Escolar Documentos
Profissional Documentos
Cultura Documentos
6 Model Dinamicaaaa PDF
6 Model Dinamicaaaa PDF
8.1 INTRODUO
1
8.2 PRINCPIOS BSICOS
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)
3
8.2.1 O Espao
E A
B
C
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
5
8.2.2 O Tempo
ciclco perodo
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.
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
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
8
Funo Descrio
First(), Last() retorna o primeiro e ltimo timestamp associado a um
atributo, objeto ou relacionamento
FirstValue(), LastValue() retorna o primeiro e ltimo valor associado a um
atributo, objeto ou relacionamento
Begin(), End() retorna o incio e o fim de um timestamp
Period(b,f), Period(d) retorna um perodo tendo incio b e final f ou um
perodo de durao d
Day(), Month(), Year() construtores de timestamps para descrever um dia, ms
ou ano
date(), time(), datetime() construtores de timestamps para descrever uma data,
hora ou data e hora
years(n), months(n), days(n) retorna um intervalo de tempo com a durao de n dias,
n meses ou n anos
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
8.3 MODELOS
10
8.3.1 Tipos de modelos
Modelos
Empricos Sistema
11
Cadeias de Markov
(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
14
8.3.2 Modelos de Sistemas
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
b) estados
instante t
instante t+1
18
8.4 MODELAGEM DINMICA DE PROCESSOS FSICOS
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
I1 I2 I3
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)
Cu Cu Cu Cu Cu
Cu Cu Cu Cu Cu
Cu Cu Cu Cu Cu
Cu Cg Cu Cu Cu
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
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
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.
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);
report VolumePrecip=maptotal(Precip)*(cellarea()/2628);
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:
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);
26
8.5 MODELAGEM DINMICA DE PROCESSOS URBANOS
8.5.1 Citylife
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).
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
30
Figura 26 Integrao entre o Modelo Multi-Escala e GIS fonte:(Engelen 1995) .
31
Figura 27 A macro escala (fonte: Engelen 1995)
32
modelo exploratrio, pois permite que o usurio avalie um fenmeno a partir de
diferentes cenrios (what if questions).
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)
P z = S z N z + z
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
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
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