Your SlideShare is downloading. ×
Modelegam uso terra
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Modelegam uso terra

209
views

Published on


0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
209
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Modelagem de Mudanças de Uso da Terra MSc. Sérgio Souza Costa e Dra. Ana Paula Dutra de Aguiar 1.1 IntroduçãoA emissão de CO2 relacionada a mudanças de uso e cobertura é um dos principais fatoresassociados às mudanças climáticas. O termo Cobertura da Terra se refere aos atributosfísicos 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 eCobertura da Terra se refere tanto à conversão entre classes (por exemplo, processos dedesertificação e desflorestamento), quanto às alterações nessas classes (e.g.,intensificação de uso agrícola, degradação da cobertura vegetal). Para uma revisãocompleta sobre teorias de mudanças de uso e cobertura e métodos associados, consultarBriassoulis (2000) e Gutman et al. (2004).No Brasil, a questão do desflorestamento na Amazônia torna o país o 4 o emissor mundial.A Amazônia Brasileira ocupa uma área de cerca de 4 milhões de km2. Cerca de 17% dafloresta já foi removida. As taxas médias de desmatamento anual nesta década são decerca de 19.000 km2, com grandes flutuações ano a ano, e estão associadas a fatoreseconômicos (como o câmbio que favorece ou não às exportações de commodities),institucionais (políticas de controle de desmatamento, de crédito) e climáticos (anos maisou menos chuvosos). Estas taxas de desflorestamento por sua vez afetam os níveis deemissão de CO2 e o clima regional e global. A região é bastante heterogênea em termosde atores e processos que influenciam os padrões espaciais e temporais dodesflorestamento. Em contextos socioeconômicos, biofísicos e políticos distintos,múltiplos atores contribuem para criar diferentes trajetórias de mudanças na região, quese traduzem em taxas e padrões distribuídos de modo não homogêneo no espaço e notempo. Por outro lado, as alterações previstas no clima regional podem influenciar osSistemas de Uso e sua sustentabilidade econômica e ambiental, afetando de modo distintoos diferentes atores. 1
  • 2. Devido à importância da região da Amazônia Brasileira, tanto em escala nacional comoem escala internacional, é importante definir indicadores confiáveis para subsidiar aelaboração de políticas públicas. Modelos computacionais são ferramentas úteis paracomplementar à capacidade mental de modelagem, de forma a permitir tomadas dedecisão mais informadas (Costanza and Ruth, 1998). Modelos de mudanças terrestrespodem ajudar na avaliação de impactos possíveis das regras alternativas através daconstrução de cenários e contribuem para os processos de tomada de decisão. Umagrande 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 terrestresespacialmente 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 TerraAtualmente é possível encontrar dezenas de modelos e ferramentas para modelagem demudanças terrestres na literatura. Esses modelos se diferenciam de acordo com aaplicação, as técnicas empregadas e até devido aos dados de entrada ou de saída. Nestarevisão não nos preocuparemos em descrever minuciosamente as técnicascomputacionais ou matemáticas, mas sim as abordagens metodológicas de construçãodesses 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
  • 3. Figura 1. Abordagem bottom-up e top-down. Adaptado deNas próximas seções serão descritas as principais características e a estrutura básica decada abordagem. 1.2.1 Modelagem top-downA 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 andEngelen, 2000; White et al., 1997) e CA_Markov (Eastman, 2003). Esses modelosdistinguem-se basicamente pela representação de dados, pela equação ou regras utilizadaspara descrever as mudanças. Entretanto, independentemente do modelo pode-se observartrês 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. Essaquantidade de mudança é passada para o módulo de alocação, onde algoritmosespecíficos de alocação irão efetuar as mudanças de acordo com o mapa de potencial demudança. Este mapa é produzido pelo módulo de potencial através de alguma equaçãomatemática ou estatística que relaciona as mudanças com um conjunto de variáveis. Essaestrutura é apresentada na Figura 2. 3
  • 4. 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 umconjunto de variáveis, algumas para o cálculo de quantidade de mudança e outras para ocálculo da localização das mudanças. Entretanto, algumas variáveis podem afetar tanto aquantidade quanto a localização das mudanças. A seguir será apresentado com detalhescada um desses módulos. Módulo de DemandaO módulo de demanda2 é responsável por responder o “quanto vai mudar?”. Em muitosdos modelos a demanda é considerada como uma variável exógena ao modelo e que estárelacionada a forças de mercado. Usualmente, esse cálculo de demanda é realizado poralguma ferramenta externa e pode usar diferentes técnicas e métodos. Entretanto, nestarevisão 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 desta2 Alguns modelos podem referir a demanda também como taxa de transição, ou taxa de mudanças. 4
  • 5. 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 serempregados usando diferentes técnicas. Por exemplo, podem ser usadas técnicas deprocessamento de imagens para extrair as tendências de mudanças em regiões onde nãohá disponíveis dados de taxas de mudanças. A construção de cenários pode usarconhecimento 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 usarvariáveis como crescimento demográfico e renda per capta para calcular as taxas demudanças. Módulo de Cálculo de PotencialO módulo de cálculo de potencial é o principal componente desta abordagem e éresponsável por responder “onde ocorreram as mudanças?”. O principal pressupostodesse módulo é que as mudanças no uso do solo não ocorrem de forma aleatória noespaço, 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 algummétodo estatístico ou matemático para estabelecer as relações entre as mudançasterrestres 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 omodelador. Ela requer uma clara diferenciação entre determinantes espaciais de mudança,isto é, causas próximas (locais, diretamente ligadas a mudanças no uso da terra) deforças determinantes subjacentes, que atuam na determinação da quantidade demudanças. A confusão entre determinantes espaciais e causas subjacentes tem levado a 5
  • 6. uma ênfase exagerada em fatores como estradas, tipos de solo ou topografia como causasde desflorestamento (Veldkamp and Lambin, 2001). Na Figura 4 é apresentada umexemplo 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 estatísticamultivariada, mais especificamente a análise de regressão. Este método permite explorare inferir a relação de uma variável dependente (uso da terra) com variáveis independentesespecíficas (fatores explanatórios). O tipo de regressão utilizada depende ainda darepresentação dos dados. Regressão linear é usada em modelos que operam sobre dadoscontínuos (ex. Clue), enquanto regressão logística é empregada em modelos que operamsobre dados discretos (ex. DINAMICA e CLUE-s). Um outro método estatísticoempregado é o método de pesos de evidência. Este método é baseado no teorema daprobabilidade condicional de Bayes (Bonham-Carter, 1994). Basicamente, este teoremaconcerne em calcular a propensão de um uso (ex. uso não-urbano para residencial), dadoque uma evidência (ex. suprimento de água), também chamada variável explicativa, jáocorreu (Almeida, 2003). Existem ainda diversos outros métodos para o relacionando dasvariáveis explicativas com as mudanças terrestres, que podem variar de métodos simplesde agregação (média ou produto) a métodos mais complexos como redes neurais.Lesschen (2005) discute em detalhes vários destes métodos que são aplicados a modelosde mudança terrestre.A saída desses modelos é um mapa de potencial de mudança, que representa o quantouma determinada região é suscetível a uma determinada mudança. Esse potencial de 6
  • 7. mudança pode ser representado por variáveis probabilísticas, ou por qualquer outro tipode variável que represente valores de baixo a alto potencial de mudança. Este mapa desaída será utilizado como dado de entrada para os algoritmos de alocação, como serádescrito na próxima seção. Módulo de AlocaçãoO 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 mapade uso e o mapa de potencial e produz como saída um novo mapa de uso que será usadono instante seguinte do modelo, Figura 5. Figura 5. Módulo de alocaçãoO algoritmo de alocação pode variar de acordo com os dados e parâmetros de entrada.Por exemplo, alguns algoritmos lidam com apenas duas classes (floresta edesflorestamento) enquanto outros consideram várias classes (pastagem, agricultura efloresta). 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
  • 8. 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 asalocações mais realistas. Por exemplo, no modelo DINAMICA existem dois algoritmosde 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 deuma determinada classe, já a função patcher é responsável por formar novas manchas deuma determinada classe em regiões que anteriormente não existia. O percentual dequantidade de mudança para cada função é especificado pelo modelador, além de outrosparâmetros, como isometria, variância e tamanho médio das manchas. Esses parâmetrospermitem que as alocações sejam mais parecidas com as aberturas causadas pelos atores(por exemplo, colonos ou grandes fazendeiros). Dependendo do modelo, existem aindavárias outras funções e ou parâmetros. Por exemplo, alguns modelos podem permitir quese modelem as mudanças que não possuem relações espaciais, onde uma dada quantidadede mudança ocorre de forma aleatória. Outros modelos podem incorporar algumarestrição por transições, regiões ou por tempo mínimo de anos em que um dado uso daterra deve se manter antes de mudar para outro uso. 1.2.2 Modelagem Bottom-upModelagem baseado em agentes é a técnica comumente empregada na abordagembottom-up. Essa técnica é baseada no conceito de “emergência”, que é uma característicaessencial dos sistemas de simulação social, onde as interações entre as entidades (ouagentes) 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 dospássaros (ou bird-flocking) (Reynolds, 1987). 8
  • 9. 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 apartir de um pequeno conjunto de regras. Por exemplo, o modelo do vôo dos pássarospossui apenas três regras: evitar colisões com os pássaros vizinhos, igualar a velocidadecom os vizinhos e manter-se próximo dos vizinhos. Na Figura 6, é apresentada aconfiguração inicial e o resultado do modelo após 500 iterações, usando a ferramentaNetLogo (Wilensky, 1999).A estrutura básica de um modelo baseado em agentes consiste de: (a) entidadesautônomas (agentes), (b) um ambiente onde os agentes interagem, e (c) regras quedefinem 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 doambiente é prover um “contexto espacial” para os agentes (Huigen and Fischer, 2003).Os ambientes são usualmente representados por um espaço celular, que pode serhipotético ou baseado em uma paisagem real. Ambientes hipotéticos podem ser usadospor modelos conhecidos como “laboratórios sociais”. Esses modelos usualmente buscamsimular alguns conceitos ou aspectos específicos das interações sociais. Exemplos detrabalhos nessa linha são discutidos em (Clarke and Gaydos, 1998) e (Barros, 2004). 9
  • 10. Existem também modelos que usam dados reais, como censo e imagens de sensoriamentoremoto 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 como ambiente, tomando decisões baseado em um conjunto de regras (Lambin, 2006). Emmodelos de mudanças terrestres os agentes podem representar entidades, tais comofazendeiros, políticos e instituições. Diferentes fatores podem afetar as decisões dosagentes, tais como experiência, estrutura familiar, técnicas e contextos sócio-econômicos.Nessa abordagem, as mudanças terrestres é o resultado da interação entre os agentes e oambiente, para isso é necessário que os agentes sejam alocados no espaço. Em modeloshipotéticos essa alocação pode ser realizada de forma aleatória ou baseada em algumasregras de localização. Entretanto, ligar os agentes a suas reais localizações oupropriedades é um grande desafio aos modelos que buscam descrever uma paisagem real.Algumas técnicas, tais como métodos participativos ou questionários, podem ser usadaspara identificar os agentes e o seu real ambiente. Tais técnicas são possíveis somente emáreas de estudo de pequena extensão (Verburg, 2006). Uma alternativa é uso deinformações cadastrais, mas em muitos países essas informações possam não estardisponíveis por questões de privacidade (Verburg, 2006). AplicaçõesEssa abordagem é uma promissora ferramenta para tratar a heterogeneidade ecomplexidade dos diferentes atores que compõem um sistema de mudança terrestre.Matthews et al. (2005) destaca seis principais aplicações para modelagem baseado emagente: (a) políticas públicas e planejamento, (b) modelos participativos, (c) modos depaisagem, (d) testes de conceitos de ciências sociais e (e) explicação de funções desistemas terrestres. Destacamos a aplicação em modelagem participativa e para testes deconceito de ciências sociais.Modelagem participativa permite aproximar os agentes (tomadores de decisão) dosmodeladores. Essa aproximação é muito benéfica para ambos, permitindo entendermelhor o processo de decisão usado pelos agentes. Em (Castella et al., 2005), o autor 10
  • 11. propôs uma abordagem que combinou três diferentes ferramentas (ver Figura 8): (a) jogode interpretação de personagens3, (b) modelo baseado em agente, e (c) um sistema deinformação geográfico. Castella (2005) aplicou essa metodologia na província de BacKan no Vietnã, com o objetivo de identificar os diferentes processos de decisão dosprodutores 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 teoriassociais. Por exemplo, alguns modelos podem explorar a competitividade das diferentesestratégias que os produtores podem adotar, e como as instituições podem influenciar noseu comportamento (Matthews et al., 2005). Barros(2004) usou um modelo baseado emagentes para explorar vários aspectos sobre o crescimento das cidades latino-americanas.Na Figura 9 é apresentada o resultado da simulação do processo de periferização dascidades, 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 jogadoresassumem os papeis de personagens e criam narrativas colaborativamente. 11
  • 12. Figura 9. Evolução das cidades latino-americanasEm geral, essa abordagem tem sido mais utilizada pela comunidade científica comoferramenta para organizar conhecimento de estudos empíricos e para explorar conceitosespecíficos de sistemas de mudanças terrestres (Matthews et al., 2005). A exigência deuma grande quantidade de dados torna essa abordagem ainda limitada para aplicações emregiões de grande extensão. Entretanto, atualmente existe um grande esforço por parte dacomunidade científica em usar essa abordagem e isso reflete no grande numero deferramentas 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 dependedos objetivos do modelo, do conhecimento do especialista e da extensão da área deestudo. A abordagem top-down é adequada a processos em que as mudanças sãolargamente dirigidas por demandas regionais, como no caso de expansão de agriculturaem 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. Porexemplo, existem alguns arcabouços (ou ferramentas) disponíveis para odesenvolvimento de modelos top-down, tais como CLUE, CLUE-S e DINAMICA. Essesarcabouços são parametrizáveis, ou seja, podem ser usados em diferentes áreas de estudocom diferentes variáveis, cálculo de demanda e cálculo de potencial. Dados de censo eimagens de sensoriamento remoto podem ainda serem usados para analisar as relaçõesentre os padrões de mudanças e as “variáveis explicativas”.Modelos bottom-up requer um extenso trabalho de campo para definir as regras decomportamento dos agentes e são usualmente construídos para pequenas áreas com 12
  • 13. objetivo de responder algum conceito específico (Robinson et al., 2007). Entretanto, osmodelos top-down são baseados na análise de padrões, e uma série de simplificações esuposições são consideradas, não sendo capazes de expressar a heterogeneidade dosdiferentes atores como na abordagem bottom-up. Modelos bottom-up tem o potencialpara representar a complexidade dos processos biofísicos e socioeconômicos, e ainteração dos atores nos diferentes níveis de organização. Em geral, a seleção de umadada abordagem depende do nível de análise exigido para responder as perguntas domodelo, um balanço entre heterogeneidade e escala de análise deve ser considerado. Umdos desafios atuais é combinar ambas as abordagens, dado que uma abordagempuramente bottom-up ou top-down pode não ser suficiente para representar os processosbiofísicos e socioeconômicos. Desse modo, atualmente tem surgido alguns autores quepropõe o uso de multi-abordagem, como discutido em (Verburg, 2006) e (Moreira et al.,2008). 1.3 Modelagem na Amazônia: resultados em escala regionalLaurance et. al (2001) discutem o futuro da Amazônia utilizando um modelo baseado emoperações de SGI (mapa de distâncias), e na suposição que a infra-estrutura de estradas éo principal fator no processo de desflorestamento. Dois cenários alternativos sãoconsiderados, de acordo com: (1) a estimativa da extensão de áreas degradadas em voltade obras de infra-estrutura existentes e planejadas; (2) o impacto estimado de áreasprotegidas. Os autores extrapolaram para 2020, o relacionamento obtido empiricamenteentre padrões espaciais passados de desflorestamento e distâncias a estradas. Padrõesprojetados apresentam formas de mapas de distância uniformes ao redor de rodoviasexistentes 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, e42% num cenário não otimista, Figura 10. Os novos planos de infra-estrutura sãoresponsáveis por um aumento na taxa de desflorestamento de 2.690 km2 por ano nocenário otimista, e 5.060 km2 por ano no cenário pessimista. 13
  • 14. Figura 10. Cenário otimista e não otimista. Adaptado de (Laurance et al., 2001)Nepstad et al. (2001) também extrapola padrões espaciais de desflorestamento paraprever quantidades futuras, tomando rodovias como o principal fator gerando odesflorestamento, Figura 11. Baseado em corredores de 100 km centrados nas rodovias, omodelo prevê que os 6.245 km de rodovias federais planejadas causariam odesflorestamento adicional de uma área de 120.000 km2 (com base nas taxas dedesflorestamento mais baixas ao longo das principais rodovias pavimentadas, 29%) e270.000 km2 (com base nas taxas de desflorestamento mais altas ao longo das principaisrodovias pavimentadas, 58%) nos próximos 20 a 30 anos. Figura 11. Queimada, desflorestamento e rodovias na Amazônia. Fonte:(Nepstad et al., 2001) 14
  • 15. Andersen et al. (2002) desenvolveu um modelo econométrico da dinâmica dedesflorestamento na Amazônia, também empregado para analisar o impacto de infra-estrutura federal planejada. Utilizando dados em nível municipal de 1970 até 1999, osautores propõem um modelo com seis variáveis endógenas (dependentes): área deremoção da vegetação, crescimento do PIB rural e urbano, crescimento da populaçãorural e urbana, e crescimento do rebanho bovino. O modelo utiliza dados sócio-econômicos e de crédito federal como variáveis independentes. Os resultados em relaçãoaos impactos das obras de infra-estrutura são diferentes daqueles obtidos por Laurance etal. (2001) e Nepstad et al. (2001). Os resultados do modelo indicam que a infra-estruturafederal planejada irá encorajar uma intensificação e crescimento urbano, e diminuir odesflorestamento total, em relação à situação na qual as obras não são construídas. Adiferença principal entre o modelo de Andersen et al. (2002) e os outros dois modelossão: (a) a inclusão de variáveis sócio-econômicas, tais como a população, renda e preçode terras; e (b) a separação clara dos efeitos da construção de rodovias e dos efeitos decréditos subsidiados no passado. A inclusão do desflorestamento existente nas equaçõespermite a distinção entre o impacto da infra-estrutura em áreas virgens e áreas maisconsolidadas. O resultado dos modelos mostra que obras para melhorar estradasexistentes influenciam de forma positiva os preços da terra, encorajando a intensificaçãodo uso da terra, e, portanto levando a ganhos econômicos. A principal desvantagem destaabordagem de modelagem é não ser espacialmente explícita.Uma abordagem diferente foi adotada por Soares-Filho et al (2006; 2004). Os autoresdesenvolveram um modelo com dois componentes, separando o cálculo das taxas dedesflorestamento da alocação destas taxas no espaço. Seis cenários representandodiferentes níveis de Governança são analisados. Os cenários diferem no grau demanutenção das reservas legais em propriedades privadas, e na extensão e efetivamanutenção das áreas protegidas. Existem dois cenários extremos: o cenário degovernança total e o “business as usual”, Figura 12. O cenário governança baseia-se nahipótese de redução gradual nas taxas de desflorestamento e que o desflorestamento nasáreas privadas seja limitado a 50% das áreas de floresta. Este cenário também prevê aexpansão de áreas protegidas para 41% do total de área de floresta e que 100% da florestanas áreas protegidas permaneçam intactos. No outro extremo, no cenário “business as 15
  • 16. usual”, as áreas protegidas perderiam 40% de suas áreas de florestas. Cenáriosintermediários incorporam um subconjunto de medidas de governança gradualmente aocenário “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 40sub-regiões. O modelo projeta taxas de desflorestamento para cada sub-região utilizandotendências 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 esperadasem determinado cenário (aumentando ou diminuindo), e o nível de cumprimento da leiem áreas protegidas e privadas hipoteticamente esperado em cada cenário. A taxa globalpara toda a Amazônia é a composição de taxas individuais de sub-regiões. O modelo dealocação considera que a proximidade de centros urbanos aumenta o desflorestamento. Odesflorestamento é menor mais próximo de terrenos baixos de inundação, e em regiõeselevadas e íngremes; não é influenciado pela qualidade do solo e tipo de vegetação, e nãosegue necessariamente a rede de rios principais. Distância a áreas desflorestadaspreviamente, e distância a rodovias (incluindo ambas, pavimentadas e não pavimentadas)são os fatores mais fortes para previsão do desflorestamento, e reservas indígenas sãoimportantes 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 (Capítulo4), devido à abordagem em relação à escala de estudo, como discutido na Seção 6.2. 16
  • 17. 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; emtorno de 250.000 km2 deste desflorestamento seria creditado a novos projetos depavimentação. Os cenários de governança intermediários indicam que a expansão e ocontrole efetivo das áreas protegidas poderiam evitar um terço de desflorestamentoprojetado, mas a conservação de terras privadas é também necessária para reduzir odesflorestamento. Os autores sugerem que a comunidade internacional pode influenciar aredução do desflorestamento, através de pressões do mercado internacional para aaplicação de métodos ecologicamente seguros na produção de carne, soja e outrascomodities agrícolas. Este trabalho representa um avanço em relação aos anteriores aoincorporar o conceito de governança na construção de cenários.Aguiar (2006) dividiu a região Amazônica em três grandes macro-regiões: o ArcoDensamente Povoado, a Amazônia Central e a Amazônia Ocidental (Becker, 2005a). Astrês macro-regiões são utilizadas para explorar a distribuição temporal e espacial nãouniforme 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 aspossíveis interações espaciais a áreas menores. O uso de regiões maiores permite tambéma emergência de diferenças internas em termos de velocidade de mudança, não restrita atendências passadas.A demanda por desflorestamento foi uma variável exógena no modelo. O modeloconsidera que a demanda para a abertura de novas áreas está relacionada a forças demercado externas. O aumento ou diminuição da demanda são “proxies” de diferentescondições do mercado, e representam uma maior ou menor pressão para a conversão dafloresta determinada pelo agro-negócio nacional e internacional. Esta premissa contrastacom trabalhos anteriores (Laurance et al., 2001; Nepstad et al., 2001), nos quais ademanda por desflorestamento é calculada com base em modificações nas redes derodovias e áreas protegidas.Separação entre aspectos espaciais de mudanças e a distribuição temporal daquantidade de mudanças. No modelo de Soares-Filho et al. (2005), as taxas de 17
  • 18. desflorestamento são calculadas com base na combinação de forças de mercado externase os efeitos da pavimentação de rodovias, grau de obediência às leis e criação de áreasprotegidas. Em contraste, neste trabalho, rodovias e áreas protegidas são incorporadasapenas como determinantes espaciais da localização das mudanças, Figura 13. Elas nãoinfluenciam as taxas globais de desflorestamento. Esta abordagem permite a análise tantodos 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 àsleis. Figura 13. Comparação quantitativa dos cenários de pavimentação e proteção (Aguiar, 2006).Independentemente do modelo, sempre haverá pressupostos e simplificações. O modelo éuma grande ferramenta para analisar os efeitos das ações humanas. Entretanto, énecessário conhecer bem os pressupostos e as simplificações dos modelos para melhorinterpretar os resultados. 1.4 Considerações finaisModelos de mudanças terrestres são relativamente recentes, os primeiros modelossurgiram na década de 90. Desde então, vários modelos foram propostos e grandesavanços foram feitos. Entretanto, esses modelos ainda possuem várias limitações na suaconstrução, o que se deve a complexidade de se modelar as mudanças terrestres.Mudanças terrestres é o resultado de uma complexa interação entre os sistemas biofísicose socioeconômicos, onde diferentes processos atuam sobre as diferentes escalas 18
  • 19. temporais e espaciais. È necessário compreender como esses diferentes processos atuamnessas diferentes escalas, para poder construir políticas públicas apropriadas comoapontada 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 doisgrandes 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 osmodelos atuais usualmente tratam uma única escala (regional ou local) e não tratam ainteração e os possíveis feedbacks entre os sistemas biofísicos e socioeconômicos.Os sistemas terrestres, tanto biofísicos como socioeconômicos, estão altamenteinterligados, mudança em um sistema afeta o outro e vice versa. Entender e modelar ainteração entre as escalas (locais, regionais e globais) e entre os sistemas terrestres é oatual desafio para os modeladores. 1.5 ReferenciasAGUIAR, 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
  • 20. 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.; DANGELO, 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
  • 21. 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
  • 22. 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