta eficiente na tentativa de explicar um fenmeno, ela no deve ser automaticamente a primeira escolha de qualquer exerccio de modelos de regresso. preciso ajustar as informaes e verificar o nvel de importncia de uma ou de um conjunto de variveis em relao ao fenmeno. Para tal, foi utilizado modelo de regresso linear por Mnimos Quadrados Ordinrios - MQO que consiste em uma tcnica de otimizao que procura encontrar o melhor ajustamento para um conjunto de dados tentando minimizar a soma dos quadrados das diferenas entre o valor estimado e os dados observados, onde tais diferenas so chamadas resduos. O clculo foi realizado com as ferramentas de estatstica espacial OLS do mdulo ToolBox do Software ArcGis 9.3 (ERSI, 2008). O MQO foi aplicado inicialmente em cada varivel explicativa, para posteriormente executar em combinaes entre estas mesmas variveis. 2.4. Autocorrelao espacial Aps o teste das variveis, foram execudados para cada operao a verificao da autocorrelao espacial entre os resduos, este procedimento necessrio pois, sempre que os resduos apresentarem uma estrutura de aglomerao (cluster) ou (dispersion), isso significa que no modelo ainda est faltando principais variveis explicativas, e voc no pode confiar em seus resultados. O objetivo que seus resduos apresentem um padro aleatrio (random),

2901

Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.2902

se o resultado da autocorrelao for este seu modelo est no caminho certo. Neste trabalho indice de autocorrelao espacial utilizado foi o Morans I das ferramentas de estatstica espacial do ArcGis. 2.5. Regresso Geogrficamente Ponderada Qualificadas as variveis, a RGP foi calculada, o mtodo seguiu o mesmo utilizado pelo modelo MQO, primeiro foi aplicado individualmente a cada varivel explicativa posteriormente foram aplicada s mesmas variveis associadas. Os clculos foram executados com a ferramenta Geographically Weighted Regression encontrada nas ferramentas de estatistica espacial do ArcGis. 3. Resultados e Discusso 3.1. Desmatamento dependente e rebanho bovino explicativa Quando aplicado modelo de regresso MQO encontrou-se o r = 0,83, o que considerado um bom resultado pela teoria do modelo, qualificando a varivel como de boa relao. Quando aplicado o ndice de Morans aos residuais, a resposta foi um Z score = 2,52, o que colocou os resduos em um padro tendendo a agrupado, isso indica que neste modelo apenas o rebanho como varivel explicativa, no suficiente para dar confiabilidade s respostas encontradas. Quando aplicada a RGP, o R-Squared (r) apresentou um ndice de 0,93 aumentando significativamente o poder de explicao da varivel, o ndice de Morans quando aplicado aos residuais geograficamente ponderados, passou de um padro quase agrupado para o padro aleatrio, o que deu mais credibilidade que h forte relao entre o nmero de bovinos em uma regio e o desmatamento. 3.2. Desmatamento dependente e Nmero de pessoas ocupadas em atividade agropecuria explicativa. Os resultados para esta relao apresentaram no mtodo MQO um r= 0,59 o que mostra que em relao anterior esta varivel tem um menor poder explicativo para a relao desmatamento pecuria, se comparada com a anterior. Contudo ainda um bom resultado, por este ser superior a 0,5. Quando analisados os seus residuais, estes apresentaram um padro aleatrio com Z score = 1,21 o que infere importncia a esta varivel. J os resultados para a RGP mostraram um r= 0,64 melhorando seu poder explicativo, contudo o comportamento dos residuais tendeu ao semi agrupado, com o Z score subindo para 1.71 deixando essa varivel bastante complexa para contribuir com um modelo de regresso confivel. 3.3. Desmatamento como dependente e Nmero de Estabelecimentos agropecurios com pastagem explicativa. Apesar de aparentemente essa varivel ter relao direta com o desmatamento, quando aplicado o modelo MQO o ndice do r foi abaixo do desejvel, 0,45, contudo o residual, quando avaliado pelo ndice de Morans apresentou o Z Score = 1,32 o que a coloca em padro de aleatrio. Porm as variveis com estas caractersticas no se enquadram entre as melhores quando se buscam resultados confiveis em um modelo,

2902

Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.2903

A qualificao desta varivel muda completamente quando ela submetida a RGP, com a ponderao espacial aplicada, o r= sobe para 0,60 dando um grau de importncia a ela no estudo pecuria desmatamento. Concomitante a isso a anlise residual mostrou um excelente resultado, mostrando um padro totalmente aleatrio com um Z score= 0,41. 3.4. Desmatamento como dependente e Populao Rural como explicativa. Se olhssemos esta varivel comente baseado no modelo de regresso MQO, a mesma seria considerada insignificante, pois seu r apresentou resultado bem abaixo de desejado apenas 0,26. Apesar de sua residual apresentas caracterstica espacial aleatria, uma varivel com estes valores no consegue explicar o fenmeno, explicitamente sero necessrias outras variveis para dar robustez ao modelo. Surpreendentemente, a historia muda completamente quando esta varivel inserida dentro da RGP, ela passa a ser uma varivel significante para a anlise desmatamento pecuria, pois seu r = sobe para 0,7 e depois de ajustado ficou em 0,58. A componente espacial tambm melhorou a anlise sobre os resduos, passando o Z Score para -0,2 assim permanecendo no padro aleatrio. 3.5. Primeira associao de variveis, desmatamento, rebanho bovino e populao rural. Algumas tentativas de associao de mais de uma varivel independente foram feitas, em sua maioria verificamos ainda necessitamos de outras variveis para chegarmos a uma regresso espacial multivariada confivel, porm este estudo conseguiu aproximar as variveis explicativas rebanho e populao rural. O primeiro resultado (MQO) apresentou o r= 0,85, estatisticamente muito bom, contudo a analise residual tendeu para a aglomerao apresentando um Z Score de 2,05. Esta aglomerao acaba influenciar na qualidade da regresso. Novamente com a RGP os resultados foram mais favorveis, o r subiu par 0,91 e os residuais agora aparecem com o Z Score de 0,8 dando a estes o padro desejvel que o aleatrio. 4. Consideraes finais Sabe-se que o estudo do desmatamento e suas causas so bastante complexos por se tratar de um processo dinmico. A necessidade dos cientistas em desenvolver ferramentas de respostas rpidas e confiveis faz com que inmeras metodologias se cruzem, neste intuito, os resultados mostraram que o uso da ponderao espacial em modelos de regresso que estudam as causas do desmatamento, e particularmente o papel da pecuria neste processo, de suma importncia. Pois de modo geral, quando observamos os resultados das aplicaes do modelo geograficamente ponderado, constatou-se que esta uma importante ferramenta de anlise espacial de dados. Em comparao como o modelo de regresso tradicional global, o MQO, a ponderao geogrfica proporcionou uma melhoria nos resultados obtidos, dando na maioria dos casos maiores significncias s variveis. A dependncia espacial contribui sem dvida para a reduo da superestimao das previses o melhorou a qualidade da modelagem. bvio que no podemos afirmar com esta simples pesquisa qual o papel da pecuria no desmatamento, mas podemos contribuir com uma linha de pensamento que tende a acreditar que a pecuria tem forte relao com os desmatamentos na Amaznia o que se confirma no sudeste do estado do Par.

2903

Anais XV Simpsio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.2904

Referencias Bibliogrficas Brusdon, C.; Fotheringham, A. S.; Charlton, M.E. Geographically weighted regression: a method for exploring spatial nonstationar-ity. Geographical Analysis, 28(4): 281-298, 1996. Camara, G.; Monteiro A. M.; Sposati, A.; Roman, R.; Koga, D.; Aguiar, A.P.D de. Territrios Digitais: As Novas Fronteiras do Brasil. Seminrio Temtico Preparatrio para a 3 CNCTI. Braslia, 2005. Carvalho, L. E. X.; Silva, H. N.; Loureiro, C. F. G.; Menezes H. B. Regresso Linear Geograficamente Ponderada em ambiente SIG. Transportes, Volume XIV, n 2: 18-26, 2006. Rivero. S.; Ameida. O.; vila. S.; Oliveira. W.; Pecuria e desmatamento: uma anlise das principais causas diretas do desmatamento na Amaznia. Nova Economia n 19 (1) 4166,2009. Soares A. Geoestatstica para as Cincias da Terra e do Ambiente. Instituto Superior de Tcnico, IST Press. Lisboa, Portugal, 2000.

2904