Mapeamento de Sensibilidade Ambiental para Bacias ...siaibib01.univali.br/pdf/Sandra Greice Hess...
89
UNIVERSIDADE DO VALE DO ITAJAÍ MESTRADO EM CIÊNCIA E TECNOLOGIA AMBIENTAL Mapeamento de Sensibilidade Ambiental para Bacias Hidrográficas: o uso da Lógica e Inferência Difusa para a Elaboração e Síntese dos Critérios de Análise Sandra Greice Hess Espindola Itajaí, Junho, 2012.
Transcript of Mapeamento de Sensibilidade Ambiental para Bacias ...siaibib01.univali.br/pdf/Sandra Greice Hess...
UNIVERSIDADE DO VALE DO ITAJAÍ
MESTRADO EM CIÊNCIA E TECNOLOGIA AMBIENTAL
Mapeamento de Sensibilidade Ambiental para
Bacias Hidrográficas: o uso da Lógica e
Inferência Difusa para a Elaboração e Síntese
dos Critérios de Análise
Sandra Greice Hess Espindola
Itajaí, Junho, 2012.
UNIVERSIDADE DO VALE DO ITAJAÍ
MESTRADO EM CIÊNCIA E TECNOLOGIA AMBIENTAL
Mapeamento de Sensibilidade Ambiental para
Bacias Hidrográficas: o uso da Lógica e
Inferência Difusa para a Elaboração e Síntese
dos Critérios de Análise
Sandra Greice Hess Espindola
Dissertação apresentada à Universidade do
Vale do Itajaí, como parte dos requisitos para
obtenção do grau de Mestre em Ciência e
Tecnologia Ambiental.
Orientador: Rafael Medeiros Sperb
Itajaí, Junho, 2012
Dedico esta conquista para aqueles a
quem também dedico minha vida. Aos
meus amores, João Carlos e Lara.
AGRADECIMENTOS
Começo agradecendo aquele a quem dedico o título de “melhor professor do
mundo”, meu orientador e amigo Dr. Rafael Medeiros Sperb. Com ele aprendi tanto
que não tenho como descrever. Agradeço por ter compartilhado comigo seu incrível
talento, me ensinado a simplificar o difícil, minimizar as dificuldades e sorrir para as
adversidades, comportamentos que são capazes de modificar o resultado de
qualquer projeto, seja ele acadêmico ou pessoal. Obrigada professor Rafael!!!
Agradeço também aos professores Drs. Antônio Carlos Beaumord (Tú), João
Thadeu de Menezes e Jarbas Bonetti Filho pelas importantes considerações
realizadas na avaliação deste trabalho. Ao professor “Tú” agradeço também pelas
“injeções de ânimo”.
Aos amigos do G10 agradeço pela ótima convivência e por todo o auxílio. Agradeço
a Rafaela por sua eficiência e amizade e, ao Alencar, pelo auxílio no
desenvolvimento do trabalho.
Finalmente agradeço a minha família por serem tão especiais e tornarem minha vida
tão cheia de encanto. Agradeço ao João Carlos por ter caminhado junto comigo
nesta etapa, sempre procurando ser paciente e ajudando no que fosse preciso.
Obrigada Deus!!!
ii
SUMÁRIO
AGRADECIMENTOS .................................................................................................. I
SUMÁRIO ................................................................................................................... II
LISTA DE FIGURAS ................................................................................................. IV
LISTA DE TABELAS ............................................................................................... VII
RESUMO ................................................................................................................. VIII
ABSTRACT ............................................................................................................... IX
INTRODUÇÃO ........................................................................................................... 1
OBJETIVOS ............................................................................................................... 3
OBJETIVO GERAL ...................................................................................................... 3
OBJETIVOS ESPECÍFICOS ........................................................................................... 3
REVISÃO BIBLIOGRÁFICA ...................................................................................... 4
CONCEITOS E DEFINIÇÕES .......................................................................................... 4
Bacia Hidrográfica ............................................................................................... 4
Mapeamento de sensibilidade ambiental ............................................................ 5
LÓGICA DIFUSA .......................................................................................................... 8
Conjuntos difusos ................................................................................................ 8
Variáveis linguísticas ......................................................................................... 11
Controle Difuso .................................................................................................. 12
MAPEAMENTO DIFUSO .............................................................................................. 15
Aplicação de lógica difusa em análise geoespacial ........................................... 17
Mapa de percepção ambiental .......................................................................... 23
MATERIAIS E MÉTODOS ....................................................................................... 26
SIMULADOR............................................................................................................. 26
Características do Simulador ............................................................................ 28
iii
ESTUDO DE CASO.................................................................................................... 32
Área de Estudo .................................................................................................. 34
Enfoque Difuso .................................................................................................. 35
Inferência Difusa ............................................................................................... 45
Enfoque Tradicional .......................................................................................... 48
RESULTADOS E DISCUSSÃO ............................................................................... 49
AVALIAÇÃO VISUAL DOS RESULTADOS ........................................................................ 49
ANÁLISE COMPARATIVA ............................................................................................ 54
CONCLUSÕES ........................................................................................................ 61
RECOMENDAÇÕES ................................................................................................ 63
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 64
APÊNDICE ............................................................................................................... 72
ANEXO ..................................................................................................................... 77
iv
LISTA DE FIGURAS
Figura 1 - Representação da densidade populacional através da (a) lógica clássica,
suas (b) interfaces de incerteza e (c) Lógica Difusa. Fonte: Sperb (2002). ................ 9
Figura 2 - Formatos mais comuns para a representação de conjuntos difusos. Fonte:
Sperb (2002). ............................................................................................................ 12
Figura 3 - Representação esquemática de um sistema de controle difuso. ............. 13
Figura 4 - Processo de inferência difusa. Fonte: Carvalho, 2001. ............................ 14
Figura 5 - Defuzzificação através do método do centróide. Fonte: Carvalho, 2001. 15
Figura 6 - Exemplo real de transição entre distintas Zona Tipo. ............................... 16
Figura 7 - Exemplo representação de transição entre distintas Zona Tipo (praia e
restinga) por meio de conjuntos difusos. .................................................................. 17
Figura 8. Mapa convencional de solos e mapa digital de solos gerado sob influência
difusa da região de Mucugê, BA (Fonte: Nolasco-Carvalho et al., 2009). ................ 18
Figura 9 - Metodologia utilizada na conversão dos dados de solo em conjuntos
difusos, utilizando função de pertinência linear (Fonte: Barreto-Neto & Souza Filho,
2008). ....................................................................................................................... 19
Figura 10 - Metodologia de Reshmidevi et al. (2009). Fonte: Reshmidevi et al.
(2009), tradução livre. ............................................................................................... 22
Figura 11 - Exemplo de aplicação de MBAD em uso e ocupação do solo. Fonte:
Sperb, 2002. ............................................................................................................. 25
Figura 12 - Interface do Simulador (Adaptado de Sperb, 2002). .............................. 27
Figura 13 – Exemplo de fuzzificação realizada célula a célula: (a) parâmetro de
entrada declividade; (b) matriz correspondente a uma pequena área; (c) conjuntos
difusos: Baixa, Média e Alta declividade; (d) pertinência da declividade 25% aos
conjuntos difusos. ..................................................................................................... 29
Figura 14 – Exemplo de Inferência Difusa. (a) Regras de Inferência; (b) Conjuntos
Difusos associados ao parâmetro de entrada; (c) Conjuntos Difusos de saída; (d)
Defuzzificação. ......................................................................................................... 30
v
Figura 15 - Sintaxe do script de configuração .......................................................... 31
Figura 16 - Fluxograma Metodológico ...................................................................... 33
Figura 17 - Localização do município de Rio dos Cedros, SC.................................. 34
Figura 18 - Critérios de análise da sensibilidade ambiental ..................................... 36
Figura 19 - Mapa de declividade .............................................................................. 37
Figura 20 - Representação booleana das classes de sensibilidade para o critério
declividade ................................................................................................................ 38
Figura 21 - Conjuntos difusos e respectivos termos lingüísticos associados à
Declividade ............................................................................................................... 38
Figura 22 - Conjuntos difusos para as APPs de 30 metros ...................................... 40
Figura 23 - Conjuntos difusos para as APPs de 50 metros ...................................... 40
Figura 24 - Classes de solo. ..................................................................................... 41
Figura 25 - Conjunto difuso associado a borda de transição das classes de solos .. 42
Figura 26 - Atrativos Turísticos ................................................................................. 43
Figura 27 - Distância dos Atrativos Turísticos .......................................................... 44
Figura 28 - Conjuntos difusos associados a influência do Atrativo Turístico à
sensibilidade das áreas ............................................................................................ 44
Figura 29 - Conjuntos difusos de saída .................................................................... 45
Figura 30 - Exemplo de cruzamento entre os critérios de análise ............................ 46
Figura 31 - Sintaxe das regras ................................................................................. 46
Figura 32 - Resultado exportado do Simulador no formato ASCII ............................ 47
Figura 33 - Mapa de Sensibilidade Ambiental Difuso ............................................... 47
Figura 34 - Mapa de sensibilidade ambiental tradicional .......................................... 48
Figura 35 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C)
Declividade; (D) Distância dos rios; (E) Tipo de solo (para este exemplo toda a
região possui solo de alta sensibilidade); (F) Mapa de Sensibilidade Ambiental
Difuso. ...................................................................................................................... 51
vi
Figura 36 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C)
Declividade; (D) Distância dos rios; (E) Tipo de solo (transição entre solos com
diferentes níveis de sensibilidade); (F) Mapa de Sensibilidade Ambiental Difuso. ... 52
Figura 37 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C)
Declividade; (D) Distância dos rios; (E) Tipo de solo (transição entre solos com
diferentes níveis de sensibilidade); (F) Mapa de Sensibilidade Ambiental Difuso. Os
pontos azuis representam as nascentes descritas na Tabela 5. .............................. 53
Figura 38 - Mapa de Sensibilidade Ambiental elaborado através da Lógica Clássica e
Difusa. ...................................................................................................................... 54
Figura 39 - Índice de Sensibilidade pelos métodos tradicional e difuso. .................. 55
Figura 40 – Demonstrativo dos critérios e síntese para os mapas de sensibilidade
ambiental e difuso .................................................................................................... 57
Figura 41 - MSAD em classes de sensibilidade ....................................................... 58
Figura 42 - Mapa de Sensibilidade Ambiental Tradicional e Difuso em classes de
sensibilidade ............................................................................................................. 59
Figura 43 - Visualização 3D do MSAD. .................................................................... 60
vii
LISTA DE TABELAS
Tabela 1- Ferramentas disponíveis para aplicação da lógica difusa em análise
geoespacial .............................................................................................................. 23
Tabela 2 - Classes de declividade ............................................................................ 37
Tabela 3 - Tipos de solo presentes na área de estudo e respectivos valores de
sensibilidade ............................................................................................................. 41
Tabela 4 – Escala de sensibilidade segundo método tradicional ............................. 48
Tabela 5 - Comparação de resultado entre duas áreas de nascente. ...................... 53
Tabela 6 - Percentual da área nas classes de sensibilidade para os mapas de
sensibilidade tradicional (MSAT) e difuso (MSAD). .................................................. 59
viii
RESUMO
Este estudo visou levantar e avaliar as metodologias e tecnologias disponíveis para
a elaboração de mapeamentos temáticos com base em Lógica Difusa, bem como
avaliar a viabilidade de uso da Inferência Difusa na geração de índices de
sensibilidade ambiental para bacias hidrográficas. A lógica difusa permite a
aplicação do conceito de transição gradual entre distintos conjuntos ou, no caso de
análise geoespacial, feições geográficas. Neste último caso, a caracterização da
transição gradual entre feições possibilita análises e mapeamentos mais fidedignos
ao que se encontra no meio ambiente, principalmente quando comparados às
análises clássicas baseadas na transição abruta (Lógica Clássica) das feições.
Complementarmente, a Lógica e a Inferência Difusa fazem uso de termos
linguísticos, permitindo a codificação de regras de tratamento da informação de
forma simples e textual, como por exemplo: se a declividade é alta e a área é de
preservação permanente, então, a área é muito sensível. Para testar a Inferência
Difusa na geração de mapas temáticos de sensibilidade ambiental, utilizou-se um
estudo de caso no município de Rio dos Cedros – SC. Área previamente mapeada
segundo a Lógica Clássica. Os testes foram realizados com o emprego do software
ArcGIS 9.3® e do Simulador para Agentes Inteligentes Difusos*. No SIG os critérios
para geração dos índices de sensibilidade ambiental foram preparados para o
simulador, sendo eles: áreas de APP de rio e nascentes, declividade, tipos de solo e
atrativos turísticos. Estes mapas foram inseridos no simulador para a “fuzzificação”
dos critérios segundo conjuntos difusos próprios, a formulação das regras e a
inferência propriamente dita. Os resultados, após análise em SIG, demonstram que
a inferência difusa apresenta valores de índices de sensibilidade ambiental mais
realistas que a geração de índices baseados em lógica clássica, atestando
positivamente sobre a viabilidade de seu emprego na síntese de cartas temáticas.
Característica derivada da agregação de áreas de transição entre feições e do
emprego de termos linguísticos na formulação dos conjuntos e regras difusas.
Palavras-chaves: Mapeamento temático, Mapeamento de risco, Gestão Ambiental.
* Software desenvolvido pelo laboratório de computação Aplicada da Univali.
ix
ABSTRACT
This study sought to assess and evaluate the methodologies and technologies
available for producing thematic maps based on Fuzzy Logic, and to evaluate the
viability of using Fuzzy Inference System in the generation of environmental
sensitivity indices for watersheds. Fuzzy logic enables the application of the concept
of gradual transition between different sets or, in the case of geospatial analysis,
between geographical features. In the latter case, the characterization of gradual
transition between features enables analyses and mappings that are more faithful to
what is actually found in the environment, especially when compared to classical
analyses based on abrupt transition (Classical Logic) between features. In addition,
Logic and Fuzzy Inference make use of linguistic terms, enabling the encoding rules
for processing information in a simple and textual way, as presented in the following
example: if the slope is high and the area is a permanent preservation area, then the
area is very sensitive. To test the Fuzzy Inference System in the generation of
thematic mapping of environmental sensitivity, a study case was developed in the
municipality of Rio dos Cedros – SC. This area was first mapped according to
Classical Logic. The tests were performed with ArcGIS 9.3® and the Fuzzy Intelligent
Agents Simulator *. In GIS, the criteria for generating environmental sensitivity
indexes were pre-processed for the Simulator, namely: APP areas in rivers and
spring waters, slopes, soil types, and tourist attractions. These maps were fed into in
the Simulator for "fuzzification" of the criteria, by fuzzy sets themselves, the
formulation of rules and the actual inference. The results, following GIS analysis,
demonstrate that fuzzy inference provides index values of environmental sensitivity
that are richer than those generated based on classical logic, proving is feasibility for
use in the synthesis of thematic maps. This characteristic is derived from the
aggregation of transition areas between features, and use of linguistic terms in the
formulation of sets and fuzzy rules.
Keywords: Thematic Mapping, Risk Mapping, Environmental Management.
* Software developed by the Laboratory of Applied Computing, Univali.
1
INTRODUÇÃO
O uso inadequado do espaço é um dos principais motivos dos desastres naturais
que ocorreram nos últimos anos. Não somente a ocupação humana em áreas
inseguras é a causa de tais desastres, mas também áreas que são desestabilizadas
por seu uso inadequado ou pelo uso inadequado de regiões adjacentes.
Um dos instrumentos de gestão da Política nacional de Recursos hídricos (Brasil,
1997) determina a bacia hidrográfica como unidade de planejamento para
implantação de projetos governamentais. Isto significa um avanço na gestão do
espaço, já que o planejamento passa a ser estudado para uma área com limite
geográfico e não político. Em uma bacia hidrográfica, os processos ambientais são
interligados, consequentemente, o fato de uma pequena área ser considerada pouco
sensível, não significa que continuará sendo se as áreas pouco sensíveis a qual é
interligada vierem a ser desestabilizadas. Para que áreas sensíveis ou
potencialmente sensíveis deixem de ser ocupadas, é necessário um planejamento e
uma gestão territorial baseadas no conhecimento e no diagnóstico da área que se
pretende utilizar.
Para se obter uma leitura integrada dos diversos aspectos que caracterizam uma
região, conta-se com os Sistemas de Informação Geográfica (SIG), que permitem
realizar a sistematização de dados e distintas análises geoespaciais, como a de
sensibilidade de um ambiente. No entanto, os métodos amplamente difundidos para
elaboração de mapas temáticos e análises geoespaciais, empregam a
representação de categorias associadas ao tema de uso em áreas claramente
delineadas. Ou seja, com limites definidos dentro da lógica clássica (booleana): os
elementos, fenômenos ou processos pertencem ou não pertencem a uma
determinada área. Nesta abordagem o espaço geográfico é tratado como um
mosaico de descontinuidade que, raramente, representa com fidedignidade o
ambiente natural, impossibilitando um melhor entendimento das interações ocorridas
no meio ambiente. Em 1986, Burrough já defendia a ideia de que os fenômenos
ambientais são pobremente capturados e manipulados pelos métodos de SIG
usando simplesmente a lógica clássica.
2
Assim, a aplicação de técnicas de como redes neurais (Vahidnia et al., 2010; Tien
Bui et al., 2011; Park et al., 2012) e inferência difusa vem recebendo crescente
atenção pelo meio acadêmico como novas técnicas de análise geoespacial.
De maneira simples, pode-se destacar que o principal avanço que a lógica difusa
trouxe para a análise geoespacial, diz respeito ao tratamento das áreas de incerteza.
A impossibilidade de se mapear adequadamente a transição entre um ambiente de
duna e restinga simplesmente com uma linha, é um exemplo de problema no qual a
abordagem difusa é imprescindível. Este tipo de questão é tratado dentro da lógica
difusa pelas funções de pertinência. Em um conjunto difuso, a pertinência ou não de
um determinado elemento é representada por uma transição gradual, que varia de 0
a 1, tal característica permite que o espaço geográfico seja representado de maneira
contínua, permitindo, por exemplo, que a transição entre a duna e a restinga seja
incluída no mapeamento.
Não somente as funções de pertinência, mas também a utilização de termos
linguísticos e regras de inferência, que aproximam o cálculo computacional ao
raciocínio humano, trazem a perspectiva de que a abordagem difusa representa o
caminho para uma modelagem mais coerente com o ambiente natural.
Em face a esta breve contextualização, propõem-se as seguintes perguntas de
pesquisa:
− Como são geradas as cartas temáticas difusas e quais os instrumentos disponíveis para gerá-las?
− Dentre os critérios que compõe o índice de sensibilidade ambiental para bacias hidrográficas, quais apresentam um caráter difuso?
− É possível empregar o mapeamento temático e a inferência difusa no mapeamento de sensibilidade ambiental para bacias hidrográficas?
3
OBJETIVOS
Objetivo Geral
Avaliar o emprego de Lógica e Inferência Difusa para geração de índices de
sensibilidade ambiental para bacias hidrográficas.
Objetivos Específicos
− Levantar as ferramentas disponíveis para realizar inferência geoespacial
difusa;
− Avaliar a potencialidade da inferência difusa na elaboração de cartas síntese;
− Identificar os critérios de mapeamento de sensibilidade ambiental para bacias
hidrográficas com potencial representação difusa (cartas temáticas difusas); e
− Avaliar o emprego do mapeamento temático e da inferência difusa no
mapeamento de sensibilidade ambiental para bacias hidrográficas.
4
REVISÃO BIBLIOGRÁFICA
Conceitos e definições
Bacia Hidrográfica
A bacia hidrográfica pode ser definida como uma área de captação natural da água
precipitada, delimitada pela topografia, composta por superfícies vertentes e uma
rede de drenagem formada por cursos de água que resulta em uma única saída, o
exutório (Polette et al., 2000; Silveira, 2001). Possui características ecológicas,
geomorfológicas e sociais integradoras, que possibilitam uma abordagem holística e
participativa, envolvendo estudos interdisciplinares para o estabelecimento de
práticas com vistas ao bom desenvolvimento. Fato relatado por Attanasio (2004) ao
considerar as bacias hidrográficas de pequeno porte como sendo a unidade ideal de
planejamento para compatibilizar a preservação dos recursos naturais com as
atividades dos usuários da bacia.
O manejo adequado das bacias hidrográficas é fundamental para garantir a
disponibilidade das águas, bem como a qualidade do solo. Contudo, a ocupação das
bacias ocorreu, e vem ocorrendo, com pouco ou nenhum planejamento, visando o
máximo benefício da população em detrimento da garantia da manutenção de sua
qualidade. Mais recentemente, o crescimento demográfico e a expansão fundiária
com o consequente aumento dos usos da água, num eminente cenário de escassez,
levaram a população a preocupar-se com a preservação da natureza e com o
manejo dos recursos hídricos (Tucci, 2001). Um estudo realizado pela World
Meteorological Organization mostrou que o consumo de água aumentou mais de
seis vezes entre 1900 e 1995 - mais do que o dobro da taxa de crescimento da
população, o que mostra que além do crescimento populacional, outros fatores,
como o aumento da qualidade de vida, contribuem para uma crescente demanda
hídrica (WMO, 1997 apud Freitas et al., 2001).
Tal situação, delineada pela questão do equilíbrio entre o desenvolvimento
socioeconômico e a preservação ambiental passa a ser, então, um desafio para a
humanidade que constata que as intervenções ambientais devem ser tratadas de
forma holística, de modo que todos os elementos e suas interações no meio estejam
5
contemplados (Bragagnolo & Pan, 2000). Para bacias hidrográficas, essas relações
são facilmente identificadas, pois existe uma interdependência entre áreas vizinhas,
principalmente devido ao fluxo de água e aos materiais que são carreados (Tricart,
1977).
A gestão de bacias hidrográficas é fundamental para garantir que o recurso hídrico,
em termos de disponibilidade, possa atender a múltiplos usos como: a função
ecossistêmica, o abastecimento urbano, a dessedentação de animais, o uso
agrícola, o potencial hidrelétrico, dentre outros. Assim, é fundamental que a gestão
seja realizada sistematicamente a fim de que a demanda pelo recurso não supere a
oferta do mesmo. De acordo com Lanna (2000) o gerenciamento de recursos
hídricos pode ser traduzido como um instrumento orientador para as ações do poder
público e da sociedade no controle do uso dos recursos naturais, econômicos e
socioculturais.
Foi essa necessidade de gerenciamento dos recursos hídricos que despontou para a
tendência de se adotar a bacia hidrográfica como a unidade ideal de planejamento e
intervenção, devido ao papel integrador exercido pelas águas (Lanna, 2000),
anteriormente citado. Em termos de legislação federal, essa tendência foi
apresentada nas recomendações feitas pela Associação Brasileira de Recursos
Hídricos (ABRH) na Carta de Foz de Iguaçú (1989), em que, entre outras questões,
pronunciava a bacia hidrográfica como unidade de gestão. Tal recomendação foi
acolhida mais tarde no texto da lei 9.433 de 8 de janeiro de 1997, que instituiu a
Política e o Sistema Nacional de Gerenciamento de Recursos Hídricos, e adotou
como um de seus fundamentos que a bacia hidrográfica é a unidade territorial para
implementação de tal política (Muñoz, 2000). Desta forma, a lei rompeu com os
tradicionais limites físico-político dos estados, integrando os poderes municipais,
estaduais e federal (Assis, 1998 apud Guivant, 2003), sendo ainda a primeira lei no
país com uma abordagem participativa, em que a gestão descentralizada permite a
participação dos usuários e das comunidades.
Mapeamento de sensibilidade ambiental
O mapa de sensibilidade ambiental é uma ferramenta que permite uma visão
integrada das condições ambientais de uma região. Em outras palavras é a
representação de várias camadas temáticas em uma única (BGS, 2008). Uma das
6
principais características dos mapas de sensibilidade ambiental é sua capacidade de
relacionar a sensibilidade de uma área em relação a um tipo de estresse (Buckley,
1982). De fato, existem diversas aplicações para os mapas de sensibilidade
ambiental (BGS, 2008). Encontram-se difundidos avaliando a sensibilidade de uma
área quanto ao derrame de óleo, em questões relativas ao ordenamento territorial, a
exploração mineral, dentre outras formas de desenvolvimento.
Avaliando o contexto histórico verifica-se que uma das bases metodológicas do
mapeamento de sensibilidade ambiental está no conceito da ecodinâmica. Este
conceito foi trazido em 1977 por Jean Tricart, e é baseado no instrumento lógico de
sistema, enfocando as relações mútuas entre os diversos componentes da dinâmica
e os fluxos de energia/matéria no meio ambiente. Com uma metodologia apoiada no
balanço morfogênese/pedogênese, distingue os meios morfodinâmicos como
estáveis, intermediários ou fortemente instáveis (Tricart, 1977). Esta metodologia
passou a ser uma linha metodológica básica no que tange aos aspectos de
sensibilidade ambiental, sendo muito utilizada como ferramenta no processo de
zoneamento de bacias hidrográficas (Crepani et al., 1996; Ross, 1996; Becker &
Egler, 1997).
Fernandes (2008) realizou um estudo de avaliação ambiental integrada na bacia
hidrográfica do rio Benedito (SC), proposto para auxiliar no processo de
licenciamento das Pequenas Centrais Hidrelétricas (PCH). O autor realizou uma
avaliação integrada para identificar as áreas que seriam menos impactadas no caso
da construção de uma PCH. Este exemplo ilustra a consideração de critérios não
apenas morfodinâmicos nos mapeamentos de sensibilidade. Unidades de
conservação, corredores ecológicos, reservas indígenas, áreas de interesse turístico
e paisagístico, parâmetros de qualidade da água, dentro outros, acrescentam
atributos ambientais e socioeconômicos na determinação da sensibilidade ambiental.
Neste caso, contudo, existe uma orientação clara ao empreendimento a ser
estabelecido.
Na mesma linha encontram-se os trabalhos de Hodge & Gilson (2002) e Sugumaran
et al. (2004). No entanto, diferentemente dos trabalhos associados a implantação de
PCH’s, estes autores tratam a sensibilidade ambiental de forma generalizada, o que
permite o emprego da metodologia em diferentes situações. Ou ainda, como uma
referência ao planejamento sem restrição a um escopo ou ramo de atividade
7
específica. Tal enfoque torna o mapeamento de sensibilidade ambiental uma
ferramenta de gestão de bacias hidrográficas, possibilitando que sejam definidas as
aptidões de cada área com base em critérios mais compreensivos.
Espindola (2009) levantou as metodologias existentes para a elaboração do mapa
se sensibilidade ambiental, com destaque à aplicação em bacias hidrográficas - ou
seja, baseou-se no levantamento dos critérios utilizados/aplicáveis às bacias
hidrográficas de pequeno porte, e na adaptação de tais critérios por meio de um
estudo de caso para o município de Rio dos Cedros, SC. Sua pesquisa demonstrou
que este assunto possui limitado referencial teórico no que se refere a aplicações em
bacias hidrográficas, estando o volume de trabalhos disponíveis grandemente
associados a critérios apenas morfodinâmicos para determinação dos índices. A
partir do levantamento das metodologias que abordaram o tema, foi elaborado um
elenco de critérios com potencial aplicabilidade para o Estado de Santa Catarina.
Sobre esse elenco, foi realizada a seleção dos critérios para o desenvolvimento do
estudo de caso, baseando-se principalmente na disponibilidade de dados. O estudo
de caso revelou que, quando se trabalha com critérios múltiplos, qualquer estudo de
sensibilidade ambiental pode ser adaptado, permitindo inclusive o enfoque orientado
às características, percepções e necessidades da sociedade local. A autora destaca
que, se por um lado existem referências que permitem a inclusão de novos critérios
na elaboração do mapa de sensibilidade ambiental para Bacias Hidrográficas, por
outro, a disponibilidade de dados é um fator limitante. Isto tanto em relação à
disponibilidade propriamente dita, quanto à escala apropriada ao estudo. Tal
evidência pôde ser obtida através do estudo de caso, o qual considerou-se como um
reflexo da realidade catarinense, e por extensão brasileira.
Com outro foco de atuação, mas com uma metodologia bastante difundida na área
de mapeamento de sensibilidade ambiental, estão os mapas de sensibilidade litoral
ao derramamento de óleo. No Brasil, este índice é conhecido como Índice de
Sensibilidade do Litoral (ISL), instrumento pelo qual é empregado como fonte de
informação na confecção das Cartas de Sensibilidade Ambiental ao derramamento
de óleo - Cartas SAO (MMA/SQA, 2004). Ademais, estas cartas são recursos iniciais
de informação ao planejamento de contingência e para a implementação de ações
de resposta em caso de acidentes com óleo, admitindo assim a localização dos
ambientes com necessidade de proteção, como também as áreas já manifestadas
8
pelo derrame, garantindo desta forma o deslocamento adequado das possíveis
soluções e a movimentação correta dos grupos de limpeza e contenção.
Lógica difusa
A lógica difusa ou lógica fuzzy, no termo em inglês, trabalha com a concepção das
incertezas associadas aos fenômenos. Por muito tempo o mundo científico evitou
este tipo de abordagem, considerando que todas as manifestações incertas
(imprecisas, vagas, inconsistentes, etc.) não se tratavam de algo científico. A partir
de meados da década de 60, com a introdução da teoria dos conjuntos difusos por
Zadeh (1965), este paradigma começou a ser alterado. Atualmente a incerteza é
considerada essencial e de grande utilidade científica, podendo-se dizer que quanto
maior a complexidade do problema, maior a superioridade dos métodos difusos (Klir
& Yuan, 1995).
A lógica difusa é uma generalização da lógica clássica (Booleana) diferenciando-se
por englobar o conceito de verdade parcial – valores de verdade entre
“completamente verdade” e “completamente falso”, pensada por Lotfi Zadeh (1965)
como um meio de modelar a incerteza e a imprecisão da linguagem natural. Assim, a
lógica difusa é resultado da dificuldade de representação de muitas características
do mundo real de acordo com a lógica clássica. Nela, uma afirmação não tem de ser
verdadeira ou falsa. No entanto, é importante notar que um sistema baseado na
lógica difusa pode representar completamente um sistema clássico, quer dizer, os
valores verdadeiro e falso também podem ser assumidos. Por exemplo, apesar da
afirmação “um indivíduo é masculino” poder ser facilmente inferida como verdadeira
ou falsa, a inferência da afirmação “um indivíduo é magro” já não é tão óbvia. E são
essas situações práticas, reais, que demonstram a grande utilidade da lógica difusa,
já que a tentativa de forçar uma lógica rígida em situações que não o são, tende a
criar vários problemas de representação e análise (Carvalho, 2001).
Conjuntos difusos
Na teoria clássica dos conjuntos, um conjunto é formado por elementos que dividem
propriedades comuns. Em outras palavras, se é um conjunto e é um elemento,
então pertence a ( ), se e somente se satisfazer todos os requisitos de
9
pertinência de , do contrário . A função que define um conjunto rígido atribui
sempre o valor “1” ou o valor “0” a cada elemento do universo de discurso. Assim, ou
o elemento pertence ou não pertence a esse conjunto (Barreto-Neto & Souza Filho,
2008).
Na teoria dos conjuntos difusos é proposta a utilização de graus de pertinência no
intervalo [0, 1], possibilitando a representação de uma transição gradual entre os
conjuntos. Com esta nova abordagem, um elemento pode pertencer, não pertencer
ou pertencer até certo grau a determinado conjunto, passando esse elemento a
fazer mais (valores próximos de 1) ou menos (valores próximos de 0) parte desse
conjunto (Carvalho, 2001).
A teoria dos conjuntos difusos pode ser mais bem compreendida com o exemplo da
Figura 1, onde em (a) a densidade populacional é representada por três conjuntos
clássicos, sejam eles esparsamente povoados, mediamente povoados e altamente
povoados, definidos pelas seguintes expressões matemáticas (Sperb, 2002):
{ }20 ≤≤= xxEp ,
{ }502 ≤<= xxMp ,
{ }15050 ≤<= xxAp ,
Em que:
Ep = Esparsamente Povoado
Mp = Medianamente Povoado
Ap = Altamente Povoado
1
0 2 50 150
Per
tinên
cia
Esp
ars
amen
te P
ovoa
do
Densidade (Habitantes/km )2
Med
iam
ente
Pov
oado
Alta
men
te P
ovoa
do
1
0 2 50 150
Interface de Incerteza
1
0 2 50 150
Lógica Difusa
Gra
us d
e P
ertin
ênci
a
Esp
ars
amen
te P
ovoa
do
Med
iam
ente
Pov
oado
Alta
men
te P
ovoa
do
Esp
ars
amen
te P
ovoa
do
Med
iam
ente
Pov
oado
Alta
men
te P
ovoa
do
(a) (b) (c)Lógica Clássica
Figura 1 - Representação da densidade populacional através da (a) lógica clássica, suas (b)
interfaces de incerteza e (c) Lógica Difusa. Fonte: Sperb (2002).
10
Em (b) encontra-se marcada a interface de incerteza, a qual é gerada por questões
do tipo: por que o valor 1,99 de densidade populacional é classificado como
esparsamente povoado, enquanto 2,01 é classificado como mediamente povoado?
A classificação segundo limites rígidos é responsável, em parte, pela incerteza
associada à própria classificação, e ao contexto linguístico ao qual ela se refere.
Para o exemplo apresentado, a percepção humana indica que 1,99 e 2,01 são
valores bastante próximos para pertencerem a conjuntos distintos. Considerando
que o ser humano possui intuitivamente a percepção de transição gradual entre
conjuntos, torna-se fácil compreender e aplicá-los em situações reais. Na teoria dos
conjuntos difusos, esses valores têm diferentes graus de pertinência (µ) em relação
aos dois conjuntos que possuem interface entre si (c) e que podem ser
representados pelas das seguintes funções de pertinência:
]1,0[: →Xµ
>
≤<−
≤
=
150
15114/)15(
11
xpara
xparax
xpara
Epµ
>
≤<−
<<−
≤≤
=
690
694019/)68(
20119/)1(
40201
xpara
xparax
xparax
xpara
Mpµ
<
≤<−
≥
=
400
694029/)40(
691
xpara
xparax
xpara
Apµ
Em que:
µ = Grau de pertinência para conjunto X
µEp = Grau de pertinência para Ep
µMp = Grau de pertinência para conjunto Mp
µAp = Grau de pertinência para conjunto Ap
11
Este exemplo ilustra que os intervalos dos conjuntos difusos não são tão específicos
quanto os intervalos dos conjuntos ordinários, mas que esta falta especificidade gera
resultados mais realistas. Ou seja, os resultados são menos específicos, mas em
contrapartida são muito mais próximos do real (Klir & Yuan, 1995).
Variáveis linguísticas
O ser humano tem uma incrível capacidade de simplificar a realidade de acordo com
suas necessidades e contexto. Tal característica é oriunda de um processo
denominado raciocínio aproximado (Sperb, 2002). É este tipo de raciocínio que o
permite manipular, representar e gerenciar dados vagos e cheios de incerteza, como
os termos utilizados na linguagem natural (ex. “alto”, “bom”, “denso”, “pobre”), de
forma muito eficiente (Barreto-Neto & Souza Filho, 2008). Sabendo que os conjuntos
difusos fornecem uma maneira de manipular informações vagas e imprecisas, fica
perceptível sua possibilidade de associação às variáveis linguísticas. Desta forma,
uma variável linguística é uma variável difusa ao se considerar a faixa dos possíveis
valores que pode assumir em determinado contexto (Araujo, 2009).
Tal associação pode ser facilmente aplicada à noção de graus de pertinência dos
conjuntos difusos. Estando esses conjuntos representando termos linguísticos, pode-
se, então, transferir a noção de graus de pertinência para graus de verdade em
relação ao significado do termo. Ou seja, uma variável como “baixa temperatura”
pode apresentar diferentes graus de verdade para diferentes indivíduos ou para
diferentes regiões. No entanto, tal variação ocorre dentro de certos limites, que
podem ser identificados e acomodados num único conjunto. O fato é que mesmo
assim, o termo “baixa temperatura”, por exemplo, representa um valor aceito por
todos (Sperb, 2002).
A acomodação de valores dentro de cada conjunto é descrita por intermédio de
conjuntos difusos, que podem assumir diferentes formas (Figura 2). Dependendo do
contexto da aplicação, uma ou outra forma é vista como mais apropriada. No
entanto, a maioria das aplicações não é muito sensível a esta variação de forma,
sendo as formas mais simples, triangular e trapezoidal, as mais aplicadas (Klir &
Yuan, 1995). Carvalho (2001) ressalta que a utilização de conjuntos difusos
triangulares permite um grande equilíbrio na elaboração de regras, uma maior
velocidade de computação e principalmente uma conversão numérico-linguística
12
sem erro de construção, questão a ser mais bem entendida no próximo item que
trata sobre inferência difusa.
1
0
Triangular Trapezoidal Sino Senoidal
Figura 2 - Formatos mais comuns para a representação de conjuntos difusos. Fonte: Sperb
(2002).
Dado que independentemente da forma de representação da função de pertinência,
costuma-se associar um termo linguístico qualitativo a um conjunto difuso (por
exemplo, Quente, Rápido, etc.), é comum utilizar a expressão “termo linguístico”
para referir um conjunto difuso. Chama-se ainda “variável difusa” a variável que esta
sendo definida por termos linguísticos. Por exemplo, na afirmação “A temperatura
esta quente”, temperatura será uma variável difusa, e quente um termo linguístico
definido por uma determinada função de pertinência (Carvalho, 2001).
O potencial da aplicação de conjuntos difusos para a representação matemática de
variáveis linguísticas consiste numa das propriedades mais importantes da teoria
dos conjuntos difusos, possibilitando o desenvolvimento de modelos humanamente
compreensíveis (Sperb, 2002). Esta característica possibilita aproximar a decisão
computacional da decisão humana, isto é, fazer com que uma máquina apresente
soluções “abstratas”, do tipo “mais ou menos”, “talvez sim”, dentre muitas outras
possibilidades. Assim é possível que um modelo traga solução para aquelas
questões em que uma resposta “sim” ou “não” pode ser insuficiente, ou, até mesmo
incorreta (Nakajima et al., 2003).
Controle Difuso
Um sistema de controle consiste em um mecanismo de percepção do estado de um
objeto qualquer sob controle, seguido do processamento dessa informação segundo
regras previamente estabelecidas (Turchin et al., 1996). Em um sistema de controle
13
difuso (Figura 3) essa modelagem do conhecimento é realizada com base em regras
difusas.
Saída
Entrada
Deffuzzificação
Fuzzificação
Máquina de Inferência difusa
Barra de regras difusas
Figura 3 - Representação esquemática de um sistema de controle difuso.
Base de Regras
A base de regras expressa o conhecimento de operação do controle, conhecimento
comumente oriundo das convicções de um especialista, sob uma forma que pode
ser muito próxima da linguagem natural (Carvalho, 2001; Sperb, 2002). Ou seja, com
base no conhecimento, as regras são construídas com premissas associadas às
variáveis de entrada (antecedentes), e às conclusões de saída (consequentes). As
regras podem ser interpretadas sob duas formas distintas:
a) Se (condição difusa), então (ação rígida)
b) Se (condição difusa), então (ação difusa)
Na primeira forma, se a condição difusa tiver um grau de pertinência diferente de
zero, por menor que seja, a ação é executada. Na segunda forma, a ação será
executada, mas com um grau de ativação dependente da condição (Carvalho,
2001).
O processo de inferência pode ser composto de várias regras que serão
processadas paralelamente, porém com uma única resposta lógica como resultado
da soma das conclusões de cada regra. Cada regra pode, ainda, ser processada
com diferentes pesos, conferindo maior ou menor importância à mesma. Essas
características permitem a utilização de regras simples que, combinadas,
representam um padrão complexo de controle (Gulley & Jang, 1995; Carvalho, 2001;
Aimax, 2001 apud Sperb, 2002).
14
Inferência Difusa
A inferência de uma base de regras difusas consiste na aplicação do seguinte
processo a cada uma das regras:
Considerando que as regras estejam escritas na forma mais utilizada em sistemas
difusos, i.e., aquela em que todos os antecedentes e todos os consequentes são
difusos, determina-se primeiro o grau de pertinência do antecedente, e depois se
executam os consequentes de acordo com esse grau de pertinência.
Por exemplo:
Se (Declividade é Baixa), então (Sensibilidade Baixa)
Se a declividade tiver um grau de pertinência de 0,75 no conjunto difuso “Baixa”,
então o valor de saída deverá ser o que é obtido com um grau de pertinência 0,75
no conjunto “Sensibilidade Baixa”. Quando existem vários antecedentes,
combinados através de operadores difusos (“e”/ “ou”), então o valor transferido para
o conjunto de saída é o grau de pertinência obtido pela aplicação do operador entre
os antecedentes. A Figura 4 exemplifica o processo de inferência difusa, através de
uma regra constituída por dois antecedentes combinados através do operador “e”.
No exemplo o conjunto de saída é obtido pela aplicação do método maxmin.
Figura 4 - Processo de inferência difusa. Fonte: Carvalho, 2001.
Existem diversos métodos para transformar o conjunto difuso de saída em um valor
não difuso, em outras palavras, realizar a conversão linguístico-numérica
(defuzzificação). O método mais comum é o do centróide, que consiste em
determinar o centro de massa do conjunto difuso de saída, obtendo-se o valor não
difuso de saída a partir da projeção desse ponto sobre o eixo suporte (Sperb, 2002).
15
Figura 5 - Defuzzificação através do método do centróide. Fonte: Carvalho, 2001.
Mapeamento difuso
Tradicionalmente, a representação de elementos da paisagem tais como solos,
geologia, vegetação e uso da terra, são delimitados cartograficamente, em mapas
bidimensionais, por polígonos. Ou seja, esses elementos são representados como
objetos exatos ou geo-objetos. Essa forma de representação, de transição abrupta
entre geo-objetos, deve ser considerada como uma aproximação e uma
simplificação de um padrão de variação bem mais complexo, uma vez que os
elementos da paisagem não possuem limites precisos e abruptos. Tal negligência
(ou talvez incapacidade) em relação à realidade, impossibilita um melhor
entendimento das interações ocorridas no meio ambiente (Burrough, 1996 apud
Barreto-Neto & Souza Filho, 2008).
As limitações descritas acima são decorrentes da incapacidade da Lógica Clássica,
abordagem utilizada tradicionalmente, em trabalhar com a variabilidade do espaço.
Consequentemente, o espaço geográfico é tratado como um mosaico de
descontinuidade que, raramente, representa os objetos geográficos, e por extensão
os fenômenos e processos naturais. A representação clássica é sim suficiente para
boa parte dos casos de elaboração de novas informações, no entanto, há situações
em que se faz necessário o uso de valores intermediários (Bolfe et al., 2001).
No mapeamento difuso, a pertinência ou não de um determinado elemento é
representada por uma transição gradual, denominada função de pertinência “fuzzy”,
que varia de 0 a 1. Tal característica permite que o espaço geográfico seja
representado de maneira contínua.
16
Um exemplo real de transição contínua no espaço é fornecido por uma praia (Figura
6), que apresenta uma transição gradual entre distintas zonas tipo1. Partindo-se da
sua zona central onde o ambiente possui todas as características que o definem
como tal, tem-se a alteração destas em direção a periferia. Considerando ainda a
existência de uma outra zona tipo de área de restinga, limítrofe a zona de praia, o
mesmo fenômeno ocorrerá a partir de sua zona central, sendo as características
perdidas de acordo com a sobreposição de suas áreas limítrofes.
Restinga
Praia
Área de transição
Figura 6 - Exemplo real de transição entre distintas Zona Tipo.
Esta área de sobreposição, que não é uma área tipo de nenhuma das duas zonas
(duna e restinga), caracteriza-se pela mistura de características entre as duas
(Figura 7). Esta transição, em termos cartográficos, representa uma área de
incerteza, pois as características entre as duas zonas tipo encontram-se nela
presente, variando de acordo com a proximidade de uma ou de outra zona tipo. Esta
transição em termos linguísticos poderá ser abrupta, quando ela corresponder a uma
transição booleana, ou assumir valores tais quais “muito abrupta’, “gradual” e
“suave”, por exemplo.
1 Zonas em que as características da categoria atingem a máxima pertinência.
17
Praia
Figura 7 - Exemplo representação de transição entre distintas Zona Tipo (praia e restinga) por
meio de conjuntos difusos.
Trabalhos sobre mapeamentos temáticos recentes trataram dos problemas oriundos
da desconsideração de áreas de transição entre distintas categorias empregando a
Lógica Difusa proposta por Zadeh em 1965. Com significativos resultados, seu uso
vem despontando como uma solução para o tratamento das incertezas associadas
aos distintos critérios booleanos de mapeamento temático. Tal abordagem possibilita
uma maior compreensão dos elementos e processos naturais, permitindo que as
incertezas que podem contribuir para o sucesso de planejamentos e da própria
gestão sejam reduzidas.
Aplicação de lógica difusa em análise geoespacial
O uso da lógica difusa na análise geoespacial, e por consequência, no mapeamento
temático, vem crescendo desde os anos oitenta (Robinson & Strahler, 1984;
Burrough, 1986). Burrough (1986) apontou que os fenômenos ambientais são
pobremente capturados e manipulados pelos métodos de SIG usando simplesmente
a lógica booleana. Destaca que os dados do ambiente natural muitas vezes são
difusos, e que os cientistas por muitos anos já utilizavam termos imprecisos, tais
como “moderadamente bem drenado” ou “íngreme”, ainda que fossem forçados pela
lógica tradicional a definir estes termos dentro de intervalos rígidos.
No que concerne ao escopo de aplicação em mapeamento de sensibilidade
ambiental para bacias hidrográficas, são de interesse os trabalhos associados ao
emprego da Lógica Difusa em mapeamentos temáticos de uso do solo, classes de
solo, geologia, declividade, área de proteção ambiental, legislação, dentre outros de
menor interesse, e ainda os trabalhos que utilizam a inferência difusa para gerar
mapas síntese.
18
Dentre as áreas acima indicadas, o mapeamento de solos é o tema que tem se
destacado no desenvolvimento de metodologias baseadas na Lógica Difusa para
sua elaboração (Zhu et al., 1196; Lark & Bolam, 1997; MacBratney & Odeah, 1997).
Nolasco-Carvalho et al. (2009) apresentam um método que constitui na definição da
classe de solo a partir da atribuição da pertinência que cada classe de vegetação,
geologia, declividade e altitude possui para cada uma das classes de solo,
pertinência esta definida por um especialista em solos. A combinação dos diferentes
critérios, com seus distintos graus de pertinência, são empregados para definir o tipo
de solo. Neste caso, incluindo a expressão geoespacial de cada critério. Como
resultado, os autores verificaram que a modelagem por lógica difusa permitiu
apontar as incertezas e transições da cobertura pedológica da área de estudo,
gerando um mapa digital de solo que, quando comparado com o mapa convencional
da área, mostrou menor generalização (Figura 8).
Figura 8. Mapa convencional de solos e mapa digital de solos gerado sob influência difusa da
região de Mucugê, BA (Fonte: Nolasco-Carvalho et al., 2009).
19
O mesmo enfoque foi adotado por Borges & Silva (2009). Porém, neste estudo, a
pertinência dos critérios é feita a partir da análise de uma região vizinha à área de
estudo em que o tipo de solo é conhecido. Para tanto, foi gerada uma estatística
para cada classe de solos associada especificamente a um determinado critério,
sendo repetido o processo para todos os critérios envolvidos. Os autores justificam
que a utilização da lógica difusa se deve a possibilidade da criação de zonas de
transição, e concluem que a metodologia empregada foi de grande relevância, ao
permitir uma análise integrada dos critérios na realização da modelagem para
obtenção do mapa de solos.
Barreto-Neto & Souza Filho (2008) apresentam uma metodologia baseada na lógica
difusa para codificar as incertezas que existem nas bordas das classes de solo e uso
da terra, de mapas produzidos a partir da lógica booleana. O método computacional
desenvolvido consiste na transformação dos mapas booleanos em um conjunto de
números difusos. As bordas difusas são geradas pela atribuição de valores entre 0 e
1 aos dados de entrada, com base nas funções de pertinência (Figura 9). Para o
mapa de solos, a espessura da borda difusa é definida com base em dados de
campo ou, de forma mais simples, pela escala cartográfica do mapa analógico.
Figura 9 - Metodologia utilizada na conversão dos dados de solo em conjuntos difusos,
utilizando função de pertinência linear (Fonte: Barreto-Neto & Souza Filho, 2008).
Na análise dos resultados, os autores destacam que os dados observados em
campo apresentaram uma correlação muito mais forte com os mapas com bordas
20
difusas, gerados com a rotina computacional desenvolvida, do que com os mesmos
mapas na forma de bordas fixas (bordas booleanas). Assim concluem que a
incorporação da lógica difusa permite uma interpretação dos dados de forma mais
condizente com a realidade dos fenômenos ambientais, reduzindo a perda de
informações por sua capacidade de obtenção de graus de pertinência para cada
classe.
Uma linha importante que incorpora a lógica difusa em análise geoespacial, diz
respeito a elaboração de mapas de vulnerabilidade a deslizamentos. Os
deslizamentos de terra representam um dos desastres naturais que mais causam
danos à população. Assim, mapear as áreas de risco significa obter uma ferramenta
poderosa para uma gestão que vise reduzir tais danos. No entanto, devido a
natureza complexa dos deslizamentos, não é uma tarefa fácil produzir um mapa de
áreas vulneráveis que seja fidedigno.
De acordo com Pradham (2010), os deslizamentos de terra envolvem processos de
incerteza e muita imprecisão, não podendo ser descritos em termos quantitativos
exatos. Desde o início da década de 90 muitos modelos matemáticos foram
desenvolvidos e aplicados para o mapeamento de risco de deslizamento, entretanto,
dentre muitas abordagens, a lógica difusa é a que melhor descreve a importância de
cada critério e sua relação com os demais. Os modelos baseados em lógica difusa
são capazes de identificar os critérios que afetam diretamente os deslizamentos e
também de compreender as inter-relações que existem entre os critérios (Pradham,
2010).
Recentemente, diversos trabalhos na área de mapeamentos de risco a
deslizamentos tem incorporado a abordagem da lógica difusa (Champatiray et al.,
2007; Lee, 2007; Pradhan et al., 2009; :Gorsevski & Jankowski, 2010; Pradhan &
Pirastech, 2010; Pradhan, 2010; Ilanloo, 2011). Pradhan (2010) utilizou um sistema
de informação geográfica, baseado em lógica difusa para produzir mapas de áreas
suscetíveis a deslizamentos, em três áreas testes na Malásia. Primeiramente foi
realizado um inventário sobre ocorrências de deslizamentos anteriores nas áreas de
estudo, utilizando tanto pesquisas de campo, quanto estudos de aerofotos. Com um
total de 12 critérios, modelos de suscetibilidade a deslizamentos foram
desenvolvidos dentro da abordagem da lógica difusa. Utilizando relações difusas, o
cruzamento dos mapas dos critérios com os dados do inventário, permitiu a
21
verificação da pertinência que as classes de cada critério possuem para os
deslizamentos, possibilitando a criação dos mapas de suscetibilidade. O
desempenho do modelo foi avaliado com base nas verificações de campo dos locais
de deslizamentos, nas três áreas de estudo, e a validação dos resultados foi feita a
partir da técnica curva ROC (receiver-operating characteristics). Os resultados
indicaram que os locais onde ocorreram deslizamentos de terra encontram-se nas
zonas mapeadas como muito alta e alta suscetibilidade. Isto mostra que a
abordagem de relações por lógica difusa traz resultados satisfatórios, identificando
corretamente as áreas mais suscetíveis.
Ainda no contexto dos mapas síntese, Reshmidevi et al. (2009), desenvolveu um
modelo de sistema de inferência difuso baseado em regras, para uso integrado a um
sistema de informação geográfica (ERDAS IP 9.1), com o objetivo de avaliar a
aptidão agrícola do terreno na sub-bacia hidrográfica de Gandheshwari, em West
Bengal (India). No estudo foi considerado tanto o potencial da terra, quanto o
potencial da água superficial. Os autores destacam que quando um grande número
de atributos está envolvido em um processo de decisão, sua representação e
agregação, assim como a elaboração das regras, tornam-se um trabalho difícil.
Desta forma, propuseram a classificação dos atributos em diferentes grupos
estimando índices de aptidão intermediários. Para tanto, dois métodos de agregação
foram testados e comparados, o método de Yager e a agregação linear ponderada,
sendo que o método de Yager foi considerado mais apropriado. Após a classificação
dos atributos e geração dos índices intermediários, a base de regras é então
desenvolvida. A Figura 10 apresenta o esquema metodológico que é composto de
cinco etapas: fuzzificação dos atributos, geração do índice intermediário de aptidão
da terra, formação das regras, e defuzzificação para encontrar o índice de aptidão
crispy.
22
Figura 10 - Metodologia de Reshmidevi et al. (2009). Fonte: Reshmidevi et al. (2009), tradução
livre.
Os atributos de entrada são preparados no formato matricial em ambiente SIG
(ERDAS IP) e a saída é gerada no formato de mapa temático mostrando a aptidão
de cada célula (20m x 20m) para a cultura selecionada. Os autores concluíram que o
método é eficiente para lidar com grande número de atributos, e na avaliação da
aptidão da terra em bacias hidrográficas agrícolas.
A aplicação da lógica difusa é muito ampla, e uma infinidade de trabalhos
desenvolvidos nas mais diversas áreas tem demonstrado isso. Em análise
geoespacial poderiam ser citados ainda trabalhos nas áreas de: mapeamento de
riscos (Malinowska, 2011), vulnerabilidade das águas subterrâneas (Dixon, 2005;
Gemitzi, et al., 2006), fragilidade ambiental (Donha et al., 2006; Calijuri et al., 2007;
Stolle, 2009), monitoramento da salinidade do solo (Giordano & Liersch, 2011;
Metternicht, 2011), dentre outros.
23
Ferramentas
São poucos os sistemas de informação geográfica que possuem uma ferramenta de
análise difusa e, segundo Robinson (2003), o custo de desenvolvimento e
implementação é a principal causa disto. O software IDRISI é uma exceção,
apresentando esta ferramenta desde os anos 90. Em 2010, o módulo de análise
difusa foi uma das novidades do ArcGIS 10. Yanar & Akyurek (2006) salientam que
muitas das ferramentas disponíveis não são genéricas, sendo desenvolvidas para
trabalhar com problemas específicos. Nota-se que os cientistas tem feito uso
conjunto de ferramentas para o desenvolvimento de seus trabalhos. A Tabela 1 traz
o levantamento das ferramentas utilizadas nos trabalhos de análise geoespacial.
Tabela 1- Ferramentas disponíveis para aplicação da lógica difusa em análise geoespacial
REFERÊNCIA APLICAÇÃO FERRAMENTAS
Jasiewicz (2011)Ferramenta fuzzy capaz de trabalhar
com grande volume de dados
Modelo para uso integrado ao
GRASS
Gorsevski & Jankowski (2010) Mapa de risco à deslizamentos IDRISI
Pradhan (2010) Mapa de risco à deslizamentos ARC/INFO GIS; MATLAB
Nolasco-Carvalho et al. (2009) Mapeamento de solos ArcSDM2 (ArcGIS)
Borges & Silva (2009) Mapeamento de solos SIG Bahia
Stolle et al. (2009)Mapeamento de fragilidade
ambientalNetWeaver; EMDS (ArcGIS)
Reshmidevi et al. (2009) Análise de aptidão agrícolaModelo para uso integrado ao
ERDAS IP 9.1
Barreto-Neto & Souza-Filho (2008)Codificação de incerteza nas bordas
de mapas de solo e uso da terra Linguagem PCRaster
Calijuri et al. (2007)Mapeamento de fragilidade
ambientalIDRISI
Donha et al. (2006)Mapeamento de fragilidade
ambientalIDRISI
Yanar & Akyürek (2006) Fuzzy Cell; ArcMap
Dixon (2005) Mapa de vulnerabilidade de Aqüífero GRASS GIS
Sperb (2002)Análise de cenários de ocupação de
zonas costeirasSimulador
Mapa de percepção ambiental
A metodologia para elaboração de mapas de percepção ambiental, desenvolvida por
Sperb (2002), inaugurou uma linha de pesquisa desconhecida e inexplorada, na qual
a utilização da Inferência Difusa torna possível o desenvolvimento de sínteses de
informações do espaço geográfico por meio da incorporação de termos linguísticos e
elaboração de regras compatíveis ao raciocínio humano.
24
Em seu trabalho Sperb (2002) propôs um modelo de simulação baseado em agentes
para a análise de cenários de ocupação de zonas costeiras, a partir da modelagem
da percepção espacial desses agentes, construída através de Lógica Difusa. O
autor, no exemplo de sua tese (Figura 11), desenvolve as simulações através de
cinco etapas: (1) as referências espaciais (atributos) são transformadas em valores
numéricos de uma matriz espacial (layer2) para cada atributo considerado no
modelo, denominado mapa de percepção do agente (e.g. centro e praia); (2) são
codificadas regras (de inferência) que irão determinar o comportamento do agente.
O mecanismo de inferência, a partir destas regras, dá origem ao mapa mental do
agente; (3) o mapa mental, resultado síntese dos passos anteriores, determina o
campo perceptivo para a ação do agente. A visualização do mapa permite entender
a percepção e o comportamento do agente por intermédio de um conjunto de cores3
que discrimina o local de maior ou menor preferência do agente; (4) no decorrer da
simulação, o agente buscará o valor ideal em seu universo; (5) atingido o ideal, o
agente tende a estabilizar, ocupando o espaço de acordo com suas necessidades4.
A implementação do modelo para uma determinada área ocorre com o auxilio de um
sistema de informação geográfica (SIG). Este permite o registro da informação
espacial, seu tratamento e análise. Este tratamento da informação espacial conduz à
formação das matrizes espaciais (layers) utilizadas pelo modelo. A percepção dos
agentes é originada do mapa mental criado pelas matrizes e regras atribuídas para o
seu comportamento. O número de matrizes e agentes incorporados ao modelo se dá
em função dos elementos que se pretende modelar/simular. O resultado da
simulação permite uma análise comparativa entre o comportamento abstraído, e a
informação real.
2 A designação da palavra layer na Língua Inglesa para camada, sendo esta de informação ou matriz
numérica para a percepção do agente (ou agentes).
3 O número de cores, 256, é relativo á percepção do olho humano.
4 Detalhes sobre o funcionamento do MBAD (modelo baseado em agentes difusos) podem ser
obtidos no trabalho de Sperb (2002).
25
5. Distribuição (estabilização)
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
##
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
##
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
## #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
##
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
##
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
##
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
# #
#
#
#
#
# #
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
###
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
##
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
# #
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
##
#
##
#
#
#
#
#
##
#
##
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
##
#
#
##
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
##
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
##
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
## #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
#
#
#
#
#
#
##
#
#
#
1,0 1,0 1,0 1,1 1,2
1,1 1,1 1,1 1,2 1,3
1,2 1,2 1,2 1,3 1,4
1,3 1,3 1,3 1,4 1,5
1,4 1,4 1,4 1,5 1,6
1,0 1,0 1,0 1,1 1,2
1,1 1,1 1,1 1,2 1,3
1,2 1,2 1,2 1,3 1,4
1,3 1,3 1,3 1,4 1,5
1,4 1,4 1,4 1,5 1,6
1,0 1,0 1,0 1,1 1,2
1,1 1,1 1,1 1,2 1,3
1,2 1,2 1,2 1,3 1,4
1,3 1,3 1,3 1,4 1,5
1,4 1,4 1,4 1,5 1,6
1,0 1,0 1,0 1,1 1,2
1,1 1,1 1,1 1,2 1,3
1,2 1,2 1,2 1,3 1,4
1,3 1,3 1,3 1,4 1,5
1,4 1,4 1,4 1,5 1,6
T1 T2 T3 T4
Agente Vizinhança Célula eleita
1. Matrizes de percepção (atributos espaciais definidos pela análise espacial)
2. Inferência difusa (comportamento codificado)
3. Mapa mental (síntese da preferência)
4. Simulação (busca da agenda)
Figura 11 - Exemplo de aplicação de MBAD em uso e ocupação do solo. Fonte: Sperb, 2002.
O modelo proposto por Sperb (2002) foi adotado por Guerreiro (2003) que explorou
o emprego da técnica de mapas mentais e questionários com base na premissa de
que o conhecimento da percepção e do comportamento humano são importantes
para o entendimento de seus valores, e que estes podem influenciar no uso e
ocupação do espaço. O trabalho foi de caráter exploratório e qualitativo, e associou
a investigação em cognição ambiental com inteligência artificial na caracterização do
perfil de grupos de usuários da praia Brava, Itajaí – SC, Brasil. Os resultados obtidos
demonstraram a viabilidade deste tipo de abordagem, abrindo novas perspectivas
para exploração do comportamento humano e seu emprego em planejamento e
gestão ambiental.
26
MATERIAIS E MÉTODOS
Neste item serão apresentados os instrumentos e os métodos empregados no
desenvolvimento deste trabalho. A descrição dos procedimentos e a aplicabilidade
dos itens metodológicos encontra-se apresentada no subitem denominado Estudo
de Caso.
O emprego da inferência difusa para tratamento dos dados geoespaciais e geração
do mapa de sensibilidade é realizada com a ferramenta desenvolvida por Sperb
(2002) para simulação baseada em agentes inteligentes difusos. Parte dos
procedimentos empregados no simulador consiste na preparação do “mapa mental”
dos agentes inteligentes difusos. Analogamente, o mapa de sensibilidade ambiental
empregará os mesmos procedimentos utilizados pelo autor para produzir o “mapa
mental”, quais sejam:
• Definição dos atributos e critérios geoespaciais a serem utilizados na elaboração do mapa mental. No caso deste trabalho, os temas empregados na geração do Índice de Sensibilidade Ambiental (ISA);
• Fuzzificação dos parâmetros, compreendendo os conjuntos difusos associados a cada parâmetro;
• Criação de regras de inferência difusa, cuja função maior consiste na associação dos conjuntos de cada parâmetro;
• Inferência difusa, que corresponde à análise geoespacial que resultará no mapa síntese; e
• Defuzzificação, que consiste na transformação da síntese difusa em um valor não difuso. Ou seja, no mapa de sensibilidade ambiental (MSA) contendo classes de sensibilidade ambiental.
Simulador
O simulador para agentes inteligentes difusos foi desenvolvido em linguagem C++,
com interface shell. Ou seja, sua configuração é realizada através de scripts, sendo
a interface gráfica disponibilizada apenas para visualização das cartas temáticas
fuzzificadas e do mapa síntese, resultante da inferência, conforme ilustrado na
Figura 12.
27
Figura 12 - Interface do Simulador (Adaptado de Sperb, 2002).
Valores numéricos da matriz
Seleção de matrizes
Palheta de cores
Posição e valor do cursor na matriz
Cor na posição do cursor
Espectro da palheta de cores
Controle do Simulador
Matriz selecionada para display
28
Características do Simulador
- Dados de Entrada: Por dados de entrada se entende os parâmetros a serem
empregados na geração do MSA, como por exemplo, declividade. Não há restrição à
tipo de parâmetro, bem como limite de parâmetros de entrada.
Em termos práticos, o simulador permite a incorporação de “n” matrizes de
parâmetros, que devem conter o mesmo número de linhas e colunas, e estar no
formato ASCII, com a extensão “map”. Essas matrizes representam os parâmetros a
serem empregados na análise geoespacial.
Antes da entrada dos dados no simulador, as cartas temáticas referentes aos
atributos geoespaciais devem ser preparadas em um sistema de informações
geográficas. No caso deste trabalho, o ArcGIS 9.3. Essa preparação consiste nos
tratamentos cotidianos para elaboração de cartas temáticas, porém com a conversão
destas em formato matricial para carga no simulador. Ainda como parte deste
preparo, devem ser observadas peculiaridades específicas para a fuzzificação de
cada tema. Um exemplo disto é o preparo do parâmetro solo, que requer o
agrupamento dos tipos de solo em categorias de sensibilidade expressas através de
termos linguísticos (e.g baixa, média e alta), bem como o delineamento das
interfaces destes agrupamentos, conforme explicado no subitem Estudo de Caso.
- Fuzzificação: A fuzzificação consiste na transformação de um valor de entrada
não difuso para um valor difuso, associado aos devidos conjuntos. Os valores são
obtidos e fuzzificados, célula a célula, para cada matriz de entrada, sendo
determinado o grau de pertinência para um ou mais conjuntos difusos, conforme
ilustrado na Figura 13.
Parte desta atividade consiste em identificar, junto à especialistas, os conjuntos
difusos relacionados a cada parâmetro de entrada. Principalmente, os intervalos de
valores possíveis. O emprego de perguntas do tipo “o que é uma baixa ou alta
declividade” é um exemplo prático de como devem ser criados os conjuntos. Um
aspecto importante a ser observado é o potencial emprego de termos linguísticos em
sua definição, conforme exemplificado anteriormente.
29
Figura 13 – Exemplo de fuzzificação realizada célula a célula: (a) parâmetro de entrada
declividade; (b) matriz correspondente a uma pequena área; (c) conjuntos difusos: Baixa,
Média e Alta declividade; (d) pertinência da declividade 25% aos conjuntos difusos.
- Regras de Inferência Difusa: A elaboração das regras de inferência nada mais é
do que a codificação dos procedimentos de classificação ou síntese empregados
pelo(s) especialista(s) em sua(s) análises geoespaciais. Em realidade, esta atividade
é conduzida juntamente com a determinação dos conjuntos difusos, e emprega, da
mesma forma, termos linguísticos em sua formulação. Um exemplo, a título de
ilustração, pode ser visto abaixo:
Se declividade é baixa e o solo é tipo pouco frágil, então a sensibilidade é baixa
Os parâmetros de entrada, neste exemplo, são “declividade” e “solo”. “Sensibilidade”
é o parâmetro de saída, ou síntese. “Baixa” e “pouco frágil” são conjuntos difusos
associados aos parâmetros. Nesta etapa são definidos, ainda, os conjuntos de
saída, associados à sensibilidade.
30
- Inferência Difusa: Consiste na aplicação propriamente dita das regras. Uma
característica da inferência difusa, de grande importância para a análise
geoespacial, é que as regras são tratadas paralelamente, sendo o resultado, de fato,
a síntese das regras disparadas, com os devidos graus de pertinência. A Figura 14
traz o exemplo da modelagem da sensibilidade ambiental com base na declividade
do terreno. Nele são utilizadas três regras simples, porém com uma única resposta
lógica resultante da soma das conclusões de cada regra. É importante destacar,
ainda, que a inferência difusa é realizada célula a célula, com os valores dos
parâmetros fuzzificados.
Figura 14 – Exemplo de Inferência Difusa. (a) Regras de Inferência; (b) Conjuntos Difusos
associados ao parâmetro de entrada; (c) Conjuntos Difusos de saída; (d) Defuzzificação.
- Defuzzificação: O resultado da inferência difusa é uma figura que se refere à
síntese das regras disparadas, com os devidos graus de pertinência, conforme
ilustrado acima. Para extrair um número não difuso, o qual será associado a cada
célula da matriz, utiliza-se um método de defuzzificação. Dentre os diversos métodos
para transformar o conjunto difuso de saída em um valor não difuso, o mais comum
é o do centróide. Ele consiste em determinar o centro de massa do conjunto difuso
de saída, em um valor não difuso, a partir da projeção desse ponto sobre o eixo
suporte do conjunto. Este valor será o valor da sensibilidade ambiental daquela
célula da matriz, conforme exemplificado na Figura 14 (d).
- Saída: Originalmente, o simulador não possuía uma ferramenta de exportação do
“mapa mental” dos agentes para um SIG, não permitindo que o resultado da
inferência difusa pudesse ser avaliado, retrabalhado e preparado para distribuição.
Assim, foi adicionada uma nova funcionalidade ao simulador que permite a
exportação do resultado em formato ASCII, que pode ser lido pelo ArcGIS 9.3.
31
Script de Configuração
O script de configuração para o simulador é um arquivo do tipo ASCII, empregado
para configurar os elementos que compõem o Projeto (parâmetros de entrada,
conjuntos difusos e regras de inferência). A Figura 15 apresenta como o script é
estruturado.
Figura 15 - Sintaxe do script de configuração
Nos “dados de entrada” é definido o grid do projeto, que nada mais é do que o
número de linhas e colunas da matriz. O grid é definido uma única vez, pois todos os
Entrada dos critérios de
análise (parâmetros de
entrada)
Conjuntos difusos associados
aos critérios de análise
Conjuntos difusos de
saída
Regras inferência
32
parâmetros de entrada devem estar representados por matrizes de mesma
dimensão. Deve-se observar que o Simulador trabalha com linhas e colunas e não
com coordenadas geográficas, assim para que cada linha e coluna dos diferentes
parâmetros representem a mesma posição geográfica, deve-se adotar para todos os
parâmetros a mesma extensão da área de estudo e, ainda, o mesmo tamanho de
célula (mesma resolução geoespacial).
Ainda nos “dados de entrada” são definidas as layers, ou camadas de informação,
cada qual associada a um parâmetro de entrada diferente. Na layer são definidos os
campos range, que corresponde ao intervalo de valores do parâmetro, e data,
responsável pelo link com a matriz que representa o parâmetro. Para tanto, as
matrizes devem estar salvas no mesmo diretório do script.
Na parte do script que trata dos conjuntos difusos, no campo input encontram-se
definidos os conjuntos associados aos parâmetros de entrada, e no campo output,
os conjuntos associados à saída, ou seja, os conjuntos associados ao ISA. Por fim
encontram-se as regras de inferência, conforme sintaxe ilustrada anteriormente.
Estudo de Caso
O estudo de caso serviu para avaliar o emprego do mapeamento temático e
inferência difusa no mapeamento de sensibilidade ambiental, assim como validar o
uso conjunto das ferramentas ArcGIS e Simulador (Sperb, 2002) na realização de
inferência geoespacial difusa. Neste contexto, é importante compreender o enfoque
dado na construção das regras que viabilizam, em última análise, o tratamento
difuso das características ambientais. Em realidade, essas características nada mais
são do que os atributos geoespaciais escolhidos pelo especialista para identificar as
áreas com maior ou menor grau de sensibilidade ambiental. Alguns exemplos de
atributos geoespaciais comumente empregados são: declividade, tipo de solo, uso
do solo, etc. Considerado individualmente, cada atributo possui, potencialmente,
uma série de critérios de análise definidos igualmente pelo especialista. Essa
afirmativa talvez fique mais clara através de um exemplo. Para o atributo
geoespacial “tipo de solo” os seguintes critérios podem ser aplicados (referência na
Tabela 3):
− Cambissolo e Glei Pouco Húmico são solos de alta sensibilidade;
33
− Podzólico Vermelho-Amarelo é um solo de média sensibilidade; e
− Terra Bruna Estruturada é um solo de baixa sensibilidade.
O emprego dos termos linguísticos alta, média e baixa sensibilidade por si garantem
a aproximação difusa ao problema. Contudo, há de se considerar a necessidade de
transformá-los em parâmetros a serem utilizados na inferência difusa. Ou seja, os
critérios tornar-se-ão parâmetros computacionais dotados de regras para a execução
da inferência difusa. Este processo encontra-se ilustrado no item “Atributo – Critério -
Parâmetro” deste capítulo.
Em termos práticos, o estudo de caso desenvolvido segue o fluxograma apresentado
na Figura 16, abrangendo as seguintes etapas: (a) preparação dos critérios de
análise no ArcGIS 9.3; (b) Elaboração dos conjuntos difusos e das regras
(parâmetros); (c) Edição do script de configuração; (d) Inferência Difusa realizada no
Simulador; (e) execução da avaliação final do mapa síntese (mapa de sensibilidade
ambiental - MSA); e (d) comparação do MSA difuso com o MSA tradicional no
ArcGIS 9.3.
Figura 16 - Fluxograma Metodológico
34
Área de Estudo
O município de Rio dos Cedros (Figura 17) está localizado no contexto da Bacia
Hidrográfica do Rio Itajaí, mais especificamente na região do Médio Vale, distando
pouco mais de 30 km de Blumenau, principal município da bacia. Apresenta como
limites ao norte os municípios de Rio Negrinho e Corupá. Ao leste os municípios de
Jaraguá do Sul e Pomerode. Ao sul o município de Timbó e a oeste os municípios de
Benedito Novo e Doutor Pedrinho.
Rio dos Cedros é o maior município em extensão territorial dentre os nove
municípios que formam a região metropolitana de Blumenau. A área total do
município é de 556 Km2, sendo 18 Km2 de área urbana e 538 km2 de área rural
(FECAM, 2005). De acordo com o IBGE a população, no ano de 2010, era de 10.284
habitantes. O município possui um dos maiores atrativos turísticos do Estado devido
à diversidade de ambientes naturais e a riqueza de sua colonização européia.
Figura 17 - Localização do município de Rio dos Cedros, SC
35
Com relação a seus atrativos naturais, a região dos lagos, nas margens de duas
represas formadas para a geração de energia elétrica, ganha a cada dia mais
notoriedade. Em meio a altitudes que variam 75 a 1.020 metros, em todo o
município, o Lago Rio Bonito está a 600 metros de altitude e possui 9 km de
comprimento, enquanto o Lago Pinhal possui 14 km de extensão e está localizado a
800 metros de altitude.
Atualmente, Rio dos Cedros tem sua economia voltada para a agricultura, pecuária e
turismo ecológico e rural, sendo a atividade turística considerada como estratégica
pelo Poder Público Municipal.
A escolha do município de Rio dos Cedros (SC) como área de estudo para este
trabalho deve-se a disponibilidade de dados pretéritos, os quais foram desenvolvidos
pelos Laboratórios de Computação Aplicada, Geoprocessamento e Microbiologia
Aplicada, ambos da UNIVALI, para a elaboração do Plano Diretor municipal, através
do Convênio UNIVALI/CNPq n° 501693/2005-0 (2008). Este mesmo município foi
utilizado no estudo de caso desenvolvido no trabalho de Espindola (2009).
Enfoque Difuso
Atributo – Critério - Parâmetro
Foram elencados quatro atributos geoespaciais para a análise da sensibilidade
ambiental: declividade, tipo de solo, APP de rio e nascentes, e atrativos turísticos.
Tais atributos são oriundos do trabalho desenvolvido por Espindola (2009), que
identificou os tipos de dados ambientais e socioeconômicos utilizados na análise de
sensibilidade ambiental (Anexo A). A escolha dos atributos se deve ao caráter difuso
que apresentam em sua expressão geográfica e por serem de natureza distinta.
Cada atributo exigiu um tratamento específico para a incorporação da lógica difusa,
o que permitiu abordar o tema de maneira mais ampla. A Figura 18 apresenta um
diagrama com os critérios de análise elencados a partir dos atributos geoespaciais.
36
Figura 18 - Critérios de análise da sensibilidade ambiental
Estabelecidos os critérios, uma etapa importante refere-se à definição dos conjuntos
difusos. Ou seja, a identificação das variáveis linguísticas associadas aos critérios.
Tal identificação, idealmente, deve ser realizada com base na percepção de um
especialista. Entretanto, para efeito de teste, as variáveis linguísticas foram definidas
a partir de valores já consagrados pela literatura. Os conjuntos difusos foram
definidos nos formatos mais comumente utilizados, triangular e trapezoidal.
Para aplicação da metodologia, os critérios devem estar representados em planos
de informações do tipo matricial (raster), com uma distribuição contínua de dados. O
tamanho definido para a célula da matriz foi baseado em uma fórmula empírica que
sugere como resolução espacial mínima razoável, a aplicação da regra de que o
tamanho da célula deve ser igual ao valor do denominador da escala dividido por
2000 (Cunha & Guerra, 1994). Usando esta fórmula empírica para a escala de
trabalho de 1:50.000, adotada para a área de estudo, o tamanho de célula seria 25
metros. No entanto, considerando as medidas legais de áreas de preservação
permanente (Lei Federal 7.803/89) adotou-se 10 metros como tamanho de célula
ideal. Ou seja, mais detalhado que o proposto por Cunha & Guerra (1994). Isto
permitiu a melhor visualização dos parâmetros no MSA.
Os itens a seguir descrevem como cada atributo geoespacial foi preparado antes de
ser importado no Simulador.
a) Declividade
O mapa de declividade foi gerado com o método de interpolação Vizinhos Naturais a
partir das curvas de nível (equidistância de 20 metros) disponibilizadas pela
37
CIRAM/EPAGRI em escala 1:50.000. A Figura 19 traz o mapa de declividade da
área de estudo.
Figura 19 - Mapa de declividade
Os conjuntos difusos para o critério declividade foram elaborados com base nas
classes de sensibilidade definidas por Ross (1996) (Tabela 2) cuja representação
através da lógica booleana é apresentada na Figura 20.
Tabela 2 - Classes de declividade
CLASSES DECLIVIDADE
Muito Fraca até 6%
Fraca de 6 a 12%
Média de 12 a 20%
Forte de 20 a 30%
Muito Forte acima de 30%
Fonte: Ross, 1996.
38
0
1
Pe
rtin
ên
cia
Declividade (%)
Mu
ito
Fra
ca
Frac
a
Mé
dia
Fort
e
Mu
ito
Fort
e
6 12 20 30...0
Figura 20 - Representação booleana das classes de sensibilidade para o critério declividade
Na Figura 21 estão apresentados os conjuntos difusos preparados para o estudo de
caso. As áreas de incerteza foram definidas considerando 2% acima e abaixo do
limite da classe booleana.
0
0,2
0,4
0,6
0,8
1
0 5 10 15 20 25 30 35 40
Gra
us
de
Pe
rtin
ên
cia
Declividade (%)
Muito Fraca
Fraca
Média
Forte
Muito Forte
Sensibilidade
0 4 6 8 10 12 14 18 20 22 28 30 32...
Figura 21 - Conjuntos difusos e respectivos termos lingüísticos associados à Declividade
b) Áreas de Preservação Permanente – Rios e Nascentes
Para os planos de informações referentes às APPs de rios e nascentes, foi utilizada
a base de hidrografia do município disponibilizada pela CIRAM/EPAGRI em escala
1:50.000, e ainda o mapeamento dos corpos d’água previamente preparado em
função do Plano Diretor do município de Rio dos Cedros.
39
Para determinar a hierarquia de drenagem dos rios, o que possibilitou a identificação
das nascentes, foi utilizado o Hydroflow, que é um aplicativo Open Source
desenvolvido pelo LABGIS (Lab. de Geoprocessamento do Departamento de
Geologia Aplicada da Faculdade de Geologia da Universidade do Estado do Rio de
Janeiro).
Os parâmetros de entrada que representam os critérios de análise APP de rios e
APP de nascentes e corpos d’água são, simplesmente, dois arquivos matriciais, um
com a distância dos rios e outro com a distância dos corpos d’água e nascentes.
Tais arquivos representam a distância que cada área encontra-se do rio, corpo
d’água ou nascente mais próxima.
Para a delimitação dos conjuntos difusos das Áreas de Preservação Permanente
dos rios e nascentes tomou-se por referência o Código Florestal Brasileiro (Lei
Federal 7.803/89) que determina:
− APP de cursos de água com até 10 (dez) metros de largura: 30 (trinta) metros a partir de cada margem;
− APP de espelhos de água, compostas por rios com mais de 10 (dez) metros de largura e reservatórios: 50 (cinquenta) metros a partir de cada margem;
− APP de nascentes, ainda que intermitentes e nos chamados "olhos d'água", qualquer que seja a sua situação topográfica, num raio mínimo de 50 (cinquenta) metros de largura;
Com base na legislação citada acima, foram definidas as variáveis linguísticas
associadas ao atributo APP, quais sejam: Legal, Muito Influente, Influente e Sem
Influência. A Figura 22 apresenta os conjuntos difusos associados as APPs de rio, e
a Figura 23 os conjuntos das APPs de espelhos d’água e nascentes.
40
0
0,2
0,4
0,6
0,8
1
0 30 60 90 120 150 180 210
Graus de Pertinência
Distância do rio (m)
Legal
Muito Influente
Influente
Sem Influência
...
Classificação da Área
Figura 22 - Conjuntos difusos para as APPs de 30 metros
0
0,2
0,4
0,6
0,8
1
0 50 100 150 200 250 300 350
Graus de Pertinência
Distância de nascentes e espelhos d'água (m)
Legal
Muito Influente
Influente
Sem Influência
...
Classificação da Área
Figura 23 - Conjuntos difusos para as APPs de 50 metros
c) Tipos de Solo
A Figura 24 apresenta os tipos de solo presentes na área de estudo (Embrapa-
solos).
41
Figura 24 - Classes de solo.
As classes de solo foram divididas em categorias de sensibilidade ambiental: solos
com baixa, média e alta sensibilidade ambiental. O enquadramento do solo nas
diferentes categorias foi realizado com base nos valores atribuídos por Ross (1996)
(Tabela 3).
Tabela 3 - Tipos de solo presentes na área de estudo e respectivos valores de sensibilidade
TIPO DE SOLO SENSIBILIDADE
CAMBISSOLO ALTA
GLEI POUCO HÚMICO ALTA
PDZOLICO VERMELHO-AMARELO MÉDIA
TERRA BRUNA ESTRUTURADA BAIXA
No ArcGIS as classes de solo foram selecionadas de acordo com sua categoria de
sensibilidade, sendo gerada uma borda para representar a incerteza existente na
transição entre essas classes. Neste estudo foi adotada como borda a distância de
42
100m dos limites das classes, valor baseado no estudo de Barreto-Neto & Souza
Filho (2008).
O objetivo é ter um arquivo matricial para cada categoria de solo, em que os valores
0 (zero) da matriz representam as áreas dentro do limite da classe e uma variação
de 0 a 100m representam a borda.
Para os tipos de solo, os conjuntos difusos referem-se a incerteza de classificar a
região de transição entre uma classe e outra, ou seja, a borda. Assim foi utilizada a
proximidade da borda na definição de pertinência a classe em estudo (Figura 25).
0
0,2
0,4
0,6
0,8
1
0 20 40 60 80 100
Gra
us
de
Pe
rtin
ên
cia
Distância da borda (m)
Transição da Classe
Figura 25 - Conjunto difuso associado a borda de transição das classes de solos
d) Atrativos Turísticos
O mapa de atrativos turísticos (Figura 26) é resultado de um levantamento realizado
por equipe técnica da UNIVALI para o Plano Diretor de Rio dos Cedros, com base no
relatório preliminar entregue pelo curso de Turismo do Centro Universitário
Associação educacional Leonardo da Vinci (UNIASSELVI) à Prefeitura Municipal. Os
atrativos foram visitados para coleta de sua posição geográfica, bem como para
preenchimento de um formulário com informações sobre o local e registro fotográfico
(CNPq, 2008).
43
Figura 26 - Atrativos Turísticos
No SIG foi preparado um arquivo matricial que define a proximidade das áreas ao
ponto turístico mais próximo (Figura 27), de modo semelhante ao empregado no
limite das classes de solo.
Os atrativos turísticos ressaltam o potencial turístico da bacia. Este potencial torna a
bacia mais sensível tanto pela pressão que pode vir a ser exercida devido ao fluxo
de pessoas, quanto pela necessidade de se manter a área conservada para que ela
não perca tal potencial. Os conjuntos difusos para este critério foram definidos de
acordo com a proximidade da região ao atrativo turístico. Vale lembrar que segundo
o enfoque deste trabalho não houve um estudo prévio para determinar a área de
impacto ao redor dos pontos turísticos, sendo os valores empregados neste estudo
definidos apenas para verificação da viabilidade do uso de inferência difusa em
mapeamentos temáticos. Ou seja, a distância foi arbitrada aleatoriamente. Os
termos linguísticos adotados representam a influência que determinada região tem
sobre o atrativo (Figura 28).
44
Figura 27 - Distância dos Atrativos Turísticos
0
0,2
0,4
0,6
0,8
1
0 200 400 600 800 1000
Graus de Pertinência
Distância do Atrativo Turístico (m)
Forte Influência
Média Influência
Baixa Influência
Sem Influência
Figura 28 - Conjuntos difusos associados a influência do Atrativo Turístico à sensibilidade das
áreas
45
d) Índices de Sensibilidade Ambiental
Os Índices de Sensibilidade Ambiental representam o conjunto de saída da
Inferência Difusa. Os valores da reta suporte dos conjuntos difusos foram arbitrados
entre 0 e 450, sendo os conjuntos definidos neste intervalo. Cabe notar que
poderiam ser empregados quaisquer intervalos desde que os conjuntos referentes
aos termos linguísticos fossem devidamente expressos neste intervalo. Ou seja, não
há relação entre a reta suporte dos conjuntos difusos de saída e os intervalos
adotados nos conjuntos de entrada. Assim a sensibilidade foi dividida em cinco
classes, dentro de um intervalo de valores que facilitou a visualização dos resultados
no simulador (Figura 29).
0
0,2
0,4
0,6
0,8
1
0 50 100 150 200 250 300 350 400 450
Graus de Pertinência
Índices de Sensibilidade
Muito Baixa
Baixa
Média
Alta
Muito Alta
Sensibilidade Ambiental
Figura 29 - Conjuntos difusos de saída
Inferência Difusa
Regras de Inferência
As regras utilizam os critérios e as variáveis linguísticas anteriormente definidas.
Mais uma vez reforça-se a ideia que a sua definição foi feita em caráter de teste, ou
seja, não foi embasada em um estudo criterioso. Algo que por si só, daria um
trabalho específico.
A elaboração das regras é baseada no cruzamento entre os critérios com seus
respectivos termos linguísticos, tal combinação pode ser melhor compreendida
através do exemplo da Figura 30, na qual se apresenta o cruzamento entre os
critérios Declividade e APP.
46
Variável Linguística
Declividade Dentro Muito Próximo Próximo Distante
Muito Baixa Sensibilidade Muito Alta Sensibilidade Média Sensibilidade Baixa Sensibilidade Baixíssima
Baixa Sensibilidade Muito Alta Sensibilidade Média Sensibilidade Baixa Sensibilidade Baixa
Média Sensibilidade Muito Alta Sensibilidade Alta Sensibilidade Média Sensibilidade Média
Alta Sensibilidade Muito Alta Sensibilidade Muito Alta Sensibilidade Alta Sensibilidade Alta
Área de Preservação Permanente - Mata Ciliar
Figura 30 - Exemplo de cruzamento entre os critérios de análise
Realizados todos os cruzamentos possíveis, as regras foram editadas de acordo
com a sintaxe adotada pelo script de configuração do Simulador (Figura 31).
if ((Declividade IS Muito Baixa) AND (APP IS Área Legal)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Muito Baixa) AND (APP IS Muito Influente)) OUTPUT = Sensibilidade Média
if ((Declividade IS Muito Baixa) AND (APP IS Influente)) OUTPUT = Sensibilidade Baixa
if ((Declividade IS Muito Baixa) AND (APP IS Sem Influência)) OUTPUT = Sensibilidade Muito Baixa
if ((Declividade IS Baixa) AND (APP IS Área Legal)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Baixa) AND (APP IS Muito Influente)) OUTPUT = Sensibilidade Média
if ((Declividade IS Baixa) AND (APP IS Influente)) OUTPUT = Sensibilidade Baixa
if ((Declividade IS Baixa) AND (APP IS Sem Influência)) OUTPUT = Sensibilidade Baixa
if ((Declividade IS Média) AND (APP IS Área Legal)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Média) AND (APP IS Muito Influente)) OUTPUT = Sensibilidade Alta
if ((Declividade IS Média) AND (APP IS Influente)) OUTPUT = Sensibilidade Média
if ((Declividade IS Média) AND (APP IS Sem Influência)) OUTPUT = Sensibilidade Média
if ((Declividade IS Alta) AND (APP IS Área Legal)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Alta) AND (APP IS Muito Influente)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Alta) AND (APP IS Influente)) OUTPUT = Sensibilidade Muito Alta
if ((Declividade IS Alta) AND (APP IS Sem Influência)) OUTPUT = Sensibilidade Muito Alta
Premissa Conclusão
Figura 31 - Sintaxe das regras
O resultado da inferência difusa pode ser exportado do simulador em formato ASCII,
conforme ilustrado na Figura 32, abaixo. É importante notar que as dimensões
originais das matrizes de entrada, referentes aos temas contendo os atributos
geoespaciais, são mantidas (ncols e nrows no cabeçalho do arquivo ASCII). Este
arquivo contém, ainda, a coordenada da primeira célula da matriz para efeito de
georreferenciamento. Finalmente, o tamanho da célula permite a definição da
resolução espacial do resultado alcançado.
47
Figura 32 - Resultado exportado do Simulador no formato ASCII
Com base nos dados exportados, é possível realizar a importação para um SIG.
Neste trabalho foi utilizado o ArcGIS 9.3 como plataforma para visualização e análise
dos resultados alcançados. A Figura 33 apresenta o mapa de sensibilidade
ambiental difuso resultante da defuzzificação.
Figura 33 - Mapa de Sensibilidade Ambiental Difuso
48
Enfoque Tradicional
Com o intuito de compará-lo ao mapa de sensibilidade ambiental difuso (MSAD), foi
elaborado um mapa de sensibilidade ambiental com base na lógica booleana
(MSAT) (Figura 34). Para tanto foram utilizados os mesmos critérios adotados na
elaboração do mapa difuso, realizando uma adaptação da metodologia de Crepani
et al. (1996) que é um método de análise tradicional.
Para cada classe dos critérios são estabelecidos valores hierárquicos de 1 a 3 e a
síntese se dá pela sobreposição dos planos de informações e a extração da média
aritmética dos valores. Dentro da escala de sensibilidade as áreas podem ser
classificadas conforme apresentado abaixo:
Tabela 4 – Escala de sensibilidade segundo método tradicional
Grau de Sensibilidade Intervalo de Classe
Muito alta 2,6 – 3,0
Alta 2,2 – 2,6
Média 1,8 – 2,2
Baixa 1,4 – 1,8
Muito baixa 1,0 – 1,4
Figura 34 - Mapa de sensibilidade ambiental tradicional
49
RESULTADOS E DISCUSSÃO
Conforme apresentado na metodologia, a avaliação do resultado da aplicação de
inferência difusa no mapeamento de sensibilidade ambiental foi realizada,
primeiramente, com base na verificação visual do resultado em ambiente SIG,
seguido da comparação com um mapa produzido através do método tradicional de
sobreposição. Neste método, destaca-se o enfoque booleano (crispy) como
contrapartida ao enfoque difuso.
Avaliação visual dos resultados
A verificação visual consistiu em uma análise de coerência entre o mapa de
sensibilidade ambiental difuso (MSAD) e os critérios de análise. Tal análise parte do
entendimento das especificações de cada critério, bem como do tratamento difuso
incorporado a eles. Vale destacar que os mapas temáticos utilizados para a análise
foram originalmente desenvolvidos dentro da lógica booleana, tendo sido adaptados
para utilização sobre o enfoque difuso.
O atributo “Tipo de Solo” representa um elemento da paisagem que varia
continuamente no espaço e que apresenta uma complexa transição entre seus
diferentes tipos. No entanto, tradicionalmente, sua representação cartográfica é feita
como se houvesse uma transição abrupta entre um tipo de solo e outro (Figura 24).
Tal simplificação não permite que sejam identificadas as áreas onde existe a
incerteza em se enquadrar a área como uma ou outra categoria e,
consequentemente, a avaliação da sensibilidade ambiental fica comprometida.
Assim, as áreas incertas, neste tipo de atributo, são constituídas principalmente
pelas regiões de borda. Ou seja, onde ocorre a transição de um tipo de solo para
outro. O enquadramento das classes de solo por nível de sensibilidade e a atribuição
de uma zona de incerteza na transição destas classes permitiu resgatar, ainda que
em parte, a natureza difusa desconsiderada no mapeamento tradicional.
Já o atributo “Áreas de Preservação Permanente”, por apresentar uma delimitação
geoespacial exata, pode ser perfeitamente mapeado dentro da lógica clássica. No
entanto, esta delimitação exata pode se tornar um obstáculo ao se utilizar a APP
como critério de análise de sensibilidade ambiental. Utilizando como exemplo uma
APP de mata ciliar com 30 metros, é questionável definir que a esta distância do rio
50
tem-se uma região ambientalmente sensível, e a 30,1 metros esta já não seja mais.
De fato, a região a 30,1 metros do rio exerce a mesma função ecossistêmica
daquela 0,1 metros mais próxima. Parece óbvio que esta função ecossistêmica
diminua à medida que aumenta a distância do rio, mas não de maneira tão
(novamente dizendo) abrupta. Tal conceito ou ideia é empregado por ecólogos e
gestores ambientais como “zona de amortecimento” em unidades de conservação, e
deve ser assim considerada em termos de análise de sensibilidade ambiental. O
enfoque difuso adotado neste trabalho permitiu a consideração deste atributo de
forma real. Ou seja, com sua sensibilidade reduzindo à medida que se distancia dos
rios e das nascentes.
Para o atributo “Declividade” ser utilizado como critério de análise, o emprego da
Lógica Difusa torna-se essencial. Com ela a análise não fica comprometida em
intervalos com limites abruptos de classe (Tabela 2).
O atributo “Atrativos Turísticos” possui uma representação geoespacial pontual. E,
novamente, a incorporação da Lógica Difusa passa a ser necessária quando este
vem a ser utilizado como critério de análise. As áreas próximas a pontos turísticos
são consideradas mais sensíveis. A utilização da Lógica Difusa permite o mesmo
enfoque empregado no atributo “Áreas de Preservação Permanente”. É importante
destacar que mesmo as áreas que não sofrem nenhuma influência de um atrativo
turístico, devem estar representadas nos conjuntos difusos (Figura 28), para que
tenham um peso no momento da inferência. Esta especificação deve ser observada
também para a distância das APPs.
Na verificação visual foi possível avaliar que o MSAD teve resultados coerentes com
as regras. A Figura 35, abaixo, destaca os critérios e a sensibilidade ambiental para
algumas áreas do mapa. Nela é possível perceber a influência dos critérios no
resultado. Importante notar que na metodologia adotada neste trabalho não são
definidos pesos para os critérios. Os pesos são empregados para dar maior ou
menor importância para determinado critério. No entanto, avaliando a Figura, é
possível verificar que o critério “distância do Atrativo Turístico” teve menor influência
(peso) no resultado do que o critério “distância da nascente (APP)”. Esta questão é
resultado das regras de inferência. Nas regras está definida a preponderância de
cada critério ao resultado. Por exemplo, se forem elaboradas duas regras conforme
51
as apresentadas abaixo, automaticamente estar-se-ia conferindo um peso maior ao
critério “Distância da Nascente”.
(1) Se distância do atrativo turístico é 0 (zero), então a sensibilidade é alta
(2) Se distância da nascente é 0 (zero), então a sensibilidade é muito alta
Figura 35 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C) Declividade;
(D) Distância dos rios; (E) Tipo de solo (para este exemplo toda a região possui solo de alta
sensibilidade); (F) Mapa de Sensibilidade Ambiental Difuso.
No exemplo da Figura 36 é demonstrada uma região onde há a transição entre solos
com diferentes níveis de sensibilidade. No mapeamento tradicional essa transição
tenderia a ficar bem marcada, porém no MSAD o que se tem é uma variação suave,
similar ao que ocorre no ambiente natural.
52
Figura 36 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C) Declividade;
(D) Distância dos rios; (E) Tipo de solo (transição entre solos com diferentes níveis de
sensibilidade); (F) Mapa de Sensibilidade Ambiental Difuso.
Mesmo áreas com características ambientais bastante similares resultaram em
níveis de sensibilidade diferentes, demonstrando que as regras são sensíveis às
pequenas variações de valores dos critérios de análise. Na tabela abaixo estão
descritos os valores de célula de duas áreas de nascentes que apresentaram níveis
de sensibilidade diferentes (Figura 37). O fato de se tratar de uma área de nascente,
por si só, já caracterizaria a região como área sensível. No entanto, os demais
critérios envolvidos são capazes de alterar o nível de sensibilidade.
53
Tabela 5 - Comparação de resultado entre duas áreas de nascente.
ISA APP5
50m
APP
30m
Sensibilidade
do Solo
Declividade Atr.Turístico
(distância)
Nascente 1 292 0 0 0 (Média) 25% 549m
Nascente 2 235 0 0 0 (Média) 10% 819m
Figura 37 - (A) Distância das nascentes; (B) Distância dos Atrativos Turísticos; (C) Declividade;
(D) Distância dos rios; (E) Tipo de solo (transição entre solos com diferentes níveis de
sensibilidade); (F) Mapa de Sensibilidade Ambiental Difuso. Os pontos azuis representam as
nascentes descritas na Tabela 5.
5 O valor 0 (zero) significa que esta célula está a 0 metros da nascente.
54
Análise comparativa
O mapeamento com base na lógica clássica representa a paisagem de maneira
limitada. Nele, cada local pode pertencer a apenas uma categoria, e é esta
característica que faz com que se tenha uma análise insatisfatória. Principalmente,
por se tratar de um mapa síntese. Ou seja, como um mapa que advém de outros
mapas, o mapa de sensibilidade acaba por ter grande perda de informação quando
elaborado pela lógica clássica.
Na Figura 38 é possível comparar o resultado dos dois métodos. As diferenças
observadas são resultado tanto do tratamento dos atributos e critérios, quanto da
formulação do índice de sensibilidade. Para uma melhor compreensão, a área em
destaque na figura foi detalhada Figura 40, onde estão representados os critérios e a
formulação do mapa síntese.
Figura 38 - Mapa de Sensibilidade Ambiental elaborado através da Lógica Clássica e Difusa.
Uma das principais diferenças é a maneira como os critérios são representados. No
mapa tradicional as classes são obrigatoriamente discretas, enquanto que, no mapa
difuso as classes possuem limites de transição gradual. Na figura, ao se comparar o
mapa de declividade utilizado nas duas análises, é possível compreender como esta
55
classificação funciona. No mapa tradicional, a declividade é classificada em
intervalos abruptos e então é atribuído um valor de sensibilidade para cada classe.
Desta forma, durante a análise, a declividade de 6% passa a ser igual a declividade
12% e diferente da declividade 5,99%, por exemplo (Tabela 2). No mapeamento
difuso não existe esta generalização e perda de informação, nele os valores são
tratados pelo seu valor real, pois, a classificação dos conjuntos respeita a transição
gradual das classes.
Para os critérios APP e Atrativos turísticos, no mapa tradicional, existe apenas a
classificação “pertence” e “não pertence”. Assim para o exemplo dos atrativos
turísticos tudo o que esta a até 200 metros deste é considerado sensível e o que
está fora não. No mapa difuso além de toda a área ser considerada na análise, o
valor 200m, por exemplo, é tratado com uma sensibilidade diferente do valor 190m,
pois embora sejam valores próximos, os conjuntos difusos são capazes de
diferenciá-los. O impacto disto pode ser claramente visualizado nos resultados, onde
o MSA Tradicional apresentou uma mudança brusca de sensibilidade na área em
torno do atrativo turístico.
Quanto ao índice, no mapa tradicional este advém de uma equação (média dos
valores atribuídos aos critérios), enquanto que no mapa difuso o índice é o resultado
das regras de inferência (Figura 39).
Figura 39 - Índice de Sensibilidade pelos métodos tradicional e difuso.
Em ambos os casos existe a dependência de um especialista atribuir os valores aos
critérios, seja em valores numéricos ou em termos linguísticos. É fato que para um
56
ser humano a atribuição de termos linguísticos é mais simples e intuitiva do que a
atribuição de um valor numérico, quer dizer, é mais fácil identificar que, por exemplo,
a “declividade 8%” é “mais ou menos baixa” do que atribuir um valor absoluto a esta
declividade, como por exemplo “índice 1.5”. Sendo assim, o que se observa é que
embora a Lógica Difusa seja mais complexa, ela torna a análise menos subjetiva e
com um resultado mais simples e compreensível, já que no mapa difuso o
computador fez o cálculo (inferência) de modo próximo ao raciocínio humano (Yanar
& Akyurek, 2006).
Ademais, como pôde ser observado nas Figuras, no mapeamento tradicional as
mudanças dos níveis de sensibilidade acompanham o próprio enfoque clássico, ou
seja, são muito bruscas e não refletem de maneira coerente ao mundo real, no qual
a grande maioria dos atributos geoespaciais variam de modo gradual.
57
Figura 40 – Demonstrativo dos critérios e síntese para os mapas de sensibilidade ambiental e difuso
58
Um ponto importante se trata do possível enquadramento do MSAD em classes de
sensibilidade (Figura 41). Esta classificação reduz a riqueza de informação do mapa,
no entanto pode ser necessária dependendo do objetivo final de apresentação, ou
mesmo da limitada capacidade do ser humano em lidar com distribuição contínua de
valores. Ação que normalmente requer um procedimento subjetivo de avaliação e
subsequente classificação deste intervalo contínuo em níveis de importância.
Figura 41 - MSAD em classes de sensibilidade
O que se destaca é a diferença entre as duas metodologias mesmo quando o MSAD
está representado por classes (Figura 42). Os resultados mostraram que no mapa
tradicional a maior parte da área foi classificada como sendo de “baixa sensibilidade”
enquanto que no mapa difuso a classificação predominante foi de “média
sensibilidade” (Tabela 6).
Tendo em vista que os dois mapas foram elaborados com mesmo enfoque, esta
diferença pode ser resultante dos aspectos discutidos anteriormente, quais sejam:
subjetividade na atribuição de valor no mapa tradicional, que poderia não estar
59
correspondendo a real intenção do especialista e; síntese de resultado propriamente
dita.
Tabela 6 - Percentual da área nas classes de sensibilidade para os mapas de sensibilidade
tradicional (MSAT) e difuso (MSAD).
MSAT MSAD
CLASSE DE SENSIBILIDADE % %
Muito Alta 0 0
Alta 4 13
Média 7 69
Baixa 55 17
Muito Baixa 34 1
Figura 42 - Mapa de Sensibilidade Ambiental Tradicional e Difuso em classes de sensibilidade
É importante notar que um MSAD também pode apresentar uma transição abrupta
entre duas regiões, no entanto isso só ocorrerá quando de fato esta transição estiver
ocorrendo no ambiente natural. A transição entre um costão rochoso e o ambiente
terrestre é um exemplo de transição abrupta que ocorre naturalmente. De fato em
um mapa difuso é possível “enxergar” informações que não se consegue extrair de
um mapa tradicional. Quer dizer, é possível “acreditar” que uma transição abrupta
em um MSAD representa a realidade do ambiente, enquanto que no mapa
tradicional uma transição abrupta geralmente é o resultado de uma generalização.
A Figura 43 apresenta a visualização 3D do MSAD em que é possível observar a
transição gradual de sensibilidade e, também, áreas onde a transição é mais
abrupta. Nota-se que a riqueza de informação está na não generalização dos índices
60
de sensibilidade, com a qual não seria possível distinguir a diferença real entre as
áreas.
Figura 43 - Visualização 3D do MSAD.
Em contrapartida ao método tradicional, que já possui uma metodologia
estabelecida, o uso da lógica e inferência difusa para a elaboração de mapas
síntese é um método a ser “explorado”, necessitando de estudos mais detalhados
para a construção dos conjuntos difusos e das regras. Da mesma forma, é
necessário que se altere o modo tradicional de construção de cartas temáticas, que
é baseado em lógica clássica. Apesar destas condições, o desenvolvimento deste
trabalho comprovou a viabilidade do emprego de lógica difusa para o mapeamento
de sensibilidade ambiental para bacias hidrográficas.
61
CONCLUSÕES
Com o desenvolvimento do trabalho foi possível perceber que a superioridade da
lógica difusa, em relação ao método tradicional, é resultado do uso combinado das
funções de pertinência, da possibilidade da utilização de termos linguísticos
(raciocínio aproximado) e ainda da inferência difusa (processamento paralelo –
síntese). Tais características possibilitam uma maior compreensão dos elementos e
processos naturais, permitindo que as incertezas que podem contribuir para o
sucesso de planejamentos e da própria gestão sejam reduzidas.
Tal superioridade é ainda mais evidente ao se pensar em um mapa de sensibilidade
ambiental. Por se tratar de um mapa síntese, a qualidade do mapa de sensibilidade
depende da qualidade dos mapas temáticos que o compõe e ainda do método de
síntese utilizado. Em relação a isto, foi possível observar que mesmo os critérios que
não são de natureza difusa, por apresentarem limites bem definidos, como é o caso
das áreas de preservação permanente e dos atrativos turísticos, quando tratados
como critério de análise, exigem, invariavelmente, a abordagem difusa.
Não fez parte do escopo do trabalho um estudo mais detalhado para definição dos
conjuntos e das regras, no entanto os resultados foram condizentes com o
esperado, reflexo da facilidade da utilização de termos linguísticos. O teste deixa
uma lacuna, também, no que se refere à construção dos mapas de entrada de
dados, usualmente construídos com emprego da lógica clássica. É evidente, através
da metodologia para mapeamento difuso, a influência do pensamento tradicional do
mapeamento temático. Ou seja, a apresentação de atributos discretamente
representados nos mapas. Desconsiderando questões de escala, há a necessidade
de se alterar o pensamento para a representação contínua dos fenômenos
geoespaciais a priori de qualquer análise. No estudo de caso o mapeamento
temático empregado na inferência difusa foi uma adaptação do mapeamento
discreto para atender a necessidade de criação de classes de parâmetros de forma
a acomodar a transição gradual entre estas. Possivelmente, o emprego de cartas
temáticas elaboradas sob o enfoque contínuo venha a afetar, sobremaneira, os
resultados do emprego de lógica difusa para geração de índices de sensibilidade
ambiental, tanto para bacias hidrográficas, como para qualquer outra unidade ou
problema a ser abordado.
62
No que se refere a ferramenta empregada para inferência difusa neste trabalho, há
de se considerar os aspectos tecnológicos de sua implementação e funcionamento.
Por exemplo, apenas duas formas de representação de classes de conjuntos difusos
encontram-se disponíveis (triangular e trapezoidal). Assim torna-se essencial avaliar
tanto o emprego de outras formas, bem como se a ferramenta não é limitada à visão
de seu desenvolvedor. Ou seja, é aconselhável que se realize testes com outras
ferramentas disponíveis. Contudo, o emprego desta única ferramenta não
desacredita a viabilidade do emprego de inferência difusa em mapeamentos
temáticos, com ênfase na geração de cartas temáticas síntese, como o são os
mapas de sensibilidade ambiental.
Finalmente, é possível afirmar que o emprego de Lógica e, principalmente da
Inferência Difusa, são viáveis, para não dizer desejáveis, para geração de índices de
sensibilidade ambiental para bacias hidrográficas.
63
RECOMENDAÇÕES
8.
Por se tratar de um estudo exploratório e orientado eminentemente à avaliação da
viabilidade de emprego da inferência difusa para o mapeamento de sensibilidade
ambiental, diversos aspectos não foram exaustivamente abordados. Tais aspectos
devem ser considerados como balizas para o desenvolvimento de futuros trabalhos
e, evidentemente, para a evolução e consolidação da metodologia ora proposta e
avaliada. São eles:
− Proposição e avaliação de (novos?) critérios pertinentes à elaboração de mapas de sensibilidade ambiental difusos para bacias hidrográficas;
− Proposição de métodos para elaboração de mapeamento difuso dos atributos empregados na inferência difusa (mapas temáticos difusos);
− Evoluir o método de inferência difusa geoespacial, com destaque aos seguintes itens:
o Proposição dos conjuntos difusos conforme atributos e critérios;
o Como elaborar as regras de inferência difusa, destacando a possibilidade de existirem distintas tipologias de regras; e
o Proposição de um método para interpretação dos resultados, de modo a validar o mapeamento gerado.
− Explorar a viabilidade de emprego da inferência difusa geoespacial em outros mapas síntese, como por exemplo, fragmentação e riqueza de habitats.
64
REFERÊNCIAS BIBLIOGRÁFICAS
8.
Araujo, E. 2009. Lógica difusa (fuzzy) e raciocínio aproximado: Conceitos e
aplicações. In: ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E
COMPUTACIONAL, 13, Pato Branco. Anais... Synergismus scyentifica UTFPR,
Pato Branco, v. 4, n. 2.
Attanasio, C. M. 2004. Planos de manejo integrado de microbacias hidrográficas
com uso agrícola: uma abordagem hidrológica na busca da sustentabilidade. Tese
de Doutorado. Universidade de São Paulo. 206p.
Barreto-Neto, A. A. & Souza Filho, C. R. de. 2008. Codificação de incertezas nas
bordas de mapas de solo e uso da terra utilizando lógica fuzzy. Geociências. 27(1):
43-51.
Basso, F.; Bove, E.; Dumontet, S.; Ferrara, A.; Pisante, M.; Quaranta, G. & Taberner,
M. 2000. Evaluating environmental sensitivity at the basin scale through the use of
geographic information systems and remotely sensed data: an example covering the
Agri basin (Southern Italy). Catena (40): 19-35.
Becker, B.K. & Egler, C.A.G. 1997. Detalhamento da metodologia para execução do
zoneamento ecológico-econômico pelos Estados da Amazônia legal. Brasília:
MMA/SAE.
BGS. British Geological Survey. 2008. Disponível em:
<http://www.bgs.ac.uk/mineralsUK/environment/envsens/home.html>. Acesso em: 10
de mai. 2009.
Bolfe, E.L.; Pereira, R.S.; Madruga, P.R. de A. & Nunes, G.M. 2001. Gerenciamento
de unidades de produção florestal através de técnicas de geoprocessamento em
lógica nebulosa (logic fuzzy). In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 10, Foz do Iguaçu, 2001. Anais... São José dos Campos: INPE. 921-
923p.
Borges, E.F. & Silva, A. de B. 2009. Modelagem Fuzzy para a geração do mapa de
solos do município de Mucugê. In: ENCUENTRO DE GEÓGRAFOS DE AMÉRICA
LATINA, 12., Montevideu. 1-12.
65
Bragagnolo, N. & Pan, W. 2000. A experiência de programas de manejo e
conservação dos recursos naturais em microbacias hidrográficas. In: Muñoz, H.R.
(org.) Interfaces da gestão de recursos hídricos: desafios da lei das águas de 1997.
2º Edição. Brasília: Secretaria de Recursos Hídricos. 176-198p.
Brasil, Lei nº 7.803, de 18 de julho de 1989. Altera a redação da Lei nº 4.771, de 15
de setembro de 1965, e revoga as Leis nºs 6.535, de 15 de junho de 1978, e 7.511,
de 7 de julho de 1986.
Brasil, Lei nº 9.433, de 08 de janeiro de 1997. Institui a Política Nacional de
Recursos Hídricos, cria o Sistema Nacional de Gerenciamento de Recursos
Hídricos, regulamenta o inciso XIX do art. 21 da Constituição Federal, e altera o art.
1º da Lei nº 8.001, de 13 de março de 1990, que modificou a Lei nº 7.990, de 28 de
dezembro de 1989.
Buckley, R. C. 1982. Environmental sensitivity mapping – what, why and how.
Environmental Geochemistry and Health. 4(4): 151-155.
Burrough, P.A. 1986. Five reasons why geographical information systems are not
being used efficiently for land resources assessment. In: INTERNATIONAL
SYMPOSIUM ON COMPUTER-ASSISTED CARTOGRAPHY, 2., Londres, 1986.
139-148.
Calijuri, M.L.; Alves, J.E.M.; Baptista, A.C. & Santiago A. da F.; Loures, S.S.P. 2007.
Proposta metodológica para geração da carta de fragilidade ambiental, utilizando
lógica fuzzy e combinação linear ponderada. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 13., Florianópolis. Anais... São José dos Campos:
Instituto Nacional de Pesquisas Espaciais, 2007. 3311-3318.
Cardoso, S.; Vasconcelos, L. & Ferreira, J.C. 2004. Identificação de Áreas
Ambientalmente Sensíveis: Contributo para a estrutura ecológica do conselho de
Setúbal. In: ENCONTRO DE UTILIZADORES DE INFORMAÇÃO GEOGRÁFICA, 7.,
2004, Lisboa. Anais... USIG. CDROM.
Carvalho, J. B. de. 2001. Mapas cognitivos baseados em regras difusas: modelação
e simulação da dinâmica de sistemas qualitativos. Tese de Doutorado. Instituto
Superior Técnico da Universidade Técnica de Lisboa. 361p.
66
Champatiray, P. K.; Dimri S.; Lakhera, R. C. & Sati S. 2007. Fuzzy-based method for
landslide hazard assessment in active seismic zone of Himalaya. Landslides 4:101–
111.
CNPq/UNIVALI – Convênio no 501693/2005-0. 2008. Elaboração do zoneamento
para o plano diretor do município de Rio dos Cedros – SC. Rio dos Cedros. 49 p.
Crepani, E.; Medeiros, J.S.; Azevedo, L.G.; Hernadez Filho, P.; Florenzano, T.G. &
Duarte, V. 1996. Curso de sensoriamento remoto aplicado ao zoneamento
ecológico-econômico. São José dos Campos: INPE, 18p.
Cunha, S.B. da. & Guerra, A.J.T. 1994. Geomorfologia: uma atualização de bases e
conceitos. Rio de Janeiro, RJ: Bertrand.
Dixon, B. 2005. Ground water vulnerability mapping: a GIS and fuzzy rule based
integrated tool. Journal of Applied Geography. 25: 327-347.
Donha, A.G.; Souza L. C. de P. & Sugamosto, M.L. 2006. Determinação da
fragilidade ambiental utilizando técnicas de suporte à decisão e SIG. Revista
Brasileira de Engenharia Agrícola e Ambiental. 10(1).
Espindola, S.G.H. 2009. Avaliação das metodologias para mapeamento de
sensibilidade ambiental de bacias hidrográficas com vista à aplicação em bacia de
pequeno porte no Estado de Santa Catarina. Trabalho de Conclusão de Curso
(Engenharia Ambiental). Centro de Ciências Tecnológicas da Terra e do Mar -
Universidade do Vale do Itajaí - UNIVALI. 59p.
FECAM – Federação Catarinense dos Municípios. 2005. Guia dos Municípios de
Santa Catarina. Florianópolis.
Fernandes, O. 2008. Modelo para aplicação de critérios ambientais para
licenciamento de empreendimentos hidrelétricos: um estudo de caso na sub-bacia
hidrográfica do rio Benedito – SC. Dissertação de Mestrado. Centro de Ciências
Tecnológicas da Universidade Regional de Blumenau – FURB. 176p.
Freitas, M. de; Rangel, D. & Dutra, L. 2001. Gestão de recursos hídricos no brasil: a
experiência da agência nacional de águas. In: ENCUENTRO DE LAS AGUAS, 3.,
2001, 45 Santiago de Chile. Agua, Vida y Desarrollo. Santiago de Chile: IICA. 1-10p.
67
Gemitzi, A.; Petalas C.; Tsihrintzis V.A. & Pisinaras V. 2006. Assessment of
groundwater vulnerability to pollution: a combination of GIS, fuzzy logic and decision
making techniques. Environmental Geology. 49(5): 653-673.
Gemitzi, A.; Tsihrintzis, V.A.; Voudrias, E.; Petalas, C. & Stravodimos, G. 2007.
Combining geographic information system, multicriteria evaluation techniques and
fuzzy logic in siting MSW landfills. Environmental Geology. 51(5): 797-811.
Gorsevski, P.V. & Jankowski, P. 2010. An optimized solution of multi-criteria
evaluation analysis of landslide susceptibility using fuzzy sets and Kalman filter.
Computers & Geosciences. 36(8): 1005-1020.
Guerreiro, O.M.L. 2003. Definição de uma metodologia para modelagem de agentes
inteligentes difusos a partir da técnica de mapas mentais: um estudo de caso
baseado na percepção e comportamento de usuários da Praia Brava, SC – Brasil.
Trabalho de conclusão de curso (Engenharia do Ambiente). Departamento de
Ciências Agrárias da Universidade dos Açores-Portugal. 107p.
Guivant, J.S. & Jacobi, P. 2003. Da hidro-técnica a hidro-política: novos rumos para
a regulação e gestão dos riscos ambientais o brasil. Cadernos de desenvolvimento e
meio ambiente n.1.
Gulley, N. & Jang, R. 1995. Fuzzy Logic toolbox: for use with MATLAB. The
MathWork Inc., Natick, Massachusetts.
Hodge, K. & Gilson, N. 2002. Environmental sensitivity analysis: a regional
examination in Alberta, Canadá. In: Annual ESRI User Conference, 22., 2002, San
Diego, CA. Proceedings… Redlands: ESRI Press.
IBGE - Instituto Brasileiro de Geografia e Estatística. 2010. Censo demográfico.
Ilanloo, M. 2011. A comparative study of fuzzy logic approach for landslide
susceptibility mapping using GIS: An experience of Karaj dam basin in Iran. Procedia
Social and Behavioral Sciences. 19: 668–676.
Jasiewicz, J. 2011. A new GRASS GIS fuzzy inference system for massive data
analysis. Computers & Geosciences. (37): 1525-1531.
68
Klir, G.J. & Yuan, B. 1995. Fuzzy sets and fuzzy logic: theory and applications. New
Jersey: Prentice Hall.
Lanna, A.E. 2000. A inserção da gestão das águas na gestão ambiental. In: Muñoz,
H.R. (org.). Interfaces da gestão de recursos hídricos: desafios da lei das águas de
1997. 2° Edição. Brasília: Secretaria de Recursos Hídricos. 75-109p.
Lark, R.M. & Bolam, H.C. 1997. Uncertainty in prediction and interpretation of
spatially variable data on soils. Geoderma. 77: 263–282.
Lee, S. 2007. Application and verification of fuzzy algebraic operators to landslide
susceptibility mapping. Environmental Geology. 52: 615–623.
Malinowska, A. 2011. A fuzzy inference-based approach for building damage risk
assessment on mining terrains. Engineering Structures. 33: 163-170.
McBratney, A.B. & Odeh, I.O.A. 1997. Application of fuzzy sets in soil science: fuzzy
logic, fuzzy measurements and fuzzy decisions. Geoderma. 77: 85-113.
Mello, J. 2008. Ensaio cartográfico para determinação da fragilidade ambiental na
bacia hidrográfica do rio Verde (SP). Dissertação de Mestrado. Instituto de
Geociências. Universidade Estadual de Campina. 107p.
Metternicht, G. 2001. Assessing temporal and spatial changes of salinity using fuzzy
logic, remote sensing and GIS: Foundations of an expert system. Ecological
Modelling. 144: 163-179.
Ministério do Meio Ambiente, Secretaria de Qualidade Ambiental, Brasil (MMA/SQA).
2004. Especificações e normas técnicas para elaboração de cartas de sensibilidade
ambiental para derramamentos de óleo/Ministério do Meio Ambiente. Secretaria de
Qualidade Ambiental nos Assentamentos Humanos. Programa de gerenciamento
ambiental territorial. Projeto de gestão integrada dos ambientes costeiro e marinho.
Brasília: Ministério do Meio Ambiente, 107p.
Muñoz, H.R. Razões para um debate sobre as interfaces da gestão dos recursos
hídricos no contexto da lei de águas de 1997. 2000. In: Muñoz, H.R. (org.).
Interfaces da gestão de recursos hídricos: desafios da lei das águas de 1997. 2°
Edição. Brasília: Secretaria de Recursos Hídricos. 13-29p.
69
Nakajima, L.; Mezzomo, C.C.; Schiozer, D.J. & Guilherme, I.R. 2003. Determinação
de mapa de qualidade de um reservatório utilizando sistema fuzzy. In:
CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS, 2., Rio de Janeiro.
Anais... Rio de janeiro.
Nolasco-Carvalho, C.C.; Franca-Rocha, W. & Ucha, J.M. 2009. Mapa digital de
solos: uma proposta metodológica usando inferência fuzzy. Revista Brasileira de
Engenharia Agrícola e Ambiental. 13(1): 46-55.
Park, I.; Choi, J.; Lee, M.J. & Lee, S. 2012. Application of an adaptive neuro-fuzzy
inference system to ground subsidence hazard mapping. Computers & Geosciences.
Polette, M.; Diehl, F.L.; Diehl, F.P.; Sperb, R.M.; Schettini, C.A.F. & Klein, A.H.F.
2000. Gerenciamento costeiro integrado e gerenciamento de recursos hídricos:
como compatibilizar tal desafio. In: Muñoz, H.R. (org.). Interfaces da gestão de
recursos hídricos: desafios da lei das águas de 1997. 2° Edição. Brasília: Secretaria
de Recursos Hídricos. 221-237p.
Pradhan B.; Lee S. & Buchroithner, M.F. 2009. Use of geospatial data for the
development of fuzzy algebraic operators to landslide hazard mapping: a case study
in Malaysia. Applied Geomatics. 1: 3–15.
Pradhan, B. 2010. Use of GIS-based fuzzy logic relations and its cross application to
produce landslide susceptibility maps in three test areas in Malaysia. Environmental
Earth Science. 63(2): 329-349.
Pradhan B. & Pirasteh S. 2010. Comparison between prediction capabilities of neural
network and fuzzy logic techniques for landslide susceptibility mapping. Disaster
Advances. 3(2): 26–34.
Rennó, C.D. & Soares, J.V. 2003. Conceitos básicos de modelagem hidrológica.
Tutorial INPE. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO.
Reshmidevi, T.V.; Eldho, T.I. & Jana R. 2009. A GIS-integrated fuzzy rule-based
inference system for land suitability evaluation in agricultural watersheds. Agricultural
Systems. 101: 101–109.
70
Robinson, V.B. 2003. A perspective on the fundamentals of fuzzy sets and their use
in Geographic Information Systems. Transaction in GIS 7 (1): 3–30.
Robinson, V.B. & Strahler, A.H. 1984. Issues in designing geographic information
systems under conditions of inexactness. Proc. 10th Int. Symp. Machine Processing
of Remotely Sensed Data, pp. 179
Ross, J.L.S. 1996. Geomorfologia aplicada aos EIAS e RIMAS. In: Guerra, A. T. &
Cunha, S.B. da (org.). Geomorfologia e meio ambiente. RJ, Bertrand Brasil. 291-
336p.
Silveira, A.L.L. da. 2001. Ciclo hidrológico e bacia hidrográfica. In: Tucci, Carlos
E.M.(org.). Hidrologia: ciência e aplicação. 2º Edição. Porto Alegre: Ed.
Universidade/UFRGS: ABRH. 35-51p.
Sperb, R.M. 2002. Agentes inteligentes difusos: uma ferramenta híbrida para
exploração de processos espaciais em zonas costeiras. Tese de Doutorado.
Programa de Pós-Graduação em Engenharia de Produção, Universidade
Federal de Santa Catarina – UFSC. 154p
Stolle, L.; Lingnau, C.; Arce, J.E. & Bognola, I.A. 2009. Aplicação de um sistema
baseado em conhecimento e lógica fuzzy para o mapeamento da fragilidade
ambiental em relação às atividades florestais. In: SIMPOSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 14., Natal. Anais... São José dos Campos: Instituto
Nacional de Pesquisas Espaciais, 2009. p. 3103-3110.
Sugumaram, R.; Meyer, J.C. & Davis J.A. 2004. A web-based environmental decision
support system (WEDSS) for environmental planning watershed management.
Journal of geographical Systems. 6: 1-16.
Tien Bui, D.; Pradhan, B.; Lofman, O.; Revhaug, I. & Dick, O.B. 2011. Landslide
susceptibility mapping at Hoa Binh province (Vietnam) using an adaptive neuro-fuzzy
inference system and GIS. Computers & Geosciences.
Tobish, T. & Barnwell, C. 2005. MOA Anchorage Coastal Resource Atlas Summary
Description.
71
Tricart, J. 1977. Ecodinâmica. Rio de Janeiro: Superintendência de Recursos
Naturais e Meio Ambiente (SUPREN).
Tucci, C.E.M. 2001. Hidrologia: ciência e aplicação. In: Tucci, C.E.M. (org.).
Hidrologia: ciência e aplicação. 2º Edição. Porto Alegre: Ed. Universidade/UFRGS:
ABRH. 25-33p.
Turchin, V.; Heylighen, F.; Joslyn, C. & Bollen, J. 1996. Control. Disponível em:
<http://pespmc1.vub.ac.be/CONTROL.html>. Acesso em: 15 jun. 2011.
Vahidnia, M.H.; Alesheikh, A.A.; Alimohammadi, A. & Hosseinali, F. 2010. A GIS-
based neuro-fuzzy procedure for integrating knowledge and data in landslide
susceptibility mapping. Computers & Geosciences. 36: 1101-1114.
Yanar, T.A. & Akyurek, Z. 2006. The enhancement of the cell-based GIS analyses
with fuzzy processing capabilities. Information Sciences 176: 1067-1085.
Zadeh, L. A. 1965. Fuzzy Sets. Information and Control. 8: 338-353.
Zhu, A.X.; Band L.E.; Dutton, B. & Nimlos, T.J. 1996. Automated soil inference under
fuzzy logic. Ecological Modelling. 90: 123–145.
72
APÊNDICE
A – Regras de Inferência utilizadas no estudo de caso:
ns sensibilidade muito baixa db dentro da borda
sb sensibilidade baixa le legal
sm sensibilidade média m_infl muito influente
as sensibilidade alta infl influente
sma sensibilidade muito alta s_infl sem influência
mfr muito fraca fi forte influência
fr fraca mi média influência
m média bi baixa influência
fo forte si sem influência
mfo muito forte
Legenda
if (( Declividade IS mfr ) AND ( APP_30m IS le )) OUTPUT = sma
if (( Declividade IS mfr ) AND ( APP_30m IS m_infl )) OUTPUT = sm
if (( Declividade IS mfr ) AND ( APP_30m IS infl )) OUTPUT = sb
if (( Declividade IS mfr ) AND ( APP_30m IS s_infl )) OUTPUT = ns
if (( Declividade IS fr ) AND ( APP_30m IS le )) OUTPUT = sma
if (( Declividade IS fr ) AND ( APP_30m IS m_infl )) OUTPUT = sm
if (( Declividade IS fr ) AND ( APP_30m IS infl )) OUTPUT = sb
if (( Declividade IS fr ) AND ( APP_30m IS s_infl )) OUTPUT = ns
if (( Declividade IS m ) AND ( APP_30m IS le )) OUTPUT = sma
if (( Declividade IS m ) AND ( APP_30m IS m_infl )) OUTPUT = as
if (( Declividade IS m ) AND ( APP_30m IS infl )) OUTPUT = sm
if (( Declividade IS m ) AND ( APP_30m IS s_infl )) OUTPUT = sm
if (( Declividade IS fo ) AND ( APP_30m IS le )) OUTPUT = sma
if (( Declividade IS fo ) AND ( APP_30m IS m_infl )) OUTPUT = as
if (( Declividade IS fo ) AND ( APP_30m IS infl )) OUTPUT = as
if (( Declividade IS fo ) AND ( APP_30m IS s_infl )) OUTPUT = sm
if (( Declividade IS mfo ) AND ( APP_30m IS le )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( APP_30m IS m_infl )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( APP_30m IS infl )) OUTPUT = as
if (( Declividade IS mfo ) AND ( APP_30m IS s_infl )) OUTPUT = as
if (( Declividade IS mfr ) AND ( APP_50m IS le )) OUTPUT = sma
if (( Declividade IS mfr ) AND ( APP_50m IS m_infl )) OUTPUT = sm
if (( Declividade IS mfr ) AND ( APP_50m IS infl )) OUTPUT = sb
if (( Declividade IS mfr ) AND ( APP_50m IS s_infl )) OUTPUT = ns
if (( Declividade IS fr ) AND ( APP_50m IS le )) OUTPUT = sma
73
if (( Declividade IS fr ) AND ( APP_50m IS m_infl )) OUTPUT = sm
if (( Declividade IS fr ) AND ( APP_50m IS infl )) OUTPUT = sb
if (( Declividade IS fr ) AND ( APP_50m IS s_infl )) OUTPUT = ns
if (( Declividade IS m ) AND ( APP_50m IS le )) OUTPUT = sma
if (( Declividade IS m ) AND ( APP_50m IS m_infl )) OUTPUT = as
if (( Declividade IS m ) AND ( APP_50m IS infl )) OUTPUT = sm
if (( Declividade IS m ) AND ( APP_50m IS s_infl )) OUTPUT = sm
if (( Declividade IS fo ) AND ( APP_50m IS le )) OUTPUT = sma
if (( Declividade IS fo ) AND ( APP_50m IS m_infl )) OUTPUT = as
if (( Declividade IS fo ) AND ( APP_50m IS infl )) OUTPUT = as
if (( Declividade IS fo ) AND ( APP_50m IS s_infl )) OUTPUT = sm
if (( Declividade IS mfo ) AND ( APP_50m IS le )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( APP_50m IS m_infl )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( APP_50m IS infl )) OUTPUT = as
if (( Declividade IS mfo ) AND ( APP_50m IS s_infl )) OUTPUT = as
if (( Declividade IS mfr ) AND ( Atrat_turisticos IS fi )) OUTPUT = sm
if (( Declividade IS mfr ) AND ( Atrat_turisticos IS mi )) OUTPUT = sb
if (( Declividade IS mfr ) AND ( Atrat_turisticos IS bi )) OUTPUT = sb
if (( Declividade IS mfr ) AND ( Atrat_turisticos IS si )) OUTPUT = ns
if (( Declividade IS fr ) AND ( Atrat_turisticos IS fi )) OUTPUT = sm
if (( Declividade IS fr ) AND ( Atrat_turisticos IS mi )) OUTPUT = sb
if (( Declividade IS fr ) AND ( Atrat_turisticos IS bi )) OUTPUT = sb
if (( Declividade IS fr ) AND ( Atrat_turisticos IS si )) OUTPUT = ns
if (( Declividade IS m ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
if (( Declividade IS m ) AND ( Atrat_turisticos IS mi )) OUTPUT = sm
if (( Declividade IS m ) AND ( Atrat_turisticos IS bi )) OUTPUT = sm
if (( Declividade IS m ) AND ( Atrat_turisticos IS si )) OUTPUT = sm
if (( Declividade IS fo ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
if (( Declividade IS fo ) AND ( Atrat_turisticos IS mi )) OUTPUT = as
if (( Declividade IS fo ) AND ( Atrat_turisticos IS bi )) OUTPUT = sm
if (( Declividade IS fo ) AND ( Atrat_turisticos IS si )) OUTPUT = sm
if (( Declividade IS mfo ) AND ( Atrat_turisticos IS fi )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( Atrat_turisticos IS mi )) OUTPUT = as
if (( Declividade IS mfo ) AND ( Atrat_turisticos IS bi )) OUTPUT = as
if (( Declividade IS mfo ) AND ( Atrat_turisticos IS si )) OUTPUT = as
if (( Declividade IS mfr ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sm
if (( Declividade IS fr ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( Declividade IS m ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( Declividade IS fo ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sma
if (( Declividade IS mfo ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sma
74
if (( Declividade IS mfr ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( Declividade IS fr ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( Declividade IS m ) AND ( Solo_sensivel IS db )) OUTPUT = as
if (( Declividade IS fo ) AND ( Solo_sensivel IS db )) OUTPUT = as
if (( Declividade IS mfo ) AND ( Solo_sensivel IS db )) OUTPUT = sma
if (( Declividade IS mfr ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( Declividade IS fr ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( Declividade IS m ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( Declividade IS fo ) AND ( Solo_med_sensivel IS db )) OUTPUT = as
if (( Declividade IS mfo ) AND ( Solo_med_sensivel IS db )) OUTPUT = as
if (( Declividade IS mfr ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( Declividade IS fr ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( Declividade IS m ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sm
if (( Declividade IS fo ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sm
if (( Declividade IS mfo ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = as
if (( APP_30m IS le ) AND ( Atrat_turisticos IS fi )) OUTPUT = sma
if (( APP_30m IS le ) AND ( Atrat_turisticos IS mi )) OUTPUT = sma
if (( APP_30m IS le ) AND ( Atrat_turisticos IS bi )) OUTPUT = sma
if (( APP_30m IS le ) AND ( Atrat_turisticos IS si )) OUTPUT = sma
if (( APP_30m IS m_infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
if (( APP_30m IS m_infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = as
if (( APP_30m IS m_infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = sm
if (( APP_30m IS m_infl ) AND ( Atrat_turisticos IS si )) OUTPUT = sm
if (( APP_30m IS infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
if (( APP_30m IS infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = sm
if (( APP_30m IS infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = sb
if (( APP_30m IS infl ) AND ( Atrat_turisticos IS si )) OUTPUT = sb
if (( APP_30m IS s_infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = sm
if (( APP_30m IS s_infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = sb
if (( APP_30m IS s_infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = ns
if (( APP_30m IS s_infl ) AND ( Atrat_turisticos IS si )) OUTPUT = ns
if (( APP_50m IS le ) AND ( Atrat_turisticos IS fi )) OUTPUT = sma
if (( APP_50m IS le ) AND ( Atrat_turisticos IS mi )) OUTPUT = sma
if (( APP_50m IS le ) AND ( Atrat_turisticos IS bi )) OUTPUT = sma
if (( APP_50m IS le ) AND ( Atrat_turisticos IS si )) OUTPUT = sma
if (( APP_50m IS m_infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
if (( APP_50m IS m_infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = as
if (( APP_50m IS m_infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = sm
if (( APP_50m IS m_infl ) AND ( Atrat_turisticos IS si )) OUTPUT = sm
if (( APP_50m IS infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = as
75
if (( APP_50m IS infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = sm
if (( APP_50m IS infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = sb
if (( APP_50m IS infl ) AND ( Atrat_turisticos IS si )) OUTPUT = sb
if (( APP_50m IS s_infl ) AND ( Atrat_turisticos IS fi )) OUTPUT = sm
if (( APP_50m IS s_infl ) AND ( Atrat_turisticos IS mi )) OUTPUT = sb
if (( APP_50m IS s_infl ) AND ( Atrat_turisticos IS bi )) OUTPUT = ns
if (( APP_50m IS s_infl ) AND ( Atrat_turisticos IS si )) OUTPUT = ns
if (( APP_30m IS le ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sma
if (( APP_30m IS m_infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( APP_30m IS infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( APP_30m IS s_infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS le ) AND ( Solo_sensivel IS db )) OUTPUT = sma
if (( APP_30m IS m_infl ) AND ( Solo_sensivel IS db )) OUTPUT = as
if (( APP_30m IS infl ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS s_infl ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS le ) AND ( Solo_med_sensivel IS db )) OUTPUT = sma
if (( APP_30m IS m_infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS s_infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( APP_30m IS le ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sma
if (( APP_30m IS m_infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sm
if (( APP_30m IS infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( APP_30m IS s_infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( APP_50m IS le ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sma
if (( APP_50m IS m_infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( APP_50m IS infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( APP_50m IS s_infl ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS le ) AND ( Solo_sensivel IS db )) OUTPUT = sma
if (( APP_50m IS m_infl ) AND ( Solo_sensivel IS db )) OUTPUT = as
if (( APP_50m IS infl ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS s_infl ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS le ) AND ( Solo_med_sensivel IS db )) OUTPUT = sma
if (( APP_50m IS m_infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS s_infl ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( APP_50m IS le ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sma
if (( APP_50m IS m_infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sm
if (( APP_50m IS infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( APP_50m IS s_infl ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
if (( Atrat_turisticos IS fi ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
76
if (( Atrat_turisticos IS mi ) AND ( Solo_muito_sensivel IS db )) OUTPUT = as
if (( Atrat_turisticos IS bi ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS si ) AND ( Solo_muito_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS fi ) AND ( Solo_sensivel IS db )) OUTPUT = as
if (( Atrat_turisticos IS mi ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS bi ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS si ) AND ( Solo_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS fi ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS mi ) AND ( Solo_med_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS bi ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( Atrat_turisticos IS si ) AND ( Solo_med_sensivel IS db )) OUTPUT = sb
if (( Atrat_turisticos IS fi ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sm
if (( Atrat_turisticos IS mi ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sb
if (( Atrat_turisticos IS bi ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = sb
if (( Atrat_turisticos IS si ) AND ( Solo_pouco_sensivel IS db )) OUTPUT = ns
77
ANEXO
A - Listagem dos critérios desenvolvida por Espindola (2009) com referência as fontes
metodológicas, onde R corresponde a Metodologia de Ross (1996); B a metodologia de Basso et al.
(2000); H&G a metodologia de Hodge & Gilson (2002); C,V,F a metodologia de Cardoso,
Vasconcelos & Ferreira (2004); S,M,D a metodologia de Sugumaram, Meyer & Davis (2004); T&B a
metodologia de Tobish & Barnwell (2005) e M a metodologia de Mello (2008).
CRITÉRIOSAPLICÁVEIS PARA O ESTADO DE SANTA CATARINA R B R&G C;V;F S;M;D T&B M
Porção da área da bacia com declividade maior do que 15% X
Porção da área da bacia com declividade entre 7% a 15% X X
Classes de declividade X X X
Potencial de erosão relativa medido pelo fator K em análises de solo X
Porção da área da bacia que é designada como cárstica nas pesquisas de solo X
Pedologia X X X
Áreas florestadas X X
Uso do Solo X X X X
Capacidade do uso do solo X
Geologia X X X
Parques e Áreas Protegidas X
Hierarquia Fluviaal X
Porção arborizada de um buffer de 50m em volta de rios X X
Porção arborizada de um buffer de 30m em volta de rios X
Mata Ciliar X
Zonas úmidas X X
Porção do trecho do rio designado como área de banho ou atividades de recreação X
Áreas vazias dentro de um buffer de 100 metros das principais estradas X
Distância de Rodovias X
Espaços naturais abertos X
Porção da área da bacia para recarga de água subterrânea X
Vulnerabilidade do Aqüifero X
Abundância relativa de espécies ameaçadas X
Áreas designadas como susceptíveis a enchentes centenárias X X
Saúde biológica relativa aos rios X
Climatologia X
Índice de analfabetismo X
Índice de moradia X
Índice de empregos X
Índice de idosos X
NÃO APLICÁVEIS PARA O ESTADO DE SANTA CATARINA R B R&G C;V;F S;M;D T&B M
Áreas vazias dentro de um buffer de 100 metros das principais estradas e principais ferrovias
X
Porção do trecho do rio que corre através ou dentro de um buffer de 50 metros de uma área de recreação
X X
BSOD - Base de dados de observação da biodiversidade de espécies X
Corredores ecológicos para espécies significativas X
Número de hectáres de cada tipo de hábitat dentro dos parques do município de Anchorage
X
Rios classificados como hábitat para espécies anadromas X
METODOLOGIAS
