Modelos e Metodos para Analise Multicriterio

UNIVERSIDADE FEDERAL DE MINAS GERAIS
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM EM ENGENHARIA ELÉTRICA
LIVIA MARIA LEITE DA SILVA
MODELOS E MÉTODOS PARA ANÁLISE MULTICRITÉRIO E

TOMADA DE DECISÃO ESPACIAL EM AMBIENTE DE INCERTEZAS
E SUAS APLICAÇÕES
Belo Horizonte
2020
LIVIA MARIA LEITE DA SILVA
MODELOS E MÉTODOS PARA ANÁLISE MULTICRITÉRIO E

TOMADA DE DECISÃO ESPACIAL EM AMBIENTE DE INCERTEZAS
E SUAS APLICAÇÕES
Versão original
Tese final apresentada à Escola de En-

genharia da Universidade Federal de Minas
Gerais como requisito parcial para obtenção
do tı́tulo de Doutor em Engenharia Elétrica
pelo Programa de Pós-graduação em Enge-
nharia Elétrica.
Orientador: Prof. Dr. Petr I. Ekel

Coorientador: Prof. Dr. Douglas Alexandre
Vieira
Belo Horizonte
2020
Agradecimentos
Agradeço a Deus por ter me concedido a oportunidade e todas condições necessárias

para a elaboração deste trabalho.
Ao professor Petr Iakovlevitch Ekel pela preciosa e generosa orientação.
Ao professor Douglas Alexandre Gomes Vieira pelas valiosas contribuições ao
trabalho e aos artigos elaborados.
Aos membros da banca examinadora, Prof. Adriano Chaves Lisboa, Prof. Douglas
Alexandre Gomes Vieira, Prof(a). Eduarda Asfora Frej, Prof. Lucas de Souza Batista,
Prof. Rodney Rezende Saldanha, pela presença, pelo interesse por este trabalho e pelas
valiosas contribuições e sugestões apresentadas.
À minha famı́lia.
Aos amigos e colegas de curso Isternândia França e Rodrigo de Abreu.
À CAPES pelo financiamento.
“Caminhante, não há caminho; faz-se caminho ao caminhar ...”
(Antônio Machado)
Resumo
SILVA, Lı́via Maria Leite da. Modelos e Métodos para Análise Multicritério e
Tomada de Decisão Espacial em Ambiente de Incertezas e suas Aplicações.
2020. 167 f. Tese (Doutorado em Engenharia Elétrica) – Escola de Engenharia, Programa
de Pós-graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Minas
Gerais, 2020.
O presente trabalho reflete os resultados das pesquisas relacionados à tomada de decisão

em problemas espacialmente explı́citos, propondo e apresentando a adaptação, o aper-
feiçoamento e a aplicação de abordagens gerais e métodos para o tratamento das incertezas
em análises de problemas espaciais com muitos critérios. De modo especial, propõem-se a
integração de um Sistema de Informação Geográfica a um sistema de tomada de decisão
multicritério em ambiente fuzzy. A aplicação dessa integração para análise de problemas
espaciais está associada com duas etapas fundamentais. A primeira etapa contempla o
levantamento dos critérios de interesse e sua modelagem espacial. Aqui são apontados
modelos que permitem quantificar a importância relativa desses critérios de acordo com as
avaliações, geralmente, de um grupo de decisores, que podem refletir suas preferências por
meio da construção, transformação e processamento de relações de preferência apoiada
nos fundamentos metodológicos do método Analytic Hierarchy Process. A normalização
desses critérios é realizada por meio da aplicação de técnicas baseadas na teoria dos
conjuntos fuzzy. Soluções alternativas são geradas com a agregação dos critérios com base
no operador de Ordered Weighted Averaging. O ajuste de pesos deste operador permite
controlar os nı́veis de compensação mútua entre os critérios e também incorporar a atitude
de decisores em linguagem natural, por exemplo, por meio do uso de termos linguı́sticos
e seus correspondentes conjuntos fuzzy. As avaliações das soluções alternativas para os
critérios de decisão considerados possuem altos nı́veis de incerteza. Levando isso em consi-
deração, propõem-se a adaptação do esquema geral de tomada de decisão em condições
de incerteza. Esse esquema adapta e generaliza a abordagem clássica possibilı́stica de
tomada de decisões em condições de incerteza para a análise multicritério. Tal abordagem
prevê a construção e análise de matrizes payoff para a geração de soluções multicritério
robustas. Para tanto são utilizadas agregações fuzzy dos critérios de escolha de Wald,
Laplace, Savage e Hurwicz, considerados como funções objetivo em análise de modelos
< X, F > (modelos multiobjetivo). A segunda etapa proposta direciona-se a avaliação,
comparação, escolha, priorização e/ou ordenação das alternativas levantadas pela primeira
etapa, por meio da utilização de técnicas de modelagem de preferências em ambiente
fuzzy, fundamentadas pelos princı́pios metodológicos da análise dos modelos < X, R >,
que permitem a inclusão de novos critérios de análise, de natureza quantitativa e/ou
qualitativa. Os procedimentos propostos possuem um caráter geral e podem ser aplicados
aos diferentes tipos de problemas de decisão espaciais. Neste trabalho são aplicados ao
problema da determinação de alternativas locacionais para a instalação de plantas de
geração de energia elétrica a partir de fontes renováveis no Estado de Minas Gerais.
Além disso, também é abordado o problema da análise e priorização de alternativas de
investimento em transmissão de energia elétrica no estágio prospectivo, como ferramenta
de auxı́lio às concessionárias e empresas participantes de leilões de transmissão.
Palavras-chaves: Tomada de Decisão Espacial. Fator de Incerteza. Esquema Geral de
Tomada de Decisões Multicritério em Condições de Incerteza. Abordagem Possibilı́stica.
Modelos < X, F >. Modelos < X, R >. Energia Renovável. Alternativas de Investimento
em Transmissão.
Abstract
SILVA, Lı́via Maria Leite da. Models and Methods for Multicriteria Analysis and
Spatial Decision Making in Uncertainty Environment and their Applications.
2020. 167 p. Thesis’s Project (Doctorate in Electrical Engineering) – Graduate Program
in Electrical Engineering, Universidade Federal de Minas Gerais, Minas Gerais, 2020.
The present work reflects the results of research related to decision making in spatially
explicit problems, proposing and presenting the adaptation, improvement, and application
of general approaches and methods for the treatment of uncertainties in analyzes of spatial
problems with many criteria. In a special manner, it is proposed to integrate a Geographic
Information System to a multicriteria decision-making system in a fuzzy environment.
The application of this integration for the analysis of spatial problems is associated with
two fundamental stages. The first stage includes a survey of the criteria of interest and
its spatial modeling. Here, we pointed out models that allow quantifying the relative
importance of these criteria according to the evaluations, generally, of a group of decision-
makers, who can reflect their preferences through the construction, transformation, and
processing of preference relations based on the methodological foundations of the method
Analytic Hierarchy Process. The normalization of these criteria is realized through the
application of techniques based on the theory of fuzzy sets. Alternative solutions are
generated by means of the aggregation of the criteria based on the Ordered Weighted
Averaging operator. Adjusting the weights of this operator allows controlling the levels
of mutual compensation between the criteria and also incorporating the attitude of
decision-makers in natural language, for example, through the use of linguistic terms and
their corresponding fuzzy sets. The evaluations of alternative solutions for considered
decision criteria have high levels of uncertainty. Taking this into account, it is proposed
the adaptation of the general scheme of multicriteria decision-making under conditions of
uncertainty. This scheme adapts and generalizes the classical possibilistic-based approach
to decision making under conditions of uncertainty for multicriteria analysis. Such an
approach requires the construction and analysis of payoff matrices for the generation of
robust multicriteria solutions. For that, fuzzy aggregations of the choice criteria of Wald,
Laplace, Savage, and Hurwicz are used, considered as objective functions in the analysis
of models < X, F > (multiobjective models). The proposed second stage aims at the
evaluation, comparison, choice, prioritization, and/or ordering of the alternatives raised by
the first stage, through the use of preference modeling techniques in a fuzzy environment,
based on the methodological principles of the analysis of the < X, R > models, which
allows the inclusion of additional analysis criteria, of quantitative and/or qualitative nature.
The proposed procedures have a general character and can be applied to different types of
spatial decision problems. In this work, they are applied to the problem of determining
locational alternatives for the installation of electricity generation plants of renewable
sources in the State of Minas Gerais. In addition, the problem of analyzing and prioritizing
investment alternatives in electricity transmission at the prospective stage is also addressed,
as a tool to assist concessionaires and companies participating in transmission auctions.
Keywords: Spatial Decision Making. Uncertainty factor. General Scheme of Multicriteria

Decision Making in Conditions of Uncertainty. Possibilistic Approach. Models < X, F >.
Models < X, R >. Renewable Energy. Transmission Investment Alternatives.
Lista de figuras
Figura 1 – Esquema ilustrativo dos principais conceitos relacionados à tomada de

decisão espacial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura 2 – Exemplo de geocampos e geo-objetos. . . . . . . . . . . . . . . . . . . . 41
Figura 3 – Classificação geral dos componentes de uma Análise Multicritério Espacial. 44
Figura 4 – Normalização de um geocampo de radiação solar disponı́vel por área,
baseada em conjuntos fuzzy (para uma localidade genérica). . . . . . . 46
Figura 5 – Conjuntos fuzzy Large (esq.) e Small (dir.) com md = 8 e sp = 20,10 e 5. 47
Figura 6 – Esquema da agregação baseada no operador OWA. . . . . . . . . . . . 49
Figura 7 – Exemplo de quantificadores linguı́sticos proporcionais . . . . . . . . . . 53
Figura 8 – Fluxograma com as etapas gerais da modificação da abordagem clássica
para o tratamento das incertezas (considerando os critérios de escolha
como funções objetivo). . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Figura 9 – Ilustração das etapas gerais da primeira técnica . . . . . . . . . . . . . 74
Figura 10 – Ilustração das etapas gerais da terceira técnica . . . . . . . . . . . . . . 76
Figura 11 – Ilustração das etapas gerais da técnica baseada no operador OWA . . . 78
Figura 12 – Fluxograma com as etapas gerais da aplicação dos modelos < X, R >
de decisão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Figura 13 – Visão geral dos modelos e métodos utilizados . . . . . . . . . . . . . . 82
Figura 14 – Ilustração do conceito de complementaridade energética . . . . . . . . . 85
Figura 15 – Perfis anuais originais e ajustados: Radiação solar (esq.) e velocidade
de ventos (dir.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Figura 16 – Perfis energéticos sazonais: Energia solar e eólica . . . . . . . . . . . . 94
Figura 17 – Índices de complementaridade: A - Índice de complementaridade parcial
temporal, B - Índice de complementaridade parcial energética, C -
Índice de complementaridade parcial em amplitude, D - Índice de
complementaridade total. . . . . . . . . . . . . . . . . . . . . . . . . . 95
Figura 18 – Perfis energéticos sazonais: análise de resultados . . . . . . . . . . . . . 97
Figura 19 – Perfis energéticos sazonais: análise de resultados - curvas normalizadas 98
Figura 20 – Resultados da agregação utilizando o operador OWA e quantificadores
linguı́sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Figura 21 – Resultados da agregação utilizando o operador S -OWA com variação
dos nı́veis de otimismo e pessimismo . . . . . . . . . . . . . . . . . . . 103
Figura 22 – Resultados da agregação em cada cenário . . . . . . . . . . . . . . . . . 106
Figura 23 – Distribuição espacial e funções de pertinência para os critérios . . . . . 116
Figura 24 – Distribuição espacial das usinas existentes em Minas Gerais com capa-
cidade instalada maior que 5 MW (ANEEL, 2018b) . . . . . . . . . . . 119
Figura 25 – Porcentagem de usinas existentes por faixa de aptidão (pertinência) dos
mapas de decisão obtidos . . . . . . . . . . . . . . . . . . . . . . . . . 120
Figura 26 – Potencial solar e velocidade de ventos em Minas Gerais (valores médios
anuais) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Figura 27 – Conjunto fuzzy baseado em escalas qualitativas utilizado pelo e3 . . . . 123
Figura 28 – Resultados da AMCE de acordo com diferentes abordagens . . . . . . . 126
Figura 29 – Critérios relevantes para a decisão . . . . . . . . . . . . . . . . . . . . . 130
Figura 30 – Alternativas de investimento em transmissão: lote 1 × cenários de análise133
Figura 34 – Funções de pertinência das estimativas fuzzy para o critério adicional
qualitativo Lucro Esperado . . . . . . . . . . . . . . . . . . . . . . . . 140
Figura 35 – Funções de pertinência das estimativas fuzzy para o critério adicional
qualitativo Dano ambiental . . . . . . . . . . . . . . . . . . . . . . . . 141
Lista de tabelas
Tabela 1 – Comparação: MADA × MODA . . . . . . . . . . . . . . . . . . . . . 39

Tabela 2 – Matriz Payoff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Tabela 3 – Coordenadas encontradas por meio das LPτ − sequences no q 4 . . . . . 56
Tabela 4 – Matriz de riscos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Tabela 5 – Matriz Payoff com as estimativas caracterı́sticas . . . . . . . . . . . . 59
Tabela 6 – Matriz com as estimativas dos critérios de escolha para o i-ésimo objetivo 61
Tabela 7 – Matriz modificada das estimativas dos critérios de escolha para o i-ésimo
objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Tabela 8 – Matriz agregada das estimativas dos critérios de escolha . . . . . . . . 62
Tabela 9 – Escala de valores de preferência . . . . . . . . . . . . . . . . . . . . . . 66
Tabela 10 – Critérios relevantes para o problema de decisão. . . . . . . . . . . . . . 90
Tabela 11 – Critérios relevantes para o problema de decisão. . . . . . . . . . . . . . 100
Tabela 12 – Critérios relevantes e modelo de normalização. . . . . . . . . . . . . . . 101
Tabela 13 – Coordenadas encontradas por meio das LPτ − sequences no Q2 para o
problema 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Tabela 14 – Matriz Payoff : - Potencial de complementaridade Energética . . . . . . 107
Tabela 15 – Matriz Payoff : Valor econômico das áreas . . . . . . . . . . . . . . . . 107
Tabela 16 – Matriz Payoff : Áreas de baixa declividade (%) . . . . . . . . . . . . . 107
Tabela 17 – Matriz Payoff : Proximidade de Corpos Hı́dricos (km) . . . . . . . . . . 108
Tabela 18 – Matriz Payoff : Conexão ao sistema de transmissão (km) . . . . . . . . 108
Tabela 19 – Matriz Payoff : Acessibilidade (km) . . . . . . . . . . . . . . . . . . . . 108
Tabela 20 – Matriz de Riscos: Potencial de complementaridade energética . . . . . 109
Tabela 21 – Matriz com as estimativas dos critérios de escolha: Potencial de com-
plementaridade energética . . . . . . . . . . . . . . . . . . . . . . . . . 110
Tabela 22 – Matriz de Riscos: Valor econômico das áreas . . . . . . . . . . . . . . . 110
Tabela 23 – Matriz com as estimativas dos critérios de escolha: Valor econômico das
áreas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Tabela 24 – Matriz com as estimativas dos critérios de escolha: Conexão ao sistema
de transmissão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Tabela 25 – Matriz com as estimativas dos critérios de escolha: Áreas de baixa
declividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Tabela 26 – Matriz com as estimativas dos critérios de escolha: Acessibilidade . . . 111
Tabela 27 – Matriz com as estimativas dos critérios de escolha: Proximidade de
corpos hı́dricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Tabela 28 – Matriz modificada: Potencial de complementaridade energética . . . . . 112
Tabela 29 – Matriz modificada: Valor econômico das áreas . . . . . . . . . . . . . . 113
Tabela 30 – Matriz modificada: Conexão ao sistema de transmissão . . . . . . . . . 113
Tabela 31 – Matriz modificada: Áreas de baixa declividade . . . . . . . . . . . . . . 113
Tabela 32 – Matriz modificada: Acessibilidade . . . . . . . . . . . . . . . . . . . . . 114
Tabela 33 – Matriz modificada: Proximidade de corpos hı́dricos . . . . . . . . . . . 114
Tabela 34 – Matriz agregada das estimativas dos critérios de escolha . . . . . . . . 114
Tabela 35 – Avaliação das alternativas de solução de acordo com os critérios adicionais116
Tabela 36 – Porcentagem de plantas solares fotovoltaicas existentes por nı́veis de
aptidão (pertinência) dos mapas de decisão (%) . . . . . . . . . . . . . 127
Tabela 37 – Porcentagem de plantas eólicas existentes por nı́veis de aptidão (per-
tinência) dos mapas de decisão (%) . . . . . . . . . . . . . . . . . . . . 127
Tabela 38 – Critérios relevantes para o problema de decisão 2: Priorização de inves-
timentos em transmissão de energia elétrica . . . . . . . . . . . . . . . 128
Tabela 39 – Coordenadas para a geração de cenários de acordo com as LPτ -sequences 132
Tabela 40 – Matriz Payoff : perspectiva técnico-econômica para o lote 1 . . . . . . . 135
Tabela 41 – Matriz Payoff : perspectiva sócio-ambiental para o lote 1 . . . . . . . . 135
Tabela 42 – Matriz com as estimativas dos critérios de escolha: perspectiva técnico-
econômica para o lote 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Tabela 43 – Matriz com as estimativas dos critérios de escolha: perspectiva sócio-
ambiental para o lote 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Tabela 44 – Matriz de riscos: perspectiva técnico-econômica para o lote 1 . . . . . . 136
Tabela 45 – Matriz de riscos: perspectiva sócio-ambiental para o lote 1 . . . . . . . 136
Tabela 46 – Matriz modificada com as estimativas dos critérios de escolha: perspec-
tiva técnico-econômica para o lote 1 . . . . . . . . . . . . . . . . . . . 136
tiva sócio-ambiental para o lote 1 . . . . . . . . . . . . . . . . . . . . . 137
Tabela 48 – Matriz agregada para o lote 1 . . . . . . . . . . . . . . . . . . . . . . . 137
Tabela 49 – Resultados de execução da primeira fase (valor médio entre os cenários) 139
Lista de abreviaturas e siglas
AHP Analitic Hierachy Process
AMC Análise Multicritério
AMCE Análise Multicritério Espacial
EF Estimativas Fuzzy
FU Função de Utilidade
LTs linhas de transmissão
MADA Multiattribute Decision Analysis
MODA Multiobjective Decision Analysis
NR Relações de Preferência Fuzzy Não Recı́procas
OA Ordenação de Alternativas
OWA Ordered Weighted Averaging
QGDD Quantifier Guided Dominance Degree
QGNDD Quantifier Guided Nondominace Degree
QL Quantificadores Linguı́sticos
RA Relações de Preferência Fuzzy Recı́procas Aditivas
RDM Regular Decreasing Monotone
RPF Relações de Preferência Fuzzy
RPM Relações de Preferência Multiplicativa
RPFNR Relações de Preferência Fuzzy Não Recı́procas
RPFE Relações de Preferência Fuzzy Estrita
RPFRA Relações de Preferência Fuzzy Recı́procas Aditivas
RIM Relative Increasing Monotone

RUM Regular Unimodal Monotone
SIG Sistemas de Informações Geográficas
S -OWA Slide OWA

Lista de sı́mbolos
c Conjunto de critérios do problema de decisão
ci I-ésimo critério de decisão
cb Critério de decisão genérico
n Número de critérios espaciais relevantes para a decisão
x Conjunto de alternativas de solução
xk Alternativa de solução k
xl Alternativa de solução l
fi (x) i -ésima função objetivo
L Região de soluções factı́veis
Ai (x) i -ésimo conjunto fuzzy
µAi (x) i -ésima função de pertinência do conjunto fuzzy A
min µAi (x) Nı́vel mı́nimo da i -ésima função de pertinência do conjunto fuzzy A
max µAi (x) Nı́vel máximo da i -ésima função de pertinência do conjunto fuzzy A
gi (x) I -ésimo geocampo
sp Espalhamento de uma função sigmoide
md Ponto médio de uma função sigmoide
wn Peso ordenado relacionado ao critério n
Q Conjunto fuzzy de um quantificador linguı́stico
agg Operador de agregação
D Conjunto fuzzy agregado
µD Valor agregado de uma função de pertinência
vn Peso de importância relativa ao critério n

T Soma dos pesos de importância
b1 , ..., bn Vetor de argumentos ordenados
FSO Operador Or-Like
FSA Operador And-Like
FS Operador S -OWA generalizado
yS Cenário de análise S
f (xK , yS ) Avaliação de uma alternativa de solução xK em um cenário yS
qst Coordenadas geradas de acordo com as LPτ − sequences
0
ct Limite inferior de um intervalo de incerteza
00
ct Limite superior de um intervalo de incerteza
f max (xk ) Nı́vel máximo de um critério
f min (xk ) Nı́vel mı́nimo de um critério
f (xk ) Nı́vel médio de um critério
rmax (xk ) Nı́vel máximo de risco
rmin (xk ) Nı́vel mı́nimo de risco
r(xk , ys ) Risco associado a escolha da alternativa xk no cenário ys
xW Solução indicada pelo critério de escolha de Wald
xL Solução indicada pelo critério de escolha de Laplace
xS Solução indicada pelo critério de escolha de Savage
xH Solução indicada pelo critério de escolha de Hurwicz
αa Índice de otimismo-pessimismo do critério de escolha de Hurwicz
x0 Solução ótima
Ocb Função de permutação para o ordenação de alternativas

Ucb Função de utilidade
F cb Estimativa fuzzy
Mcb Matriz recı́proca
mcb Elementos da matriz de relações de preferência multiplicativa de acordo

com um critério cb
m Elementos da matriz de relações de preferência multiplicativa
λmax Autovalor máximo de uma matriz
Rne Relação de preferência fuzzy não estrita
I(xk , xl ) Relação de indiferença entre as alternativas xk e xl
P (xk , xl ) Relação de preferência estrita entre as alternativas xk e xl
J(xk , xl ) Relação de incomparabilidade entre as alternativas xk e xl
µR Função de pertinência de uma relação de preferência fuzzy
Hi i -ésima função de transformação
ls Limite superior da razão de escala utilizada nas avaliações de preferências

multiplicativas
Ft (xk ) Informação quantitativa relacionada a alternativa xk
q Critérios adicionais de caráter quantitativo e/ou qualitativo
R Vetor de relações de preferência fuzzy
µN D,R Função de pertinência de um conjunto de alternativas não dominadas
xN D Alternativas não dominadas
Itotal Índice de complementaridade total
Itempo Índice parcial de complementaridade no tempo
Ienergia Índice parcial de complementaridade energética
Iamplitude Índice parcial de complementaridade em amplitude

D1i Número do dia de máxima disponibilidade de energia da fonte 1 para a
i-ésima coordenada espacial
D2i Número do dia de máxima disponibilidade de energia da fonte 2 para a

d1i Número do dia de mı́nima disponibilidade de energia da fonte 1 para a

d2i Número do dia de mı́nima disponibilidade de energia da fonte 1 para a

E1i Energia total da fonte 1 para a i-ésima coordenada espacial
E2i Energia total da fonte 2 para a i-ésima coordenada espacial
δ Parâmetro do ı́ndice parcial de complementaridade em amplitude
Edmini Disponibilidade energética mı́nima diária para a i-ésima coordenada

espacial
Edmaxi Disponibilidade energética máxima diária para a i-ésima coordenada

espacial
P
A
Energia disponı́vel por área
ρ Densidade do ar
v Velocidade dos ventos
Cp Coeficiente aerodinâmico de potência do rotor eólico
ηeolica Eficiência de conversão eólica
ηsolar Eficiência de conversão solar
h Horas mensais de operação de uma planta
E Grupo de especialistas
ei i -ésimo especialista
Sumário
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1 Apresentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2 Estudo de caso 1: análise de alternativas locacionais para empreendi-
mentos de geração de energia renovável . . . . . . . . . . . . . . . . . 25
1.3 Estudo de caso 2: análise de alternativas de investimento em trans-
missão na fase preparatória para participação em leilões . . . . . . . . 27
1.4 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7 Publicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.8 Organização do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Análise Multicritério e Sistemas de Informações Geográficas . 34

2.1 Definições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2 Elementos fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Modelagem da informação geográfica . . . . . . . . . . . . . . . . . . 40
3 Modelos e métodos de Análise Multicritério Espacial em condições

de incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 Teoria dos conjuntos nebulosos e sua aplicação para a Análise Multi-
critério Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1.1 Análise Multicritério Espacial em ambiente fuzzy . . . . . . . . . . 44
3.1.2 Ordered W eighted Averaging - OWA . . . . . . . . . . . . . . . . 47
3.1.3 Agregação guiada por quantificadores linguı́sticos . . . . . . . . . . 51
3.1.4 Agregação guiada por quantificadores linguı́sticos e pesos de im-
portância relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1.5 Operador Slide OWA (S -OWA) . . . . . . . . . . . . . . . . . . . 54
4 Adaptação da abordagem clássica modificada para o tratamento

das incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Construção das matrizes payoff . . . . . . . . . . . . . . . . . . . . . 55
4.2 Análise das matrizes payoff com base nos critérios de escolha . . . . . 57
4.2.1 Construção das matrizes com as estimativas dos critérios de escolha 59
4.2.2 Modificação da abordagem clássica possibilı́stica para o tratamento
das incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5 Construção de preferências . . . . . . . . . . . . . . . . . . . . . 64
5.1 Modelagem de preferências . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.1 Ordenação de alternativas (OA) . . . . . . . . . . . . . . . . . . . . 64
5.1.2 Função de utilidade (FU) . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.3 Estimativas fuzzy (EF) . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.4 Relações de preferência multiplicativa (RPM) . . . . . . . . . . . . 65
5.1.5 Relações de preferência fuzzy (RPF) . . . . . . . . . . . . . . . . . 67
5.2 Funções de transformação: uniformização dos formatos . . . . . . . . 70
5.2.1 Transformações para RPFNR . . . . . . . . . . . . . . . . . . . . . 70
5.2.2 Transformações para RPM . . . . . . . . . . . . . . . . . . . . . . . 71
5.2.3 Transformação da informação quantitativa . . . . . . . . . . . . . . 71
6 Técnicas para ordenação e priorização de alternativas em am-

biente fuzzy : análise de modelos < X, R > . . . . . . . . . . . . 73
6.1 Primeira técnica para análise de Modelos < X, R > . . . . . . . . . . 74
6.2 Segunda técnica para análise de Modelos < X, R > . . . . . . . . . . . 75
6.3 Terceira técnica para análise de Modelos < X, R > . . . . . . . . . . . 75
6.4 Técnica baseada no operador OWA para análise de Modelos < X, R > 76
7 Análise em dois estágios para problemas espaciais em condições

de incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8 Problemas espaciais analisados . . . . . . . . . . . . . . . . . . . 83

8.1 Análise de alternativas locacionais para a geração renovável . . . . . . 83
8.1.1 Aspectos ligados a complementaridade energética . . . . . . . . . . 83
8.2 Priorização de alternativas de investimento em empreendimentos de
transmissão de energia elétrica, no estágio prospectivo . . . . . . . . . 87
9 Análise de alternativas locacionais para empreendimentos de

geração de energia renovável . . . . . . . . . . . . . . . . . . . . 90
9.1 Levantamento dos critérios espaciais e restrições relevantes para a
decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
9.2 Composição da base de dados georreferenciada . . . . . . . . . . . . . 90
9.2.1 Construção dos geocampos de complementaridade . . . . . . . . . . 91
9.2.2 Construção do geocampo relacionado ao valor econômico das áreas 99
9.3 Modelagem das restrições e critérios como conjuntos fuzzy . . . . . . 99
9.3.1 Agregação dos critérios . . . . . . . . . . . . . . . . . . . . . . . . . 102
9.4 Modificação da abordagem clássica para tomada de decisões em condições
de incerteza: Construção e análise de matrizes payoff . . . . . . . . . 104
9.4.1 Construção dos cenários de análise . . . . . . . . . . . . . . . . . . 104
9.4.2 Solução do problema em cada cenário de análise e identificação das
alternativas de solução . . . . . . . . . . . . . . . . . . . . . . . . . 105
9.4.3 Construção e análise de matrizes payoff . . . . . . . . . . . . . . . 106
9.5 Modelos < X, R > para tomada de decisão multiatributo . . . . . . . . 115
9.5.1 Comparação dos resultados com usinas existentes . . . . . . . . . . 118
9.6 Análise de alternativas locacionais: consideração da importância rela-
tiva dos critérios espaciais . . . . . . . . . . . . . . . . . . . . . . . . 120
9.6.1 Critérios espaciais relevantes e processo de normalização . . . . . . 121
9.6.2 Avaliação dos critérios espaciais de acordo com as preferências de
diferentes decisores . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.6.3 Análise Multicritério Espacial . . . . . . . . . . . . . . . . . . . . . 125
9.6.4 Comparação dos resultados com usinas existentes . . . . . . . . . . 126
10 Análise de alternativas de investimento em transmissão na fase

preparatória para participação em leilões . . . . . . . . . . . . . 128
10.1 Levantamento dos critérios relevantes para o problema . . . . . . . . . 128
10.2 Modelagem dos critérios de análise e construção da base de dados . . 129
10.3 Construção dos cenários de análise . . . . . . . . . . . . . . . . . . . 129
10.4 Análise Multicritério Espacial: Agregação dos critérios . . . . . . . . 132
10.5 Resolução do problema espacial em cada cenário de análise . . . . . . 133
10.6 Construção e análise de matrizes payoff . . . . . . . . . . . . . . . . . 133
10.7 2o Etapa da análise: desenvolvimento de recomendações para a com-
posição de portfólio de investimentos . . . . . . . . . . . . . . . . . . 138
11 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Referências1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Apêndice A – Complementaridade energética: Perfis mensais 155
Apêndice B – Critérios de análise do problema 1 e normalização159
Apêndice C – Matrizes da abordagem possibilı́stica para os lo-

tes 2, 3 e 4 . . . . . . . . . . . . . . . . . . . . . . 161
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.
23
1 Introdução
1.1 Apresentação
A análise multicritério (AMC) abrange um conjunto de modelos e métodos que

auxiliam pessoas responsáveis pela tomada de decisão (decisores) na estruturação e
resolução de problemas que envolvem a avaliação, classificação, priorização e escolha de
soluções alternativas, de acordo com múltiplos critérios (PEDRYCZ; EKEL; PARREIRAS,
2011). Ela tem sido utilizada em conjunto aos Sistemas de Informações Geográficas (SIGs)
durante duas décadas para analisar problemas espaciais. Tais problemas, em geral, envolvem
um grande conjunto de soluções alternativas e múltiplos critérios para sua avaliação. As
soluções, frequentemente, são avaliadas por um ou mais especialistas com base em seu
conhecimento relacionado ao assunto e preferências individuais (GREENE et al., 2011).
Num nı́vel mais fundamental, a Análise Multicritério Espacial (AMCE) é um
procedimento que transforma e combina dados geográficos (mapas de entrada) e preferências
de decisores (especialistas) em mapas de decisão (mapas de saı́da). Os procedimentos
necessários para tanto envolvem o uso de dados geográficos, preferências de decisores e/ou
especialistas e a integração dos dados e preferências de acordo com regras de decisão
(combinação) especı́ficas. Um aspecto crı́tico da AMCE é que esta envolve a avaliação
de alternativas de decisão definidas geograficamente baseadas em valores de critérios
e preferências de decisores. Isto implica que os resultados das análises dependem não
somente de modelos espaciais de alternativas, mas também de valores de julgamentos
envolvidos nos processos de decisão (MALCZEWSKI, 1999), (GREENE et al., 2011),
(MALCZEWSKI; RINNER, 2015). Sabe-se, portanto, que estes modelos possuem altos
nı́veis de incertezas associados. A fonte dessas incertezas pode estar ligada a inúmeros
fatores como a dificuldade em se obter informações de qualidade e em quantidade suficiente,
a falta de previsões confiáveis a respeito do comportamento de sistemas complexos, falta
de domı́nio a respeito de todas as caracterı́sticas dos problemas tratados e até mesmo
falta de clareza quanto aos objetivos das decisões (PEREIRA, 2014). De modo especial, os
autores Durbach e Stewart (2012) distinguem duas classes de incertezas em problemas de
tomada de decisões: as incertezas externas, causadas pelas condições ambientais que fogem
ao controle dos decisores, e as incertezas internas, relacionadas aos valores e julgamentos
dos decisores.
24
Assim, o presente trabalho propõe a reunião, adaptação e aplicação de abordagens

gerais e métodos para o tratamento de problemas de decisão espaciais levando em consi-
deração o fator de incerteza. Neste sentido, é proposta uma análise em dois estágios para
problemas espaciais. O primeiro estágio é caracterizado pelo levantamento dos critérios
relevantes para a decisão, que devem ser modelados por meio de SIGs. Aqui é conside-
rada uma questão importante relacionada a problemas que envolvem múltiplos critérios,
que é a consideração da importância relativa desses critérios de acordo com um grupo
de decisores e/ou especialistas. Essa quantificação encontra dificuldades relacionadas ao
fato de que os critérios podem possuir graus de importância variáveis para diferentes
decisores. Neste sentido, é necessário definir a importância relativa de cada critério, o que
geralmente é feito por meio da atribuição de um vetor de pesos. A correta definição destes
pesos é importante para que as preferências dos decisores sejam, de fato, refletidas. Para
tanto, foram adaptados modelos para inclusão da informação qualitativa em problemas
multiobjetivo, apresentados em Ramalho (2017) e em Ramalho et al. (2019) de modo que
esses modelos permitissem refletir os nı́veis de importância dos critérios em problemas
de decisão espacial multiatributo, de acordo com as opiniões de diferentes decisores. Em
particular, o uso destas técnicas permite aos especialistas expressarem suas preferências
de acordo com diferentes formatos de representação das mesmas. Esses formatos são então
transformados em Relações de Preferências Multiplicativas (RPM) que são processados
por meio dos fundamentos metodológicos do Método Analytic Hierarchy Process (AHP).
O vetor de pesos final é obtido por meio da aplicação do operador Ordered Weighted Ave-
raging (OWA), que permite controlar os nı́veis de compensação mútua entre as avaliações
individuais.A consideração do fator de incerteza é realizada neste estágio por meio da
aplicação da abordagem possibilı́stica, de modo particular, aponta-se para a utilização
do esquema geral de tomada de decisão multiobjetivo em condições de incerteza, que
prevê a construção e análise de matrizes payoff e o uso dos critérios de escolha de Wald,
Laplace, Savage e Hurwicz como funções objetivo, que permitem analisar as matrizes e
obter-se soluções multiobjetivo robustas. No segundo estágio, é realizada uma análise das
alternativas de solução obtidas até então, com o objetivo de avaliar, comparar, escolher,
priorizar e/ou ordenar as soluções de acordo com novos critérios, que podem possuir
natureza quantitativa e/ou qualitativa, espacial e/ou não espacial. Neste momento devem
ser utilizados os fundamentos metodológicos dos modelos < X, R >, que são apoiados na
construção de preferências em ambiente fuzzy. De forma a refletir as variadas atitudes
25
de decisão que as pessoas responsáveis podem assumir, ou mesmo as caracterı́sticas dos

critérios, pode-se utilizar formatos diferentes para a representação de preferências, que
são posteriormente uniformizados por meio de funções de transformação, que permitem a
conversão para relações de preferência fuzzy.
Assim, a principal contribuição deste trabalho é a adaptação, combinação e aplicação
de abordagens gerais e métodos para tomada de decisões espaciais em ambiente de incertezas.
Neste sentido, é proposta uma análise para problemas espaciais, que permite considerar
critérios com caráter geográfico, incorporando preferências de decisores e o tratamento
das incertezas associadas, além de possibilitar a introdução de uma ampla gama de
novos critérios de natureza quantitativa e/ou qualitativa, tratando, portanto, as incertezas
externas e internas inerentes aos processos decisórios. Outra contribuição importante
desta pesquisa está relacionada a realização de dois estudos de caso. O primeiro aborda
a temática da determinação de alternativas locacionais em Minas Gerais para a geração
renovável. O segundo trata do suporte a priorização de investimentos em novos projetos
de transmissão de energia elétrica no estágio prospectivo.
1.2 Estudo de caso 1: análise de alternativas locacionais para empreendimentos de geração

de energia renovável
A análise proposta é aplicada, primeiramente, ao estudo de alternativas locacionais

para a instalação de usinas de geração de energia elétrica a partir de fontes renováveis
de energia. Em especial, são utilizados procedimentos racionais para a consideração e
avaliação do comportamento complementar entre as fontes eólica e solar como um dos
critérios direcionadores da decisão. Neste sentido, é realizado um estudo de caso para o
Estado de Minas Gerais, com a construção de mapas de complementaridade energética
eólica e solar para este Estado, o que é um aspecto original deste trabalho. Atualmente,
existem publicações que avaliam os recursos solar, eólico e de biomassa do Estado (CEMIG,
2012), (CEMIG, 2010), (CEMIG, 2017), contudo estes trabalhos não contemplam nenhum
aspecto ligado à complementaridade sazonal entre fontes.
O Plano Decenal de Expansão de Energia, horizonte 2027 (EPE, 2018), estima
que em relação à oferta interna de energia, as energias renováveis exibem um crescimento
médio anual de 3,4%. Assim, espera-se que o aumento do percentual de energias renováveis
na matriz energética brasileira atinja o patamar de 48% em 2027. Portanto, tornam-se
26
bastante claras as oportunidades que o cenário atual tem traçado com relação a geração
renovável, o que reforça a importância da realização de estudos da natureza deste.
A literatura correlata aponta para outros trabalhos que analisam e aplicam modelos
de tomada de decisão espacial em ambiente de incertezas na prospecção de fontes renováveis
de energia, como Baban e Parry (2011), Janke (2010), Haaren e Fthenakis (2011), Charabi
e Gastli (2011), Omitaomu et al. (2012), Aydin, Kentel e Duzgun (2010), Asakereh et al.
(2014), Feizizadeh, Jankowski e Blaschke (2014), Latinopoulos e Kechagia (2015), Cradden
et al. (2016), Rodriguez, Gauthier-Maradei e Escalante (2017), Amirinia, Mafi e Mazaheri
(2017), Garni e Awasthi (2018), e Ghorbani, Makian e Breyer (2019). Tais pesquisas
realizam o tratamento das incertezas por meio da utilização da abordagem probabilı́stica
e da aplicação da teoria fuzzy. Neste sentido, o principal fator de originalidade do presente
trabalho está relacionado a aplicação em problemas espaciais da abordagem possibilı́stica,
baseada na generalização da abordagem clássica para tomada de decisões em condições de
incerteza. De modo particular, são aplicados os resultados apresentados por Pereira (2014)
e Pereira et al. (2015), já utilizados na resolução de problemas de sistemas de potência,
contudo, sem a consideração de fatores espaciais. A principal vantagem da abordagem
possibilı́stica é a de que, em problemas reais, geralmente, é possı́vel encontrar-se diferentes
tipos de informações: determinı́sticas, probabilı́sticas e incertas, e, uma forma natural de
tratar este tipo de situação é por meio da construção de cenários de análise. Esta é uma
abordagem universal, uma vez que, em seu processo de construção é possı́vel refletir, por
exemplo, distribuições de probabilidades conhecidas. Além disso, outro aspecto original,
consiste na realização da análise, ordenação e priorização de alternativas de solução
espaciais por meio da construção e processamento de preferências em ambiente fuzzy,
norteados pelos princı́pios metodológicos dos modelos < X, R >, apresentados em Pedrycz,
Ekel e Parreiras (2011). Tais modelos também já foram utilizados para o tratamento de
problemas relacionados, por exemplo, a sistemas de potência e planejamento estratégico,
porém ainda não haviam sido realizadas aplicações a problemas espaciais.
Outro aspecto original da pesquisa é a adaptação e melhoria dos modelos propostos
em Ramalho (2017) e Ramalho et al. (2019) que permitem considerar a questão da
quantificação dos nı́veis de importância relativa dos critérios espaciais, considerando que
esses nı́veis podem ser bastante diferentes para decisores também diferentes. Assim, os
modelos permitem que os decisores expressem suas preferências por meio de diferentes
27
modelos de representação, que são transformados e processados por meio do método AHP
e da utilização do operador OWA.
O método AHP é vastamente utilizado pela bibliografia correlacionada para atribuir
pesos aos critérios espaciais que são agregados por meio de média aritmética ponderada,
como em Garni e Awasthi (2018), Merrouni et al. (2018), Yushchenko et al. (2018), Li (2018),
Vasileiou, Loukogeorgaki e G.Vagiona (2017), Garni e Awasthi (2017), Doorga, Rughooputh
e Boojhawon (2019), Ali et al. (2019), Aly, Jensen e Pedersen (2017). Nos trabalhos citados
as Relações de Preferência Multiplicativa (RPM) são a única forma utilizada para realizar a
modelagem de preferências e avaliações em grupo não são realizadas. Em Diaz-Cuevas et al.
(2018) consideram-se avaliações realizadas por um grupo de especialistas, porém é utilizada
apenas uma matriz de RPM, e a geração de preferências individuais não é abordada. Desta
forma, o caráter coletivo das avaliações possui natureza totalmente subjetiva.
Os trabalhos mais semelhantes a este são Marques-Perez et al. (2020) e Giamalaki
e Tsoutsos (2019) que consideram a avaliação dos critérios espaciais por um grupo de
especialistas, onde cada um expressa suas preferências por meio de RPM e o método AHP
é utilizado para a obtenção do vetor de pesos individuais, que são agregados por meio
do operador média geométrica para geração do vetor de pesos do grupo. Contudo, os
trabalhos não utilizam diferentes formatos de preferências e funções de transformação,
admitindo que as RPM são capazes de refletir as preferências de todos os especialistas do
grupo.
1.3 Estudo de caso 2: análise de alternativas de investimento em transmissão na fase

preparatória para participação em leilões
O segundo problema ao qual a análise proposta será aplicada é ao suporte à

priorização de investimentos em novos projetos de transmissão de energia elétrica no
estágio prospectivo, com o objetivo de aumentar a eficiência da preparação avançada de
concessionárias e investidores para participação em leilões de concessão promovidos pelo
poder concedente.
A Constituição brasileira prevê que o desenvolvimento, o uso e a venda de energia
elétrica podem ser realizados diretamente pelo Governo Federal, ou indiretamente, por
meio da outorga de concessões, permissões e autorizações a outros agentes públicos, bem
como para empresas privadas (investidores). Assim, o Ministério de Minas e Energia delega
28
à Agência Nacional de Energia Elétrica (ANEEL), órgão regulador do setor elétrico no

paı́s, o processo de licitação para outorga de concessões para linhas de transmissão (LTs)
e subestações no Brasil (ANEEL, 2018a). A ANEEL elabora e disponibiliza os editais de
licitação para participação nos leilões de transmissão, e juntamente com eles informações
relevantes relacionadas aos lotes leiloados, incluindo norteamentos para a definição dos
corredores preferenciais para as LTs. Estas informações são importantes tanto para o
estágio de implantação dos empreendimentos quanto para o estágio prospectivo, onde o
investidor ou a concessionária analisam os lotes disponı́veis e elaboram suas propostas de
investimento, ou mesmo decidem não participar do leilão, o que pode ser motivado pelos
altos riscos envolvidos. Contudo, esses documentos são disponibilizados em data muito
próxima à realização dos leilões, o que tende a ser um fator complicador para a elaboração
de propostas consistentes e rentáveis. Assim, tende a ser vantajoso para os investidores
que estes realizem estudos prospectivos, visando priorizar as alternativas de investimento
disponı́veis previamente à realização das propostas. Nesta etapa do processo de contratação
dos novos empreendimentos ainda não existem informações suficientes para a definição
final de corredores e traçados preferenciais, o que torna necessário a utilização de uma
metodologia que permita reunir o máximo possı́vel de critérios relevantes disponı́veis, assim
como o conhecimento e experiência de especialistas. Logo, é possı́vel perceber que a análise
em dois estágios proposta possui um potencial bastante promissor para o tratamento deste
problema.
Com relação a este problema a literatura correlacionada encontra semelhanças
menores comparadas àquelas encontradas nos estudos locacionais para a geração renovável.
O trabalho encontrado que possui maiores semelhanças com o presente é Lin e Chen (2004),
em que os autores estudam decisões de participação ou não participação de empresas
em leilões ou processos de concessão de um modo geral. A teoria de conjuntos fuzzy é
utilizada de forma a melhor levar em consideração e superar as subjetividades e incertezas
das decisões. Todavia, os autores não abordam nenhuma particularidade ou questão ligada
ao setor elétrico. No que diz respeito as técnicas para o traçado de LTs, elas têm evoluı́do
bastante ao longo dos anos, e hoje SIGs têm desempenhado um papel importante na
identificação de traçados mais adequados. Em geral, os autores utilizam o método de
soma ponderada para a combinação de critérios espaciais e a criação de uma superfı́cie
de custo, onde resolve-se o problema de caminho de custo mı́nimo para a determinação
de traçados preferenciais (DEDEMEN, 2013), (BAHARUDDIN et al., 2013), (EROGLU;
29
AYDIN, 2015), (LIMA, 2015), (LIMA et al., 2017). Os autores Nascimento et al. (2009),
Belem et al. (2009) apresentam uma ferramenta computacional para a determinação dos
corredores ótimos das LTs, baseada na construção de superfı́cies de custos e agregação por
meio de soma ponderada e determinação de rotas preferenciais por meio da utilização de
algoritmos de busca em grafos, no caso, Dynamic Programming, algoritmo A* e Dijkstra.
Logo, é possı́vel concluir que existem abordagens aplicadas à análise de investimentos e
técnicas para análise de muitos critérios espaciais para roteirização de LTs. Contudo, existe
uma demanda por abordagens que formalizem, tornem mais objetivo e fundamentado o
estudo de novos empreendimentos de transmissão, bem como os procedimentos de tomada
de decisão que apoiam estudos técnicos, considerando aspectos de natureza espacial e
não-espacial e as diversas incertezas envolvidas nestes processos, sendo neste sentido que
se encontram importantes aspectos originais da pesquisa proposta.
1.4 Conclusão
Nota-se que o presente trabalho possui caráter geral pois os modelos e métodos
apontados e discutidos podem ser estendidos a problemas de localização de uma forma
geral, aumentando o arcabouço teórico disponı́vel relacionado às técnicas de tomada de
decisão espacial. Neste sentido, o aspecto geral e flexı́vel desta pesquisa pode ser verificado,
inclusive, pelos estudos de caso realizados, onde a mesma análise em duas etapas permitiu
a determinação de alternativas de localização para duas entidades espaciais distintas,
representadas por pontos (localização da usinas) e por linhas (corredores das LTs).
Além disso, esse estudo engloba a aplicação dos métodos a problemas atuais e
pertinentes ao setor elétrico nacional, o que está alinhado aos interesses da sociedade de
um modo geral, notadamente a necessidade de proposição de mecanismos de incentivo à
geração de energia por meio das fontes renováveis e a expansão da capacidade de geração
e transmissão de energia elétrica.
30
1.5 Objetivos
O objetivo amplo e geral deste trabalho é propor a adaptação, melhoria e aplicação

de modelos e métodos para tomada de decisão espacial multicritério (multiobjetivo e
multiatributo) em ambiente de incertezas para resolução de problemas de engenharia.
O objetivo amplo e geral abrange os seguintes objetivos especı́ficos:
• Adaptação e desenvolvimento de modelos e métodos para a quantificação coletiva da

importância relativa de critérios espaciais;
• Adaptação e aperfeiçoamento, para análise de problemas de decisões espaciais, da
abordagem baseada na construção de matrizes payoff para o tratamento de incerteza
de dados iniciais em problemas multiobjetivo;
• Utilização dos fundamentos teóricos de processamento das preferência de tomadores
de decisão (construção e análise de modelos < X, R >) para avaliação, comparação,
escolha, priorização e/ou ordenação de alternativas de caráter espacial;
• Proposição da construção e aplicação de uma análise em duas etapas dentro de
modelos multiobjetivo e multiatributo para a consideração adequada e efetiva das
incertezas externas e internas para resolução de problemas de engenharia;
• Aplicação dos modelos e métodos descritos na realização de um estudo de caso para
a determinação de alternativas locacionais para a geração renovável;
• Aplicação dos modelos e métodos descritos na realização de um estudo de caso voltado
para a priorização de alternativas de investimento em novos empreendimentos de
transmissão de energia elétrica, no estágio de prospecção.
1.6 Contribuições
Como contribuição ampla e geral do trabalho proposto é possı́vel destacar a

adaptação e aplicação de abordagens gerais e métodos para a tomada de decisões espaciais
multicritério em ambiente de incertezas. Como contribuições especı́ficas podem-se apontar:
• Modelagem de preferências por meio de diferentes formatos e sua transformação para

RPM para a geração de vetores de pesos de importância relacionados aos critérios
espaciais, de acordo com especialistas individuais e a agregação desses vetores para
a geração de avaliações globais relacionadas a um grupo de especialistas;
31
• Proposição de uma análise em dois estágios para problemas espaciais, que permite o
tratamento de incertezas internas e externas, além da consideração de critérios de
caráter espacial, não espacial, quantitativo e qualitativo;
• Adaptação da abordagem possibilı́stica para análise de problemas espaciais;
• Construção de relações preferências fuzzy e modelos de ordenação para avaliação
de alternativas de solução espaciais, com posterior conversão para Relações de
Preferências Fuzzy Não-Recı́procas;
• Aplicação dos modelos < X, R > para tomada de decisão multiatributo em ambiente
fuzzy para avaliação, comparação, escolha, priorização, e ordenação de alternativas
de solução espaciais;
• Criação de mapas de potencial de complementaridade entre as diferentes fontes de
energia renovável, e em particular, eólicas e solares;
• Determinação de alternativas locacionais para a geração renovável em Minas Gerais;
• Análise em duas etapas do problema de priorização de investimentos em transmissão
no estágio prospectivo.
1.7 Publicações
Os estudos realizados para a produção deste trabalho resultaram nas seguintes

publicações:
• Petr Ekel, Adriano Chaves Lisboa, Joel Gomes Pereira Jr., Douglas Alexandre
Gomes Vieira, Lı́via Maria Leite da Silva, Marcos Flávio S. V. D’Angelo. “Two-stage
multicriteria georeferenced express analysis of new electric transmission line projects”.
International Journal of Electrical Power and Energy Systems, v. 108, pp. 415-431,
2019.
• Lı́via Maria Leite da Silva, Petr Ekel, Douglas Alexandre Vieira, Gustavo Luı́s Soares.
“Multiattribute Spatial Decision-Making for Qualitative Information Processing as
Applied to the Renewable Energy Generating Sites Prospection”. IEEE Access, vol.
8, pp. 137745-137757, 2020.
• Petr Ekel, Adriano Chaves Lisboa, Joel Gomes Pereira Jr., Douglas Alexandre
Gomes Vieira, Lı́via Maria Leite da Silva, Marcos Flávio S. V. D’Angelo. “Análise
multicritério e tomada de decisão espacial aplicada à análise de alternativas de
32
investimento em transmissão de energia elétrica”, INSID Magazine: Inovação em

Sistemas, Informação e Decisão, Ed.1, v. 1, n. 1, 2019.
• Lı́via Maria Leite da Silva, Petr Ekel, Douglas Alexandre Vieira, Gustavo Luı́s
Soares.“Análise multicritério e tomada de decisão espacial com base no processamento
de informações qualitativas na prospecção de sı́tios geradores das energias renováveis”.
INSID Magazine: Inovação em Sistemas, Informação e Decisão, Ed.2, v. 1, n. 1, 2020.
1.8 Organização do trabalho
De maneira geral, os capı́tulos 2, 3, 4, 5 e 6 apresentam os conceitos fundamentais

que caracterizam a análise em dois estágios proposta no capı́tulo 7, que foi aplicada aos
problemas espaciais descritos no capı́tulo 8 cuja análise é detalhada pelos capı́tulos 9 e 10.
De maneira particular, o capı́tulo 2 apresenta conceitos fundamentais relacionados
à integração da análise multicritério com os SIGs.
O capı́tulo 3 apresenta os fundamentos teóricos da análise multicritério espacial em
condições de incerteza.
O capı́tulo 4 discorre sobre a abordagem possibilı́stica para tratamento de incertezas.
O capı́tulo 5 apresenta os conceitos fundamentais relacionados à modelagem e
construção de preferências.
O capı́tulo 6 descreve os fundamentos metodológicos dos modelos < X, R > para
processamento de preferências.
O capı́tulo 7 apresenta a análise em dois estágios proposta por esta pesquisa, que é
apoiada pelos modelos e métodos apresentados até aqui.
O capı́tulo 8 caracteriza os dois problemas relacionados aos estudos de caso (que
serão avaliados pela análise proposta) e a revisão da bibliografia relacionada a ambos.
O capı́tulo 9 apresenta o primeiro estudo de caso, caracterizado pela a análise do
problema da determinação de alternativas locacionais para a geração renovável baseada
nas fontes eólica e solar para o Estado de Minas Gerais.
O capı́tulo 10 apresenta o segundo estudo de caso, caracterizado pela análise de
alternativas de investimento em transmissão de energia elétrica na fase preparatória para
a participação em leilões.
33
O capı́tulo 11 apresenta as principais conclusões do trabalho e as propostas de

trabalhos futuros.
34
2 Análise Multicritério e Sistemas de Informações Geográficas
2.1 Definições
A Análise Multicritério Espacial (AMCE) combina diferentes modelos e métodos de

análise de muitos critérios com a capacidade dos SIGs de armazenamento, processamento
e visualização de dados.
Num nı́vel fundamental, a AMCE é caracterizada como um procedimento que
transforma e combina dados geográficos (mapas de entrada) e preferências de decisores
(especialistas) em mapas de decisão (mapas de saı́da). Os procedimentos necessários
para tanto envolvem o uso de informações geográficas, preferências de decisores e/ou
especialistas e a integração dos dados e preferências de acordo com regras de decisão
(combinação) especı́ficas. Um aspecto importante da AMCE é que esta envolve a avaliação
de alternativas de decisão definidas geograficamente baseadas em valores de critérios (ou
atributos) e preferências de decisores. Isto implica que os resultados das análises dependem
não somente de modelos espaciais de alternativas, mas também de valores de julgamentos
envolvidos nos processos de decisão (MALCZEWSKI, 1999), (DROBNE; LISEC, 2009),
(GREENE et al., 2011), (MALCZEWSKI; RINNER, 2015).
Neste sentido, pode-se destacar uma questão importante relacionada a processos
de decisão que envolvem múltiplos critérios que é a quantificação da importância relativa
de cada um deles. Esta quantificação encontra dificuldades relacionadas ao fato de que
os critérios podem ter graus de importância variáveis de acordo com diferentes decisores.
Neste sentido, é necessário definir suas importâncias relativas, o que geralmente é feito por
meio da atribuição de pesos. A correta definição destes pesos é importante para refletir
adequadamente as preferências dos decisores (SILVA et al., 2008).
2.2 Elementos fundamentais
Fundamentalmente, os problemas de decisão espacial envolvem:
• Um conjunto de critérios relevantes para a decisão c = {c1 , ..., cn }, que geralmente

são conflitantes entre si;
• Um conjunto de alternativas de soluções viáveis para a situação de decisão tratada
x = {x1 , ..., xk };
35
• O(s) decisor(es), que avaliam os critérios e/ou as alternativas de solução de acordo

com seu conhecimento e também suas preferências;
• O conceito de “normalização”, que é utilizado a fim de transformar os critérios de
avaliação para unidades comparáveis;
• O conceito de “ponderação de critérios”, utilizado para atribuir importâncias aos
critérios;
• O conceito de “regra de decisão”, que são diferentes procedimentos utilizados para
gerar, avaliar e/ou ordenar um conjunto de alternativas.
Os critérios são padrões de julgamento ou regras com base nas quais, soluções
alternativas podem ser avaliadas, comparadas, ordenadas e escolhidas de acordo com
a sua conveniência ou com as suas consequências (PEDRYCZ; EKEL; PARREIRAS,
2011), (EKEL; PEDRYCZ; PEREIRA, 2020). Na literatura relacionada aos SIGs este
termo possui um caráter geral e é utilizado para incluir os conceitos de “objetivo”e
“atributo”(MALCZEWSKI, 2000). Um objetivo é uma afirmação acerca de um estado
desejado para um sistema real (por exemplo, uma alternativa locacional de custo mı́nimo
para recepção de uma subestação). Ele indica as direções de melhorias que devem ser
tomadas pelas variáveis de um sistema. O atributo, por sua vez, é utilizado para medir-
se o desempenho de uma alternativa com relação a um objetivo. Por exemplo, se o
objetivo buscado for uma alternativa locacional de custo mı́nimo para uma subestação,
um atributo relacionado pode ser a distância com relação a LTs existentes. Para atingir-se
um determinado objetivo, a avaliação de vários atributos pode ser necessária, de modo
a medir-se o grau em que o objetivo pode ser implementado. Neste sentido, aparecem
também os critérios que se caracterizam como restrições, que são aqueles que devem ser,
obrigatoriamente observados. A violação de uma restrição por uma alternativa, torna esta
solução inviável ou infactı́vel.
As alternativas podem ser definidas em termos de, pelo menos, duas caracterı́sticas
(MALCZEWSKI, 2011):
• Uma ação (o que fazer);

• Uma localidade (onde fazer).
Uma alternativa é caracterizada por meio da definição dos valores das variáveis de
decisão. Estas variáveis podem ser binárias, discretas e contı́nuas. Decisões mais simples
36
envolvem realizar ou não uma determinada ação e podem ser representadas por uma
variável binária, representada por 0 ou 1, onde realizar a ação corresponde ao valor unitário
e não realizar nada corresponde ao valor igual a zero. As variáveis binárias são casos
especiais das variáveis discretas. Estas últimas podem receber qualquer valor numérico
finito e inteiro. Um exemplo de uma variável discreta é, por exemplo, a quantidade de
usinas existentes em uma determinada localidade. Uma variável contı́nua pode assumir um
conjunto infinito de valores dentro de um intervalo especificado. Um exemplo deste tipo
de variável é a disponibilidade de radiação solar em um dado território (MALCZEWSKI;
RINNER, 2015).
Dentro do conjunto das alternativas de solução é possı́vel diferenciar as soluções
chamadas “factı́veis”das soluções “infactı́veis”. A determinação destes dois tipos de al-
ternativas pressupõe o estabelecimento das chamadas “restrições”, que impõem limites e
condições sobre as alternativas e que devem ser, obrigatoriamente, observadas. Caso uma
alternativa não atenda à todas as restrições, ela é considerada infactı́vel ou inaceitável.
Em análises espaciais, geralmente as restrições são representadas como variáveis binárias
(MALCZEWSKI, 1999). O conjunto das soluções factı́veis, por sua vez, pode ser dividido
em duas categorias: as alternativas dominadas e não dominadas. Neste sentido, uma solução
x1 domina uma solução x2 se (EKEL; PEDRYCZ; PEREIRA, 2020):
• x1 não é pior do que x2 em todos os objetivos, ou seja, fi (x1 ) ≤ fi (x2 ), ∀i = 1, ..., b;

• x1 é estritamente melhor do que x2 em pelo menos um dos objetivos, ou seja,
∃i = 1, ..., b; fi (x1 ) < fi (x2 ).
De maneira semelhante, para o espaço de objetivos, a solução f (x1 ) domina outra

solução f (x2 ), se f (x1 ) não é pior do que f (x2 ) em todos os valores de objetivos , e f (x1 )
é melhor do que f (x2 ) em, pelo menos, um dos valores dos objetivos.
Esta diferenciação se baseia no princı́pio de otimalidade de Pareto (PARETO, 1886),
que estabelece que uma determinada solução x∗ é Pareto-ótima se não existe qualquer
outra solução x 6= x∗ ∈ L que a domine (onde L é a região das soluções factı́veis) (EKEL;
PEDRYCZ; PEREIRA, 2020). Desta forma, para uma solução Pareto-ótima (solução
não-dominada ou solução eficiente (EKEL; PEDRYCZ; PEREIRA, 2020)) um aumento
no desempenho de, pelo menos, um objetivo, necessariamente implica em uma perda no
seu desempenho em outro(s) objetivo(s).
37
A representação de uma alternativa de solução depende do problema analisado e

do formato das informações geográficas utilizadas. Por exemplo, em estudos de localização,
uma alternativa pode ser representada por um ponto ou polı́gono (representação vetorial)
ou por um pixel ou conjuntos de pixels (representação matricial/raster). Em análises onde
busca-se determinar caminhos de custo mı́nimo a representação vetorial das alternativas
por meio de linhas é bastante comum, tal como em (EKEL et al., 2019).
O decisor ou tomador de decisão, pode ser caracterizado como uma entidade
responsável pelo processo decisório e que deve determinar a solução final do problema,
utilizando para isso seu conhecimento prévio, experiência e intuição. Um decisor pode ser
um indivı́duo, um grupo de pessoas (decisores) ou uma organização.
Em processos de análise de muitos critérios, geralmente, estes possuem naturezas
diferentes e expressam valores de grandezas diferentes. Por exemplo, um estudo locacional
pode avaliar a distância de uma localidade a centros urbanos (em km), a declividade
desta região (em %), seu potencial energético (em kWh/m2 ), entre outros critérios. Assim,
torna-se necessário o emprego de técnicas de normalização, para que estes dados possam
ser transformados para valores comparáveis. Muitos métodos de normalização estão
disponı́veis na bibliografia correlata (MALCZEWSKI, 2000), (MALCZEWSKI, 1999),
(MALCZEWSKI; RINNER, 2015), (PEDRYCZ; EKEL; PARREIRAS, 2011). O método
utilizado neste trabalho, baseia-se na utilização da teoria de conjuntos fuzzy, e será
detalhado em seções subsequentes.
Os pesos são valores atribuı́dos aos critérios de modo a diferenciar as suas im-
portâncias. Existe um número razoável de métodos que podem ser utilizados para atribuição
de pesos (YAGER, 1988), (SAATY, 1990), (AYDIN; KENTEL; DUZGUN, 2010), (PE-
DRYCZ; EKEL; PARREIRAS, 2011), (VERONESI et al., 2017). O principal método
utilizado neste trabalho para atribuição de pesos é o operador OWA, que permite mensurar
e controlar o nı́vel de compensação entre os critérios.
As regras de decisão são procedimentos que permitem combinar os critérios de
análise e as preferências dos decisores para a determinação de valores de desempenho
globais, que permitem gerar e/ou avaliar e ordenar um conjunto de alternativas de solução.
Os diferentes modelos utilizados como regras de combinação podem ser classificados
em Modelos de Decisão Multiatributo ou Multiattribute Decision Analysis (MADA) e
Modelos de Decisão Multiobjetivo ou Multiobjective Decision Analysis (MODA).
38
Os modelos Multiatributo possuem um número predeterminado e limitado de

soluções. As saı́das fornecidas por estes modelos são orientadas por processos de análise e
escolha guiados por preferências. Este ramo da tomada de decisão multicritério trabalha
com espaços discretos de decisão. Fundamentalmente, um problema MADA pode ser
genericamente descrito como: “selecionar uma ou mais alternativas xi dentro de um
conjunto {x1 , ..., xk } considerando os critérios {c1 , ..., cn }”.
Os modelos Multiobjetivo - diferente dos modelos multiatributo - estabelecem uma
diferenciação entre o conceito de variáveis de decisão e critérios. Nos modelos multiobjetivo,
estes dois conceitos se unem para construir as chamadas funções objetivo, que devem
ser otimizadas concomitantemente e observando um conjunto de restrições que limitam
o espaço de busca. Assim, um modelo multiobjetivo pode ser escrito considerando um
vetor de variáveis de decisão, funções objetivo e restrições que devem ser otimizadas
simultâneamente, ou seja, dado f (x) = {f1 (x), ..., fi (x)} deve-se encontrar f (x) → extr
x∈L
onde L é a região das soluções factı́veis (QUEIROZ, 2009), (MALCZEWSKI, 2006c).
A Tabela 1 apresenta uma comparação entre as principais caracterı́sticas dos
modelos multiatributo e multiobjetivo. A Figura 1 apresenta um esquema ilustrativo dos
principais componentes da AMCE mencionados. Considera-se a informação modelada como
geocampos em formato raster. Os decisores possuem o poder de influenciar os critérios
considerados relevantes para a análise, a determinação do processo de normalização
mais adequado ao problema, a regra de decisão utilizada e a escolha das soluções finais
pertencentes ao conjunto das soluções não-dominadas. Neste exemplo ilustrativo, as
alternativas de solução são entidades pontuais, portanto, cada unidade espacial do geocampo
final pode ser considerada uma alternativa de solução. As alternativas mais adequadas, ou
não dominadas, são aquelas em azul.
39
Tabela 1 – Comparação: MADA × MODA

MADA MODA
Critérios definidos por Atributos Objetivos
Objetivos definidos Implicitamente Explicitamente
Atributos definidos Explicitamente Implicitamente
Restrições definidas Implicitamente / explicita- Explicitamente
mente
Alternativas definidas Explicitamente Implicitamente
Paradigma do modelo de Saı́das orientadas por proces- Processos de busca orientada
decisão sos de avaliação/escolha
Exemplos de métodos de Combinação linear ponde- Programação inteira/linear;
decisão multicritério rada; Analytic Hierarchy programação de me-
Process (AHP); Métodos de tas; Heurı́sticas e me-
ordenação. taheurı́sticas.
Exemplos de problemas Estudos de alternativas loca- Busca de sı́tios; problemas
de decisão espaciais cionais, Análises de vulnera- de transporte; Caminhos de
bilidade; Avaliações de Im- custo mı́nimo.
pacto Ambiental
Fonte: Adaptado de Malczewski e Rinner (2015), página 45.
Figura 1 – Esquema ilustrativo dos principais conceitos relacionados à tomada de decisão

espacial.
DECISOR(ES)
Neste exemplo, cada
CRITÉRIOS pixel (ponto) pode ser
considerado como uma
Distância de estradas alternativa de solução,
Distância de estradas (km) [0, 1] onde as melhores
avaliadas possuem
tonalidades em azul.
MÉTODOS DE NORMALIZAÇÃO
Contudo, em problemas
REGRA DE DECISÃO
espaciais, alternativas
Declividade (%) Declividade [0, 1]
de solução podem ser
caracterizadas por
pontos, linhas ou
polígonos obtidos a
partir do geocampo
Potencial energético Potencial energético final.
(kWh/m²) [0,1] O formato das soluções
Geocampo final [0,1]
depende do problema
sob análise e da
ALTERNATIVAS DE
modelagem da
SOLUÇÃO
informação geográfica.
Min Max
Baixa aptidão Alta aptidão
40
2.3 Modelagem da informação geográfica
Na modelagem computacional da informação espacial, é possı́vel distinguir os

seguintes nı́veis de abstração (BORGES; DAVIS; LAENDER, 2001):
• Nı́vel conceitual, no qual são definidos os conceitos formais para modelar as entidades
geográficas, em um alto nı́vel de abstração. Classes básicas a serem criadas na base
de dados, contı́nua ou discreta, são definidos neste nı́vel;
• Nı́vel de representação, no qual as entidades formais definidas no nı́vel conceitual
são associadas às classes de representação espacial. As diferentes representações
geométricas podem variar conforme a escala, a projeção cartográfica escolhida ou a
visão do usuário do sistema computacional;
• Nı́vel de implementação, no qual são definidos padrões, formas de armazenamento e
estruturas de dados para implementar cada tipo de representação.
No nı́vel conceitual e no nı́vel de representação, é possı́vel considerar a existência

de duas classes de modelos de informações geográficas (GOODCHILD, 1992) (TOMLIN,
1994);
• A classe de modelos de geocampos, em que o espaço geográfico é compreendido

como uma superfı́cie contı́nua, sobre a qual variam os fenômenos a serem observados
segundo diferentes distribuições. Neste caso, o espaço geográfico pode ser formalizado
como uma função matemática que associa a uma estrutura espacial, os valores de
atributos. Por exemplo, um mapa de velocidade dos ventos em uma determinada
região descreve uma distribuição que associa a cada ponto do mapa um valor especı́fico
de velocidade. Esta classe frequentemente é representada por meio da estrutura
matricial ou raster, que é um modelo de dados baseado em uma grade regular, em
que todas as informações de localização podem ser inferidas a partir da posição
sequencial do registro.
• A classe de modelos de geo-objetos, segundo a qual o espaço geográfico é representado
como uma coleção de entidades distintas, discretas e identificáveis. Por exemplo,
um cadastro espacial dos lotes de um municı́pio identifica cada lote como um
dado individual, com atributos que o distinguem dos demais. Modelos de objetos
normalmente são representados por: pontos, linhas ou polı́gonos.
41
A Figura 2 apresenta exemplos de entidades fı́sicas representadas por geocampos e

geo-objetos.
Figura 2 – Exemplo de geocampos e geo-objetos.
Declividade do relevo de uma região x. Usinas de geração de energia

Plano 0 a 3% elétrica de uma região x.
Suave ondulado 3 a 8%
Linhas de transmissão de
Ondulado 8 a 20%
energia elétrica de uma região x.
Forte ondulado 20 a 45%
Montanhoso 45 a 75% Terras indígenas de uma região x.
Escarpado > 75%
Exemplo de GEOCAMPO Exemplo de GEO-OBJETOS

Representação Raster Representação Vetorial
Fonte: Elaborado a partir de (CPRM, 2010);(ANEEL, 2018b); (MMA, 2010)

42
3 Modelos e métodos de Análise Multicritério Espacial em condições de

incerteza
A aquisição e construção de dados espaciais são tarefas realizadas, muitas vezes,

por meio de medições em campo e derivações de dados baseados em variáveis e imagens.
Assim, a maioria dos valores disponı́veis são estimativas e, portanto, possuem incertezas
associadas. Outros fatores também podem incutir incertezas em processos decisórios, como
a falta de informações de qualidade, imprecisões semânticas relacionadas a fenômenos
sob investigação, ou relacionadas a afirmações que não podem ser quantitativamente
caracterizadas (MALCZEWSKI, 2006c). Identificar as fontes causadoras e quantificar as
incertezas e seus efeitos são de extrema importância para a qualidade e confiabilidade das
análises espaciais (CROSETTO; TARANTOLA; SALTELLI, 2000).
Muitos trabalhos na literatura correlata analisam as incertezas associadas a proble-
mas e modelos de dados espaciais. De modo geral, Malczewski e Rinner (2015) apontam
que os problemas sob condições de incerteza podem ser tratados por meio de métodos
probabilı́sticos e métodos baseados na teoria fuzzy. Em particular, os autores Feizizadeh,
Jankowski e Blaschke (2014) apresentam uma abordagem sistemática para o tratamento
de incertezas e análise de sensibilidade. O modelo proposto utiliza elementos da teoria
da probabilidade e estatı́stica para comparar duas técnicas de tomada de decisão (aplica-
das a estudos de susceptibilidade de terrenos a deslizamentos) em termos de incertezas
associadas aos resultados gerados: o AHP e o OWA. Crosetto, Tarantola e Saltelli (2000)
descrevem as contribuições que a análise das incertezas e a análise de sensibilidade podem
fornecer ao campo dos modelos espaciais baseados em SIG. Nos sistemas considerados por
estes autores, os fatores de entrada são tratados como variáveis aleatórias com funções
de distribuição de probabilidades assumidas como conhecidas, a priori. O tratamento
das incertezas é realizado por meio da aplicação do Método de Monte Carlo. Uma das
dificuldades relacionadas a utilização deste tipo de modelo é justamente que, em problemas
reais, muitas vezes, as funções distribuição de probabilidades que melhor descreveriam o
problema em questão, não são conhecidas e/ou não existem informações suficientes para
sua determinação e construção.
De modo particular, French (1995) cita 10 fontes diferentes de incertezas presentes
em processos decisórios. Já Durbach e Stewart (2012) e Malczewski e Rinner (2015)
apontam que as diferentes fontes das incertezas podem classificá-las em:
43
• Incertezas internas: estão relacionadas aos valores e julgamentos dos decisores,

compreensão dos processos e problemas de decisão, especificação de modelos e de
dados;
• Incertezas externas: estão relacionadas a fatores ambientais que fogem ao controle
dos especialistas, são difı́ceis ou impossı́veis de serem mensurados acarretando assim,
incertezas aos dados iniciais.
Em (BELYAEV, 1977), o autor apresenta modelos e métodos utilizados para tratar

a incerteza inicial dos dados, buscando minimizar seus efeitos negativos, contudo, ele
chama a atenção para o fato de que é impossı́vel eliminar completamente a incerteza dos
processos decisórios. Desta forma, sob tais condições, existem sempre riscos associados
com as decisões.
Em problemas de decisão multicritério espaciais as principais fontes de incerteza são
caracterizadas pelos valores dos critérios e dos pesos de decisão. Sendo assim, relacionam-se
a possı́veis erros ou imprecisões em medições e estimativas dos dados iniciais (critérios) e às
preferências dos decisores (pesos) (MALCZEWSKI; RINNER, 2015), (GARNI; AWASTHI,
2018). Ainda neste sentido, existem evidências que apontam que a utilização de mais
de um modelo ou regra de decisão para um determinado problema pode conduzir a
resultados diferentes. As incertezas associadas a este tipo de inconsistência são associadas
às incertezas dos dados iniciais e à escolha dos modelos mais adequados para cada problema
em particular, que deve considerar a natureza do problema, a necessidade de dados, a
complexidade computacional, entre outros, conforme apontado por Goicoechea et al apud
Malczewski e Rinner (2015). Neste sentido, pode-se apontar como vantajosa a utilização
de mais de uma regra ou modelo de decisão para um determinado problema, a fim de
avaliar a sensibilidade das saı́das de cada modelo aos dados de entrada e sua capacidade
em gerar soluções de qualidade, como foi realizado em Malczewski (2006a).
Ainda com relação às regras de decisão, alguns modelos não incluem a consideração
do fator de incerteza e seus métodos são chamados Determinı́sticos. Os métodos de decisão
que incluem o tratamento da incerteza são chamados Métodos Probabilı́sticos e os Métodos
Fuzzy (MALCZEWSKI, 2006c). Diante de todo o exposto, a Figura 3 apresenta os possı́veis
componentes de uma AMCE, em termos de regras de decisão aplicáveis, tipo de decisão
(individual ou em grupo) e tratamento das incertezas. Ressalta-se que quando o tratamento
44
das incertezas é chamado Determinı́stico (Figura 3) isso se refere a não consideração de

incertezas em uma análise.
Figura 3 – Classificação geral dos componentes de uma Análise Multicritério Espacial.
Fonte: (MALCZEWSKI, 2006c)
3.1 Teoria dos conjuntos nebulosos e sua aplicação para a Análise Multicritério Espacial
3.1.1 Análise Multicritério Espacial em ambiente fuzzy
A lógica fuzzy é uma ferramenta para tratar e manipular dados gerados com algum
tipo de imprecisão, o que é particularmente importante sob o ponto de vista da tomada
de decisão, uma vez que esta envolve as preferências e julgamentos de decisores, que não
possuem caráter preciso. O conjunto fuzzy é caracterizado por uma função de pertinência -
ou função caracterı́stica - que associa cada objeto de interesse a um valor de pertinência
inserido em uma escala definida no intervalo unitário.
Assim, dado um conjunto X, o grau com que um elemento x ∈ X pertence a
um conjunto fuzzy A é definido pela função de pertinência µA (x) : X → [0, 1]. Esta
representação possibilita a transição gradual entre a pertinência completa µA (x) = 1 e a
ausência completa de pertinência µA (x) = 0 (ZADEH, 1965).
45
Os conjuntos fuzzy podem ser utilizados como ferramentas para normalização de

critérios, uniformizando seus valores por meio da escala unitária, que, ao mesmo tempo,
estabelece a pertinência destes valores ao conjunto-solução ou o seu atendimento a um
determinado critério de decisão. Na AMCE, a teoria fuzzy permite atribuir a cada localidade
um valor de pertinência entre 0 e 1 que reflete o grau de atendimento dessa localidade
a um determinado critério. Na lógica convencional, os únicos valores possı́veis de serem
atribuı́dos são 0, no caso do não atendimento, e 1, no caso de atendimento. A lógica fuzzy
flexibiliza a avaliação incluindo na análise as incertezas da avaliação por meio da escala
contı́nua.
Neste trabalho, os conjuntos fuzzy são utilizados para representar matematicamente
geocampos gi (x), permitindo atribuir à cada coordenada espacial um valor no intervalo
unitário [0, 1], definido de modo a refletir o nı́vel em que os objetivos estão sendo satisfeitos
(Figura 4). Tais geocampos podem ser gerados por meio de operações aplicadas sobre
outros geocampos e geo-objetos. Tendo sido construı́dos os conjuntos fuzzy para cada
critério, é possı́vel aplicar diferentes operações de agregação para combinar as avaliações
das alternativas conforme os diferentes critérios e, deste modo, definir uma avaliação global
para cada solução alternativa. Existem diversos tipos de operações de agregação que podem
ser utilizadas para realizar a combinação de critérios e a classificação de alternativas de
solução.
Este trabalho utiliza o operador OWA - Ordered W eighted Averaging como
método principal de agregação, dadas as suas vantagens relacionadas à possibilidade de
controlar os nı́veis de compensação entre critérios.
46
Figura 4 – Normalização de um geocampo de radiação solar disponı́vel por área, baseada

em conjuntos fuzzy (para uma localidade genérica).
Exemplo de conjunto fuzzy
caracterizado por uma função de
1 pertinência sigmoide que expressa a
preferência por áreas com potencial
solar acima de 5.500 Wh/m².
µ(x)
1000 3000 5000 7000 9000

Radiação solar disponível (Wh/m²)
Wh/m²
Radiação solar Alta aptidão: 1
máxima: 8.000
Radiação solar
mínima: 4.000 Baixa aptidão: 0
Geocampo de radiação Geocampo de radiação
solar disponível por área solar disponível por
(Wh/m²) área [0, 1]
O processo de normalização descrito exige a construção de conjuntos fuzzy Ai (x), i =

1, ..., n com as funções de pertinência µAi (gi (x)) i = 1, ..., n que refletem o grau de
atendimento alcançado por cada localidade representada em cada um dos geocampos
gi (x) i = 1, ..., n. Existem vários tipos de funções de pertinência que podem ser utilizadas.
De modo particular, os autores Pedrycz, Ekel e Parreiras (2011) utilizam as seguintes
funções lineares:
max gi (x) − gi (x)

µAi (x) = (1)
max gi (x) − min gi (x)
x∈L x∈L
para objetivos a serem minimizados ou:
gi (x) − min gi (x)

µAi (x) = (2)
max gi (x) − min gi (x)
x∈L x∈L
para objetivos a serem maximizados.

Outros formatos possı́veis são representados pela Equação (3) para critérios de
maximização (Fuzzy Membership Large) e pela Equação (4) para critérios de minimização
47
(Fuzzy Membership Small ) ESRI (2018b). O comportamento desses conjuntos em função

de seus parâmetros é descrito pela Figura 5.
1
µAi (x) = −sp (3)
gi (x)
1+ md
1
µAi (x) = sp (4)
gi (x)
1+ md
onde sp é um parâmetro ligado ao espalhamento da função e md é um parâmetro ligado

ao seu ponto médio.
Figura 5 – Conjuntos fuzzy Large (esq.) e Small (dir.) com md = 8 e sp = 20,10 e 5.
3.1.2 Ordered W eighted Averaging - OWA
A média ponderada ordenada (Ordered W eighted Averaging - OWA) é uma famı́lia

de operadores, proposta originalmente por Yager (1988), que provê procedimentos para a
combinação de critérios (e/ou atributos), visando a determinação das melhores alternativas
de solução para um determinado problema.
No caso de um problema de decisão espacial que envolve um conjunto de al-
ternativas (x1 , ..., xk ) definidas geograficamente e um dado número n de critérios de
avaliação (c1 , ..., cn ), qualquer solução x pode ser avaliada de acordo com o grau em
que ela atende aos n critérios, que podem ser representados por mapas ou geocampos
gi (xk ) ∈ [0, 1] para i = 1, ..., n. Neste sentido, para definir-se a solução do problema espa-
cial, as avaliações devem ser agregadas de forma a obter-se um valor geral de desempenho
48
para cada alternativa xi , i = 1, ..., k (MALCZEWSKI, 2006a). Para isso Bellman e Zadeh
(1970) e Bellman e Zadeh apud Yager (1996) sugeriram a seguinte abordagem:
Agg(g1 (xk ), ..., gn (xk )) = Min[(g1 (xk ), ..., gn (xk )]. (5)
Tal abordagem assume que todos os critérios devem ser atendidos para que uma
solução seja considerada aceitável. Aqui, cada alternativa de solução recebe como avaliação
final o valor de seu pior desempenho entre os critérios. Seleciona-se como melhor alternativa
aquela com maior valor agregado. Trata-se portanto, de uma atitude de decisão pessimista
e avessa ao risco.
Também a fim de realizar a agregação entre os critérios Yager (1988) e Yager (1996)
sugeriram a utilização do operador OWA de dimensão n, definido como:
Um operador OWA de dimensão n é uma função tal que: F : Rn → R que associa
a i-ésima localização (alternativa) a um vetor de pesos ordenados w = (w1 , ..., wn )T , tal
que wi ∈ [0, 1] e ni=1 wi = 1. Assim,
P
n
X
OWA(g1 (xk ), ..., gn (xk )) = wj bj ∀i = 1, ..., n (6)
j=1
onde bj é o j-ésimo maior elemento de gi , i = 1, ..., n.

A Figura 6 ilustra o processo de agregação de critérios espaciais por meio do
operador OWA. O esquema considera uma alternativa de solução como sendo a menor
unidade espacial de um raster, ou seja, um pixel (ou ponto, na representação vetorial).
49
Figura 6 – Esquema da agregação baseada no operador OWA.
1: Max
0: Min
0,187 0,288
0,210 0,271 0,362
0,213 0,331 0,304
0,381 0,330
0,317 0,313
0,351 0,412
0,360
0,371 0,401 0,513
0,346
0,455 0,506 0,462
0,510 Vetores com os valores
0,413 0,452
0,561 0,442 0,419 0,440 de desempenho de
0,528 0,530 0,524 0,545 cada alternativa em
0,605 0,470 0,454 0,480 cada critério.
0,661 0,482 0,463 0,470
0,617 0,574 0,549 0,583 Vetores ordenados.
0,505 0,466 0,480
Vetores com os pesos
0,661
0,574 0,549 ligados a cada posição
0,617 0,583
0,505 0,466 ordenada.
0,605 0,480
* 0,561 0,482 0,463 0,470
* * 0,524 * 0,545 Exemplo utilizado de
0 0,528 0,530
0 0 0,454 0 0,480 Agregação: OWA  MIN.
0 0,510 0,470
* 0,360 0 0,442 0 0,419 0 0,440
1 0,513 O resultado final é uma
0 0,346 1 1 * 1 *
* 0,455 0,506 0,462 soma ponderada do tipo:
0 0,317 0 0
0 0,413 0,452 0,412
1 * 0 0
0,213 0 0,371 0,401 * (0,661 × 0) + (0,617 × 0) +
1 1
0 0,210 1 * 0,331 * 0 0,362 + (0,605 × 1) = 0,605
0 0,187 0 0,313 0 0,381 0 0,330
1 0 0,271 0 0,351 0,288
* 1
1 * 1 0,304 *
0
0 *
0 0
0 0
1 0
1 0
1
1
Um aspecto fundamental ligado a este tipo de agregação é a ordenação dos atributos

(avaliações das alternativas frente a cada critério) que deve ser realizado em ordem
decrescente, uma vez que os pesos wi não são associados diretamente aos critérios, mas às
posições ordenadas de seus argumentos.
Os resultados da agregação são fortemente ligados ao vetor de pesos utilizado.
A geração deste vetor de pesos pode ser realizada de acordo com diferentes famı́lias de
operadores. Conforme apresentado em Yager (1993), Yager (1996), Malczewski (2006a),
50
Malczewski (2006b), com diferentes pesos de ordenação pode-se gerar uma vasta gama de
operadores OWA, incluindo aqueles mais frequentemente utilizados em análises de muitos
critérios em SIG (JIANG; EASTMAN, 2000), que são a média aritmética e as operações
booleanas como a interseção (AND) e a união (OR).
Alguns casos particulares do vetor de pesos ordenados valem a pena serem destacados
(XU, 2005). O vetor de pesos ordenados definido tal que:
w1 = 1 & wi = 0, ∀i 6= 1 (7)
implementa a operação de união (OR), fornecendo o resultado Maxi [bi ]. Esta operação
reflete uma atitude otimista do decisor, uma vez que este considera uma solução adequada
desde que ela atenda a qualquer critério de análise. Assim, uma má avaliação em um ou
vários critérios é compensada por uma boa avaliação em outro critério, ou seja, é uma
operação totalmente compensatória.
O vetor de pesos ordenados definido tal que:
wn = 1 & wi = 0, ∀i 6= n (8)
implementa a operação de interseção (AND), fornecendo o resultado Mini [bi ]. Neste caso, é
refletida a atitude pessimista do decisor, onde ele somente considera adequadas as soluções
que atendam a todos os critérios. Logo, uma boa avaliação em um determinado critério
não contribui para a solução caso algum outro tenha sido mal avaliado, ou seja, é uma
operação totalmente não compensatória (equivalente a Equação 5).
O vetor de pesos ordenados definido tal que:
1
wi = , ∀i (9)
n
implementa a operação de média aritmética, onde o decisor possui uma atitude neutra
quanto aos riscos da decisão. No caso da média aritmética existe a compensação entre
critérios. Uma má avaliação em um critério pode ser compensada por uma boa avaliação em
outro. Contudo, não é possı́vel ao decisor mensurar o grau de compensação implementado
por essa operação. Neste sentido, uma das principais vantagens do operador OWA é que
ele torna possı́vel “controlar”o grau de compensação entre os critérios por meio da variação
do seu vetor de pesos ordenados.
51
Apesar do exposto, as atitudes de decisão relacionadas a solução de um determinado

problema nem sempre podem ser representadas pelos casos anteriores. Em vez disso, os
decisores podem estar interessados em que apenas alguma porção dos critérios seja satisfeita.
Por exemplo, a satisfação da “maioria”, “poucos”, “pelo menos 80%” e “muitos” podem
representar uma solução aceitável. Tais atitudes de decisão podem ser representadas por
meio de expressões matemáticas de termos semânticos, expressados por meio da lógica
f uzzy. São os chamados “quantificadores linguı́sticos”, tais como “maioria”, “muitos”,
“pelo menos metade”, “alguns”, “poucos” (YAGER, 1993), (YAGER, 1996).
3.1.3 Agregação guiada por quantificadores linguı́sticos
Os quantificadores linguı́sticos (QL) são representados como um conjunto fuzzy Q

no intervalo unitário, Q ∈ [0, 1]. Assim, dados os critérios {c1 , ..., cn } representados como
um subconjunto f uzzy sobre o conjunto de alternativas x, o processo de agregação guiada
a quantificadores fornece um quantificador linguı́stico Q que indica a proporção de critérios
que devem ser atendidos, de acordo com algum especialista ou tomador de decisões, para
que uma solução seja considerada de boa qualidade. O quantificador fornece o vetor de
pesos ordenados wi , i = 1, ..., n, utilizado na agregação para determinar a avaliação geral
de cada alternativa xk ∈ x (MALCZEWSKI, 2006a), (YAGER, 1996).
Existem duas classes de quantificadores linguı́sticos: Absolutos e Relativos. Quanti-
ficadores absolutos podem ser representados como um subconjunto f uzzy de reais não
negativos, por exemplo “pelo menos 5”. Assim, para qualquer r ∈ R+ , Q(r) representa
o grau em que r satisfaz o conceito representado por Q. Quantificadores relativos ou
proporcionais indicam uma quantidade proporcional, tal como “maioria”, “poucos”, “pelo
menos”, “metade”. Qualquer quantificador relativo pode ser expresso como um subconjunto
f uzzy no intervalo unitário. Assim, para qualquer proporção y ∈ [0, 1], Q(y) representa
o grau em que y satisfaz o conceito expressado pelo quantificador Q (YAGER, 1996).
Existem três categorias de quantificadores relativos (YAGER, 1996):
• Um subconjunto f uzzy Q é chamado quantificador RIM (Relative Increasing Mono-

tone) se:
1. Q(0) = 0; 2. Q(1) = 1; 3. Q(r) ≥ Q(y) se r ≥ y
Exemplos: “todos”, “maioria”
52
• Um subconjunto f uzzy Q é chamado quantificador RDM (Regular Decreasing

Monotone) se:
1. Q(0) = 1; 2. Q(1) = 0; 3. Q(y) ≥ Q(r) se r > y.
Exemplos: “pelo menos 1”, “poucos”
• Um subconjunto f uzzy Q é chamado quantificador RUM (Regular Unimodal Mono-
tone) se:
1. Q(0) = 1; 2. Q(1) = 0;
3. Se existem dois valores a e b ∈ [0, 1], onde a < b tais que:
– Para y < a, Q(r) ≤ Q(y) se r < y

– Para r ∈ [a, b], Q(r) = 1
– Para r > b, Q(r) ≥ Q(y)
Exemplos:“cerca de α”.
O processo de agregação por quantificadores possui as seguintes etapas:
• 1. Determinar o quantificador Q para a geração do conjunto de pesos OWA, w1 , ..., wn .
• 2. Para cada alternativa xi ∈ x, deve-se calcular a avaliação geral µD (xi ) =

agg(g1 (xi ), ..., gn (xi )).
Na última expressão, agg é um operador de agregação OWA que utiliza os pesos encontrados
na etapa (1).
O procedimento realizado para a geração dos pesos depende do quantificador
utilizado. No caso em que este é um quantificador RIM, os pesos são gerados por meio da
relação (YAGER; FILEV, 1994), (YAGER, 1996), (AYDIN; KENTEL; DUZGUN, 2010):

i i−1
wi = Q −Q para i = 1, ..., n. (10)
n n
Zadeh apud Xu (2005) define Q como:



 0, se r < a

r − a
Q(r) = , se a ≤ r ≤ b (11)

 b−a


 1, se r > b
onde a, b, r ∈ [0, 1].

53
Alguns exemplos de quantificadores linguı́sticos proporcionais não decrescente são

apresentados na Figura 7, onde os parâmetros a e b são (0.3, 0.8), (0, 0.5) e (0.5, 1).
Figura 7 – Exemplo de quantificadores linguı́sticos proporcionais
Fonte: Xu (2005), Zhang, Wang e Yang (2007)
3.1.4 Agregação guiada por quantificadores linguı́sticos e pesos de importância relativa
É possı́vel que os critérios espaciais a serem agregados possuam nı́veis de importância

diferentes entre si, que sejam expressos por um vetor de pesos v = {v1 , ..., vn }. Neste
sentido, os pesos ordenados do operador OWA podem ser obtidos por meio da seguinte
expressão, conforme apontado em (YAGER, 1996):
Pi ! Pi−1 !
j=1 vj j=1 vj
wi = Q −Q para i = 1, ..., n (12)
T T
Pn
onde T = j=1 vj é a soma total dos pesos de importância. Aqui não existe restrição
quanto a soma dos pesos de importância (a soma não precisa ser igual a um). O desempenho
geral de cada alternativa continua sendo determinado pela Equação 6.
54
3.1.5 Operador Slide OWA (S -OWA)
Destaca-se ainda uma outra classe de operadores OWA proposta por Yager e Filev
(1994), os operadores S -OWA. Eles fornecem os pesos de ordenação para duas famı́lias
diferentes chamadas de operadores Or − Like e And − Like. Os resultados do operador
Or − Like (definido aqui como FSO ) são obtidos por meio das seguintes correlações:
1

 (1 − α) + α, i = 1;

wi = n (13)
1
 (1 − α), i = 2, ..., n;

n
n
1 X
FSO (b1 , ..., bn ) = αMaxi (bi ) + (1 − α) bi . (14)
n i=1
Para os operadores do tipo And − Like (definido como FSA ) são utilizadas as
seguintes expressões:
1


 (1 − β), i 6= n;
wi = n (15)
 1 (1 − β) + β, i = n;

n
n
1 X
FSA (b1 , ..., bn ) = βMini (bi ) + (1 − β) bi . (16)
n i=1
Também é possı́vel obter-se os pesos de ordenação por meio de um operador S -OWA

generalizado (definido aqui como FS ) obtido pelas correlações
1


 (1 − (α + β)) + α, i = 1


 n
1

wi = (1 − (α + β)), i = 2, ..., n − 1 (17)

 n

 1
(1 − (α + β)) + β, i = n


n
e
n
X
FS (b1 , ..., bn ) = αMaxi (bi ) + βMini (bi ) + (1 − (α + β) bi ), (18)
i=1
onde α e β ∈ [0, 1] e α + β ≤ 1 (XU, 2005). α e β são os nı́veis de otimismo e pessimismo

do decisor, respectivamente.
55
4 Adaptação da abordagem clássica modificada para o tratamento das in-

certezas
Uma forma de tratar a incerteza dos dados e informações iniciais (os dados de
entrada), é por meio da abordagem possibilı́stica, baseada na construção e análise de
matrizes payoff construı́das para diferentes alternativas de solução de um problema em
diferentes cenários. Uma generalização desta abordagem permite realizar a construção e
análise multicritério de matrizes payoff para a solução de problemas de tomada de decisões
com muitos critérios ou objetivos. As etapas gerais são as seguintes (BELYAEV, 1977):
• Formulação matemática do problema;

• Construção dos cenários de análise;
• Definição das alternativas de solução permissı́veis preliminares;
• Construção das matrizes payoff ;
• Análise das matrizes payoff e escolha das soluções racionais.
Exemplos numéricos da construção e análise de matrizes payoff em problemas com

muitos objetivos podem ser encontrados em (EKEL et al., 2010), (PEDRYCZ; EKEL;
PARREIRAS, 2011) e mais recentemente em (PEREIRA, 2014).
4.1 Construção das matrizes payoff
As matrizes payoff quantificam os efeitos de diferentes alternativas em diferentes

cenários abordados. Na construção dessas matrizes são consideradas as alternativas de
solução, ou estratégias, definidas por xk , onde k = 1, ... , K, e os diferentes cenários
adotados, definidos por ys , onde s = 1, ... , S. Para análise de um problema composto
por n critérios espaciais devem ser construı́das n matrizes payoff. A forma geral de uma
matriz payoff é apresentada na Tabela 2, onde f (xk , ys ) representa a avaliação de uma
alternativa de solução xk em um cenário ys .
O planejamento em cenários é um processo sistemático de definição de fronteiras
plausı́veis para estados futuros de alguma questão ou sistema e ele é particularmente útil em
ambientes onde incertezas prevalecem. Seu objetivo é identificar e criar opções de estratégias
robustas, ou seja, com desempenho razoável através dos cenários (RAM; MONTIBELLER,
2013). Existem diversas abordagens utilizadas para a construção de cenários (RAM;
MONTIBELLER, 2013), (DURBACH; STEWART, 2012) (BELYAEV, 1977). Os autores
56
Tabela 2 – Matriz Payoff

y1 ... ys ... yS
x1 f (x1 , y1 ) ... f (x1 , ys ) ... f (x1 , yS )
... ... ... ... ... ...
xk f (xk , y1 ) ... f (xk , ys ) ... f (xk , yS )
... ... ... ... ... ...
xK f (xK , y1 ) ... f (xK , ys ) ... f (xK , yS )
Ekel et al. (2010) , Pedrycz, Ekel e Parreiras (2011), Pereira et al. (2015), utilizam a
técnica das chamadas LPτ − sequences, ressaltando que estas possuem caracterı́sticas
superiores de uniformidade entre outras sequências uniformemente distribuı́das (SOBOL,
1979). Deste modo, os resultados do trabalho de Sobol (1979) permitem determinar pontos
qs , s = 1, ..., S com coordenadas qst , t = 1, ..., T no hipercubo unitário correspondente q t .
Por exemplo, para o caso de quatro critérios (ou quatro variáveis sob incerteza: t = 4) e
onde devem-se criar 6 cenários, as coordenadas qst , s = 1, ..., 6 t = 1, ..., 4 determinadas
por meio das LPτ − sequences são apresentadas pela Tabela 3:
Tabela 3 – Coordenadas encontradas por meio das LPτ − sequences no q 4

s=1 s=2 s=3 s=4 s=5 s=6
t=1 0,500 0,7500 0,2500 0,3750 0,8750 0,6250
t=2 0,500 0,2500 0,7500 0,3750 0,8750 0,1250
t=3 0,500 0,7500 0,2500 0,6250 0,1250 0,3750
t=4 0,500 0,2500 0,7500 0,1250 0,6250 0,3750
Essencialmente, a construção dos cenários é caracterizada pela seleção de pontos de

uma sequência uniformemente distribuı́da em q t (no exemplo aqui apresentado, q 4 ) e sua
transformação para o hipercubo ht (no exemplo, h4 ) definido por um limite inferior c0t e
um limite superior c00t dos valores das variáveis sob incerteza, conhecidos e/ou definidos
pelos especialistas. Assim, se pontos qs , s = 1, ..., 6 com coordenadas qst , t = 1, ..., 4 formam
uma sequência uniformemente distribuı́da em q 4 , então os pontos cs , s = 1, ..., 6 possuem
coordenadas expressas como:
cst = c0t + (c00t − c0t )qst , t = 1, ..., 4 s = 1, ..., 6 (19)
Assim, cada cenário representa uma versão distinta de solução do problema espacial
multicritério com os valores de critérios correspondentes. Lembrando que deve-se construir
uma matriz payoff para cada critério ou objetivo sob análise.
57
4.2 Análise das matrizes payoff com base nos critérios de escolha
A seleção da(s) melhor(es) alternativas de solução é realizada com base na utilização

de critérios de escolha especı́ficos. De acordo com Pedrycz, Ekel e Parreiras (2011) os
critérios mais utilizados pela literatura correlacionada são os critérios de Wald, Laplace,
Savage e Hurwicz. Em condições de incerteza, nenhum desses critérios pode ser utilizado
de forma individual para a seleção de soluções finais e nenhum deles inspira confiabilidade
completa. Ou seja, em geral, esses critérios trabalham bem sob condições incertas, mas
não eliminam completamente a incerteza da tomada de decisão (BELYAEV, 1977).
Os critérios mencionados são avaliados por meio das estimativas apresentadas a
seguir (de acordo com (EKEL et al., 2010), (PEDRYCZ; EKEL; PARREIRAS, 2011),
(EKEL et al., 2016):
• Nı́vel máximo do critério - f max (xk )
f max (xk ) = max f (xk , ys ) (20)

1≤s≤S
Esta é a estimativa mais otimista para critérios que devem ser maximizados e a mais
pessimista para critérios a serem minimizados, para uma dada alternativa xk .
• Nı́vel mı́nimo do critério - f min (xk )
f min (xk ) = min f (xk , ys ) (21)

1≤s≤S
Esta é a estimativa mais otimista para critérios que devem ser minimizados e a mais
pessimista para critérios a serem maximizados, para uma dada alternativa xk .
• Nı́vel médio do critério - f (xk )
S
1X
f (xk ) = f (xk , ys ) (22)
S s=1
• Nı́vel máximo de risco - rmax (xk )
rmax (xk ) = max r(xk , ys ) (23)

1≤s≤S
o risco r(xk , ys ) é um custo adicional ou dano que aparece no cenário ys devido a

escolha da alternativa xk ao invés da alternativa localmente ótima.
58
Para a avaliação dos riscos é necessário determinar-se o valor máximo do critério

(no caso de critérios a serem maximizados), para toda combinação do cenário ys (para
toda coluna da matriz payoff ):
f max (ys ) = max f (xk , ys ) (24)

1≤k≤K
Caso o critério seja de minimização, é natural que deva-se estimar o valor mı́nimo
da função para toda combinação do cenário Ys :
f min (ys ) = min f (xk , ys ) (25)

1≤k≤K
Desta forma, o nı́vel de risco para qualquer alternativa de solução xk em qualquer

cenário ys pode ser determinado como:
r(xk , ys ) = f max (ys ) − f (xk , ys ) (26)
para critérios de maximização e
r(xk , ys ) = f (xk , ys ) − f min (ys ) (27)
para critérios de minimização.

Realizando-se os cálculos para todas as alternativas e em todos os cenários é possı́vel
construir-se a matriz de riscos apresentada pela Tabela 4
Tabela 4 – Matriz de riscos

y1 ... ys ... yS rmax (xk )
x1 r(x1 , y1 ) ... r(x1 , ys ) ... r(x1 , yS ) rmax (x1 )
... ... ... ... ... ... ...
xk r(xk , y1 ) ... r(xk , ys ) ... r(xk , yS ) rmax (xk )
... ... ... ... ... ... ...
xK r(xK , y1 ) ... r(xK , ys ) ... r(xK , yS ) rmax (xK )
Os critérios de escolha mencionados são baseados na aplicação das estimativas

supracitadas. A matriz payoff apresentada pela Tabela 2 é reapresentada pela Tabela 5
com a inclusão das estimativas em questão.
59
Tabela 5 – Matriz Payoff com as estimativas caracterı́sticas

y1 ys yS f max (xk ) f min (xk ) f (xk ) rmax (xk )
x1 f (x1 , y1 ) f (x1 , ys ) f (x1 , yS ) f max (x1 ) f min (x1 ) f (xk ) rmax (xk )
... ... ... ... ... ... ... ...
xk f (xk , y1 ) f (xk , ys ) f (xk , yS ) f max (xk ) f min (xk ) f (xk ) rmax (xk )
... ... ... ... ... ... ... ...
xK f (xK , y1 ) f (xK , ys ) f (xK , yS ) f max (xK ) f min (xK ) f (xK ) rmax (xK )
f min (y1 ) f min (ys ) f min (yS )
4.2.1 Construção das matrizes com as estimativas dos critérios de escolha
Os critérios de escolha podem ser caracterizados conforme apresentado adiante

(considerando critérios (objetivos) a serem minimizados):
• O critério de Wald utiliza a estimativa f max (xk ) e permite a escolha da alternativa

de solução xW para a qual a estimativa em questão é mı́nima:
min f max (xk ) = min max f (xk , ys ) (28)

1≤k≤K 1≤k≤K 1≤s≤S
Este critério gera soluções alternativas assumindo uma combinação não favorável
dos dados iniciais, visando garantir que o nı́vel do critério (objetivo) não seja maior
do que um determinado valor, para nenhuma condição futura. É uma abordagem
considerada conservadora ou pessimista.
• O critério de escolha de Laplace permite escolher a alternativa xL que minimiza o
valor médio da função objetivo f (xk ), ou seja
S
1X
min f (xk ) = min f (xk , ys ) (29)
1≤k≤K 1≤k≤K S
s=1
Este critério assume que não existem informações suficientes para se distinguir
os resultados em cada cenário, assim, é aconselhável agir-se de forma igualmente
provável.
• O critério de escolha de Savage é associado com o uso da estimativa de risco rmax (xk ),
apontando alternativas xS cujos riscos associados são mı́nimos:
min rmax (xk ) = min max r(xk , ys ) (30)

1≤k≤K 1≤k≤K 1≤s≤S
60
• O critério de escolha de Hurwicz utiliza uma combinação linear dos nı́veis máximos
e mı́nimos (f max (xk ) e f min (xk )) determinando soluções xH para as quais a seguinte
combinação é mı́nima:
min [αh f max (xk )+(1−αh )f min (xk )] = min [αh max f (xk , ys )+(1−αh ) min f (xk , ys )]
1≤k≤K 1≤k≤K 1≤s≤S 1≤s≤S
(31)
onde αh ∈ [0, 1] é um ı́ndice de “otimismo-pessimismo”cujo valor deve ser definido
pelo decisor. Se αh = 1 o critério de escolha de Hurwicz se transforma no critério de
escolha de Wald, se αh = 0 ele se transforma num critério de “extremo otimismo”para
o qual as combinações mais favoráveis das informações iniciais são assumidas. Quando
0 ≤ αh ≤ 1, obtem-se algo em torno da média. Belyaev (1977) recomenda a utilização
de valores entre 0,5 e 1.
4.2.2 Modificação da abordagem clássica possibilı́stica para o tratamento das incertezas
A principal modificação proposta por Pereira et al. (2015) para a abordagem

possibilı́stica clássica para o tratamento das incertezas das informações iniciais na análise
multicritério é apresentada a seguir, e diz respeito à consideração dos critérios de escolha
como funções objetivo. Levando-se em conta que os critérios de escolha - Wald, Laplace,
Savage, Hurwicz - estão associados com as caracterı́sticas estimadas por (20)-(23) pode-se
considerar cada um deles como sendo uma função objetivo. Por exemplo, para o i-ésimo
objetivo é possı́vel escrever o seguinte:
fiW (xk ) = fimax (xk ) = max fi (xk , ys ) (32)

1≤s≤S
S
1X
fiL (xk ) = f i (xk ) = fi (xk , ys ) (33)
S s=1
fiS (xk ) = ri (xk ) = max ri (xk , ys ) (34)

1≤s≤S
fiH (xk ) = αfimax (xk ) + (1 − α)fimin (xk ) = α max fi (xk , ys ) + (1 − α) min fi (xk , ys ) (35)
1≤s≤S 1≤s≤S
Aplicando as equações (32)-(35) às n matrizes payoff sob análise é possı́vel construir
n matrizes com as estimativas dos critérios de escolha (uma para cada critério espacial),
61
que refletem o desempenho de cada alternativa frente aos critérios de Wald, Laplace,
Savage e Hurwicz, conforme apresentado pela Tabela 6.
Tabela 6 – Matriz com as estimativas dos critérios de escolha para o i-ésimo objetivo
fiW (xk ) fiL (xk ) fiS (xk ) fiH (xk )
x1 fiW (x1 ) fiL (x1 ) fiS (x1 ) fiH (x1 )
... ... ... ... ...
xk fiW (xk ) fiL (xk ) fiS (xk ) fiH (xk )
... ... ... ... ...
xK fiW (xK ) fiL (xK ) fiS (xK ) fiH (xK )
... ... ... ... ...
... min fiW (xk ) min fiL (xk ) min fiS (xk ) min fiH (xk )
1≤k≤K 1≤k≤K 1≤k≤K 1≤k≤K
max fiW (xk ) max fiL (xk ) max fiS (xk ) max fiH (xk )
1≤k≤K 1≤k≤K 1≤k≤K 1≤k≤K
Assim, é possı́vel construir n problemas, incluindo as quatro funções objetivo:
fe,i (X) → extr, e = 1, ..., E ≤ 4, i = 1, ..., n (36)
onde as funções objetivos são: f1,i (x) = fiW (xk ), f2,i (x) = fiL (xk ), f3,i (x) = fiS (xk ) e
f4,i (x) = fiH (xk ).
Deste modo, os critérios de escolha (32) - (35) são aplicados para a resolução deste
problema multiobjetivo (36). Para tal resolução pode-se apontar a validade da utilização da
Abordagem de Bellman & Zadeh para tomada de decisão em ambiente fuzzy (BELLMAN;
ZADEH, 1970) (em conformidade com os trabalhos de Ekel et al. (2010), Alves et al.
(2013), Ekel et al. (2016)).
A abordagem de Bellman-Zadeh (BELLMAN; ZADEH, 1970), (DURBACH; STEWART,
2012), baseia seu conceito de “solução ótima” de acordo com o máximo “grau de imple-
mentação de todos os objetivos”que é seu critério de otimalidade e que concorda com o
princı́pio da garantia do resultado, constituindo uma linha efetiva na obtenção de soluções
harmoniosas (EKEL et al., 2010). Na utilização da abordagem de Bellman e Zadeh, um
vetor de funções objetivo da forma fi (x), i = 1, ..., n é considerado, e o problema consiste
na necessidade de otimização simultânea de todos esses objetivos, da mesma forma que
em (36). Para isso, cada função objetivo fi (x) deve ser substituı́da por um conjunto fuzzy
Ai = {x, µAi (x)}, x ∈ L, i = 1, ..., n onde µAi (x) é a função de pertinência de Ai . A solução
fuzzy D é definida como D = ni=1 Ai com a função de pertinência:
T
µD (x) = min µAi (x), x ∈ L (37)

1≤i≤n
62
O que permite indicar a solução:
max µD (x) = max min µAi (x) (38)

x∈L 1≤i≤n
Desta forma, o problema pode ser reduzido a determinação de:
X 0 = arg max min µAi (x) (39)

x∈L 1≤i≤n
A determinação da solução representada por (39) exige a construção das funções

de pertinência µAi (x) i = 1, ..., n que refletem o grau de otimalidade alcançado por cada
objetivo fi (x), x ∈ L, i = 1, ..., n. Para isso, podem ser utilizados as funções apresentadas
na Seção 3.1.1, estabelecidas pelas equações (1), (2), (4) e (3) (os valores dos geocampos
gi (x), i = 1, ..., n são agora substituı́dos pelos valores das funções objetivo fi (x), i = 1, ..., n).
Deste modo, utilizando as n matrizes para a estimativa dos critérios de escolha, pode-se
construir n matrizes modificadas aplicando-se (1) ou (2) como apresentado pela Tabela 7.
Tabela 7 – Matriz modificada das estimativas dos critérios de escolha para o i-ésimo
objetivo
µWAi (xk ) µLAi (xk ) µSAi (xk ) µHAx (xk )
W
x1 µAi (x1 ) µLAi (x1 ) µSAi (x1 ) µHAi (x1 )
... ... ... ... ...
xk µWAi (xk ) µLAi (xk ) µSAi (xk ) µHAi (xk )
... ... ... ... ...
xK µWAi (xK ) µLAi (xK ) µSAi (xK ) µHAi (xK )
Com as n matrizes modificadas com as estimativas dos critérios de escolha é possı́vel

construir a matriz agregada dessas estimativas (Tabela 8). Com base nestes resultados é
possı́vel escolher a alternativa de solução que maximiza o atendimento a todos os objetivos,
realizando a ordenação das alternativas analisadas.
Tabela 8 – Matriz agregada das estimativas dos critérios de escolha

µWD (xk ) µLD (xk ) µSD (xk ) µHD (xk )
x1 µWD (x1 ) µLD (x1 ) µSD (x1 ) µHD (x1 )
... ... ... ... ...
xk µWD (xk ) µLD (xk ) µSD (xk ) µHD (xk )
... ... ... ... ...
xK µWD (xK ) µLD (xK ) µSD (xK ) µHD (xK )
max µW D (xK ) max µLD (xK ) µSD (xK ) max µH D (xK )
1≤k≤K 1≤k≤K 1≤k≤K
Ressalta-se que nem sempre a análise realizada pelo método apresentado é capaz
de diferenciar todas as alternativas de solução. Quando, por exemplo, uma alternativa
63
apresenta os valores máximos de pertinência da matriz agregada para o critério de

Wald e/ou Laplace e outras alternativas apresentam valores maiores para os critérios
de Savage e/ou Hurwicz, pode-se dizer que tais soluções são, do ponto de vista formal,
indistinguı́veis. Assim, torna-se necessário a aplicação de outros métodos para a análise
e diferenciação/ordenação de tais alternativas. Para tanto, pode-se utilizar os chamados
modelos < X, R >, que são apresentados e descritos nas seções seguintes.
A Figura 8 apresenta as etapas gerais da adaptação da abordagem clássica para o
tratamento das incertezas associadas as informações iniciais, descrita nesta seção.
Figura 8 – Fluxograma com as etapas gerais da modificação da abordagem clássica para o

tratamento das incertezas (considerando os critérios de escolha como funções
FIRST STAGE OF THE PROPPOSED METHOD
objetivo).
Determinação dos 𝑠 cenários de Aplicação das

análise. 𝐿𝑃𝜏 𝑆𝑒𝑞𝑢𝑒𝑛𝑐𝑒𝑠.
Por exemplo:
Solução dos 𝑠 problemas multicritério, aplicação do
de forma a obter k ≤ s alternativas de operador OWA,
soluções. abordagem de
Bellman-Zadeh.
Construção de n matrizes 𝑝𝑎𝑦𝑜𝑓𝑓.
Construção de n matrizes com as

estimativas dos critérios de escolha.
Construção de n matrizes modificadas

com as estimativas dos critérios de
escolha.
Por exemplo:
aplicação do
Construção da matriz agregada das
operador OWA,
estimativas dos critérios de escolha.
abordagem de
Bellman-Zadeh.
Escolha das soluções

alternativas finais.
Fonte: Elaborado a partir de Pereira (2014) e Pereira et al. (2015)

64
5 Construção de preferências
Uma maneira natural de avaliar e ordenar alternativas de solução é por meio

da construção e do processamento de preferências que visam simular o conhecimento
de decisores e especialistas. Neste sentido, em processos decisórios, a incorporação do
conhecimento humano é um aspecto de grande importância, pois auxilia a implementação
de ações coerentes com os objetivos da decisão.
Existem diferentes formatos de preferências, uma vez que cada modelo busca refletir
o conhecimento de um modo particular, e é natural que o ser humano se expresse de
maneiras distintas. Os autores Zhang, Wang e Yang (2007) apresentam oito formatos
de modelagem das preferências sobre alternativas e modelos para e transformação e
uniformização desses formatos. Já os autores Pedrycz, Ekel e Parreiras (2011), Parreiras
e Ekel (2013) afirmam que cinco principais formatos de preferências são capazes de
atender bem a maioria dos problemas reais de tomada de decisões. São eles: ordenação de
alternativas, função de utilidade, estimativas fuzzy, relações de preferência multiplicativa e
relações de preferência fuzzy.
É importante lembrar que as preferências podem ser construı́das por meio de
diferentes formatos, assim, cada decisor pode escolher a forma que julgar mais condizente
com sua opinião, contudo, o processamento dessas preferências pelos modelos de tomada
de decisão exige suas conversões para um único formato, adequado a tal modelo.
As seções seguintes descrevem os formatos mencionados.
5.1 Modelagem de preferências
5.1.1 Ordenação de alternativas (OA)
Em esquemas de ordenação, cada decisor ou especialista deve avaliar um conjunto

de alternativas x = {x1 , ..., xk } de acordo com um determinado critério cb formando
ordenações de preferência do tipo:
Ocb (x) = {ocb (x1 ), ..., ocb (xk )} (40)
onde ocb (xk ) é uma função de permutação que atua sobre um conjunto de ı́ndices 1, ..., k
expressando a preferência do decisor sobre a alternativa xk de acordo com o critério cb .
65
Assim, é formado um vetor ordenado de alternativas, da melhor para a pior (QUEIROZ,

2009).
5.1.2 Função de utilidade (FU)
As funções de utilidade Ucb permitem ao especialista atribuir a uma determinada

alternativa xk um valor numérico pertencente ao intervalo unitário [0, 1] que expressa a
utilidade daquela alternativa com relação a um determinado critério cb , sendo que valores
mais próximos de um representam as melhores alternativas e valores mais próximos ao
zero representam as piores alternativas (ZHANG; WANG; YANG, 2007).
Ucb (x) = ucb (xk ), ucb ∈ [0, 1] (41)
5.1.3 Estimativas fuzzy (EF)
As estimativas fuzzy Lcb (x) permitem avaliar um conjunto de alternativas x =

{x1 , ..., xk }, de acordo com algum critério cb , por meio de números fuzzy que podem ser
diretamente especificados pelos decisores ou indiretamente expressados por meio de termos
linguı́sticos, como, por exemplo: “baixa qualidade”, “média qualidade”, “alta qualidade”.
No caso da utilização destes termos, eles devem ser transformados para relações de
preferência fuzzy (Seção 5.1.5), para que possam ser analisados sob a ótica do problema
(PEDRYCZ; EKEL; PARREIRAS, 2011).
Fcb (x) = {fcb (x1 ), ..., fcb (xk )} (42)
5.1.4 Relações de preferência multiplicativa (RPM)
As RPM são construı́das por meio de comparações realizadas par a par entre as
alternativas do conjunto x, de acordo com um determinado critério cb , utilizando-se uma
66
escala de razões (Tabela 9) (SAATY, 1990), que serve de base para a construção de uma
matriz recı́proca M .
 
1 mcb (x1 , x2 ) ... mcb (x1 , xk )
 
 
 1/mcb (x1 , x2 ) 1 ... mcb (x2 , xk )
Mcb = 


 (43)
 ... ... ... ... 
 
1/mcb (x1 , xK ) 1/mcb (x2 , xk ) ... 1
As entradas dessa matriz, mcb (xk , xl ) representam uma intensidade de preferência,
que pode ser interpretada como xk é mcb (xk , xl ) vezes melhor do que xl de acordo com
o critério cb . Além disso, os elementos da matriz mcb devem satisfazer a condição de
reciprocidade multiplicativa mcbj,i = 1/mcbi,j e possuir a diagonal principal unitária
(QUEIROZ, 2009).
As RPM acomodam intransitividade. Neste sentido, é desejável formarem-se julga-
mentos que sejam os mais consistentes possı́veis, de modo a gerarem-se resultados de boa
qualidade. Para tanto, é usual assumir-se a propriedade de transitividade multiplicativa (44)
cujo atendimento garante a perfeita consistência das relações de preferência multiplicativa
(PEDRYCZ; EKEL; PARREIRAS, 2011):
Mcb (xk , xj ) = Mcb (xk , xl ).Mcb (xl , xj ), ∀j, k, l ∈ [1, ..., K] (44)
A condição de transitividade também pode ser verificada pelo máximo autovalor

da matriz Mcb , λmax , que deve ser igual ao número de elementos avaliados pela matriz
(RAMALHO, 2017).
Tabela 9 – Escala de valores de preferência

Escala verbal Escala numérica
Igual preferência (importância) 1
Preferência moderada 3
Preferência forte 5
Preferência muito forte 7
Preferência absoluta 9
Julgamentos intermediários 2, 4, 6, 8
Fonte: Adaptado de (SAATY, 1990)
67
5.1.5 Relações de preferência fuzzy (RPF)
Uma relação de preferência fuzzy não estrita Rne pode ser representada por uma
matriz quadrada com função de pertinência µRne : x × x → [0, 1]. Essas relações associam
com cada par ordenado de elementos, no caso, com cada par de alternativas xk , xl ∈ x, um
número Rne (xk , xl ) pertencente ao intervalo unitário que representa o grau da preferência
da alternativa xk com relação a alternativa xl para um determinado critério cb (QUEIROZ,
2009). Essencialmente, a função de pertinência da i-ésima relação de preferência fuzzy
indica, no intervalo unitário, o grau em que a alternativa xk é pelo menos tão boa quanto
xl , quando o critério cb é considerado por um decisor em particular. Durante o processo
de comparação de alternativas, o decisor pode assumir pontos de vista variados, gerando
diferentes relações de preferência (PEDRYCZ; EKEL; PARREIRAS, 2011):
• Indiferença (I(xk , xl )): O decisor presume que ambas as alternativas avaliadas aten-
dem igualmente aos critérios.
• Preferência estrita (P (xk , xl )): O decisor identifica uma alternativa como claramente
melhor em comparação com a outra.
• Preferência não-estrita (Rne (xk , xl )): Determina o grau em que xk é “pelo menos tão
boa”quanto xl com relação ao critério cb .
• Incomparabilidade (J(xk , xl )): O decisor não consegue expressar sua opinião a respeito
das alternativas, devido a falta de informações ou conhecimento.
As relações P (xk , xl ) e I(xk , xl ) podem ser obtidas a partir de Rne conforme aponta
Orlovsky apud Pedrycz, Ekel e Parreiras (2011):
P (xk , xl ) = max(Rne (xk , xl ) − Rne (xl , xk ), 0) (45)
I(xk , xl ) = min(Rne (xk , xl ) − Rne (xl , xk )) (46)
A relação J pode ser obtida a partir de Rne conforme aponta Parreiras e Ekel
(2013):
J(xk , xl ) = min(1 − Rne (xk , xl ), 1 − Rne (xl , xk )) (47)
Quando as relações de preferências são construı́das por meio de avaliações diretas, os

decisores devem expressar suas preferências por meio da atribuição de valores pertencentes
68
ao intervalo unitário a cada par de alternativas. Para isso, diferentes esquemas podem ser
utilizados para representar o grau de preferência de uma alternativa sobre a outra. Este
estudo destaca dois esquemas principais: As Relações de Preferência Fuzzy Não Recı́procas
(RPFNR, aqui chamadas de NR) e as Relações de Preferência Fuzzy Reciprocas Aditivas
(RPFRA, aqui chamadas de RA). As RPFNR possuem uma correspondência com a noção
de Rne , e sua construção deve respeitar as seguintes propriedades (PEDRYCZ; EKEL;
PARREIRAS, 2011), (PARREIRAS; EKEL, 2013):
• Se NR(xk , xl ) = 1 e NR(xl , xk ) = 1, então xk é indiferente a xl ;

• Se NR(xk , xl ) = 1 e NR(xl , xk ) = 0, então xk é estritamente preferı́vel a xl ;
• Se NR(xk , xl ) = 0 e NR(xl , xk ) = 1, então xl é estritamente preferı́vel a xk ;
• Se NR(xk , xl ) = 0 e NR(xl , xk ) = 0, então xk e xl são incomparáveis;
• A diagonal principal deve ser unitária, respeitando a propriedade de reflexividade,
ou seja, NR(xk , xk ) = 1, ∀xk ∈ x.
Julgamentos intermediários podem ser descritos como:
• Se 0 ≤NR(xk , xl ) < 1 e NR(xl , xk ) = 1, então xl é fracamente preferı́vel a xk ;

• Se NR(xk , xl ) = 1 e 0 ≤NR(xl , xk ) < 1, então xk é fracamente preferı́vel a xl ;
• Se 0 ≤NR(xk , xl ) < 1 e NR(xl , xk ) = 0, então xk é fracamente preferı́vel a xl e, além
disso, as duas alternativas possuem algum grau de incomparabilidade;
• Se NR(xk , xl ) = 0 e 0 ≤NR(xl , xk ) < = 1, então xl é fracamente preferı́vel a xk e,
além disso, as duas alternativas possuem algum grau de incomparabilidade.
As RPFRA, por sua vez, devem satisfazer a propriedade de reciprocidade aditiva,

ou seja, RA(xk , xl )+RA(xl , xk ) = 1, ∀xk , xl ∈ x. Além disso, a estrutura de preferências
deve observar as seguintes regras (PEDRYCZ; EKEL; PARREIRAS, 2011):
• Se RA(xk , xl ) = 0,5 significa que xk é indiferente a xl ;

• Se 0, 5 <RA(xk , xl ) ≤ 1 significa que xk é preferı́vel a xl ;
• Se 0 ≤RA(xk , xl ) < 0, 5 significa que xl é preferı́vel a xk ;
• A diagonal principal da matriz é composta por valores iguais a 0,5, ou seja, elementos
iguais são indiferentes.
Não existem procedimentos para a construção dessas preferências, ou seja, elas

devem ser atribuı́das diretamente pelos decisores, baseando-se em comparações entre
69
alternativas e observando as propriedades explicitadas. É importante salientar que ambos

os tipos de relação de preferência fuzzy acomodam intransitividade, o que pode levar a
inconsistências nos resultados. Para evitar este tipo de problema é importante que as
propriedades de transitividade sejam observadas. No caso das RPFRA, tem-se:
(RA(xk , xj ) − 0, 5) = (RA(xk , xl ) − 0, 5) + (RA(xl , xj ) − 0, 5), ∀k, j, l ∈ [1, ..., K] (48)
No caso das RPFNR as condições de consistência mais comuns a serem observadas

são as seguintes:
NR(xk , xn ) ≥ min(NR(xk , xl ), NR(xl , xn )) (49)
Além disso, se NR(xk , xj ) ≥ NR(xj , xk ) e NR(xj , xl ) ≥ NR(xl , xj ), então NR(xk , xl )

≥ NR(xl , xk ), ∀xk , xj , xl ∈ x (PEDRYCZ; EKEL; PARREIRAS, 2011).
Construir essas relações por meio de avaliações diretas não é algo simples de ser
realizado. Definir as RPFRA pode ser uma forma mais fácil de construir-se preferências,
uma vez que a determinação de RA(xk , xl ) leva a determinação direta de RA(xl , xk )
devido a propriedade de reciprocidade das RPFRA (RA(xl , xk ) = 1 - RA(xk , xl )). No caso
das RPFNR, NR(xk , xl ) não traz informações óbvias sobre NR(xl , xk ), contudo, existem
relações entre estes valores que são dependentes dos seus graus de indiferença e preferência
estrita. Neste caso, as expressões (45)-(46) podem ser utilizadas para extrair os graus de
indiferença e preferência estrita de tais julgamentos.
Uma outra abordagem racional e intuitiva para a construção de preferências em
ambiente fuzzy é a utilização de estimativas fuzzy (conforme apontado anteriormente)
para avaliação de alternativas e derivação das preferências. Neste sentido, os resultados de
Orlovski apud Pedrycz, Ekel e Parreiras (2011) são apontados como os mais adequados
para tal finalidade, sendo baseados no conceito de uma Função de Pertinência de Relação
de Preferência Generalizada. De modo particular, a disponibilidade de termos linguı́sticos
ou estimativas fuzzy para as alternativas Fi (xk ), i = 1, ..., b, xk ∈ x com funções de
pertinência µ(Fi (xk )), i = 1, ..., b, xk ∈ x é possı́vel construir as funções de pertinência de
relações de preferência generalizada:
µRi (xk , xl ) = sup min{µ(Fi (xk )), µ(Fi (xl ))} (50)
xk ,xl ∈x
Fi (xk )≤Fi (xl )
µRi (xk , xl ) = sup min{µ(Fi (xk )), µ(Fi (xl ))} (51)
xk ,xl ∈x
Fi (xl )≤Fi (xk )
70
se o i-ésimo critério é associado com minimização. Se o i-ésimo critério é de maximização,

as relações (50) and (51) devem ser escritas para Fi (xk ) ≥ Fi (xl ) e Fi (xl ) ≥ Fi (xk ),
respectivamente.
Aponta-se que, se as funções de pertinência µRi (Fi (xk )) e µRi (Fi (xl )) formarem
ápices planos (como nas funções de pertinência planas ou trapezoidais), as alternativas
não podem ser distinguidas, o que gera regiões de incerteza das soluções. São casos onde
não existe preferência explı́cita de uma alternativa sobre a outra.
5.2 Funções de transformação: uniformização dos formatos
A utilização de diferentes formatos de preferências exige suas conversões para um

único formato que possa ser processado e analisado pelo modelo de decisão adotado.
5.2.1 Transformações para RPFNR
Considerando a racionalidade e as vantagens da aplicação das relações de preferência

fuzzy apontados, por exemplo, em Ekel (2001) e Ekel (2002), os resultados de Pedrycz,
Ekel e Parreiras (2011), Parreiras e Ekel (2013) permitem utilizar as chamadas funções de
transformação para converter diferentes formatos de preferência para RPFNR.
• Ordenação de alternativas
1 O(xl ) − O(xk )

 +
 , se O(xk ) > O(xl )
NR(xk , xl ) = H1 (O(xk ), O(xl )) = 2 2(K − 1) (52)

1, se O(xk ) ≤ O(xl )

onde K é o número de alternativas.

• Função utilidade normalizada no intervalo de [0, 1]
 0,5
 U (xk )

 , se U (xk ) > U (xl )
NR(xk , xl ) = H2 (U (xk ), U (xl )) = U (xl ) (53)

1, se U (xk ) ≥ U (xl )


• Relações de preferência multiplicativa

1 m(xk , xl )

1 + logls
 , se logls m(xk , xl ) < 0
NR(xk , xl ) = H3 (RPM(xk ), RPM(xl )) = 2 m(x l , xk )

1, se logls m(xk , xl ) ≥ 0

(54)
71
onde ls é o limite superior da razão de escala utilizada. No caso da escala de Saaty

(Tabela 9), ls = 9.
• Relações de preferência fuzzy reciprocais aditivas
NR(xk , xl ) = H4 (RA(xk ), RA(xl )) =

1 + RA(xk , xl ) − RA(xl , xk ), se RA(xk , xl ) < 0, 5
(55)
 1, se RA(xk , xl ) ≥ 0, 5
5.2.2 Transformações para RPM
Levando em consideração os resultados obtidos por (RAMALHO, 2017), (RAMA-

LHO et al., 2019) e (EKEL; PEDRYCZ; PEREIRA, 2020) é possı́vel apontar as funções
de transformação abaixo, que permitem converter diferentes formatos de preferências em
RPM.
• Ordenação de alternativas
O(xl ),O(xk )
RPM(xk , xl ) = H5 (O(xk ), O(xl )) = (ls) K−1 , k, l = 1, ..., K (56)
• Relação de preferência fuzzy não recı́proca

Para converter uma RPFNR em RPM é necessário, primeiramente, converter a
RPFNR em RPFRA, da seguinte maneira:
RA(xk , xl ) = H6 (NR(xk ), NR(xl )) =
1
(1 + NR(xk , xl ) − NR(xl , xk )), k, l = 1, ..., K (57)
2
Agora é possı́vel realizar a conversão de RPFRA para RPM:
RPM(xk , xl ) = H7 (RA(xk ), RA(xl )) = ls(2RA(xk ,xl ))−1 , k, l = 1, ..., K (58)
5.2.3 Transformação da informação quantitativa
Muitas vezes, informações quantitativas a respeito das alternativas de soluções,

podem estar disponı́veis, ou seja, Fti (xk ), i = 1, ..., b critérios de caráter quantitativo e
k = 1, ..., K alternativas de solução sob análise. É natural que estas caracterı́sticas sejam
utilizadas para a construção das relações de preferência fuzzy correspondentes
72
Para RPFRA, as seguintes condições (EKEL, 2001) devem ser observadas: µ̄R (xk , xk ) =
0, 5 (gerando β = 0, 5) e µ̄R (xk , xl ) + µ̄R (xl , xk ) = 1, o que permite obter
Fti (xk ) − Fti (xl )

RPFRA(xk , xl ) = + β. (59)
2 [max Fti (x) − min Fti (x)]
Para um objetivo de minimização Fqti (x) é possı́vel escrever
Fti (xl ) − Fti (xk )

RPFRA(xk , xl ) = +β (60)
2 [max Fti (x) − min Fti (x)]
73
6 Técnicas para ordenação e priorização de alternativas em ambiente fuzzy :

análise de modelos < X, R >
Dado um conjunto X de alternativas de solução que devem ser avaliadas de acordo

com q critérios de caráter quantitativo e/ou qualitativo, este problema de tomada de
decisão pode ser representado por um par < X, R > onde R = [R1 , ..., Rq ] é um vetor de
relações de preferência fuzzy (EKEL, 2001), que pode ser apresentado como
Ri = [X × X, µRi (xk , xl )], xk , xl ∈ X (61)
onde µRi (xk , xl ) é a função de pertinência da i-th relação de preferência fuzzy.

Os modelos < X, R > permitem realizar a avaliação, comparação, escolha, pri-
orização e/ou ordenação de alternativas baseando-se em técnicas de modelagem das
preferências em ambiente fuzzy. Estes modelos permitem a consideração de critérios de
natureza quantitativa e qualitativa, concebidos mediante a experiência e conhecimento
de especialistas e/ou decisores. Existem, pelo menos, seis técnicas de análise de mode-
los < X, R > que podem ser utilizadas em problemas de decisão. Estas técnicas são
apresentadas em detalhes em (PEDRYCZ; EKEL; PARREIRAS, 2011).
Um conceito fundamental para a aplicação destas técnicas é associado com a Função
de Escolha introduzida por Orlovski apud Pedrycz, Ekel e Parreiras (2011). Essa função
(45) permite transformar uma relação de preferência fuzzy não estrita em uma relação de
preferência fuzzy estrita (P ).
Assim, P (xl , xk ), ∀xk ∈ x, fornece a função de pertinência do conjunto fuzzy de
todas as alternativas xk que são estritamente dominadas por xl . Logo, seu complemento
1 − P (xl , xk ), ∀xk ∈ x fornece o conjunto fuzzy das alternativas que não são dominadas
por xl . Assim, a função de pertinência do conjunto das alternativas não dominadas pode
ser expressa como:
µN D,R (xk ) = min[1 − µR (xl , xk )] = 1 − max µR (xl , xk ) (62)

xl ∈x xl ∈x
que permite avaliar o nı́vel de não dominância de cada alternativa xk .

Considerando que é razoável escolher alternativas de acordo com os nı́veis mais
altos de não dominância, podem-se apontar as alternativas não dominadas xN D como se
segue:
xN D = xN D,k | xN D,k ∈ x, µN D,R (xN D,k ) = max µN D,R (xk ) (63)
xk ∈x
74
Problemas de escolha, bem como problemas relacionados a avaliação, comparação,

priorização, e/ou ordenação de alternativas de acordo com um único critério podem ser
analisadas utilizando-se (45) (62)-(63).
6.1 Primeira técnica para análise de Modelos < X, R >
De modo particular, as expressões (45), (62)-(63) podem servir como base para a
aplicação da primeira técnica de análise de modelos < X, R > para tomada de decisão
multiatributo, considerando R = ∩qi=1 Ri , ou seja:
µR (xk , xl ) = min µRi (xk , xl ), xk , xl ∈ x (64)

1≤i≤q
Quando aplica-se esta interseção entre as relações de preferências fuzzy mono-

objetivo, o conjunto xN D cumpre o papel de conjunto Pareto (ORLOVSKI, 1981).
A Figura 9 apresenta um esquema ilustrativo da aplicação da primeira técnica:
Figura 9 – Ilustração das etapas gerais da primeira técnica
1. Interseção entre as RPFNR.

Equação (64)
1 0,60 0,32
𝜇 𝑥 ,𝑥 = 0 1 0,86
0,14 1 1
2. Função de Orlovski
RPFNR  RPFE
Equação (45)
0 0,60 0,18
𝜇 𝑥 ,𝑥 = 0 0 0
0 0,14 0
3. Complemento
Equação (62)
𝜇 𝑥 = 1 0,40 0,82
4. Alternativas não dominadas

Equação (63)
𝑥 ≻𝑥 ≻𝑥
75
6.2 Segunda técnica para análise de Modelos < X, R >
A segunda técnica para análise dos modelos < X, R > possui caráter lexicográfico
e está associada com a introdução passo-a-passo de critérios para comparações entre alter-
nativas (exemplos numéricos podem ser consultados em (PEDRYCZ; EKEL; PARREIRAS,
2011) (EKEL et al., 2016)).
6.3 Terceira técnica para análise de Modelos < X, R >
A terceira técnica utiliza a expressão (62) escrita como
µN D,Ri (xk ) = 1 − sup µRi (xl , xk ), i = 1, ..., q (65)

xl ∈x
que permite construir a função de pertinência do conjunto das alternativas não-dominadas

para cada relação de preferência.
As funções de pertinência µN D,Ri (xk ), i = 1, ..., q desempenham um papel idêntico
aos das funções de pertinência que substituem as funções objetivo fi (x), i = 1, ..., q
na solução de problemas tradicionais de otimização multiobjetivo (PEDRYCZ; EKEL;
PARREIRAS, 2011), (EKEL et al., 2016) baseados na abordagem de Bellman-Zadeh
para tomada de decisões em ambiente fuzzy (BELLMAN; ZADEH, 1970). Desta forma, é
possı́vel construir
µN D (xk ) = min µN D,Ri (xk ) (66)
1≤i≤q
a fim de obter xN D .
A Figura 10 apresenta uma ilustração com as etapas gerais da terceira técnica.
A primeira técnica pode gerar soluções diferentes dos resultados obtidos com base
na segunda técnica. Além disso, soluções baseadas na primeira e terceira técnicas, que
possuem a mesma base genérica, podem também ser diferentes. Ao mesmo tempo, a
terceira técnica é preferı́vel de um ponto de vista substancial. Especificamente, o uso da
primeira técnica pode direcionar a escolha para alternativas com o grau de não-dominância
igual a um, mesmo que essas alternativas não sejam as melhores do ponto de vista de
todas as relações de preferência. O terceiro procedimento pode dar esse resultado apenas
para alternativas que são as melhores soluções do ponto de vista de todas as relações de
preferência fuzzy. Considerando o exposto acima, é a prerrogativa do decisor a escolha da
abordagem mais adequada.
76
Figura 10 – Ilustração das etapas gerais da terceira técnica
1. RPFNR
𝜇 𝑥 ,𝑥 ,𝜇 𝑥 ,𝑥 ,…,𝜇 𝑥 ,𝑥
2. Função de Orlovski. RPFNR  RPFE

Equação (45)
𝜇 𝑥 ,𝑥 ,𝜇 𝑥 ,𝑥 ,…,𝜇 𝑥 ,𝑥
3. Complemento para cada RPFE

Equação (62)
𝜇 𝑥 = 1 − max 𝜇 𝑥 ,𝑥 ;
𝜇 𝑥 = 1 − max 𝜇 𝑥 ,𝑥 ;
.
.
.
𝜇 𝑥 = 1 − max 𝜇 𝑥 ,𝑥 .
4. Interseção
Equação (66)
𝜇 𝑥 ∩𝜇 𝑥 ∩ … ∩𝜇 𝑥
5. Alternativas não dominadas

Equação (63)
Além disso, Pedrycz, Ekel e Parreiras (2011) incluem a descrição de outras técnicas.
Uma delas é baseada na abordagem de ordenação (Outranking Approach) (por meio da
versão fuzzy do método PROMETHE (BRANS; VINCKE, 1985)).
6.4 Técnica baseada no operador OWA para análise de Modelos < X, R >
Outra técnica proposta pelos autores utiliza alguns conceitos já abordados neste
trabalho, relacionados a aplicação do operador OWA (YAGER, 1988) e de suas modificações.
De modo particular, esta abordagem permite ajustar o nı́vel de otimismo e pessi-
mismo das decisões por meio da aplicação do operador OWA. Neste sentido, é possı́vel
reescrever a Equação 6 como:
q
X
µR (xk , xl ) = OWA(µR1 (xk , xl ), ..., µRq (xk , xl )) = w i bi (67)
i=1
77
onde bi é o i-ésimo maior elemento de µR1 (xk , xl ), ..., µRq (xk , xl ). Novamente, o conjunto
de pesos w1 , ..., wq deve satisfazer a condição wq ∈ [0, 1] e qi=1 wi = 1.
P
Conforme mencionado na Seção 3.1.2 diferentes ajustes do vetor de pesos de

ordenação refletem diferentes atitudes de decisão, caracterizadas por diferentes nı́veis
de compensação entre os critérios, agora, relações de preferência fuzzy. Uma forma de
determinar tais pesos é por meio da utilização dos quantificadores linguı́sticos (Seção
3.1.3).
Assim a utilização do operador OWA permite obter-se uma matriz global de Relações
de Preferência Não Estritas (matriz agregada). Desta matriz é possı́vel obter-se um ranking
das alternativas por meio da aplicação do Quantifier Guided Dominance Degree (QGDD):
QGDD(xk ) = OWA(µR (xk , xl ), k, l = 1, ..., q l 6= k (68)
QGDD(xk ) reflete o nı́vel de dominância de xk sobre as outras alternativas, no

mesmo sentido do quantificador linguı́stico escolhido.
Também é possı́vel realizar a avalição por meio do Quantifier Guided Nondominace
Degre (QGNDD), caracterizado por:
QGNDD(xk ) = OWA(1 − P (xl , xk ), k, l = 1, ..., q l 6= k (69)
Considerando a escolha das melhores alternativas por meio do nı́vel mais alto de
não dominância, as alternativas xN D podem ser determinadas por meio de uma expressão
similar a Equação (63).
A Figura 11 apresenta um esquema ilustrativo com as principais etapas da técnica
baseada no operador OWA. É possı́vel notar que, neste esquema, o cálculo do QGDD e do
QGNDD apresentam o mesmo resultado, apontando que a alternativa x1 é a pior, porém
não é possı́vel distinguir entre as alternativas x2 e x3 . Em casos como este, para obter a
ordenação das alternativas, o decisor pode gerar uma nova matriz global de RPFNR, por
meio de outros quantificadores lı́nguı́sticos, menos compensatórios, e repetir os cálculos
Todas as técnicas para modelagem de preferências em ambiente fuzzy discutidas
acima também podem ser utilizadas para a tomada de decisão multicritério em grupo
78
Figura 11 – Ilustração das etapas gerais da técnica baseada no operador OWA

2. Cálculo do QGDD: nova agregação
1. Geração da matriz baseada no operador OWA
global de RPFNR. desconsiderando a diagonal
Equação (67) Equação (68) Agregação MIN
1 1 0,60 1 0,60 × 0 1 = 0,60
QGDD(𝑥 ) = 𝜇 𝑥 , 𝑥 = 1 1 1 1 1 × 0 1 =1
1 1 1 1 1 × 0 1 =1
𝑥 e 𝑥 dominam
𝑥 , porém não é
3. Cálculo do QGNDD possível distinguir
entre as duas.
Obtenção da RPE
Equação (45)
0 0 0
1
11 𝜇 𝑥 ,𝑥 = 0 0 0
0,60 Argumentos
1 11 0,60 0,40 0 0
0,2 0 × 1 0,32
ordenados
0,14 × 1 0,91 1 × Equação (69)
0 1 1 1
× 1 1
0,60 0,94 1
0 0 × 0,86 0 QGDND(𝑥 ) = 𝜇 𝑥 , 𝑥 = 1 1 1
1 1
0 0 1 1
1 0 1 ×
0 0,60 1 1
0 1 Pesos ordenados do
× 0 1 1
1 0
1 1 operador OWA
×
0 × 0 Nova agregação baseada 1 1 1
1 Agregação MAX
0 0 1 no operador OWA: 0,60 1 1
0
0 × × ×
0 Agregação MIN Novamente, 𝑥 e
0 0 0
𝑥 dominam 𝑥 ,
1 1 1
porém não é
possível distinguir
0,60 1 1 entre as duas.
A Figura 12 apresenta as etapas gerais que embasam a aplicação dos modelos

< X, R > para a avaliação multi-atributo das alternativas de solução sob análise.
Figura 12 – Fluxograma com as etapas gerais da aplicação dos modelos < X, R > de
decisão.
SECOND STAGE OF THE PROPPOSED METHOD
Alternativas de solução.
e the 𝑋 , 𝑘 = 1, … , 𝐾
tives in accordance of
= 1, … , 𝑞 quantitative
qualitative criteria. Determinação dos critérios relevantes
para a análise multiatributo.
ct the fuzzy preference
s to the all alternatives.
y (50) for numerical
es and (32) (33) for fuzzy Obtenção das preferências (quantitativas
alternatives. e qualitativas) representadas de acordo
m them in a same format.
com algum formato pertinente.
e, in nonreciprocal fuzzy
rence relations. For
al alternatives, use (51). Transformação das preferências para um
mesmo formato. No caso, Relações de
, for example, a First
Technique. Preferência F𝑢𝑧𝑧𝑦 Não Recíprocas.
ruct the intersection

𝑅 by means (38). Determinação e utilização de uma das
técnicas para análise de Modelos <X, R>.
truct the fuzzy strict
ence relation eq (35).
) for generate the set of

Geração do conjunto de alternativas não
ominated alternatives. dominadas.
Is the problem Yes

END Fonte: Elaborado a partir de Pedrycz, Ekel e Parreiras (2011)
olution obtained?
No
dd more criteria
79
7 Análise em dois estágios para problemas espaciais em condições de incer-

tezas
De modo geral, os modelos e métodos descritos pelas seções anteriores permitem a

proposição de uma análise em dois estágios para a resolução de problemas espaciais em
condições de incerteza. A Figura (13) aponta e ilustra as etapas gerais desta análise, que é
utilizada nas seções seguintes, no contexto dos estudos de caso.
A primeira etapa da análise se inicia com o levantamento dos critérios espaciais
relevantes para a decisão. Aqui o decisor, ou um grupo de decisores, podem considerar ou
não a importância relativa desses critérios de acordo com seus conhecimentos e experiência.
A consideração dessa importância é realizada por meio da modelagem de preferências de
acordo com diferentes formatos: ordenação de alternativas, estimativas fuzzy e RPM. A
possibilidade de utilizar-se diferentes formatos para expressar as preferências de decisores
diferentes é relevante pois é bastante razoável considerar que um decisor se sinta mais
a vontade em expressar sua opinião de acordo com um formato especı́fico, que pode
diferir de outro decisor. Em trabalhos semelhantes as avaliações do grupo são refletidas
sempre por meio de um único formato, no caso as RPM (GARNI; AWASTHI, 2018),
(MERROUNI et al., 2018), (YUSHCHENKO et al., 2018), (LI, 2018), (VASILEIOU;
LOUKOGEORGAKI; G.VAGIONA, 2017), (GARNI; AWASTHI, 2017), (DOORGA;
RUGHOOPUTH; BOOJHAWON, 2019), (ALI et al., 2019), (ALY; JENSEN; PEDERSEN,
2017), (DIAZ-CUEVAS et al., 2018), (MARQUES-PEREZ et al., 2020), (GIAMALAKI;
TSOUTSOS, 2019). Após geradas as preferências elas são convertidas em RPM por meio
de funções de transformação adequadas e são processadas por meio dos fundamentos
metodológicos do Método AHP para a geração de pesos de importância individuais. Estes
pesos são então agregados por meio do operador OWA, que permite gerar um vetor de pesos
global (que reflete as avaliações do grupo) por meio de diferentes atitudes de compensação.
Ressalta-se que este trabalho considera que todos os decisores possuem o mesmo
nı́vel de importância no grupo.
Em seguida a abordagem possibilı́stica é adaptada e aplicada para consideração das
incertezas dos dados iniciais, ou seja, a incerteza relacionada aos valores dos geocampos
que caracterizam os critérios espaciais. Neste sentido são criados diferentes cenários
de análise onde o problema espacial é resolvido por meio da agregação multicritério
baseada no operador OWA. As alternativas de solução encontradas são utilizadas para a
80
construção e análise de matrizes payoff. Para tanto os critérios de escolha considerados

(Wald, Laplace, Savage e Hurwicz) são utilizados como funções objetivo, o que permite
analisar as matrizes e obter-se soluções multiobjetivo robustas (de acordo com Pereira
et al. (2015) e Pereira (2014)). Não foram identificados (até a data de finalização desta
pesquisa) trabalhos relacionados que utilizem esta abordagem para o tratamento de
incertezas em problemas espaciais. Neste sentido, é comum em trabalhos semelhantes a
utilização da abordagem probabilı́stica (CROSETTO; TARANTOLA; SALTELLI, 2000),
(FEIZIZADEH; JANKOWSKI; BLASCHKE, 2014), (MALCZEWSKI; RINNER, 2015).
Uma vantagem da utilização da primeira em detrimento da última é que, em problemas
reais, muitas vezes, as funções de distribuição de probabilidades que melhor descreveriam os
problemas tratados não são conhecidas e/ou não existem informações suficientes para sua
determinação e construção. Além disso, a abordagem possibilı́stica é uma abordagem com
caráter universal, uma vez que permite, por exemplo, refletir distribuições de probabilidade
que sejam conhecidas.
A análise realizada até aqui pode permitir a determinação de uma única alternativa
de solução e, portanto, a resolução final do problema espacial. Porém, neste ponto é
possı́vel que algumas alternativas não possam ser formalmente diferenciadas, o que leva
a utilização da segunda etapa da análise, que permite a reavaliação das alternativas de
acordo com critérios adicionais, que podem ter caráter quantitativo, qualitativo, espacial e
não-espacial. Aqui são utilizados os fundamentos metodológicos dos Modelos < X, R >,
utilizados pela primeira vez para a análise de problemas espaciais (SILVA et al., 2020).
Assim, pode-se perceber que a análise em dois estágios proposta possui como
diferencial a capacidade de reunir uma ampla gama de informações - critérios de caráter
espacial, não espacial, quantitativo, qualitativo e preferências de decisores - que permitem
uma investigação bastante aprofundada de problemas espaciais, tratando incertezas internas
e externas (conforme classificação de Durbach e Stewart (2012)) de forma sistemática.
Outra contribuição bastante relevante deste trabalho são os estudos de caso que
serão apresentados nos capı́tulos seguintes. De modo particular, o estudo relacionado à
determinação de alternativas locacionais para geração renovável, além de aplicar a análise
descrita detalhadamente, aborda a temática da complementaridade energética, gerando
mapas de complementaridade para as fontes eólica e solar no Estado de Minas Gerais
(SILVA et al., 2020). Atualmente existem estudos relacionados ao potencial energético
81
disponı́vel neste Estado, porém nenhum deles aborda aspectos ligados à complementaridade
sazonal (CEMIG, 2012), (CEMIG, 2010), (CEMIG, 2017).
O segundo estudo de caso trata de um problema bastante novo, ligado a análise de
alternativas de investimento em transmissão na fase preparatória para participação em
leilões. A principal vantagem da aplicação da análise em dois estágios a este problema é a
possibilidade da consideração de uma ampla gama de critérios (inclusive preferências de
decisores) no processo decisório, o que, dado o contexto de carência de informações em
que esse problema geralmente se situa, é bastante relevante (EKEL et al., 2019).
82
Figura 13 – Visão geral dos modelos e métodos utilizados
PRIMEIRA ETAPA DA ANÁLISE

AVALIAÇÃO
Obtenção das informações DOS CRITÉRIOS
AMCE Determinação dos n critérios relacionadas às preferências ESPACIAIS
espaciais. de cada decisor sobre os
critérios.
Conversão dos formatos de

Os critérios Sim preferência em Relações de
possuem graus Preferência Multiplicativa.
de importância
variáveis?
Determinação dos autovalores
Não de cada Relação de
Preferência Multiplicativa.
Modelagem geográfica dos
critérios (conversão para
geocampos).
Os autovalores Não
Ex.: utilização são próximos a
Determinação de S cenários de
das LPτ dimensionalidade
análise.
Sequences. das relações (n)?
Normalização Conversão dos critérios para Sim

baseada em unidades comparáveis..
conjuntos fuzzy Determinação dos autovetores
e/ou conversão (vetores de preferência) de
para valores Análise multicritério em cada cada Relação de Preferência
monetários. cenário baseada no operador Multiplicativa.
OWA. Baseada em um
Agregação das preferências Quantificador
baseada do operador OWA. Linguístico
Construção do mapa de Fuzzy.
decisão.
Identificação Construção de um vetor de
das localidades preferências global (grupo).
favoráveis. Determinação das alternativas
de solução.
Identificação SEGUNDA ETAPA DA ANÁLISE
do caminho de
custo mínimo. MODELOS <X, R>
Construção de n matrizes
payoff. Resultados da
implementação da AMCE:
um conjunto de soluções
alternativas xk, k = 1, ..., K.
Construção de n matrizes com
as estimativas dos critérios de
escolha. Determinação dos critérios
adicionais.
Construção de n matrizes
modificadas com as Obtenção de informações De acordo com
estimativas dos critérios de relacionadas as preferências formatos de
escolha. sobre as alternativas preferência
analisadas. apropriados.
Aplicação da
Construção da matriz agregada
abordagem de Conversão das preferências
das estimativas dos critérios de
Bellman- em Relações de Preferência
escolha.
Zadeh. Fuzzy Não Recíprocas.
Escolha da(s) alternativa(s) de

solução. Determinação e utilização de
uma das técnicas para análise
de Modelos <X, R>.
Sim A solução do
Geração do conjunto de
FIM problema foi
alternativas não dominadas.
obtida?
Não
Construção e análise dos Sim
A solução do
Modelos <X, R>. FIM
problema foi
obtida?
ABORDAGEM POSSIBILÍSTICA
Não
Inclusão de novos critérios.
83
8 Problemas espaciais analisados
8.1 Análise de alternativas locacionais para a geração renovável
A energia renovável é caracterizada como aquela advinda de fontes que se renovam

naturalmente em ciclos de vida menores que 100 anos e cuja disponibilidade não é afetada
pelo consumo (RAMACHANDRA; SHRUTHI, 2007). A geração de energia por meio
da utilização de fontes renováveis tem sido um assunto que cada vez mais tem ganhado
relevância ao longo das últimas décadas. As principais motivações para tanto, dizem respeito
as frequentes oscilações nos preços dos combustı́veis fósseis, bem como a disponibilidade
destes, que tem se tornado cada vez mais escassa. Além disso, as mudanças no clima
têm exigido que novas estratégias não ambientalmente nocivas sejam empregadas para o
atendimento das demandas da sociedade (BARANES; JACQMIN; POUDOU, 2017).
Contudo, o aproveitamento energético dessas fontes deve observar algumas carac-
terı́sticas importantes, como a natureza intermitente de sua disponibilidade. Uma forma
de lidar com as descontinuidades da geração é o armazenamento de energia para garantia
do suprimento (LAMADRID, 2015). Outra alternativa (ou mesmo uma medida conjunta)
seria a utilização de sistemas de energia hı́bridos, ou seja, que utilizam mais de uma fonte
de energia de maneira integrada.
8.1.1 Aspectos ligados a complementaridade energética
Os recursos renováveis impõem alguns desafios relacionados ao seu aproveitamento

energético. Dentre eles, o seu caráter não controlável. Essas fontes apresentam flutuações
em sua disponibilidade, no horizonte diário, mensal e anual. Além disso, elas exigem altos
investimentos iniciais e possuem baixas eficiências de conversão associadas. Neste sentido, a
inserção de mecanismos de geração complementar pode levar a um melhor desempenho de
um sistema, bem como a um mais efetivo aproveitamento de recursos. Este tipo de sistema,
também chamado sistema hı́brido, utiliza duas ou mais fontes de geração de maneira
integrada e exige um gerenciamento eficiente da energia disponı́vel bem como daquela
acumulada em sistemas de armazenamento (BAGATINI et al., 2017). Sua operação pode
objetivar o atendimento de demandas conhecidas ou mesmo a alimentação de rede com
84
excedentes de energia (YILMAZ; HOCAOGLU; KONUKMAN, 2008), (LUNA-RUBIO et

al., 2012).
A complementaridade energética pode ocorrer no tempo, no espaço ou em ambos,
entre fontes diferentes ou iguais. A complementaridade no espaço ocorre quando duas
ou mais fontes complementam-se em uma determinada região. A complementaridade no
tempo diz respeito a fontes cujas flutuações da disponibilidade se complementam em um
determinado horizonte temporal (BAGATINI et al., 2017). Levando em conta que alguns
recursos renováveis podem apresentar um perfil complementar ao longo de um determinado
perı́odo, geralmente um ano, Beluco, Souza e Krenzinger (2008) propuseram um ı́ndice
adimensional ∈ [0, 1] para avaliar a complementaridade entre duas fontes de energia. Esse
ı́ndice baseia-se em três componentes principais, consideradas para um mesmo horizonte
temporal:
• Na diferença de fase entre os valores de disponibilidade das duas fontes (que caracte-
rizam a complementaridade temporal). Considerando a complementaridade anual,
no perı́odo do ano em que um dos recursos apresentar sua disponibilidade total, o
outro recurso deverá disponibilizar sua capacidade mı́nima de geração e vice-versa.
Neste caso, diz-se que a complementaridade no tempo é total. Em casos onde as
disponibilidades não apresentam seus valores máximos e mı́nimos instantaneamente,
porém ainda assim apresentam perfis de disponibilidade defasados, diz-se que a
complementaridade no tempo é parcial.
• Na relação entre os valores médios de disponibilidade energética das fontes (que
caracterizam a complementaridade energética). No caso desses valores serem iguais,
diz-se que as fontes são perfeitamente complementares, a medida que a diferença
entre os valores aumenta, a complementaridade torna-se parcial, tendendo a zero;
• Na variação das amplitudes das disponibilidades energéticas das fontes, caracterizadas
como a diferença entre os valores mı́nimos e máximos (que caracterizam a comple-
mentaridade em amplitude). Novamente, quando os valores são iguais, diz-se que a
complementaridade é total. Valores intermediários caracterizam a complementaridade
imperfeita.
A Figura 14 ilustra o conceito de complementaridade energética e os princı́pios

apresentados.
85
Figura 14 – Ilustração do conceito de complementaridade energética
O mínimo da disponibilidade energética

de uma fonte coincide com o máximo
da disponibilidade da outra fonte.
1,2
As amplitudes das
variações da
1 disponibilidade
Disponibilidade de energia
energética das duas

fontes são iguais.
0,8
Os valores médios das Os mínimos das

0,6 variações das disponibilidades
disponibilidades energéticas estão
energéticas são iguais. defasados meio ano.
0,4
0,2
Energia da primeira fonte
Energia da segunda fonte
0,25 0,5 0,75 1

Ano
Fonte: Adaptado de (BELUCO; SOUZA; KRENZINGER, 2008), (BAGATINI et al., 2017)
As equações utilizadas para a determinação do ı́ndice mencionado são descritas a

seguir, em conformidade com diferentes trabalhos (BELUCO; SOUZA; KRENZINGER,
2003), (BELUCO; SOUZA; KRENZINGER, 2008), (BELUCO et al., 2015), (PIANEZ-
ZOLA; KRENZINGER; CANALES, 2017), (BORBA; BRITO, 2017), (PIANEZZOLA;
KRENZINGER; CANALES, 2017) (JURASZ et al., 2020). O ı́ndice de complementaridade
total, Itotal , baseado na determinação de três outros ı́ndices parciais, pode ser apresentado
da seguinte forma:
Itotal = Itempo .Ienergia .Iamplitude (70)
onde Itempo é o ı́ndice parcial de complementaridade no tempo, Ienergia é o ı́ndice parcial

de complementaridade energética e Iamplitude é o ı́ndice parcial de complementaridade em
amplitude.
86
O ı́ndice de complementaridade parcial no tempo, Itempo , avalia o intervalo de tempo

entre os valores mı́nimos de disponibilidade de duas fontes e pode ser apresentado da
seguinte maneira:
|d1i − d2i |
Itempo = p (71)
|D1i − d1i ||D2i − d2i |
onde D1i e D2i são o número do dia de máxima disponibilidade de energia da fonte 1
e da fonte 2 para a i-ésima coordenada espacial, respectivamente, assim como d1i e d2i
são o número do dia de mı́nima disponibilidade da fonte 1 e da fonte 2, para a i-ésima
coordenada espacial. Se o intervalo entre os valores mı́nimos for metade do perı́odo de
tempo considerado, o ı́ndice deverá ser igual a 1. Caso os mı́nimos sejam coincidentes, o
ı́ndice será igual a zero.
De modo a simplificar as estimativas, a equação (71) pode ser reescrita como:
|d1i − d2i | |d1i − d2i |

Itempo = √ = (72)
180 × 180 180
considerando que as diferenças (D − d) são iguais a meio perı́odo.
O ı́ndice de complementaridade parcial energética, Ienergia avalia a relação entre os
valores médios de disponibilidade energética e pode ser obtido da seguinte maneira:
|E1i − E2i |
Ienergia = 1 − (73)
|E1i + E2i |
onde E1i e E2i são as quantidades totais de energia da fonte 1 e 2, respectivamente,
disponibilizadas durante o ano. Se os valores médios forem iguais, o ı́ndice deve ser igual
a 1. Se estes valores forem diferentes, o ı́ndice se torna menor que 1, tendendo a zero
conforme as diferenças aumentem.
O ı́ndice parcial de complementaridade em amplitude, Iamplitude , é definido pela
equação
h i
 1− (δ1i −δ2i )2
, para δ1i ≤ δ2i

(1−δ2i )2
Iamplitude = h i (74)
(1−δ2i )2
para δ1i ≥ δ2i .


(1−δ2i )2 +(δ1i −δ2i )2
Este ı́ndice é obtido a partir de uma manipulação adequada entre os parâmetros δ1i e δ2i ,
que são definidos como:
Edmini
δ =2− (75)
Edmaxi
87
onde Edmini e Edmaxi são a mı́nima e a máxima disponibilidade energética diária de cada
fonte avaliada no perı́odo de tempo considerado, para a i-ésima localização. Tal ı́ndice
avalia a relação entre os valores de disponibilidade máxima e mı́nima (amplitude) das
duas funções de disponibilidade energética. Se a razão entre os valores de disponibilidade
máxima e mı́nima da fonte 1 for igual ao valor da mesma razão calculada para a fonte 2
(ou seja, δ1i = δ2i = 1), o ı́ndice (74) será igual a 1. Se estes valores foram diferentes, o
ı́ndice tende a se tornar menor e tender a zero, conforme as diferenças aumentem.
Além do caráter estocástico das fontes renováveis, estas também apresentam como
caracterı́stica a sua dispersão irregular ao longo do globo terrestre. Os recursos renováveis
muitas vezes estão disponı́veis em locais que impossibilitam ou dificultam seus aproveita-
mentos energéticos devido ao risco que isso poderia representar para patrimônios ambientais
ou mesmo culturais (AYDIN; KENTEL; DUZGUN, 2013). Sistemas renováveis são fre-
quentemente vistos como um empreendimento de risco. Eles envolvem altos investimentos
iniciais e longos perı́odos de retorno (longos perı́odos de payback ), que correspondem a
décadas, onde o lucro é acumulado pela venda de energia ou pela redução com os gastos
com eletricidade (no caso de sistemas de auto-produção).
Desta forma, no que tange a investimento em geração, os cenários descritos exigem
dos empreendedores um cuidadoso processo de tomada de decisão. Não se trata apenas
do conhecimento da disponibilidade dos recursos energéticos, mas de todas as exigências
técnicas, ambientais e sociais envolvidas no processo de decisão, que, por vezes, são confli-
tantes entre si. Nesse contexto, insere-se com êxito a adoção da AMCE, uma ferramenta
que possibilita a tomada de decisão consistente, pautada por uma análise que contempla
as dimensões e critérios mais relevantes do problema, e que, aliada aos estágios da análise
proposta, permite o tratamento eficiente de incertezas e a incorporação de dados objetivos
e juı́zos de natureza subjetiva envolvidos no problema tratado.
8.2 Priorização de alternativas de investimento em empreendimentos de transmissão de

energia elétrica, no estágio prospectivo
No Brasil, a prestação do serviço público de transmissão se dá por meio de con-

cessões, onde a outorga da concessão é realizada mediante processo licitatório. Por meio
de delegação do Ministério de Minas e Energia (MME), o processo de licitação é de
responsabilidade da Agência Nacional de Energia Elétrica (ANEEL), órgão regulador do
88
setor elétrico no paı́s. Cabe à Empresa de Pesquisa Energética (EPE) o desenvolvimento

do planejamento de médio e longo prazo da expansão dos sistemas de transmissão, de
forma a garantir o atendimento às demandas crescentes impostas pela sociedade. Neste
sentido, a EPE elabora documentos em caráter especial, como é o caso das Notas Técnicas
que visam fornecer orientações e informações relevantes para situações especı́ficas, como
também as publicações anuais. Destas últimas, destacam-se o Programa de Expansão da
Transmissão/Plano de Expansão de Longo Prazo (PET/PELP) e o Plano Decenal de
Expansão (PDE). Esses documentos contêm os resultados dos estudos prospectivos do
setor e apontam os empreendimentos que deverão ser implantados em horizontes de 6 e
10 anos, respectivamente. Eles não apresentam detalhes da formação dos lotes a serem
leiloados, ou mesmo uma previsão de quando, dentro dos horizontes temporais em questão,
os empreendimentos irão a leilão. Além disso, estes documentos são atualizados anualmente.
O MME consolida as indicações do Planejamento Setorial e emite o Plano de Outorgas
Determinativo, que estabelece os empreendimentos a serem implantados, emitindo as
solicitações de contratação e seus tempos ideais de entrada em operação. Não é feita a
formação de lotes e nem informado quantos leilões serão realizados. A ANEEL, de posse
das obras solicitadas e de todos os documentos e informações em questão, inicia a instrução
do leilão, definindo: o número de lotes, o investimento estimado, a receita teto, o prazo
para a entrada em operação comercial e submete a documentação do leilão ao Tribunal de
Contas da União (TCU). A proposta de edital do leilão é então colocada em Audiência
Pública da ANEEL, ficando aberta às contribuições da sociedade e investidores. Finalizada
esta etapa, a ANEEL aprova e disponibiliza a versão definitiva do edital, que é publicada,
em média, uma mês antes da realização do leilão. Os empreendedores que ganham o direito
de explorar o serviço de transmissão devem apresentar propostas com as menores receitas
associadas, ou RAP (Receita Anual Permitida) que é a remuneração que as transmissoras
recebem pela prestação do serviço público de transmissão aos usuários). As transmissoras
devem prestar seus serviços de acordo com as regras e critérios determinados pela ANEEL
e sob supervisão da ONS.
Este cenário demonstra parte das limitações impostas às concessionárias e investido-
res, uma vez que informações relevantes para a elaboração de propostas são disponibilizadas
em prazos bastante curtos em relação à realização do leilão. Assim, empresas interessadas
em empreendimentos especı́ficos (por passarem dentro de suas áreas de concessão, por
exemplo) são diretamente afetadas. Deste modo, a antecipação de estudos prospectivos
89
relacioandos a novos empreendimentos a serem licitados tende a se mostrar vantajosa para

investidores e concessionárias interessadas na prestação dos serviçoes de transmissão.
Dado o ambiente de incertezas envolvido na maior parte do perı́odo de preparação
para os leilões de transmissão, as decisões sobre os lotes e propostas devem ser tratadas
com base em um conjunto de critérios relacionados às caracterı́sticas técnicas dos em-
preendimentos, competição prevista e remuneração ao longo da concessão, entre outros
aspectos. Muitas vezes, tais critérios são de difı́cil quantificação, com um grande número
de fatores influenciando as avaliações das alternativas. Neste cenário, a participação de
especialistas e seus julgamentos subjetivos, torna possı́vel incorporar à análise as possı́veis
consequências de eventos imprecisos. A análise proposta neste trabalho busca ir ao en-
contro dessas necessidades, fornecendo aos investidores uma ferramenta de preparação
para a participação em leilões, que considera as incertezas envolvidas, congrega critérios
de natureza diversa e proporciona mecanismos para a consideração de valores de caráter
qualitativo, relacionados às preferências e conhecimento de decisores.
90
9 Análise de alternativas locacionais para empreendimentos de geração de

energia renovável
9.1 Levantamento dos critérios espaciais e restrições relevantes para a decisão
Existem vários aspectos relevantes que influenciam um problema espacial e podem

vir a caracterizar um critério de análise em processos decisórios. Contudo, a quantidade
e os tipos de critérios utilizados em uma determinada análise também dependem do
conhecimento, experiência e intuição dos especialistas e decisores envolvidos. Neste sentido,
a Tabela 10 apresenta os critérios adotados neste trabalho, que foram determinados com
base na revisão da literatura correlacionada.
Tabela 10 – Critérios relevantes para o problema de decisão.

Critério Tipo Fonte dos dados
Potencial de complementaridade energética (c1 ) Objetivo/Fator (NASA, 2014)
(NASA, 2005)
Valor econômico das áreas (c2 ) Objetivo/Fator (IBGE, 2014)
(EMATER-MG,
2019)
Áreas de baixa declividade (c3 ) Objetivo/Fator (CPRM, 2010)
Proximidade de corpos hı́dricos (c4 ) Objetivo/Fator (IBGE, 2015a)
Conexão ao sistema de transmissão (c5 ) Objetivo/Fator (ANEEL, 2018b)
Acessibilidade (c6 ) Objetivo/Fator (IBGE, 2015c)
Presença de corpos hı́dricos e pântanos (c7 ) Restrição (IBGE, 2015a)
Presença de áreas urbanizadas (c8 ) Restrição (IBGE, 2015b)
Presença de unidades de conservação de Restrição (MMA, 2010)
proteção integral (c9 )
Presença de terras indı́genas (c10 ) Restrição (MMA, 2010)
Presença de quilombos (c11 ) Restrição (MMA, 2010)
9.2 Composição da base de dados georreferenciada
A base de dados criada para a realização dos Estudos de Caso foi gerada por meio
de arquivos (formato shapefile) livres, disponibilizados ao público em geral, (NASA, 2014),
(NASA, 2005), (CEPEL, 2004), (CEPEL, 2009), (CPRM, 2010), (IBGE, 2015b), (IBGE,
2015a), (IBGE, 2015c), (IBGE, 2014), (IBGE, 2018), (ANEEL, 2018b), (EMATER-MG,
2019).
Os arquivos foram processados por softwares especı́ficos de geoprocessamento:
ArcGis e QGis, que permitiram converter todos os arquivos para um mesmo sistema de
91
projeção, para o formato raster, e exportar esses arquivos no formato ASCII. Este último
foi importado para o software MatLab, onde foram implementados os modelos de decisão.
Os geocampos gerados pelo MatLab foram salvos também no formato ASCII, de modo
a possibilitar sua visualização e edição em outros softwares. Para tanto, foi utilizada a
função disponibilizada em (LANGELLA, 2008).
Neste trabalho, as análises baseadas em informações geográficas devem incluir
elementos bem delimitados e discretos como rios, lagos e elementos artificiais tais como
LTs, municı́pios, áreas de preservação ambiental, etc. São incluı́dos também fenômenos
geográficos contı́nuos como declividade e potencial energético. Enquanto os primeiros são
tratados como geo-objetos e armazenados vetorialmente, os segundos são tratados como
geocampos e armazenados matricialmente (formato raster).
Para a utilização dos métodos adotados, toda a base de dados foi convertida para
o formato raster. Além disso, o processamento de dados espaciais exige que todos estes
dados estejam num mesmo sistema de coordenadas ou projeção geográfica. Existem vários
sistemas e, para cada aplicação é importante determinar-se o mais adequado, visando
minimizar as distorções das informações. Aqui, todos os dados foram convertidos para o
sistema de projeção Continental Cônica Conforme de Lambert especial para a América do
Sul.
A resolução dos rasters foi determinada mediante o procedimento enunciado por
(TOBLER, 1988). Este autor utiliza uma relação em que deve-se dividir o denominador
da escala das bases de dados por 1.000, para encontrar-se o menor tamanho detectável
em metros, do raster gerado. A resolução deste raster, por sua vez, deve ser metade desse
valor. Para um conjunto de dados, deve-se considerar a menor escala dentre todas as bases,
que, no caso deste estudo é utiliza a Carta Internacional ao Milionésimo, de 1:1.000.000.
Assim, utilizou-se uma resolução de 500 metros × 500 metros.
9.2.1 Construção dos geocampos de complementaridade
O geocampo relacionado ao critério “Potencial de complementaridade energética”foi

construı́do mediante o procedimento descrito na seção 8.1.1, que utiliza a metodologia
proposta por Beluco, Souza e Krenzinger (2003) e Beluco, Souza e Krenzinger (2008).
Foram utilizados os dados georreferenciados de potencial solar e velocidade de ventos
92
disponibilizados por (NASA, 2014) e (NASA, 2005) para a determinação dos ı́ndices
de complemetaridade parcial no tempo (Itempo ), complementaridade parcial energética
(Ienergia ), complementaridade parcial em amplitude (Iamplitude ) e complementaridade total
(Itotal ). A construção destes geocampos para o Estado de Minas Gerais é um dos aspectos
originais deste trabalho. Atualmente, existem estudos publicados sobre o potencial solar
(CEMIG, 2012), eólico (CEMIG, 2010) e até de biomassa (CEMIG, 2017) deste Estado,
porém, tratam-se de estudos independentes, que não levam em consideração nenhuma
caracterı́stica de complementaridade existente entre as fontes e nem outros critérios
importantes para a instalação de usinas.
Uma dificuldade ligada a realização de estudos para avaliação espacial de recursos
energéticos é a disponibilidade de dados georreferenciados de qualidade. A base de dados
utilizada possui formato espacializado (arquivo shapefile) com uma resolução espacial de
células de um grau (aproximadamente, 100 km) e fornece valores de disponibilidade médios
mensais de radiação solar e velocidade de ventos calculados com base em séries históricas
de 10 anos ((NASA, 2014), (NASA, 2005)). Ressalta-se que a precisão dessa base de dados
é baixa, e é utilizada aqui para uma avaliação de grande escala, no caso, realizada para
o Estado de Minas Gerais. Resultados mais precisos poderiam ser obtidos a partir de
mapeamentos realizados em uma escala maior e com registros de medição diários. Contudo,
este tipo de base de dados não possui acesso aberto ao público. As informações utilizadas
possuem, portanto, altos nı́veis de incertezas associadas, o que evidencia a importância do
emprego de mecanismos para a consideração da mesma.
Visando simular melhor a disponibilidade anual das fontes energéticas eliminando
valores extremos e fora de tendência, os valores mensais registrados foram aproximados
por um polinômio de quarto grau, ajustado por meio do emprego do Método de Mı́nimo
Quadrados de acordo com Beluco, Souza e Krenzinger (2008). De modo a melhorar o efeito
dessa aproximação, esse processo de interpolação foi realizado considerando a série de
dados como tendo 14 meses, onde o mês 1 considerado foi o mês de dezembro e o mês 14 o
mês de janeiro. Esta consideração teve o intuito de evitar valores fora de tendência nos
extremos da série temporal, o que seria causado apenas pela indisponibilidade de dados.
As análises posteriores foram realizadas considerando o ano com 12 meses, normalmente.
A Figura 15 apresenta o resultado desse processo de interpolação para uma localidade
arbitrária do território mineiro, exibindo os resultados para os valores de radiação solar e
velocidade de ventos.
93
Figura 15 – Perfis anuais originais e ajustados: Radiação solar (esq.) e velocidade de ventos
(dir.)
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
O cálculo de Itempo utilizou valores mensais. Para a determinação de Ienergia foi

necessário realizar a estimativa da energia que pode ser gerada a partir da radiação solar e
das velocidades de ventos, em kWh/m2 . Para estimar a energia gerada a partir da fonte
solar, considerou-se uma eficiência de conversão fotovoltáica ηsolar igual a 17% (SOLAR,
2017). Assim, a energia solar estimada, disponı́vel por área (em kWh/m2 ), foi considerada
como sendo o produto entre a radiação solar media diária disponı́vel, o número de dias do
mês e a eficiência de conversão. A estimativa da energia eólica gerada foi realizada em
conformidade com os trabalhos Pianezzola, Krenzinger e Canales (2017) e SEMC (2002),
por meio do seguinte modelo:
P 1
= .ρ.v 3 .Cp .ηeolica .h (76)
A 2
P
onde A
é igual a energia disponı́vel por área (kWh/m2 ); ρ é a densidade do ar, con-
siderada igual a 1.225 kg/m3 ; v é a velocidade dos ventos (m\s); Cp é o coeficiente
aerodinâmico de potência do rotor, considerado como 0,45; ηeolica é a eficiência do conjunto
gerador/transmissões elétricas considerada 0,98 e h são as horas mensais, iguais a 720.
Ressalta-se que as conversões utilizadas são apenas aproximações, uma vez que
a indisponibilidade de dados impede a construção de distribuições de probabilidades e
estimativas mais precisas.
A Figura 16 apresenta alguns perfis anuais de localidades do território de Minas
Gerais amostradas a partir da base de dados tratada. É possı́vel perceber que os dados
relacionados a disponibilidade solar anual (esq.) apresentam uma clara tendência sazonal,
94
apresentado mı́nimos definidos durante os meses de junho-julho e máximos durante os meses

de janeiro-dezembro. Os perfis relacionados às velocidades de ventos (dir.) apresentam
tendências menos definidas. Os geocampos com os valores mensais ajustados e as médias
anuais são apresentados no Apêndice A.
Figura 16 – Perfis energéticos sazonais: Energia solar e eólica
Os geocampos com os ı́ndices de complementaridade foram elaborados conforme a

metodologia já descrita (BELUCO; SOUZA; KRENZINGER, 2003), (BELUCO; SOUZA;
KRENZINGER, 2008). Os resultados obtidos são apresentados pela Figura 17. É possı́vel
observar que, no que diz respeito a complementaridade no tempo, as regiões de Minas
com os melhores desempenhos estão localizadas a Noroeste, Norte e Nordeste do Estado,
apresentando valores que variam de 0.6 a 1. O ı́ndice de complementaridade entre valores
médios de energia mostra um comportamento semelhante, apresentando, contudo, uma
variação mais uniforme, com as áreas melhor avaliadas também localizadas a Norte,
Noroeste, Nordeste e, em menor quantidade, a Sudeste do Estado, com pequenas ocorrências
no Sul (valores entre 0.6 a 0.9). A complementaridade com relação a amplitude também
apresenta comportamento semelhante, apresentando os melhores desempenhos (valores
entre 0.7 a 1) em áreas a Nordeste do Estado, com ocorrências também a Norte e Noroeste.
Este é o único ı́ndice que destaca regiões melhor avaliadas no Triângulo Mineiro (valores
entre 0.8 a 1). Finalmente, o ı́ndice de complementaridade total apresenta os melhores
valores (0.5 a 0.6) a Nordeste do Estado, com regiões bem avaliadas também a Noroeste.
95
Figura 17 – Índices de complementaridade: A - Índice de complementaridade parcial

temporal, B - Índice de complementaridade parcial energética, C - Índice de
complementaridade parcial em amplitude, D - Índice de complementaridade
total.
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005) aplicando
a metodologia proposta por (BELUCO; SOUZA; KRENZINGER, 2003), (BELUCO; SOUZA;
KRENZINGER, 2008)
De forma a melhor avaliar a capacidade do ı́ndice utilizado em descrever as ca-

racterı́sticas das regiões em termos da complementaridade existente entre seus recursos
energéticos analisados, as figuras 18 e 19 apresentam os perfis relacionados à cada uma
das regiões destacadas no geocampo de complementaridade total. De modo particular,
a Figura 18 apresenta as curvas de geração de energia elétrica estimadas e a Figura 19
apresenta essas mesmas curvas normalizadas.
É possı́vel apontar que as localidades 1 e 2, em conformidade com o geocampo
obtido, possuem valores de complementaridade praticamente nulos. Os mı́nimos e máximos
das disponibilidades energéticas são coincidentes e as curvas normalizadas apresentam
comportamento praticamente igual. A localidade 3 apresenta um desempenho um pouco
melhor, uma vez que os mı́nimos das disponibilidades são defasados em 6 meses (mı́nimo
eólica: dezembro, mı́nimo solar: junho). As localidades 4, 5 e 6 apresentam alguns dos
96
melhores perfis em termos de complementaridade, com mı́nimos defasados em 6 meses ou

próximos disso. As curvas normalizadas permitem avaliar o comportamento complementar
das fontes com maior precisão. É possı́vel observar uma sobreposição mais significativa
entre os mı́nimos e máximos das fontes, num mesmo perı́odo de tempo. As localidades 7,
8 e 9 apresentam desempenho pior, com defasagens imperfeitas entre máximos e mı́nimos
(região 7 - mı́nimo eólica: março, mı́nimo solar: julho; localidade 8 - mı́nimo eólica: abril,
mı́nimo solar: Junho; local 9 - mı́nimo eólica: abril, mı́nimo solar: junho).
97
Figura 18 – Perfis energéticos sazonais: análise de resultados

98
Figura 19 – Perfis energéticos sazonais: análise de resultados - curvas normalizadas

99
9.2.2 Construção do geocampo relacionado ao valor econômico das áreas
O critério relacionado ao valor econômico das áreas foi modelado por meio das
informações disponibilizadas pela Empresa de Assitência Técnica e Extensão Rural de
Minas Gerais (EMATER-MG, 2019) e pelo Instituto Brasileiro de Geografia e Estatı́stica
(IBGE, 2018).
Em EMATER-MG (2019) são disponibilizados os custos de aquisição de terras
nuas para os municı́pios de Minas Gerais, de acordo com quatro principais tipos de
ocupação do solo: terras com aptidão para a agricultura, pastagem plantada, silvicultura
ou pastagem natural e áreas de preservação da fauna e da flora. Contudo, informações
espaciais relacionadas a localização de cada um desses tipos de cobertura dentro dos
municı́pios não são disponibilizadas. Assim, a fim de refinar a espacialização dos custos, foi
utilizado o mapa de uso e ocupação do solo em Minas Gerais (IBGE, 2018), que pemitiu
gerar um geocampo onde foram atribuı́dos os valores de custo das terras (de acordo com
EMATER-MG (2019)) por tipo de ocupação/cobertura da mesma (de acordo com IBGE
(2014)). Contudo, as classes de ocupação do solo destas bases de dados são diferentes.
A base disponibilizada pela IBGE (2018) apresenta as seguintes classes: áreas agrı́colas,
pastagem com manejo, mosaico com ocupações em área florestal, silvicultura, vegetação
florestal, vegetação campestre e mosaico com ocupações em área campestre.
Neste sentido, cada uma dessas tipologias de cobertura recebeu o custo médio de
aquisição de acordo com os valores estabelecidos para as classes definidas pela Emater-MG,
conforme ilustrado pela Tabela 11.
9.3 Modelagem das restrições e critérios como conjuntos fuzzy
A priori, a metodologia proposta atribui ao decisor a tarefa de definir, para cada

critério, a função de pertinência que melhor reflete suas preferências. Neste sentido, as
considerações adotadas por este trabalho são descritas a seguir.
Para os critérios baseados em geocampos construı́dos a partir de operações aplicadas
a geo-objetos, foram criados geocampos de distâncias em relação às entidades de interesse
(rodovias, LTs e corpos hı́dricos) e foi utilizada a Equação 1, que atribui pertinências que
decrescem linearmente com o aumento das distâncias (de maneira semelhante a Equação
100
Tabela 11 – Critérios relevantes para o problema de decisão.

Classes identificadas pelo mapeamento do Classe de ocupação identificada pela
IBGE de uso e ocupação do solo no Estado EMATER que pode ser associada ao ma-
peamento do IBGE
Áreas agrı́colas Lavoura
Pastagem com manejo (esta classe recebeu Pastagem plantada e pastagem natural
o valor médio das classes →)
Mosaico com ocupações em área florestal Lavoura, Silvicultura e Áreas de pre-
(esta classe recebeu o valor médio das clas- servação da fauna e flora
ses →)
Silvicultura Silvicultura
Vegetação florestal (esta classe recebeu o Silvicultura e Áreas de preservação da
valor médio das classes →) fauna e flora
Vegetação campestre (esta classe recebeu o Pastagem plantada e pastagem natural
valor médio das classes →)
Mosaico com ocupações em área campes- Pastagem plantada e pastagem natural
tre (esta classe recebeu o valor médio das
classes →)
2, aplicada à critérios de maximização). Estes geocampos normalizados refletem o fato

de que a proximidade com LTs existentes e rodovias pode significar diminuição de custos
associados com transmissão de eletricidade e transporte de infra-estruturas necessárias.
Além disso, plantas de geração podem necessitar da disponibilidade de água para atividades
de manutenção. O modelo de normalização adotado usa os valores máximos e mı́nimos do
domı́nio como parâmetros para a normalização. Suas utilizações são convincentes porque
são capazes de descrever o comportamento desejado para os critérios (que as regiões se
tornem mais atrativas a medida que estão mais próximas das entidades consideradas:
LTs, rios e rodovias) e não exigem a colocação de outros parâmetros. Por exemplo, no
trabalho de Yushchenko et al. (2018) os autores consideram que regiões localizadas a uma
distância menor que 1 km de LTs são mais apropriadas, de acordo com o critério “Conexão
ao sistema de transmissão c6 ”. Contudo, levando em consideração a extensão territorial
de Minas Gerais, bem como do Brazil, o estabelecimento desse tipo de parâmetro de
maneira realista é bastante difı́cil. De maneira semelhante, o critério “Valor econômico
das áreas c2 ”também foi normalizado por meio da Equação 1, usando os valores de custo
máximo e mı́nimo, devido a dificuldade em estabelecer um parâmetro de custo válido
para o Estado inteiro. Para o critério “Potencial de complementaridade energética c1 ”o
modelo de normalização utilizado foi baseado na Equação 2. Com relação a declividade do
relevo, a normalização buscou refletir uma priorização de áreas mais planas, que podem
101
demandar menores custos associados com a adequação de terreno. De acordo com o Atlas
Solarimétrico de Minas Gerais (CEMIG, 2012), centrais solares fotovoltáicas podem ser
instaladas em regiões com declividades entre 3 a 8%. Deste modo, o critério em questão
foi normalizado por meio do conjunto fuzzy expresso pela equação (4), com os parâmetros
de sp igual a 20 e md igual a 5. As restrições foram modeladas por meio de geocampos
binários, que atribuem 0 às áreas restritivas e 1 às demais áreas do território. Neste
sentido, a presença de áreas urbanizadas foi modelada neste trabalho como um geocampo
de restrição, uma vez que entende-se que tais áreas significariam um fator dificultador à
geração centralizada, devido aos maiores custos envolvidos com a aquisição de terreno e
aos possı́veis efeitos nocivos que este tipo de empreendimento poderia significar para as
populações.
A Tabela 12 resume os critérios analisados, os geocampos gerados para cada critério
e os modelos de normalização utilizados.
Tabela 12 – Critérios relevantes e modelo de normalização.

Critério Geocampo utilizado para norma- Modelo
lização de norma-
lização
Potencial de complementaridade Geocampo com a estimativa do po- Equação 2
energética (c1 ) tencial complementar g(x)c1
Valor econômico das áreas (c2 ) Geocampo de custo estimado por Equação 1
hectare de terra, de acordo com o
uso do solo g(x)c2
Áreas de baixa declividade (c3 ) Declividade do relevo g(x)c3 Equação 4,
sp = 20,
md = 5
Proximidade de corpos hı́dricos Distância de corpos hı́dricos g(x)c4 Equação 1
(c4 )
Conexão ao sistema de trans- Distância de LTs em operação g(x)c5 Equação 1
missão (c5 )
Acessibilidade (c6 ) Distância de rodovias g(x)c6 Equação 1
Presença de corpos hı́dricos e Presença de corpos hı́dricos e Restrição
pântanos (c7 ) pântanos g(x)c7 booleana
Presença de áreas urbanizadas Presença de áreas urbanizadas Restrição
(c8 ) g(x)c8 booleana
Presença de unidades de con- Presença de unidades de con- Restrição
servação de proteção integral (c9 ) servação de proteção integral g(x)c9 boolena
Presença de terras indı́genas (c10 ) Presença de terras indı́genas g(x)c10 Restrição
booleana
Presença de quilombos (c11 ) Presença de quilombos g(x)c11 Restrição
booleana
102
O Apêndice B ilustra os resultados do processo de normalização dos critérios.
9.3.1 Agregação dos critérios
Com o intuito de ressaltar a flexibilidade do operador OWA e o fato dele permitir

ao decisor escolher a forma de ajuste de pesos que melhor reflete sua atitude de decisão,
os critérios foram agregados de diferentes formas. Foram utilizados os quantificadores
linguı́sticos e a variação dos nı́veis de otimismo e pessimismo do operador S -OWA. Os
resultados são apresentados pelas figuras 20 e 21.
As figuras ilustram os resultados da abordagem menos até a mais compensatória.
O quantificador linguı́stico “Todos”exibe o resultado da compensação nula, equivalente ao
resultado obtido pelo S -OWA com o nı́vel de otimismo igual a zero e pessimismo igual a 1.
Este geocampo é o mais restritivo de todos, exibindo como resultado final a menor avaliação
que cada localidade recebeu em pelo menos um dos critérios. Ela é também a que possui
menor risco associado. Poucas áreas foram melhor avaliadas, recebendo valores de aptidão
(pertinência ao conjunto solução) entre 0,5 e 0,6. Tais áreas situam-se, principalmente, a
norte e nordeste do Estado. O quantificador “Tantos quanto possı́vel”possui um nı́vel de
compensação ligeiramente maior e, portanto, exibe tons mais claros e melhor avaliados
ao longo do território de Minas. Seu resultado é semelhante aos obtidos pelo S -OWA
com nı́veis de otimismo de 0, e 0,3 e pessimismo 0,8 e 0,7. Os quantificadores “Maioria”e
“Identidade”possuem nı́veis médios de compensação, e exibem áreas bem avaliadas (em tons
verde amarelados, acima de 0,5), de forma mais distribuı́da ao longo das áreas mineiras.
Neste caso, melhores avaliações em um critério compensam más avaliações em outro. Por
exemplo, a região do Triângulo Mineiro foi mal avaliada no critério relacionado ao potencial
de complementaridade energética, contudo, possui boas avaliações nos demais critérios.
Desta forma, aparece bem avaliada no resultado da agregação mediante os quantificadores
em questão. Finalmente, os quantificadores “Pelo menos metade”e “Existe”, de forma
similar ao S -OWA com nı́vel de otimismo de 0.6 e pessimismo 0,4, caracterizam uma
abordagem altamente compensatórias, ou seja, exibem como resultado final a melhor
avaliação em pelo menos um dos critério. Assim, os geocampos gerados sob tais abordagens
não representam soluções significativas, pois a diferenciação de áreas é muito pobre e não
permite fazer afirmações decisivas.
103
Figura 20 – Resultados da agregação utilizando o operador OWA e quantificadores

linguı́sticos
Figura 21 – Resultados da agregação utilizando o operador S -OWA com variação dos

nı́veis de otimismo e pessimismo
104
9.4 Modificação da abordagem clássica para tomada de decisões em condições de incerteza:

Construção e análise de matrizes payoff
Nesta seção o problema da determinação das alternativas locacionais para a geração

renovável em Minas Gerais será novamente analisado, considerando agora as incertezas
relacionadas aos dados iniciais. De modo particular, as seções seguintes implementam a
análise em dois estágios proposta para o problema em questão.
9.4.1 Construção dos cenários de análise
Dentre os critérios apresentados pela Tabela 10 dois deles possuem incertezas

associadas aos dados iniciais: “Potencial de complementaridade energética c1 ”e “Valor
econômico das áreas c2 ”. Os demais critérios não possuem incetezas significativas uma
vez que eles estão, fundamentalmente, relacionados a existência ou ausência de entidades
fı́sicas bem definidas como, estradas, LTs, cidades, etc.
Levando isso em consideração, cenários foram gerados por meio utilização das
LPτ − sequences e da definição de intervalos de incerteza relacionados a cada variável
(Seção 4).
Com relação ao critério c1 consideram-se as incertezas relacionadas aos valores
de radiação solar e velocidade de ventos. Dessa forma, o geocampo com a estimativa do
potencial de complementaridade energética g(x)c1 foi gerado em cada cenário de análise.
Assim, para a determinação dos intervalos de incerteza, no caso dos dados de
radiação solar, além dos valores médios mensais utilizados para realização das análises
da seção anterior, a base de dados fornece os valores mı́nimos e máximos de radiação
solar registrados ao longo de 10 anos. Tais valores foram assumidos como o intervalo de
incerteza associado a este critério (limite inferior c0t = radiação mı́nima registrada em 10
anos e limite superior c00t = radiação máxima registrada em 10 anos). Para os dados de
velocidade dos ventos, é possı́vel verificar que os valores médios utilizados nas análises
realizadas na seção anterior são inferiores aos apresentados pelo Atlas Eólico Mineiro
(CEMIG, 2010) para as mesmas localidades e à mesma altura de medição. Assim, tais
valores foram adotados como os valores mı́nimos dos intervalos de incerteza (limite inferior
c0t = velocidades médias registradas em 10 anos), e assumiu-se o acréscimo de 10% destes
valores para o valor máximo do intervalo de incerteza (limite superior c00t = velocidades
105
médias registradas em 10 anos + 10%). O valor de 10% foi utilizado em conformidade

com os autores Crosetto, Tarantola e Saltelli (2000), que apontam que este é um valor de
incerteza comumente assumido pela bibliografia associada ao tema da tomada de decisão
espacial.
No caso do critério c2 foram adotados como limites do intervalo de incerteza os
valores mı́nimos e máximo de custo (R$/hectare) por classe de ocupação do solo (coluna 2
Tabela 11). Assim, foram consideradas 03 variáveis sob incerteza (t = 3) e foram geradas
as coordenadas qst , s = 1, ..., 5 t = 1, ..., 3 por meio das LPτ − sequences para construção
dos cenários, que são apresentadas pela Tabela 13:
Tabela 13 – Coordenadas encontradas por meio das LPτ −sequences no Q2 para o problema
01
s=1 s=2 s=3 s=4 s=5
t = 1 (c1 : radiação solar) 0,500 0,7500 0,2500 0,3750 0,8750
t = 2 (c1 : velocidade de ventos) 0,500 0,2500 0,7500 0,3750 0,8750
t = 3 (c2 ) 0,500 0,7500 0,2500 0,6250 0,1250
9.4.2 Solução do problema em cada cenário de análise e identificação das alternativas de

solução
Para a resolução do problema considerado em cada cenário de análise, foi utilizado

o operador S -OWA, com os nı́veis de otimismo e pessimismo de 0,4 e 0,6, respectivamente.
Foi implementada, portanto, uma atitude conservadora quanto aos riscos da decisão. Os
resultados estão apresentados na Figura 22. Os geocampos gerados destacam as regiões
mais aptas à recepção de plantas de geração eólicas e solares com caracterı́sticas de
complementaridade, em tons mais claros. Pode-se perceber que, apesar dos cenários
apresentarem resultados bastante distintos, existe uma predominância das áreas melhor
avaliadas nas regiões Norte e Noroeste do Estado.
Os resultados permitem apontar as alternativas de solução que servem de base para
a construção e análise das matrizes payoff. Conforme pode ser observado, foram destacadas
10 alternativas de solução.
106
Figura 22 – Resultados da agregação em cada cenário
9.4.3 Construção e análise de matrizes payoff
A determinação das alternativas de solução permite a construção das matrizes

payoff para cada critério em questão, que são apresentadas pelas tabelas 14, 15, 16,
17, 18 e 19. É importante lembrar que não foram consideradas incertezas relacionadas
aos critérios ligados a aspectos fı́sicos (c3 , c4 , c5 e c6 ). Portanto, as matrizes payoff des-
107
ses critérios refletem as mesmas avaliações para as alternativas em todos os cenários,

porém suas construções são necessárias, uma vez que a decisão final deve ser realizada de
acordo com todos os critérios em questão (trata-se de um problema de decisão multicritério).
Tabela 14 – Matriz Payoff : - Potencial de complementaridade Energética

y1 y2 y3 y4 y5
x1 0,7102 0,8233 0,1180 0,8019 0,1178
x2 0,5018 0,0869 0,2914 0,0985 0,2756
x3 0,1302 0,8529 0,1024 0,1142 0,1031
x4 0,5966 0,7787 0,4535 0,6616 0,4641
x5 0,1241 0,0850 0,6834 0,1003 0,6541
x6 0,5323 0,1026 0,5031 0,0303 0,4912
x7 0,6755 0,7527 0,4504 0,6869 0,4682
x8 0,1144 0,1164 0,4646 0,1230 0,4429
x9 0,7457 0,1180 0,4913 0,1247 0,4613
x10 0,4738 0,1227 0,3921 0,0568 0,3877
Tabela 15 – Matriz Payoff : Valor econômico das áreas

y1 y2 y3 y4 y5
x1 1.485 1.485 1.485 1.485 1.485
x2 2.000 2.500 1.500 1.750 2.750
x3 5.106,7 5.106,7 5.106,7 5.106,7 5.106,7
x4 3.250 3.625 2.875 3.062,5 3.812,5
x5 4.433,3 4.433,3 4.433,3 4.433,3 4.433,3
x6 1.100 1.150 1.050 1.075 1.175
x7 1.586 1.586 1.586 1.586 1.586
x8 1.750 2.125 1.375 1.562,5 2.312,5
x9 2.500 2.750 2.250 2.375 2.875
x10 3.800 4.700 2.900 3.350 5.150
Tabela 16 – Matriz Payoff : Áreas de baixa declividade (%)

y1 , y2 , y3 , y4 , y5
x1 2,81
x2 0,62
x3 1,39
x4 5,12
x5 3,95
x6 1,39
x7 9,54
x8 1,06
x9 4,39
x10 1,00
108
Tabela 17 – Matriz Payoff : Proximidade de Corpos Hı́dricos (km)

y1 , y2 , y3 , y4 , y5
x1 30.103,99
x2 17.528,55
x3 2.549,51
x4 20.554,80
x5 9.013,88
x6 20.886,60
x7 34.354,77
x8 20.155,64
x9 8.845,90
x10 33.120,99
Tabela 18 – Matriz Payoff : Conexão ao sistema de transmissão (km)

y1 , y2 , y3 , y4 , y5
x1 23.537,21
x2 62.699,68
x3 14.008,93
x4 10.062,31
x5 43.133,51
x6 71.562,91
x7 62.980,16
x8 97.464,09
x9 107.872,60
x10 79.210,16
Tabela 19 – Matriz Payoff : Acessibilidade (km)

y1 , y2 , y3 , y4 , y5
x1 2.000
x2 0
x3 500
x4 3.000
x5 500
x6 707,1
x7 500
x8 2.500
x9 1.000
x10 2.061,6
109
De posse das matrizes payoff para cada critério, é possı́vel determinar-se as matrizes
com as estimativas dos critérios de escolha, também criadas para cada critério espacial.
Esta análise foi realizada considerando-se 4 critérios: Wald, Laplace, Savage e Hurwicz.
O critério de Savage pressupõe a criação das matrizes de risco para cada critério, que
expressam o risco associado a escolha de cada possı́vel solução alternativa com relação
à melhor alternativa, em um determinado cenário. Este risco é calculado como sendo a
diferença entre o valor de cada alternativa em um determinado cenário e o valor máximo
(no caso de critérios de maximização) ou mı́nimo (no caso de critérios de minimização)
da melhor alternativa no referido cenário. As tabelas 20, 22 apresentam as matrizes de
risco obtidas para os critérios c1 e c2 . Devido a sua simplicidade e de modo a simplificar a
descrição dos resultados, as matrizes de risco obtidas para os demais critérios não serão
apresentadas. As tabelas 21, 23, 24, 25, 26 e 27 apresentam as matrizes com as estimativas
dos critérios de escolha.
Tabela 20 – Matriz de Riscos: Potencial de complementaridade energética

y1 y2 y3 y4 y5 rmax
x1 0,0355 0,0296 0,5654 0,0000 0,5363 0,5654
x2 0,2439 0,7660 0,3920 0,7034 0,3785 0,7660
x3 0,6155 0,0000 0,5811 0,6877 0,5510 0,6877
x4 0,1491 0,0742 0,2300 0,1403 0,1900 0,2300
x5 0,6216 0,7679 0,0000 0,7016 0,0000 0,7679
x6 0,2134 0,7502 0,1804 0,7716 0,1629 0,7716
x7 0,0702 0,1002 0,2330 0,1150 0,1859 0,2330
x8 0,6313 0,7365 0,2189 0,6789 0,2112 0,7365
x9 0,0000 0,7348 0,1922 0,6772 0,1928 0,7348
x10 0,2719 0,7301 0,2913 0,7450 0,2664 0,7450
110
Tabela 21 – Matriz com as estimativas dos critérios de escolha: Potencial de complementa-

ridade energética
fW (xk ) fL (xk ) fS (xk ) fH (xk )
x1 0,8233 0,5142 0,5654 0,6469
x2 0,5018 0,2509 0,7660 0,3981
x3 0,8529 0,2606 0,6877 0,6652
x4 0,7787 0,5909 0,2300 0,6974
x5 0,6834 0,3294 0,7679 0,5338
x6 0,5323 0,3319 0,7716 0,4068
x7 0,7527 0,6067 0,2330 0,6771
x8 0,4646 0,2522 0,7365 0,3770
x9 0,7457 0,3882 0,7348 0,5888
x10 0,4738 0,2866 0,7450 0,3695
Max f (xk ) 0,4646 0,2509 0,2300 0,3695
Min f (xk ) 0,8529 0,6067 0,7716 0,6974
Tabela 22 – Matriz de Riscos: Valor econômico das áreas

y1 y2 y3 y4 y5 rmax
x1 385 335 435 410 310 435
x2 900 1.350 450 675 1.575,00 1.575
x3 4.006,67 3.956,67 4.056,67 4.031,67 3.931,67 4.056,67
x4 2.150 2.475 1.825 1.987,50 2.637,50 2.637,50
x5 3.333,33 3.283,33 3.383,33 3.358,33 3.258,33 3.383,33
x6 0 0 0 0 0 0
x7 486 436 536 511 411 536
x8 650 975 325 487,50 1.137,50 1.137,50
x9 1.400 1.600 1.200 1.300 1.700 1.700
x10 2.700 3.550 1.850 2.275 3.975 3.975
Tabela 23 – Matriz com as estimativas dos critérios de escolha: Valor econômico das áreas
x1 1.485 1.485 435 1.485
x2 2.750 2.100 1.575 2.437,5
x3 5.106,7 5.106,7 4.056,7 5.106,7
x4 3.812,5 3.325 2.637,5 3.578,1
x5 4.433,3 4.433,3 3.383,3 4.433,3
x6 1.175 1.110 0 1.143,8
x7 1.586 1.586 536 1.586
x8 2.312,5 1.825 1.137,5 2.078,1
x9 2.875 2.550 1.700 2.718,8
x10 5.150 3.980 3.975 4.587,5
Max f (xk ) 1.175 1.110 0 1.143,75
Min f (xk ) 5.150 5.106,67 4.056,67 5.106,67
111
Tabela 24 – Matriz com as estimativas dos critérios de escolha: Conexão ao sistema de

transmissão
fW (xk ), fL (xk ), fH (xk ) fS (xk )
x1 23.537,21 13.474,90
x2 62.699,68 52.637,37
x3 14.008,93 3.946,62
x4 10.062,31 0
x5 43.133,51 33.071,2
x6 71.562,91 61.500,6
x7 62.980,16 52.917,85
x8 97.464,09 87.401,78
x9 107.872,60 97.810,29
x10 79.210,16 69.147,85
Max f (xk ) 10.062,31 0
Min f (xk ) 107.872,60 97.810,29
Tabela 25 – Matriz com as estimativas dos critérios de escolha: Áreas de baixa declividade
x1 2,81 2,19
x2 0,62 0
x3 1,39 0,77
x4 5,12 4,50
x5 3,95 3,33
x6 1,39 0,77
x7 9,54 8,91
x8 1,06 0,44
x9 4,39 3,77
x10 1 0,38
Max f (xk ) 0,62 0
Min f (xk ) 9,54 8,91
Tabela 26 – Matriz com as estimativas dos critérios de escolha: Acessibilidade

fW (xk ), fL (xk ), fS (xk ), fH (xk )
x1 2.000
x2 0
x3 500
x4 3.000
x5 500
x6 707,11
x7 500
x8 2.500
x9 1.000
x10 2.061,55
Max f (xk ) 0
Min f (xk ) 3000
112
Tabela 27 – Matriz com as estimativas dos critérios de escolha: Proximidade de corpos

hı́dricos
x1 30.103,99 27.554,48
x2 17.528,55 14.979,04
x3 2.549,51 0
x4 20.554,80 18.005,29
x5 9.013,88 6.464,37
x6 20.886,60 18.337,09
x7 34.354,77 31.805,26
x8 20.155,64 17.606,13
x9 8.845,90 6.296,39
x10 33.120,99 30.571,48
Max f (xk ) 2.549,51 0
Min f (xk ) 34.354,77 31.805,26
A construção das matrizes com as estimativas dos critérios de escolha permite

construir q problemas, (onde q é igual ao número de critérios de escolha) que buscam
otimizar simultâneamente o atendimento das alternativas aos critério de escolha, conforme
a expressão (38). Para a resolução deste problema utiliza-se a também mencionada
Abordagem de Bellman e Zadeh, estabelecida em (38). Para tanto, as matrizes precisam
ser expressas em termos de funções de pertinência, ou seja, é necessário que se construam
as matrizes modificadas para cada critério, obtidas por meio da aplicação de (1) para
objetivos de minimização e (2) para objetivos de maximização. As matrizes modificadas
obtidas para cada critério são apresentadas pelas tabelas 28-33.
Tabela 28 – Matriz modificada: Potencial de complementaridade energética

µW (xk ) µL (xk ) µS (xk ) µH (xk )
x1 0,9238 0,7400 0,3807 0,8460
x2 0,0959 0 0,0104 0,0870
x3 1 0,0273 0,1549 0,9019
x4 0,8090 0,9555 1 1
x5 0,5637 0,2207 0,0069 0,5011
x6 0,1745 0,2278 0 0,1137
x7 0,7420 1 0,9944 0,9382
x8 0 0,0039 0,0648 0,0228
x9 0,7240 0,3859 0,0679 0,6687
x10 0,0237 0,1005 0,0490 0
113
Tabela 29 – Matriz modificada: Valor econômico das áreas

µW (xk ) µL (xk ) µS (xk ) µH (xk )
x1 0,9220 0,9062 0,8928 0,9139
x2 0,6038 0,7523 0,6118 0,6735
x3 0,0109 0 0 0
x4 0,3365 0,4458 0,3498 0,3857
x5 0,1803 0,1685 0,1660 0,1699
x6 1 1 1 1
x7 0,8966 0,8809 0,8679 0,8884
x8 0,7138 0,8211 0,7196 0,7642
x9 0,5723 0,6397 0,5809 0,6026
x10 0 0,2819 0,0201 0,1310
Tabela 30 – Matriz modificada: Conexão ao sistema de transmissão

µW (xk ), µL (xk ), µS (xk ), µH (xk )
x1 0,8622
x2 0,4618
x3 0,9597
x4 1
x5 0,6619
x6 0,3712
x7 0,4590
x8 0,1064
x9 0
x10 0,2930
Tabela 31 – Matriz modificada: Áreas de baixa declividade

x1 0,7542
x2 1
x3 0,9139
x4 0,4951
x5 0,6263
x6 0,9139
x7 0
x8 0,9510
x9 0,5770
x10 0,9573
114
Tabela 32 – Matriz modificada: Acessibilidade

x1 0,3333
x2 1
x3 0,8333
x4 0
x5 0,8333
x6 0,7643
x7 0,8333
x8 0,1667
x9 0,6667
x10 0,3128
Tabela 33 – Matriz modificada: Proximidade de corpos hı́dricos

x1 0,1337
x2 0,5290
x3 1
x4 0,4339
x5 0,7968
x6 0,4235
x7 0
x8 0,4464
x9 0,8020
x10 0,0388
Finalmente, é possı́vel obter a matriz agregada (obtida por meio da utilização da

Abordagem de Bellman e Zadeh, Equação 37) que permite realizar a escolha entre as
soluções alternativas. A matriz agregada obtida para este problema é apresentada pela
Tabela 34.
Tabela 34 – Matriz agregada das estimativas dos critérios de escolha

µWD (xk ) µLD (xk ) µSD (xk ) µHD (xk )
x1 0,1337 0,1337 0,1337 0,1337
x2 0,0959 0 0,0104 0,0870
x3 0,0109 0 0 0
x4 0 0 0 0
x5 0,1803 0,1685 0,0069 0,1699
x6 0,1745 0,2278 0 0,1137
x7 0 0 0 0
x8 0 0,0039 0,0648 0,0228
x9 0 0 0 0
x10 0 0,0388 0,0201 0
115
A análise da Tabela 34 permite aplicar (39) para obtenção das alternativas de

solução multiobjetivo. Neste sentido, a alternativa x5 pode ser apontada como a melhor
sob o ponto de vista dos critérios de Wald e Hurwicz, e as alternativas x6 e x1 podem
ser apontadas como as melhores sob o ponto de vista dos critérios de Laplace e Savage,
respectivamente. Desta maneira, formalmente, não é possı́vel distinguir essas três soluções.
Neste momento da decisão é possı́vel, avaliar, ordenar e/ou priorizar estas alternativas
por meio da consideração de critérios adicionais, o que é possı́vel por meio da aplicação
dos modelos < X, R > para tomada de decisão multiatributo, o que caracteriza o segundo
estágio da análise proposta.
9.5 Modelos < X, R > para tomada de decisão multiatributo
As alternativas destacadas pela etapa anterior, x = {x1 , x5 , x6 } podem então ser

avaliadas por meio da aplicação dos Modelos < X, R > de decisão. As alternativas se
tornam:
• x1 : Região central do municı́pio de Buritis (solução x1 até agora);

• x2 : Região norte do municı́pio de Formoso (solução x5 até agora);
• x3 : Região nordeste do municı́pio de Espinosa (solução x6 até agora).
O novo conjunto de soluções alternativas será agora avaliado por meio dos seguintes
critérios adicionais:
1. Distância de LTs planejadas: é a distância de LTs que não estão em operação, mas
estão previstas no Plano de Expansão da Transmissão Nacional. É um critério de
caráter espacial e quantitativo, que deve ser minimizado.
2. Potencial social: pode ser definido como um conjunto de condições, medidas pelas
dimensões humana, natural e produtiva, que determinam o estágio em que um
municı́pio se encontra na busca pelo desenvolvimento sustentável. Neste sentido,
regiões com um alto potencial social possuem uma infra-estrutura de transportes
bem desenvolvida, assim como atividades econômicas, condições sociais, entre outros.
Assim, poderia fazer mais sentido priorizar áreas com os nı́veis mais altos de potencial
social para a recepção de plantas de geração. Contudo, a instalação de uma usina
pode ser justamente, um mecanismo impulsionador do potencial social das regiões,
116
devido, por exemplo, a criação de empregos.Portanto, o presente trabalho considera

que este critério deve ser minimizado. É um critério espacial e qualitativo.
3. Vunerabilidade natural: representa a sensibilidade que uma paisagem natural pode
possuir frente a ações antrópicas. É um critério espacial, qualitativo e que deve ser
minimizado.
A Tabela 35 apresenta as avaliações de cada alternativa de acordo com cada critério

apontado. A Figura 23 apresenta a distribuição espacial dos dois critérios qualitativos e as
estimativas fuzzy relacionadas a cada um.
Tabela 35 – Avaliação das alternativas de solução de acordo com os critérios adicionais

f1 (xk ) [metros] f2 (xk ) f3 (xk )
x1 500 Moderado Muito grande
x2 30.000 Muito pequeno Grande
x3 25.800 Muito pequeno Moderado
Figura 23 – Distribuição espacial e funções de pertinência para os critérios
Conforme descrito anteriormente, é necessário estabelecer-se relações de preferência

para cada critério, que avaliam as alternativas de solução. Tais relações devem ser tran-
117
formadas para RPFNR para serem processadas pelos modelos < X, R >. Assim, para o
primeiro critério é possı́vel aplicar a Equação 60 a fim de obter-se a seguinte RPFRA:
 
0, 5 1 0, 93
 
µR1 (xk , xl ) =  (77)
 
0 0, 5 0, 43 
 
0, 07 0, 57 0, 5
A aplicação da função de transformação (55) permite converter (77) na RPFNR:
 
1 1 1
 
µR1 (xk , xl ) =  (78)
 
0 1 0, 86 
 
0, 14 1 1
Com relação ao segundo e terceiro critério, é possı́vel aplicar (50) e (51), definidas
para F (xk ) ≤ F (xl ) e F (xl ) ≤ F (xk ), respectivamente, para construir as seguintes RPFNR:
 
1 0, 60 0, 60
 
µR2 (xk , xl ) =  1 (79)
 
1 1 
 
1 1 1
 
1 0, 91 0, 60
 
µR3 (xk , xl ) =  1 (80)
 
1 0, 94 
 
1 1 1
Conforme mencionado anteriormente, a escolha da técnica para análise dos Modelos
< X, R > é uma prerrogativa dos decisores. Em particular, utilizando (64) é possı́vel
construir:
 
1 0, 60 0, 60
 
µR (xk , xl ) =  (81)
 
0 1 0, 86 
 
0, 14 1 1
Aplicando (45) é possı́vel obter a seguinte RPFE:
 
0 0, 60 0, 46
 
µE
R (xk , xl ) = 0 (82)
 
0 0 
 
0 0, 14 0
Finalmente, a aplicação de (62) gera o conjunto de alternativas não-dominadas
com as seguintes funções de pertinência: µN D
R (xk ) = [1 0,40 0,54]. Portanto, a análise
118
baseada na aplicação de três critérios adicionais e na primeira técnica para análise de

Modelos < X, R > gera a seguinte ordenação das alternativas: x1 x3 x2 .
Também é possı́vel resolver o problema por meio da utilização do operador OWA
juntamente com os quantificadores linguı́sticos. O quantificador fuzzy “Maioria”(7) fornece
o seguinte vetor de pesos ordenados: [w1 = 0,0667 w2 =0,0667 w3 = 0,2667], obtido por
meio de (11). Sua utilização gera a seguinte Relação de Preferência Não Estrita Global,
baseada em (67):
 
1 0, 83 0, 63
 
µR (xk , xl ) =  0, 73 (83)
 
1 0, 92 
 
0, 77 1 1
A fim de obter a ordenação global das alternativas, novamente é possı́vel utilizar o
conceito de “Maioria”para agregar os elementos de (83). Assim, excluindo os componentes
da diagonal principal, podemos obter o seguinte vetor de pesos ordenados [w1 = 0,4
w2 =0,6], baseado na aplicação de (11). A utilização do QGDD, expresso por (68), fornece:
QGDD(xk ) = [0,71 0,81 0,86]. Portanto, de acordo com a aplicação desta abordagem,
é possı́vel obter a seguinte ordenação de alternativas: x3 x2 x1 .
Como pode ser verificado por meio dos resultados obtidos, a aplicação de diferentes
técnicas de modelos < X, R > pode conduzir a diferentes ordenações de alternativas
(primeira técnica: x1 x3 x2 e técnica baseada no operador OWA: x3 x2 x1 ). Isto
é considerado normal e a escolha da técnica é uma prerrogativa do(s) decisor(es).
9.5.1 Comparação dos resultados com usinas existentes
Atualmente, Minas Gerais não possui usinas hı́bridas em operação, o que dificulta a
utilização de modelos para validar os resultados da AMCE. Portanto, neste trabalho foram
utilizadas as usinas solares fotovoltaicas e eólicas existentes no Estado para comparação
dos resultados (Figura 24). Para tanto, foram utilizados os procedimentos propostos
em Firozjaei et al. (2019), que analisam a porcentagem de plantas existentes em áreas
classificadas como mais adequadas pelos mapas de decisão gerados. A Figura (25) apresenta
as porcentagens de plantas existentes em diferentes faixas de aptidão dos mapas de decisão
gerados em cada um dos cinco cenários de análise. As faixas utilizadas são: 0 - 0,2; 0,2 - 0,4;
0,4 - 0,6; 0,8 - 1. Os autores Firozjaei et al. (2019) consideram como “áreas ótimas”para a
119
instalação de possı́veis usinas aquelas cujos valores de aptidão situam-se nas faixas entre
0,6 - 0,8 e 0,8 - 1. Levando em consideração que neste trabalho estão sendo utilizadas
usinas solares fotovoltáicas e eólicas para validar os resultados obtidos para usinas hı́bridas,
foi considerado aceitável que áreas classificadas com valores de aptidão entre 0,4 - 0,6
também fossem consideradas como “ótimas”.
Figura 24 – Distribuição espacial das usinas existentes em Minas Gerais com capacidade
instalada maior que 5 MW (ANEEL, 2018b)
É possı́vel observar que, nas áreas classificadas com os maiores valores de ap-
tidão/pertinência (na faixa entre 0,8 e 1) não existem usinas em operação, em nenhum
cenário. Contudo, isso pode ser considerado aceitável, uma vez que tratam-se de usinas
eólicas e fotovoltaı́cas e não usinas hı́bridas, conforme é proposto neste trabalho. Por
outro lado, não existem plantas localizadas em regiões com os menores valores de ap-
tidão/pertinência (na faixa entre 0 e 0,2). Este fato pode indicar que os modelos utilizados
possuem uma boa capacidade em identificar as piores regiões para a recepção das usinas
hı́bridas, além das áreas proibitivas.
A maioria das usinas solares existentes estão situadas em regiões com valores de
aptidão situados na faixa 0,4 - 0,6 para todos os cenários analisados (Figura 25 (A)).
As usinas eólicas existentes estão igualmente distribuı́das (33%) em regiões com valores
de aptidão/pertinência iguais a 0,2 e 0,4; 0,4 e 0,6; 0,6 e 0,8; no caso do cenário 1. Em
todos os outros cenários, a maioria das usinas estão localizadas em regiões com valores de
aptidão/pertinência iguais a 0,4 e 0,6 (Figura 25 (B)).
120
Figura 25 – Porcentagem de usinas existentes por faixa de aptidão (pertinência) dos mapas
de decisão obtidos
Assim, apesar das limitações dos dados utilizados para comparação dos resultados
obtidos, pode-se considerar que existem evidências de que os mapas de decisão obtidos
possuem boa qualidade.
Também vale a pena mencionar que os parâmetros utilizados na agregação imple-
mentam uma atitude de decisão pessimista (α = 0,4 e β = 0,6). Logo, uma mudança nos
nı́veis de otimismo/pessimismo conduziria a geração de mapas de decisão diferentes, que
poderiam refletir atitudes de decisão mais compensatórias.
9.6 Análise de alternativas locacionais: consideração da importância relativa dos critérios

espaciais
Nesta seção será realizada novamente uma análise de alternativas locacionais para
a geração renovável em Minas Gerais, baseada nas fontes solar fotovoltaica e eólica.
Aqui será considerada uma questão importante relacionada a problemas que envolvem
121
múltiplos critérios, que é a quantificação da importância relativa de cada um deles de

acordo com um grupo de especialistas. Neste ponto, a principal dificuldade encontrada é
relacionada ao fato de que o mesmo critério pode ter graus de importância variáveis de
acordo com diferentes especialitas. Neste sentido este trabalho adapta as técnicas propostas
em Ramalho et al. (2019) e Ramalho (2017) (propostas para a inclusão de informações
qualitativas em problemas multiobjetivo) para a inclusão deste tipo de avaliação em
problemas multiatributo.
9.6.1 Critérios espaciais relevantes e processo de normalização
Os critérios espaciais considerados aqui são basicamente os mesmos apresentados

na Seção (9.1), Tabela (10). Apenas o critério relacionado ao potencial energético das
fontes será considerado de forma diferente.
Aqui ele será representado por um geocampo relacionado ao potencial solar dis-
ponı́vel em kWh/m2 (INPE, 2009) (critério c1 ) gerado com resolução de células de 10 km
× 10 km e por outro geocampo relacionado a velocidade de ventos disponı́vel, em m/s
(CEPEL, 2009) (critério c2) gerado com resolução de células de 40 km × 40 km. Tais
geocampos são ilustrados pela Figura (26).
Desta maneira, pode-se renumerar e re-apresentar os critérios como:
1. Potencial solar c1 ;
2. Potencial eólico c2 ;
3. Valor econômico das áreas c3 ;
4. Áreas de baixa declividade c4 ;
5. Conexão ao sistema de transmissão c5 ;
6. Acessibilidade c6 ;
7. Proximidade de corpos hı́dricos c7 .
Para a realização da AMCE, os geocampos de potencial energético foram normali-

zados por meio do conjunto fuzzy caracterizado pela Equação (3), considerando sp = 10 e
md = 5.500 Wh/m2 (CEMIG, 2012) e 6 m/s (CEMIG, 2010), para as fontes solar e eólica,
respectivamente.
Os demais critérios foram normalizados conforme já apontado pela Tabela (12).
122
Figura 26 – Potencial solar e velocidade de ventos em Minas Gerais (valores médios anuais)
9.6.2 Avaliação dos critérios espaciais de acordo com as preferências de diferentes decisores
Assim, o primeiro passo para a resolução do problema espacial é a determinação

dos pesos dos critérios vi , i = 1, ..., n, que refletem suas importâncias de acordo com um
grupo de decisores/especialistas. Para isso, considera-se aqui um grupo de especialistas E
composto por três decisores E = {e1 , e2 , e3 } que devem expressar suas preferências com
relação aos critérios espaciais relevantes para a decisão a partir da perspectiva de seus
nı́veis de importância individual. Neste sentido, pode-se considerar que o especialista e1
expressou suas preferências por meio de RPM (utilizando a escala fundamental da Tabela
9) como se segue
 
1 1 5 5 5 7 7
 
 1 1 5 5 5 7 7 
 
 
 1 1
 5 5 1 3 3 5 5 

 
 1 1 1
RPMe1 (ck , cl ) =  5 5 3 1 1 3 3  (84)

 
 1 1 1 
 5 5 3 1 1 3 3 
 
 1 1 1 1 1 
 7 7 5 3 3 1 3 
 
1 1 1 1 1 1
7 7 5 3 3 3
1
O especialista e2 expressou suas preferências por meio da ordenação dos critérios
conforme os nı́veis de importância que ele lhes atribui
OCe2 (c) = [c1 , c2 , c3 , c5 , c4 , c6 , c7 ] (85)

123
O especialista e3 estabeleceu suas preferências por meio das estimativas fuzzy

apresentadas pela Figura (27), que também reflete suas avaliações. A utilização das
equações (50)-(51) para estas estimativas permite construir a seguinte RPFNR
 
1 0, 167 1 1 1 1 1
 
 1 1 1 1 1 1 1 
 
 
 0, 167 0, 167 1 1 1 1 1 
 
 
NRe3 (ck , cl ) =  0, 167 0, 167 (86)
 
1 1 1 1 1 
 
 
 0, 167 0, 167 1 1 1 1 1 
 
 
 0 0 0, 167 0, 167 0, 167 1 1 
 
0 0 0, 167 0, 167 0, 167 1 1
Figura 27 – Conjunto fuzzy baseado em escalas qualitativas utilizado pelo e3
Neste ponto, é necessário transformar a RPFNR (86) e a ordenação (85) em RPM.

De modo particular, aplicando a Equação (56) a (85) é possı́vel obter
 
1 1, 442 2, 080 4, 327 3 6, 240 9
 
0, 693 1 1, 442 3 2, 080 4, 327 6, 240
 
 
 
0, 481 0, 693 1 2, 080 1, 442 3 4, 327
 
 
 
RPMe2 (ck , cl ) =  (87)
 
0, 333 0, 481 0, 693 1, 442 1 2, 080 3 
 
 
 0, 231 0, 333 0, 481 1 1 1, 442 2, 080 
 
 
 0, 160 0, 231 0, 333 0, 693 0, 481 1 1, 442 
 
0, 111 0, 160 0, 231 0, 481 0, 333 0, 693 1
124
Ao mesmo tempo, a aplicação da Equação (57) a (86) permite gerar a seguinte

RPFRA:
 
0, 5 0, 084 0, 917 0, 917 0, 917 1 1
 
0, 917 0, 5 0, 917 0, 917 0, 917 1 1
 
 
 
0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917
 
 
 
RPFRAe3 (ck , cl ) =  (88)
 
0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917 
 
 
 0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917 
 
 
 0 0 0, 084 0, 084 0, 084 0, 5 0, 5 
 
0 0 0, 084 0, 084 0, 084 0, 5 0, 5
que pode ser transformada na seguinte RPM por meio da aplicação da Equação (58):
 
1 0, 160 6, 236 6, 236 6, 236 9 9
 
6, 236 1 6, 236 6, 236 6, 236 9 9 
 

 
0, 160 0, 160 1 1 1 6, 236 6, 236 
 

 
RPMe3 (ck , cl ) =  (89)
 
0, 160 0, 160 1 1 1 6, 236 6, 236 
 
 
 0, 160 0, 160 1 1 1 6, 236 6, 236 
 
 
 0, 111 0, 111 0, 160 0, 160 0, 160 1 1 
 
0, 111 0, 111 0, 160 0, 160 0, 160 1 1
O cálculo dos máximos autovalores das relações (84), (87) e (89) permite verificar que
λmax ≈ 7, ou seja, é próximo a dimensionalidade das matrizes, o que atesta a consistência
dos julgamentos (SAATY, 1990) (RAMALHO et al., 2019). Assim, os vetores individuais
gerados pelos autovetores correspondentes são os seguintes:
ve1 = [0, 331 0, 331 0, 134 0, 068 0, 068 0, 038 0, 028] (90)
ve2 = [0, 331 0, 230 0, 159 0, 110 0, 080 0, 053 0, 037] (91)
ve3 = [0, 259 0, 481 0, 073 0, 073 0, 073 0, 020 0, 020] (92)
Estes vetores expressam os pesos de importância relativa relacionados a cada um dos

critérios espaciais, de acordo com cada especialista. Para gerar um vetor de pesos global, é
125
possı́vel realizar a agregação dos vetores individuais por meio do operador OWA (6). Assim,
a utilização deste operador juntamente com o quantificador linguı́stico “Todos”permite
gerar o seguinte vetor de pesos
OWAv = [0, 259 0, 230 0, 073 0, 068 0, 068 0, 020 0, 020] (93)
Vale a pena ressaltar que este vetor foi obtido por meio de uma abordagem total-
mente não compensatória (QL “Todos”). A utilização de abordagens mais compensatórias
(caracterizadas por variações dos pesos do operador OWA) geraria vetores finais diferentes.
Este trabalho considera que os decisores possuem o mesmo nı́vel de importância no
grupo.
9.6.3 Análise Multicritério Espacial
O problema de decisão espacial foi resolvido por meio da aplicação do operador

OWA, baseado em (6) e com a obtenção dos pesos de ordenação por meio da Equação (12),
que utiliza os pesos de importância vi i = 1, ..., n para geração de diferentes abordagens
(agregação guiada a quantificadores linguı́sticos). Novamente, os sete critérios foram
agregados e as restrições foram aplicadas por meio de operações boolenas (Tabela 10). A
Figura (28) apresenta os mapas de decisão obtidos de acordo com diferentes abordagens
e em ordem ascendente de compensação entre os critérios, ou seja, iniciando-se em uma
atitude de decisão pessimista (mapa (A) não possui nenhum tipo de compensação entre os
critérios) até uma atitude com um nı́vel médio de compensação entre os critérios (mapa
(D)).
O quantificador linguı́stico “Muito”, representado pelo mapa de decisão (B), foi
implementado por meio da expressão Q(r) = r2 (VASILEIOU; LOUKOGEORGAKI;
G.VAGIONA, 2017).
Os mapas de decisão obtidos apresentam um aspecto visual distinto daqueles obtidos
pela seção anterior (por exemplo, Figura 20). Isto se deve, primeiramente, a diferença na
resolução das bases de dados relacionadas aos potenciais energéticos. Além disso, nesta
seção, a estratégia de avaliação do potencial energético hı́brido (solar + eólico) é diferente
da utilizada na seção anterior, baseada no ı́ndice Itotal (BELUCO; SOUZA; KRENZINGER,
126
Figura 28 – Resultados da AMCE de acordo com diferentes abordagens
2008). Aqui são utilizados os valores de disponibilidade médios mensais, solar e eólico,
como dois critérios individuais.
Apesar das diferenças, aqui também é possı́vel notar a predominância de áreas
melhor avaliadas nas regiões Norte e Noroeste do Estado, aparecendo agora áreas melhor
avaliadas nas regiões Oeste e Central do Estado.
9.6.4 Comparação dos resultados com usinas existentes
Os mapas de decisão obtidos aqui também podem ser comparados com a distri-
buição espacial das usinas existentes no Estado, ilustrada pela Figura 24. De maneira
semelhante ao realizado anteriormente, a porcentagem de usinas existentes por faixa de
aptidão/pertinência podem ser verificadas por meio das tabelas (36) e (37) (FIROZJAEI
et al., 2019).
A observação das tabelas permite concluir que a porcentagem de usinas em nı́veis
de aptidão classificados como “ótimos”aumenta conforme o nı́vel de compensação entre
127
Tabela 36 – Porcentagem de plantas solares fotovoltaicas existentes por nı́veis de aptidão

(pertinência) dos mapas de decisão (%)
Mapas de decisão de acordo com diferentes abordagens
Nı́veis de aptidão Todos Muitos Pelo menos 30% Média
0 - 0,2 40 1 0 0
0,2 - 0,4 34 41 0 0
0,4 - 0,6 26 43 34 0
0,6 - 0,8 0 15 23 72
0,8 - 1 0 0 43 28
Tabela 37 – Porcentagem de plantas eólicas existentes por nı́veis de aptidão (pertinência)

dos mapas de decisão (%)
Mapas de decisão de acordo com diferentes abordagens
Nı́veis de aptidão Todos Muitos Pelo menos 30% Média
0 - 0,2 50 0 0 0
0,2 - 0,4 17 0 0 0
0,4 - 0,6 33 100 67 0
0,6 - 0,8 0 0 0 67
0,8 - 1 0 0 33 33
os critérios aumenta. A abordagem menos compensatória apresentada pela Figura (28)

(baseada no quantificador “Todos”) possui o menor número de plantas existentes em
regiões consideradas “ótimas”(Tabela 36 - 26% e Tabela 37 - 33%). A abordagem mais
compensatória (baseada no quantificador linguı́stico “Média”) possui as porcentagens mais
altas (Tabela 36 e Tabela 37 - 100%).
Outro aspecto que pode ser avaliado é a capacidade dos mapas de decisão em
destacar regiões adequadas e diferenciá-las daquelas não adequadas. Neste sentido, a
observação dos mapas da Figura 24 e da Figura 28 permite concluir que, de modo geral,
as usinas existentes se distribuem ao longo e próximas das regiões melhor avaliadas.
128
10 Análise de alternativas de investimento em transmissão na fase prepa-

ratória para participação em leilões
A fim de demonstrar os principais aspectos da análise em dois estágios proposta,

será apresentado um exemplo ilustrativo nesta seção (de modo semelhante a Ekel et al.
(2019)). Neste sentido, quatro lotes a serem leiloados foram definidos. As alternativas de
transmissão serão geradas em quatro cenários (em cada um dos lotes) de acordo com
os critérios espaciais relevantes para a decisão, que serão agrupados sob as perpectivas
técnico-econômica e sócio-ambiental.
10.1 Levantamento dos critérios relevantes para o problema
Os fatores espaciais que influenciam a decisão são considerados sob duas perspectivas
principais: técnica-econômica e sócio-ambiental. Os critérios técnico-econômicos estão
relacionados a aspectos espaciais que podem prejudicar a instalação dos empreendimentos,
ou incutir custos extras aos serviços de operação e de manutenção. Os critérios sócio-
ambientais estão ligados a áreas que possuem algum tipo de limitação sob o uso da terra
devido a algum processo de ocupação e/ou utilização já existente, como a existência de
quilombos, terras indı́genas, áreas de conservação ambiental, ou por alguma atividade
que imponha limitações relacionadas à segurança, como presença de aeroportos, áreas de
mineração, etc.
Tabela 38 – Critérios relevantes para o problema de decisão 2: Priorização de investimentos

em transmissão de energia elétrica
Perspectiva Critério Geocampo Fonte dos dados
Técnico- Aspecto fı́sico Declividade do relevo (CPRM, 2010)
econômica
Acessibilidade Proximidade de rodovias (IBGE, 2015c)
Conexão ao sistema Proximidade de LTs (ANEEL, 2018b)
Tipos de cobertura e uso Cobertura e uso da terra (IBGE, 2014)
da terra
Sócio- Presença de aeroportos Distância de aeroportos (IBGE, 2015c)
ambiental
Presença de unidades de Distância de unidades de (MMA, 2010)
conservação conservação
Presença de terras Distância de terras (MMA, 2010)
indı́genas indı́genas
Presença de quilombos Distância de quilombos (MMA, 2010)
129
10.2 Modelagem dos critérios de análise e construção da base de dados
Os critérios considerados são apresentados pela Tabela 38 e pela Figura 29.

Como é possı́vel observar (Figura 29), os geocampos são caracterizados por grandezas
de diferentes naturezas (distâncias, declividade, etc.) tornando-se necessário, portanto,
a conversão para uma única unidade comparável. Neste estudo de caso, optou-se pela
conversão dos valores dos geocampos em valores monetários (R$), que buscassem refletir o
custo incutido a uma LT pela passagem pelas localidades de cada geocampo. Esta conversão
de valores considerou como referência o custo de construção, em R$/m, apresentado em
Lima (2015), Lima et al. (2017) e ELETROBRÁS (2005) de, aproximadamente, 250 R$/m
de LT. Assim, considerou-se que este custo é uma valor base ligado à construção de LTs e
que os critérios em questão incutiriam valores adicionais, proporcionais à esta referência.
Observa-se que esta é uma estratégia para precificação e que as incertezas associadas a
tais valores são bastante acentuadas. Outras estratégias podem ser utilizadas de acordo
com as informações disponı́veis e as preferências dos especialistas envolvidos nas decisões.
10.3 Construção dos cenários de análise
Novamente, os cenários foram gerados por meio da utilização das LPτ -sequences.
Foram estabelecidos intervalos de incerteza relacionados aos valores de custos de cada
critério e áreas de influência para cada critério, em cada cenário de análise. Foram gerados
quatro cenários de análise conforme descrito a seguir:
• Distância de aeroportos: o custo associado foi considerado como de 2 a 4% do valor

de referência dentro de um raio de influência de 3 km, que é a distância que deve ser
observada de superfı́cies de aproximação e decolagem (DEFESA, 2011).
• Presença de áreas especiais: as áreas especiais são caracterizadas pela presença de
terras indı́genas, quilombos, unidades de conservação federais e estaduais. Considerou-
se que suas existências incutiriam um custo adicional de 10 a 35% do valor de
referência, à passagem das LTs. Nos cenários 2 e 3 considerou-se que esta influência
se expandiria em um raio de 3 km em torno de tais áreas (zonas de amortecimento).
• Declividade: com relação a declividade do relevo, foram consideradas as incertezas
relacionadas aos valores de custos e a influência do valor da declividade. Assim,
130
Figura 29 – Critérios relevantes para a decisão
Distância de aeroportos Presença de áreas especiais
Aeroportos 75 (km) Presença de áreas especiais: Terras

indígenas, Quilombos, Unidades de
0 Conservação Estaduais e Federais.
Distância de LTs
Declividade do relevo
LTs 136 (km)

Plano – 0 a 3%
Suave ondulado – 3 a 8% 0
Ondulado – 8 a 20%
Uso do solo
Forte ondulado – 20 a 45%
Montanhoso – 45 a 75%
Escarpado - > 75%
Distância de rodovias
Áreas urbanizadas
Mosaico de ocupações em área campestre
Mosaico de ocupações em área florestal
Silvicultura
Vegetação florestal
Rodovias 18 (km) Pastagem com manejo
Corpo hídrico
0 Área agrícola
Vegetação campestre
considerou-se que as áreas com valores de declividade superiores a 40, 35, 30 e 20%
incutiriam custos adicionais de 10 a 15% à passagem de LTs, nos cenários 1, 2, 3 e 4,
respectivamente.
131
• Distância de LTs: considerou-se que os custos relacionados a proximidade ou não de

LTs existentes podem variar de 5 a 15% do valor de referência. Nos cenários 1 e 2,
admitiu-se que os custos diminuem linearmente com a diminuição das distâncias das
LTs. No cenário 3 e no cenário 4 admitiu-se que as LTs incutiriam diminuição nos
custos apenas em áreas localizadas a 30 e a 15 km das LTs existentes, respectivamente.
• Acessibilidade ou distância de rodovias: considerou-se que os custos relacionados a
proximidade ou não de rodovias podem variar de 1 a 10% do valor de referência. Nos
cenários 1 e 2, admitiu-se que os custos diminuem linearmente com a diminuição
das distâncias das rodovias. No cenário 3 e no cenário 4 admitiu-se que as rodovias
incutiriam diminuição nos custos apenas em áreas localizadas a 15 e a 5 km de
distância das mesmas, respectivamente.
• O uso do solo diferencia os valores de custos de acordo com suas classes, onde os
intervalos de incerteza relacionados a cada classe são apresentados abaixo.
– Vegetação campestre: 5 a 10% do valor de referência.

– Pastagem com manejo: 3 a 10% do valor de referência.
– Mosaico de ocupações em área campestre: 3 a 15% do valor de referência.
– Área agrı́cola: 5 a 20% do valor de referência.
– Mosaico de ocupações em área florestal: 5 a 35% do valor de referência.
– Silvicultura: 10 a 15% do valor de referência.
– Vegetação florestal: 10 a 30% do valor de referência.
– Corpos hı́dricos: 2 a 4 vezes o valor de referência.
– Áreas urbanizadas: 2 a 4 vezes o valor de referência.
Os intervalos de incerteza estabelecidos buscaram atribuir à regiões com cobertura

vegetal do tipo rasteira (vegetação campestre, pastagem com manejo e mosaico de ocupações
em área campestre) os menores valores de custos, uma vez que tais classes caracterizam-se
como vegetações de pequeno porte que não oferecem obstáculos à passagem das LTs.
Neste sentido, as áreas de pastagens podem continuar sendo utilizadas para atividades
agropecuárias, mesmo com a presença das LTs. Às classes com a presença de coberturas
mais densas (vegetação florestal e silvicultura, mosaico de ocupações em áreas florestal)
foram atribuı́dos custos mais elevados, buscando refletir o fato de que tais classes, muitas
vezes, não podem coexistir com as faixas de passagem das LTs, o que significa a necessidade
de suas remoções, o que pode significar possı́veis indenizações ou multas/compensações
132
ambientais. Às classes “corpos hı́dricos”e “áreas urbanizadas”foram atribuı́dos os custos

mais elevados dentre as classes, devido às complexidades técnicas e altos custos envolvidos
com a passagem de LTs por tais tipos de uso e ocupação do solo.
Assim, considerando todos os critérios e as classes de uso do solo, tem-se 14 entidades
sob incerteza. Portanto, utilizando-se as LPτ -sequences foram geradas as coordenadas
apresentadas pela Tabela (39).
Tabela 39 – Coordenadas para a geração de cenários de acordo com as LPτ -sequences

s=1 s=2 s=3 s=4
t = 1 (aeroportos) 0,5 0,75 0,25 0,3750
t = 2 (áreas especiais) 0,5 0,25 0,75 0,3750
t = 3 (declividade) 0,5 0,75 0,25 0,6250
t = 4 (LTs) 0,5 0,25 0,75 0,1250
t = 5 (rodovias) 0,5 0,75 0,25 0,8750
t = 6 (vegetação campestre) 0,5 0,25 0,75 0,8750
t = 7 (pastagem com manejo) 0,5 0,75 0,25 0,1250
t = 8 (mosaico campestre) 0,5 0,25 0,75 0,6250
t = 9 (área agrı́cola) 0,5 0,75 0,25 0,1250
t = 10 (mosaico florestal) 0,5 0,25 0,75 0,8750
t = 11 (silvicultura) 0,5 0,75 0,25 0,3750
t = 12 (vegetação florestal) 0,5 0,25 0,75 0,6250
t = 13 (corpos hı́dricos) 0,5 0,75 0,25 0,1250
t = 14 (áreas urbanizadas) 0,5 0,25 0,75 0,3750
Após a precificação dos critérios espaciais, os custos foram agregados para a

perspectiva técnico-econômica e sócio-ambiental em cada cenário gerado.
10.4 Análise Multicritério Espacial: Agregação dos critérios
Após a conversão de todos os critérios para valores monetários e sua agregação para
as perspectivas técnico-econômica e sócio-ambiental, as perspectivas foram combinadas
por meio do emprego do operador OWA, cujos pesos foram determinados de acordo com
o operador linguı́stico “Maioria” (Figura 7). O intuito da agregação é o de gerar uma
superfı́cie de custo (em cada cenário), em que o caminho de custo mı́nimo seja identificado
como o corredor de LT mais adequado. Para a determinação deste caminho foram utilizadas
as ferramentas do software (ESRI, 2018a). Tais ferramentas, basicamente, criam a partir
da superfı́cie fornecida, uma superfı́cie de custo acumulado considerando um ponto de
origem e um ponto final, identificando a rota com os menores valores acumulados.
133
10.5 Resolução do problema espacial em cada cenário de análise
As Figuras 30-33 apresentam as alternativas de corredores de LTs obtidas em cada

um dos quatro cenários de análise. Elas foram geradas a partir de uma origem e um destino
(genéricos) e mediante o cálculo do caminho de custo mı́nimo multicritério.
Figura 30 – Alternativas de investimento em transmissão: lote 1 × cenários de análise
10.6 Construção e análise de matrizes payoff
Para a construção das matrizes payoff, as alternativas de solução obtidas em cada

cenário de análise foram avaliadas de acordo com os critérios (perspectivas) técnico-
econômico e sócio-ambiental, também em cada cenário. O valor de entrada de cada matriz
payoff é caracterizado pela média dos valores de custo ao longo da LT, em R$/m de LT.
134

135
Tabela 40 – Matriz Payoff : perspectiva técnico-econômica para o lote 1
y1 y2 y3 y4
x1 130.973,64 143.600,96 135.271,79 148.394,98
x2 129.631,09 140.020,50 134.204,14 146.589,81
x3 132.043,76 145.206,27 134.350,02 147.626,33
x4 133.134,89 146.807,48 135.208,97 145.601,67
Tabela 41 – Matriz Payoff : perspectiva sócio-ambiental para o lote 1
y1 y2 y3 y4
x1 328,95 4.680,19 420,32 283,26
x2 4.868,42 4.680,19 6.220,76 4.192,26
x3 296,05 5.274,12 378,29 254,93
x4 592,11 5.012,79 756,58 509,87
136

econômica para o lote 1

x1 148.394,98 139.560,34 3.580,46 144.039,65
x2 146.589,81 137.611,38 988,15 142.350,13
x3 147.626,33 139.806,60 5.185,78 143.730,69
x4 146.807,48 140.188,25 6.786,98 143.389,33
Min f (xk ) 146.589,81 137.611,38 988,15 142.350,13
Max f (xk ) 148.394,98 140.188,25 6.786,98 144.039,65
Tabela 43 – Matriz com as estimativas dos critérios de escolha: perspectiva sócio-ambiental

para o lote 1

x1 4.680,19 1.428,18 42,03 3.580,96
x2 6.220,76 4.990,41 5.842,47 5.713,64
x3 5.274,12 1.550,85 593,93 4.019,33
x4 5.012,79 1.717,84 378,29 3.887,06
Min f (xk ) 4.680,19 1.428,18 42,03 3.580,96
Max f (xk ) 6.220,76 4.990,41 5.842,47 5.713,64
Tabela 44 – Matriz de riscos: perspectiva técnico-econômica para o lote 1
y1 y2 y3 y4 rmax
x1 1.342,55 3.580,46 1.067,65 2.793,32 3.580,46
x2 0 0 0 988,15 988,15
x3 2.412,67 5.185,78 145,88 2.024,67 5.185,78
x4 3.503,81 6.786,98 1.004,84 0 6.786,98
Tabela 45 – Matriz de riscos: perspectiva sócio-ambiental para o lote 1
y1 y2 y3 y4 rmax
x1 32,89 0,00 42,03 28,33 42,03
x2 4.572,37 0,00 5.842,47 3.937,33 5.842,47
x3 0,00 593,93 0,00 0,00 593,93
x4 296,05 332,60 378,29 254,93 378,29
Tabela 46 – Matriz modificada com as estimativas dos critérios de escolha: perspectiva

técnico-econômica para o lote 1

x1 0 0,2437 0,5530 0
x2 1 1 1 1
x3 0,4258 0,1481 0,2761 0,1829
x4 0,8794 0 0 0,3849
137

sócio-ambiental para o lote 1

x1 1 1 1 1
x2 0 0 0 0
x3 0,614 0,966 0,905 0,794
x4 0,784 0,919 0,942 0,856
Tabela 48 – Matriz agregada para o lote 1

x1 0 0,2437 0,5530 0
x2 0 0 0 0
x3 0,4258 0,1481 0,2761 0,1829
x4 0,7841 0 0 0,3849
A observação da Tabela 48 permite verificar que, sob o ponto de vista dos critérios
de Wald e Hurwicz, a melhor alternativa de solução seria a solução x4 . Já sob o ponto de
vista dos critérios de Laplace e Savage, a melhor solução seria a solução x1 . Do ponto de
vista formal, essas duas alternativas não podem ser distinguidas. Assim, é necessário, neste
momento, aplicar técnicas para construção e processamento de preferências por meio dos
Modelos < X, R > de decisão, que permitem avaliar novamente essas duas alternativas
por meio de critérios adicionais, que podem ter caráter qualitativo e/ou quantitativo.
Contudo, de modo a simplificar este estudo de caso, será considerado que o decisor,
de posse dos resultados obtidos até aqui e analisando as matrizes payof f determinou que
o mais razoável seria a escolha da solução x1 .
As matrizes obtidas para cada um dos demais lotes analisados são apresentadas
pelo Apêndice C.
As matrizes payof f para as duas perspectivas e para os lotes 2, 3 e 4 são apresentadas
pelas tabelas 50-51, 59-60, 68-69. As matrizes com as estimativas dos critérios de escolha
são apresentadas para cada uma das perspectivas e para os lotes 2, 3 e 4 pelas tabelas 52-53,
61-62, 70-71. De maneira semelhante, as matrizes de risco são apresentadas pelas tabelas
54-55, 63-64, 72-73 e as matrizes modificadas dos critérios de escolha são apresentadas
pelas tabelas 56-57, 65-66, 74-75.
A matriz agregada para o lote 2 é apresentada pela tabela 58. É possı́vel perceber
que, de acordo com os critérios de Wald, Savage e Hurwicz, a melhor alternativa de solução
138
é a alternativa x2 e, de acordo com o critério de Laplace, a melhor alternativa de solução é

a alternativa x3 . De modo semelhante ao realizado para o lote 1, será considerado aqui
que o decisor assumiu como razoável a escolha da solução alternativa x2 .
A matriz agregada para o lote 3 é apresentada pela Tabela 67. É possı́vel perceber
que, de acordo com todos os critérios de escolha, a melhor alternativa de solução é a x2 .
A matriz agregada para o lote 4 é apresentada pela tabela 76. É possı́vel perceber
que, de acordo com os critérios de Laplace e Savage, a melhor alternativa de solução é a
alternativa x1 e, de acordo com os critérios de Wald e Hurwicz, a melhor alternativa de
solução é a alternativa x2 . De modo semelhante ao realizado para o lote 1, será considerado
aqui que o decisor assumiu como razoável a escolha da alternativa de solução x1 .
10.7 2o Etapa da análise: desenvolvimento de recomendações para a composição de

portfólio de investimentos
Desta forma, no segundo estágio da análise, para ilustrar a composição do portfólio

de investimentos, serão avaliadas as seguintes alternativas de solução:
• x1 → alternativa x1 do lote 1;
Serão considerados os procedimentos do segundo estágio para as seguintes situações:
1. Elaboração de recomendações com base na aplicação do critério adicional “Lucro

Esperado”;
2. Elaboração de recomendações com base na aplicação do critério adicional “Dano
ambiental”.
As estimativas das alternativas de ponto de vista de critério “Lucro Esperado”foram

construı́das quantitativamente e as estimativas das alternativas de ponto de vista de critério
“Dano ambiental”foram construı́das qualitativamente.
É natural que os resultados das avaliações quantitativas obtidos no primeiro estágio
da análise sejam utilizados para as avaliações do segundo estágio. Em particular, a Tabela
49 inclui os resultados de execução da primeira fase, relacionados aos quatro lotes.
139
Tabela 49 – Resultados de execução da primeira fase (valor médio entre os cenários)
xk f1 (xk ) f2 (xk )
Lote 1 139.560,34 1.428,18
Lote 2 133.123,06 1.264,14
Lote 3 137.034,52 1.339,74
Lote 4 133.463,28 2.084,21
Levando em consideração que f1 (xk ) e f2 (xk ) devem ser minimizadas, podemos

aplicar (60) para construir as correspondentes RPFRA. Em particular, para f1 (xk ), é
possı́vel construir
 
0, 5 0 0, 3038 0, 0264
 
 
 1 0, 5 0, 8038 0, 5264 
µRA1 (xk , xl ) = 

.
 (94)
 0, 6962 0, 1962 0, 5 0, 2226 
 
0, 9736 0, 4736 0, 7774 0, 5
Para f2 (xk ), tem-se
 
0, 5 0, 4 0, 4461 0, 9
 
 
 0, 6 0, 5 0, 5461 1 
µRA2 (xk , xl ) = 

.
 (95)
 0, 5539 0, 4539 0, 5 0, 9539 
 
0, 1 0 0, 0461 0, 5
Aplicando a regra (55), podemos transformar (94) e (95) nas seguintes RPFNR
 
1 0 0, 6076 0, 0529
 
 
 1 1 1 1 
µN R1 (xk , xl ) = 

.
 (96)
 1 0, 3924 1 0, 4452 
 
1 0, 9471 1 1
e  
1 0, 8 0, 8922 1
 
 
 1 1 1 1 
µN R2 (xk , xl ) = 

.
 (97)
 1 0, 9078 1 1 
 
0, 2 0 0, 0922 1
respectivamente.
As estimativas fuzzy (funções de pertinência de valores nebulosos) das alternativas do
ponto de vista do critério “Lucro Esperado”são apresentadas pela Figura 34. Aplicando para
140
essas estimativas as correlações (50) e (51), definidas para fi (xk ) ≥ fi (xl ) e fi (xl ) ≥ fi (xk ),
é possı́vel obter a seguinte RPFNR:
 
1 0, 25 0, 77 0, 17
 
 
 1 1 1 0, 89 
µN R3 (xk , xl ) = 

.
 (98)
 1 0, 44 1 0, 33 
 
1 1 1 1
Figura 34 – Funções de pertinência das estimativas fuzzy para o critério adicional qualita-
tivo Lucro Esperado
Usando a primeira técnica para o processamento das relações de preferência (96),

(97) e (98) é possı́vel aplicar a relação (64) que permite obter:
 
1 0 0, 6076 0, 0529
 
 
 1 1 1 0, 89 
µN R (xk , xl ) = 

.
 (99)
 1 0, 3924 1 0, 33 
 
0, 2 0 0, 092 1
Aplicando (45) para (99), é possı́vel construir a seguinte função de pertinência da
relação de preferência fuzzy estrita:
 
0 0 0 0
 
 
 1 0 0, 6067 0, 89 
µE (xk , xl ) = 

,
 (100)
 0, 3924 0 0 0, 2378 
 
0, 1472 0 0 0
que permite obter a seguinte função de pertinência das alternativas não dominadas:
µN D = [0 1 0, 3924 0, 1100] (101)

141
De tal forma, a análise das alternativas, aplicando três critérios, com base na
primeira técnica permite elaborar a seguinte recomendação: x2 x3 x4 x1 .
Neste momento, pode-se incluir na análise a consideração do critério adicional
“Dano ambiental”, que também possui natureza qualitativa. As funções de pertinência dos
valores fuzzy que refletem as avaliações deste critério são apresentadas pela Figura 35.
Figura 35 – Funções de pertinência das estimativas fuzzy para o critério adicional qualita-
tivo Dano ambiental
As alternativas receberam as seguintes avaliações: x1 = Pequeno; x2 = Grande, x3

= Médio e x4 = Grande. Aplicando (50) e (51) para essas estimativas, é possı́vel construir
a seguinte RPFNR:
 
1 1 1 1
 
 
 0, 30 1 0, 75 1 
µN R4 (xk , xl ) = 

.
 (102)
 0, 75 1 1 1 
 
0, 30 1 0, 75 1
Novamente, utilizando (64) para (96), (97), (98) e (102) é possı́vel obter
 
1 0 0, 6076 0, 0529
 
 
 0, 3 1 0, 75 0, 89 
µN R (xk , xl ) = 

.
 (103)
 0, 75 0, 3924 1 0, 33 
 
0, 2 0 0, 092 1
A aplicação de (45) para (103) fornece
 
0 0 0 0
 
 
 0, 3 0 0, 3576 0, 89 
µE (xk , xl ) = 


 (104)
 0, 1424 0 0 0, 2378 
 
0, 1472 0 0 0
142
Novamente, é possı́vel obter a função de pertinência das alternativas não dominadas:
µN D = [0, 7000 1 0, 6076 0, 1100] (105)
Assim, a introdução do quarto critério conduz a seguinte recomendação: x2 x1

x3 x4 . A recomendação é diferente daquela obtida por meio da consideração de três
critérios, porém a alternativa x2 continua sendo a melhor avaliada.
A utilização de diferentes técnicas para a análise de Modelos < X, R > conduz a
diferentes resultados. Isso é considerado normal e a escolha da técnica é uma prerrogativa
do decisor. A inclusão de critérios adicionais, naturalmente, pode modificar as ordenações
obtidas, conforme ocorreu com o exemplo apresentado. Esta inclusão também cabe ao
decisor ou especialista.
143
11 Conclusões
O presente trabalho realiza a adaptação, aplicação e melhoria de modelos e métodos

para tomada de decisões espaciais em condições de incerteza. As escolhas e combinações
metodológicas compõem uma análise para problemas espaciais em duas etapas. Neste
sentido, primeiramente, foram adaptados modelos para a consideração da importância
relativa de diferentes critérios espaciais por um grupo de especialistas. Os métodos utilizados
buscam ir ao encontro de uma questão importante para a resolução de problemas com
múltiplos critérios, que é justamente determinar a importância relativa desses critérios,
uma vez que ela pode variar de acordo com diferentes decisores. Assim, diferentes decisores
podem expressar suas preferências por meio de diferentes formatos, que são posteriormente
convertidos para RPMs, que permitem obter vetores com as importâncias de cada critério
de acordo com cada decisor. O vetor de importâncias final é obtido por meio da utilização
da combinação linear ponderada, baseada no operador OWA, cujo ajuste dos pesos permite
o controle do nı́vel de compensação entre os critérios.
Num segundo momento (ainda na primeira etapa da análise) as incertezas relaciona-
das às informações iniciais são tratadas por meio da aplicação da abordagem possibilı́stica
para tomada de decisões sob incerteza. Tal abordagem foi adaptada para utilizar os critérios
de escolha (Wald, Laplace, Savage e Hurwicz) como funções objetivo a serem otimizadas
para a obtenção de soluções harmoniosas (utilização de modelos de decisão multiobjetivo).
Essa abordagem é vantajosa porque permite analisar um mesmo problema em diferentes
cenários que representam situações que podem vir a ocorrer, fornecendo um caminho para
a obtenção de soluções multicritério robustas.
A segunda etapa é baseada na aplicação dos princı́pios metodológicos dos modelos
< X, R > para inclusão de critérios de natureza quantitativa e/ou qualitativa, espaciais
e/ou não espaciais. Novamente, a principal regra de decisão para combinação dos critérios
utilizada é o operador OWA, que permite implementar diferentes atitudes de decisão,
expressas por diferentes nı́veis de compensação entre critérios (mais uma vez, utilização de
modelos de decisão multiatributo). Assim como em todas as etapas da análise, o decisor
e/ou especialista exerce um papel fundamental, determinando as técnicas de representação
e processamento de preferências que melhor refletem seu conhecimento, experiência e
intuição.
144
Em problemas espaciais, as principais fontes de incerteza relacionam-se aos valores

dos critérios (incertezas externas) e às preferências dos decisores (incertezas internas).
Assim, é possı́vel destacar que as combinações metodológicas estabelecidas por este trabalho
buscam ir ao encontro dessas caracterı́sticas. A incerteza dos dados iniciais é tratada por
meio da avaliação de critérios espaciais em grupo e pela adaptação da abordagem clássica
possibilı́stica. Neste sentido, o estabelecimento de cenários é uma forma natural e adequada
de se tratar as incertezas associadas com as decisões, uma vez que o processo de construção
de cenários pode refletir, por exemplo, funções de probabilidades conhecidas. Num segundo
momento, as preferências dos decisores podem ser refletidas por meio do ajuste de pesos do
operador OWA. Este ajuste pode ser realizado por um quantificador linguı́stico adequado
ou por meio do controle dos nı́veis de pessimismo e otimismo do operador S -OWA,
visando refletir as preferências de especialistas. Ainda buscando aprimorar a inclusão de
preferências humanas no processo decisório, os modelos < X, R > permitem a modelagem
de preferências em formatos variados com sua posterior conversão para preferências fuzzy,
que podem ser processadas a fim de realizar a avaliação e ordenação de alternativas de
solução.
Os estudos de casos propostos abordam temáticas atuais e pertinentes, a saber, a
geração de energia renovável e expansão dos sistemas de transmissão, e permitem analisar
a abrangência e relevância das análises propostas.
A Seção 9 apresenta o estudo de caso realizado para a determinação de alternativas
locacionais para a geração renovável em Minas Gerais, baseada nas fontes eólica e solar,
utilizando os modelos propostos. Os resultados obtidos apontaram que as localidades mais
propı́cias encontram-se nas regiões Norte e Noroeste do Estado.
A Seção 10 apresenta os resultados obtidos para o estudo de caso relacionado à
determinação de alternativas de investimento em transmissão de energia elétrica. A análise
proposta permite avaliar diferentes alternativas de corredores para LTs e também diferentes
lotes a serem leiloados. Essa análise permite a utilização de uma ampla gama de critérios
de natureza espacial e/ou não-espacial, quantitativa e/ou qualitativa, o que permite aos
investidores adiantar os estudos prospectivos para a participação em leilões de transmissão.
Portanto, é possı́vel destacar o caráter abrangente e geral da análise proposta, que
pode ser adaptada para problemas de localização de um modo geral, o que é evidenciado,
por exemplo, pelos estudos de caso apresentados. No primeiro estudo, analisou-se um
problema cuja entidade espacial procurada (ou seja, a(s) alternativa(s) de solução) é
145
representada pelo ponto (sem grandes modificações na análise, estas alternativas poderiam
ter sido consideradas como polı́gonos), que caracteriza a área de instalação de uma usina.
No segundo estudo, as etapas gerais da análise foram aplicadas a um problema cuja
entidade espacial procurada é representada pela linha, ou seja, pelo corredor de uma LT.
Em ambos os problemas é possı́vel:
• considerar as incertezas dos dados espaciais iniciais;

• avaliar alternativas frente a critérios de natureza qualitativa, quantitativa, espacial e
não espacial;
• incluir na análise preferências de decisores em diferentes momentos da decisão:
na avaliação da importância dos critérios espaciais, na escolha de conjuntos fuzzy
para normalização de critérios, na escolha de termos linguı́sticos e/ou nı́veis de
otimismo/pessimismo para combinação de critérios, na avaliação de alternativas de
solução.
Como trabalhos futuros pode-se apontar:
• construção de esquemas de consenso nos processos de avaliação dos nı́veis de im-

portância relativa dos critérios espaciais de acordo com diferentes decisores;
• construção de esquemas de consenso na análise de alternativas espaciais por meio
dos modelos < X, R >, considerando a tomada de decisão em grupo;
• proposição e utilização de modelos racionais que permitam a consideração das
incertezas ligadas à complementaridade entre as fontes energéticas;
• proposição e utilização de procedimentos para a avaliação da complementaridade
energética entre três ou mais fontes;
• aprimoramento dos modelos matemáticos de modo a levar em conta a complementa-
ridade entre fontes, não somente nas mesmas localidades, mas também em diferentes
partes do território, levando em consideração as caracterı́sticas do Sistema Interligado
Nacional.
146
Referências1
ALI, S.; TAWEEKUN, J.; TECHATO, K.; WAEWSAK, J.; GYAWALI, S. GIS based site
suitability assessment for wind and solar farms in Songkhla, Thailand. Renewable Energy,
Elsevier, v. 132, p. 1360–1372, 2019. Citado 2 vezes nas páginas 27 e 79.
ALVES, G.; EKEL, P. Y.; KOKSHENEV, I.; PARREIRAS, R. O.; SCHUFFNER,

H. S. Fuzzy set based models and methods of multicriteria decision making and their
applications. In: . Selected Contributions from Presenters of REDS - Recife Decision
Support School: First seven edition. [S.l.]: Editora Universitária UFPE, 2013. cap. II
Developments in Decision Methods, p. 61–100. Citado na página 61.
ALY, A.; JENSEN, S. S.; PEDERSEN, A. B. Solar power potential of Tanzania:

Identifying CSP and PV hot spots through a GIS multicriteria decision making analysis.
Renewable Energy, Elsevier, v. 113, p. 159–175, 2017. Citado 2 vezes nas páginas 27 e 79.
AMIRINIA, G.; MAFI, S.; MAZAHERI, S. Offshore wind resource assessment of Persian
Gulf using uncertainty analysis and GIS. Renewable Energy, ELSEVIER, v. 113, p.
915–929, 2017. Citado na página 26.
ANEEL, A. N. de E. E. Leilões de transmissão. 2018. Disponı́vel em: hhttp:

//www.aneel.gov.br/transmissao4i. Citado na página 28.
ANEEL, A. N. de E. E. Sistema de Informações Georreferenciadas do Setor Elétrico,

SIGEL. 2018. Citado 5 vezes nas páginas 8, 41, 90, 119 e 128.
ASAKEREH, A.; OMID, M.; ALIMARDANI, R.; SARMADIAN, F. Developing a

GIS-based fuzzy AHP model for selecting solar energy sites in Shodirwan region in Iran.
In: . [S.l.: s.n.], 2014. Citado na página 26.
AYDIN, N. Y.; KENTEL, E.; DUZGUN, H. S. GIS-based site selection methodology for
hybrid renewable energy systems: A case study from western Turkey. Energy Conversion
and Management, ELSEVIER, v. 70, p. 90–106, 2013. Citado na página 87.
AYDIN, N. Y.; KENTEL, E.; DUZGUN, S. GIS-based environmental assessment of wind

energy systems for spatial planning: A case study from Western Turkey. Renewable and
Sustainable Energy Reviews, Elsevier, n. 14, p. 364–373, 2010. Citado 3 vezes nas páginas
26, 37 e 52.
BABAN, S. M.; PARRY, T. Developing and applying a GIS-assisted approach to locating

wind farms in the UK. Renewable Energy, Pergamon, n. 24, p. 59–71, 2011. Citado na
página 26.
BAGATINI, M.; BENEVIT, M. G.; BELUCO, A.; RISSO, A. Complementarity in time

between hydro, wind and solar energy resources in the state of Rio Grande do Sul, in
Southern Brazil. Energy and Power Engineering, v. 9, p. 515–526, 2017. Citado 3 vezes
nas páginas 83, 84 e 85.
BAHARUDDIN, I. N. Z.; OMAR, R. C.; USMAN, F.; MEJAN, M. A.; HALIM, M. K. A.;
ZAINOL, M. A.; ZULKARNAIN, M. S. Regional analysis assessment of landslide hazard
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.
147
and zoning map for transmission line route selection using GIS. IOP Conference Series:
Earth and Environmental Science, IOP Publishing, v. 16, p. 1–4, 2013. Citado na página
28.
BARANES, E.; JACQMIN, J.; POUDOU, J.-C. Non-renewable and intermittent
renewable energy sources: Friends and foes? Energy Policy, ELSEVIER, v. 111, p. 58–67,
2017. Citado na página 83.
BELEM, F. L.; PIMENTA, L. C. A.; FONSECA, A. R.; REZENDE, D. T.; ROCHA, F. T.;
BOSQUE, M. M.; MESQUITA, R. C.; TAVARES, T. H. B. C.; SOUZA, A. R. Ferramenta
para seleção de corredor de linha aérea de transmissão utilizando geoprocessamento. XIV
Simpósio Brasileiro de Sensoriamento Remoto, 2009. Citado na página 29.
BELLMAN, R. E.; ZADEH, L. A. Decision-making in a fuzzy environment. Management
Science, InformsPubsOnline, v. 14, n. 4, p. B–141–B–164, 1970. Citado 3 vezes nas
páginas 48, 61 e 75.
BELUCO, A.; SOUZA, P. K. de; KRENZINGER, A. A complementariedade no tempo
entre as energias hidrelétrica e fotovoltaica. Revista Brasileira de Recursos Hı́dricos, v. 8,
n. 1, p. 99–109, 2003. Citado 4 vezes nas páginas 85, 91, 94 e 95.
BELUCO, A.; SOUZA, P. K. de; KRENZINGER, A. A dimensionless index evaluating
the time complementarity between solar and hydraulic energies. Renewable Energy,
ELSEVIER, v. 33, p. 2157–2165, 2008. Citado 7 vezes nas páginas 84, 85, 91, 92, 94, 95
e 126.
BELUCO, A.; SOUZA, P. K. de; LIVI, F. P.; CAUX, J. Energetic complementarity with
hydropower and the possibility of storage in batteries and water reservoirs. In: .
Solar Energy Storage. [S.l.]: Bent Sørensen, 2015. cap. 7, p. 155–188. Citado na página 85.
BELYAEV, L. S. A Practical Approach to Choosing Alternative Solutions to Complex
Optimization Problems under Uncertainty. [S.l.], 1977. Citado 4 vezes nas páginas 43, 55,
57 e 60.
BORBA, E. M.; BRITO, R. M. An index assessing the energetic complementarity in
time between more than two energy resources. Energy and Power Engineering, Scientific
Research Publishing Inc, v. 9, p. 505–514, 2017. Citado na página 85.
BORGES, K. A. V.; DAVIS, C. A.; LAENDER, A. H. F. OMT-G: An object-oriented
data model for geographic applications. Geoinformatica, v. 5, n. 3, p. 221–260, 2001.
Citado na página 40.
BRANS, J. P.; VINCKE, P. A preference ranking organisation method: the PROMETHEE
method for multiple criteria decision-making. Management Science, v. 31, n. 6, p. 647–656,
CEMIG, C. E. de M. G. Atlas Eólico de Minas Gerais. 2010. Citado 5 vezes nas páginas
25, 81, 92, 104 e 121.
CEMIG, C. E. de M. G. Atlas Solarimétrico de Minas Gerais. 2012. Citado 5 vezes nas
páginas 25, 81, 92, 101 e 121.
CEMIG, C. E. de M. G. Atlas de Biomassa de Minas Gerais. 2017. Citado 3 vezes nas
páginas 25, 81 e 92.
148
CEPEL, C. de Pesquisa em E. E. Brazil Wind Data: Annual average of the aeolic potential
at 50m. Content: wind speed in m/s, power class (7 classes), power density in W/m2 and
Weibull k value. Cells measure 10km. 2004. Citado na página 90.
CEPEL, C. de Pesquisas de E. E. OpenEI Brazil Wind Data 40 km from CEPEL. 2009.
Citado 2 vezes nas páginas 90 e 121.
CHARABI, Y.; GASTLI, A. PV site suitability analysis using GIS-based spatial fuzzy
multi-criteria evaluation. Renewable Energy, Elsevier, v. 36, p. 2554–2561, 2011. Citado
na página 26.
CPRM, C. de Pesquisa de R. M. Mapa de Declividade em Percentual do Relevo Brasileiro.
2010. Citado 3 vezes nas páginas 41, 90 e 128.
CRADDEN, L.; KALOGERI, C.; BARRIOS, I. M.; GALANIS, G.; INGRAM, D.;
KALLOS, G. Multi-criteria site selection for offshore renewable energy platforms.
Renewable Energy, Elsevier, n. 87, p. 791–806, 2016. Citado na página 26.
CROSETTO, M.; TARANTOLA, S.; SALTELLI, A. Sensitivity and uncertainty analysis
in spatial modelling based on GIS. Agriculture, Ecosystems and Environment, ELSEVIER,
n. 81, p. 71–79, 2000. Citado 3 vezes nas páginas 42, 80 e 105.
DEDEMEN, Y. A Multi-criteria Decision Analysis Approach to GIS-based Route Selection
for Overhead Power Transmission Lines. Tese (Doutorado) — The Graduate School of
Natural and Applied Sciences of Middle East Techical University, 2013. Citado na página
28.
DEFESA, M. D. Comando da Aeronáutica, Departamento de Controle do Espaço Aéreo.
ICA 63-19 de 2011. 2011. Citado na página 129.
DIAZ-CUEVAS, P.; BIBERACHER, M.; DOMINGUEZ-BRAVO, J.; SCHARDINGER,
I. Developing a wind energy potential map on a regional scale using GIS and
multi-criteria decision methods: the case of Cadiz (south of Spain). Clean Technologies
and Environmental Policy, Springer, v. 20, p. 1167–1183, 2018. Citado 2 vezes nas
páginas 27 e 79.
DOORGA, J. R.; RUGHOOPUTH, S. D.; BOOJHAWON, R. Multi-criteria GIS-based
modelling technique for identifying potential solar farm sites: A case study in Mauritius.
Renewable Energy, Elsevier, v. 133, p. 1201–1219, 2019. Citado 2 vezes nas páginas 27
e 79.
DROBNE, S.; LISEC, A. Multi-attribute decision analysis in GIS: Weighted linear
combination and ordered weighted averaging. Informatica, n. 33, p. 459–474, 2009. Citado
na página 34.
DURBACH, I. N.; STEWART, T. J. Modeling uncertainty in multi-criteria decision
analysis. European Journal of Operational Research, Elsevier, n. 223, p. 1–14, 2012.
Citado 5 vezes nas páginas 23, 42, 55, 61 e 80.
EKEL, P. Y. Methods of decision making in fuzzy environment and their applications.
Nonlinear Analysis 4, v. 47, n. 5, p. 979–990, 2001. Citado 3 vezes nas páginas 70, 72 e 73.
EKEL, P. Y. Fuzzy sets and models of decision making. Computers and Mathematics with
Applications, PERGAMON, v. 44, p. 863–875, 2002. Citado na página 70.
149
EKEL, P. Y.; KOKSHENEV, I.; PALHARES, R. M.; PARREIRAS, R. O.; NETO, F. S.

Multicriteria analysis based on constructing payoff matrices and applying methods of
decision making in fuzzy environment. Optimization and Engineering, v. 1, n. 12, p. 5–29,
2010. Citado 4 vezes nas páginas 55, 56, 57 e 61.
EKEL, P. Y.; KOKSHENEV, I.; PARREIRAS, R. O.; PEDRYCZ, W.; PEREIRA, J. G.
Multiobjective and multiattribute decision making in a fuzzy environment and their power
engineering applications. Information Sciences, Elsevier, v. 361, n. 362, p. 100–119, 2016.
Citado 3 vezes nas páginas 57, 61 e 75.
EKEL, P. Y.; LISBOA, A. C.; PEREIRA, J. G.; VIEIRA, D. A. G.; SILVA, L. M. L. da;
D’ANGELO, M. F. S. V. Two stage multicriteria georeferenced express analysis of new
electric transmission line projects. International Journal of Electrical Power Energy
Systems, Elsevier, v. 108, p. 415–431, 2019. Citado 3 vezes nas páginas 37, 81 e 128.
EKEL, P. Y.; PEDRYCZ, W.; PEREIRA, J. G. Multicriteria decision-making under
conditions of uncertainty: A fuzzy set perspective. 1. ed. [S.l.]: John Wiley Sons, 2020.
ELETROBRÁS. Revisão das diretrizes para elaboração de orçamentos de linhas de
transmissão - OLT. 2005. Citado na página 129.
EMATER-MG, E. de Assistência Técnica e Extensão Rural do Estado de M. G. Valor
econômico da terra nua em Minas Gerais 2019. 2019. Citado 2 vezes nas páginas 90 e 99.
EPE, E. de P. E. Plano Decenal de Expansão de Energia (PDE) 2027. 2018.
Disponı́vel em: hhttp://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/
plano-decenal-de-expansao-de-energia-2027i. Citado na página 25.
EROGLU, H.; AYDIN, M. Optimization of electrical power transmission lines routing
using AHP, fuzzy AHP, and GIS. Turkish Journal of Electrical Engineering Computer
Sciences, v. 23, p. 1418 – 1430, 2015. Citado na página 29.
ESRI. ArcGis 10.2, Software. 2018. Citado na página 132.
ESRI. ArcGIS Pro: FuzzyLarge. 2018. Disponı́vel em: hhttp://pro.arcgis.com/en/pro-app/
arcpy/spatial-analyst/fuzzylarge-class.htmi. Citado na página 47.
FEIZIZADEH, B.; JANKOWSKI, P.; BLASCHKE, T. A GIS based spatially-explicit
sensitivity and uncertainty analysis approach for multi-criteria decision analysis.
Computers Geosciences, ELSEVIER, v. 64, p. 81–95, 2014. Citado 3 vezes nas páginas
26, 42 e 80.
FIROZJAEI, M. K.; NEMATOLLAHI, O.; MIJANI, N.; SHORABEH, S. N.; FIROZJAEI,
H. K.; TOOMANIAN, A. An integrated gis-based ordered weighted averaging analysis
for solar energy evaluation in iran: Current conditions and future planning. Renewable
Energy, Elsevier, v. 136, p. 1130–1146, 2019. Citado 2 vezes nas páginas 118 e 126.
FRENCH, S. Uncertainty and imprecision: Modelling and analysis. Journal ofthe
Operational Research Society, n. 46, p. 70–79, 1995. Citado na página 42.
GARNI, H. Z.; AWASTHI, A. Solar PV power plant site selection using a GIS-AHP based
approach with application in Saudi Arabia. Applied Energy, Elsevier, v. 206, p. 1225–1240,
2017. Citado 2 vezes nas páginas 27 e 79.
150
GARNI, H. Z. A.; AWASTHI, A. Solar PV power plants site selection: A review. In:
. Advances in Renewable Energies and Power Technologies. [S.l.]: ELSEVIER, 2018.
cap. 2, p. 57–70. Citado 4 vezes nas páginas 26, 27, 43 e 79.
GHORBANI, N.; MAKIAN, H.; BREYER, C. A GIS-based method to identify potential
sites for pumped hydro energy storage: Case of Iran. Energy, ELSEVIER, n. 169, p.
854–867, 2019. Citado na página 26.
GIAMALAKI, M.; TSOUTSOS, T. Sustainable siting of solar power installations in
mediterranean using a GIS/AHP approach. Renewable Energy, Elsevier, v. 141, p. 64–75,
GOODCHILD, M. F. Geographical data modeling. Computers Geosciences, v. 18, n. 4, p.
401–408, 1992. Citado na página 40.
GREENE, R.; DEVILLERS, R.; LUTHER, J. E.; EDDY, B. G. GIS-based multiple-criteria
decision analysis. Geography Compass, v. 5, n. 6, p. 412–432, 2011. Citado 2 vezes nas
páginas 23 e 34.
HAAREN, R. V.; FTHENAKIS, V. GIS-based wind farm site selection using spatial
multi-criteria analysis (SMCA): Evaluating the case for New York state. Renewable and
Sustainable Energy Reviews, Elsevier, n. 15, p. 3332–3340, 2011. Citado na página 26.
IBGE, I. B. de Geografia e E. Mapa de Cobertura e Uso da Terra do Brasil 2014. 2014.
IBGE, I. B. de Geografia e E. Base cartográfica Nacional IBGE – Escala 1:250 mil de
2017: Hidrografia v2015. 2015. Citado na página 90.
2017: Localidades v2015. 2015. Citado na página 90.
2017: Transporte v2015. 2015. Citado 2 vezes nas páginas 90 e 128.
IBGE, I. B. de Geografia e E. Monitoramento da cobertura e uso da terra do Brasil -
2014-2016. 2018. Citado 2 vezes nas páginas 90 e 99.
INPE, I. N. de P. E. OpenEI Brazil Global Horizontal Solar Radiation Model 10 km. 2009.
JANKE, J. R. Multicriteria GIS modeling of wind and solar farms in Colorado. Renewable
Energy, Elsevier, n. 35, p. 2228–2234, 2010. Citado na página 26.
JIANG, H.; EASTMAN, J. R. Application of fuzzy measures in multi-criteria evaluation
in GIS. International Journal of Geographical Information Science, v. 2, n. 14, p. 173–184,
JURASZ, J.; CANALES, F.; KIES, A.; GUEZGOUZE, M.; BELUCO, A. A review on the
complementarity of renewable energy sources: Concept, metrics, application and future
research directions. Solar Energy, Elsevier, n. 195, p. 703–724, 2020. Citado na página 85.
LAMADRID, A. J. Optimal use of energy storage systems with renewable energy sources.
International Journal of Electrical Power Energy Systems, Elsevier, v. 71, p. 101–111,
151
LANGELLA, G. Save ascii raster. 2008. Disponı́vel em: hhttps://www.mathworks.com/

matlabcentral/fileexchange/24442-save-ascii-rasteri. Citado na página 91.
LATINOPOULOS, D.; KECHAGIA, K. GIS-based multi-criteria evaluation for wind farm
site selection. a regional scale application in Greece. Renewable Energy, Elsevier, n. 78, p.
550–560, 2015. Citado na página 26.
LI, Z. Study of site suitability assessment of regional wind resources development based
on multi-criteria decision. Clean Technologies and Environmental Policy, Springer, v. 20,
p. 1147–1166, 2018. Citado 2 vezes nas páginas 27 e 79.
LIMA, R. M. de. Otimização de traçado de linhas de transmissão por meio de avaliação
multicritério e Sistema de Informações Geográficas (SIG). Dissertação (Mestrado) —
Universidade Federal de Itajubá, 2015. Citado 2 vezes nas páginas 29 e 129.
LIMA, R. M. de; OSIS, R.; PEREIRA, C. R. S.; SANTOS, A. H. M.; JUNIOR, E.
L. C.; JUNIOR, L. C. Otimização de traçados de linhas de transmissão utilizando SIG e
avaliação multicritério. IX Congresso de Inovação Tecnológica em Energia Elétrica - IX
CITENEL, 2017. Citado 2 vezes nas páginas 29 e 129.
LIN, C.-T.; CHEN, Y.-T. Bid/no-bid decision-making – a fuzzy linguistic approach.
International Journal of Project Management, ELSEVIER, n. 22, p. 585–593, 2004.
LUNA-RUBIO, R.; TREJO-PEREA, M.; VARGAS-VAZQUEZ, D.; RIOS-MORENO, G.
Optimal sizing of renewable hybrids energy systems:a review of methodologies. Solar
Energy, ELSEVIER, v. 86, p. 1077–1088, 2012. Citado na página 84.
MALCZEWSKI, J. GIS e Multicriteria Decision Analysis. First. [S.l.]: John Wiley Sons,
1999. Citado 4 vezes nas páginas 23, 34, 36 e 37.
MALCZEWSKI, J. On the use of weighted linear combination method in GIS: Common
and best practice approaches. Transactions in GIS, Blackwell Publishers, v. 4, n. 1, p.
5–22, 2000. Citado 2 vezes nas páginas 35 e 37.
MALCZEWSKI, J. Ordered weighted averaging with fuzzy quantifiers: GIS-based
multicriteria evaluation for land-use suitability analysis. International Journal of Applied
Earth Observation and Geoinformation, Elsevier, n. 8, p. 270–277, 2006a. Citado 4 vezes
nas páginas 43, 48, 49 e 51.
MALCZEWSKI, J. Integrating multicriteria analysis and geographic information systems:
the ordered weighted averaging (OWA) approach. International Journal Environmental
Technology and Management, v. 6, n. 1/2, 2006b. Citado na página 50.
MALCZEWSKI, J. GIS-based multicriteria decision analysis: a survey of the literature.
International Journal of Geographical Information Science, Taylor Francis, v. 20, n. 7, p.
703–726, 2006c. Citado 4 vezes nas páginas 38, 42, 43 e 44.
MALCZEWSKI, J. Local weighted linear combination. Transactions in GIS, v. 15, n. 4, p.
439–455, 2011. Citado na página 35.
MALCZEWSKI, J.; RINNER, C. Multicriteria Decision Analysis in Geographic
Information Systems. First. [S.l.]: Springer, 2015. Citado 8 vezes nas páginas 23, 34, 36,
37, 39, 42, 43 e 80.
152
MARQUES-PEREZ, I.; GUAITA-PRADAS, I.; GALLEGO, A.; SEGURA, B. Territorial

planning for photovoltaic power plants using an outranking approach and GIS. Journal of
Cleaner Production, Elsevier, v. 257, p. 120602, 2020. Citado 2 vezes nas páginas 27 e 79.
MERROUNI, A. A.; ELALAOUI, F. E.; MEZRHAB, A.; MEZRHAB, A.; GHENNIOUI,

A. Large scale PV sites selection by combining GIS and analytical hierarchy process. Case
study: Eastern Morocco. Renewable Energy, Elsevier, v. 119, p. 863–873, 2018. Citado 2
vezes nas páginas 27 e 79.
MMA, M. do M. A. Download de dados geográficos. 2010. Citado 3 vezes nas páginas 41,
90 e 128.
NASA, N. A. S. A. Wind Polygon 1 Degree Global. 2005. Disponı́vel em: hhttp:

//www.webservice-energy.org/record/3a35184ba9e4db24a93c1a04a9e087001d8dcb37/i.
Citado 9 vezes nas páginas 90, 92, 93, 94, 95, 155, 156, 157 e 158.
NASA, N. A. S. A. Solar GHI Polygon Global 1 Degree. 2014. Disponı́vel em: hhttp:
//www.webservice-energy.org/record/d5c614c49bac10a42fe212baeab1bc64c319d776/i.
Citado 9 vezes nas páginas 90, 92, 93, 94, 95, 155, 156, 157 e 158.
NASCIMENTO, C. A. M.; SOUZA, A. R.; ALTOE, R. T.; TEOFILO, D. R.; BELEM,

F. L.; PIMENTA, L. C. A.; BOSQUE, M. M.; MESQUITA, R. C. Planejamento de
rotas otimizadas para linhas aéreas de energia com uso de inteligência computacional e
geoprocessamento. XX SNPTEE - Seminário Nacional de Produção e Transmissão de
Energia Elétrica, 2009. Citado na página 29.
OMITAOMU, O. A.; BLEVINS, B. R.; JOCHEM, W. C.; MAYS, G. T.; BELLES, R.;
HADLEY, S. W.; HARRISON, T. J.; BHADURI, B. L.; NEISH, B. S.; ROSE, A. N.
Adapting a GIS-based multicriteria decision analysis approach for evaluating new power
generating sites. Applied Energy, Elsevier, v. 96, p. 292–301, 2012. Citado na página 26.
ORLOVSKI, S. A. Problems of decision making with fuzzy information. NAUKA, Moskow,

PARETO, V. Cours d’Economie Politique. [S.l.]: Lousanne Rouge, Lousanne, 1886.

PARREIRAS, R. O.; EKEL, P. Y. Construction of non-reciprocal fuzzy preference

relations with the use of preference functions. Pesquisa Operacional, v. 33, n. 2, p.
305–323, 2013. Citado 4 vezes nas páginas 64, 67, 68 e 70.
PEDRYCZ, W.; EKEL, P. Y.; PARREIRAS, R. O. Fuzzy Multicriteria Decision-Making:

Models, Methods and Applications. First. [S.l.]: Wiley, 2011. Citado 20 vezes nas páginas
23, 26, 35, 37, 46, 55, 56, 57, 64, 65, 66, 67, 68, 69, 70, 73, 75, 76, 77 e 78.
PEREIRA, J. G. Modelos e Métodos de Tomada de Decisões Multiobjetivo em Ambiente

de Incertezas e suas Aplicações. Tese (Doutorado) — Escola de Engenharia, Programa
de Pós-graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, 2014.
Citado 5 vezes nas páginas 23, 26, 55, 63 e 80.
PEREIRA, J. G.; EKEL, P. Y.; PALHARES, R. M.; PARREIRAS, R. O. On multicriteria

decision making under conditions of uncertainty. Information Sciences, Elsevier, n. 324, p.
44–59, 2015. Citado 5 vezes nas páginas 26, 56, 60, 63 e 80.
153
PIANEZZOLA, G.; KRENZINGER, A.; CANALES, F. A. Complementarity maps

of wind and solar energy resources for Rio Grande do Sul, Brazil. Energy and Power
Engineering, Scientific Research Publishing Inc, v. 9, p. 489–504, 2017. Citado 2 vezes
nas páginas 85 e 93.
QUEIROZ, J. C. B. de. Modelos e métodos de tomada de decisões para apoio à gestão

estratégica em empresas de energia elétrica. Tese (Doutorado) — Escola de Engenharia,
Programa de Pós-graduação em Engenharia Elétrica, Universidade Federal de Minas
Gerais, 2009. Citado 4 vezes nas páginas 38, 65, 66 e 67.
RAM, C.; MONTIBELLER, G. Exploring the impact of evaluating strategic options

in a scenario-based multi-criteria framework. Technological Forecasting Social Change,
Elsevier, n. 80, p. 657–672, 2013. Citado na página 55.
RAMACHANDRA, T.; SHRUTHI, B. Spatial mapping of renewable energy potential.

Renewable and Sustainable Energy Reviews, ELSEVIER, v. 11, n. 7, p. 1460–1480, 2007.
RAMALHO, F. D. Utilização da Informação Qualitativa no Processo de Tomada de

Decisão. Dissertação (Mestrado) — Pontifı́cia Universidade Católica de Minas Gerais,
Programa de Pós Graduação em Engenharia Elétrica, 2017. Citado 5 vezes nas páginas
24, 26, 66, 71 e 121.
RAMALHO, F. D.; EKEL, P.; PEDRYCZ, W.; PEREIRA, J. G.; SOARES, G. L.

Multicriteria decision making under conditions of uncertainty in application to
multiobjective allocation of resources. Information Fusion, Elsevier, v. 49, p. 249–261,
2019. Citado 5 vezes nas páginas 24, 26, 71, 121 e 124.
RODRIGUEZ, R.; GAUTHIER-MARADEI, P.; ESCALANTE, H. Fuzzy spatial decision

tool to rank suitable sites for allocation of bioenergy plants based on crop residue.
Biomass and Bioenergy, Elsevier, n. 100, p. 17–30, 2017. Citado na página 26.
SAATY, T. L. How to make a decision: The analytic hierarchy process. European Journal
of Operational Research, v. 48, p. 9–26, 1990. Citado 3 vezes nas páginas 37, 66 e 124.
SEMC, S. de Energia Minas e C. Atlas eólico: Rio Grande do Sul. 2002. Citado na página
93.
SILVA, A. N. R. da; RAMOS, R. A. R.; SOUZA, L. C. L. de; RODRIGUES, D. S.;

MENDES, J. F. G. SIG: Uma plataforma para introdução de técnicas emergentes no
planejamento urbano, regional e de transportes. 1. ed. [S.l.]: EdUFSCar, 2008. Citado na
página 34.
SILVA, L. M. L. da; EKEL, P.; VIEIRA, D. A. G.; SOARES, G. L. Multiattribute spatial

decision-making for qualitative information processing as applied to the renewable energy
generating sites prospection. IEEE Access, v. 8, p. 137745–137757, 2020. Citado na
página 80.
SOBOL, I. M. On the systematic search in a hypercube. SIAM Journal on Numerical

Analysis, Society for Industrial and Applied Mathematics, v. 16, n. 5, p. 790–793, 1979.
154
SOLAR, C. PV Module Product Datasheet - Maxpower CS6X-315 — 320 — 325P. 2017.

TOBLER, W. Resolution, resampling and all that. In Building Data Bases for Global
Science, Mounsey, H., Tomlinson, R., Eds.; Taylor and Francis: London,UK, p. 129–137,
TOMLIN, C. D. Map algebra: one perspective. Landscape and Urban Planning, Elsevier,
v. 30, p. 3–12, 1994. Citado na página 40.
VASILEIOU, M.; LOUKOGEORGAKI, E.; G.VAGIONA, D. GIS based multi-criteria
decision analysis for site selection of hybrid offshore wind and wave energy systems in
Greece. Renewable and Sustainable Energy Reviews, Elsevier, v. 73, p. 745–757, 2017.
VERONESI, F.; SCHITO, J.; GRASSI, S.; RAUBAL, M. Automatic selection of weights
for GIS-based multicriteria decision analysis: site selection of transmission towers as a
case study. Applied Geography, Elsevier, v. 83, p. 78–85, 2017. Citado na página 37.
XU, Z. An overview of methods for determining OWA weights. International Journal
of Intelligent Systems, Wiley InterScience, v. 20, p. 843–865, 2005. Citado 4 vezes nas
páginas 50, 52, 53 e 54.
YAGER, R. R. On ordered weighted averaging aggregation operators in multicriteria
decision making. IEEE Transactions on Systems, Man, and Cybernetics, v. 8, n. 1, p.
183–190, 1988. Citado 4 vezes nas páginas 37, 47, 48 e 76.
YAGER, R. R. Families of OWA operators. Fuzzy Sets and Systems, v. 59, p. 125–148,
YAGER, R. R. Quantifier guided aggregation using OWA operators. International Journal
of Intelligent Systems, John Wiley e Sons, Inc., v. 11, p. 49–73, 1996. Citado 5 vezes nas
páginas 48, 49, 51, 52 e 53.
YAGER, R. R.; FILEV, D. P. Parameterized AND-like and OR-like OWA operators.
International Journal of General Systems, v. 22, n. 3, p. 297–316, 1994. Citado 2 vezes
nas páginas 52 e 54.
YILMAZ, P.; HOCAOGLU, M. H.; KONUKMAN, A. E. S. A pre-feasibility case study
on integrated resource planning including renewables. Energy Policy, ELSEVIER, v. 36, p.
1223–1232, 2008. Citado na página 84.
YUSHCHENKO, A.; BONO, A. de; CHATENOUX, B.; PATEL, M. K.; RAY, N.
GIS-based assessment of photovoltaic (PV) and concentrated solar power (CSP)
generation potential in West Africa. Renewable and Sustainable Energy Reviews, Elsevier,
v. 81, p. 2088–2103, 2018. Citado 3 vezes nas páginas 27, 79 e 100.
ZADEH, L. A. Fuzzy sets. Information and Control, v. 1, p. 338—353, 1965. Citado na
página 44.
ZHANG, Q.; WANG, Y.; YANG, Y. Fuzzy multiple attribute decision making with eight
types of preference information on alternatives. Proceedings of the 2007 IEEE Symposium
on Computational Intelligence in Multicriteria Decision Making, MCDM 2007, p. 288–293,
2007. Citado 3 vezes nas páginas 53, 64 e 65.
155
Apêndice A – Complementaridade energética: Perfis mensais
156
157
158
159
Apêndice B – Critérios de análise do problema 1 e normalização

160
161
Apêndice C – Matrizes da abordagem possibilı́stica para os lotes 2, 3 e 4
Lote 2
y1 y2 y3 y4
x1 126.005,43 136.631,04 128.069,45 143.918,21
x2 126.283,25 136.164,09 128.010,28 142.034,61
x3 127.181,88 138.153,87 125.742,83 142.714,69
x4 127.883,52 139.298,74 126.596,14 139.187,06
y1 y2 y3 y4
x1 0 1.809,12 0 0
x2 1.173,20 1.374,01 1.499,08 1.010,25
x3 31,71 4.007,54 40,52 27,30
x4 634,16 3.457,93 810,32 546,08


x1 143.918,21 133.656,03 4.731,15 139.440,01
x2 142.034,61 133.123,06 2.847,55 138.096,77
x3 142.714,69 133.448,32 3.527,63 138.471,72
x4 139.298,74 133.241,36 3.134,64 136.123,09
Min f (xk ) 139.298,74 133.123,06 2.847,55 136.123,09
Max f (xk ) 143.918,21 133.656,03 4.731,15 139.440,01

para o lote 2

x1 1.809,12 452,28 435,10 1.356,84
x2 1.499,08 1.264,14 1.499,08 1.376,88
x3 4.007,54 1.026,77 2.633,53 3.012,48
x4 3.457,93 1.362,12 2.083,92 2.729,97
Min f (xk ) 1.499,08 452,28 435,10 1.356,84
Max f (xk ) 4.007,54 1.362,12 2.633,53 3.012,48
162
y1 y2 y3 y4 rmax
x1 0 466,94 2.326,62 4.731,15 4.731,15
x2 277,82 0 2.267,45 2.847,55 2.847,55
x3 1.176,45 1.989,77 0 3.527,63 3.527,63
x4 1.878,09 3.134,64 853,31 0 3.134,64
y1 y2 y3 y4 rmax
x1 0 435,10 0 0 435,10
x2 1.173,20 0 1.499,08 1.010,25 1.499,08
x3 31,71 2.633,53 40,52 27,30 2.633,53
x4 634,16 2.083,92 810,32 546,08 2.083,92


x1 0 0 0 0
x2 0,408 1 1 0,405
x3 0,261 0,390 0,639 0,292
x4 1 0,778 0,848 1


x1 0,8764 1 1 1
x2 1 0,1077 0,5160 0,9879
x3 0 0,3686 0 0
x4 0,2191 0 0,2500 0,1706
163

x1 0 0 0 0
x2 0,4078 0,1077 0,5160 0,4050
x3 0 0,3686 0 0
x4 0,2191 0 0,2500 0,1706
Lote 3
y1 y2 y3 y4
x1 130.093,18 142.686,37 132.696,39 145.564,54
x2 129.092,30 140.660,95 132.695,85 145.688,97
x3 132.224,75 147.374,51 127.593,12 144.992,19
x4 132.604,63 146.823,30 133.408,80 143.564,17
y1 y2 y3 y4
x1 584,83 4.684,55 747,28 503,60
x2 975,14 2.298,13 1.246,01 839,70
x3 409,84 6.252,85 523,68 352,92
x4 747,15 4.509,61 954,70 643,38


x1 145.564,54 137.760,12 5.103,27 141.696,70
x2 145.688,97 137.034,52 5.102,73 141.539,81
x3 147.374,51 138.046,14 6.713,57 142.429,16
x4 146.823,30 139.100,23 6.162,36 143.268,64
Min f (xk ) 145.564,54 137.034,52 5.102,73 141.539,81
Max f (xk ) 147.374,51 139.100,23 6.713,57 143.268,64
164

para o lote 3

x1 4.684,55 1.630,07 2.386,42 3.639,31
x2 2.298,13 1.339,74 722,33 1.933,52
x3 6.252,85 1.884,82 3.954,72 4.777,86
x4 4.509,61 1.713,71 2.211,48 3.543,05
Min f (xk ) 2.298,13 1.339,74 722,33 1.933,52
Max f (xk ) 6.252,85 1.884,82 3.954,72 4.777,86
y1 y2 y3 y4 rmax
x1 1.000,89 2.025,42 5.103,27 2.000,37 5.103,27
x2 0 0 5.102,73 2.124,80 5.102,73
x3 3.132,45 6.713,57 0 1.428,02 6.713,57
x4 3.512,33 6.162,36 5.815,68 0 6.162,36
y1 y2 y3 y4 rmax
x1 174,99 2.386,42 223,60 150,69 2.386,42
x2 565,30 0 722,33 486,79 722,33
x3 0 3.954,72 0 0 3.954,72
x4 337,32 2.211,48 431,02 290,47 2.211,48


x1 1 0,6487 0,9997 0,9092
x2 0,9313 1 1 1
x3 0 0,5103 0 0,4856
x4 0,3045 0 0,3422 0
165


x1 0,3966 0,4674 0,4852 0,4003
x2 1 1 1 1
x3 0 0 0 0
x4 0,4408 0,3139 0,5393 0,4341

x1 0,3966 0,4674 0,4852 0,4003
x2 0,9313 1 1 1
x3 0 0 0 0
x4 0,3045 0 0,3422 0
Lote 4
y1 y2 y3 y4
x1 127.226,74 139.076,79 125.339,09 142.210,49
x2 126.747,73 137.167,09 125.303,18 142.434,51
x3 128.430,21 140.671,24 124.182,10 143.784,54
x4 130.301,61 143.281,46 125.987,50 138.382,09
y1 y2 y3 y4
x1 1.065,86 4.991,21 1.361,93 917,83
x2 3.335,12 3.575,79 4.261,54 2.871,91
x3 408,10 2.382,48 521,46 351,42
x4 1.100,24 6.282,47 1.405,87 947,43
166


x1 142.210,49 133.463,28 3.828,40 137.992,64
x2 142.434,51 132.913,13 4.052,42 138.151,68
x3 143.784,54 134.267,02 5.402,45 138.883,93
x4 143.281,46 134.488,16 6.114,36 138.957,97
Min f (xk ) 142.210,49 132.913,13 3.828,40 137.992,64
Max f (xk ) 143.784,54 134.488,16 6.114,36 138.957,97

para o lote 4

x1 4.991,21 2.084,21 2.608,73 3.972,87
x2 4.261,54 3.511,09 3.740,07 3.914,13
x3 2.382,48 915,87 0 1.874,72
x4 6.282,47 2.434 3.899,99 4.948,71
Min f (xk ) 2.382,48 915,87 0 1.874,72
Max f (xk ) 6.282,47 3.511,09 3.899,99 4.948,71
y1 y2 y3 y4 rmax
x1 479,01 1.909,69 1.156,99 3.828,40 3.828,40
x2 0 0 1.121,08 4.052,42 4.052,42
x3 1.682,48 3.504,15 0 5.402,45 5.402,45
x4 3.553,88 6.114,36 1.805,40 0 6.114,36
y1 y2 y3 y4 rmax
x1 657,76 2.608,73 840,47 566,41 2.608,73
x2 2.927,01 1.193,31 3.740,07 2.520,49 3.740,07
x3 0 0 0 0 0
x4 692,14 3.899,99 884,40 596,01 3.899,99
167


x1 1 0,6507 1 1
x2 0,8577 1 0,9020 0,8353
x3 0 0,1404 0,3114 0,0767
x4 0,3196 0 0 0


x1 0,3311 0,5498 0,3311 0,3175
x2 0,5182 0 0,0410 0,3366
x3 1 1 1 1
x4 0 0,4150 0 0

x1 0,3311 0,5498 0,3311 0,3175
x2 0,5182 0 0,0410 0,3366
x3 0 0,1404 0,3114 0,0767
x4 0 0 0 0

Modelos e Metodos para Analise Multicriterio

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

Modelos e Metodos para Analise Multicriterio

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE MINAS GERAIS

LIVIA MARIA LEITE DA SILVA

MODELOS E MÉTODOS PARA ANÁLISE MULTICRITÉRIO E

MODELOS E MÉTODOS PARA ANÁLISE MULTICRITÉRIO E

Tese final apresentada à Escola de En-

Orientador: Prof. Dr. Petr I. Ekel

Agradeço a Deus por ter me concedido a oportunidade e todas condições necessárias

O presente trabalho reflete os resultados das pesquisas relacionados à tomada de decisão

Keywords: Spatial Decision Making. Uncertainty factor. General Scheme of Multicriteria

Figura 1 – Esquema ilustrativo dos principais conceitos relacionados à tomada de

Tabela 1 – Comparação: MADA × MODA . . . . . . . . . . . . . . . . . . . . . 39

AHP Analitic Hierachy Process

AMC Análise Multicritério

AMCE Análise Multicritério Espacial

LTs linhas de transmissão

MADA Multiattribute Decision Analysis

MODA Multiobjective Decision Analysis

NR Relações de Preferência Fuzzy Não Recı́procas

OWA Ordered Weighted Averaging

QGDD Quantifier Guided Dominance Degree

QGNDD Quantifier Guided Nondominace Degree

RA Relações de Preferência Fuzzy Recı́procas Aditivas

RDM Regular Decreasing Monotone

RPF Relações de Preferência Fuzzy

RPM Relações de Preferência Multiplicativa

RPFNR Relações de Preferência Fuzzy Não Recı́procas

RPFE Relações de Preferência Fuzzy Estrita

RPFRA Relações de Preferência Fuzzy Recı́procas Aditivas

RIM Relative Increasing Monotone

SIG Sistemas de Informações Geográficas

S -OWA Slide OWA

c Conjunto de critérios do problema de decisão

ci I-ésimo critério de decisão

cb Critério de decisão genérico

n Número de critérios espaciais relevantes para a decisão

x Conjunto de alternativas de solução

fi (x) i -ésima função objetivo

L Região de soluções factı́veis

Ai (x) i -ésimo conjunto fuzzy

µAi (x) i -ésima função de pertinência do conjunto fuzzy A

gi (x) I -ésimo geocampo

sp Espalhamento de uma função sigmoide

md Ponto médio de uma função sigmoide

wn Peso ordenado relacionado ao critério n

Q Conjunto fuzzy de um quantificador linguı́stico

agg Operador de agregação

D Conjunto fuzzy agregado

µD Valor agregado de uma função de pertinência

vn Peso de importância relativa ao critério n

b1 , ..., bn Vetor de argumentos ordenados

FSO Operador Or-Like

FSA Operador And-Like

FS Operador S -OWA generalizado

f (xK , yS ) Avaliação de uma alternativa de solução xK em um cenário yS

qst Coordenadas geradas de acordo com as LPτ − sequences

f max (xk ) Nı́vel máximo de um critério

f min (xk ) Nı́vel mı́nimo de um critério

f (xk ) Nı́vel médio de um critério

rmax (xk ) Nı́vel máximo de risco

rmin (xk ) Nı́vel mı́nimo de risco

r(xk , ys ) Risco associado a escolha da alternativa xk no cenário ys

xW Solução indicada pelo critério de escolha de Wald

xL Solução indicada pelo critério de escolha de Laplace