Índice Gravidade Dano Ambiental baseado Lógica Fuzzy

UNIVERSIDADE FEDERAL DO CEARÁ
CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA HIDRÁULICA E AMBIENTAL
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL
ULISSES COSTA DE OLIVEIRA
PROPOSIÇÃO DE UM MODELO BASEADO EM LÓGICA FUZZY E ANÁLISE

MULTICRITÉRIO PARA ESTRUTURAÇÃO DE UM ÍNDICE DE AVALIAÇÃO DA
GRAVIDADE DO DANO AMBIENTAL.
FORTALEZA
2021

Exame de qualificação apresentado ao

Programa de Pós-Graduação em Engenharia
Civil (Recursos Hídricos), do Departamento de
Engenharia Hidráulica e Ambiental da
Universidade Federal do Ceará, como requisito
parcial à obtenção do título de Doutor em
Engenharia Civil. Área de concentração:
Saneamento Ambiental.
Orientadora: Prof. Dra. Ana Bárbara de Araújo

Nunes.
FORTALEZA
2021

Exame de qualificação apresentado ao

Programa de Pós-Graduação em Engenharia
Civil (Recursos Hídricos), do Departamento de
Engenharia Hidráulica e Ambiental da
Universidade Federal do Ceará, como requisito
parcial à obtenção do título de Doutor em
Engenharia Civil. Área de concentração:
Saneamento Ambiental.
Aprovada em: //
BANCA EXAMINADORA
Profa. Dra. Ana Bárbara de Araújo Nunes (Orientadora)

Universidade Federal do Ceará (UFC)
Prof. Dr. Fernando José Araújo da Silva

Profa. Dra. Samíria Maria Oliveira da Silva

Prof. Dr. Ernane Cortez Lima

Universidade Estadual do Vale do Acaraú (UVA)
Prof. Dr. Lindemberg Lima Fernandes (UFPA)

Universidade Federal do Pará (UFPA)
RESUMO
A legislação vigente relativa à apuração de infrações cometidas contra o meio ambiente

estabelece que a autuação ambiental deve se basear na tipologia de dano cometido devendo ser
considerados o histórico de cometimento de infrações ambientais, a capacidade de pagamento
e a gravidade do dano ambiental cometido. Nesse contexto, a presente pesquisa propõe critérios
para estruturar um índice denominado Índice de Gravidade do Dano Ambiental – IGDAM com
vistas a subsidiar a lavratura de autos de infração de multas ambientais no âmbito de órgãos
ambientais de fiscalização. Para isto, utilizou-se uma metodologia híbrida com a integração
dos métodos Fuzzy Delphi (FDELPHI) e Fuzzy Analiytic Hierarchy Process (FAHP). O método
FDELPHI foi utilizado para levantar os critérios e subcritérios componentes do índice. O
método FAHP foi utilizado para o cálculo dos pesos relativos dos critérios e subcritérios
selecionados que contribuem para a estruturação do referido índice. Os resultados preliminares
apontam que o Uso e Cobertura da Terra como o fator que mais contribuem para o índice,
seguido dos critérios Solos; Geomorfologia; Declividade; Clima; Vegetação; Distância de
Recursos Hídricos; Altitude; Distância de Áreas Protegidas; e Geologia. Com os resultados
obtidos neste trabalho, espera-se contribuir para um melhoramento e padronização nos
procedimentos de apuração de infrações ambientais, bem como proporcionar o aperfeiçoamento
dos mecanismos de dimensionamento dos valores a serem impetrados no momento da autuação.
Palavras-chave: FDELPHI. FAHP. Autuação Ambiental. Gravidade do dano ambiental.

Fiscalização Ambiental.
ABSTRACT
The current legislation on the investigation of environmental infractions establishes that the
environmental fines must be based on the type of damage committed, considering the history
of environmental infractions, the ability to pay and the severity of the environmental damage.
In this context, the present research proposes criteria for structuring an index called
Environmental Damage Severity Index - IGDAM aiming to subsidizing the environmental fines
within the scope of environmental agencies. A hybrid mathematical methodology with the
integration of Fuzzy Delphi (FDELPHI) and Fuzzy Analytic Hierarchy process (FAHP) was
used. FDELPHI was used to raise the index’s component criteria and subcriteria. The FAHP
method was applied to calculate the relative weights of the criteria and subcriteria selected to
structure the index. Preliminary results indicate Land Use and Land Cover as the factor that
most contribute to the index, followed by the criteria Soils; Geomorphology; Slope; Climate;
Vegetation; Distance from Water Resources; Altitude; Distance from Protected Areas; and
Geology. It is expected, with the results obtained in this research, to contribute to a
standardization in the procedures for investigating environmental infractions, as well as to
provide the improvement of the mechanisms for dimensioning the fine values at the time of the
assessment.
Keywords: FDELPHI. FAHP. Environmental Assessment. Severity of environmental damage.

Environmental Inspection.
LISTA DE FIGURAS
Figura 1: Representação de um NFT..................................................................... 24
Figura 2: Localização da BHRI............................................................................. 32
Figura 3: Fluxograma para determinação dos pesos dos critérios......................... 34
Figura 4: Método Fuzzy-AHP para estruturação do IGDA................................... 38
Figura 5: Exemplo de modelo AHP básico........................................................... 39
Figura 6: Funções de pertinência definidas para o conjunto fuzzy das variáveis

linguísticas............................................................................................................... 40
LISTA DE TABELAS
Tabela 1: Escala de valoração dos critérios............................................................. 35
Tabela 2: Variáveis linguísticas para comparação pareada de cada critério e

subcritério................................................................................................................. 39
Tabela 3: Índice média de consistência randômica (RI).......................................... 41
Tabela 4: Seleção e avaliação dos critérios através do método FDELPHI.............. 44
Tabela 5: Julgamentos realizados e convertidos em NFT........................................ 46
Tabela 6: Critérios e pesos normalizados................................................................ 48

LISTA DE QUADROS
Quadro 1. Características dos paradigmas Racionalista e Construtivista das

Escolas de Métodos Multicritério......................................................................... 27
Quadro 2: Critérios e subcritérios selecionados.................................................... 45
Quadro 3: Cronograma de atividades da pesquisa de doutorado .......................... 49

SUMÁRIO
1. INTRODUÇÃO .............................................................................................................................10
1.1. OBJETIVOS....................................................................................................................................11
1.1.1. OBJETIVO GERAL .......................................................................................................................11
1.1.2. OBJETIVOS ESPECÍFICOS............................................................................................................12
2. FUNDAMENTAÇÃO TEÓRICA ...............................................................................................13
2.1. DANO AMBIENTAL .......................................................................................................................13

2.2. GEOTECNOLOGIAS .......................................................................................................................14
2.2.1. GEOPROCESSAMENTO ...............................................................................................................15
2.2.2. SISTEMAS DE INFORMAÇÃO GEOGRÁFICA - SIG ......................................................................17
2.3. TEORIA DOS CONJUNTOS FUZZY ..................................................................................................20
2.3.1. NÚMEROS FUZZY TRIANGULARES (NFT)..................................................................................23
2.4. ANÁLISE MULTICRITÉRIO DE APOIO À DECISÃO .........................................................................24
2.4.1. PROCESSO DE TOMADA DE DECISÃO ........................................................................................25
2.4.2. MÉTODOS MULTICRITÉRIOS .....................................................................................................28
3. METODOLOGIA .........................................................................................................................30
3.1. ÁREA DE ESTUDO .........................................................................................................................30

3.2. SELEÇÃO E AVALIAÇÃO DOS CRITÉRIOS COMPONENTES DO ÍNDICE DE GRAVIDADE DO DANO
AMBIENTAL ............................................................................................................................................33
3.2.1. DEFINIÇÃO DO PROBLEMA A SER TRABALHADO .......................................................................33
3.3. RANQUEAMENTO DOS CRITÉRIOS PELO MÉTODO FAHP (FUZZY-AHP) ......................................37
4. RESULTADOS OBTIDOS ..........................................................................................................44
4.1. SELEÇÃO DOS CRITÉRIOS COM BASE NO MÉTODO FUZZY-DELPHI ...............................................44

4.2. APLICAÇÃO DO MÉTODO FUZZY AHP ..........................................................................................45
5. RESULTADOS ESPERADOS E CRONOGRAMA DE ATIVIDADES .................................49
5.1. DEFINIÇÃO DOS VETORES DE PESOS DOS SUBCRITÉRIOS .............................................................49

5.2. CRONOGRAMA DE ATIVIDADES ....................................................................................................49
REFERÊNCIAS ...................................................................................................................................51
APÊNDICES .........................................................................................................................................60
APÊNDICE A: CRITÉRIOS SELECIONADOS PARA COMPOR O INDICE DE GRAVIDADE DO

DANO AMBIENTAL - IGDAM ...........................................................................................................61
APENDICE B: QUESTIONÁRIO DELPHI APLICADO PARA CONSULTA AOS ESPECIALISTAS
QUANTO À IMPORTÂNCIA DOS CRITÉRIOS NO CONTEXTO DA ESCOLHA ..........................74
APENDICE C: VALORES ATRIBUÍDOS PELOS ESPECIALISTAS NA CONSULTA FDELPHI ..91
1. INTRODUÇÃO
No Brasil, existe uma vasta legislação de proteção ambiental e de gestão ambiental, o

que, aparentemente, poderia ser suficiente para garantir a preservação ambiental ou manejo de
forma sustentável. Os administradores públicos cada vez mais são obrigados a decidir sobre
assuntos complexos, em curtos espaços de tempo, o que pode gerar decisões equivocadas, além
de o meio ambiente ser naturalmente objeto de incerteza e riscos (ANTONELO, 2008).
Embora aparente ser algo nítido, o foco do interesse ambiental no processo de reparação
de danos causados ao meio ambiente tem ficado em segundo plano, em grande parte, devido à
falta de estrutura da Administração, tanto no aspecto administrativo como jurídico, para
alcançar a complexidade do tema. A Constituição Federal de 1998 estabeleceu diversos
instrumentos administrativos e jurídicos, visando o controle dos bens de interesse público,
muitas vezes sem a transparência que a temática ambiental exige.
A complexidade do dano ambiental muitas vezes dificulta a fundamentação nos
requisitos atinentes à sua responsabilização, assim como em se destacar a devida valoração do
bem ambiental degradado (PAZ et al., 2018). O dimensionamento da multa ambiental lavrada
em função do cometimento de danos contra o meio ambiente é uma questão ainda a ser resolvida
no âmbito dos órgãos ambientais. A legislação estabelece alguns fatores que devem ser
considerados no cálculo da multa, porém, são muito vagos, dando margem excessiva à
subjetividade no processo de lavratura de multas ambientais.
A valoração de infrações ambientais no contexto de órgãos ambientais difere da
valoração ambiental de forma geral, pois a lei estabelece um piso e um teto para os valores, de
acordo com a tipologia de dano cometido, ou seja, é estabelecido um intervalo de valores, onde
devem ser considerados o histórico de cometimento de infrações ambientais, a capacidade de
pagamento do autuado, traduzida, de forma geral, no seu porte, e a gravidade do dano ambiental
cometido, esta última, objeto de estudo da presente proposta de trabalho, e que se configura o
principal fator que influencia na mensuração da multa ambiental.
Atualmente, não se dispõe, no âmbito do dimensionamento da gravidade do dano
ambiental, de uma metodologia clara que oriente os órgãos ambientais no exercício da atividade
fiscalizatória, culminando, muitas vezes, em aplicações de sanções para danos ambientais e
atividades equivalentes, em valores desproporcionais, quando comparados entre si,
evidenciando a falta de critério na avaliação da gravidade, ficando a cargo da subjetividade do
agente autuante essa análise.
A caracterização do dano e o dimensionamento de sua gravidade a partir de sua
10
composição contribuem para o adequado dimensionamento das sanções ambientais em função
do cometimento de infrações.
Nessa perspectiva, este trabalho justifica-se na medida em que propõe um

aprimoramento na fiscalização ambiental através da proposição de uma metodologia de
dimensionamento da gravidade do dano ambiental, que viabiliza a justiça no processo de
autuação, diminuindo a subjetividade do agente autuante quando do exercício do Poder de
Polícia a ele delegado pelo Estado, considerando que os danos ambientais são passíveis de
apuração de responsabilidade nas esferas administrativa, cível e criminal.
No exercício desse Poder de Polícia, a lavratura de autos de infração torna-se um

processo bastante complexo e, muitas vezes, fere princípios de razoabilidade e
proporcionalidade, em função da falta de referencial na decisão acerca da gravidade do dano
ambiental e o valor atribuído à multa na autuação.
A originalidade da presente proposta de trabalho centra-se na proposição de um modelo

multicritério de mensuração da gravidade do dano ambiental como subsídio à valoração de
infrações ambientais, apoiado na tomada de decisões. O trabalho permitirá o aprimoramento da
gestão ambiental no contexto de órgãos ambientais, na medida em que será criada uma
metodologia que baliza o processo de tomada de decisão quanto à gravidade do dano no
contexto das multas ambientais lavradas.
Assim, pretende-se, com esta metodologia, subsidiar o trabalho de profissionais,

técnicos, especialistas, gestores e estudiosos da área para uma visão multicritério na gestão
ambiental. Dessa forma, o processo de mensuração da gravidade do dano, como componente
da autuação ambiental poderá contar com uma maior precisão nas informações, fortalecendo a
transparência no exercício da atividade de fiscalização ambiental.
Para enfrentar o problema dos objetivos conflitantes devido a múltiplos propósitos e

partes interessadas, o uso de um método que acrescenta estrutura, auditabilidade, transparência
e rigor ao processo de tomada de decisão (SANTL e STEINMAN, 2015), como a análise
multicritério, é fortemente necessário (VASSONEYA; MOCHETB; COMOGLIO, 2016).
A proposição de um índice de gravidade do dano ambiental (IGDAM) proporcionará o
aperfeiçoamento dos mecanismos de dimensionamento dos valores a serem impetrados no
momento da autuação.
1.1. Objetivos
1.1.1. Objetivo geral

11
Propor uma metodologia para mensuração da gravidade do dano ambiental utilizando-
se análise multicritério.
1.1.2. Objetivos específicos
• Elencar e selecionar parâmetros da literatura relacionados à gravidade do dano

ambiental e temas relacionados;
• Elaborar critérios e subcritérios para avaliação da gravidade do dano ambiental;
• Organizar um painel de discussão técnica entre especialistas com vistas a ponderar
ou estabelecer a importância relativa entre critérios e subcritérios;
• Utilizar técnicas de geoprocessamento para confeccionar, a partir dos critérios
selecionados, cartas de hipsometria, declividade, geologia, geomorfologia, uso e
cobertura, pedologia, clima, distância de vias e recursos hídricos;
• Realizar uma modelagem matemática utilizando Fuzzy Delphi AHP para estruturar
um índice para mensurar a gravidade do dano ambiental;
• Desenvolver metodologia multicritério para estruturação de um Índice de Gravidade
do Dano Ambiental (IGDA) analisar os resultados;
• Selecionar uma área para aplicação da metodologia proposta e proceder a análise e
espacialização do índice na área selecionada.
12
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Dano Ambiental
A noção de dano está diretamente relacionada à ocorrência de fatos que, por qualquer
motivo, provoquem a alteração de bem destinado à satisfação de interesses ou necessidades
juridicamente protegidos e tutelados.
O arcabouço legislativo ambiental brasileiro não carrega um conceito próprio acerca do
dano ambiental. Entretanto, diversos autores e doutrinadores, em razão dessa lacuna trazida
pela legislação nacional, trouxeram conceitos em relação ao assunto.
Antunes (2000) apud Milaré (2009, p. 837) coloca que “se o próprio conceito de meio
ambiente é aberto, sujeito a ser preenchido casuisticamente, de acordo com cada realidade
concreta que se apresente ao intérprete, o mesmo entrave ocorre quanto à formulação do
conceito de dano ambiental”, sendo, na visão de Milaré (2009, p. 837), “essa, provavelmente, a
razão de não ter a lei brasileira, ao contrário de outras, conceituado, às expressas, o dano
ambiental”. O autor ainda destaca que “nada obstante, delimitaram-se as noções de degradação
da qualidade ambiental e de poluição” quando da promulgação da Lei 6.938/1981, que traz suas
definições em seu art. 3º, incisos I e III:
Art. 3º, II - Para os fins previstos nesta Lei, entende-se por: II - degradação da
qualidade ambiental, a alteração adversa das características do meio ambiente; III
- poluição, a degradação da qualidade ambiental resultante de atividades que direta
ou indiretamente: a) prejudiquem a saúde, a segurança e o bem-estar da população;
b) criem condições adversas às atividades sociais e econômicas; c) afetem
desfavoravelmente a biota; d) afetem as condições estéticas ou sanitárias do meio
ambiente; e) lancem matérias ou energia em desacordo com os padrões ambientais
estabelecidos. (BRASIL, 1981).
Considerando que o conceito de dano está relacionado ao prejuízo causado a alguém por
um terceiro que se vê obrigado ao ressarcimento (ANTUNES, 2010, p. 247), como uma lesão a
um bem jurídico ou a interesse juridicamente protegido, e articulando-se as definições de
degradação da qualidade ambiental e poluição, o dano ambiental, por conseguinte, é entendido
como sendo os prejuízos patrimoniais ou extrapatrimoniais ocasionados a interesses que tenham
por objeto o meio ambiente (CARVALHO, 2013, p. 102).
Leite (1999, p. 98) afirma que “o dano ambiental, constitui uma expressão ambivalente,
que designa, certas vezes, alterações nocivas ao meio ambiente e outras, ainda, os efeitos que
tal alteração provoca na saúde das pessoas e em seus interesses”. Numa primeira acepção,
configura-se como uma alteração indesejável ao conjunto de elementos que compõem o meio
ambiente, noutra, engloba os efeitos que esta modificação gera na saúde das pessoas e em seus
interesses.
13
O dano ao meio ambiente, por ser bem público, gera repercussão geral, impondo
conscientização coletiva à sua reparação, a fim de resguardar o direito das futuras gerações a
um meio ambiente ecologicamente equilibrado. (AMADO, 2017, p. 298).
Custódio (1983) apud Leite (1999, p. 94-95), abordando o tema, destaca que o dano, para
fins de reparação decorrente de atividade poluente, tem como pressuposto básico a própria
gravidade do acidente, seja causando prejuízo patrimonial ou não patrimonial a outrem,
independente de tratar de risco permanente, periódico, ocasional ou relativo.
Antunes (2010, p. 247), por sua vez, diz que não é difícil conceituar dano ambiental, já
que ele nada mais é do que o dano ao meio ambiente, ou seja, dano ao bem jurídico meio
ambiente.
Silva (2008) define dano ambiental como sendo qualquer lesão ao meio ambiente
causado por ação de pessoa, seja ela física ou jurídica, de direito público ou privado e que pode
resultar na degradação da qualidade ambiental, bem como na poluição, definida, nos termos da
Política Nacional do Meio Ambiente, como a degradação da qualidade ambiental resultante de
atividade humana.
Da análise empreendida da lei brasileira, conforme (Leite (1999, p. 108), “o dano
ambiental deve ser compreendido como toda lesão intolerável causada por qualquer ação
humana (culposa ou não) ao meio ambiente, diretamente, como macrobem de interesse da
coletividade, em uma concepção totalizante, e indiretamente, a terceiros, tendo em vista
interesses próprios e individualizáveis e que refletem no macrobem”.
Por fim, conforme destaca Milaré (2009, p. 871), a valoração do dano ambiental é uma
tarefa difícil, pois o caráter sistêmico do meio ambiente “dificulta ver até onde e até quando se
estendem as sequelas do estrago”.
2.2. Geotecnologias
A informação geoespacial é de suma importância para a tomada de decisões em todas

as escalas, sejam elas locais, regionais ou globais, com diversos exemplos de uso ou aplicação,
ganhando importância num mundo globalizado cujas fronteiras deixaram de existir.
Os dados e informações geoespaciais podem ser divididos em dados de referência e
temáticos. Os de referência são os que proporcionam informações genéricas, elaborados como
bases imprescindíveis para o referenciamento geográfico de informações sobre a superfície do
território. Constituem os insumos básicos para o georreferenciamento e contextualização
geográfica de todas as temáticas territoriais especificas. Os dados geoespaciais temáticos são
14
aqueles sobre um determinado fenômeno específico em uma região de interesse ou em todo o
país. Incluem valores qualitativos e quantitativos que se referenciam espacialmente aos dados
de referência, e normalmente estão ligados aos objetivos centrais da gestão dos seus respectivos
órgãos produtores (MENEZES E FERNANDES, 2013).
De acordo com Rosa (2005), as geotecnologias, também conhecidas como
geoprocessamento, se caracterizam por serem um conjunto de tecnologias para coleta,
processamento, análise e oferta de informações com referência geográfica. As geotecnologias
são compostas por soluções em hardware, software e peopleware que juntos constituem
poderosas ferramentas para tomada de decisões. Dentre as geotecnologias destacam-se os
sistemas de informação geográfica (SIG), cartografia digital, sensoriamento remoto, sistema de
posicionamento global e a topografia.
2.2.1. Geoprocessamento
Entende-se geoprocessamento como uma ferramenta computacional que reproduz as

mais diversas informações em mapas temáticos, sendo comumente uma “técnica” utilizada em
trabalhos na área da geografia, na representação dos diversos tipos de solo, vegetação, clima,
hidrografia, dentre outras representações geográficas. Frequentemente, utiliza-se o
geoprocessamento no setor de segurança pública, com os mapas de “mancha criminal”, que
identificam os territórios com maior incidência de crimes (COSTA, 2019).
De acordo com Câmara e Medeiros (1998), o termo Geoprocessamento denota uma
disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para o
tratamento de informações geográficas. Esta tecnologia, denotada por Geoprocessamento, tem
influenciado de maneira crescente as áreas de Cartografia, Análise de Recursos Naturais,
Transportes, Comunicações, Energia e Planejamento Urbano e Regional. Nos países de grande
dimensão e com carência de informações adequadas para tomada de decisões sobre problemas
urbanos e ambientais, o Geoprocessamento apresenta um enorme potencial, principalmente se
baseado em tecnologias de custo relativamente baixo, em que o conhecimento é adquirido
localmente.
O termo Geoprocessamento pode ser definido como “a disciplina do conhecimento que
utiliza técnicas matemáticas e computacionais para o tratamento da informação geográfica e
que vem influenciando de maneira crescente as áreas de Cartografia, Análise de Recursos
Naturais, Transportes, Comunicações, Energia e Planejamento Urbano e Regional”. A
ferramenta fundamental para Geoprocessamento, o chamado Sistema de Informação
15
Geográfica (GIS), permite com facilidade, realizar análises complexas integrando dados de
diversas fontes e criando bancos de dados georreferenciados (CÂMARA e DAVIS, 2004).
Trata-se de “um conjunto de tecnologias voltadas à coleta e tratamento de informações espaciais
para um objetivo específico” (INPE, 2005).
Xavier da Silva (2000) define o geoprocessamento como um conjunto de técnicas
computacionais que opera sobre bases de dados georreferenciados para transformá-los em
informações relevantes, com análises, sínteses e reformulações desses dados, tornando-os
utilizáveis em um sistema de processamento automático.
Câmara, Davis e Monteiro (2001) destacam que é costume dizer-se que
Geoprocessamento é uma tecnologia interdisciplinar, que permite a convergência de diferentes
disciplinas científicas para o estudo de fenômenos ambientais e urbanos.
A utilização de instrumentos computacionais do geoprocessamento, como o SIG,
possibilita a realização de diversas análises espaciais, com custos relativamente mais baixo do
que pesquisas e levantamentos de campo, o que o torna útil sua aplicação, principalmente, em
países com extensa dimensão territorial e com carência de informações para a tomada de
decisões a respeito de problemas ambientais e urbanos (CÂMARA E MEDEIROS, 1998).
Diversos são os campos de estudo e as disciplinas envolvidos com o geoprocessamento.
Meneses (2000, apud Menezes e Fernandes, 2013) apontam as seguintes aplicações:
• Áreas que desenvolvem conceitos para o relacionamento do espaço: ciências cognitivas,
geografia, linguística, psicologia (no seu aspecto comportamental);
• Campos que desenvolvem ferramentas práticas e instrumentos para obtenção ou
trabalho com dados espaciais: Cartografia, Geodésia, fotogrametria, sensoriamento
remoto, topografia etc.;
• Campos que elaboram formalismos e teorias fundamentais ao trabalho com espaço e
automação: Ciências Computacionais, Geometria, Informática, Inteligência Artificial,
Semiologia, Estatística etc.;
• Campos que fazem uso de sistemas de informações geográficas: todos aqueles que
trabalham com a informação georreferenciada;
• Campos que proveem orientação sobre informação: Direito, Economia.
Segundo Rosa (2005), o geoprocessamento envolve pelo menos quatro categorias
de técnicas relacionadas ao tratamento da informação espacial:
1. Técnicas para coleta de informação espacial (cartografia, sensoriamento remoto,
GPS, topografia, levantamento de dados alfanuméricos);
16
2. Técnicas de armazenamento de informação espacial (bancos de dados – orientado a
objetos, relacional, hierárquico, etc.);
3. Técnicas para tratamento e análise de informação espacial (modelagem de dados,
geoestatística, aritmética lógica, funções topológicas, redes, etc.);
4. Técnicas para o uso integrado de informação espacial, como os sistemas GIS –
Geographic Information Systems, LIS – Land Information Systems, AM/FM –
Automated Mapping/Facilities Management, CADD – Computer-Aided Drafting
and Design.
Considerando o exposto, verifica-se que as definições apresentadas consideram o
geoprocessamento numa perspectiva tecnológica ou como sendo um conjunto de técnicas que
visam a coleta e tratamento de informações geoespaciais, configurando-se um termo bastante
amplo no contexto do conhecimento científico.
Nesse contexto, resume-se o conceito de geoprocessamento nas palavras de Galati
(2006, p. 9), como sendo:
“o processo fundamental de criação de um conjunto derivado de dados geográficos
de vários conjuntos de dados existentes usando operações como sobreposição de
recursos e conversão de dados. Em um ambiente de geoprocessamento típico, o
usuário aplica funções GIS a um grupo de dados geográficos (de entrada) para
produzir um conjunto de dados de saída preciso adequado para uma aplicação
específica. As funções de geoprocessamento abrangem toda a gama desde simples
recorte espacial até operações analíticas mais complexas. Essas funções de
software podem ser independentes ou encadeadas a outros processos. Em última
análise, isso abre as portas para conjuntos praticamente ilimitados de modelos de
geoprocessamento e conjuntos potencialmente impressionantes de dados de saída
para resolver problemas específicos.”
2.2.2. Sistemas de Informação Geográfica - SIG
Um sistema de informação geográfica, conforme definido no Dicionário de

Terminologia SIG do Environmental Systems Research Institute – ESRI (2001), é uma coleção
de hardware de computador, software e dados geográficos para capturar, armazenar, atualizar,
manipular, analisar e exibir todas as formas de dados geográficos. informações referenciadas.
O SIG é, em essência, um repositório central e uma ferramenta analítica para dados geográficos
coletados de várias fontes. O desenvolvedor pode sobrepor as informações dessas diversas
fontes por meio de temas e camadas, realizar uma análise abrangente dos dados e retratá-los
graficamente para o usuário.
Kennedy (2013, p. 61-62) define SIG como uma coleção organizada de hardware e
software de computador, pessoas, dinheiro e infraestrutura organizacional que possibilite a
aquisição e armazenamento de dados geográficos e relacionados, para fins de recuperação,
17
análise, síntese e exibição para promover a compreensão e auxiliar a tomada de decisões.
Para İncekara (2012), os Sistemas de Informação Geográfica (GIS) podem ser definidos
como um sistema de mapeamento abrangente projetado para capturar, armazenar, analisar,
sintetizar, consultar, editar, recuperar, manipular e exibir dados espaciais obtidos da superfície
terrestre na forma de gráficos, tabelas, imagens 3D e mapas com base na riqueza das
informações inseridas no banco de dados GIS. Para Bolstad (2016) e Chang (2018) um sistema
de informação geográfica (GIS) é um sistema de computador para capturar, armazenar,
consultar, analisar e exibir dados geoespaciais.
Segundo ROSA (2005, p. 81), pode-se definir um sistema de informações geográficas
como sendo:
“um conjunto de ferramentas computacionais composto de equipamentos e
programas que, por meio de técnicas, integra dados, pessoas e instituições, de
forma a tornar possível a coleta, o armazenamento, o processamento, a análise e a
oferta de informação georrefenciada produzida por meio de aplicações
disponíveis, que visam maior facilidade, segurança e agilidade nas atividades
humanas referentes ao monitoramento, planejamento e tomada de decisão relativas
ao espaço geográfico.”
O desenvolvimento dos sistemas de informações geográficas (SIG) em ambientes

computacionais é relativamente recente, tendo pouco mais de quatro décadas de existência
(Menezes e Fernandes, 2013, p. 207). Meneses (2000, apud Menezes e Fernandes, 2013)
apontam que em razão das preocupações ambientais, nesta área os SIG obtiveram um grande
avanço tanto no aspecto teórico, como tecnológico e organizacional. Atualmente, ainda é
bastante crescente o uso do SIG e isso está associado ao crescimento maciço do interesse do
manejo da informação geográfica por métodos computacionais.
O Sistema de Informação Geográfica (SIG) configura-se como uma das principais
técnicas utilizadas pelos geógrafos, sendo extensivamente aplicado em muitos outros ramos da
ciência. Os procedimentos operacionais para a modelagem de sistemas ambientais ganharam
realce com as tecnologias envolvidas nos sistemas de informação geográfica
(CHRISTOFOLETTI, 1999).
Os Sistemas de Informações Geográficas, como instrumentos computacionais do
geoprocessamento, nos permitem realizar diversas análises complexas, integrando dados de
fontes diferentes e criando bancos de dados georreferenciados, tornando possível a
automatização do processo de produção de documentos cartográficos.
Segundo Burrough e McDonnell (1998), o SIG possui três importantes componentes,
que são eles: o hardware (computador), o software (conjunto de programas específicos), o
peopleware (adequado contexto organizacional, incluindo pessoas qualificadas) e os dados
18
geográficos.
Os SIG permitem realizar o tratamento computacional de dados geográficos,
armazenando a geometria e os atributos de dados que estão localizados na superfície terrestre
em uma projeção cartográfica qualquer e categorizando-os como georreferenciados.
Em razão da extensa possibilidade de aplicação, Câmara e Medeiros (1998) apresentam
três possibilidades de utilização um SIG: i) produção de mapas; ii) análise espacial de
fenômenos; ou iii) armazenamento e recuperação de informação espacial, a partir de um banco
de dados geográficos.
Os diferentes usos dessas ferramentas criaram uma variedade de definições de SIG, que
pode ser relacionada com as diferentes áreas de pesquisa e atuação que contribuíram para o
seu desenvolvimento, como a informática, que enfatiza a ferramenta banco de dados ou
linguagem de programação; a geografia, que relaciona o geoprocessamento a mapas; e outros,
tais como administradores e arquitetos que ainda enfatizam aplicações como suporte à decisão
e planejamento (MIRANDA, 2005).
Segundo Zaidan (2017), o SIG engloba em sua definição vários aspectos relacionados
à definição de Geoprocessamento, podendo ser definido como um sistema composto por
softwares e hardwares submetidos a uma organização de pessoas interligadas para um mesmo
fim, que se utilizam de dados georreferenciados, de maneira a tornar possível a coleta, o
armazenamento, a edição, o processamento, a análise e a disponibilização dos dados com o
objetivo de planejar e monitorar questões ligadas ao espaço físico geográfico através dos
produtos gerados pelo sistema, que são arquivos digitais contendo mapas, gráficos, tabelas e
relatórios convencionais.
De acordo com Chang (2018), semelhante a outras tecnologias de informação, um GIS
requer os seguintes componentes além dos dados geoespaciais:
• Hardware. O hardware GIS inclui computadores para processamento de dados,
armazenamento de dados e entrada/saída; impressoras e plotters para relatórios e mapas
impressos; digitalizadores e scanners para digitalização de dados espaciais; e GPS e dispositivos
móveis para trabalho de campo;
• Programas. Software GIS, comercial ou open source, inclui programas e aplicativos a
serem executados por um computador para dados gerenciamento, análise de dados, exibição de
dados e outras tarefas. Aplicações adicionais, escritas em Python, JavaScript, VB.NET ou C++,
podem ser usadas em GIS para análises de dados específicos. Interfaces de usuário comuns para
esses programas e aplicativos são menus, ícones e linhas de comando, usando um sistema
operacional como Windows, Mac ou Linux;
19
• Pessoas. Profissionais de GIS definem o propósito e objetivos para usar GIS e interpretar
e apresentar os resultados;
• Organização. As operações GIS existem dentro de um ambiente organizacional;
portanto, ele deve ser integrado na cultura e processos decisórios da organização para questões
como o papel e o valor de GIS, treinamento GIS, coleta de dados e disseminação e padrões de
dados.
Um SIG pode ser representado pela seguinte estrutura, de acordo com Martin
(1996):
• Coleta, entrada e correção: são operações que possibilitam a entrada do dado no sistema,
incluindo a digitalização manual, o escaneamento, a entrada pelo teclado de atributos de
informação e o resgate de dados de outros sistemas da base de dados. A representação digital
produzida nunca poderá apresentar maior acurácia que os dados de entrada, embora estes
tenham, na maior parte das vezes, uma precisão maior que os utilizados durante a geração dos
dados de origem;
• Armazenamento e recuperação: são características extremamente dependentes da
capacidade física utilizada pelo sistema e da estrutura do software empregado na busca e
recuperação dos dados pertencentes à base de dados;
• Manipulação e análise: representa todo um espectro de técnicas para a transformação de
modelos digitais por métodos matemáticos. Nessa parte da estrutura de um SIG, incluem-se as
classes de operações analíticas que são divididas em: reclassificação (transformação do atributo
de informação associado a uma única cobertura do mapa, como exemplo, podem ser citados os
mapas de densidade populacional, a classificação de uma imagem de satélite, e outros);
operações de overlay (envolve a combinação de dois ou mais mapas ou camadas de informação
de acordo com as condições booleanas); medidas de distância e conectividade (envolve
mensurações simples de distância e conectividade de diferentes tipos de rede); e a
caracterização da vizinhança (trabalha com a atribuição de valores de acordo com as
características da região de entorno), tendo como exemplo a aplicação da lógica fuzzy;
• Saída e exibição: trata-se da exportação de dados do sistema em formato digital ou
analógico, ou seja, dados em arquivos digitais ("linguagem de máquina") ou relatórios e/ou
documentos cartográficos impressos.
2.3. Teoria dos Conjuntos Fuzzy
Ao usar nossa linguagem natural cotidiana para transmitir conhecimento e informação,
20
há muita imprecisão. Afirmações do tipo “A sala está muito fria” e “Alguém é jovem “ são
exemplos simples, cuja principal preocupação é representar, manipular e inferir informações
dessas declarações imprecisas. A teoria e a aplicação de conceitos fuzzy são bastante
importantes para trabalhar com essas questões.
Várias técnicas relacionadas à resolução de problemas que envolvem tomada de decisão
com base em múltiplos critérios foram desenvolvidas ou adaptadas tendo-se como referência a
Teoria dos Conjuntos Fuzzy (TCF), normalmente referenciadas genericamente como
“abordagens fuzzy”.
O conceito de “Conjuntos Fuzzy” foi introduzido por Zadeh (1965) que são conjuntos
com amplitudes imprecisas. O autor afirma que a “pertinência” em um conjunto difuso não é
uma questão de afirmação ou negação, mas sim uma questão de grau. Ao longo dos últimos
cinquenta anos, sua proposta ganhou reconhecimento como um ponto importante na evolução
do conceito moderno de imprecisão e incerteza e sua inovação representa uma mudança de
paradigma dos conjuntos clássicos ou dos conjuntos Crisp para “Conjuntos Fuzzy”
(CELIKYILMAZ e TÜRKSEN, 2009).
A teoria dos conjuntos fuzzy e da lógica fuzzy são teorias renomadas, com as quais se
pode capturar o fenômeno natural da imprecisão e incerteza do pensamento humano,
expandindo a lógica tradicional ao incluir instâncias da verdade parcial, podendo ser utilizada
para lidar com problemas difusos e incertos no mundo real (STEFANO, 2014; ZADEH, 1965;
PEDRYCZ e VUKOVICH, 1965; JIANG ET AL., 2019), produzindo ferramentas capazes de
capturar informações vagas, em geral, descritas em uma linguagem natural, e convertê-las para
um formato numérico, de fácil manipulação por meio de computadores (ZADEH, 2008;
CHANG;WANG, 2009; LIN et al., 2016), tendo uma ampla variedade de aplicações, desde
inteligência artificial, ciência da computação, engenharia de controle, sistemas especializados,
gestão, inclusive em processos de tomada de decisão, permitindo a aproximação da decisão por
meio de ferramentas computacionais da decisão humana.
Comparada com a teoria dos conjuntos convencional, a teoria dos conjuntos fuzzy pode
descrever a incerteza dos dados substituindo uma função característica por uma função de
pertinência (JIANG et al, 2020) que é uma função cujo alcance é um conjunto de pertinência
ordenado dentro do intervalo unitário fechado (CELIKYILMAZ e TÜRKSEN, 2009).
Na Teoria Clássica dos Conjuntos, uma função característica define o pertenciamento
(ou pertinência) de determinados elementos a um conjunto. Um conjunto “clássico” é uma
coleção de objetos distintos definido de forma a particionar os objetos de um determinado
universo de discurso em dois grupos: membros (aqueles que pertencem a um determinado
21
conjunto) e não-membros (aqueles que não pertencem a determinado conjunto). Assim, na
teoria dos conjuntos tradicional (crisp), existe uma distinção nítida entre membros e não
membros de um conjunto (ZADEH, 1965; 2008; CELIKYILMAZ e TÜRKSEN, 2009).
Stefano (2014) afirma que o raciocínio exato corresponde a um limite do raciocínio
aproximado, sendo interpretado como um processo de composição de relações nebulosas.
Tradicionalmente, uma proposição lógica possui dois extremos: ou “completamente
verdadeiro” ou “completamente falso”. Na lógica fuzzy, uma premissa varia seu grau de verdade
de 0 a 1, o que leva a ser parcialmente verdadeira e parcialmente falsa.
No conjunto fuzzy, o grau de pertinência de cada elemento é definido por uma função
de pertinência, cujos valores possíveis variam numa escala de 0 a 1, estando relacionado ao
grau de pertencimento, ou seja, a pertinência deve ser um elemento do intervalo [0, 1], de
maneira que os valores de associação representem o grau em que um objeto pertence a um
conjunto fuzzy (NGUYEN; 2021).
A função de pertinência é representada na equação 1:
𝜇𝐴 (𝑥): 𝑋 → [0,1]; 𝑥 ∈ 𝑋 (1)
Seja X o universo do discurso, onde x representa um elemento do universo, X e A

denotam um conjunto fuzzy, caracterizado por sua função de pertinência, μA(x).
De acordo com a função de pertinência mostrada na equação 1 os valores atribuídos aos
elementos x do conjunto X estão dentro de um intervalo especificado, indicando o grau de
pertinência desses elementos no conjunto fuzzy A, que também pode ser definido como
conjuntos de pares ordenados Celikyilmaz e Türksen (2009), onde o primeiro elemento denota
o elemento em si e o segundo o seu grau de pertencimento, conforme equação 2:
𝐴 = {(𝑥, 𝜇𝐴 (𝑥))| 𝑥 ∈ 𝑋} (2)
Celikyilmaz e Türksen (2009) destacam que as funções de pertinência têm sido

comumente formuladas com linhas retas, que são as representações idealizadas. Em aplicações
da vida real, os valores de pertinência formam nuvens de dispersão, que são então normalizadas
em formas, tais como, funções de pertinência triangulares, trapezoidais, sigmoidais e
gaussianas, todas, conforme Suganthi e Samuel (2015), podendo ser aplicadas à modelagem de
problemas de decisão.
22
2.3.1. Números Fuzzy Triangulares (NFT)
Conforme abordado no tópico anterior, um conjunto fuzzy A em um universo de discurso

X é caracterizado pela função de pertinência µA(x), que atribui a cada elemento x em X um
número real no intervalo [0, 1]. O valor numérico µA(x) representa o grau de pertinência de x
em A (CHANG, 1996; KANNAN et al., 2014; LIN et al., 2016; AZADNIA et al., 2021).
Para qualquer número fuzzy, devem ser satisfeitas as seguintes condições
(CHANG;WANG, 2009):
i. Continuidade: µA(x) é contínua no intervalo [0,1];
ii. Convexidade: um número fuzzy é convexo quando satisfaz à equação 3,
considerando-se que µA(x) é contínua no intervalo [0,1] e que x1 e x2 ∈ X;
µ(λ ∗ x1 − (1 − λ) ∗ x2) ≥ MIN {µ(x1), µ(x2)} (3)
iii. Normalidade: pelo menos um elemento x0 de X deve ter grau de pertinência igual
a 1, conforme definido pela equação 4:
µ(x) = 1, ∃ x ∈ X (4)
Um Número Fuzzy Triangular (NFT) a é definido por um a = (l, m, u) com uma função
de pertinência descrita pela equação 5:
𝟎, 𝑠𝑒 𝑥 < 𝑙
𝒙−𝒍
, 𝑠𝑒 𝑙 ≤ 𝑥 ≤ 𝑚
𝒎−𝒍
𝜇𝐴 (𝑥) = (5)
𝒖−𝒙
, 𝑠𝑒 𝑚 ≤ 𝑥 ≤ 𝑢
𝒖−𝒎
{ 𝟎, 𝑠𝑒 𝑥 > 𝑢
Destaca-se que l ≤ m ≤ u, sendo que l e u representam o valor inferior e superior do

suporte de A, respectivamente, e m o valor modal. O suporte de A é o conjunto de elementos
{x ∈ R | l < x < u}. Quando l = m = u, convenciona-se que se trata de um número não fuzzy
(CHANG, 1996). O comportamento da função de pertinência define a morfologia do número
fuzzy, sendo o NFT constituído por segmentos lineares na forma de um triângulo, conforme
exposto na Figura 1:
23
Figura 1: Representação de um NFT.
Fonte: Alyamani e Long (2020); Alyamani et al. (2021).
Devido à sua simplicidade conceitual e computacional, números fuzzy triangulares são

mais comumente usados em aplicações práticas (SINGH;BENYOUCEF, 2011; KANNAN et
al., 2014).
De acordo com os princípios e características de extensão propostos por Zadeh
(1965;1998) e considerando-se dois números fuzzy triangulares M1 e M2, sendo M1 = (l1, m1,
u1) e M2 = (l2, m2, u2), as operações algébricas de números fuzzy triangulares são executadas da
seguinte forma:
i. (𝑙1 , 𝑚1 , 𝑢1 )⨁(𝑙2 , 𝑚2 , 𝑢2 ) = (𝑙1 + 𝑙2 , 𝑚1 + 𝑚2 , 𝑢1 + 𝑢2 ) (6)
ii. (𝑙1 , 𝑚1 , 𝑢1 ) ⊝ (𝑙2 , 𝑚2 , 𝑢2 ) = (𝑙1 − 𝑙2 , 𝑚1 − 𝑚2 , 𝑢1 − 𝑢2 ) (7)
iii. (𝑙1 , 𝑚1 , 𝑢1 )⨀(𝑙2 , 𝑚2 , 𝑢2 ) = (𝑙1 𝑙2 , 𝑚1 𝑚2 , 𝑢1 𝑢2 ) (8)
𝑙 𝑚 𝑢
iv. (𝑙1 , 𝑚1 , 𝑢1 ) ⊘ (𝑙2 , 𝑚2 , 𝑢2 ) = (𝑢1 , 𝑚1 , 𝑙 1 ) (9)
2 2 2
v. 𝜆⨀(𝑙1 , 𝑚1 , 𝑢1 ) = (𝜆𝑙1 , 𝜆𝑚1 , 𝜆𝑢1 ), 𝜆 > 0, 𝜆 ∈ ℝ (10)

1 1 1
vi. (𝑙1 , 𝑚1 , 𝑢1 )−1 = (𝑢 , 𝑚 , 𝑙 ) (11)
1 1 1
Em diversas áreas que envolvem modelos de decisão, números fuzzy vêm sendo
crescentemente utilizado em razão de sua capacidade de representar em linguagem matemática
os valores linguísticos.
2.4. Análise Multicritério de Apoio à Decisão
24
Nesta seção abordam-se as principais metodologias e técnicas de tomada de decisão
multicritério. Além disso, será detalhado o método Processo de Análise Hierárquica – AHP
como ferramenta para construção do índice de gravidade do dano ambiental – IGDAM. Serão
também apresentados trabalhos científicos que se utilizam do referido método para construção
de índices e indicadores aplicados às mais diversas áreas do conhecimento científico.
2.4.1. Processo de Tomada de Decisão
Decidir pode ser entendido como a escolha entre alternativas na busca de solução para
um problema. A teoria da decisão faz referência a ter relação com a lógica com que se chega a
uma escolha dentre várias alternativas. Então, pode-se afirmar que o ato de decidir corresponde
a deliberar, ou seja, dar preferência a uma alternativa após compreensão sobre determinado
problema (ANTONELLO, 2008), pressupondo uma atitude que faça com que um processo evolua
ou não, o que pode interferir negativa ou positivamente num fluxo de rotinas de uma
organização. Eastman (2003) afirma que a Teoria da Decisão está relacionada à lógica como
alguém chega a uma escolha entre alternativas que, por sua vez, variam de problema para
problema, podendo ser ações alternativas, hipóteses alternativas sobre um fenômeno, objetos
alternativos de um conjunto deles e assim por diante.
Gomes e Gomes (2014) entendem a tomada de decisão como o estudo da identificação
e escolha de alternativas para encontrar a melhor solução baseada em diversos fatores e
considerando as expectativas dos avaliadores. Cada decisão é feita dentro de um ambiente de
decisão, que é definido como a recolha de informação, alternativas, valores e preferências
disponíveis quando a decisão deve ser tomada.
Para Lachtermacher (2016) a tomada de decisão pode ser entendida como o processo de
identificação de um problema ou de uma oportunidade e a seleção de uma linha de ação para
resolvê-lo. Quando o estado atual de uma situação é diferente do desejado tem-se um problema,
quando as circunstâncias oferecem a chance de um indivíduo ou de uma organização ultrapassar
ou alterar seus objetivos ou metas, tem-se uma oportunidade.
Harris (1998) afirma que o estudo da tomada de decisão é caracterizado pela identificação
e escolha de alternativas baseado em valores e preferências dos tomadores de decisão, devendo
também ser consideradas as alternativas possíveis, além daquela que se adapta melhor aos
objetivos.
A solução de problemas ocorre por meio de dois elementos centrais: a informação e a
concepção do problema. A informação permite o conhecimento da situação cuja atuação deve
incidir e a concepção intelectual do problema pressupõe as variáveis e a forma como elas
25
interagem (CAETANI, 2014).
Nesse contexto, a multiplicidade de critérios definidos para julgar alternativas é o
principal desafio na tomada de decisão, pois o ser humano possui limitações de compreensão
ou de processamento das informações que recebe (SALOMON, 2005).
Frequentemente os diversos grupos de tomadores de decisão estão envolvidos no
processo e os objetivos geralmente são conflitantes. É nesse contexto que o processo de decisão
por múltiplos critérios ganha força e auxilia na tomada de decisões que envolvem vário critérios
(RIVAS, 2016).
Thomaz (2000) aponta que num processo de decisão devem ser levados em consideração
tanto elementos de natureza objetiva como de natureza subjetiva. Aqueles de natureza objetiva
são próprios do problema e das ações, já os de natureza subjetiva dizem respeito aos valores e
características dos tomadores de decisão, tornando a tomada de decisão, conforme Tchemra
(2009), uma tarefa que requer conhecimento, segurança e coerência do decisor para que a
decisão seja confiável.
Com vistas a minimizar a subjetividade na tomada de decisão, diversos métodos
desenvolvidos permitem a elaboração de modelos de decisão que oferecem técnicas para a
estruturação do problema e funções que permitem representar os julgamentos e as preferências
dos decisores de forma consistente durante o processo de tomada de decisão (RAIFFA, 1968;
RAGSDALE, 2017).
Dessa forma, nota-se que os processos de análise para tomada de decisão, visam a
minimização dos riscos de uma escolha, considerando que apresentam ou recomendam várias
alternativas de ações para a solução de um problema (RAIFFA, 1968; RAGSDALE, 2017;
CABRERIZO et al, 2019).
Embora não se saiba exatamente quando o estudo formal da tomada de decisão
começou, é possível rastrear as origens da análise de decisão/teoria da utilidade. De acordo com
a Sociedade Internacional em tomada de decisão multicritério (MCDM), as metodologias de
apoio à decisão com base em múltiplos critérios tomam força a partir da década de 50 quando
em 1955, foi publicado um artigo que continha a essência da programação de metas e que
serviu, de acordo com (GRECO, 2016), como um impulso para o desenvolvimento da
programação matemática de múltiplos objetivos, fornecido pela programação linear e, em
particular, pela programação de metas.
Na Europa, nos anos 60 e 70 foram introduzidas as metodologias estruturadas,
destacando-se nos Estados Unidos Thomas L. Saaty, com o método AHP e Keeney e Raiffa,
com o MAUT e na França, Bernard Roy com o método ELECTRE, que se tornaria uma família
26
de métodos (FERNANDES et al., 2009).
Nesse contexto, podem ser citadas duas correntes metodológicas no âmbito da tomada
de decisão: a corrente denominada Escola Americana e a Escola Francesa ou Escola Europeia.
De acordo com Matzenauer (2003), a Escola Americana desenvolve Métodos Multicritério de
Tomada de Decisão (MCDM) e se baseia no paradigma racionalista. Já a Escola Europeia
desenvolve Métodos Multicritério de Apoio à Decisão (MCDA) e baseia-se no paradigma
construtivista.
De acordo com Roy (1987), o paradigma científico do racionalismo possui uma visão
objetivista do problema, tendo a imparcialidade total como pressuposto de observação da
realidade, sendo dessa forma, o conhecimento originado fundamentalmente, a partir do objeto.
Na visão racionalista, a realidade é externa e independente do sujeito, sendo explorada
pelo este por meio da experiência. Assim, permite-se ao sujeito a obtenção do conhecimento
objetivo por meio da experiência (MATZENAUER, 2003). O paradigma racionalista propõe-
se ser uma ciência da decisão (ROY, 1993).
O paradigma científico do construtivismo, segundo Roy (1987) trata o problema numa
visão construtivista o que significa que o conhecimento é originado a partir da interação entre
o sujeito e objeto. O sujeito possui um papel ativo na produção do conhecimento, uma vez que
essa realidade é percebida por ele. Os interesses, valores e objetivos dos diversos grupos
envolvidos em um processo decisório devem ser levados em conta (MATZENAUER, 2003).
“Cada envolvido na decisão terá, necessariamente, uma percepção e interpretação diferente da
realidade, não existindo, desta forma, um “problema real”, mas sim problemas construídos, a
partir da percepção da realidade pelos decisores.” (MONTIBELLER, 2000). Assim, verifica-se
que nesse paradigma, incorpora-se a subjetividade dos decisores no processo de tomada de
decisão.
O Quadro 1 apresenta as principais características dos paradigmas adotados pelas
Escolas Europeia e Americana quanto ao processo decisório.
Quadro 1. Características dos paradigmas Racionalista e Construtivista das Escolas de
Métodos Multicritério
Escola Americana – Escola Europeia –
Paradigma Racionalista Paradigma Construtivista
processo ao longo do tempo
A Tomada de momento em que ocorre a
envolvendo interação entre os
Decisão escolha da solução ótima
atores
dotado de sistema de valores
O Decisor totalmente racional
próprio
problema construído (cada
O Problema a Ser
problema real decisor constrói seu próprio
Resolvido
problema)
27
são ferramentas aceitas pelos
Os Modelos representam a realidade objetiva decisores como úteis no Apoio à
Decisão
recomendações que visam
Os Resultados dos
soluções ótimas atender aos valores dos
Modelos
decisores
O Objetivo da gerar conhecimento aos
encontrar a solução ótima
Modelagem decisores sobre o seu problema
o modelo é válido quando o modelo é válido quando serve
A Validade do
representa como ferramenta de Apoio à
Modelo
a realidade objetivamente Decisão
A Preferência dos são construídas com o
são extraídas pelo analista
Decisores facilitador
A Forma de Atuação tomada de decisão apoio à decisão
Fonte: Adaptado de Ensslin, Montibeller e Noronha (2001) apud Cardoso e Santos (2017)
Nota-se, portanto, que a Tomada de Decisão (MCDM) e o Apoio à Decisão (MCDA)

guardam diferenças na abordagem da subjetividade, conforme a visão racionalista e a visão
construtivista, respectivamente, ou seja, na medida de incorporação dos valores dos atores nos
modelos de avaliação (Bana e Costa, 1993).
2.4.2. Métodos Multicritérios
Ren e Sovacool et al. (2014) definem os métodos multicritérios de apoio à decisão como
um conjunto de procedimentos lógicos que visam construir modelos com vistas a orientar o
tomador de decisão quanto à escolha de alternativas.
Desde então, inúmeros autores revisaram artigos na literatura sobre a aplicação do
MCDM na solução de diversos problemas de decisão em diversos campos da atividade humana
(EMOVON; OGHENENYEROVWHO, 2020), tais como construção civil e infraestrutura
(AMBRASAITE; BARFOD; SALLING, 2011), indústria (LONGARAY et al., 2019), logística
e transporte (WĄTRÓBSKI, 2016; DE LA VEGA et al., 2018), energia (NEVES et al., 2009),
meio ambiente (DAS; PAL, 2020), agricultura (USTAOGLU; SISMAN; AYDINOGLU,
2021), dentre outras áreas (SHIH et al., 2007; VELASQUEZ;HESTER, 2013, STOJČIĆ et al.,
2019). Tais metodologias possuem um vasto campo de aplicação em grande parte dos setores
da vida humana.
As ferramentas de tomada de decisão multicritério (MCDM) geralmente são aplicadas
para se chegar a uma decisão ótima quando existem várias alternativas com critérios de decisão.
Trata-se de ferramentas reconhecidas para resolver problemas complexos da vida real devido à
capacidade intrínseca de julgar diversas alternativas com referência a vários critérios de decisão
a fim de escolher a melhor alternativa. Algumas das técnicas populares de MCDM utilizadas
para resolver problemas de decisão são: Processo de Análise Hierárquica (AHP), Combinação
28
Linear Ponderada (CLP), Modelo de Produto Ponderado (WPM), Técnica para Preferência de
Pedido por Similaridade à Solução Ideal (TOPSIS), VIKOR e Teoria da Utilidade Multi-
Atributo (MAUT) (ZHOU;POH, 2006; EMOVON; OGHENENYEROVWHO, 2020). Além
das ferramentas individualmente, podem ser destacadas suas abordagens combinadas com a
lógica fuzzy (GIGOVIĆ et al., 2016; ÇETINKAYA et al., 2016; CHANDNA;SAINI; KUMAR,
2021; OLABANJI; MPOFU, 2021; SAHIN et al., 2021), bem como combinadas entre si
(BÜYÜKÖZKAN; GÖÇER; KARABULUT, 2018; MICALE;LA FATA; LA SCALIA, 2019;
GULUM; AYYILDIZ; TASKIN GUMUS, 2021).
29
3. METODOLOGIA
3.1. Área de estudo
A área de estudo compreende a bacia hidrográfica do Rio Itacolomi (BHRI), com área
de aproximadamente 1.060 km², pertencente à região hidrográfica do rio que leva o mesmo
nome, inserida na porção norte do estado, na macrorregião Noroeste Cearense, compreendendo
os municípios de Uruoca, Granja, Tianguá e Viçosa do Ceará (Figura 2), entre as coordenadas
geográficas 3°16'33.75"S / 41°9'40.29"O e 3°49'53.98"S / 40°48'32.05"O.
Preliminarmente, considerando a necessidade de inspeção em campo, a caracterização
baseou-se na pesquisa desenvolvida por Guimarães (2020). A área da BHRI localiza-se no
domínio de clima semiárido, com período chuvoso irregular e um período seco prolongado,
abrangendo dois tipos climáticos: Tropical Quente Semiárido e Tropical Quente Subúmido. A
taxa média de evaporação na região é de 1.314,02.
A Bacia Hidrográfica do Rio Itacolomi (BHRI) assenta-se sobre duas morfoesculturas
bastante distintas: Depressão Sertaneja e Planalto da Ibiapaba. No contexto dos domínios
morfoesculturais, identificam-se quatro unidades geomorfológicas: Depressão Sertaneja,
Planície Fluvial, Serras Subúmidas e Planalto da Ibiapaba.
Quanto à fitoecologia da BHRI, na área ocorrem as seguintes unidades fitoecológicas:
Caatinga Arbustiva Aberta; Floresta Caducifólia Espinhosa (Caatinga Arbórea); Carrasco;
Complexo Vegetacional da Zona Litorânea; Floresta Subcaducifólia Tropical Pluvial (Mata
Seca); e Floresta Subperenifólia Tropical Plúvio Nebular (Mata Úmida).
No tocante à pedologia, os principais solos encontrados na Bacia Hidrográfica do Rio
Itacolomi (BHRI) por área de abrangência: Argissolos Vermelho-Amarelos, Latossolos
Amarelos, Latossolos Vermelhos, Neossolos Flúvicos, Neossolos Litólicos e Planossolos
Nátricos.
A BHRI abrange sete unidades litoestratigráficas, a saber: Depósitos aluviais: composto
por argilas, areias quartzosas e quartofeldspáticas, conglomeráticas ou não; cascalho argila
orgânica; Depósitos Cenozoicos: Coberturas sedimentares de espraiamento aluvial (inclui
capeamentos de planaltos e coluviões holocênicos e arenoargilosas, de tons alaranjado,
avermelhado e amarelado, apresentam-se em certos locais, cascalhosas e laterizados na base;
Grupo Serra Grande intercalações de siltitos e folhelhos/fluvial e marinho raso. Conglomerados
e arenitos, em parte feldspáticos, com Formação Santa Terezinha: Clorita-sericita filitos,
quartzo filitos, filitos carbonosos, filitos ardoseanos e metassiltitos; intercalações de
metacarbonatos, chertes e metavulcânicas ácidas; Formação Covão muscovita-albita-clorita
30
xistos de provável derivação vulcânica; Formação São Joaquim: Quartzitos puros e micáceos,
em parte com cianita ou sillimanita ou estaurolita; ocasionais intercalações de xistos quartzosos,
rochas calcissilicáticas, formações ferríferas e milonitoxistos derivados de vulcanitos ácidos;
Complexo Granja Ortognaisses TTG, gnaisses migmatítos bandados e dobrados, encerrando
fáceis kinzigíticos, granulitos e miloniticas.
31
Figura 2: Localização da BHRI.
Fonte: Elaborado pelo autor.
32
3.2. Seleção e avaliação dos critérios componentes do índice de gravidade do dano
ambiental
Neste tópico foram propostos critérios de avaliação da gravidade do dano ambiental

utilizando uma abordagem metodológica matemática híbrida, integrando os métodos Fuzzy
Delphi (FDELPHI) e Fuzzy Analytic Hierarchy Process (FAHP). O método FDELPHI foi
utilizado para levantar os critérios componentes da gravidade do dano ambiental. O método
FAHP foi aplicado para calcular os pesos relativos dos critérios / subcritérios selecionados que
contribuem para a gravidade do dano ambiental. A Figura 3 elenca detalhadamente as fases da
modelagem matemática aplicada.
De acordo com Stefano et al. (2017, p. 273), o uso da abordagem FAHP resulta em
algumas vantagens, tais como:
• Os números fuzzy são preferíveis para entender o julgamento humano porque ele traz
em si naturalmente a incerteza;
• A adoção de números fuzzy permite que os tomadores de decisão tenham a liberdade de
estimar o que desejam;
• A abordagem lida bem com dados incertos porque os sentimentos humanos são
imprevisíveis e incertos. Para modelar esse tipo de incerteza, o conjunto fuzzy pode ser
incorporado na comparação pareada como uma extensão do processo de hierarquia
analítica (AHP).
3.2.1. Definição do problema a ser trabalhado
O problema a ser trabalhado é a estruturação de um índice para estimar a gravidade do

dano ambiental com base em critérios componentes do dano ambiental para subsidiar a lavratura
de autos de infração ambiental em campo.
33
Figura 3: Fluxograma para determinação dos pesos dos critérios.
Identificação do problema (objetivo) por meio de pesquisa na literatura e

consulta a especialistas
Definição dos critérios mais importantes pelos especialistas

ETAPA 1: FDELPHI
Organização das respostas dos especialistas e determinação

dos Números Fuzzy Triangulares (NFT)
Defuzzificação dos critérios
Filtragem dos critérios
Atribuição de pesos aos critérios pelos especialistas
Cálculos dos pesos fuzzy
Construção da matriz fuzzy de julgamentos

ETAPA 2: FAHP
Cálculo da medida de extensão sintética fuzzy (Si)
Defuzzificação dos pesos dos critérios pelo método do centro

de área
Cálculo dos vetores dos pesos normalizados
Cálculo dos pesos globais
Proposição do índice baseado nos critérios e subcritérios
34
A vantagem dessa técnica é que os participantes podem basear suas respostas no
feedback. A limitação é que sofre de baixa convergência de opiniões de especialistas, alto custo
de execução e possível filtragem de opiniões de especialistas (KUO E CHEN, 2008).
O método FDELPHI integra o método Delphi com a teoria fuzzy (MURRAY ET AL.,
1985). Nessa técnica, apenas uma rodada de investigação com especialistas é necessária, os
quais fornecem respostas usando funções de grau de pertinência, como números difusos
triangulares, números difusos trapezoidais, números difusos gaussianos, etc. (HSU ET AL.,
2010).
Números fuzzy funcionam melhor para consolidar opiniões fragmentadas de
especialistas (Tsai et al., 2010). As opiniões dos especialistas são combinadas usando
operadores mín., máx., mediana e mistos (Lin et al., 2007), ou usando a média geométrica em
métodos como FAHP (Kuo e Chen, 2008; Ma et al., 2011; Pai, 2007).
A principal vantagem do Método FDELPHI para a coleta de decisão do grupo está no
fato de que todas as opiniões de especialistas serão consideradas e integradas para alcançar o
consenso das decisões do grupo. Além disso, reduz o tempo de análise e o custo (Kuo e Chen
(2008).
Assim, o processo de definição dos critérios pelos especialistas através da aplicação da
Metodologia FDELPHI desenvolveu-se através das seguintes etapas, tomando-se como base os
procedimentos apresentados em Kuo e Chen (2008), Hsu et al. (2010), Wang e Durugbo (2013),
e Stefano et al. (2015).
A primeira etapa consistiu na organização de um painel de especialistas e um
questionário (Apêndice 2), cujos resultados são mostrados no Apêndice 3, para permitir que os
especialistas expressem suas escolhas sobre a importância de cada critério, juntamente com um
conjunto de critérios denominado S, em um intervalo de valoração de 1 a 5, conforme tabela 1.
A pontuação foi então definida como Ri, com i ∈ S, onde o índice do critério i é avaliado por k
especialistas.
Tabela 1: Escala de valoração dos critérios.
Valor Descrição
1 Irrelevante
2 Pouco Importante
3 Importância Moderada
4 Importante
5 Muito Importante
A etapa seguinte envolveu a organização das opiniões dos especialistas a partir do
35
questionário e determinação dos números fuzzy triangulares (NFTs) Ti = (Li, Mi, Ui) para cada
critério i, conforme mostrado nas Equações 12 a 14:
𝐿𝑖 = 𝑀𝑖𝑛(𝐿𝑖𝑘 ) (12)
1
𝑀𝑖 = (𝑅𝑖1 𝑥 𝑅𝑖2 𝑥 𝑅𝑖3 𝑥 … 𝑥 𝑅𝑖𝑘 )𝑘 (13)
𝑈𝑖 = 𝑀𝑎𝑥(𝐿𝑖𝑘 ) (14)
Onde, Li indica o valor mínimo da classificação de todos os especialistas; Mi é a média

geométrica da ponderação feita pelos especialistas em relação ao critério i; e Ui indica a
pontuação máxima atribuída pelos especialistas.
Os valores máximo e mínimo das opiniões de especialistas consideram os dois pontos
terminais dos números fuzzy triangulares. A média geométrica é considerada o grau de
pertinência dos números difusos triangulares para derivar um efeito estatisticamente imparcial
e evitar o impacto de valores extremos. Este método permite melhorar o processo de seleção de
critérios, apresentando a vantagem da simplicidade, bem como que todas as opiniões de
especialistas sejam englobadas em uma única rodada Kuo e Chen (2008).
Após a determinação dos números fuzzy triangulares (NFTs), a terceira etapa consistiu
na defuzzificação dos valores adotando-se a abordagem do centro de área (KAYACAN, 2016;
HSIEH ET AL., 2004) através da equação 15:
(𝑢𝑖 − 𝑙𝑖 )+(𝑚𝑖 − 𝑙𝑖 )
𝑮𝒊 = [ ] + 𝑙𝑖 (15)
3
O quarto passo adotado foi avaliar a confiabilidade do questionário respondido

pelos especialistas. A confiabilidade é entendida como o grau em que o resultado medido reflete
o resultado verdadeiro, ou seja, quanto uma medida está livre da variância dos erros aleatórios
(HAYES, 1998 apud ALMEIDA;SANTOS;COSTA, 2010). Para isto, adotou-se o coeficiente
alfa de Cronbach, uma das estatísticas mais importantes e difundidas em pesquisas envolvendo
construção e uso de testes (CORTINA, 1993). De acordo com Leontitsis e Pagge (2007), o
coeficiente alfa de Cronbach é estruturado de acordo com a Equação 16:
𝑘 𝜎𝜏2 − ∑𝑘 2
𝑖=1 𝜎𝑖
𝛼= [ ] (16)
𝑘−1 𝜎𝜏2
36
Onde 𝜎𝑖2 é a variância de cada coluna de uma matriz n x k, e relaciona-se a cada pergunta
feita, e 𝜎𝜏2 é a variância da soma de cada linha da matriz, sendo a variância da soma das respostas
de cada respondente. O valor de k deve ser maior do que 1 para que não haja zero no
denominador e n deve ser maior do que 1 para que não haja zero no denominador no cálculo de
𝜎𝑖2 e do 𝜎𝜏2 .
Na equação acima, k é um parâmetro de correção. Se houver consistência nas respostas
quantificadas, então 𝜎𝜏2 será relativamente grande, o que levará α a tender para 1. Caso
contrário, as respostas aleatórias farão com que 𝜎𝜏2 seja comparável com a soma das variâncias
individuais (𝜎𝑖2 ), o que por sua vez levará α a tender para 0 (LEONTITSIS e PAGGE, 2007).
O valor mínimo aceitável para o alfa é 0,70. Valores inferiores denotam consistência
interna da escala utilizada considerada baixa. Por outro lado, o valor máximo esperado é 0,90,
de forma que, acima deste valor, pode-se considerar que há redundância ou duplicação, ou seja,
vários itens estão medindo exatamente o mesmo elemento de um constructo. Assim, os itens
redundantes devem ser eliminados. Usualmente, são preferidos valores de alfa entre 0,80 e 0,90
(ALMEIDA;SANTOS;COSTA, 2010).
O quinto e último passo do processo de seleção dos critérios consistiu em definir um
limite α, de maneira que, se Gi ≤ α, então o critério i é eliminado. Para o presente trabalho
adotou-se o valor de α = 3, considerando que foram selecionados somente aqueles critérios
definidos como importantes ou muito importantes pelos especialistas.
3.3. Ranqueamento dos critérios pelo método FAHP (Fuzzy-AHP)
O método FAHP em termos de estrutura geral é similar ao método AHP. Entretanto, o

AHP tem como limitação o fato de não fornecer uma abordagem do pensamento subjetivo
(GUL e GUNERI, 2018). A vantagem do método FAHP reside na possibilidade de modelar
esse tipo de incerteza por meio da incorporação dos conjuntos fuzzy na matriz de comparação
pareada, funcionando como uma extensão do processo de análise hierárquica (Stefano et al.,
2017). A Figura 4 mostra o fluxograma completo do processo de ranqueamento dos critérios
por meio do método FAHP.
37
Figura 4: Método Fuzzy-AHP para estruturação do IGDA.
Avaliações Linguísticas Comparativas
Grupo de
Especialistas
Verificar a consistência dos julgamentos
Critérios de
Decisão
NÃO
Satisfatória?
Variáveis
Linguísticas SIM
Agregar as comparações dos especialistas
Avaliações Obtenção da medida sintética dos pesos

Linguísticas
Comparativas
Obtenção do vetor de preferência dos critérios
Obtenção da medida sintética das alternativas
Obtenção do vetor de preferência das alternativas
Ordenação dos resultados
ÍNDICE DE
GRAVIDADE DO
BASE DE DANO
DADOS AMBIENTAL -
IGDA

Etapa 1: A primeira etapa do processo de ranqueamento dos critérios selecionados
envolve tanto ferramentas computacionais como a participação de especialistas ou grupo de
especialistas, cujo papel abrange:
- Definição e estruturação do problema de decisão: para isto, deve-se estruturar uma
hierarquia na qual são identificados o objetivo da decisão, os critérios e as alternativas.
Tomando-se como base a abordagem teórica de Saaty e Vargas (1982), assume-se que n
critérios devem ser considerados antes de se tomar uma decisão. No desenvolvimento da
hierarquia a ser aplicada no método FAHP, devem ser considerados três níveis de análise: o
38
objetivo, os critérios e as alternativas.
O problema é estruturado de acordo com uma hierarquia, conforme pode ser visualizado
na Figura 5, onde o elemento superior é o objetivo da decisão. O segundo nível da hierarquia
representa os critérios e o nível mais baixo representa as alternativas. Em hierarquias mais
complexas, mais níveis podem ser adicionados. Esses níveis adicionais representam os
subcritérios. Em qualquer caso, existem no mínimo três níveis na hierarquia (ISHIZAKA e
NEMERY, 2013).
Figura 5: Exemplo de modelo AHP básico.
Objetivo
Critério A Critério B Critério C Critério D
Subcritério Subcritério Subcritério Subcritério

A B C D
Fonte: Adaptado de Mu e Pereyra-Rojas (2017).
- Definição de um conjunto de termos linguísticos: a escala triangular fuzzy de

preferência utilizada neste estudo é apresentada na Tabela 2. A definição dos termos linguísticos
e seus respectivos números fuzzy triangulares (NFTs) visam comparar os critérios com vistas a
quantificar seu desempenho, bem como dos subcritérios.
Tabela 2: Variáveis linguísticas para comparação pareada de cada critério e subcritério.
Escala Linguística de Números Fuzzy Escala Fuzzy Escala Fuzzy
Importância para FAHP Triangular Triangular Recíproca
Igualmente Importante (II) 1̃ (1, 1, 1) (1, 1, 1)
Levemente mais
3̃ (2, 3, 4) (0.25, 0.33, 0.5)
importante (LI)
Mais importante (MI) 5̃ (4, 5, 6) (0.17, 0.2, 0.25)
Muito mais importante
7̃ (6, 7, 8) (0.13, 0.14, 0.17)
(MMI)
Extremamente mais
9̃ (8, 9, 9) (0.11, 0.11, 0.13)
importante (EMI)
2̃ (1, 2, 3) (0.33, 0.5, 1)
Valores Intermediários
4̃ (3, 4, 5) (0.2, 0.25, 0.33)
39
6̃ (5, 6, 7) (0.14, 0.17, 0.2)
8̃ (7, 8, 9) (0.11, 0.13, 0.14)

Fonte: adaptado de Kannan et al., (2014) e Abdullah (2017).
Os valores dos números fuzzy para denotar os níveis de importância são expressos por
variáveis linguísticas, a saber: Igualmente Importante (II); Levemente mais importante (LI);
Mais importante (MI); Muito mais importante (MMI); Extremamente mais importante (EMI).
As variáveis são representadas graficamente na Figura 6.
Figura 6: Funções de pertinência definidas para o conjunto fuzzy das variáveis linguísticas.
- Avaliar os critérios selecionados: a partir dos termos linguísticos adotados na Tabela

2 os especialistas avaliam os critérios selecionados.
- Agregar as preferências dos k especialistas através das equações 17 a 19, conforme
(BÜYÜKÖZKAN e FEYZIOĞLU, 2004; CHANG et al., 2009):
𝑙𝑖𝑗𝑘 = 𝑚í𝑛 (𝑙𝑖𝑗𝑘 ) (17)
𝐾 (18)
𝑚𝑖𝑗𝑘 = √∏𝐾
𝑘=1 𝑚𝑖𝑗𝑘
(19)
𝑢𝑖𝑗𝑘 = 𝑚á𝑥 (𝑢𝑖𝑗𝑘 )
Onde, 𝑙𝑖𝑗𝑘 , 𝑚𝑖𝑗𝑘 e 𝑢𝑖𝑗𝑘 representam os valores inferior, modal e superior,
40
respectivamente, referentes ao especialista k, com número de critérios igual a K. Além disso,
𝑙𝑖𝑗𝑘 ≤ 𝑚𝑖𝑗𝑘 ≤ 𝑢𝑖𝑗𝑘 e 𝑙𝑖𝑗 , 𝑚𝑖𝑗 , 𝑢𝑖𝑗 ∈ [1/9, 9].
- Verificação de consistência: a verificação de consistência dos valores de julgamentos

coletados é conduzida nos mesmos termos adotados no método AHP tradicional, segundo o
qual julgamentos consistentes devem satisfazer à condição CR < 0,1, sendo calculado por meio
da equação 20 (Saaty, 1980).
𝐶𝐼 𝜆𝑚á𝑥 − 𝑛 (20)
𝐶𝑅 = =
𝑅𝐼 𝑅𝐼(𝑛 − 1)
Onde, IC = Índice de Consistência; n = nº de critérios da matriz < 𝜆𝑚á𝑥 ou autovalor
principal da matriz de julgamentos; RI = índice randômico baseado no tamanho da matriz n,
conforme tabela 3. De acordo com Tesfamariam e Sadiq (2006) o CR pode ser avaliado pelo
valor modal m.
Tabela 3: Índice média de consistência randômica (RI)
N 1 2 3 4 5 6 7 8 9 10
Índice de Consistência Randômica (RI) 0 0 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49
Fonte: Saaty e Vargas (2012).
Etapa 2: Esta etapa relaciona-se ao cálculo dos pesos por meio da importância relativa
fuzzy ou extensão sintética fuzzy dos nove critérios. Para isto, utilizou-se a abordagem do
método de análise de extensão proposta por Chang (1996), conforme mostrado nas equações
22 a 25, a partir da qual calcula-se a extensão sintética (Si) que é o número fuzzy que representa
a importância relativa de cada critério e subcritério, conforme procedimentos a seguir:
a. Seja X = {x1, x2, ..., xn} um conjunto de critério e G = {g1, g2, g3, ..., gn} um conjunto
de metas, cada critério terá sua extensão sintética calculada em relação a cada meta (gi)
obtendo-se m valores para cada critério em relação à meta, representados pela equação
21, sendo todos os 𝑀𝑔𝑚 (j = 1,2, ..., m) Números Fuzzy Triangulares (NFT):
1 2 𝑚 (21)
𝑀𝑔𝑖 , 𝑀𝑔𝑖 , … , 𝑀𝑔𝑖 , 𝑖 = 1, 2, … , 𝑛
1 2 𝑚
b. Sejam 𝑀𝑔𝑖 , 𝑀𝑔𝑖 , … , 𝑀𝑔𝑖 (𝑖 = 1, 2, … , 𝑛), medidas sintéticas do i-ésimo critério em
relação a m metas, então o valor de extensão sintética fuzzy (Si) para o i-ésimo critério
será calculado conforme equação X:
41
−1
𝑚 𝑛 𝑚
𝑗 𝑗
𝑆𝑖 = ∑ 𝑀𝑔𝑖 ⊗ [∑ ∑ 𝑀𝑔𝑖 ] (22)
𝑗=1 𝑖=1 𝑗=1
𝑚 𝑚 𝑚 𝑚
𝑗 (23)
∑ 𝑀𝑔𝑖 = (∑ 𝑙𝑗 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗 )
𝑗=1 𝑗=1 𝑗=1 𝑗=1
𝑛 𝑚 𝑛 𝑛 𝑛
𝑗
∑ ∑ 𝑀𝑔𝑖 = (∑ 𝑙𝑗 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗 ) (24)
𝑖=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1
−1
𝑚 𝑛 (25)
𝑗 1 1 1
[∑ ∑ 𝑀𝑔𝑖 ] = ( 𝑛 , , )
∑𝑗=1 𝑢𝑗 ∑𝑛𝑗=1 𝑚𝑗 ∑𝑛𝑗=1 𝑙𝑗
𝑖=1 𝑗=1
Etapa 3: Esta etapa engloba o processo de defuzzificação, que consiste na obtenção de

um único número da saída do conjunto fuzzy agregado pelo grau de valores de pertinência.
A defuzzificação é uma transformação inversa em relação ao processo de fuzzificação,
pois neste processo, a saída fuzzy é convertida em valores crisp para serem aplicados ao
sistema. Um dos métodos mais utilizados é o método do centro de área que toma o centro de
gravidade do conjunto fuzzy (KAYACAN, 2016; HSIEH ET AL., 2004), resultando na
obtenção da melhor prioridade não fuzzy (best non-fuzzy priority - BNP) de importância dos
critérios (ALYAMANI, 2020; 2021). Esses valores de BNP são então usados para classificar a
importância dos critérios que comporão o índice. O cálculo do BNP é mostrado na equação 26:
(𝑢𝑆𝑖 − 𝑙𝑆𝑖 ) + (𝑚𝑆𝑖 − 𝑙𝑆𝑖 )

𝑩𝑵𝑷𝑺𝒊 = [ ] + 𝑙𝑆𝑖 (26)
3
Após a defuzzificação dos NFTs, os números crisp são reunidos e normalizados, de

acordo com a equação 27, com Rj para denotar o peso de importância normalizado do j-ésimo
critério.
𝑊𝑗
𝑅𝑗 = 𝑛
(27)
∑𝑗=1 𝑊𝑗
42
Onde ∑𝑛𝑗=1 𝑅𝑗 = 1.
Os mesmos procedimentos das etapas mostradas serão aplicados aos subcritérios.
Etapa 4: Esta etapa consiste no cálculo dos pesos globais (wij), calculados
multiplicando-se o peso local dos subcritérios com o peso dos critérios a que pertence, conforme
equação 28.
𝑤𝑖 = 𝑐𝑖 x𝑐𝑖𝑗 (28)
Onde, 𝑐𝑖 é o peso local do critério i e 𝑐𝑖𝑗 é o peso local do subcritério j dentro do critério
i.
43
4. RESULTADOS OBTIDOS
Neste capítulo serão apresentados os resultados obtidos até a presente data, que se
relaciona à seleção e avaliação preliminar dos critérios.
4.1. Seleção dos critérios com base no método Fuzzy-Delphi
Com vistas a selecionar os critérios que comporão o Índice de Gravidade do Dano

Ambiental (IGDAM) aplicou-se o método Fuzzy Delphi. Primeiramente foi realizado um painel
com servidores da Fiscalização e Licenciamento Ambiental da Superintendência Estadual do
Meio Ambiente – Semace, em cuja oportunidade foram relacionados os possíveis critérios a
serem utilizados no presente estudo. O objetivo foi estabelecer uma lista de critérios de
avaliação que representasse o consenso entre os especialistas consultados quanto à composição
do referido índice.
Para isto, foi elaborado um pré-questionário contendo 26 (vinte e seis) critérios para
compor o formulário para submissão à pesquisa de seleção inicial, quais sejam: Altitude; Clima;
Declividade; Densidade de Drenagem; Densidade de Focos de Queimada; Densidade de
Pecuária; Densidade de Residências; Densidade Demográfica; Dissecação do Relevo; Distância
de Áreas Protegidas; Distância de Núcleos Urbanos; Distância de Recursos Hídricos; Distância
de Vias; Geologia; Geomorfologia; Índice de Aridez; Índice de Desenvolvimento Humano
(IDH); Insolação; Nebulosidade; Orientação do Terreno; Pedologia; Pluviosidade; Temperatura
da Superfície; Temperatura do Ar; Uso e Cobertura da Terra; Vegetação.
Ainda no contexto da primeira etapa, procedeu-se reunião com servidores do órgão
ambiental estadual do Ceará, a Superintendência Estadual do Meio Ambiente – Semace com
vistas a avaliar se a lista de critério elencados poderia ter uma primeira redução no número de
critérios. Preliminarmente, cinco critérios foram removidos – Insolação, Nebulosidade,
Orientação do Terreno, Densidade de Pecuária, Dissecação do Relevo – em razão de o grupo
ter considerado que tais critérios não se relacionam diretamente com a intensificação da
gravidade do dano ambiental, no caso dos três primeiros, e, no caso dois últimos, a Densidade
de Pecuária está relacionada ao uso da terra e a Dissecação do Relevo à Geomorfologia.
Em seguida, os 21 (vinte e um) critérios restantes foram avaliados seguindo a proposta
de ponderação indicada na Tabela 1, cujos resultados são mostrados na Tabela 4, na qual são
listados os critérios com seus respectivos valores de média geométrica, máximo, mínimo e o
valor de Gi.
44
Tabela 4: Seleção e avaliação dos critérios através do método FDELPHI.
Média
Max Mín
Critério Geometrica Gi
(Ui) (Li)
(Mi)
Vegetação 4,36 5,00 2,00 3,79
Declividade 4,15 5,00 2,00 3,78
Geomorfologia 4,28 5,00 2,00 3,76
Uso e Cobertura da Terra 4,22 5,00 2,00 3,74
Distância de Recursos Hídricos 4,04 5,00 2,00 3,68
Solos 3,77 5,00 1,00 3,26
Clima 3,71 5,00 1,00 3,24
Geologia 3,28 5,00 1,00 3,09
Altitude 3,02 5,00 1,00 3,01
Distância de Vias 3,04 5,00 1,00 3,01
Pluviosidade 2,99 5,00 1,00 3,00
Temperatura do Ar 3,02 5,00 1,00 3,01
Temperatura da Superfície 2,99 5,00 1,00 3,00
Densidade demográfica 2,99 5,00 1,00 3,00
Densidade de Drenagem 2,97 5,00 1,00 2,99
Índice de Aridez 2,97 5,00 1,00 2,99
Distância de Núcleos Urbanos 2,96 5,00 1,00 2,99
Densidade de Focos de Queimada 2,97 5,00 1,00 2,99
Densidade de Residências 2,93 5,00 1,00 2,98
Distância de Áreas Protegidas 2,87 5,00 1,00 2,96
Índice de Desenvolvimento Humano (IDH) 2,54 5,00 1,00 2,85
Por meio da avaliação do questionário (Apêndice 1) através do método Fuzzy-Delphi,
cujo 𝛼 de Crombach obtido foi de 0,85, foram eliminados aqueles critérios que obtivessem Gi
equivalente à importância moderada (valor 3), sendo considerados aptos a comporem o índice
os critérios cujo Gi apresentasse valores 4 (importante) ou 5 (muito importante). Dessa forma,
foram eliminados os seguintes critérios: Pluviosidade; Temperatura do Ar; Temperatura da
Superfície; Densidade Demográfica; Densidade de Drenagem; Índice de Aridez; Distância de
Núcleos Urbanos; Densidade de Focos de Queimada; Densidade de Residências; Distância de
Áreas Protegidas; Índice de Desenvolvimento Humano (IDH).
Por fim, foram selecionados os seguintes critérios para compor o IGDAM: Vegetação;
Declividade; Geomorfologia; Uso e Cobertura da Terra; Distância de Recursos Hídricos; Solos;
Clima; Geologia; Altitude; Distância de Vias (Apêndice 3).
4.2. Aplicação do método Fuzzy AHP
Após aplicação dos questionários, definição dos critérios escolhidos para composição
do IGDAM, os critérios e seus respectivos subcritérios foram organizados e renomeados por
meio de siglas para melhor aplicação do método FAHP. O Quadro 2 mostra os critérios e
subcritérios.
45
Quadro 2: Critérios e subcritérios selecionados.
Critério Subcritério
Caatinga Arbórea (A1)
Caatinga Arbustiva Aberta (A2)
Carrasco (A3)
Vegetação (C1) Complexo Vegetacional da Zona (A4)
Litorânea
Mata Seca (A5)
Mata Úmida (A6)
Plano (A7)
Suave Ondulado (A8)
Ondulado (A9)
Declividade (C2)
Forte Ondulado (A10)
Montanhoso (A11)
Escarpado (A12)
Depressão Sertaneja (A13)
Planalto da Ibiapaba (A14)
Geomorfologia (C3)
Planície Fluvial (A15)
Serras Subúmidas (A16)
Formação Florestal (A17)
Formação Savânica (A18)
Formação Campestre (A19)
Pastagem (A20)
Uso e Cobertura da Terra (C4)
Agropecuária (A21)
Área Urbanizada (A22)
Solo Exposto (A23)
Corpo D’água (A24)
< 50 (A25)
50 – 100 (A26)
Distância de Recursos Hídricos (C5) 100 – 300 (A27)
300 – 500 (A28)
> 500 (A29)
< 500 (A30)
500 – 1000 (A31)
1000 – 2000 (A32)
Distância de Vias (C6)
2000 – 3000 (A33)
3000 – 5000 (A34)
> 5000 (A35)
Argissolo Vermelho-Amarelo (A36)
Latossolo Amarelo (A37)
Latossolo Vermelho (A38)
Solos (C7)
Neossolo Flúvico (A39)
Neossolo Litólico (A40)
Planossolo Nátrico (A41)
Tropical Quente Semiárido (A42)
Clima (C8)
Tropical Quente Subúmido (A43)
Covão (A44)
São Joaquim (A45)
Santa Terezinha (A46)
Geologia (C9)
Depósitos Colúvio-eluviais (A47)
Granja (A48)
Serra Grande (A49)
Altitude (C10) < 100 (A50)
46
100 - 220 (A51)
220 - 410 (A52)
410 - 600 (A53)
600 a_ 750 (A54)
> 750 (A55)
Utilizando-se os critérios e subcritérios listados no Quadro X, foi organizado um modelo

hierárquico visando a avaliação destes por meio da aplicação do método FAHP. Até o presente
momento, foram obtidas as avaliações dos 36 especialistas sobre os critérios, que foram
submetidas à avaliação de consistência através da Razão de Consistência (RC) proposta por
Saaty (1980). Dos 36 questionários respondidos, 20 apresentaram RC ≥ 0,1, o que demandou
ajustes para adequação do RC.
Considerando que o trabalho se encontra em andamento, utilizou-se a tabela resultante
da média geométrica fuzzy para os critérios (Tabela X), visando aplicar o método apresentado.
A referida matriz possui RC = 0,03.
Assim, o primeiro passo a ser adotado nos procedimentos foi elencar os julgamentos
realizados por meio dos valores linguísticos em números fuzzy triangulares, conforme mostrado
na Tabela 5.
Tabela 5: Julgamentos realizados e convertidos em NFT.
O segundo passo adotado foi o cálculo da extensão sintética (Si) para cada um dos
critérios avaliados por meio da equação 22:
1 1 1
SC1 = (12.343, 34.814, 70) ⨀ ( , , ) = (0.029, 0.185, 0.837)
421,03 188,58 83,62
1 1 1
SC2 = (14.56, 28.877, 56) ⨀ ( , , )= (0.035, 0.153, 0.67)
421,03 188,58 83,62
1 1 1
SC3 = (19.667, 40.264, 73) ⨀ ( , , )= (0.047, 0.214, 0.873)
421,03 188,58 83,62
1 1 1
SC4 = (7.706, 14.976, 42.5) ⨀ ( , , )= (0.018, 0.079, 0.508)
421,03 188,58 83,62
1 1 1
SC5 = (10.093, 23.964, 51.5) ⨀ ( , , )= (0.024, 0.127, 0.616)
421,03 188,58 83,62
1 1 1
SC6 = (3.054, 4.981, 24) ⨀ ( , , )= (0.007, 0.026, 0.287)
421,03 188,58 83,62
1 1 1
SC7 = (8.165, 22.013, 52.5) ⨀ ( , , )= (0.019, 0.117, 0.628)
421,03 188,58 83,62
1 1 1
SC8 = (2.219, 3.82, 9.2) ⨀ ( , , )= (0.005, 0.02, 0.11)
421,03 188,58 83,62
47
1 1 1
SC9 = (3.411, 8.586, 25) ⨀ ( , , )= (0.008, 0.046, 0.299)
421,03 188,58 83,62
1 1 1
SC10 = (2.406, 6.29, 17.333) ⨀ ( , , )= (0.006, 0.033, 0.207)
421,03 188,58 83,62
O terceiro passo foi calcular os valores das melhores prioridades não fuzzy, conforme
equação 26:
(𝑢𝑆𝑖 − 𝑙𝑆𝑖 ) + (𝑚𝑆𝑖 − 𝑙𝑆𝑖 ) (26)

𝑩𝑵𝑷𝑺𝑪𝟏 = [ ] + 𝑙𝑆𝑖
3
(0,837− 0,029)+(0,185− 0,029)

𝑩𝑵𝑷𝑺𝑪𝟏 = [ ] + 0,029 = 0,350
3
(0,67− 0,035)+(0,153− 0,035)

𝑩𝑵𝑷𝑺𝑪𝟐 = [ ] + 0,035 = 0,286
3
(...)
(0,207− 0,006)+(0,033 − 0,006)

𝑩𝑵𝑷𝑺𝑪𝟏𝟎 = [ ] + 0,006 = 0,082
3
A partir dos cálculos efetuados, obteve-se o vetor W de pesos dos critérios que, após
normalizado, resultou no vetor X:
W = (0.350, 0.286, 0.378, 0.202, 0.256, 0.107, 0.255, 0.045, 0.118, 0.082)
X = (0.169, 0.138, 0.182, 0.097, 0.123, 0.051, 0.123, 0.022, 0.057, 0.040)T
Os pesos dos critérios estão descritos na Tabela 6:
Tabela 6: Critérios e pesos normalizados.

CRITÉRIO PESO
Uso e Cobertura da Terra 0,182
Solos 0,169
Geomorfologia 0,138
Declividade 0,123
Clima 0,123
Vegetação 0,097
Distância de Recursos Hídricos 0,057
Altitude 0,051
Distância de Vias 0,04
Geologia 0,022
Total 1,00
48
5. RESULTADOS ESPERADOS E CRONOGRAMA DE ATIVIDADES
Neste capítulo, apresentam-se os resultados esperados com as etapas metodológicas

futuras e o cronograma de atividades a ser desenvolvido.
5.1. Definição dos vetores de pesos dos subcritérios
Nesta etapa será data continuidade ao processo de ponderação dos subcritérios que
compõem os critérios, tendo como base a avaliação dos especialistas. Para isto, será repetido
todo o procedimento elencado no capítulo 5, com vistas a se obter o peso global dos critérios
tendo com base seus pesos e os pesos dos subcritérios, permitindo a estruturação do índice
proposto neste trabalho.
Espera-se com os resultados desta pesquisa dar suporte aos atores que compõem os
quadros de fiscalização e licenciamento ambiental dos órgãos ambientais no exercício das
atividades de fiscalização ambiental, permitindo de maneira prática a aplicação das sanções
previstas na legislação tendo como base critérios objetivos que estimem de maneira adequada
a gravidade do dano ambiental considerada no momento da multa ambiental.
5.2. Cronograma de atividades
O Quadro 3 apresenta o cronograma de atividades desenvolvido para a presente

pesquisa de doutorado. Nele estão dispostas as atividades que já foram realizadas e as que estão
previstas até a conclusão do prazo de 48 meses de doutorado.
49
Quadro 3: Cronograma de atividades para a pesquisa de doutorado.
Anos
2018 2019 2020 2021 2022
Atividades Semestres
1º 2º 1º 2º 1º 2º 1º 2º 1º
Obtenção dos créditos de doutorado
Elaboração da revisão bibliográfica
Elaboração da metodologia
Exame de qualificação – prova escrita
Metodologia: estruturação e aplicação do método Delphi
Metodologia: aplicação do método FAHP
Exame de qualificação – defesa oral
Elaboração e submissão de artigo da primeira etapa metodológica
Metodologia: levantamento e compilação dos dados brutos dos subcritérios
Metodologia: determinação dos desempenhos individuais dos subcritérios
Metodologia: aplicação do método multicritério
Metodologia: definição do desempenho global dos critérios e subcritérios
Descrição e interpretação dos resultados
Elaboração e submissão de artigos
Correções e redação final da tese
Defesa da tese
50
REFERÊNCIAS
ALAM, B.M. Application of Geographic Information Systems. Rijeka: InTech, 2012. DOI:
http://dx.doi.org/10.5772/1944
ALMEIDA, D.; REIS, M. Aplicação do Coeficiente Alfa de Cronbach nos resultados de um

questionário para avaliação de desempenho da saúde pública. [s.l: s.n.]. Disponível em:
<http://www.abepro.org.br/biblioteca/enegep2010_TN_STO_131_840_16412.pdf>. Acesso
em 06 jan. 2022.
ALYAMANI, R.; LONG, S. The Application of Fuzzy Analytic Hierarchy Process in

Sustainable Project Selection. Sustainability, v. 12, n. 20, p. 8314, 9 out. 2020.
https://doi.org/10.3390/su12208314
ALYAMANI, R.; LONG, S.; NURUNNABI, M. Evaluating Decision Making in Sustainable

Project Selection Between Literature and Practice. Sustainability, v. 13, n. 15, p. 8216, 22 jul.
2021. https://doi.org/10.3390/su13158216
AMADO, F. Direito Ambiental. 5. ed. rev. e atualiz. Salvador: Ed. Jus Podium, 2017.
AMBRASAITE, I.; BARFOD, M. B.; SALLING, K. B. MCDA and Risk Analysis in Transport
Infrastructure Appraisals: the Rail Baltica Case. Procedia - Social and Behavioral Sciences,
v. 20, p. 944–953, 2011. https://doi.org/10.1016/j.sbspro.2011.08.103
ANTONELLO, S.L. Um sistema de planejamento e gestão para bacias hidrográficas com

uso de análise multicritérios. Tese (doutorado). Universidade de São Paulo, Piracicaba, 2008.
ANTUNES, P. B. Direito Ambiental. 12. ed. rev., ampl. e atualiz. Rio de Janeiro: Lumen Juris,
2010.
AZADNIA, A. H.; GERANSAYEH, M.; ONOFREI, G.; GHADIMI, P. A weighted fuzzy

approach for green marketing risk assessment: Empirical evidence from dairy industry. Journal
of Cleaner Production, v. 327, p. 129434, dez. 2021.
https://doi.org/10.1016/j.jclepro.2021.129434
BANA E COSTA, C.A. Três convicções fundamentais na prática do apoio à decisão. Pesquisa
Operacional 13.1 (1993): 9-20.
BOLSTAD, P. GIS Fundamentals: A First Text on Geographic Information Systems. 5 ed.

St. Paul: XanEdu, 2016.
BRASIL. Lei Nº 6.938, de 31 de Agosto de 1981. Dispõe sobre a Política Nacional do Meio
Ambiente, seus fins e mecanismos de formulação e aplicação, e dá outras providências. Brasília,
DF, ago 1981. Disponível em: < http://www.planalto.gov.br/ccivil_03/leis/l6938.htm> Acesso
em 10 nov 2021
BUENO, S.; SALMERON, J. L. Fuzzy modeling Enterprise Resource Planning tool selection.
Computer Standards & Interfaces, v. 30, n. 3, p. 137–147, mar. 2008.
https://doi.org/10.1016/j.csi.2007.08.001
BURROUGH, P.A.; MCDONNELL, R.A. Principles of Geographical Information Systems.
51
Oxford University Press, Oxford, 1998. 333 p.
BÜYÜKÖZKAN, G.; FEYZIOG̃ LUO. A fuzzy-logic-based decision-making approach for new

product development. International Journal of Production Economics, v. 90, n. 1, p. 27–45,
jul. 2004. https://doi.org/10.1016/S0925-5273(02)00330-4
BÜYÜKÖZKAN, G.; GÖÇER, F.; KARABULUT, Y. A new group decision making approach
with IF AHP and IF VIKOR for selecting hazardous waste carriers. Measurement, v. 134, p.
66–82, fev. 2019. https://doi.org/10.1016/j.measurement.2018.10.041
CABRERIZO, F. J.; ÁNGELES MARTÍNEZ, M.; LÓPEZ-GIJÓN, J.; CASCÓN-

KATCHADOURIAN, J.; HERRERA-VIEDMA, E. Group decision making and soft
consensus: Analyzing citation classics by means of h-classics. Procedia Computer Science,
162:251–259, 2019.
CAETANI, A. P. Uso De Método Multicritério Para Seleção De Estratégia De Reconversão

Industrial Em Uma Refinaria De Petróleo. Universidade Federal do Rio Grande do Sul. Porto
Alegre, 2014.
CÂMARA, G.; DAVIS.C.; MONTEIRO, A.M.; D'ALGE, J.C. Introdução à Ciência da

Geoinformação. São José dos Campos, INPE, 2001 (on-line, 2a. edição, revista e ampliada).
Disponível em http://www.dpi.inpe.br/gilberto/livro/introd/ Acesso em 03 set 2021.
CÂMARA, G.; MEDEIROS, J.S. Princípios básicos em geoprocessamento. In: ASSAD, E.D.;
SANO, E.E. Sistemas de Informações Geográficas (Aplicações na Agricultura). 2.ed.
Brasília: SPI/ EMBRAPA-CPAC, 1998. 434 p.
CAMARA, G.; MONTEIRO, A.M.; CLODOVEU, D.V. Introdução à Ciência da

Geoinformação. São José dos Campos, 2004. p. 1-2. Disponível em
<http://www.dpi.inpe.br/gilberto/papers/epistemologia.pdf>. Acesso em 10 jan. 2022.
CARVALHO, D.W. Dano Ambiental Futuro: a responsabilização civil pelo risco

ambiental. 2. ed. rev., ampl. e atualiz. Porto Alegre: Livraria do Advogado Editora, 2013.
CELIKYILMAZ, A.; TÜRKSEN, I.B. Modeling Uncertainty with Fuzzy Logic With Recent
Theory and Applications. Berlin: Springer-Verlag Berlin Heidelberg. 2009. 443p. DOI
10.1007/978-3-540-89924-2
ÇETINKAYA, C.; ÖZCEYLAN, E.; ERBAŞ, M.; KABAK, M. GIS-based fuzzy MCDA
approach for siting refugee camp: A case study for southeastern Turkey. International Journal
of Disaster Risk Reduction, v. 18, p. 218–231, set. 2016.
https://doi.org/10.1016/j.ijdrr.2016.07.004.
CHANDNA, Ritu; SAINI, Seema; KUMAR, Sunil. Fuzzy AHP based performance evaluation
of massive online courses provider for online learners. Materials Today: Proceedings, [S. l.],
2021. DOI: 10.1016/j.matpr.2021.02.255.
CHANG, C.W.; WU, C.R.; LIN, H.L. Applying fuzzy hierarchy multiple attributes to construct
an expert decision making process. Expert Syst. Appl. 36, 4 (2009), 7363–7368.
https://doi.org/10.1016/j.eswa.2008.09.026
52
CHANG, D. Y. Applications of the extent analysis method on fuzzy AHP. European Journal
of Operational Research (1996), 649-65595: 649–655
CHANG, K.T. Introduction to geographic information systems. Boston: McGraw-Hill;

2018.
CHANG, T. H.; WANG, T. C. Using the fuzzy multi-criteria decision making approach for
measuring the possibility of successful knowledge management. Information Sciences. (2009)
https://doi.org/10.1016/j.ins.2008.10.012
CHANG, T.; WANG, T. Using the fuzzy multi-criteria decision making approach for
measuring the possibility of successful knowledge management. Information Sciences,
179(4), (2009), 355–370. doi:10.1016/j.ins.2008.10.012
CHRISTOFOLETTI, A. Modelagem de sistemas ambientais. 1 ed. São Paulo: Edgard

Blücher, 1999. 240p.
CORTINA, J.M. What Is Coefficient Alpha? An Examination of Theory and Applications.

Journal of Applied Psychology. 1993. Vol. 78, No. 1,98-104
COSTA, G.P.G. Geoprocessamento dos casos de Hanseníase com grau 2 de incapacidade

física no município de Nova Iguaçu/Rj: uma análise de duas décadas do processo de
descentralização. Tese de Doutorado). Universidade Federal do Rio de Janeiro. Rio de Janeiro,
2019.
DALKEY, N., HELMER, O. An experimental application of the Delphi method to the use of
experts. Management Science, 9, (1963), 458- 467. doi:10.1287/mnsc.9.3.458
DAS, B.; PAL, S. C. Irrigation practices causing vulnerability of groundwater resources in

water scarce Goghat-I and II Blocks of Hugli District using MCDA, AHP, Fuzzy logic and
novel ensemble models. Advances in Space Research, v. 65, n. 12, p. 2733–2748, jun. 2020.
https://doi.org/10.1016/j.asr.2020.03.027
DE LA VEGA, D. S. et al. A decision on the truckload and less-than-truckload problem: An

approach based on MCDA. International Journal of Production Economics, v. 195, p. 132–
145, jan. 2018. https://doi.org/10.1016/j.ijpe.2017.09.013
EASTMAN, J. R. (2003). IDRISI Kilimanjaro Tutorial. Manual Version 14.0. Worcester,

Massachusetts: Clark Labs of Clark University, 61-123.
EMOVON, I.; OGHENENYEROVWHO, O.S. Application of MCDM method in material

selection for optimal design: A review. Results in Materials, [S. l.], v. 7, p. 100115, 2020.
DOI: 10.1016/j.rinma.2020.100115. https://doi.org/10.1016/j.rinma.2020.100115
Environmental Systems Research Institute, Dictionary of GIS Terminology, H. Kennedy,

(ed.), Redlands, CA: ESRI Press, 2001.
FERNANDES, J.E.M.; GOMES, L.F.A.M.; MELLO, J.C.C.B.S.; GOMES JÚNIOR, S.F.

Seleção de uma aeronave para atividades de charter regional com utilização do método
53
multicritério de borda modificado com utilização de mediana. Journal of Transport
Literature. 2013, v. 7, n. 2, pp. 171-191.
GALATI, S. Geographic Information Systems Demystified. Londres: Artech, 2006.
GIGOVIĆ, L. et al. GIS-Fuzzy DEMATEL MCDA model for the evaluation of the sites for
ecotourism development: A case study of “Dunavski ključ” region, Serbia. Land Use Policy,
v. 58, p. 348–365, dez. 2016. https://doi.org/10.1016/j.landusepol.2016.07.030
GOMES, C.F.S.; GOMES, L.F.A.M. Tomada De Decisão Gerencial: Enfoque Multicritério.

5 ed. rev. e amp. São Paulo: Atlas. 2014. 400p.
GRECO, S.; EHRGOTT, M.; FIGUEIRA, J.R. Multiple Criteria Decision Analysis State of the
Art Surveys. International Series in Operations Research & Management Science. 2 ed.
vol. 233. New York: Springer, 2016.
GUIMARÃES, L.S. Geoecologia das Paisagens: aportes para o planejamento ambiental

na sub-bacia hidrográfica do rio Itacolomi, Ceará, Brasil. Dissertação de Mestrado.
Universidade Estadual do Vale do Acaraú. Sobral, 2020.
GUL, M.; GUNERI, A.F. Use of FAHP for Occupational Safety Risk Assessment: An
Application in the Aluminum Extrusion Industry. In: EMROUZNEJAD, A.; HO, W. (org.)
Fuzzy Analytic Hierarchy Process. Boca Raton : CRC Press, 2017. p. 249-295.
GUL, M.; GUVEN, B.; GUNERI, A. F. A new Fine-Kinney-based risk assessment framework
using FAHP-FVIKOR incorporation. Journal of Loss Prevention in the Process Industries,
v. 53, p. 3–16, maio 2018. https://doi.org/10.1016/j.jlp.2017.08.014
GULUM, P.; AYYILDIZ, E.; TASKIN GUMUS, A. A two level interval valued neutrosophic
AHP integrated TOPSIS methodology for post-earthquake fire risk assessment: An application
for Istanbul. International Journal of Disaster Risk Reduction, v. 61, p. 102330, jul. 2021.
https://doi.org/10.1016/j.ijdrr.2021.102330
HAMMOND, J. S.; KEENEY, R. L.; RAIFFA, H. Decisiones Inteligentes. Barcelona:

Ediciones Gestión, 2002.
HARRIS, R. Introduction to Decision Making, Part 1. Disponível em:

<https://www.virtualsalt.com/introduction-to-decision-making-part-1/3/>. Acesso em: 10 nov.
2021.
HSIEH, T.Y.; LU, S.T.; TZENG, G.H. Fuzzy MCDM approach for planning and design tenders
selection in public office buildings. International Journal of Project Management, v. 22, n.
7, p. 573–584, out. 2004. https://doi.org/10.1016/j.ijproman.2004.01.002
HSU, Y.L.; LEE, C.H.; KRENG, V. B. The application of Fuzzy Delphi Method and Fuzzy
AHP in lubricant regenerative technology selection. Expert Systems with Applications, v. 37,
n. 1, p. 419–425, jan. 2010. https://doi.org/10.1016/j.eswa.2009.05.068
INPE. Instituto Nacional de Pesquisas Espaciais. Tutorial de Geoprocessamento. Disponível

em: <htpp://www.inpe.br>. Acesso em: 06 nov 2021.
54
ISHIZAKA, A.; NEMERY, P.; LIDOUH, K. Location selection for the construction of a casino
in the Greater London region: A triple multi-criteria approach. Tourism Management, v. 34,
p. 211–220, fev. 2013. https://doi.org/10.1016/j.tourman.2012.05.003
JIANG, Q.; JIN, X.; CHEN, G.; LEE, S.J.; CUI, X.; YAO, S.; WU, L. Two-scale
decomposition-based multifocus image fusion framework combined with image morphology
and Fuzzy Set Theory. Information Sciences. (2020). doi:10.1016/j.ins.2020.06.053
JIANG, Q.; JIN, X.; LEE, S.J.; YAO, S. A new similarity/distance measure between
intuitionistic fuzzy sets based on the transformed isosceles triangles and its applications to
pattern recognition. Expert Systems with Applications. 2018.
doi:10.1016/j.eswa.2018.08.046
KANNAN, D.; JABBOUR, A. B. L. DE S.; JABBOUR, C. J. C. Selecting green suppliers based

on GSCM practices: Using fuzzy TOPSIS applied to a Brazilian electronics company.
European Journal of Operational Research, 233(2), (2014), 432–447.
doi:10.1016/j.ejor.2013.07.023
KAYACAN, E.; KHANESAR, M. A. Fundamentals of Type-1 Fuzzy Logic Theory. Fuzzy

Neural Networks for Real Time Control Applications, p. 13–24, 2016.
https://doi.org/10.1016/B978-0-12-802687-8.00002-5
KENNEDY, M. Introducing Geographic Information Systems with ArcGIS: A Workbook

Approach to Learning GIS. 3. Ed.
KUO, Y.F.; CHEN, P.C. Constructing performance appraisal indicators for mobility of the
service industries using Fuzzy Delphi Method. Expert Systems with Applications, v. 35, n. 4,
p. 1930–1939, nov. 2008. https://doi.org/10.1016/j.eswa.2007.08.068
LACHTEMACHER, G. Pesquisa Operacional na Tomada de Decisões: modelagem em

Excel. 5 ed. Rio de Janeiro: Atlas. 2016. 534 p.
LEITE. J.R.M. Dano Ambiental: do individual ao coletivo extrapatrimonial. Tese

(doutorado). Universidade Federal de Santa Catarina. Florianópolis. 1999.
LEONTITSIS, A.; PAGGE, J. A simulation approach on Cronbach’s alpha statistical

significance. Mathematics and Computers in Simulation, v. 73, n. 5, p. 336–340, jan. 2007.
https://doi.org/10.1016/j.matcom.2006.08.001
LIN, H.Y.; HSU, P.Y.; SHEEN, G.J. A fuzzy-based decision-making procedure for data
warehouse system selection. Expert Systems with Applications, v. 32, n. 3, p. 939–953, abr.
2007. https://doi.org/10.1016/j.eswa.2006.01.031
LIN, M.H.; HU, J.; TSENG, M.L.; CHIU, A. S. F.; LIN, C. Sustainable development in
technological and vocational higher education: balanced scorecard measures with uncertainty.
Journal of Cleaner Production, 120, (2016), 1–12. doi:10.1016/j.jclepro.2015.12.054
LONGARAY, A. A. et al. Using MCDA-C to assess the organizational performance of

industries operating at Brazilian maritime port terminals. Operations Research Perspectives,
55
v. 6, p. 100109, 2019. https://doi.org/10.1016/j.orp.2019.100109
MA, Z.; SHAO, C.; MA, S. YE, Z.. Constructing road safety performance indicators using
Fuzzy Delphi Method and Grey Delphi Method. Expert Systems with Applications, v. 38, n.
3, p. 1509–1514, mar. 2011. https://doi.org/10.1016/j.eswa.2010.07.062
MARTIN, D. Geographic Information Systems: socioeconomic applications. 2. ed. London:

Routledge, 1996. 210 p.
MATZENAUER, H.B. Uma metodologia multicritério construtivista de avaliação de

alternativas para o planejamento de recursos hídricos de bacias hidrográficas. Tese de
Doutorado. Universidade Federal do Rio Grande do Sul. Porto Alegre, 2003.
MENEZES, P.M.L.; FERNANDES, M. C. Roteiro de Cartografia. São Paulo: Oficina de

Textos, 288, 2013.
MEREDITH, J.R.; RATURI, A.; AMOAKO-GYAMPAH, K.; KAPLAN, B. Alternative

research paradigms in operations. Journal of Operations Management, v. 8, n. 4, p. 297–326,
out. 1989. https://doi.org/10.1016/0272-6963(89)90033-8
MICALE, R.; LA FATA, C. M.; LA SCALIA, G. A combined interval-valued ELECTRE TRI

and TOPSIS approach for solving the storage location assignment problem. Computers &
Industrial Engineering, v. 135, p. 199–210, set. 2019.
https://doi.org/10.1016/j.cie.2019.06.011
MILARÉ, E. Direito do ambiente: a gestão ambiental em foco. Doutrina. Jurisprudência.

Glossário. 6. ed. rev., ampl. e atual. São Paulo: RT, 2009.
MIRANDA, J. I. Fundamentos de Sistemas de Informações Geográficas. Brasília: Embrapa

Informação Tecnológica, 2005. 425 p.
MONTIBELLER NETO, G. Mapas cognitivos difusos para o apoio à decisão: uma

metodologia integrada para construção de problemas e exploração do impacto de
alternativas nos valores do tomador de decisão. Tese de Doutorado. Universidade Federal
de Santa Catarina. Florianópolis, 2000.
MURRAY, T.J.; PIPINO, L.L.; VAN GIGER, J.P. A pilot study of fuzzy set modification of
Delphi. Human Systems Management 5 (1985) 76-80. DOI: 10.3233/HSM-1985-5111
NEVES, L. P. et al. Structuring an MCDA model using SSM: A case study in energy efficiency.
European Journal of Operational Research, v. 199, n. 3, p. 834–845, dez. 2009.
https://doi.org/10.1016/j.ejor.2009.01.053
NGUYEN, P.H. A Fuzzy Analytic Hierarchy Process (FAHP) Based on SERVQUAL for Hotel
Service Quality Management: Evidence from Vietnam. The Journal of Asian Finance,
Economics and Business, 8(2), (2021) 1101–1109.
https://doi.org/10.13106/JAFEB.2021.VOL8.NO2.1101
OLABANJI, O.M.; MPOFU, K. Appraisal of conceptual designs: Coalescing fuzzy analytic

hierarchy process (F-AHP) and fuzzy grey relational analysis (F-GRA). Results in
56
Engineering, [S. l.], v. 9, p. 100194, 2021. DOI: 10.1016/j.rineng.2020.100194.
PAI, J.T. A fuzzy-mcdm evaluation framework based on humanity-oriented transport for

transforming scheme of major arterial space in taipei metropolitan. Journal of the Eastern Asia
Society for Transportation Studies, Vol. 7, 2007, 1731-1744.
http://doi.org/10.11175/easts.7.1731.
PAZ, R.J.; LACERDA, C.S.; FARIAS, T.; LUCENA, R.F.P.; MADRUGA FILHO, V.J.P. O
Direito ao Meio Ambiente Ecologicamente Equilibrado. Cabedelo, PB : Editora IESP, 2018.
DOI: https://doi.org/10.21438/9788555970412.
PEDRYCZ, W.; VUKOVICH, G. Quantification of fuzzy mappings: a relevance of rule-based

architectures. 18th International Conference of the North American Fuzzy Information
Processing Society - NAFIPS (Cat. No.99TH8397), 1999, pp. 105-109, doi:
10.1109/NAFIPS.1999.781663.
RAGSDALE, C. T. Spreadsheet modeling and decision analysis: a pratical introduction to

management science. 8. ed. Ohio: South-Western College Pub. 2017.
REN, J.; SOVACOOL, B. K. Enhancing China’s energy security: Determining influential

factors and effective strategic measures. Energy Conversion and Management, v. 88, p. 589–
597, dez. 2014. https://doi.org/10.1016/j.enconman.2014.09.001
RIVAS, R.E.G. Uso do Método Multicritério para tomada de decisão operacional tendo
em conta riscos operacionais, à segurança, ambientais e à qualidade. Dissertação de
Mestrado. Universidade Federal da Bahia. Salvador, 2016.
ROSA, R. Geotecnologias na Geografia aplicada. Revista do Departamento de Geografia,

[S. l.], v. 16, p. 81-90, 2005. DOI: 10.7154/RDG.2005.0016.0009. Disponível em:
https://www.revistas.usp.br/rdg/article/view/47288. Acesso em: 10 fev. 2022.
ROY, B. Decision science or decision-aid science? European Journal of Operational

Research 66 (1993) 184-203.
ROY, B. Meaning and validity of interactive as tools for decision making. European Journal
of Operational Research 31 (1987) 297-303.
SAATY, T.L.; VARGAS, L.G. The Logic of Priorities: The Logic of Priorities Applications
in Business, Energy, Health, and Transportation. New York: Springer. 1982.
SAHIN, B.; YAZIR, D.; SOYLU, A.; YIP, T.L. Improved fuzzy AHP based game-theoretic
model for shipyard selection. Ocean Engineering, [S. l.], v. 233, p. 109060, 2021. DOI:
10.1016/j.oceaneng.2021.109060.
SALOMON, V. A. P.; SHIMIZU, T. Utilização de matrizes de julgamentos na análise do

controle da produção. Revista Gestão Industrial, v. 2, n. 1, 1 jun. 2006. DOI: 10.3895/S1808-
04482006000100007.
57
SANTL, S.; STEINMAN, F. Hydropower suitability analysis on a large scale level: inclusion
of a calibration phase to support determination of model parameters. Water Resources
Management. v. 29 (1) (2015), pp. 109-123
SHIH, H. S.; SHYUR, H. J.; LEE, E. S. An extension of TOPSIS for group decision making.
Mathematical and Computer Modelling, v. 45, n. 7-8, p. 801-813, Apr 2007. ISSN 0895-
7177. https://doi.org/10.1016/j.mcm.2006.03.023
SILVA, D.M. Dano ambiental e sua reparação. 1. ed. 3. Reimpressão. Curitiba: Juruá, 2008
SINGH, R. K.; BENYOUCEF, L. A fuzzy TOPSIS based approach for e-sourcing.

Engineering Applications of Artificial Intelligence, 24(3), (2011), 437–448.
doi:10.1016/j.engappai.2010.09.00
STEFANO, N.M. Critérios para avaliação da gestão de periódicos científicos eletrônicos

sob a ótica do capital intelectual. Tese (doutorado). Universidade Federal de Santa Catarina.
Florianópolis, 2014.
STOJČIĆ, M.; ZAVADSKAS, E.K.; PAMUČAR, D.; STEVIĆ, Ž.; MARDANI, A.

Application of MCDM Methods in Sustainability Engineering: A Literature Review 2008–
2018. Symmetry 2019, 11, 350. https://doi.org/10.3390/sym11030350
TCHEMRA, A.H. Tabela de Decisão Adaptativa na Tomada de Decisão Multicritério. Tese

de Doutorado. São Paulo, 2009.
TESFAMARIAM, S.; SADIQ, R. Risk-based environmental decision-making using fuzzy

analytic hierarchy process (F-AHP). Stochastic Environmental Research and Risk
Assessment, v. 21, n. 1, p. 35–50, 18 mar. 2006. https://doi.org/10.1007/s00477-006-0042-9.
THOMAZ, J. P. C. F. Concepção de um modelo multicritério de apoio à decisão. Dissertação

de Mestrado apresentado à Universidade Lusíada. Lisboa, Portugal: 2000.
TSAI, H.-Y.; CHANG, C.-W.; LIN, H.-L. Fuzzy hierarchy sensitive with Delphi method to
evaluate hospital organization performance. Expert Systems with Applications, v. 37, n. 8, p.
5533–5541, ago. 2010. https://doi.org/10.1016/j.eswa.2010.02.099
UM, E. PEREYRA-ROJAS, M. Practical Decision Making An Introduction to the Analytic

Hierarchy Process (AHP) Using Super Decisions v2. SpringerBriefs in Operations Research.
2017. DOI 10.1007/978-3-319-33861-3
USTAOGLU, E.; SISMAN, S.; AYDINOGLU, A. C. Determining agricultural suitable land in

peri-urban geography using GIS and Multi Criteria Decision Analysis (MCDA) techniques.
Ecological Modelling, v. 455, p. 109610, set. 2021.
https://doi.org/10.1016/j.ecolmodel.2021.109610
VASSONEYA, E.; MOCHETB, A. M.; COMOGLIO, C. Use of multicriteria analysis (MCA)

for sustainable hydropower planning and management. Journal of Environmental
Management. Volume 196, 1 July 2017, Pages 48-55.
VELASQUEZ, M.; HESTER, P. T. An analysis of multi-criteria decision making methods.

International Journal of Operations Research, v. 10, n. 2, p. 56-66, 2013 Disponível em: <
58
http://www.orstw.org.tw/ijor/vol10no2/ijor_vol10_no2_p56_p66.pdf> Acesso em 01 dez.
2021.
WANG, X.; DURUGBO, C. Analysing network uncertainty for industrial product-service

delivery: A hybrid fuzzy approach. Expert Systems with Applications, v. 40, n. 11, p. 4621–
4636, set. 2013. https://doi.org/10.1016/j.eswa.2013.01.062
WĄTRÓBSKI, J. Outline of Multicriteria Decision-making in Green Logistics.

Transportation Research Procedia, v. 16, p. 537–552, 2016.
https://doi.org/10.1016/j.trpro.2016.11.051
XAVIER DA SILVA, J. Geomorfologia, Análise Ambiental e Geoprocessamento. Revista

Brasileira de Geomorfologia. Volume 1, n. 1 (2000) 48-58. DOI:
http://dx.doi.org/10.20502/rbg.v1i1.69
ZADEH, L. A. Fuzzy sets. Information and Control, v. 8, n. 3, p. 338–353, jun. 1965.

https://doi.org/10.1016/s0019-9958(65)90241-x
ZADEH, L. A. Is there a need for fuzzy logic? Information Sciences, 178(13), 2751–2779.
(2008) doi:10.1016/j.ins.2008.02.012
ZADEH, L. A. Some reflections on the anniversary of Fuzzy Sets and Systems. Fuzzy Sets
and Systems 100 (1998) 5-7, DOI:10.1016/S0165-0114(98)00380-7
ZAIDAN, R.T. Geoprocessamento Conceitos e Definições. Revista de Geografia. v. 7, n. 2,

(2017). DOI: https://doi.org/10.34019/2236-837X.2017.v7.18073
ZHOU, P.; ANG, B.; POH, K. Decision analysis in energy and environmental modeling: An
update. Energy, [S. l.], v. 31, n. 14, p. 2604–2622, 2006. DOI: 10.1016/j.energy.2005.10.023.
https://doi.org/10.1016/j.energy.2005.10.023
59
APÊNDICES
APÊNDICE A: CRITÉRIOS SELECIONADOS
PARA COMPOR O INDICE DE GRAVIDADE DO
DANO AMBIENTAL - IGDAM
APENDICE B: QUESTIONÁRIO DELPHI
APLICADO PARA CONSULTA AOS
ESPECIALISTAS QUANTO À
IMPORTÂNCIA DOS CRITÉRIOS NO
CONTEXTO DA ESCOLHA
APENDICE C: VALORES ATRIBUÍDOS
PELOS ESPECIALISTAS NA CONSULTA
FDELPHI
VALORES ATRIBUÍDOS PELOS ESPECIALISTAS NA CONSULTA FDELPHI
So Geom Uso e Vege Decli Densidade

Alt Temperatur Pluvi Cl Geo Densidade Distânci Distância de Distância de Densidade Distância de Índice Densidade Tempera
de Focos
lo orfolo Cobertura taçã vida itu a da osida im logi Demográfi a de Recursos Áreas de Núcleos
de
IDH de de tura do
s gia da Terra o de de Superfície de a a ca Vias Hídricos Protegidas Residências Urbanos Aridez Drenagem Ar
Queimada
4 5 5 5 5 2 4 2 3 1 1 1 2 2 2 4 2 5 4 2 3
1 4 4 4 4 5 5 2 5 1 1 1 3 3 1 1 5 1 5 3 5
3 3 2 4 2 2 1 2 5 2 1 1 3 4 1 1 2 1 1 1 1
4 4 5 5 3 3 1 3 3 4 2 1 5 3 3 3 3 2 4 4 1
3 4 5 5 5 3 3 4 4 4 2 1 5 3 1 3 5 1 5 5 4
1 2 4 4 4 1 4 2 5 2 2 2 2 3 3 2 4 2 3 2 4
3 3 3 3 4 4 5 5 5 3 2 2 5 2 2 2 2 2 2 4 5
5 4 4 4 4 2 3 3 3 4 4 3 4 1 4 4 4 5 5 2 3
5 5 5 4 5 1 5 3 5 4 2 3 4 3 2 2 2 1 1 4 5
5 4 5 5 4 3 4 3 1 5 2 3 5 5 2 2 4 1 4 2 4
5 5 4 4 4 1 1 1 2 2 2 3 3 3 1 2 1 1 3 3 4
3 4 3 5 4 5 2 4 4 2 3 3 5 5 4 3 3 3 4 5 5
2 5 4 4 4 2 2 3 4 3 3 3 3 5 4 3 2 3 3 5 1
3 3 4 5 4 2 2 3 3 3 4 3 5 3 3 3 2 2 3 4 4
5 4 4 5 4 3 3 4 4 3 4 3 4 3 4 4 3 3 3 1 5
3 5 5 5 5 1 3 5 5 4 4 3 5 4 4 2 4 2 3 4 3
4 4 5 5 5 3 4 2 5 4 3 3 3 3 4 2 5 3 3 1 2
5 4 4 5 4 3 4 2 5 5 4 4 5 4 4 2 4 3 4 5 5
5 4 3 5 5 5 4 3 4 5 5 4 5 4 5 4 4 4 5 1 4
5 5 4 5 5 4 3 4 1 4 3 4 2 3 3 3 5 4 4 4 3
2 4 4 4 5 3 4 3 3 1 5 4 4 1 1 4 4 3 3 4 5
2 4 4 5 5 4 3 2 5 2 4 4 5 3 4 3 2 1 2 4 3
4 5 5 2 5 4 1 3 4 3 4 4 4 2 4 3 3 3 4 2 1
5 5 4 4 4 3 5 4 4 3 2 4 5 5 3 2 3 3 2 3 5
5 4 5 5 4 4 5 4 4 3 5 4 5 4 5 3 2 5 2 5 5
5 5 5 3 3 3 3 3 3 4 2 4 3 3 3 3 3 2 2 3 3
5 5 5 5 5 5 4 2 4 5 4 4 5 5 5 5 4 4 4 5 4
5 5 5 5 5 5 5 2 5 5 4 4 4 4 4 4 5 3 2 5 5
5 5 5 5 5 5 4 3 4 4 4 5 5 5 5 4 4 4 2 4 4
5 5 5 5 5 5 4 2 4 4 5 5 5 4 3 4 4 5 5 3 4
4 5 4 4 5 2 1 3 4 5 4 5 5 2 4 5 1 3 3 5 1
5 5 5 5 5 5 2 5 4 5 5 5 3 1 3 3 5 1 1 3 2
5 4 4 4 4 5 3 4 4 5 4 5 5 1 4 5 3 5 4 3 3
5 5 5 5 5 5 5 5 4 5 4 5 5 3 4 5 4 5 4 3 5
5 5 5 5 5 5 4 5 4 5 4 5 5 2 3 5 3 5 4 5 3
5 5 3 3 5 3 4 5 5 5 4 3 5 5 5 5 1 5 3 1 3

Índice Gravidade Dano Ambiental baseado Lógica Fuzzy

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Índice Gravidade Dano Ambiental baseado Lógica Fuzzy

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO CEARÁ

ULISSES COSTA DE OLIVEIRA

PROPOSIÇÃO DE UM MODELO BASEADO EM LÓGICA FUZZY E ANÁLISE

PROPOSIÇÃO DE UM MODELO BASEADO EM LÓGICA FUZZY E ANÁLISE

Exame de qualificação apresentado ao

Orientadora: Prof. Dra. Ana Bárbara de Araújo

PROPOSIÇÃO DE UM MODELO BASEADO EM LÓGICA FUZZY E ANÁLISE

Exame de qualificação apresentado ao

Profa. Dra. Ana Bárbara de Araújo Nunes (Orientadora)

Prof. Dr. Fernando José Araújo da Silva

Profa. Dra. Samíria Maria Oliveira da Silva

Prof. Dr. Ernane Cortez Lima

Prof. Dr. Lindemberg Lima Fernandes (UFPA)

A legislação vigente relativa à apuração de infrações cometidas contra o meio ambiente

Palavras-chave: FDELPHI. FAHP. Autuação Ambiental. Gravidade do dano ambiental.

Keywords: FDELPHI. FAHP. Environmental Assessment. Severity of environmental damage.

Figura 1: Representação de um NFT..................................................................... 24

Figura 2: Localização da BHRI............................................................................. 32

Figura 3: Fluxograma para determinação dos pesos dos critérios......................... 34

Figura 4: Método Fuzzy-AHP para estruturação do IGDA................................... 38

Figura 5: Exemplo de modelo AHP básico........................................................... 39

Figura 6: Funções de pertinência definidas para o conjunto fuzzy das variáveis

Tabela 1: Escala de valoração dos critérios............................................................. 35

Tabela 2: Variáveis linguísticas para comparação pareada de cada critério e

Tabela 3: Índice média de consistência randômica (RI).......................................... 41

Tabela 4: Seleção e avaliação dos critérios através do método FDELPHI.............. 44

Tabela 5: Julgamentos realizados e convertidos em NFT........................................ 46

Tabela 6: Critérios e pesos normalizados................................................................ 48

Quadro 1. Características dos paradigmas Racionalista e Construtivista das

Quadro 2: Critérios e subcritérios selecionados.................................................... 45

Quadro 3: Cronograma de atividades da pesquisa de doutorado .......................... 49

2. FUNDAMENTAÇÃO TEÓRICA ...............................................................................................13

2.1. DANO AMBIENTAL .......................................................................................................................13

3.1. ÁREA DE ESTUDO .........................................................................................................................30

4. RESULTADOS OBTIDOS ..........................................................................................................44

4.1. SELEÇÃO DOS CRITÉRIOS COM BASE NO MÉTODO FUZZY-DELPHI ...............................................44

5. RESULTADOS ESPERADOS E CRONOGRAMA DE ATIVIDADES .................................49

5.1. DEFINIÇÃO DOS VETORES DE PESOS DOS SUBCRITÉRIOS .............................................................49

APÊNDICE A: CRITÉRIOS SELECIONADOS PARA COMPOR O INDICE DE GRAVIDADE DO

No Brasil, existe uma vasta legislação de proteção ambiental e de gestão ambiental, o

Nessa perspectiva, este trabalho justifica-se na medida em que propõe um

No exercício desse Poder de Polícia, a lavratura de autos de infração torna-se um

A originalidade da presente proposta de trabalho centra-se na proposição de um modelo

Assim, pretende-se, com esta metodologia, subsidiar o trabalho de profissionais,

Para enfrentar o problema dos objetivos conflitantes devido a múltiplos propósitos e

1.1.1. Objetivo geral

1.1.2. Objetivos específicos

• Elencar e selecionar parâmetros da literatura relacionados à gravidade do dano

A informação geoespacial é de suma importância para a tomada de decisões em todas

Entende-se geoprocessamento como uma ferramenta computacional que reproduz as

2.2.2. Sistemas de Informação Geográfica - SIG

Um sistema de informação geográfica, conforme definido no Dicionário de

O desenvolvimento dos sistemas de informações geográficas (SIG) em ambientes

2.3. Teoria dos Conjuntos Fuzzy

Ao usar nossa linguagem natural cotidiana para transmitir conhecimento e informação,

𝜇𝐴 (𝑥): 𝑋 → [0,1]; 𝑥 ∈ 𝑋 (1)

Seja X o universo do discurso, onde x representa um elemento do universo, X e A

𝐴 = {(𝑥, 𝜇𝐴 (𝑥))| 𝑥 ∈ 𝑋} (2)

Celikyilmaz e Türksen (2009) destacam que as funções de pertinência têm sido

Conforme abordado no tópico anterior, um conjunto fuzzy A em um universo de discurso

µ(λ ∗ x1 − (1 − λ) ∗ x2) ≥ MIN {µ(x1), µ(x2)} (3)

Destaca-se que l ≤ m ≤ u, sendo que l e u representam o valor inferior e superior do

Fonte: Alyamani e Long (2020); Alyamani et al. (2021).