Modelegam uso terra
-
Upload
sergio-souza-costa -
Category
Documents
-
view
231 -
download
0
Transcript of Modelegam uso terra
Modelagem de Mudanças de Uso da Terra
MSc. Sérgio Souza Costa e Dra. Ana Paula Dutra de Aguiar
1.1 Introdução
A emissão de CO2 relacionada a mudanças de uso e cobertura é um dos principais fatores
associados às mudanças climáticas. O termo Cobertura da Terra se refere aos atributos
físicos da superfície terrestre (por exemplo, floresta, água, gramíneas, áreas construídas,
etc.). Já o termo Uso da Terra se refere ao uso humano de tais atributos (por exemplo,
recreação, proteção, pastagem, área residencial, área comercial, etc.). Mudanças de Uso e
Cobertura da Terra se refere tanto à conversão entre classes (por exemplo, processos de
desertificação e desflorestamento), quanto às alterações nessas classes (e.g.,
intensificação de uso agrícola, degradação da cobertura vegetal). Para uma revisão
completa sobre teorias de mudanças de uso e cobertura e métodos associados, consultar
Briassoulis (2000) e Gutman et al. (2004).
No Brasil, a questão do desflorestamento na Amazônia torna o país o 4o emissor mundial.
A Amazônia Brasileira ocupa uma área de cerca de 4 milhões de km2. Cerca de 17% da
floresta já foi removida. As taxas médias de desmatamento anual nesta década são de
cerca de 19.000 km2, com grandes flutuações ano a ano, e estão associadas a fatores
econômicos (como o câmbio que favorece ou não às exportações de commodities),
institucionais (políticas de controle de desmatamento, de crédito) e climáticos (anos mais
ou menos chuvosos). Estas taxas de desflorestamento por sua vez afetam os níveis de
emissão de CO2 e o clima regional e global. A região é bastante heterogênea em termos
de atores e processos que influenciam os padrões espaciais e temporais do
desflorestamento. Em contextos socioeconômicos, biofísicos e políticos distintos,
múltiplos atores contribuem para criar diferentes trajetórias de mudanças na região, que
se traduzem em taxas e padrões distribuídos de modo não homogêneo no espaço e no
tempo. Por outro lado, as alterações previstas no clima regional podem influenciar os
Sistemas de Uso e sua sustentabilidade econômica e ambiental, afetando de modo distinto
os diferentes atores.
1
Devido à importância da região da Amazônia Brasileira, tanto em escala nacional como
em escala internacional, é importante definir indicadores confiáveis para subsidiar a
elaboração de políticas públicas. Modelos computacionais são ferramentas úteis para
complementar à capacidade mental de modelagem, de forma a permitir tomadas de
decisão mais informadas (Costanza and Ruth, 1998). Modelos de mudanças terrestres
podem ajudar na avaliação de impactos possíveis das regras alternativas através da
construção de cenários e contribuem para os processos de tomada de decisão. Uma
grande variedade de modelos pode ser encontrada na literatura, com objetivos, técnicas,
embasamento teórico e tradições de modelagem distintas (Briassoulis, 2001; Parker 2002;
Verburg 2006). Neste livro, nós focamos em modelos de mudanças terrestres
espacialmente explícitos que visem:
• Explicar e testar hipóteses sobre mudanças passadas, através da identificação de
fatores determinantes de mudanças no uso e cobertura da terra;
• Projetar e visualizar mudanças futuras, sua intensidade, localização e data;
• Verificar como escolhas de políticas públicas podem influenciar as mudanças,
através da construção de cenários considerando opções alternativas de políticas.
1.2 Principais Abordagens de Modelagem de Mudanças de Uso da Terra
Atualmente é possível encontrar dezenas de modelos e ferramentas para modelagem de
mudanças terrestres na literatura. Esses modelos se diferenciam de acordo com a
aplicação, as técnicas empregadas e até devido aos dados de entrada ou de saída. Nesta
revisão não nos preocuparemos em descrever minuciosamente as técnicas
computacionais ou matemáticas, mas sim as abordagens metodológicas de construção
desses modelos. Distinguimos duas abordagens para a construção dos modelos: bottom-
up e top-down1, como mostrado na Figura 1.
1 Essa terminologia é empregada em varias outras disciplinas, como engenharia e economia.
2
Figura 1. Abordagem bottom-up e top-down. Adaptado de
Nas próximas seções serão descritas as principais características e a estrutura básica de
cada abordagem.
1.2.1 Modelagem top-down
A abordagem top-down é empregada por diversos modelos encontrados na literatura,
como por exemplo: CLUE (Veldkamp and Fresco, 1996; Verburg et al., 1999), CLUE-s
(Verburg et al., 2002), DINAMICA (Soares-Filho et al., 2002), RIKS (White and
Engelen, 2000; White et al., 1997) e CA_Markov (Eastman, 2003). Esses modelos
distinguem-se basicamente pela representação de dados, pela equação ou regras utilizadas
para descrever as mudanças. Entretanto, independentemente do modelo pode-se observar
três principais módulos: módulo de demanda, módulo de potencial e módulo de alocação.
No módulo de demanda é calculada a quantidade de mudança para cada transição. Essa
quantidade de mudança é passada para o módulo de alocação, onde algoritmos
específicos de alocação irão efetuar as mudanças de acordo com o mapa de potencial de
mudança. Este mapa é produzido pelo módulo de potencial através de alguma equação
matemática ou estatística que relaciona as mudanças com um conjunto de variáveis. Essa
estrutura é apresentada na Figura 2.
3
Figura 2. Estrutura geral dos modelos top-down. Adaptado de (Verburg et al., 2006)
Tanto o módulo de demanda, quanto o módulo de potencial tem como entrada um
conjunto de variáveis, algumas para o cálculo de quantidade de mudança e outras para o
cálculo da localização das mudanças. Entretanto, algumas variáveis podem afetar tanto a
quantidade quanto a localização das mudanças. A seguir será apresentado com detalhes
cada um desses módulos.
Módulo de Demanda
O módulo de demanda2 é responsável por responder o “quanto vai mudar?”. Em muitos
dos modelos a demanda é considerada como uma variável exógena ao modelo e que está
relacionada a forças de mercado. Usualmente, esse cálculo de demanda é realizado por
alguma ferramenta externa e pode usar diferentes técnicas e métodos. Entretanto, nesta
revisão consideraremos duas principais metodologias:
• Extrapolação de tendências, as taxas de mudanças ocorridas no passado são
usadas para inferir as mudanças que ocorreram no futuro. Utilizada por modelos
que buscam responder como será o futuro, caso as mudanças ocorridas no passado
se mantenham.
• Construção de cenários, essa metodologia permite simular diferentes
“realidades”, considerando um conjunto de precondições. A vantagem desta
2 Alguns modelos podem referir a demanda também como taxa de transição, ou taxa de mudanças.
4
abordagem é poder analisar os efeitos de mudanças em políticas públicas e no
mercado.
Tanto a extrapolação de tendências quanto à construção de cenários podem ser
empregados usando diferentes técnicas. Por exemplo, podem ser usadas técnicas de
processamento de imagens para extrair as tendências de mudanças em regiões onde não
há disponíveis dados de taxas de mudanças. A construção de cenários pode usar
conhecimento de especialistas para definir qual será a taxa de mudança para cada ano.
Uma outra forma de construir cenário é a partir de modelos econômicos, que podem usar
variáveis como crescimento demográfico e renda per capta para calcular as taxas de
mudanças.
Módulo de Cálculo de Potencial
O módulo de cálculo de potencial é o principal componente desta abordagem e é
responsável por responder “onde ocorreram as mudanças?”. O principal pressuposto
desse módulo é que as mudanças no uso do solo não ocorrem de forma aleatória no
espaço, ou seja, existe uma forte relação entre as mudanças e algumas variáveis espaciais,
como conexão a mercado, declividade e acesso a estradas. Usualmente, utiliza-se algum
método estatístico ou matemático para estabelecer as relações entre as mudanças
terrestres e um conjunto de variáveis, (ver Figura 3).
Figura 3 Módulo de potencial de mudança.
A escolha das variáveis é dependente do modelo e é um dos grandes desafios para o
modelador. Ela requer uma clara diferenciação entre determinantes espaciais de mudança,
isto é, causas próximas (locais, diretamente ligadas a mudanças no uso da terra) de
forças determinantes subjacentes, que atuam na determinação da quantidade de
mudanças. A confusão entre determinantes espaciais e causas subjacentes tem levado a
5
uma ênfase exagerada em fatores como estradas, tipos de solo ou topografia como causas
de desflorestamento (Veldkamp and Lambin, 2001). Na Figura 4 é apresentada um
exemplo de variável que pode ser empregado em modelos de uso de solo.
Figura 4. Distância a pólos madeireiros em 1997. Fonte: (Aguiar, 2006)
O método frequentemente utilizado para o relacionamento das variáveis é a estatística
multivariada, mais especificamente a análise de regressão. Este método permite explorar
e inferir a relação de uma variável dependente (uso da terra) com variáveis independentes
específicas (fatores explanatórios). O tipo de regressão utilizada depende ainda da
representação dos dados. Regressão linear é usada em modelos que operam sobre dados
contínuos (ex. Clue), enquanto regressão logística é empregada em modelos que operam
sobre dados discretos (ex. DINAMICA e CLUE-s). Um outro método estatístico
empregado é o método de pesos de evidência. Este método é baseado no teorema da
probabilidade condicional de Bayes (Bonham-Carter, 1994). Basicamente, este teorema
concerne em calcular a propensão de um uso (ex. uso não-urbano para residencial), dado
que uma evidência (ex. suprimento de água), também chamada variável explicativa, já
ocorreu (Almeida, 2003). Existem ainda diversos outros métodos para o relacionando das
variáveis explicativas com as mudanças terrestres, que podem variar de métodos simples
de agregação (média ou produto) a métodos mais complexos como redes neurais.
Lesschen (2005) discute em detalhes vários destes métodos que são aplicados a modelos
de mudança terrestre.
A saída desses modelos é um mapa de potencial de mudança, que representa o quanto
uma determinada região é suscetível a uma determinada mudança. Esse potencial de
6
mudança pode ser representado por variáveis probabilísticas, ou por qualquer outro tipo
de variável que represente valores de baixo a alto potencial de mudança. Este mapa de
saída será utilizado como dado de entrada para os algoritmos de alocação, como será
descrito na próxima seção.
Módulo de Alocação
O módulo de alocação é o processo responsável por realizar as mudanças (ou transições)
entre os usos da terra, é um processo puramente de decisão. Para cada instante do tempo,
o algoritmo de alocação tem como entrada a demanda (quantidade de mudança), o mapa
de uso e o mapa de potencial e produz como saída um novo mapa de uso que será usado
no instante seguinte do modelo, Figura 5.
Figura 5. Módulo de alocação
O algoritmo de alocação pode variar de acordo com os dados e parâmetros de entrada.
Por exemplo, alguns algoritmos lidam com apenas duas classes (floresta e
desflorestamento) enquanto outros consideram várias classes (pastagem, agricultura e
floresta). Mas a maior diferença deve-se ao formato de entrada da demanda:
• Demanda por transição, em alguns modelos a quantidade de mudança entre uma
determinada transição (ex. floresta para agricultura) já é dado a prior pelo
módulo de demanda. Um exemplo disso é o módulo de alocação do DINAMICA,
que tem como entrada uma matriz de transição com o percentual de mudança
para cada tipo de uso da terra.
• Demanda por tipo de uso, em outros modelos não existe a prior uma quantidade
de mudança entre os tipos de uso da terra. Neste caso, o módulo de alocação é
7
quem “decide“ como será feito a distribuição das mudanças entre os tipos de uso
da terra. Para isto é necessário um método de “competição de classes” para
decidir entre as transições, como nos modelos da família CLUE.
O módulo de alocação possui diversas outras funções e parâmetros para tornar as
alocações mais realistas. Por exemplo, no modelo DINAMICA existem dois algoritmos
de alocação, que são as funções expander (expansora) e patcher (formadora de manchas).
A função expander se dedica unicamente a expansão ou contração de manchas prévias de
uma determinada classe, já a função patcher é responsável por formar novas manchas de
uma determinada classe em regiões que anteriormente não existia. O percentual de
quantidade de mudança para cada função é especificado pelo modelador, além de outros
parâmetros, como isometria, variância e tamanho médio das manchas. Esses parâmetros
permitem que as alocações sejam mais parecidas com as aberturas causadas pelos atores
(por exemplo, colonos ou grandes fazendeiros). Dependendo do modelo, existem ainda
várias outras funções e ou parâmetros. Por exemplo, alguns modelos podem permitir que
se modelem as mudanças que não possuem relações espaciais, onde uma dada quantidade
de mudança ocorre de forma aleatória. Outros modelos podem incorporar alguma
restrição por transições, regiões ou por tempo mínimo de anos em que um dado uso da
terra deve se manter antes de mudar para outro uso.
1.2.2 Modelagem Bottom-up
Modelagem baseado em agentes é a técnica comumente empregada na abordagem
bottom-up. Essa técnica é baseada no conceito de “emergência”, que é uma característica
essencial dos sistemas de simulação social, onde as interações entre as entidades (ou
agentes) no nível micro resulta em padrões no nível macro (Matthews et al., 2005).
Exemplos gerais incluem o modelo de segregação (Schelling, 1971) e o modelo vôo dos
pássaros (ou bird-flocking) (Reynolds, 1987).
8
Figura 6. Modelo vôo dos pássaros: (a) configuração inicial e (b) após 500 iterações.
A motivação geral dessa abordagem é a possibilidade de descrever sistemas complexos a
partir de um pequeno conjunto de regras. Por exemplo, o modelo do vôo dos pássaros
possui apenas três regras: evitar colisões com os pássaros vizinhos, igualar a velocidade
com os vizinhos e manter-se próximo dos vizinhos. Na Figura 6, é apresentada a
configuração inicial e o resultado do modelo após 500 iterações, usando a ferramenta
NetLogo (Wilensky, 1999).
A estrutura básica de um modelo baseado em agentes consiste de: (a) entidades
autônomas (agentes), (b) um ambiente onde os agentes interagem, e (c) regras que
definem as relações entre os agentes e seu ambiente, Figura 7.
Figura 7. Modelagem baseada em agentes.
O ambiente representa a paisagem onde os agentes interagem, a principal função do
ambiente é prover um “contexto espacial” para os agentes (Huigen and Fischer, 2003).
Os ambientes são usualmente representados por um espaço celular, que pode ser
hipotético ou baseado em uma paisagem real. Ambientes hipotéticos podem ser usados
por modelos conhecidos como “laboratórios sociais”. Esses modelos usualmente buscam
simular alguns conceitos ou aspectos específicos das interações sociais. Exemplos de
trabalhos nessa linha são discutidos em (Clarke and Gaydos, 1998) e (Barros, 2004).
9
Existem também modelos que usam dados reais, como censo e imagens de sensoriamento
remoto para descrever a evolução de mudanças de paisagem. Alguns exemplos incluem:
(Castella et al., 2005), (Deadman et al., 2004) e (Manson, 2005).
Os agentes são entidades autônomas, heterogêneas, e que compartilham e interagem com
o ambiente, tomando decisões baseado em um conjunto de regras (Lambin, 2006). Em
modelos de mudanças terrestres os agentes podem representar entidades, tais como
fazendeiros, políticos e instituições. Diferentes fatores podem afetar as decisões dos
agentes, tais como experiência, estrutura familiar, técnicas e contextos sócio-econômicos.
Nessa abordagem, as mudanças terrestres é o resultado da interação entre os agentes e o
ambiente, para isso é necessário que os agentes sejam alocados no espaço. Em modelos
hipotéticos essa alocação pode ser realizada de forma aleatória ou baseada em algumas
regras de localização. Entretanto, ligar os agentes a suas reais localizações ou
propriedades é um grande desafio aos modelos que buscam descrever uma paisagem real.
Algumas técnicas, tais como métodos participativos ou questionários, podem ser usadas
para identificar os agentes e o seu real ambiente. Tais técnicas são possíveis somente em
áreas de estudo de pequena extensão (Verburg, 2006). Uma alternativa é uso de
informações cadastrais, mas em muitos países essas informações possam não estar
disponíveis por questões de privacidade (Verburg, 2006).
Aplicações
Essa abordagem é uma promissora ferramenta para tratar a heterogeneidade e
complexidade dos diferentes atores que compõem um sistema de mudança terrestre.
Matthews et al. (2005) destaca seis principais aplicações para modelagem baseado em
agente: (a) políticas públicas e planejamento, (b) modelos participativos, (c) modos de
paisagem, (d) testes de conceitos de ciências sociais e (e) explicação de funções de
sistemas terrestres. Destacamos a aplicação em modelagem participativa e para testes de
conceito de ciências sociais.
Modelagem participativa permite aproximar os agentes (tomadores de decisão) dos
modeladores. Essa aproximação é muito benéfica para ambos, permitindo entender
melhor o processo de decisão usado pelos agentes. Em (Castella et al., 2005), o autor
10
propôs uma abordagem que combinou três diferentes ferramentas (ver Figura 8): (a) jogo
de interpretação de personagens3, (b) modelo baseado em agente, e (c) um sistema de
informação geográfico. Castella (2005) aplicou essa metodologia na província de Bac
Kan no Vietnã, com o objetivo de identificar os diferentes processos de decisão dos
produtores locais.
Figura 8. Modelagem participativa em Bac Kan. Adaptado de: (Castella et al., 2005)
Uma outra aplicação muito usada dessa abordagem é para explorar conceitos e teorias
sociais. Por exemplo, alguns modelos podem explorar a competitividade das diferentes
estratégias que os produtores podem adotar, e como as instituições podem influenciar no
seu comportamento (Matthews et al., 2005). Barros(2004) usou um modelo baseado em
agentes para explorar vários aspectos sobre o crescimento das cidades latino-americanas.
Na Figura 9 é apresentada o resultado da simulação do processo de periferização das
cidades, onde as pessoas de baixa renda ficam mais distantes dos centros das cidades.
3 jogo de interpretação de personagens ou Role-playing game(RPG) é um tipo de jogo em que os jogadores assumem os papeis de personagens e criam narrativas colaborativamente.
11
Figura 9. Evolução das cidades latino-americanas
Em geral, essa abordagem tem sido mais utilizada pela comunidade científica como
ferramenta para organizar conhecimento de estudos empíricos e para explorar conceitos
específicos de sistemas de mudanças terrestres (Matthews et al., 2005). A exigência de
uma grande quantidade de dados torna essa abordagem ainda limitada para aplicações em
regiões de grande extensão. Entretanto, atualmente existe um grande esforço por parte da
comunidade científica em usar essa abordagem e isso reflete no grande numero de
ferramentas de modelagem de agentes, como Repast, Swarm, Netlogo e Obeus.
1.2.3 Qual a melhor abordagem?
É impossível dizer qual a melhor abordagem, o uso de uma ou outra abordagem depende
dos objetivos do modelo, do conhecimento do especialista e da extensão da área de
estudo. A abordagem top-down é adequada a processos em que as mudanças são
largamente dirigidas por demandas regionais, como no caso de expansão de agricultura
em regiões com grande oferta de recursos naturais (Verburg, 2006). Os modelos top-
down são ainda mais fáceis e rápidos de construir comparado aos modelos bottom-up. Por
exemplo, existem alguns arcabouços (ou ferramentas) disponíveis para o
desenvolvimento de modelos top-down, tais como CLUE, CLUE-S e DINAMICA. Esses
arcabouços são parametrizáveis, ou seja, podem ser usados em diferentes áreas de estudo
com diferentes variáveis, cálculo de demanda e cálculo de potencial. Dados de censo e
imagens de sensoriamento remoto podem ainda serem usados para analisar as relações
entre os padrões de mudanças e as “variáveis explicativas”.
Modelos bottom-up requer um extenso trabalho de campo para definir as regras de
comportamento dos agentes e são usualmente construídos para pequenas áreas com
12
objetivo de responder algum conceito específico (Robinson et al., 2007). Entretanto, os
modelos top-down são baseados na análise de padrões, e uma série de simplificações e
suposições são consideradas, não sendo capazes de expressar a heterogeneidade dos
diferentes atores como na abordagem bottom-up. Modelos bottom-up tem o potencial
para representar a complexidade dos processos biofísicos e socioeconômicos, e a
interação dos atores nos diferentes níveis de organização. Em geral, a seleção de uma
dada abordagem depende do nível de análise exigido para responder as perguntas do
modelo, um balanço entre heterogeneidade e escala de análise deve ser considerado. Um
dos desafios atuais é combinar ambas as abordagens, dado que uma abordagem
puramente bottom-up ou top-down pode não ser suficiente para representar os processos
biofísicos e socioeconômicos. Desse modo, atualmente tem surgido alguns autores que
propõe o uso de multi-abordagem, como discutido em (Verburg, 2006) e (Moreira et al.,
2008).
1.3 Modelagem na Amazônia: resultados em escala regional
Laurance et. al (2001) discutem o futuro da Amazônia utilizando um modelo baseado em
operações de SGI (mapa de distâncias), e na suposição que a infra-estrutura de estradas é
o principal fator no processo de desflorestamento. Dois cenários alternativos são
considerados, de acordo com: (1) a estimativa da extensão de áreas degradadas em volta
de obras de infra-estrutura existentes e planejadas; (2) o impacto estimado de áreas
protegidas. Os autores extrapolaram para 2020, o relacionamento obtido empiricamente
entre padrões espaciais passados de desflorestamento e distâncias a estradas. Padrões
projetados apresentam formas de mapas de distância uniformes ao redor de rodovias
existentes e planejadas e outras infra-estruturas através de toda a região (Câmara et al.,
2002). Resultados de modelos que incluem rodovias planejadas indicam que em 2020,
28% da Amazônia será desflorestada ou altamente degradada num cenário otimista, e
42% num cenário não otimista, Figura 10. Os novos planos de infra-estrutura são
responsáveis por um aumento na taxa de desflorestamento de 2.690 km2 por ano no
cenário otimista, e 5.060 km2 por ano no cenário pessimista.
13
Figura 10. Cenário otimista e não otimista. Adaptado de (Laurance et al., 2001)
Nepstad et al. (2001) também extrapola padrões espaciais de desflorestamento para
prever quantidades futuras, tomando rodovias como o principal fator gerando o
desflorestamento, Figura 11. Baseado em corredores de 100 km centrados nas rodovias, o
modelo prevê que os 6.245 km de rodovias federais planejadas causariam o
desflorestamento adicional de uma área de 120.000 km2 (com base nas taxas de
desflorestamento mais baixas ao longo das principais rodovias pavimentadas, 29%) e
270.000 km2 (com base nas taxas de desflorestamento mais altas ao longo das principais
rodovias pavimentadas, 58%) nos próximos 20 a 30 anos.
Figura 11. Queimada, desflorestamento e rodovias na Amazônia. Fonte:(Nepstad et al., 2001)
14
Andersen et al. (2002) desenvolveu um modelo econométrico da dinâmica de
desflorestamento na Amazônia, também empregado para analisar o impacto de infra-
estrutura federal planejada. Utilizando dados em nível municipal de 1970 até 1999, os
autores propõem um modelo com seis variáveis endógenas (dependentes): área de
remoção da vegetação, crescimento do PIB rural e urbano, crescimento da população
rural e urbana, e crescimento do rebanho bovino. O modelo utiliza dados sócio-
econômicos e de crédito federal como variáveis independentes. Os resultados em relação
aos impactos das obras de infra-estrutura são diferentes daqueles obtidos por Laurance et
al. (2001) e Nepstad et al. (2001). Os resultados do modelo indicam que a infra-estrutura
federal planejada irá encorajar uma intensificação e crescimento urbano, e diminuir o
desflorestamento total, em relação à situação na qual as obras não são construídas. A
diferença principal entre o modelo de Andersen et al. (2002) e os outros dois modelos
são: (a) a inclusão de variáveis sócio-econômicas, tais como a população, renda e preço
de terras; e (b) a separação clara dos efeitos da construção de rodovias e dos efeitos de
créditos subsidiados no passado. A inclusão do desflorestamento existente nas equações
permite a distinção entre o impacto da infra-estrutura em áreas virgens e áreas mais
consolidadas. O resultado dos modelos mostra que obras para melhorar estradas
existentes influenciam de forma positiva os preços da terra, encorajando a intensificação
do uso da terra, e, portanto levando a ganhos econômicos. A principal desvantagem desta
abordagem de modelagem é não ser espacialmente explícita.
Uma abordagem diferente foi adotada por Soares-Filho et al (2006; 2004). Os autores
desenvolveram um modelo com dois componentes, separando o cálculo das taxas de
desflorestamento da alocação destas taxas no espaço. Seis cenários representando
diferentes níveis de Governança são analisados. Os cenários diferem no grau de
manutenção das reservas legais em propriedades privadas, e na extensão e efetiva
manutenção das áreas protegidas. Existem dois cenários extremos: o cenário de
governança total e o “business as usual”, Figura 12. O cenário governança baseia-se na
hipótese de redução gradual nas taxas de desflorestamento e que o desflorestamento nas
áreas privadas seja limitado a 50% das áreas de floresta. Este cenário também prevê a
expansão de áreas protegidas para 41% do total de área de floresta e que 100% da floresta
nas áreas protegidas permaneçam intactos. No outro extremo, no cenário “business as
15
usual”, as áreas protegidas perderiam 40% de suas áreas de florestas. Cenários
intermediários incorporam um subconjunto de medidas de governança gradualmente ao
cenário “business as usual”.
Figura 12. Desflorestamento da Amazonia em 2050. (a) cenário “business as usual” e (b) cenário de governaça.
Para calcular as taxas de desflorestamento, a bacia Amazônica foi subdividida em 40
sub-regiões. O modelo projeta taxas de desflorestamento para cada sub-região utilizando
tendências históricas, somadas a um fator positivo para incorporar o efeito de obras infra-
estrutura. Taxas em cada sub-região variam também de acordo as tendências esperadas
em determinado cenário (aumentando ou diminuindo), e o nível de cumprimento da lei
em áreas protegidas e privadas hipoteticamente esperado em cada cenário. A taxa global
para toda a Amazônia é a composição de taxas individuais de sub-regiões. O modelo de
alocação considera que a proximidade de centros urbanos aumenta o desflorestamento. O
desflorestamento é menor mais próximo de terrenos baixos de inundação, e em regiões
elevadas e íngremes; não é influenciado pela qualidade do solo e tipo de vegetação, e não
segue necessariamente a rede de rios principais. Distância a áreas desflorestadas
previamente, e distância a rodovias (incluindo ambas, pavimentadas e não pavimentadas)
são os fatores mais fortes para previsão do desflorestamento, e reservas indígenas são
importantes em retardar o desflorestamento4.
Os resultados do modelo indicam que a pavimentação da rodovia Manaus–Porto Velho,
que atravessa uma região com poucas áreas protegidas e poucos assentamentos humanos,
4 Estes resultados de análise estatística contrastam em diversos aspectos com os obtidos nesta tese (Capítulo 4), devido à abordagem em relação à escala de estudo, como discutido na Seção 6.2.
16
promovem mais desflorestamento do que a pavimentação da rodovia Cuiabá–Santarém.
O modelo “business as usual” prevê a remoção de 40% do total de floresta em 2050; em
torno de 250.000 km2 deste desflorestamento seria creditado a novos projetos de
pavimentação. Os cenários de governança intermediários indicam que a expansão e o
controle efetivo das áreas protegidas poderiam evitar um terço de desflorestamento
projetado, mas a conservação de terras privadas é também necessária para reduzir o
desflorestamento. Os autores sugerem que a comunidade internacional pode influenciar a
redução do desflorestamento, através de pressões do mercado internacional para a
aplicação de métodos ecologicamente seguros na produção de carne, soja e outras
comodities agrícolas. Este trabalho representa um avanço em relação aos anteriores ao
incorporar o conceito de governança na construção de cenários.
Aguiar (2006) dividiu a região Amazônica em três grandes macro-regiões: o Arco
Densamente Povoado, a Amazônia Central e a Amazônia Ocidental (Becker, 2005a). As
três macro-regiões são utilizadas para explorar a distribuição temporal e espacial não
uniforme de mudanças ao longo da região, através de cenários de demanda regionalizada.
(Soares-Filho et al., 2006) divide seu estudo em 40 sub-regiões, portanto limitando as
possíveis interações espaciais a áreas menores. O uso de regiões maiores permite também
a emergência de diferenças internas em termos de velocidade de mudança, não restrita a
tendências passadas.
A demanda por desflorestamento foi uma variável exógena no modelo. O modelo
considera que a demanda para a abertura de novas áreas está relacionada a forças de
mercado externas. O aumento ou diminuição da demanda são “proxies” de diferentes
condições do mercado, e representam uma maior ou menor pressão para a conversão da
floresta determinada pelo agro-negócio nacional e internacional. Esta premissa contrasta
com trabalhos anteriores (Laurance et al., 2001; Nepstad et al., 2001), nos quais a
demanda por desflorestamento é calculada com base em modificações nas redes de
rodovias e áreas protegidas.
Separação entre aspectos espaciais de mudanças e a distribuição temporal da
quantidade de mudanças. No modelo de Soares-Filho et al. (2005), as taxas de
17
desflorestamento são calculadas com base na combinação de forças de mercado externas
e os efeitos da pavimentação de rodovias, grau de obediência às leis e criação de áreas
protegidas. Em contraste, neste trabalho, rodovias e áreas protegidas são incorporadas
apenas como determinantes espaciais da localização das mudanças, Figura 13. Elas não
influenciam as taxas globais de desflorestamento. Esta abordagem permite a análise tanto
dos efeitos locais quanto regionais das políticas, incluindo a pavimentação de rodovias,
criação de áreas protegidas, e medidas de controle para aumentar o grau de obediência às
leis.
Figura 13. Comparação quantitativa dos cenários de pavimentação e proteção (Aguiar, 2006).
Independentemente do modelo, sempre haverá pressupostos e simplificações. O modelo é
uma grande ferramenta para analisar os efeitos das ações humanas. Entretanto, é
necessário conhecer bem os pressupostos e as simplificações dos modelos para melhor
interpretar os resultados.
1.4 Considerações finais
Modelos de mudanças terrestres são relativamente recentes, os primeiros modelos
surgiram na década de 90. Desde então, vários modelos foram propostos e grandes
avanços foram feitos. Entretanto, esses modelos ainda possuem várias limitações na sua
construção, o que se deve a complexidade de se modelar as mudanças terrestres.
Mudanças terrestres é o resultado de uma complexa interação entre os sistemas biofísicos
e socioeconômicos, onde diferentes processos atuam sobre as diferentes escalas
18
temporais e espaciais. È necessário compreender como esses diferentes processos atuam
nessas diferentes escalas, para poder construir políticas públicas apropriadas como
apontada por Becker (Becker, 2005b):
“E impossível, hoje, mais do que nunca, compreender o que ocorre em um local,
e consequentemente, criar e implementer políticas públicas adequadas, sem
considerar os interesses e ações conflitantes em escalas geográficas diferentes”
Desse modo, o desafio atual é desenvolver modelos multi-abordagens e multi-escalas,
como apontado pelo Global Land Project (Moran et al., 2005). O projeto aponta dois
grandes desafios: (a) entender as interações entre as escalas locais e regionais; e (b)
integrar as dimensões espaciais e sociais. Esses desafios foram propostos, devido a que os
modelos atuais usualmente tratam uma única escala (regional ou local) e não tratam a
interação e os possíveis feedbacks entre os sistemas biofísicos e socioeconômicos.
Os sistemas terrestres, tanto biofísicos como socioeconômicos, estão altamente
interligados, mudança em um sistema afeta o outro e vice versa. Entender e modelar a
interação entre as escalas (locais, regionais e globais) e entre os sistemas terrestres é o
atual desafio para os modeladores.
1.5 Referencias
AGUIAR, A. P. D. Modelagem de mudança do uso da terra na amazônia: explorando a heterogeneidade intra-regional.São José dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2006.Doctor Thesis in Applied Computing Science, 2006.
ALMEIDA, C. Modelagem Espacial Dinâmica como Ferramenta de Planejamento: Simulação de Mudanças de Uso do Solo em Bauru e Piracicaba (SP).São José dos Campos: INPE, 2003.Doutorado em Sensoriamento Remoto, 2003.
BARROS, J. X. Urban Growth in Latin American Cities: Exploring urban dynamics through agent-based simulation.University of London, 2004.Bartlett School of Graduate Studies, 2004.
BECKER, B. Geopolítica da Amazônia (Amazonian Geopolitics). Journal of the Institute of Advanced Studies of the University of Sao Paulo (Estudos Avançados), v. 19, n.53, p. 71-86, 2005a.
19
BECKER, B. K. Geopolítica da Amazônia (Amazonian Geopolitics). Estudos Avancados (Journal of the Institute of Advanced Studies of the University of Sao Paulo), v. 19, n.53, p. 71-86, 2005b.
CASTELLA, J.-C.; BOISSAU, S.; TRUNG, T.; QUANG, D. Agrarian transition and lowland-upland interactions in mountain areas in northern Vietnam: application of a multi-agent simulation model. Agricultural Systems, v. 86, n.3, p. 312-332, 2005.
CLARKE, K.; GAYDOS, L. Loose Coupling A Cellular Automaton Model and GIS: Long-Term Growth Prediction for San Francisco and Washington/Baltimore. International Journal of Geographical information Science, v. 12, n.7, p. 699-714, 1998.
DEADMAN, P.; ROBINSON, D.; MORAN, E.; BRONDIZIO, E. Colonist household decision making and land-use change in the Amazon Rainforest: an agent-based simulation. Environment and Planning B-Planning & Design, v. 31, n.5, p. 693-709, 2004.
EASTMAN, J. IDRISI Kilimanjaro. Guide to GIS and Image Processing. Worcester, MA: Clark University, 2003.
HUIGEN, M.; FISCHER, G. Agent Based Modelling in Land Use and Land Cover Change Studies. In: Interim Repor. 2003. p.
LAMBIN, E. F. G., HELMUT J. Land-Use and Land-Cover Change - Local Processes and Global Impacts. 2006.
LAURANCE, W.; COCHRANE, M.; BERGEN, S.; FEARNSIDE, P.; DELAMONICA, P.; BARBER, C.; D'ANGELO, S.; FERNANDES, T. The future of the Brazilian Amazon. Science, v. 291, p. 438-439, 2001.
LESSCHEN, J. P. V., P.H.; STAAL, S.J. Statistical methods for analysing the spatial dimension of changes in land use and farming systems. LUCC Focus 3 Office and ILRI, 2005.
MANSON, S. Agent-based modeling and genetic programming for modeling land change in the Southern Yucatan Peninsular Region of Mexico. Agriculture, Ecosystems & Environment, v. 111, n.1-4, p. 47-62, 2005.
MATTHEWS, R.; GILBERT, N. G.; ROACH, A.; POLHILL, J. G.; GOTTS, N. M. Agent-based land-use models: a review of applications. Landscape Ecology, n.Volume 22, Number 10 / December, 2007, p. 1447-1459, 2005.
MORAN, E.; OJIMA, D.; BUCHMANN, N.; CANADELL, J.; COOMES, O.; GRAUMLICH, L.; JACKSON, R.; JARAMILLO, V.; LAVOREL, S.; LEADLEY, P.; MATSON, P.; MURDIYARSO, D.; PORTER, J.; PFAFF, A.; PITELKA, L.; RAJAN, K.; RAMANKUTTY, N.; II, B. T.; YAGI, K., 2005,
20
Global Land Project: Science Plan and Implementation Strategy. IGBP Report No. 53/IHDP Report No. 19., Stockholm, IGBP Secretariat.
MOREIRA, E. G.; COSTA, S. S.; AGUIAR, A. P. D. D.; CAMARA, G.; CARNEIRO, T., 2008, Dynamic coupling of multiscale land change models: Interactions and feedbacks across regional and local deforestation models in the Brazilian Amazon, Landscape Ecology - Special Issue (submitted).
NEPSTAD, D.; CARVALHO, G.; BARROS, A. C.; ALENCAR, A.; CAPOBIANCO, J. P.; BISHOP, J.; MOUTINHO, P.; LEFEBVRE, P.; SILVA-JR., U. L.; PRINS, E. Road Paving, fire regime feedbacks, and the future of Amazon Forests. Forest Ecology and Managment, v. 154, p. 395-407, 2001.
REYNOLDS, C. Flocks, herds and schools: A distributed behavioral model. SIGGRAPH Comput. Graph., v. 21, n.4, p. 25-34, 1987.
ROBINSON, D. T.; BROWN, D. G.; PARKER, D. C.; SCHREINEMACHERS, P.; JANSSEN, M. A.; HUIGEN, M.; WITTMER, H.; GOTTS, N.; PROMBUROM, P.; IRWIN, E.; BERGER, T.; GATZWEILER, F.; BARNAUD, C. Comparison of Empirical Methods for Building Agent-Based Models in Land Use Science. Journal of Land Use Science, v. 2, n.1, p. 31-55, 2007.
SCHELLING, T. Dynamic models of segregation. Journal of Mathematical Sociology, v. 1, p. 143-186, 1971.
SOARES-FILHO, B.; CERQUEIRA, G.; PENNACHIN, C. DINAMICA – a stochastic cellular automata model designed to simulate the landscape dynamics in an Amazonian colonization frontier. Ecological modelling, v. 154, n.3, p. 217 – 235, 2002.
SOARES-FILHO, B.; NEPSTAD, D.; CURRAN, L.; CERQUEIRA, G.; GARCIA, R.; RAMOS, C. A.; VOLL, E.; MCDONALD, A.; LEFEBVRE, P.; SCHLESSINGER, P. Modeling conservation in the Amazon basin. Nature, v. 4389, 2006.
SOARES-FILHO, B. A., ANE; NEPSTAD, DANIEL; CERQUEIRA, GUSTAVO; VERA DIAZ, MARIA DEL CARMEN; RIVERO, SÉRGIO; SOLÓRZANO, LUIS; VOLL, ELIANE. Simulating the response of land-cover changes to road paving and governance along a major Amazon highway: the Santarém-Cuiabá corridor. Global Change Biology, v. 10, n.20, p. 745-764, 2004.
VELDKAMP, A.; FRESCO, L. O. CLUE: a conceptual model to study the Conversion of Land Use and its Effects. Ecological modelling, v. 85, p. 253-270, 1996.
VELDKAMP, T.; LAMBIN, E. Predicting land-use change. Agriculture, Ecosystems and Environment, v. 85, p. 1-6, 2001.
21
VERBURG, P. Simulating feedbacks in land use and land cover change models. Landscape Ecology, v. 21, n.8, p. 1171-1183, 2006.
VERBURG, P.; DE KONING, G.; KOK, K.; VELDKAMP, A.; BOUMA, J. A spatial explicit allocation procedure for modelling the pattern of land use change based upon actual land use. Ecological modelling, v. 116, p. 45-61, 1999.
VERBURG, P. H.; KOK, K.; PONTIUS, R. G.; VELDKAMP, A.; LAMBIN, E. F.; GEIST, H. J., 2006. Modelling land use and land cover change. Land-use and land-cover change. Local processes and global impacts, Springer, Berlim.
VERBURG, P. H.; SOEPBOER, W.; VELDKAMP, A.; LIMPIADA, R.; ESPALDON, V. Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management, v. 30, n.3, p. 391-405, 2002.
WHITE, R.; ENGELEN, G. High-resolution integrated modelling of the spatial dynamics of urban and regional systems. Computer, Environment and Urban Systems, v. 24, p. 383-400, 2000.
WHITE, R.; ENGELEN, G.; ULJEE, I. The Use of Constrained Cellular Automata for High-resolution Modelling of Urban Land Use Dynamics. Environment and Planning B: Planning and Design, v. 24, p. 323-343, 1997.
WILENSKY, U., 1999, NetLogo, in EVANSTON, I., ed., Center for Connected Learning and Computer-Based Modeling. Northwestern University.
22