8

MODELAGEM DINMICA E GEOPROCESSAMENTO

Bianca Maria Pedrosa

Gilberto Cmara

8.1 INTRODUO

Historicamente, a tecnologia de Geoprocessamento enfatizou 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 Geogrficas (GIS) 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 comumente utilizadas em GIS
no os capturam de forma adequada. Deste modo, um dos grandes desafios da Cincia
da Informao Espacial o desenvolvimento de tcnicas e abstraes que sejam capazes
de representar adequadamente fenmenos espao-temporais dinmicos.
O uso de modelos temporais em GIS vem sendo investigado com afinco na
literatura recente (Worboys 1995). Neste trabalho, estaremos dando nfase a
abordagem de representao da dinmica espao-temporal por autmatos celulares.
Nesta abordagem o espao representado atravs de um array de clulas em que cada
clula pode assumir diferentes estados ao longo do tempo. O tempo varia em intervalos
discretos e o estado de todas as clulas muda simultaneamente em funo do seu prprio
estado, do estado das demais clulas em sua vizinhana e de acordo com um conjunto
especfico de regras de transio (Engelen 1995).
Neste trabalho, ser abordado os requisitos necessrios as abordagens utilizadas
para desenvolver sistemas espaciais dinmicos, os conceitos computacionais e
geogrficos envolvidos e algumas das aplicaes de Modelagem dinmica em
Geoprocessamento.
No captulo 2 sero apresentados os princpios bsicos para representar os
principais componentes de um modelo espacial dinmico. No captulo 3 sero
abordados os conceitos bsicos e os principais aspectos computacionais envolvidos na
modelagem dinmica de processos fsicos. Ser apresentado tambm um exemplo de
modelagem utilizando o aplicativo PCRaster. No captulo 4 sero apresentados dois
exemplos de aplicaes computacionais para modelagem dinmica de processos
urbanos, o Citylife e o modelo Multi-escala.

1
8.2 PRINCPIOS BSICOS

A atual gerao de GIS configura uma tecnologia estabelecida para armazenar,

organizar, recuperar e modificar informaes sobre a distribuio espacial de recursos
naturais, dados geo-demogrficos, redes de utilidade pblica e muitos outros tipos de
dados localizveis na superfcie da terra. Nesta rea, um dos principais desafios para os
prximos anos transformar estes sistemas, essencialmente estticos, em ferramentas
capazes de prover representaes realistas de processos espao-temporais. A
modelagem de grande quantidade de processos fsicos, em aplicaes como
Geomorfologia, Estudos Climticos, Dinmica Populacional e Impacto Ambiental,
requer que os GIS tenham capacidade de representar os tipos de processos dinmicos
encontrados em estudos de sistemas fsicos e scio-econmicos.
Neste contexto, a Modelagem Dinmica (Burrough 1998) procura transcender as
limitaes atuais da tecnologia de Geoprocessamento, fortemente baseada numa viso
esttica, bidimensional do mundo. O objetivo dos modelos dinmicos em GIS
realizar a simulao numrica de processos dependentes do tempo, como nos modelos
hidrolgicos, que simulam o fluxo e transporte de gua. Na definio de Burrough, um
modelo espacial dinmico uma representao matemtica de um processo do mundo
real em que uma localizao na superfcie terreste muda em resposta a variaes nas
foras dirigidas.
Tipicamente, GIS so desenvolvidos a partir de suposies pr-estabelecidas
quanto a homogeneidade, uniformidade e universalidade das propriedades de seus
principais componentes, que incluem o espao e as relaes espaciais, o tempo e o
modelo matemtico que descreve o fenmeno. Entretanto, para modelar processos
dinmicos em GIS com o nvel necessrio de realismo, estas suposies rgidas tm que
ser flexibilizadas de tal forma que o sistema seja capaz de representar (Couclelis 1997):
O espao como uma entidade no homognea tanto nas suas propriedades
quanto na sua estrutura.
As vizinhanas como relaes no estacionrias
As regras de transio como regras no universais.
A variao do tempo como um processo regular ou irregular.
O sistema como um ambiente aberto a influncias externas.

2
 regular irregular
Estrutura
Espao
uniforme no uniforme
Propriedades

estacionria no estacionria
Vizinhana

universal no universal
Funo de Transio 1 2

regularidade irregularidade
Tempo
fechado aberto
Sistema

Figura 8.1 Requisitos para modelagem dinmica em GIS (fonte: Couclelis, 1997)

Na figura 8.1 esto representados os requisitos mencionados acima. A

regularidade do espao diz respeito a forma como ele distribudo e pode ser regular,
isto , divido em parte iguais, ou irregular, distribudo de forma diferenciada. As
vizinhanas, que geralmente so concebidas como tendo a mesma configurao para
todo ponto no espao, deve superar esta estacionaridade e poder ser representada com
diferentes configuraes em diferentes pontos do espao. Por exemplo, em determinado
ponto uma clula pode ter vizinhana 4 e em outro vizinhana 8. O sistema deve
permitir que mais de uma funo de transio possa ser aplicada, permitir que o tempo
seja representado em intervalos variveis (meses, anos) e suportar a incluso de
variveis externas.
Para implementar sistemas espaciais dinmicos com as caractersticas
mencionadas acima, alguns princpios bsicos relativos aos principais elementos destes
sistemas devem ser considerados. Entre estes elementos destacam-se a questo da
representao do espao e do tempo, o modelo dinmico a ser utilizado para a
representao do fenmeno espacial e a abordagem computacional para implementar
estes princpios de forma integrada e consistente. Nas sees seguintes, discutiremos
cada um destes elementos.

3
8.2.1 O Espao

O espao o conceito chave na geografia e, por extenso, na Cincia da

Informao Espacial. Tradicionalmente, os gegrafos fazem uma distino entre os
conceitos de espao absoluto e espao relativo.
Espao absoluto, tambm chamado Cartesiano ou Newtoniano, um container
de coisas e eventos, uma estrutura para localizar pontos, trajetrias e objetos. Espao
relativo, ou Leibnitziano, o espao constitudo pelas relaes espaciais entre coisas e
eventos (Couclelis 1997).
Santos (1996) refere-se a distino entre espao absoluto e espao relativo como
o espao dos fixos e o espao dos fluxos. Em termos de representaes
computacionais pode-se, de forma aproximada, traduzir estes conceitos como a
distino entre as representaes associadas a recobrimentos planares (mapas de
polgonos e matrizes) e representaes associadas a conectividade (grafos). Um caso
tpico de medida realizada no espao absoluto so os ndices de auto-correlao
espacial. Neste caso, um dos instrumentos bsicos a matriz de proximidade espacial,
cujo clculo usualmente feito em funo de distncia euclidiana entre objetos ou da
existncia de uma fronteira entre eles. Na Figura 8.2 est representado um mapa
temtico e sua respectiva matriz de proximidade, definida com base nas fronteiras
existentes entre os objetos.

E A

B
C

Figura 8.2 Um mapa poligonal e sua matriz de proximidade

Em muitos fenmenos geogrficos, os objetos estabelecem relaes entre si que

independem das relaes espaciais tpicas como as relaes topolgicas, direcionais e de
distncia. Estes fenmenos geralmente incluem relaes como fluxo de pessoas ou
materiais, conexes funcionais de influncia, comunicao e acessibilidade, entre outras
(Couclelis 1999). Um exemplo de fenmeno em que a dimenso espacial requer o
4
conceito de espao relativo o caso de fluxo de pessoas pela rede de transporte
metrovirio de uma cidade. O fluxo de pessoas a partir de uma mesma origem tem
diferentes destinos, Figura 8.3, e a relao entre a origem e destino estabelecida com
base em relaes de conectividade e acessibilidade.

Figura 8.3 Mapa do Fluxo de Pessoas em uma rede de transporte

Couclelis (1997) prope a idia de espao prximo, como uma extenso dos
conceitos de espao absoluto e relativo. No espao prximo o conceito chave a
vizinhana associada noo de proximidade, que conduzem tambm ao conceito de
proximidade funcional ou influncia. O conceito de vizinhana facilmente visualizado
em representaes matriciais do espao. Algumas operaes espaciais disponveis em
GIS como filtros espaciais, por exemplo, utilizam a noo de espao prximo de forma
limitada. No filtro espacial, o estado de uma clula ( um pixel de uma imagem)
modificado com base nos estados das demais clulas em sua vizinhana, definida
atravs de uma mscara. A seguir apresentado um exemplo de filtro espacial e o
estado de uma clula qualquer antes (Figura 8.4b) e aps (Figura 8.4c) a aplicao do
filtro espacial.

a) Mscara b) estado da clula central antes do filtro c)estado da clula central aps o filtro

Figura 8.4 Exemplo de Filtro espacial

A abstrao fundamental na maior parte dos GIS atuais o conceito de mapa,

fortemente relacionado com noes cartogrficas e portanto, do espao absoluto Em
processos dinmicos a noo de espao relativo e prximo so fundamentais para
estabelecer e representar fluxos e conexes entre entidades do sistema.

5
8.2.2 O Tempo

Conceitualmente, pode-se representar o tempo atravs de diferentes estruturas,

definidas, principalmente, com base em trs aspectos da representao temporal:
granularidade, variao e ordem no tempo (Figura 5).

Ordem no tempo Variao Temporal Granularidade

linear discreto instante

ramificado contnuo intervalo

ciclco perodo

Figura 5 - Estruturas temporais (fonte: Worboys, 1998)

A ordem temporal refere-se ao modo como o tempo flui. Neste caso, pode-se
assumir que o tempo flui de forma linear, ramificada ou cclica. No tempo linear
considera-se que o tempo flui seqencialmente, ou seja, existe uma ordem de
precedncia entre os pontos no tempo, de tal forma que cada ponto tenha apenas um
sucessor e um antecessor. No tempo ramificado mltiplos pontos podem ser os
sucessores ou antecessores imediatos de um mesmo ponto. O tempo cclico utilizado
para modelar eventos e processos recorrentes (Edelweiss and Oliveira 1994).
Com relao variao temporal duas possibilidades podem ser consideradas:
tempo contnuo e discreto. Uma varivel temporal contnua usada em processos que
demandam medidas de tempo com nveis arbitrrios de preciso. Por exemplo, a
expanso da rea de desmatamento de uma floresta entre dois instantes de tempo
medidos pode ser interpolada. A Figura 6 apresenta mapas de uma rea desmatada em
dois instantes t e t. Se necessrio, pode-se gerar um novo mapa para representar a rea
desmatada entre os instantes t e t porque este processo contnuo no tempo.

Figura 6 rea Desmatada da floresta em dois instantes t e t

6
 Uma varivel temporal discreta usada quando o tempo medido em certos
pontos ou intervalos e a variao descontnua entre estes pontos. Uma delimitao de
lotes de um cadastro imobilirio pode ocupar uma posio num instante t e outra num
instante t, mas no faz sentido dizer que a delimitao ocupou alguma posio
intermediria entre t e t. Na figura 7, no instante t existem 4 lotes em uma rea
residencial, no instante t os lotes 2 e 3 so unidos formando um novo lote 5.

1 2 3 1 5

4 4

Figura 7 Delimitao de lotes de um cadastro imobilirio em dois instantes t e t

Associado ao conceito de variao temporal discreta, existe o conceito de

Chronos. Um chronon a menor durao de tempo suportada por um sistema e pode
variar em diferentes aplicaes (Edelweiss and Oliveira 1994).
A granularidade temporal de um sistema est diretamente relacionada com a
durao de um chronon. As diferentes granularidades de um sistema temporal
conduzem definio de instante e intervalo de tempo. Um instante de tempo
representa um ponto particular no tempo, um intervalo o tempo decorrido entre dois
instantes e um perodo consiste de uma seqncia de intervalos de tempo .
Em sistemas computacionais, representa-se o tempo em pelo menos duas
dimenses:
tempo vlido (valid time) - corresponde ao tempo em que um evento ocorre
no domnio da aplicao.
tempo de transao (transaction time) corresponde ao tempo em que
transaes acontecem dentro do sistema de informao (Worboys 1995).
Adicionalmente, existe o conceito de tempo definido pelo usurio, consistindo
de propriedades definidas explicitamente pelos usurios em um domnio temporal e
manipuladas pelo programa de aplicao (Edelweiss and Oliveira 1994).
A incorporao da dimenso temporal em um sistema de informao no se
restringe apenas questo da representao do tempo, mas inclui tambm questes
relativas a sua recuperao. Um GIS temporal deve ser capaz de recuperar informaes
atravs de consultas definidas sobre critrios temporais, como por exemplo:
Quais rodovias do Brasil foram recuperadas a partir de 1980 e agora
permitem uma velocidade superior a 100km/h ?
Qual rio teve a maior taxa de poluio entre 1970 e 1985?

7
 Quais as cidades em que a cobertura vegetal aumentou em pelo menos 5%
durante os ltimos 5 anos?
Para resolver consultas como as relacionadas acima, um GIS tem que prover um
conjunto de operadores e funes que permitam a avaliao de relacionamentos como
os de precedncia, sobreposio, igualdade e pertinncia entre dois intervalos de tempo
(Figura 8).

Predicado Exemplo
a precedes b

a meets b
a overlaps b

a contains b

a equals b

intervalo a
instante temp
intervalo b

Figura 8 Predicados temporais (fonte: Voigtmann, 1996)

Para exemplificar consultas envolvendo predicados como os apresentados na

Figura 8, utilizaremos uma linguagem de consulta temporal especialmente
desenvolvida para aplicaes em geoprocessamento, chamada T/OOGQL (Voigtmann
1996). Esta linguagem uma extenso ao SQL (Structured Query Language) com
suporte para tipos de dados espaciais e temporais.
Quanto aos operadores espaciais, a linguagem T/OOGQL oferece os clssicos
cross, overlap, touch e in, entre outros. Quanto aos aspectos temporais, a linguagem
T/OOGQL trabalha com os conceitos de timestamp (definio explcita de tempo
associada a uma informao), tempo vlido e tempo transacional, e oferece as seguintes
funes:

8
Funo
First(), Last()
FirstValue(), LastValue()
Begin(), End()
Period(b,f), Period(d)
Day(), Month(), Year()
date(), time(), datetime()
years(n), months(n), days(n)
Descrio
retorna o primeiro e ltimo timestamp associado a um
atributo, objeto ou relacionamento
retorna o primeiro e ltimo valor associado a um
atributo, objeto ou relacionamento
retorna o incio e o fim de um timestamp
retorna um perodo tendo incio b e final f ou um
perodo de durao d
construtores de timestamps para descrever um dia, ms
ou ano
construtores de timestamps para descrever uma data,
hora ou data e hora
retorna um intervalo de tempo com a durao de n dias,
n meses ou n anos

Figura 9 Funes Temporais do T/OOGQL

A seguir, demonstraremos o uso da linguagem T/OOGQL em alguns exemplos

de consultas que envolvem tanto operadores temporais quanto espaciais:
1. Quais rodovias do Brasil foram recuperadas a partir de 1980 e agora permitem uma
velocidade >= 100km/h ?
select snapshot r
from railroad r, state s
where s.name=Brasil and (r cross s or r in s) and
r.max_speed>=100 and
Begin( Year(1980) ) vt_precedes r.max_speed

2. Qual rio teve a maior taxa de poluio entre 1970 e 1985?

query_time:Period (Begin (Year(1970)), End(Year(1985)))
select r.name
from river r
where exists rp in r.pollution:
rp.max_pollution(query_time) >=max (select
max_pollution (query_time) from river_pollution)

9
3. Quais as cidades em que a cobertura vegetal aumentou em pelo menos 5% durante
os ltimos 5 anos?
select c.name
from city c
where c.vegetation.coverage(Wood,c.geometry,now)
>= min(c.vegetation.coverage(Wood,c.geometry,
Period(now-years(5)),now)))+5

Nas consultas apresentadas acima, as clusulas select, from e where so

similares s de qualquer linguagem baseada em SQL. Os prefixos vt e tt so
abreviaes para tempo vlido e tempo de transao, respectivamente. As palavra
reservada Snapshot, presente na clusula select da primeira consulta, tem o mesmo
significado da Linguagem TSQL2 (uma extenso temporal para a linguagem SQL2), ou
seja, gera um resultado de consulta instntaneo, sem timestamps associados (Voigtmann
1996).

8.3 MODELOS

Modelos espaciais dinmicos descrevem a evoluo de padres espaciais de um

sistema ao longo do tempo. Segundo Lambin(1994) um modelo deve responder as
seguintes questes:
Quais variveis ambientais e culturais contribuem para explicar o fenmeno
e quais so os processos ecolgicos e scio-econmicos existentes por trs
do fenmeno?
Como o processo evolui?
Onde ocorrem os fenmenos?
Estas questes chaves podem ser identificadas como as clssicas Porque,
Quando e Onde. Um modelo que responde a estas questes capaz de descrever
quantitativamente um fenmeno e prever sua evoluo, integrando suas escalas
temporal e espacial.

10
8.3.1 Tipos de modelos

Um modelo constitudo de pelo menos trs elementos: variveis,

relacionamentos e processos. Ao se construir um modelo, dependendo do objetivo,
pode-se dar nfase a um ou outro destes elementos. Nesta viso, os modelos podem ser
classificados em empricos e de sistemas. Modelos empricos focalizam os
relacionamentos entre as variveis do modelo, a partir da suposio de que os
relacionamentos observados no passado continuaro no futuro. Modelos de sistemas so
descries matemticas de processos complexos que interagem entre si, enfatizando as
interaes entre todos os componentes de um sistema (Lambin 1994).

Modelos

Empricos Sistema

Cadeias Logsticos Regresso Simulao Dinmico

Figura 8.10 Tipos de modelos

8.3.1.1 Modelos Empricos

Os modelos empricos, em sua dimenso procedural, possuem trs componentes

chaves: uma configurao inicial, uma funo de mudana e uma configurao de sada.
A configurao inicial de um modelo dinmico pode ser obtida atravs de dados
histricos do fenmeno em estudo, chamados de sries temporais. Neste caso, equaes
diferenciais (totais ou parciais) que incluem pelo menos um termo derivado no tempo
podem ser utilizadas para representar o modelo e o processo classificado como
determinstico. Quando variveis aleatrias so utilizadas para explicar um sistema o
processo classificado como estocstico-probabilstico.
Modelos empricos so caracterizados pela simplicidade dos modelos
matemticos empregados e pelo nmero reduzido de variveis envolvidas. Este
modelos so eficientes em fazer predies, embora apresentem limitaes em abordar a
evoluo espacial e identificar os aspectos causais do sistema. A seguir, sero
apresentados trs modelos empricos: cadeias de markov, modelos logsticos de difuso
e modelos de regresso.

11
 Cadeias de Markov

Cadeias de Markov so modelos matemticos para descrever processos

estocsticos e podem denotadas por:

(t+1)= Pn.(t)
onde (t) o estado do sistema no tempo t, (t+1) o estado do sistema aps o
intervalo t+1 e Pn so os estados passveis de acontecer, que so representados em
matrizes de possibilidades de transio. Essas matrizes de transio representam a
possibilidade de um determinado estado i permanecer o mesmo ou mudar para o estado
j durante o intervalo de tempo t->t+1. As probabilidades de transio so usualmente
derivadas de amostras relativas a um certo intervalo de tempo. Cadeias de Markov de
1a ordem assumem que o estado futuro do sistema depende apenas do seu estado
presente e das possibilidades de transio, sendo independente da trajetria que o levou
aquele estado (estados em um tempo t-1). Este modelo no ignora o passado, mas
assume que toda a informao do passado est concentrada no presente estado do
sistema. Desta forma, as interaes so instantneas, sendo irrelevante o tempo de
permanncia das variveis em cada estado (Soares Filho 1998).
Outra caracterstica das cadeias de Markov que as probabilidades de transio no
mudam com o tempo, o que o caracteriza como um processo estacionrio.
As principais vantagens das cadeias de Markov so a simplicidade operacional e
matemtica do modelo aliadas a facilidade com que podem ser aplicadas a dados
provenientes de sensoriamento remoto e implementadas em GIS. Outra grande
vantagem o fato de no necessitar de grande quantidade de dados antigos para prever
o futuro.
As principais limitaes das cadeias de markov incluem o fato do modelo no explicar o
fenmeno (Porque) e ser limitado na resposta espacial (Onde), entretanto o modelo pode
pode fazer predies (Quando) desde que os processos sejam estacionrios. Alm
disto, o modelo no suporta de imediato a incluso de variveis exgenas como
variveis scio-econmicas ou outras foras dirigidas, embora esta limitao possa ser
superada. Em (Lambin 1994) so apresentadas vrias abordagens para superar as
principais limitaes de cadeias de Markov em modelagem dinmica.

12
 Modelos logsticos de Difuso
Modelos logsticos so utilizados para descrever matematicamente fenmenos
em que as variveis inicialmente apresentam variaes em um ritmo lento, depois o
ritmo de variaes se intensifica, voltando a reduzir-se at que o nvel de saturao seja
atingido. Este modelo leva em conta as interaes temporais entre as variveis do
sistema, podendo ser expresso por:
dP/dt = r P [ (U - P) / U]
onde P a varivel de um fenmeno de crescimento ao longo do tempo t, como
aumento da populao, por exemplo; r a taxa de crescimento e U uma funo de
crescimento (Lambin 1994). Dentre os modelos baseados em funes logsticas
destacam-se os modelos de difuso. Tais modelos enfatizam a velocidade do processo e
permitem a incluso de variveis relacionadas s causas do fenmeno.
Os principais elementos de um modelo espacial de difuso so (Soares Filho
1998):
meio ambiente (isotrpico ou heterogneo)
tempo (contnuo ou discretizado)
item a ser difundido (material, pessoas, informao, doena)
locais de origem
locais de destino
caminhos a serem percorridos
Estes elementos interagem entre si atravs de um mecanismo em que pode-se
identificar quatro estgios:
Estgio inicial neste estgio tem incio o processo de difuso.
Estgio de difuso tem incio o processo de espalhamento
Estgio de condensao diminui o ritmo do espalhamento.
Estgio de saturao ocorre a desacelerao ou encerramento do processo
de difuso.
O processo de espalhamento em modelos de difuso pode se dar por expanso
ou realocao. Nos modelos de difuso por expanso a informao ou material se
espalha de uma regio para outra, permanecendo na regio original. Nos modelos de
difuso por realocao os objetos se movem para novas regies, abandonando as rea
originais (Soares Filho 1998). Modelos de difuso no explicam as causas de um
fenmeno, embora possam integrar variveis ecolgicas e scio-econmicas. Sua maior
contribuio est na predio do comportamento futuro do fenmeno. Quanto
dimenso espacial, o modelo em si no a incorpora, mas ela pode ser introduzida atravs
da integrao deste modelo com um GIS (Lambin 1994).

13
 Modelos de Regresso
O objetivo dos modelos de regresso estabelecer relaes estatsticas entre um
fenmeno em estudo e as variveis independentes, chamadas foras dirigidas, que
exercem influncia sobre ele. Sendo assim, o modelo suporta a incluso de variveis
exgenas como as scio-econmicas. Isto contribui para o entendimento do fenmeno
em estudo, mas insuficiente para explic-lo, pois a identificao de um relacionamento
estatstico entre duas variveis por si s no estabelece um relacionamento causal entre
elas. Por exemplo, pode-se identificar atravs de um modelo de regresso que o
crescimento populacional tem relao com o crescimento do desmatamento de uma
determinada regio, entretanto, o modelo de regresso no explica os mecanismos que
ligam estas variveis (Lambin 1994).
Matematicamente, o modelo estabelece um relacionamento linear entre as
variveis dependentes e independentes atravs da expresso:
y= a0 + a1 x1 + a2x2 + ... + aixi + E
onde:
y = mudana ocorrida em um determinado tempo
xi = variveis independentes (foras dirigidas)
Ai = Coeficientes de regresso dos relacionamentos
E = Componente de erro

Em modelos de regresso a dimenso temporal considerada, mas a distribuio

espacial do fenmeno no abordada, limitao esta que pode ser superada se o modelo
for combinado com GIS. Outra limitao deste modelo que ele se aplica apenas a
processos estacionrios (Lambin 1994).
Um exemplo de modelo de regresso o implementado por Reis e Margulis
(1991) para modelar o desmatamento da Amaznia em funo da densidade espacial das
atividades econmicas da regio. Neste modelo, num primeiro estgio, reas
desmatadas so relacionadas com a densidade populacional, reas cultivadas, distncia
de centros urbanos e proximidade de rodovias, entre outras variveis. Num segundo
estgio, o modelo relaciona o crescimento de determinadas atividades (colonizao,
cultivo, pecuria) entre 1980 e 1985 com a densidade destas atividades em 1980,
obtendo assim o padro de crescimento espacial de cada atividade. Ento, partindo da
suposio de que este padro espacial de crescimento ir se manter no futuro, o modelo
faz projees sobre a tendncia de desmatamento para o perodo de 1985-2000 (Lambin
1994).

14
8.3.2 Modelos de Sistemas

Modelos de sistemas procuram descrever o sistema como um todo, isto ,

tentam representar as interaes entre todos os seus componentes. Uma caracterstica
chave destes modelos a eficincia com que abordam a dimenso espacial,
implementando conceitos como as relaes de vizinhana e suportando o uso
combinado de mltiplas escalas. A seguir, descreveremos as caractersticas de gerais de
duas classes de modelos de sistema: os modelos de simulao de ecossistemas e os
modelos de simulao dinmica espacial.
Modelos de Simulao de Ecossistemas
Modelos de Ecossistemas so projetados para imitar o comportamento de um
sistema, enfatizando as interaes entre todos os seus componentes. Estes modelos so
baseados na composio de ecossistemas complexos em um nmero de equaes
diferenciais (Lambin 1994). A construo de um modelo de simulao requer que os
principais aspectos que afetam o fenmeno estejam bem integrados, que seus
relacionamentos funcionais estejam bem representados e que o modelo possa predizer
os impactos ecolgicos e econmicos das mudanas ao longo do tempo.
Estes modelos so adequados para representar processos no estacionrios, mas
apresentam limitaes quanto ao aspecto espacial, pois tratam o espao como uma
entidade homognea (Lambin 1994).
Modelos de Simulao Dinmica Espacial
Modelos de Simulao Dinmica Espacial baseiam-se em modelos de
ecossistemas com extenses para acomodar a heterogeneidade espacial e processos
humanos de tomada de deciso.
Uma abordagem para desenvolver modelos de simulao dinmica espacial
representar o espao como uma matriz de clulas e aplicar as equaes matemticas a
cada uma das clulas da matriz, simultaneamente. Cada clula do modelo est
conectada com suas clulas vizinhas, de tal forma que possvel estabelecer um fluxo
entre clulas adjacentes. Isto simplifica sobremaneira o mecanismo de predies do
sistema porque por exemplo, se uma clula tem trs vizinhos com estado x, altamente
provvel que o estado desta clula venha a ser x tambm. Entretanto, este raciocnio
simplista pode ser aperfeioado em regras de transio. Outro aperfeioamento desse
modelo a possibilidade de incorporar processos de tomada de decises. Modelos que
incorporam este mecanismo so chamados modelos baseados em regras. As regras de
tomada de deciso so representadas atravs de abstraes muito semelhantes quelas
que ocorrem na mente humana.
Um exemplo de modelo com as funcionalidades mencionadas acima o DELTA
(Dynamic Ecological Land Tenure Analisys), um sistema desenvolvido para integrar

15
aspectos scio-econmicos da colonizao amaznica e aspectos ecolgicos do
desmatamento e da liberao de carbono no Estado de Rondnia.
O DELTA consiste em trs submodelos integrados que simulam,
respectivamente, a difuso da colonizao, mudana do uso do solo e liberao de
carbono. Os submodelos so examinados em diferentes escalas, o que caracteriza o
modelo como muit-escala. Alm disto, o modelo considerado a playing game tool,
pois no se restringe a fazer predies, mas sim a servir como instrumento para
responder what if questions (Lambin 1994).
Para finalizar, um resumo das caractersticas chaves de cada tipo de modelo,
segundo o potencial de cada um deles para responder as perguntas porque, quando e
onde apresentado a seguir:
Modelo Porqu Quando Onde
Cadeias de no pode explicar a razo pode predizer a pode predizer
de um fenmeno por ser evoluo de processos distribuies
Markov
processo estocstico e estacionrios espaciais de
no suportar a incluso de elementos do
variveis exgenas modelo se for
combinado com GIS
Logstico de permite a incluso de suporta a dimenso pode predizer
Difuso poucas variveis temporal, podendo distribuies
exgenas, entretanto um predizer a evoluo espaciais de
modelo descritivo, no de processos no elementos do
suportando investigaes estacionrios modelo se for
exploratrias combinado com GIS
Regresso contribui para identificar pode predizer a no so modelos
foras direcionadoras, evoluo de processos espaciais, entretanto
entretanto so modelos estacionrios podem ser
descritivos, no sendo combinados com
capaz de estabelecer GIS
relaes causais entre as
variveis
Simulao de modelo exploratrio que pode formular apresenta
Ecossistemas requer descries cenrios de mudanas dificuldades na
funcionais dos sistemas futuras no uso do representao
ecolgicos solo, baseado nos espacial
parmetros do modelo
Simulao requer modelos funcionais pode predizer pode predizer
Espacial espacialmente definidos mudanas temporais evoluo de padres
no uso do solo, espaciais em
Dinmica
baseado nos processos
parmetros do modelo determinsticos

16
8.3.3 Autmatos Celulares

Em 1982 John Conway apresentou o Jogo da Vida (The Game of Life),

demonstrando que regras muito simples quando aplicadas repetidamente sobre estados
aleatrios, produzem resultados semelhantes forma como certos sistemas evoluem no
mundo real. No Jogo da Vida o espao representado como uma grade de clulas,
algumas das quais esto vivas e outras mortas. Dado um estado inicial aleatrio, a cada
gerao, novas clulas nascem e algumas morrem. O que determina o estado de uma
clula sua vizinhana que, neste caso, definida por quatro clulas adjacentes. Uma
clula viva morre se tiver duas ou trs clulas vizinhas vivas. Por outro lado, uma
clula morta renasce, se tiver trs clulas vizinhas vivas. Este sistema deu grande
popularidade aos conceitos de autmatos celulares, que foram inicialmente
apresentados por John Von Newmann (Roy, 1996) .
Nos ltimos anos, os conceitos de autmatos celulares tem sido utilizados para
modelar fenmenos fsicos e urbanos (Batty 1999, Burrough, 1998; Roy, 1996;
Engelen, 1995; Cmara, 1996). Nesta abordagem o espao representado por um
mosaico de clulas, geralmente de tamanhos e formatos idnticos (regular tesselations).
Algumas das formas mais simples utilizadas para representar clulas em autmatos
celulares so apresentadas na figura 8.12.

Figura 8.12 Representaes de clulas em autmatos celulares (fonte: Cmara,

1996)

Sobre cada clula de um autmato celular so aplicadas regras de transio.

Regras de transio determinam quando e porque o estado de uma clula se altera e
podem ser qualitativas ou quantitativas.
Para ilustrar como se d o mecanismo de aplicao das regras de transio,
apresentaremos um exemplo simples baseado em (Cmara 1996). Neste exemplo, uma
clula pode assumir dois estados (branco e preto) e sua vizinhana definida sobre duas
clulas adjacentes. As regras de transio especificam que o estado de uma clula num
instante t+1 igual ao dos seus vizinhos no instante t, se estes vizinhos tiverem os
estados iguais; caso contrrio, o estado da clula permanece o mesmo. Para entender o
exemplo necessrio identificar os componentes bsicos do autmato celular clssico,
que so:
17
 espao euclidiano, dividido em um array de clulas
uma vizinhana de tamanho e formato definidos (Figura 13a)
um conjunto de estados discretos (Figura 13b)
um conjunto de regras de transio (Figura 13c)
um conjunto de intervalos de tempo, com atualizao simultnea das clulas
(Figura 13d)

a) vizinhana c) regras de transio d) exemplo

b) estados
instante t

instante t+1

Figura 8.13 Exemplo de autmato celular (Fonte: Cmara,1966)

A dinmica de aplicao das regras de transio em um autmato celular
semelhante a de um filtro espacial. Desta forma, todas as clulas so avaliadas e,
quando for o caso, modificadas para um novo estado. Na figura 13 d, a primeira clula
da segunda linha do autmato tem, no instante t, o estado branco e suas vizinhas
possuem estados diferentes (uma branca e outra preta). Neste caso o estado da clula
permanece o mesmo (1a regra de transio). Seguindo o mesmo mecanismo, a segunda
clula da segunda linha, tem no instante t o estado preto e suas vizinhas tem ambas o
estado branco, logo o estado desta clula sofre uma transio para branco (2a regra de
transio). O processo segue este mecanismo para as demais clulas at que todas
tenham sido avaliadas.
No exemplo acima, pode-se observar que as mudanas geradas por autmatos
celulares so estritamente locais, isto , baseadas nas vizinhanas de cada clula. Nesta
perspectiva, pode-se dizer que sua aplicao eficiente em processos em que a ordem
global emerge de aes locais e descentralizadas (Batty 2000).

18
8.4 MODELAGEM DINMICA DE PROCESSOS FSICOS

Na seo anterior foram apresentados os princpios bsicos relativos aos

principais componentes de um modelo espacial dinmico. Estes modelos so utilizados
para explicar a ocorrncia de um fenmeno, seu padro espacial e sua evoluo ao
longo do tempo, respondendo assim s questes chaves porque, onde e quando,
respectivamente. Dentre as diversas aplicaes da modelagem espao-temporal
podemos identificar dois grandes grupos de processos: os fsicos e os de planejamento
urbano. Estes grupos possuem variveis e comportamentos diferenciados que exigem
diferentes abordagens de implementao. Nesta seo focalizaremos alguns aspectos
computacionais presentes em modelagem dinmica de processos fsicos e
apresentaremos um exemplo de modelagem dinmica utilizando o aplicativo PCRaster.

8.4.1 Aspectos Computacionais

Fenmenos fsicos tais como o escoamento da gua da chuva e a difuso de

plantas, encontrados na hidrologia e ecologia, respectivamente, so exemplos de
fenmenos com alto ndice de variao do estado da superfcie ao longo do tempo. A
complexidade dos modelos dinmicos depende da dimenso em que tais modelos
operam, 2 ou 3D, e dos equacionamentos matemticos que utiliza . O mais simples dos
modelos dinmicos chamado modelo pontual sem memria. Neste modelo, o estado
de uma clula modificado apenas pela varivel fornecida como entrada para esta
clula em um determinado instante t (Figura 14a). As demais clulas, bem como o
estado desta clula em instantes anteriores no afetam o estado da clula naquele
momento. Sendo assim, o estado de uma clula num processo pontual sem memria
uma funo matemtica operando na varivel de entrada da clula no instante t (Figura
14b).

Si(t) = (Ij(t))
a) b)
S

Figura 14 Clula cujo estado depende apenas da varivel de entrada (I) (fonte:
Burrough, 1998)

19
Processos pontuais com memria referem-se a processos em que o estado de uma
clula no instante t+1 retm informaes sobre seu estado no instante t. A memria da
clula determinada por uma funo g operando no estado inicial da clula (Figura
15b). Um exemplo clssico para ilustrar o caso de processos pontuais com memria o
caso da gua da chuva no solo. Quando o solo no consegue mais absorver gua deve
ocorrer algum transporte de material. Neste caso esta distribuio de material pode ser
feita verticalmente, isto , das clulas superiores para as inferiores (fluxo gravitacional
Darcys law) , como mostra a Figura 15a.

b)
Si ( t+1 ) = g ( Si ( t ) )+ ( Ij )
a)
S1

S2

Figura 15 Clula com adjacncia vertical (fonte: Burrough, 1998)

Outra forma possvel de transporte de material, considerando ainda o exemplo da gua

da chuva no solo, atravs da adjacncia lateral (processo de disperso), Figura 16a.
Neste caso existem mais variveis envolvidas, o estado de uma clula depende do seu
estado anterior, do fluxo de material e das entradas naquele intervalo de tempo (Figura
16b).

I1 I2 I3

a) S1 S2 b) Si(t+1)=g(Si(t)+ (Ii)) + Fin(t)

F1 F2

Figura 16 Clula com adjacncia horizontal (fonte: Burrough, 1998)

As clulas podem tambm ser conectadas por ligaes topolgicas (Figura 17). Estas
ligaes geralmente so baseadas em aspectos fsicos do transporte de material. No
caso da gua de chuva, uma boa orientao para modelar o fluxo de material de clula
para clula conhecer a topologia do terreno.
Para que o fluxo de material de clula para clula possa ser computado a partir da
topologia do terreno necessrio modelar esta topologia em uma forma
computacionalmente apropriada. As redes Local Drain Direction (LDD), Figura 18,
apresentam uma estrutura de dados computacional que viabiliza a interao entre as
clulas. Nesta estrutura, que corresponde a um array de clulas (cellarray), cada clula

20
possui um atributo que indica a direo de fluxo. Esta direo pode ser para um dos
seus oito vizinhos, considerando o espao 2D.

I1

S I
I
F
S
S3
F

Figura 17 Clulas com adjacncia direcionada pela topologia (fonte: Burrough, 1998)

Para gerar a rede LDD existem vrios algoritmos dentre os quais o D8

(Deterministic algorithm) destaca-se pela sua simplicidade (Burrough and McDonnel
1998). Neste algoritmo, a direo do fluxo determinada pela direo mais inclinada
dentro de uma janela 3x3 de clulas. Numa rede LDD existem dois tipos de clulas
upstream e target. A clula target a clula para onde todo o fluxo direcionado. As
demais clulas so chamadas upstream.
Cu Cu Cu Cu Cu

Cu Cu Cu Cu Cu

Cu Cu Cu Cu Cu

Cu Cu Cu Cu Cu

Cu Cg Cu Cu Cu

Figura 18 Local Drain Direction (fonte: Burrough, 1998)

O material pode fluir por uma rede LDD a partir de diferentes funes, tais como:
fluxo acumulado - calcula o novo estado dos atributos de uma clula, somando o
valor original da clula mais a soma acumulada de todos as clulas upstream, cujo
fluxo passa por esta clula;
capacidade de transporte de uma clula - limita o fluxo de clula para clula a uma
atributo de capacidade de transporte fornecido em valores absolutos;
frao de transporte - limita o fluxo sobre a rede a um parmetro que controla a
proporo de material que pode fluir por cada clula.

21
 valor limite modifica o acmulo de fluxo sobre a rede limitando o transporte de
valores superiores a um determinado limite mnimo por clula.
valor de disparo permite o fluxo de material apenas se um valor de disparo for
excedido.

8.4.2 PCRaster

Para demonstrar a aplicabilidade dos conceitos vistos nas sees anteriores,

apresentaremos um exemplo de fenmeno fsico que requer modelagem dinmica para
ser representado. Para modelar este fenmeno utilizaremos um aplicativo chamado
PCRaster.
PCRaster um toolkit para modelagem dinmica que opera no modo matricial
(Raster) e oferece um conjunto de ferramentas para anlise espacial e temporal, funes
para disperso espacial e transporte sobre redes topolgicas e um conjunto de metdos
geoestatsticos para interpolao e simulao espacial. No PCRaster os resultados
podem ser exibidos de forma dinmica em 2 ou 3D. Para ilustrar o uso do PCRaster
utilizaremos como exemplo um caso de escoamento de gua da chuva em uma Bacia.
Para modelar este processo necessrio fornecer como entradas para o sistema o
Modelo Numrico do Terreno (MNT) e as sries temporais com os dados de
precipitao pluviomtrica. A partir do MNT (Figura 20) gerada a rede LDD, que a
rede de drenagem por onde a gua excedente flui. A gua excedente toda a gua que
no foi infiltrada, por j ter excedido a capacidade de infiltrao da clula. Para
determinar o padro espacial do processo de infiltrao, um mapa de solos da rea em
estudo tem que ser fornecido. A partir destes dados, o programa executado e gera um
conjunto de mapas resultantes (Figura 19).

d) Mapa de solos

a) MNT
rain in two rain areas for 1993, time = 1: november; time =
12: october
3
model time
rain (mm/month) in rain area 1, id = 1
rain (mm/month) in rain area 2, id = 2
1 74 75
2 71 71
3 74 76
4 58 59
5 40 40
6 40 42
7 45 47

c) TSS
b) LDD

PROGRAMA PCRASTER

e)mapas resultantes

Figura 19 Esquema simplificado das entradas e sadas do PCRaster

22
 As sries temporais so arquivos ascii, contendo dados armazenados de forma
tabular (Figura 21). Os dados fornecidos na sries temporais so utilizados para
calcular o novo estado das clulas. Uma das funes de fluxo de material, comentadas
na seo anterior, selecionada pelo usurio para calcular o fluxo de gua de clula
para clula.

rain in two rain areas for 1993, time =

1: november; time = 12: october
3
model time
rain (mm/month) in rain area 1, id = 1
rain (mm/month) in rain area 2, id = 2
1 74 75
2 71 71
3 74 76
4 58 59
5 40 40
6 40 42
7 45 47
8 62 64
9 80 78
10 80 85
11 75 79
Figura 20 - MNT da rea de estudo 12 67 69

Figura 21 Srie temporal dos ndices

pluviomtricos

Um programa PCRaster (arquivos .mod) organizado em cinco sees: binding,

areamap, timer, initial e dynamic. A seo binding onde so definidas as ligaes
entre as variveis do programa e os arquivos. Estas ligaes tem dupla direo, tanto
podem determinar que as variveis sero gravadas nos arquivos especificados (caso em
que executado um comando report na seo dynamic), quanto podem apenas indicar
que as variveis recebero valores provenientes dos arquivos especificados. Depois, na
seo areamap, deve ser definido o formato geral dos mapas do modelo. Todos os
mapas utilizados em um modelo devem ter o mesmo tamanho, localizao geogrfica e
resoluo. Na seo timer, o domnio de tempo do modelo definido atravs de uma
declarao que fornece os tempos inicial e final da execuo do modelo, bem como o
intervalo ou passo em que este tempo deve variar ao longo da execuo do modelo. A
seo initial utilizada para inicializar as variveis do programa. Esta seo
executada antes da primeira execuo da seo dynamic. A seo dynamic a parte
principal de um programa PCRaster. Descreve as mudanas temporais das variveis ou
mapas do modelo. A principal caracterstica desta seo ser iterativa, isto ,
repetida, do incio ao final, para todo o intervalo de tempo definido na seo timer.
A seguir apresentado um exemplo de programa PCRaster para calcular a precipitao
da bacia, de nosso exemplo.

23
 # model for simulation of rainfall
# one timeslice represents one month

binding
RainTimeSeries=rain12.tss;# timeseries with rainfall (mm) per month
# for two rain areas
Precip=rain; # reported maps with precipitation,
# rain is suffix of filenames
RainAreas=rainarea.map; # map with two rain areas

areamap
clone.map;

timer
1 12 1;

initial
# this section is empty

dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);

Figura 22 Programa PCRaster para calcular a precipitao

No programa acima, na seo binding as variveis dos programas foram

associadas a arquivos do Banco de dados. A declarao
RainTimeSeries=rain12.tss; especifica que ser utilizada a srie temporal
armazenada no arquivo rain12.tss (Figura 21). Depois, na declarao Precip=rain;
definido que o nome dos mapas de precipitao resultantes sero gravados em
arquivos nomeados por rain0000.xxx(onde xxx varia de 001 a 012, porque a
precipitao ser calculada para 12 meses, conforme definido na seo timer). Na
seo timer especificado 1 12 1, que significa que o programa deve executar a
seo dynamic 12 vezes, a varivel que controla estas repeties comea com o valor
1 e incrementada no passo 1. Na seo dynamic, a precipitao calculada atravs
da expresso report Precip = timeinputscalar (RainTimeSeries,
RainAreas); onde: Timeinputscalar uma funo que requer dois
parmetros: a srie temporal e o mapa sobre o qual deve ser calculada a precipitao.
Depois de calculada a preciptao , pode-se facilmente estender o programa
anterior para calcular a precipitao total em m3/s. Para isto, basta incluir na seo
dynamic a seguinte expresso:

report VolumePrecip=maptotal(Precip)*(cellarea()/2628);

onde 1/2628 o fator de converso da rea celular (Km2) e Precip(mm/month) para

m3/s.

24
 Nesta instruo a operao maptotal calcula a soma dos valores das clulas em
Precip. Esta soma multiplicada pela rea de uma clula do mapa (cellArea()) e
dividida pelo fator de converso para m3/s.
Para calcular a precipitao efetiva, a evapo-transpirao deve ser includa no
modelo. Assumindo que as condies do solo no influenciam na taxa de evapo-
transpirao, pode-se calcular a evaporao para um ms (Evap, mm/ms) atravs da
expresso:

Evap=K * EvapRef

onde:
EvapRef uma referncia , um padro da superfcie do solo durante o ms em
questo. Existe um valor diferente para cada ms e para cada classe de uso do solo.
K um coeficiente constante no tempo para uma classe de uso do solo.
Depois, calcula-se a preciptao excedente, atravs da expresso:
PrecipSurplus = Precip Evap;
Se a precipitao excedente for positiva em um ms, ser adicionada ao solo.
Se a quantidade mxima de gua no solo for atingida, a parte restante do excedente no
ser mais adicionada no solo. Esta quantidade chamada gua excedente no solo e
ser escoada para o subsolo. Quando a precipitao excedente for negativa, a
quantidade de gua no solo ser subtrada, em valores absolutos, pela precipitao
excedente naquele ms.
Depois de calculada o balano de gua no solo, pode-se estender o modelo para
para modelar o escoamento de gua na rea em estudo. Isto feito com o mapa de
direo de drenagem local (local drain direction map ldd ).
Uma funo de transporte de material tem que ser selecionada. Neste exemplo
vamos utilizar a funo de fluxo acumulado, que no PCRaster implementada com o
nome de accuflux e tem a seguinte sintaxe:

Resultfluxmap = accuflux(lddmap, materialmap);

onde: lddmap a rede ldd (Figura 23), materialmap um mapa do material

a ser transportado e Resultfluxmap o mapa resultante. Na Figura 8.24 apresentada a
seo dynamic do programa PCRaster que implementa o modelo descrito.

25
 Figura 23 - LDD

dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);
# total volume precipitation over study area, in cubic metres per second
report VolumePrecip=maptotal(Precip)*(cellarea()/2628);
# reference evapotranspiration
EvapRef=timeinputscalar(EvapRefTimeSeries,1);
# evapotranspiration
report Evap=K*EvapRef;
# precipitation surplus
report PrecipSurplus=Precip-Evap;
# intermediate soilwater content: soilwater plus precipitation surplus
Soilwater=Soilwater+PrecipSurplus;
# soil water surplus (mm/month)
report SoilwaterSurplus=max(Soilwater-MaxSoilwater,0);
# soilwater content, no saturation
report Soilwater=min(Soilwater,MaxSoilwater);
# discharge in mm/month
DischargeMM=accuflux(Ldd,SoilwaterSurplus);
# discharge in metres3/second
report Discharge=DischargeMM*(cellarea()/2628);

Figura 24 Seo dynamic de programa PCRaster para escoamento da gua da

chuva

26
8.5 MODELAGEM DINMICA DE PROCESSOS URBANOS

Na modelagem dinmica de processos urbanos, os autmatos celulares so

usualmente utilizados para modelar o uso do solo. Tradicionalmente, autmatos
celulares so implementados segundo critrios estritamente locais, isto , a dinmica de
aplicao das regras de transio baseiam-se principalmente na vizinhana de uma
clula. Entretanto, em muitos casos de processos urbanos, a funo de transio deve
levar em conta diferentes fatores, incluindo: os efeitos da vizinhana, a qualidade do
solo (fator ambiental), as taxas demogrficas da regio (fator social), a demanda por
uma determinada atividade econmica e o comportamento dos agentes econmicos.
Nesta seo, para representar a modelagem dinmica de processos urbanos
sero apresentadas duas aplicaes diferentes. A primeira consiste numa aplicao
baseada nos princpios bsicos de autmatos celulares, proposta por (Roy and Snickars
1996). A segunda aplicao, chamada Modelo Multi-Escala Integrado (Engelen 1995),
apresenta uma estrutura sofisticada, capaz de integrar as variveis scio-econmicas e
ambientais de sistemas urbanos.

8.5.1 Citylife

Numa tentativa de estudar a aplicabilidade de autmatos celulares na dinmica

urbana, (Roy and Snickars 1996) implementou o Citylife, baseado no The Game of life.
No Citylife o espao representado como uma grade regular de clulas em que cada
clula representa uma unidade do espao ocupada por alguma atividade urbana tpica,
como por exemplo: rea verde, residencial e trabalho. A partir de um estado inicial e
um conjunto de regras de transio, o sistema cresce e evolui espacialmente.
Cada clula no sistema tem uma atratividade para cada tipo de atividade urbana
definida pela funo:
Ai(k) = b(k,l)*ai(l)
onde: b(k,l) um coeficiente que indica a probabilidade de uma clula do tipo
k se transformar em uma clula tipo l (Tabela 1).
ai (l) acessibilidade da clula i para clulas contendo uma atividade do tipo l.
Definida pela funo:
ai(k) = exp (- (k) * dij(k))*xj(k)/N(k)
j

onde: xj(k) = 1 se a clula j utilizada para a atividade k, 0 caso contrrio;

dij(k) = distncia da clula i para a clula j para uma atividade do tipo k
(k) = coeficiente de acessibilidade para uma atividade do tipo k
N(k) = nmero de clulas contendo uma atividade do tipo k, onde j
xj(k)=N(k)

27
 Dado um estado inicial, o sistema aloca novas clulas para cada uma das
atividades disponveis. O nmero de clulas a ser alocado para cada atividade depende
do nmero de clulas do estado inicial. Assim, por exemplo se no estado inicial so
alocadas duas clulas para reas verdes, duas clulas para rea de trabalho e quatro
clulas para reas residenciais (Figura 25 a), ento a cada gerao o sistema alocar
mais duas clulas para reas verdes, mais duas clulas para reas de trabalho e quatro
clulas adicionais para rea residenciais. O critrio para seleo de uma clula a sua
atratividade para a atividade, ser selecionada a clula com maior atratividade (Ai(k)).

b
rea verde
rea residencial
rea de trabalho
c
Figura 25 Citylife a) estado inicial b)aps 10 geraes c) aps 20 geraes
(fonte: Roy and Snickars 1996).

O mecanismo de expanso do Citylife considerado evolucionrio (estado

futuro do sistema depende da trajetria seguida) e baseado na competio entre as
clulas (Roy and Snickars 1996).
Para o exemplo apresentado na Figura 25 adotou-se o seguintes coeficientes de
interao entre as atividades:

28
 Verde ResidencialTrabalho
Verde 1 0 0
Residencial 0 1 0
Trabalho 0 0 1
Tabela 1 Coeficientes de probabilidade

Uma restrio do citylife considerar que uma vez que uma clula for ocupada
por uma atividade ela permanecer nesta atividade. Desta forma, este sistema adota um
modelo dinmico espacial de difuso por expanso e no de realocao.

29
8.5.2 Modelo Multi-Escala Integrado

Como j mencionado, fatores scio-econmicos so inerentes ao planejamento

urbano. Na literatura recente, verifica-se uma tendncia de propostas de extenses ao
modelo de autmato celular clssico, visando integrar fatores ambientais e scio-
econmicos, para representar a dinmica espacial de fenmenos urbanos.
Entre estas propostas destaca-se a de Engelen (1995), que apresenta uma
estrutura de modelagem dinmica e de suporte a deciso capaz de operar em uma
variedade de escalas. Esta estrutura constituda de dois nveis denominados macro e
micro escalas. Na macro escala esto representadas as variveis ecolgicas e scio-
econmicas que afetam o sistema como um todo. A micro escala representa a dimenso
espacial do modelo. Estas escalas interagem intensivamente entre si e com um Bando
de Dados Geogrfico, a partir do qual obtm os dados necessrios para as simulaes
(Figura 26).
A macro escala possui trs componentes representando os subsistemas natural,
econmico e social. Estes sub-modelos esto conectados atravs de uma rede de
influncia mtua e recproca. O subsistema natural representa condies ambientais
tais como temperatura, precipitao e poluio. O subsistema social inclui dados
demogrficos como nascimentos, morte e migrao. O subsistema econmico
fortemente determinado pelas mudanas ocorridas no subsistema natural e pelas
demandas sociais. Neste sentido, ele pode gerar demandas como, por exemplo, a
necessidade por mais clulas residenciais quando a populao aumenta.
A micro escala consiste em um autmato celular sobre o qual so aplicadas
regras de transio para calcular as mudanas no uso do solo.
Para ilustrar o uso deste modelo, consideraremos dados de um estudo para
analisar os impactos de mudanas climticas em uma ilha do Caribe. Estes dados esto
disponveis na homepage do RIKS (Research Institute for Knowledge Systems
www.riks.nl ).
Neste exemplo, a macro escala inclui no subsistema natural apenas mudanas
climticas, no subsistema social inclui dados relativos a populao, nascimentos e
mortes e no subsistema econmico as demandas geradas a partir da interao deste
subsistema com os demais (Figura 27).

30
Figura 26 Integrao entre o Modelo Multi-Escala e GIS fonte:(Engelen 1995) .

31
 Figura 27 A macro escala (fonte: Engelen 1995)

As condies climticas (climate) do modelo so definidas a partir de variveis

ambientais tais como temperatura, precipitao e nvel do mar, e das relaes de
influncia existentes entre elas.

Figura 28 O Subsistema Natural

A Figura 28 mostra que variaes na temperatura e no nvel do mar afetam as

demais variveis. Estas relaes de influncia so tambm expressas de forma explcita,
atravs de grficos e tabelas e podem ser manipulados pelo usurio de forma
independente e interativa. Esta funcionalidade caracteriza este modelo como um

32
modelo exploratrio, pois permite que o usurio avalie um fenmeno a partir de
diferentes cenrios (what if questions).

Figura 29 Os componentes do clima

As variveis sociais, de forma anloga s naturais, podem ser manipuladas de

forma interativa e independente. Entretanto, as variveis econmicas so geradas a
partir do comportamento dos subsistemas natural e social. Para o clculo destas
variveis so utilizados coeficientes para medir o crescimento populacional e da oferta
de empregos, por exemplo, e determinar o espao necessrio (demanda do solo) para
acomodar as atividades econmicas (turismo, indstrias) afetadas por estes
coeficientes.

Figura 30 Subsistemas Social e Econmico

33
 Na micro escala, cada estado de clula representa uma categoria de uso do solo
(Figura 31). Os estados so divididos em duas categorias: funes e feies. Funes
so usos do solo ativos, tais como residencial, floresta, comercial. Em princpio, uma
clula funo pode mudar para qualquer um dos estados possveis. Feies so usos do
solo fixos, tais como rios, parques e aeroportos. Embora as feies no estejam sujeitas
s mudanas geradas pelas regras de transio do autmato celular, eventualmente elas
podem ser convertidas atravs de um processo especial ou uma interveno exgena.
Feies aparecem como argumentos das regras e podem afetar a transio de clulas
vizinhas. Assim, por exemplo, a existncia de um parque pode influenciar a transio
de clulas vizinhas em clulas residenciais (White and Engelen 1997).

Figura 31 A micro escala

A demanda do solo para as vrias atividades fornecida pela macro escala, de acordo
com um mecanismo baseado em trs classes de prioridades. As regras de prioridade um
so intervenes do usurio como, por exemplo, a incluso de um aeroporto. As regras
de prioridade dois so regidas pelo subsistema natural e geram certas transies
diretamente, sem interferncia do autmato celular. Por exemplo, se o nvel do mar
sobe, clulas com baixa elevao so convertidas em praias ou mangues (White and
Engelen 1997). As regras de prioridade trs se aplicam s clulas ativas (funes).
Para cada clula ativa calculado um vetor de potencialidades, em que cada
potencialidade representa o grau de atrao de uma clula para uma determinado estado
(z). O potencial (Pz) de uma clula depende de trs fatores:
a adequabilidade da clula para a atividade z (Sz)

efeito agregado das clulas na vizinhana (Nz)

uma pertubao estocstica (z )

34
Estes fatores se relacionam da seguinte forma:

P z = S z N z + z

O efeito agregado da vizinhana (Nz) leva em considerao principalmente a localizao

das clulas. A vizinhana de uma clula uma regio circular com um nmero varivel
de clulas, organizadas em zonas de distncias. Assim, a frmula para calcular o efeito
agregado de vizinhana consiste em:

Nz= Ld,i Wz,y,d

onde:
Wz,y,d parmetro de peso aplicado a clulas no estado y na distncia d
i ndice das clulas na zona de distncia d
Ld,i 1 se a clula i na distncia d est no estado y; 0, caso contrrio.

A regra de transio estabelece que cada clula ativa convertida para o estado para o
qual seu potencial maior, mas at que a demanda por clulas deste estado seja
atendida. Depois deste ponto, nenhuma outra clula convertida para este estado. Os
potenciais para tal estado so ignorados nas converses subsequentes.
Os resultados das simulaes so apresentados de forma dinmica na tela do
computador, isto , o usurio acompanha todas as transies. Na Figura 32, so
apresentados os resultados de uma simulao para 40 anos em que se trabalhou com
dois cenrios. No primeiro cenrio, Figura 32 a, assumiu-se que no haveria mudanas
climticas, ou seja, a temperatura e o nvel do mar se manteriam ao longo do tempo. No
segundo cenrio, Figura 32 b, considerou-se que a temperatura aumentaria em 2C e o
nvel do mar em +20cm. Em ambos os casos partiu-se da configurao inicial
apresentada na Figura 31 e considerou-se que a populao apresentaria um crescimento
de 2% ao ano e um nmero total de 11000 vagas de empregos, distribudas em
diferentes atividades.

35
 Figura 32 Simulaes a) sem mudanas climticas b) com mudanas
climticas

Na Figura 32 b, simulada com o cenrio de mudanas climticas, pode-se observar uma

reduo da rea das praias e mangue, como conseqncia do aumento do nvel do mar.

8.6 CONSIDERAES FINAIS

Este capitulo teve por objetivo apresentar os principais conceitos e aspectos

computacionais envolvidos em sistemas de modelagem espacial dinmica. Na
dimenso conceitual, verificou-se que cada um dos elementos chaves de um modelo
dinmico, tais como espao, tempo e modelo matemtico permitem diferentes
representaes computacionais. A escolha de uma forma de representao para um
destes elementos afeta os demais, uma vez que as escalas de todos os elementos devem
ser integradas.
No contexto computacional, foi explorado a soluo baseada em autmatos celulares.
No estudo desta abordagem de implementao, verificou-se que processos fsicos e
urbanos possuem mecanismos distintos para aplicao de regras de transio. Enquanto
os processos fsicos podem ser descritos por modelos determinsticos, os processos
urbanos so caracterizados como processos estocsticos e so altamente influenciados
por variveis exgenas. Nos processos fsicos, pode-se considerar a topologia do
terreno, o que, apesar das crticas ao modo como as redes de drenagem LDD so
geradas (discretizao do fluxo em 45o, introduo de artefatos, (Burrough and
McDonnel 1998)), produz padres espaciais coerentes com os que acabam se
desenvolvendo naturalmente no mundo real. Quanto modelagem de processos
urbanos, sistemas como os desenvolvidos pelo RIKS (www.riks.nl) apresentam grande
flexibilidade para a incluso de variveis que aumentam a preciso das predies,

36
entretanto, so sistemas de estrutura complexa, de difcil entendimento e
implementao.
No existe uma soluo nica para modelar fenmenos espaciais dinmicos. A soluo
ideal para cada caso deve ser buscada tentando responder o porque, onde e quando de
cada fenmeno, atravs da integrao das escalas temporal e espacial articulada com o
modelo matemtico definido para descrever o fenmeno e prever sua evoluo.
Cadeias de Markov, modelos logsticos de Difuso e Regresso so eficientes em
modelar processos estacionrios mas so desprovidos de funcionalidades especficas
para a representao espacial. Entretanto, estes modelos utilizam equaes
matemticas simples e requerem poucos dados, alm de serem compatveis com o
formato de dados oriundos de fontes de sensoriamento remoto e, como conseqncia,
facilmente implementados em GIS.
Modelos de Sistemas so classificados como modelos exploratrios, porque fornecem
condies para que vrias simulaes possam ser investigadas a partir de diferentes
cenrios. Entretanto, estes modelos requerem um profundo nvel de conhecimento do
fenmeno em estudo e acabam por se tornar sistemas altamente especializados, no
podendo ser aplicados a outras classes de fenmenos.
Diferentes modelos servem a diferentes propsitos, logo eles no so excludentes, mas
sim complementares. Nesta perspectiva, Lambin (1994) sugere que ao se construir um
modelo deve-se faz-lo de forma gradual, comeando por Cadeias de Markov, que so
os mais simples, e ir incorporando novos elementos (variveis exgenas) e funces
(determinsticas) ao projeto.
A dimenso espacial deve ser tambm introduzida de forma gradual, comeando com as
relaes espaciais mais elementares como as de vizinhana, refinando continuamente,
de forma a contemplar a noo de espao relativo e suporte a representaes em
mtiplas escalas.
Modelos espaciais dinmicos construdos com esta viso de projeto devem ser capazes
de representar de forma realista os fenmenos dinmicos encontrados na natureza,
superando as limitaes dos modelos atuais, baseados em concepes limitadas quanto
s representaes do espao, do tempo e dos processos.

37
Referncias Bibliogrficas

Batty, M. (1999). Modeling urban dynamics through GIS-based cellular automata.

Computers, Environment and Urban Systems 23: 205-233.
Batty, M. (2000). GeoComputation Using Cellular Automata. GeoComputation. S.
Openshaw and R. J. Abrahart, Taylor&Francis: 95-126.
Burrough, P. (1998). Dynamic Modelling And Geocomputation. Geocomputation: A
Primer. P. Longley, M. Batty and R. McDonnel. London, John Wiley & Sons.
Burrough, P. and R. McDonnel (1998). Principles of Geographical Information
Systems. Oxford, OUP.
Cmara, A. S. (1996). Spatial Simulation Modelling. Spatial Analytical Perspectives on
GIS. M. Fisher. London, Taylor & Francis: 213-218.
Couclelis, H. (1997). From Cellular Automata to Urban Models: New Principles for
Model Development and Implementation. Environment and Planning B: Planning and
Design 24: 165-174.
Couclelis, H. (1999). Space, Time, Geography. Geographical Information Systems. P.
Longley, M. Goodchild, D. Maguire and D. Rhind. New York, John Wiley: 29-38.
Edelweiss, N. and J. P. M. Oliveira (1994). Modelagem de Aspectos Temporais de
Sistemas de Informao. Recife, UFPE-DI.
Engelen, G. (1995). Using Cellular Automata for Integrated Modelling of Socio-
environmental Systems. Environmental Monitoring and Assessment 34: 203-214.
Lambin, E. F. (1994). Modeling Deforestation Processes - A Review, Trees series B:
Research Report . European Commission, Luxembourg.
Reis, E. J. and S. Margulis (1991). Options for Slowing Amazon Jungle Clearing.
Global warming: economic policy responses. R. Dornbusch and J. M. Poterba.
Cambridge, The MIT Press: 335-375.
Roy, G. G. and F. Snickars (1996). Citylife: A study of cellular automata in urban
dynamics. Spatial Analytical Perspectives on GIS. M. Fisher. London, Taylor &
Francis: 213-218.
Santos, M. (1996). A Natureza do Espao: Tcnica e Tempo, Razo e Emoo. So
Paulo, HUCITEC.
Soares Filho, B. S. (1998). Modelagem dinmica de paisagem de uma regio de
fronteira de colonizao amaznica. Escola Politcnica. So Paulo, Universidade de So
Paulo.
Voigtmann, A. B., L.; Hinrichs K.H. (1996). Temporal Extensions for an Object-
Oriented Geo-Data_Model. Spatial Data Handling - 1996 (SDH'96).

38
White, R. and G. Engelen (1997). Cellular Automata as the Basis of Integrated
Dynamic Regional Modelling. Environment and Planning B: Planning and Design 24:
165-174.
Worboys, M. F. (1995). GIS - A Computing Perspective. Bristol, PA, Taylor & Francis
Inc.

39