TESE Ana Caroline Paim Benedetti

UNIVERSIDADE FEDERAL DE SANTA MARIA
CENTRO DE CINCIAS RURAIS

PROGRAMA DE PS-GRADUAO EM ENGENHARIA FLORESTAL
MODELAGEM DINMICA PARA SIMULAO DE

MUDANAS NA COBERTURA FLORESTAL DAS
SERRAS DO SUDESTE E CAMPANHA MERIDIONAL
DO RIO GRANDE DO SUL
TESE DE DOUTORADO
Ana Caroline Paim Benedetti
Santa Maria, RS, Brasil

2010
MODELAGEM DINMICA PARA SIMULAO DE

MUDANAS NA COBERTURA FLORESTAL DAS SERRAS
DO SUDESTE E CAMPANHA MERIDIONAL
por
Tese apresentada ao Curso de Doutorado do Programa de

Ps-Graduao em Engenharia Florestal, rea de Concentrao em
Manejo Florestal, da Universidade Federal de Santa Maria (UFSM, RS),
como requisito parcial para obteno do grau de
Doutora em Engenharia Florestal.
Orientador: Prof. Dr. Rudiney Soares Pereira
Santa Maria, RS, Brasil

2010
Benedetti, Ana Caroline Paim, 1980B462m

Modelagem dinmica para simulao de mudanas na cobertura
florestal das serras do sudeste e campanha meridional do Rio Grande
do Sul / Ana Caroline Paim Benedetti. - 2010.
166 f. ; il.
Tese (doutorado) Universidade Federal de Santa Maria, Centro
de Cincias Rurais, Programa de Ps-Graduao em Engenharia
Florestal, 2010.
Orientador: Prof. Dr. Rudiney Soares Pereira
1. Engenharia florestal 2. Sensoriamento remoto 3. NDVI 4.
Modelagem dinmica 5. Matriz de transio I. Pereira, Rudiney
Soares II. Ttulo
CDU: 528.8
Ficha catalogrfica elaborada por

Patrcia da Rosa Corra CRB 10/1652
Biblioteca Setorial do Centro de Cincias Rurais/UFSM
2010
permitida a reproduo de partes ou do todo deste trabalho com a devida citao da fonte.
Endereo eletrnico: anabenedetti@unipampa.edu.br
Universidade Federal de Santa Maria

Centro de Cincias Rurais
Programa de Ps-Graduao em Engenharia Florestal
A Comisso Examinadora, abaixo assinada,

aprova a Tese de Doutorado
MODELAGEM DINMICA PARA SIMULAO DE MUDANAS NA

COBERTURA FLORESTAL DAS SERRAS DO SUDESTE E
CAMPANHA MERIDIONAL DO RIO GRANDE DO SUL
elaborada por
como requisito parcial para obteno do grau de

Doutora em Engenharia Florestal
COMISSO EXAMINADORA:
__________________________________
Rudiney Soares Pereira, Dr.
(Presidente/Orientador)
___________________________________
Cludia Maria de Almeida, Dra. (INPE)
___________________________________
Elvis Rabuske Hendges, Dr. (UNIOESTE)
___________________________________
Claire Delfini Viana Cardoso, Dra. (UFSM)
___________________________________
Jos Amrico de Mello Filho, Dr. (UFSM)
Santa Maria, 02 de Junho de 2010
AGRADECIMENTOS
Obrigada a todos aqueles que de alguma forma contriburam para que eu

pudesse concretizar esse sonho!
Agradeo ao Programa de Ps-Graduao em Engenharia Florestal,
especialmente aos professores Dr. Paulo Renato Schneider, Dr. Csar Augusto
Guimares Finger e Dr. Mauro Valdir Schumacher, coordenadores do Programa,
pela oportunidade de realizao do curso de Doutorado; devo igualmente agradecer
pela concesso da bolsa de estudos da CAPES.
Muito obrigada ao professor Dr. Rudiney Soares Pereira, orientador desse
trabalho, por todo o aprendizado e, sobretudo, pela confiana e constante incentivo.
Sinceros agradecimentos so destinados a professora Dra. Cludia Maria de
Almeida, pesquisadora do Instituto Nacional de Pesquisas Espaciais, no somente
pelo imenso conhecimento transmitido, mas por toda ateno a mim dispensada.
Seus ensinamentos nortearam esse trabalho e tornaram possvel sua realizao.
Sou grata ao professor Dr. Solon Jonas Longhi, pela participao no comit
de orientao, bem como pelas correes efetuadas no exame de qualificao.
Especiais agradecimentos so destinados aos professores membros da
banca examinadora sua valiosa participao, Dra. Claire Delfini Viana Cardoso, Dr.
Enio Giotto, Dr. Jos Amrico de Mello Filho e Dr. Elvis Rabuske Hendges.
Muito obrigada!
RESUMO
Tese de Doutorado
MODELAGEM DINMICA PARA SIMULAO DE MUDANAS NA COBERTURA
FLORESTAL DAS SERRAS DO SUDESTE E CAMPANHA MERIDIONAL
AUTORA: ANA CAROLINE PAIM BENEDETTI
ORIENTADOR: PROF. Dr. RUDINEY SOARES PEREIRA
Local e Data da Defesa: Santa Maria, 02 de Junho de 2010.
Processos significativos de converso nos padres de uso da terra tm sido
verificados no Rio Grande do Sul devido incorporao de reas florestais nos
ltimos anos. Nessa concepo, este trabalho tem como objetivo estabelecer
diretrizes metodolgicas para analisar a dinmica desses padres nas Serras do
Sudeste e Campanha Meridional, microrregies pertencentes Metade Sul do
Estado. Mapas temticos dos anos de 2000, 2004 e 2008 foram elaborados a partir
do produto NDVI (ndice de Vegetao por Diferena Normalizada) do sensor
MODIS, de forma a relacionar este ndice s classes de uso da terra. Os mapas
elaborados serviram para alimentar um modelo dinmico, o qual possibilitou
quantificar, atravs de matrizes Markovianas, as taxas de converso entre as
classes. A simulao foi concebida atravs do mtodo probabilstico pesos de
evidncia, o qual permitiu inferir sobre a contribuio das variveis influentes nas
mudanas na cobertura florestal das duas microrregies. Os principais resultados
constituem simulaes baseadas no paradigma de Autmatos Celulares (AC), nas
quais so quantificadas e distribudas espacialmente as reas florestais at o ano de
2016. Os prognsticos modelados, com base nas variveis analisadas, indicam que
a floresta deve ocupar espaos anteriormente destinados s atividades agrcolas e
ao pastoreio extensivo do gado, tanto pela introduo de espcies exticas como
pelo estabelecimento da regenerao. A cobertura florestal na microrregio Serras
do Sudeste passar de 8,6% para 16,2% ao fim do perodo. Na Campanha
Meridional o acrscimo ser de 11,1% para 12,5%, sendo observadas, nas duas
microrregies, tendncias estabilidade dessa expanso.
Palavras-chave: Sensoriamento Remoto; NDVI; modelagem dinmica; matriz de
transio.
ABSTRACT
Doctoral Thesis
DYNAMIC MODELING FOR CHANGES SIMULATIONS IN THE FOREST COVER
AT THE SERRAS DO SUDESTE AND CAMPANHA MERIDIONAL FROM
RIO GRANDE DO SUL STATE
AUTHOR: Ana Caroline Paim Benedetti
ADVISER: Prof. Dr. Rudiney Soares Pereira
Defense Place and Date: Santa Maria, June02, 2010.
Significant processes of conversion in the land use patterns have been verified in the
State of Rio Grande do Sul due to the incorporation of forest areas during the last
years. In this conception, this work aims to establish the methodological guidelines to
analyze the dynamics of these patterns in the Serras do Sudeste and Campanha
Meridional, which are micro regions located in the southern part of the State.
Thematic maps from the years 2000, 2004 and 2008 were elaborated through the
product NDVI (Normalized Difference Vegetation Index) from the MODIS sensor in a
way to relate this index to the land use classes. The maps that we elaborated were
used to drive a dynamic model, which made it possible to quantify, through the use of
Markov model, the conversion rates between classes. The simulation designed using
the probabilistic method weighs-of-evidence, and allowed to assess the role of
influential variables in the forest cover changes of both micro regions. The main
results are simulations based on the paradigm of Cellular Automata (CA), in which
the forest areas are quantified and spatially distributed until the year 2016. The
predictions modeled, based on the considered variables, indicate that the forest will
expand over spaces previously allocated to agricultural activities and to extensive
grazing of cattle, either with the introduction of exotic species or by means of
regeneration. The forest cover in Serras do Sudeste will increase from 8,6% to
16,2% by the end of the period. In Campanha Meridional the increase will be from
11,1% to 12,5% and, in both micro regions, the expansion will tend to stabilize within
the observed period.
Key-words: Remote Sensing; NDVI; dynamic modeling; transition matrix.
LISTA DE ILUSTRAES
FIGURA 1 Localizao das microrregies de estudo no estado do Rio

Grande do Sul, Brasil............................................................................................
54
FIGURA 2 Interface do site do INPE para pesquisa de imagens do satlite

Landsat.................................................................................................................
58
FIGURA 3 Articulao das cenas Landsat sobre as microrregies Serras do

Sudeste e Campanha Meridional.........................................................................
59
FIGURA 4 Aplicao da tcnica de contraste linear nas composies

coloridas MODIS, Blue (B), NIR (G), MIR (R) e Blue (B), MIR (G), NIR (R).........
60
FIGURA 5 USGS Global Visualization Viewer: interface para busca e

download de imagens do sensor MODIS.............................................................
62
FIGURA 6 Interface grfica do aplicativo MRT 4.0 utilizado na converso de

imagens MODIS para o formato GeoTiff..............................................................
63
FIGURA 7 Unidade amostral espacializada sobre as imagens Landsat e

MODIS e sua posterior sobreposio s imagens grade (MDT) para leitura do
valor mdio do NDVI.............................................................................................
66
FIGURA 8 Mapas de variveis estticas na microrregio Serras do

Sudeste................................................................................................................
72
FIGURA 9 Mapas de variveis estticas na microrregio Campanha

Meridional.............................................................................................................
73
FIGURA 10 Sequncia de procedimentos operacionais realizados para

converso de arquivos no aplicativo IDRISI 32....................................................
76
FIGURA 11 Sequncia de procedimentos operacionais realizados no

processo de modelagem na plataforma Dinamica EGO......................................
FIGURA 12 Obteno dos mapas diferena 1 e 2 para aplicao do
83
mtodo de similaridade fuzzy..............................................................................
85
FIGURA 13 Plotagem da comparao pareada entre as classes, obtida pelo

teste Tukey HSD, para as microrregies Serras do Sudeste e Campanha
Meridional.............................................................................................................
94
FIGURA 14 Mapeamento temtico obtido pelo processo de classificao

digital, microrregio Serras do Sudeste em 15/10/2000, 15/10/2004 e
15/10/2008............................................................................................................
99
FIGURA 15 Mapeamento temtico obtido pelo processo de classificao

digital, microrregio Campanha Meridional em 15/10/2000, 15/10/2004 e
15/10/2008............................................................................................................
100
FIGURA 16 Mapa ndice de vegetao na microrregio Serras do Sudeste

em 2000................................................................................................................ 106
em 2004................................................................................................................
107

em 2008................................................................................................................
108
FIGURA 19 Mapa ndice de vegetao na microrregio Campanha

Meridional em 2000..............................................................................................
109

Meridional em 2004..............................................................................................
110

Meridional em 2008..............................................................................................
111
FIGURA 22 Resultado da simulao anual entre 2008 e 2016 para a

microrregio Serras do Sudeste...........................................................................
124
FIGURA 23 Resultado da simulao anual entre 2008 e 2016 para a

microrregio Campanha Meridional.....................................................................
125
Figura 24 Evoluo da cobertura florestal na microrregio Serras do

Sudeste................................................................................................................. 128
Figura 25 Evoluo da cobertura florestal na microrregio Campanha
Meridional.............................................................................................................
128
LISTA DE TABELAS
TABELA 1 Qualidade da classificao digital segundo intervalos do

coeficiente Kappa.................................................................................................
31
TABELA 2 Faixas espectrais e espaciais do sensor Tematic Mapper.............
36
TABELA 3 Microrregies integrantes da rea de estudo e seus municpios....
53
TABELA 4 Dados socioeconmicos das microrregies Serras do Sudeste e

Campanha Meridional...........................................................................................
55
TABELA 5 Relao das cenas Landsat abrangentes da rea de estudo e as

respectivas datas analisadas................................................................................
58
TABELA 6 Descrio das classes de declividade do solo................................
70
TABELA 7 Parmetros calculados para o conjunto amostral dos valores

mdios do NDVI na microrregio Serras do Sudeste...........................................
87
TABELA 8 Parmetros calculados para o conjunto amostral dos valores

mdios do NDVI na microrregio Campanha Meridional.....................................
87
TABELA 9 Teste F aplicado aos valores mdios do NDVI, considerando um

mesmo perodo de anlise, nas microrregies Serras do Sudeste e Campanha
Meridional.............................................................................................................
89
TABELA 10 Teste de Shapiro-Wilks. aplicado aos valores NDVI referentes a

2000, 2004 e 2008 nas microrregies Serras do Sudeste e Campanha
Meridional..............................................................................................................
90
TABELA 11 ANOVA aplicada aos valores mdios do NDVI em 2000, 2004 e

2008
nas
microrregies
Serras
do
Sudeste
Campanha
Meridional.............................................................................................................
91
TABELA 12 Comparao pareada entre as classes, atravs do teste de

Tukey HSD nos diferentes perodos, para a microrregio Serras do Sudeste.....
TABELA 13 Comparao pareada entre as classes, atravs do teste de
92
Tukey HSD nos diferentes perodos, para a microrregio Campanha Meridional
93
TABELA 14 Qualidade da classificao digital de 15/10/2000 para a

microrregio Serras do Sudeste, avaliada pelo ndice Kappa..............................
95

96

96

microrregio Campanha Meridional, avaliada pelo ndice Kappa.........................
97

97

98
TABELA 20 Quantificao das classes temticas por meio da classificao

digital na microrregio Serras do Sudeste em 15/10/2000, 15/10/2004 e
15/10/2008............................................................................................................
101
TABELA 21 Quantificao das classes temticas por meio da classificao

digital na microrregio Campanha Meridional em 15/10/2000, 15/10/2004 e
15/10/2008............................................................................................................
101
TABELA 22 ndices calculados para o fatiamento das imagens MOD13Q1

produto NDVI, microrregio Serras do Sudeste em 2000, 2004 e 2008..............
102
TABELA 23 ndices calculados para o fatiamento das imagens MOD13Q1

produto NDVI, microrregio Campanha Meridional em 2000, 2004 e 2008.........
103
TABELA 24 rea total das classes de vegetao na microrregio Serras do

Sudeste.................................................................................................................
104
TABELA 25 rea total das classes de vegetao na microrregio Campanha

Meridional.............................................................................................................. 104
TABELA 26 Single step transition matrix para as microrregies Serras do
Sudeste e Campanha Meridional.......................................................................... 112
TABELA 27 Processos de converso entre as classes de vegetao nas
microrregies Serras do Sudeste e Campanha Meridional, nos dois perodos
de anlise, em valores de rea (ha).....................................................................
TABELA 28 Descrio das variveis dinmicas e estticas de maior
influncia nas transies da classe floresta na microrregio Serras do
113
Sudeste.................................................................................................................
116
TABELA 29 Descrio das variveis dinmicas e estticas de maior

influncia nas transies da classe floresta na microrregio Campanha
Meridional.............................................................................................................
117
TABELA 30 Valores dos ndices Cramer (V) e Incerteza de Informao

Conjunta (U) calculados para os modelos de simulao......................................
118
TABELA 31 Parmetros calibrados nos algoritmos expander e patcher nos

modelos de simulao para os perodos 2000 a 2004 e 2004 a 2008 nas
microrregies Serras do Sudeste e Campanha Meridional..................................
120
TABELA 32 ndices de similaridade fuzzy calculados atravs das funes de

decaimento constante e decaimento exponencial para distintos tamanhos de
janela...............................................................................................................
122
TABELA 33 rea total das classes de vegetao simuladas na modelagem

da microrregio Serras do Sudeste......................................................................
126
TABELA 34 rea total das classes de vegetao simuladas na modelagem

da microrregio Campanha Meridional.................................................................
126
TABELA 35 Processos de converso entre as classes de vegetao nas

microrregies Serras do Sudeste e Campanha Meridional entre 2008 e 2016,
em valores de rea (ha)........................................................................................
127
LISTA DE EQUAES E EXPRESSES

1
.
............................................................................................................
30
NDVI = (IVP V) / (IVP + V)....................................................... 33
EVI = G. (IVP-Vermelho)/(L+IVP+C1.Vermelho-C2.Azul)..................
34
P{F E1} = N {F E1} / N{T}..............................................................
44
P{E1 } = N { E1 } / N{T}...........................................................
44
P{FE1} = N {F E1} / N{E1}............................................................... 44
P{E1F} = P{ E1 F } / P{F}................................................................ 44
P{E1 } = P{ E1} / P{ }............................................................... 45
N{E1} = N{E1 F} + N {E1 }...........................................................
10
P{FE1} = P{F}* P{E1F} / P{E1F}* P{F} + P{E1 }* P{}................ 45
11
P{E1 E2} = P{E1 E2 F}* P{F} + P{ E1 E2 }* P{}....................
45
12
O{FE1} = O{F} * P{E1F} / P{E1}...................................................
46
45
13
log it {FE1} = log it {F} + W
46
14
log it {F1,} = log it {F} + W-................................................
46
15
(t+1) = P n . (t).............................................................................
48
............................................................................
48
17
Pij = aij / j aij........................................................................................
49
18
P = H. V. H-1........................................................................................
50
16
19
20
V=
X2 / T...........................................................................................
78
U (A,B) = 2 [ H(A) + H(B) H(A,B) / H(A) + H(B)]............................... 78
21
..................................................................... 84
.
22
.....................................................................
84
LISTA DE ABREVIATURAS E SIGLAS
ANOVA -
Analysis of Variance
AC -
Autmato Celular
ASC -
American Standard Code for Information
APP -
rea de Preservao Permanente
BGR -
Blue, Green, Red
CSR -
Centro de Sensoriamento Remoto
DPI -
Diviso de Processamento de Imagens
DSG -
Diretoria de Servio Geogrfico do Exrcito
DXF -
Drawing Interchange Format
EMBRAPA - Empresa Brasileira de Pesquisas Agropecurias

EOS -
Earth Observing System
EVI -
Enhanced Vegetation Index
GPS -
Global Position System
HDF -
Hierarchical Data Format
HSD -
Honestly Significant Differences
IBGE -
Instituto Brasileiro de Geografia e Estatstica
IDH -
ndice de Desenvolvimento Humano
INPE -
Instituto Nacional de Pesquisas Espaciais
IV -
Infravermelho
LEGAL -
Linguagem Espacial para Geoprocessamento Algbrica
MaxVer -
Mxima Verossimilhana
MIR -
Mid Infrared
MNT -
Modelo Numrico do Terreno
MODIS -
Moderate Resolution Imaging Spectroradiometer
MRT -
Modis Reprojection Tool
NASA -
National Aerospace and Space Administration
NDVI -
Normalized Difference Vegetation Index
NIR -
Near Infrared
PIXEL -
Picture element
RDC -
Idrisi Raster Documentation File
RST -
Idrisi Raster Format
SIG
Sistema de Informao Geogrfica
SPRING -
Sistema de Processamento de Informaes Georreferenciadas
SRTM -
Shuttle Radar Topography Mission
TIFF -
Tagged Image File Format
TM -
Tematic Mapper
UFSM -
USGS -
United States Geological Survey
WGS -
World Geodetic System 1984
m -
Micrmetro
LISTA DE APNDICES
APNDICE A Valores mdios do NDVI por unidade amostral tomados como

referncia para o ano de 2000 na microrregio Serras do Sudeste....................
143
APNDICE B Valores mdios do NDVI por unidade amostral tomados como

145
APNDICE C Valores mdios do NDVI por unidade amostral tomados como

147
APNDICE D Valores mdios do NDVI por unidade amostral tomados como

referncia para o ano de 2000 na microrregio Campanha Meridional...............
149
APNDICE E Valores mdios do NDVI por unidade amostral tomados como

151
APNDICE F Valores mdios do NDVI por unidade amostral tomados como

153
APNDICE G Pesos de Evidncia (W) para cada faixa de distncia das

variveis em relao s transies na microrregio Serras do Sudeste entre
2000 e 2004.........................................................................................................
155
APNDICE H Pesos de Evidncia (W) para cada faixa de distncia das

variveis em relao s transies na microrregio Serras do Sudeste entre
2004 e 2008.........................................................................................................
158
APNDICE I Pesos de Evidncia (W) para cada faixa de distncia das

variveis em relao s transies na microrregio Campanha Meridional
entre 2000 e 2004................................................................................................
161
APNDICE J Pesos de Evidncia (W) para cada faixa de distncia das

variveis em relao s transies na microrregio Campanha Meridional
entre 2004 e 2008................................................................................................
164
SUMRIO
1 INTRODUO..........................................................................................
20
1.1 Mudanas na regio da Metade Sul....................................................
20
1.2 Contextualizao da modelagem dinmica.......................................
21
1.3 Anlise temporal da vegetao...........................................................
22
1.4 Objetivo geral........................................................................................
23
1.5 Objetivos especficos...........................................................................
24
1.6 Hipteses da pesquisa.........................................................................
24
2 FUNDAMENTAO TERICA................................................................
26
2.1 Sensoriamento Remoto.......................................................................
26
2.1.1 Sistemas sensores imageadores........................................................
31
2.1.1.1 O Sensor MODIS e o produto MOD13.............................................
32
2.1.1.2 O Satlite Landsat............................................................................
34
2.2 Geoprocessamento e Sistemas Geogrficos de Informao...........
36
2.3 Dinmica de uso e cobertura da terra................................................
39
2.4 Modelagem dinmica espacial............................................................
41
2.4.1 Modelos estocsticos de simulao....................................................
43
2.4.1.1 Mtodo dos pesos de evidncia.......................................................
43
2.4.1.2 Modelagem atravs de Autmatos Celulares...................................
47
2.4.1.3 Mtodos de prognose usando cadeias de Markov...........................
48
2.4.2 Modelos computacionais.....................................................................
51
2.4.2.1 O simulador Dinamica EGO...........................................................
51
3 MATERIAL E MTODOS.........................................................................
53
3.1 Caractersticas das reas de estudo..................................................
53
3.1.1 Localizao..........................................................................................
53
3.1.2 Aspectos fsicos e socioeconmicos...................................................
54
3.2 Material..................................................................................................
56
3.3 Elaborao do banco de dados espaciais.........................................
57
3.3.1 Processamento de imagens Landsat..................................................
57
3.3.2 Processamento de imagens MODIS...................................................
61
3.4 Estratgia amostral para obteno dos mapas de vegetao.........
64
3.5 Mapeamento temtico atravs de classificao digital....................
67
3.6 Elaborao dos mapas ndice de vegetao.....................................
67
3.7 Elaborao dos mapas temticos estticos......................................
68
3.7.1 Mapas de rede hidrogrfica.................................................................
68
3.7.2 Mapas de rede viria...........................................................................
68
3.7.3 Mapas de localizao de centros urbanos..........................................
69
3.7.4 Mapas clinogrficos.............................................................................
69
3.7.5 Mapas de densidade populacional......................................................
70
3.7.6 Mapas de sub-bacias hidrogrficas.....................................................
71
3.8 Converses necessrias ao processo de modelagem.....................
74
3.8.1 Uso do aplicativo Idrisi.........................................................................
74
3.8.2 Uso do aplicativo ErMapper Earth Resource Mapping.
77
3.9 Modelagem de dados espaciais no Dinamica EGO........................
78
3.9.1 Seleo das variveis integrantes do modelo.....................................
78
3.9.2 Processos de calibrao e simulao.................................................
79
3.9.3 Teste de validao estatstica dos modelos........................................
84
4 RESULTADOS..........................................................................................
86
4.1 Anlise amostral...................................................................................
86
4.2 Mapeamento atravs da classificao digital de imagens...............
95
4.3 Mapas ndice de vegetao.................................................................
102
4.4 Transies nas classes de vegetao................................................ 112

4.5 Modelagem dinmica e simulaes anuais.......................................
115
4.6 Validao do modelo de simulao.................................................... 121

4.7 Simulao de cenrios futuros...........................................................
123
5 CONCLUSO...........................................................................................
130
5.1 Mapeamento utilizando o NDVI do sensor MODIS............................
130
5.1.1 Mudanas na cobertura florestal.........................................................
131
5.2 Simulaes atravs de modelagem dinmica...................................
132
5.3 Principais contribuies e aplicaes desta pesquisa....................
132
6 REFERNCIAS BIBLIOGRFICAS......................................................... 134

7 APNDICE................................................................................................
142
20
1 INTRODUO
1.1 Mudanas na regio da Metade Sul
Historicamente, a Metade Sul do estado do Rio Grande do Sul constitui-se em

uma regio essencialmente agrria, de economia consolidada na pecuria extensiva
e na rizicultura. Ao longo do tempo, a improdutividade dos latifndios e a
inexpressiva contribuio dos setores industriais vm, sobremaneira, contribuir com
os baixos ndices de desenvolvimento regional, verificados desde a dcada de 1930.
A pobreza econmica e cultural da Metade Sul tem suas origens na forma de
distribuio territorial adotada pelo Imprio, na qual eram concedidas vastas
extenses de terra, denominadas sesmarias, a alguns poucos proprietrios
conhecidos como estancieiros.
Dados da Fundao de Economia e Estatstica - FEE (2009) mostram que
desde o ano de 1939, a Metade Sul passou a ter uma participao inferior no
produto interno bruto do estado. Parte deste fato decorre do conservadorismo dos
proprietrios de terras que no tm por hbito diversificar sua produo, seja pela
inadequao do solo para alguns cultivos, seja pela distncia aos centros
consumidores e de pouca inter-relao comercial, concentrao de renda na mo de
poucos e mesmo pela insuficincia da rede viria (CORONEL et al., 2007).
A pecuria, considerada a base da Metade Sul, h tempos vem reduzindo
sua taxa de expanso e freando o crescimento da regio. Soma-se a isto, a falta de
empreendedorismo e inovao tecnolgica. A estrutura urbana da maioria dos
municpios da Metade Sul compreende uma populao de baixo poder aquisitivo,
composta por descendentes de escravos e antigos pees de estncia.
Mais recentemente, o tema crescimento da Metade Sul passou a ter
demasiada importncia e repercusso estadual. O anncio de novos setores de
investimentos promete dar incio a um novo ciclo de desenvolvimento da regio. Tais
perspectivas devero, ao longo do tempo, alterar o cenrio de estagnao
econmica e a realidade das comunidades locais.
21
No ano de 2003, foi lanado pelo governo do Rio Grande do Sul o Programa
Estadual de Florestamento que, dentre outros objetivos, previa fomentar o
florestamento comercial em municpios da Metade Sul atravs da implantao de 40
mil hectares de macios florestais, podendo gerar, at 2014, uma receita bruta de
R$ 200 milhes aos produtores (SANTOS et al., 2007).
Desde esse perodo, a Metade Sul tem sido foco de investimentos por parte
de empresas multinacionais do setor de celulose e papel, as quais podero tornar a
regio um polo para o suprimento de demandas do setor papeleiro.
No entanto, a recesso internacional, em 2009, fez com que as empresas
papeleiras recuassem seus investimentos, aps a aquisio de uma grande
quantidade de terras e de serem apontadas como soluo para os problemas
econmicos da regio. Atualmente, muito embora vrias das predies com
relao consolidao de uma cadeia de base produtiva no setor florestal no
tenham se confirmado, as aes efetivadas nos processos de implantao florestal
j acarretam mudanas na paisagem regional.
A expanso da silvicultura envolve a situao ambiental de uma grande rea
do territrio gacho, o Bioma Pampa. Neste enfoque, uma das questes reside em:
como avaliar a dinmica dessa paisagem? E, ainda, como monitorar processos de
transio entre o bioma original campo e a cobertura florestal?
Certamente, a busca pelo desenvolvimento da Metade Sul passa pelo
entendimento de quais fatores so determinantes no processo de mudana do
ecossistema original, e esforos cientficos integrados nesse sentido, podero servir
como subsdio ao planejamento regional.
1.2 Contextualizao da modelagem dinmica
At recentemente, as pesquisas cientficas realizadas tm sido voltadas para

construir um modelo espacial adequado para representar a realidade geogrfica, de
modo que a maioria dos sistemas computacionais trata apenas de uma reproduo
esttica e invarivel da mesma, que desconsidera fenmenos inerentemente
dinmicos como, por exemplo, mudanas na paisagem.
22
Nesse sentido, o propsito da modelagem dinmica simular mudanas

espao-temporais nos atributos do meio ambiente e atreladas a um territrio
geogrfico. Sua concepo permite o entendimento dos mecanismos influentes que
determinam a funo de mudana e, assim, avaliar como um sistema evolui diante
de um conjunto de circunstncias definidas pelo modelador.
A afirmao de Burrough e McDonnel (1998), que define um modelo espacial
dinmico como sendo uma representao matemtica de um processo do mundo
real em que uma localizao na superfcie terrestre muda em resposta a variaes
nas foras direcionadoras, sintetiza a superao da modelagem em relao s
limitaes das atuais ferramentas de geoinformao.
Quando utilizada para o estudo de fenmenos de transio de classes da
paisagem, a modelagem dinmica torna-se uma ferramenta til ao planejamento,
uma vez que possibilita a simulao de cenrios futuros.
No Brasil, pesquisas de maior relevncia no meio cientfico tratam da
modelagem de fenmenos de desmatamento, principalmente na regio Amaznica,
destacando-se trabalhos de Soares-Filho et al. (2002) e Aguiar (2006). Sobre a
dinmica de reas urbanas, destaca-se o trabalho de Almeida (2003). Hendges
(2007) procurou desenvolver um modelo adequado para representar a dinmica
florestal no estado do Rio Grande do Sul, projetando a expanso de reas florestais
para o ano de 2020.
1.3 Anlise temporal da vegetao
A modelagem dinmica pode ser precedida de uma anlise temporal

realizada atravs de imagens de satlite, a qual permite explorar mudanas
decorridas na rea sob anlise, em geral pelo registro de informaes sob o formato
de um mapa.
Neste sentido, a utilizao de produtos oriundos de sensores remotos pode
fornecer um inventrio sistemtico dos temas de interesse. Os mapas produzidos em
uma srie histrica serviro como subsdio para determinar o processo de mudana,
de modo a alimentar o modelo dinmico, o qual tem como premissa conhecer as
taxas de transio entre as classes de uso e cobertura observadas.
23
Uma forma usual de se obter mapas temporais que denotam a paisagem

constitui-se no emprego da tcnica de classificao digital, processo no qual os
temas de interesse so categorizados em classes temticas de acordo com critrios
subjetivos da viso humana. Esse processo, no entanto, torna-se oneroso e muito
mais susceptvel ao erro quando nele forem utilizados produtos orbitais de mdia e
baixa resoluo espacial. Como exemplo, citam-se os subprodutos do sensor
MODIS que, em contrapartida baixa resoluo espacial, disponibilizam
informaes de alta periodicidade em uma escala global. crescente o uso desse
instrumento para mapear periodicamente atributos do meio ambiente, com notvel
destaque para o monitoramento da cobertura vegetal.
O sensor MODIS apresenta caractersticas que conferem capacidades
superiores de descrio do comportamento espectral da vegetao (Rudorff et al.,
2007) e, dentre as tcnicas utilizadas para tal avaliao, o estudo dos ndices de
vegetao (IV) mostra-se como uma das mais eficientes. O maior benefcio ao
analista de imagens do sensor MODIS a disponibilidade do IV registrado
diretamente em uma imagem digital, a qual possibilita a inferncia sobre as
condies da vegetao.
Baseando-se nessas informaes, pretende-se, na presente pesquisa, utilizar
o produto MOD13Q1 do sensor MODIS, para produzir mapas temporais que
descrevam o comportamento espectral da vegetao a partir do ndice de Vegetao
por Diferena Normalizada (NDVI) e, com base nesse IV, discriminar as tipologias:
floresta, regenerao, campo e solo sem vegetao, de modo que tais informaes
passem a servir como base para a execuo do modelo espacial dinmico.
1.4 Objetivo geral

Em vista do exposto, o objetivo geral dessa pesquisa constitui-se na aplicao
de uma ferramenta para a modelagem da dinmica da vegetao, com vistas
cobertura florestal, em duas microrregies da Metade Sul do Rio Grande do Sul, no
perodo de 2000 a 2008 e, com base nesse modelo, efetuar a projeo de cenrios
futuros.
24
1.5 Objetivos especficos
1) Monitorar o comportamento do ndice de vegetao nas reas de estudo, com

base em uma srie temporal de imagens MODIS, produto MOD13Q1 dos anos
2000, 2004 e 2008.
2) Definir limiares de referncia, quanto ao ndice de vegetao, adequados aos
temas da paisagem nas reas de estudo e, com base nesses valores, produzir
mapas que caracterizem a vegetao.
3) Aplicar uma ferramenta de modelagem dinmica para simular processos de
transio na vegetao ocorridos durante o perodo de anlise.
4) Avaliar como a presena dos fatores clinografia do terreno, rede viria, rede
hidrogrfica, limite de sub-bacias, densidade populacional e zonas urbanas
contribuem para a dinmica espacial-temporal da cobertura florestal nas reas de
estudo.
5) E, com base no modelo dinmico, projetar simulaes futuras, de intensidade e
localizao de mudanas na vegetao das duas microrregies.
1.6 Hipteses da pesquisa
A presente pesquisa postulada pelas hipteses descritas a seguir:

vivel a utilizao de imagens de baixa resoluo espacial (250 metros)
para a extrao de informaes temticas acerca da paisagem, permitindo ento o
monitoramento de sua dinmica espao-temporal?
Se a primeira hiptese for confirmada, possvel estabelecer uma relao
direta entre os temas da paisagem e o ndice de vegetao disponibilizado pelo
produto MOD13Q1, podendo utilizar esse produto diretamente para obteno de
25
mapas temticos, e compensar assim sua baixa resoluo espacial e favorecer-se

de sua alta periodicidade e cobertura em escala global?
Sendo as duas hipteses anteriores verdadeiras, ser possvel identificar
variveis que influenciem as transies estabelecidas entre a vegetao, sobretudo
aquelas determinantes para a dinmica da cobertura florestal nas microrregies de
estudo?
Caso as hipteses anteriores sejam plausveis, possvel ento alimentar um
modelo estocstico de simulao com os mapas ndice de vegetao, para ento
se obter cenrios que descrevam o processo de mudana bem como as taxas de
transio verificadas na vegetao durante o perodo analisado?
E, finalmente, se todas as hipteses anteriores forem confirmadas, ser
vivel, atravs do modelo de simulao, gerar prognsticos sobre a paisagem nas
reas de estudo, espacializando informaes sobre seus processos de expanso
e/ou reduo, se consideradas as variveis determinantes?
26
2 FUNDAMENTAO TERICA
Este captulo tem como objetivo apresentar uma literatura introdutria aos
principais tpicos desta pesquisa. Inicialmente, sero abordadas conceituaes de
cincias que embasam o processo de modelagem dinmica, tema central desta
tese; fundamentos de Sensoriamento Remoto, Geoprocessamento e Sistemas
Geogrficos de Informao so abordados no intuito de esclarecer conceitos que
sero, posteriormente, abordados na metodologia e nos resultados do trabalho.
Em seguida, feita uma abordagem sobre a anlise dos padres de uso e
cobertura da terra e seus possveis processos de transio, enfocando sua
possibilidade de espacializao atravs de modelos dinmicos.
O fechamento deste captulo dedicado modelagem dinmica espacial e as
principais teorias e fundamentaes que forneceram diretrizes metodologia
utilizada, incluindo o mtodo dos pesos de evidncia, os Autmatos Celulares (AC) e
as cadeias de Markov. Ao fim desta seo, apresentado o aplicativo computacional
Dinamica EGO, plataforma sob a qual foram conduzidas as simulaes desse
estudo.
2.1 Sensoriamento Remoto

Sensoriamento Remoto a utilizao conjunta de modernos sensores,
equipamentos para processamento de dados, equipamentos de transmisso
de dados, aeronaves, espaonaves etc., com o objetivo de estudar o
ambiente terrestre atravs do registro e da anlise das interaes entre a
radiao eletromagntica e as substncias componentes do planeta Terra e
as suas mais diversas manifestaes (NOVO, 1998, p. 2).
Segundo Rocha (2000), as informaes oriundas dos sistemas sensores

remotos constituem imagens que, por sua vez, possuem alguns parmetros
inerentes, como: resoluo espacial, resoluo espectral, resoluo radiomtrica,
resoluo temporal e largura da faixa imageada, que varia de acordo com o satlite
imageador.
27
A resoluo espacial, conforme Silva (1995), o menor elemento de rea

que um sistema sensor capaz de distinguir. Ela determina se o alvo pode ser
identificado na imagem em funo de seu tamanho. Crsta (1992) afirma que esta
resoluo est diretamente relacionada com o tamanho do pixel da imagem, ou seja,
uma determinada quantidade em metros quadrados de rea no terreno que o sensor
capaz de imagear.
A resoluo espectral um conceito inerente s imagens multiespectrais,
sendo definida pelo nmero de bandas espectrais de um sistema sensor e pela
amplitude do intervalo de comprimento de onda de cada banda. O sistema ptico
(espelhos e lentes) decide em que parte do espectro o sensor ser capaz de receber
a radiao refletida ou emitida pela superfcie terrestre, e o tipo do detector
responsvel pela sensibilidade e pelo intervalo espectral de cada banda (MOREIRA,
2005).
A resoluo radiomtrica, para Silva (1995), representa a menor diferena
de brilho que um sistema sensor capaz de perceber, determinando se o alvo pode
ser visto na imagem em funo de seu contraste com alvos vizinhos. Est
relacionada ao nmero de nveis de cinza usados para expressar os dados
coletados pelo sensor, considerando que, quanto maior o nvel de cinza, maior a
resoluo radiomtrica.
A resoluo temporal conceituada como sendo a frequncia com a qual
um sistema sensor capaz de imagear um alvo, determinando o perodo mnimo a
ser aguardado para um novo imageamento. importante para a identificao de
processos que se modificam de forma dinmica, permitindo o monitoramento desses
recursos (SILVA, 1995).
Conforme Rocha (2000), um sistema sensor imageador produz uma imagem
bidimensional da radincia, emitncia ou retroespalhamento destas trocas
energticas, em determinado instante e espao fsico, extraindo informaes sobre
uma determinada regio.
Uma imagem digital, segundo Crsta (1992), constitui-se de um arranjo de
elementos sob a forma de uma malha ou matriz. Cada elemento denominado pixel,
derivado do ingls picture element, e sua localizao definida por um sistema de
coordenadas tipo linha e coluna, representadas por x e y. Para um mesmo
sistema sensor, cada pixel corresponde a uma rea de iguais dimenses na
superfcie terrestre, que possui ainda um atributo z de reflectncia de radiao
28
solar nas diversas bandas eletromagnticas. Esses valores so transformados em

tons de cinza, resultando em imagem do terreno naquele comprimento de onda da
banda selecionada.
Os produtos oriundos do Sensoriamento Remoto podem ser submetidos a
diferentes tcnicas de processamento. Para Rechiuti (1996), o processamento digital
de imagens entendido como a manipulao e anlise de uma imagem por
computador, de modo que a entrada e a sada do processo sejam imagens, sendo
que a finalidade deste processamento extrair informaes de imagens e
transformar essas informaes de tal modo que sejam mais facilmente discernveis.
Crsta (1992) complementa que o processamento digital de imagens trata
especificamente das tcnicas utilizadas para identificao, extrao, condensao e
realce da informao de interesse para determinados fins, a partir de uma enorme
quantidade de dados que usualmente compem essas imagens. O resultado desse
processo a produo de outras imagens contendo informaes especficas,
extradas e realadas a partir das imagens brutas.
As tcnicas de processamento de imagens podem ser classificadas em trs
grupos (NOVO, 1998): tcnicas de pr-processamento, tcnicas de realce e tcnicas
de classificao.
O pr-processamento das imagens trata do conjunto de tcnicas que
permitem a transformao de dados digitais em dados corrigidos radiomtrica e
geometricamente. As operaes de correo radiomtrica, conforme Richards
(1993), visam minimizar diferenas entre os nveis de cinza registrados por uma
matriz de detectores, originados pela instrumentalizao utilizada e pela influncia
da atmosfera.
As tcnicas de realce de uma imagem tm por objetivo melhorar a
visualizao da cena. Novo (1998) cita as tcnicas mais utilizadas:
- manipulao de contraste: usada para facilitar a discriminao visual de
caractersticas da cena com baixo contraste;
- filtragem espacial: so transformaes na imagem pixel a pixel, que no
dependem apenas do nvel de cinza de um determinado pixel da imagem original,
mas tambm do valor dos nveis de cinza dos pixels vizinhos;
- rotao de imagens: realizada atravs de transformaes lineares e nolineares dos pixels de uma cena, visando melhorar a visualizao dos objetos de
interesse.
29
J a classificao digital de imagens consiste no estabelecimento de um

processo de deciso, no qual um grupo de pixels definido como pertencente a uma
determinada classe. Neste sentido, os sistemas computacionais auxiliam o usurio
na interpretao das imagens orbitais (VENTURIERI e SANTOS, 1998).
Para Crsta (1992), classificar imagens de Sensoriamento Remoto associar
a cada pixel uma informao qualitativa (atributo), na qual os valores de nvel de
cinza que cada pixel possui podem ser associados reflectncia dos materiais que
compem o terreno, estando cada pixel ou conjunto de pixels associados a uma
classe ou tema.
Na classificao digital de imagens, os valores dos nveis de cinza so
categorizados ou rotulados, utilizando-se algoritmos estatsticos de programas
computacionais para o reconhecimento de padres espectrais. Conforme o algoritmo
utilizado neste procedimento, a classificao dita supervisionada ou nosupervisionada, envolvendo duas fases distintas: o treinamento e a fase de
classificao propriamente dita (MOREIRA, 2005).
Na classificao supervisionada, utilizada nesta pesquisa, foi necessria a
tomada de amostras de treinamento para as classes temticas avaliadas. Richards
(1993) indica um mnimo de (N+1) amostras para cada classe, sendo o N o nmero
de bandas espectrais que integram a imagem utilizada no processo de classificao.
Nessa etapa, utilizou-se o algoritmo de mxima verossimilhana MaxVer,
que associa sempre os pixels determinada categoria por meio do grau de
associao booleano (0 ou 1).
Para Venturieri e Santos (1998), este algoritmo baseia-se no clculo da
distncia estatstica entre cada pixel e a mdia dos nveis de cinza da classe
previamente definida a partir das amostras de treinamento, cuja seleo deve refletir
na variabilidade de cada categoria pertencente rea estudada, no existindo um
nmero ideal destas amostras para representar a classe de interesse.
Os resultados da classificao digital podem, por sua vez, ser avaliados. Um
dos parmetros mais utilizados e eficientes para quantificar a exatido de
levantamentos, segundo Congalton e Green (1999), o coeficiente Kappa (K),
obtido mediante a adoo de uma referncia para comparao dos mapeamentos
produzidos, e neste caso, a anlise da exatido obtida atravs de matrizes de
confuso ou matrizes de erro, que apresentam a distribuio de percentagem de
pixels classificados correta e erroneamente, sendo posteriormente calculado o ndice
30
Kappa de concordncia. A confiabilidade da matriz de erros depende da

amostragem, registro e conhecimento, sendo importante que a amostra de
treinamento seja homognea e representativa da classe de interesse.
Congalton (1992) destaca que o ndice Kappa um coeficiente baseado na
diferena entre a concordncia observada (diagonal principal da matriz de confuso
com a concordncia entre a classificao e os dados de referncia) e a chance de
concordncia entre os dados de referncia de uma classificao aleatria (produto
entre os totais marginais da matriz). A equao que fornece o valor de Kappa
apresentada a seguir:
. (1)
Em que:
r = nmero de classes;
xij = nmero de elementos classificados corretamente;
xi+ = total de elementos classificados para uma categoria i;
x+i = total de elementos de referncia amostrados para uma categoria i;
N = nmero total de amostras.
O valor do coeficiente de Kappa varia entre -1 e 1; o valor 1 representa uma

completa concordncia entre a imagem classificada com o dado de referncia.
O valor K pode ser comparado com os valores e conceitos contidos na Tabela
1, desenvolvidos por Landis e Koch (1977), podendo, dessa forma, avaliar o mapa
temtico obtido a partir da classificao da imagem.
31
Tabela 1 Qualidade da classificao segundo intervalos do coeficiente Kappa.

Valor do Kappa
Qualidade da Classificao
< 0,00
Pssima
0,0 0,20
Ruim
0,20 0,40
Razovel
0,40 0,60
Boa
0,60 0,80
Muito Boa
0,80 1,00
Excelente
Fonte: Landis e Koch (1977).
2.1.1 Sistemas sensores imageadores
Os sistemas sensores so dispositivos capazes de captar, registrar e

processar a radiao de determinada faixa do espectro eletromagntico, gerando um
produto (imagem) em uma forma adequada para ser interpretada pelo usurio.
Segundo Eastman (1998), podem ser divididos em dois grandes grupos:
passivos ou ativos. Os sensores passivos medem nveis de fonte de energia
existentes, enquanto os sensores ativos tm sua prpria fonte de energia como, por
exemplo, um flash fotogrfico.
A maior parte do Sensoriamento Remoto se utiliza de sensores passivos, para
os quais o Sol a principal fonte de energia. Porm, nem todos os sensores
passivos usam a energia do Sol, alguns sensores no infravermelho termal e
sensores de micro-ondas passivos medem emisses de energia terrestre.
Para Lazzaroto (2005), as informaes resultantes da interao da energia
eletromagntica com objetos da superfcie terrestre, a ser captada pelos sensores,
pode ser refletida, transmitida, absorvida ou emitida pela superfcie e, a partir destas
interaes, so derivadas informaes importantes sobre caractersticas fsicas
(dimenso, forma, temperatura, cor) e qumicas (composio) dos alvos em estudo.
32
2.1.1.1 O sensor MODIS e o produto MOD13
As descries a seguir foram retiradas de Rudorff et al. (2007), obra na qual

so abordadas inmeras aplicaes do sensor MODIS. Segundo os autores, atribuise a este instrumento a gerao de produtos de alta qualidade, j com correes
atmosfrica, radiomtrica e geomtrica.
O MODIS constitui-se no principal sensor a bordo das plataformas Terra e
Aqua, projetado para fornecer observaes globais da superfcie terrestre, oceano e
atmosfera, nas regies compreendidas entre 0,4 e 14,4 m do espectro
eletromagntico, com resoluo espacial variando de 250 m a 1 km e subdiviso em
36 bandas espectrais, destinadas a diferentes aplicaes, subdivididas em 44
produtos (para maiores informaes ver RUDORFF et al., 2007, p. 15).
Para os autores, a varredura de 55o para cada lado, na rbita de 705 km de
altura, resulta em uma faixa imageada de 2.330 km (ortogonal) por 10 km (direo
de voo no nadir), com cobertura global a cada dois dias.
Os produtos gerados por esse sensor seguem determinada hierarquia que vai
desde o nvel 0 (produtos sem tratamento e no disponveis aos usurios), nvel
1A" (produtos que contm 36 bandas como dados de entrada para geolocalizao,
calibrao e processamento); nvel 1B (produtos que contm os dados de
calibrao e geolocalizao para as 36 bandas geradas pelo nvel 1A); nvel 2
(produtos derivados de radincias calibradas de produtos prvios MODIS); nvel 3
(produtos espacialmente reamostrados); at o nvel 4 (produtos gerados pela
incorporao dos dados MODIS em modelos para estimar variveis geofsicas).
Seus produtos esto disponveis gratuitamente via internet, CD-ROM ou DVD,
atravs dos centros de pesquisa da NASA (RUDORFF et al., 2007).
O produto MOD13 contm os ndices de vegetao NDVI (Normalized
Difference Vegetation Index) e EVI (Enhanced Vegetation Index) produzidos em
escala global nas resolues 1 km, 500 m e 250 m em composies de imagens ou
mosaicos de 16 dias. Os ndices produzidos pelo MOD13 permitem realizar estudos,
tanto ao longo do tempo quanto no espao, sobre as condies da cobertura
vegetal,
descrevendo
reconstituindo
dados
de variaes
fenolgicas
discriminando variaes interanuais na vegetao nas escalas global e regional

(RUDORFF et al., 2007).
33
As imagens ndices de vegetao (IV) so derivadas a partir das respostas

espectrais oriundas da superfcie terrestre, e a reflectncia da cobertura vegetal
depende das propriedades estruturais e pticas da vegetao e do solo. A
reflectncia na faixa do vermelho (0,55 0,70 m) reduz com o aumento do ndice
de rea foliar, enquanto que na faixa do infravermelho prximo (0,70-1,30 m)
verificado que a reflectncia diretamente proporcional ao aumento do ndice de
rea foliar (MATSUMOTO E BITTENCOURT, 2001).
O ndice de Vegetao por Diferena Normalizada (NDVI) mais sensvel
presena de clorofila e outros pigmentos da vegetao responsveis pela absoro
da radiao solar na banda do vermelho, enquanto que o EVI mais sensvel
variao na estrutura do dossel, incluindo o LAI (Leaf Area Index), a fisionomia da
planta e a arquitetura do dossel (HUETE et al., 2002).
O NDVI uma relao entre as reflectncias () das bandas do infravermelho
prximo (IVP) e do vermelho (V), que visam eliminar diferenas sazonais do ngulo
de elevao solar e minimizar os efeitos da atenuao atmosfrica em imagens
multitemporais. Constitui o ndice mais utilizado nos diversos estudos sobre a
vegetao que envolvem o uso dos dados de Sensoriamento Remoto (MOREIRA,
2005).
expresso pela razo entre a diferena da medida da reflectncia () nos
canais do infravermelho prximo (0,70 1,30 m) e do vermelho (0,55 0,70 m) e
a soma desses canais (ROUSE et al., 1974), ou seja:
NDVI = (IVP V) / (IVP + V).
(2)
Em que:
IVP corresponde resposta espectral do pixel na banda do infravermelho
prximo, e V corresponde resposta espectral do pixel na banda do vermelho
visvel.
O valor deste IV pode variar em uma escala entre 1 a +1 (quanto mais
prximo de 1, maior a densidade de cobertura vegetal), sendo que o 0 representa o
valor aproximado para ausncia de vegetao. O NDVI tem se mostrado bastante
til na estimativa de parmetros biofsicos da vegetao, e o seu ponto forte o
conceito de razo que reduz vrias formas de rudos multiplicativos, como diferenas
de iluminao, sombra de nuvens, atenuao atmosfrica, certas variaes
34
topogrficas (SILVA, 2004). Uma peculiaridade atribuda ao NDVI a rpida

saturao que o torna insensvel ao aumento da densidade do dossel. Os valores
NDVI estabilizam-se em um patamar independente do aumento da densidade do
dossel (ROSENDO, 2005).
O ndice de vegetao melhorado (EVI) foi desenvolvido para otimizar o sinal
de resposta da vegetao, melhorando a sensibilidade em regies com maiores
densidades de biomassa, alm de propiciar o monitoramento da vegetao atravs
de uma ligao do sinal de fundo do dossel e a reduo das influncias
atmosfricas. O EVI pode ser calculado atravs da seguinte equao (JUSTICE et
al., 1998):
EVI = G. (IVP-Vermelho)/(L+IVP+C1.Vermelho-C2.Azul).
(3)
Em que:
L o fator de ajuste para o solo; C1 e C2 so os coeficientes de ajuste para o
efeito de aerossis na atmosfera e G o fator de ganho. Segundo Huete et al.
(1997) e Justice et al. (1998), os valores dos coeficientes utilizados pelo algoritmo do
EVI so: L=1, C1=6, C2=7,5 e G=2,5.
2.1.1.2 O satlite Landsat
O Satlite Landsat teve origem na anlise de dados multiespectrais

adquiridos durante a misso Apolo 9 (plataforma espacial tripulada) e das
observaes fotogrficas obtidas a partir dos voos orbitais Mercury e Gemini (SILVA,
1995). Segundo Rocha (2000), foi colocado em rbita, em 1972, com o nome de
Earth Resources Techological Satellite-1 (ERTS-1), obtendo um desempenho to
significativo que foi transformado na srie Landsat a partir de 1975.
Os modelos 1, 2 e 3 do Landsat eram equipados com um sensor Return
Beam Vidicom (RBV), constitudo de trs cmaras espectrais, com uma resoluo
geomtrica de aproximadamente 80 metros, e com um sensor MSS (Multiespectral
35
Scanner), com quatro cmeras espectrais (duas no visvel e duas no infravermelho

prximo) e uma resoluo tambm de 80 metros.
Em 1984, logo aps o lanamento do Landsat-4, o mesmo foi desativado
devido ao mau funcionamento, e a NASA lanou o Landsat-5, com um novo sistema
sensor a bordo, o Thematic Mapper (TM), que incorporou uma tecnologia mais
avanada que o MSS e passou a registrar dados em sete canais ou sete bandas
espectrais (trs no visvel, um no infravermelho prximo, dois no infravermelho
mdio e um no infravermelho termal), com resoluo espacial de 30 metros (exceto
para o canal termal, que 120 metros). Em 1994, houve uma tentativa de
lanamento do Landsat-6, mas a plataforma no chegou a entrar em rbita, tendo
cado no mar (SILVA, 1995).
Em continuao ao programa, o governo norte-americano lanou o satlite
Landsat-7, em 15 de abril de 1999, que entrou em rbita com o sensor denominado
Enhanced Thematic Mapper Plus (ETM+) (NASA, 2008). Uma imagem Landsat-7
ETM+ composta por 8 bandas espectrais que podem ser combinadas em inmeras
possibilidades de composies coloridas e opes de processamento.
Entre as principais melhorias tcnicas, se comparado ao satlite Landsat-5,
destacam-se a adio de uma banda espectral pancromtica com resoluo de 15
metros, melhorias nas caractersticas geomtricas e radiomtricas e o aumento da
resoluo espacial da banda termal para 60 metros. Esses avanos tecnolgicos
habilitam o Landsat-7 para a gerao de imagens de satlites com aplicaes
diretas at a escala 1:25.000 (NASA, 2008).
Os satlites Landsat tm o mesmo perodo de revisita (16 dias), a mesma
grade de referncia (WRS-2) e a mesma rea imageada (185 x 185 km por cena). A
conservao destes parmetros tcnicos entre as sries facilita o processo de
pesquisa de imagens, que pode ser feito com a mesma grade de referncia e a
perfeita integrao no processamento das imagens do Landsat-7 com dados
histricos do Landsat-5, existentes desde 1985, no caso de utilizao de dados
simultaneamente no mesmo projeto para a mesma rea como, por exemplo, em um
estudo multitemporal. Cada banda desta srie de satlites representa a resposta em
uma faixa espectral, como define Moreira (2005). Na Tabela 2, constam as principais
caractersticas espectrais e espaciais do sensor TM (NASA, 2008).
36
Tabela 2 Faixas espectrais e espaciais do sensor Tematic Mapper.

Bandas
Faixa espectral (m)
Regio do Espectro
1
0,45 0,52
2
0,53 0,61
3
0,63 0,69
4
0,78 0,90
5
1,55 1,75
6
10,4 12,5
7
2,09 2,35
Fonte: MOREIRA (2005). Adaptado pela autora.
Azul
Verde
Vermelho
IV Prximo
IV mdio
IV termal
IV mdio
Resoluo espacial
(metro x metro)
30
30
30
30
30
120
30
Com relao combinao de bandas do satlite Landsat, o INPE (2009)

recomenda as seguintes combinaes para composies coloridas:
Bandas 1, 2 e 3: imagens em cor natural, com boa penetrao de gua, realando
as correntes, a turbidez e os sedimentos; a vegetao aparece em tonalidades
esverdeadas.
Bandas 2, 3 e 4: definem melhor os limites entre solo e gua, ainda mantendo algum
detalhe em guas profundas e mostrando as diferenas na vegetao, que aparece
em tonalidades de vermelho.
Bandas 3, 4 e 5: mostram mais claramente os limites entre solo e gua, com
vegetao mais discriminada, aparecendo em tonalidades verde-rosa.
Bandas 2, 4 e 7: mostram a vegetao em tons verdes e permitem discriminar
umidade, tanto na vegetao como no solo.
2.2 Geoprocessamento e Sistemas Geogrficos de Informao

Com o advento da informtica na automao de processos, surgiram vrias
ferramentas para captura, armazenamento, processamento e apresentao de
informaes espaciais georreferenciadas. A ligao tcnica e conceitual dessas
37
ferramentas levou ao desenvolvimento da tecnologia de processamento de dados

geogrficos, denominada Geoprocessamento, definida por Rocha (2000) como:
Uma tecnologia transdisciplinar que, atravs da axiomtica da localizao e
do processamento de dados geogrficos, integra vrias disciplinas,
equipamentos, programas, processos, entidades, dados, metodologias e
pessoas para coleta, tratamento, anlise e apresentao de informaes
associadas a mapas digitais georreferenciados (ROCHA, 2000, p.210).
O objetivo principal desta cincia, segundo Cmara e Medeiros (1998),

fornecer ferramentas computacionais para que diferentes analistas determinem as
evolues espacial e temporal de um fenmeno geogrfico, bem como as interrelaes entre diferentes fenmenos. Dizem ainda que o uso do Geoprocessamento
em projetos ambientais requer o emprego intensivo de tcnicas de integrao de
dados. Para serem feitos de forma detalhista, os projetos requerem que o
especialista combine ferramentas de anlise espacial, processamento de imagens,
geoestatstica e modelagem numrica do terreno.
O Geoprocessamento constitudo pelo conjunto de quatro categorias
tcnicas relacionadas ao tratamento da informao espacial (LAZARATTO, 2002):
1) Tcnicas para coleta de informao espacial (Cartografia, Sensoriamento
Remoto, Sistema de Posicionamento Global (GPS), Topografia, Fotogrametria,
Levantamento de dados alfanumricos).
2) Tcnicas de armazenamento de informao espacial (Bancos de Dados
orientados a objetos, relacional, hierrquico).
3) Tcnicas para tratamento e anlise da informao espacial, como
modelagem de dados, geoestatstica, aritmtica lgica, funes topolgicas, redes.
4) Tcnicas para o uso integrado de informao espacial, como os SIG, Land
Information System (LIS), Automated Mapping/Facility Management (AM/FM) e
Computer Aided Drafting Design (CADD).
A definio de SIG, para Maguire et al. (1991), tambm engloba aspectos j
abordados na definio de Geoprocessamento, porm, agregam-se ainda os
aspectos institucional, de recursos humanos (peopleware) e, principalmente, a
aplicao especfica a que se destina.
Aranoff (1989) conceitua Sistemas de Informaes Geogrficas como sendo
um conjunto manual ou computacional de procedimentos utilizados para armazenar
38
e manipular dados georreferenciados e, ainda, como um sistema de captao,

armazenamento, manipulao, anlise e apresentao de dados georreferenciados.
Para o autor, um SIG deve possuir os seguintes componentes: a) interface
com o usurio; b) entrada e manipulao de dados; c) funes de processamento,
visualizao, armazenamento e recuperao de dados.
Outro conceito difundido na literatura dado por Burrough e McDonnell
(1998), que dizem ser os Sistemas de Informaes Geogrficas um conjunto de
ferramentas para coletar, armazenar, recuperar, transformar e visualizar dados sobre
um mundo real para um objetivo especfico.
Para Cmara e Medeiros (1998), as principais caractersticas de um SIG so
a capacidade de inserir e integrar, em uma nica base de dados, informaes
espaciais provenientes de dados cartogrficos, dados censitrios, de cadastro
urbano e rural, imagens de satlite, redes e modelos numricos do terreno e
tambm oferecer mecanismos para combinar as vrias informaes, atravs de
algoritmos de manipulao e anlise, bem como para consultar, recuperar, visualizar
e plotar o contedo da base de dados georreferenciados.
Silva (2003) subdivide os dados de um SIG em dois grandes grupos: 1) dados
grficos, espaciais ou geogrficos; 2) dados no-grficos, alfanumricos ou
descritivos. Os dados grficos descrevem as caractersticas geogrficas da
superfcie (forma e posio), podendo ser representados de duas formas distintas:
vetorial (vector) e matricial (raster). No modelo vetorial, as entidades do mundo real
so representadas graficamente sob a forma de pontos, linhas ou polgonos. J no
formato matricial, tem-se uma matriz de clulas, s quais esto associados valores,
que permitem reconhecer o objeto sob a forma de uma imagem digital; cada uma
das clulas, denominada pixel, endereada por meio de suas coordenadas (linha,
colunas) e encontra-se associada a valores inteiros e limitados, geralmente entre 0 e
255. Os dados no-grficos, alfanumricos ou descritivos, descrevem os atributos
das caractersticas de algum dado espacial, estando ligados aos elementos
espaciais atravs de identificadores comuns, chamados de geocdigos.
39
2.3 Dinmica de uso e cobertura da terra

A anlise da dinmica da paisagem, com seus processos de transio, requer
o uso de diversos recursos cartogrficos, tais como mapeamentos, fotografias
areas digitais e analgicas, imagens de satlite e demais levantamentos que
caracterizem o uso/ocupao e a cobertura da terra no intervalo de tempo proposto.
Se considerada uma srie temporal distinta, definida por duas imagens,
tempo 1 inicial e tempo 2 final, tomadas de uma mesma paisagem, pode-se
observar, atravs de tais recursos, o estado de cada elemento (classe de
uso/cobertura) de interesse.
J sabido que, para avaliar mudanas na cobertura da terra, so
necessrias observaes diretas atravs de sistemas de monitoramento, que
possibilitem a identificao de taxas e padres.
Sabins (1999) diz que o uso de tcnicas de Sensoriamento Remoto no
mapeamento de uma determinada rea propicia a realizao de um inventrio
sistemtico da superfcie da terra, possibilitando a categorizao dos diferentes usos
em classes. Quando este mapeamento for associado aos SIG, possibilita o
conhecimento da evoluo da dinmica espacial do uso da terra, com a produo de
sries temporais de mapas para uma mesma rea.
Para Soares-Filho (2005), a obteno de mapas temporais da cobertura da
terra e, consequentemente, de um mapa multitemporal das mudanas permite
identificar as tendncias da dinmica da paisagem na rea de estudo, incluindo suas
taxas lquidas e brutas para cada perodo analisado, como tambm a evoluo
dessas taxas atravs do tempo.
oportuna a definio dos termos uso da terra e cobertura da terra, uma
vez que estes caracterizam o estado geral de uma paisagem, seja qual for a classe
de interesse observada pelo pesquisador.
Para Turner et al. (1994), cobertura da terra compreende a caracterizao do
estado fsico, qumico e biolgico da superfcie terrestre, por exemplo, floresta,
gramneas, gua, ou rea construda; j uso da terra se refere aos propsitos
humanos associados quela cobertura, por exemplo, pecuria, recreao,
conservao, rea residencial. Briassoulis (2000) diz que uma nica classe de
cobertura pode suportar mltiplos usos (extrao madeireira, preservao de
espcies, recreao em reas de floresta), ao mesmo tempo em que um nico
40
sistema de uso pode incluir diversas coberturas (certos sistemas agropecurios

combinam reas cultivadas, pastagens melhoradas, reas de reserva e reas
construdas); mudanas no uso do solo normalmente acarretam mudanas na
cobertura do solo, mas podem ocorrer modificaes na cobertura sem que isto
signifique alteraes em seu uso. Quanto modificao no uso e cobertura do solo,
ocorrem, em termos de cobertura, mudanas estruturais e funcionais causadas por
fenmenos naturais e aes humanas, como alteraes na biomassa e na
produtividade da vegetao. Em termos de uso, intensificao ou mudanas nos
seus atributos, por exemplo, em sistemas agrcolas como a ocorrncia de
intensificao, extensificao, marginalizao e abandono (ALVES et al., 2002).
Como os modelos, objetos deste estudo, esto intimamente ligados aos
padres de uso da terra que definem o arranjo dos diferentes elementos da
paisagem, a definio de terra de Stewart (apud ALMEIDA, 2003), no contexto
cientfico, de que esse termo usado em um sentido compreensivo, integrador,
referindo-se a um vasto espectro de atributos de recursos naturais em um perfil que
vai desde a atmosfera at alguns metros abaixo da superfcie da terra. Seus
principais atributos so: clima, relevo, solo, vegetao, fauna e recursos hdricos.
O termo uso da terra est ligado ao antrpica, ou seja, destinao
que o homem d terra e, nesse sentido, Skole (1994) afirma que o uso do solo o
emprego humano de certa cobertura da terra, o meio pelo qual a atividade humana
se apropria dos resultados da produo primria lquida, conforme determinado por
um complexo de fatores socioeconmicos.
O termo mudana de uso da terra, para Briassoulis (2000), significa
transformaes quantitativas na rea (aumento ou diminuio) de um dado tipo de
uso do solo. Segundo a autora, a mudana de uso pode envolver sua converso
para outro, ou ainda a modificao de certo tipo de uso no seu padro de
desenvolvimento do mesmo uso e, assim, modificar-se em um sistema formador da
paisagem.
Tais anlises acerca de mudanas de uso e cobertura so fundamentais ao
desenvolvimento de cenrios que visem sustentabilidade local e regional. Pedrosa
(2004) prope o uso de modelos espaciais dinmicos para tal, e esses, por sua vez,
descrevem a evoluo de padres espaciais de um sistema ao longo do tempo.
41
2.4 Modelagem dinmica espacial
O avano das geotecnologias enfatizou a representao de fenmenos

espaciais no computador de forma esttica, uma vez que sua principal forma de
abstrao constitui-se no mapa. No entanto, a maioria dos fenmenos, tais como
planejamento urbano, escoamento da gua da chuva, disperso de sementes,
evoluo do uso da terra, so inerentemente dinmicos, e as representaes
estticas comumente utilizadas em SIG no os capturam adequadamente no
espao. Dessa forma, para Pedrosa e Cmara (2007), uma grande preocupao da
cincia da informao espacial constitui-se no desenvolvimento de tcnicas e
abstraes eficazes na representao adequada de fenmenos espao-temporais
dinmicos.
Mais recentemente, o estudo de mudanas na paisagem vem sendo
desenvolvido atravs da aplicao de tcnicas de modelagem e da criao de
modelos. Soares-Filho (1998) refere-se ao termo modelagem como:
...processo de pesquisa que leva gerao do modelo
(representao) de um sistema. Este processo se desenvolve, ento,
atravs da definio de um conjunto de hipteses ou predies, que
podero ser comparadas com medidas do mundo real. Dependendo da
concordncia entre o observado e o resultado gerado, o modelo ser aceito,
rejeitado ou modificado de alguma maneira, para novamente ser testado.
(Soares-Filho, 1998. p.55)
Durante a modelagem, existe a necessidade, por parte do modelador, de

especificar a estrutura e o comportamento (Bertalanffy, 1951) do modelo idealizado,
portanto, um mesmo modelo pode ser representado de vrias maneiras.
Segundo Wegener et al., (1986) apud Almeida (2003) um modelo se
denomina dinmico, se ele possui uma dimenso temporal explcita, se suas
entradas e sadas variam com o tempo, e se seus estados dependem de estados
anteriores.
A modelagem dinmica procura superar as limitaes atuais da tecnologia
de Geoprocessamento, fortemente baseada em uma viso esttica e bidimensional
do mundo, sendo que o objetivo dos modelos dinmicos em um ambiente SIG
42
realizar a simulao numrica de processos dependentes do tempo (BURROUGH e

McDONNEL, 1998).
Um modelo espacial dinmico, segundo os autores, compreende uma
representao matemtica de um processo do mundo real, em que uma localizao
na superfcie terrestre muda em resposta a variaes nas forantes de tal processo.
Pedrosa (2004) prope o uso de modelos espaciais dinmicos que, por sua
vez, descrevem a evoluo de padres espaciais de um sistema ao longo do tempo,
sendo capazes de simular cenrios de sustentabilidade local e regional.
Goodchild et al. (1993) classifica os modelos dinmicos em trs grandes
grupos: modelo de escala, modelo conceitual e modelo matemtico.
O modelo de escala , em geral, um modelo que reproduz uma reduo
simplria do sistema original; o modelo conceitual descreve o processo atravs da
construo de fluxogramas que mostram o sistema principal e os processos e interrelaes entre os subsistemas formadores deste; e o modelo matemtico utiliza-se
de sistemas de equaes em sua construo, podendo ser classificado em dois
grupos distintos: determinsticos e estocstico-probabilsticos.
No modelo determinstico, o estado de um sistema definido por causas que
se podem determinar e identificar, sendo descrito adequadamente sem recorrer-se a
elementos probabilsticos, determinando os resultados, exatamente, a partir das
condies iniciais. Os modelos estocstico-probabilsticos so descritos mais
detalhadamente na Seo 2.4.1, a seguir, por estarem includos na tipologia de
modelos usada neste trabalho.
Uma extensiva categorizao de modelos genricos de mudanas de uso do
solo apresentada por Briassoulis (2000). Segundo a autora, os modelos podem ser
classificados, em vista de seus aspectos metodolgicos e funcionais, em:
estatsticos ou economtricos; modelos de interao espacial; modelos de
otimizao (incluindo programao linear, dinmica, hierrquica e no-linear assim
como modelos de maximizao de utilidades e modelos multi-critrios de tomada de
deciso); modelos integrados (modelos de gravidade, de simulao e de entradasada); modelos baseados em cincias naturais; modelos baseados em SIG e
modelos baseados em cadeias de Markov.
43
2.4.1 Modelos estocsticos de simulao
A modelagem estocstica constitui o mtodo de simulao usada neste

estudo. de fundamental importncia descrever as regras constituintes desse
processo e enfatizar que a modelagem apresenta solues sempre associadas a
uma probabilidade de ocorrncia de determinado fenmeno, sendo esses elementos
probabilsticos incorporados ao modelo.
2.4.1.1 Mtodo dos pesos de evidncia
Nesta pesquisa, o mtodo dos pesos de evidncia utilizado para o clculo

das probabilidades de transio entre as classes analisadas.
O mtodo baseia-se no teorema da probabilidade bayesiana, fundamentada
no Teorema de Bayes que determina a possibilidade de ocorrer um evento, dada a
ocorrncia prvia de uma evidncia. A probabilidade bayesiana est relacionada a
dois conceitos: a probabilidade a priori P(D) e a probabilidade a posteriori P(DB)
(BONHAM-CARTER, 1994; ALMEIDA, 2003; ALMEIDA et al., 2007; SILVA, 2003).
As referncias, a seguir, sobre o mtodo de pesos de evidncia so retiradas
de Silva (2003). Dado que N{T} representa o conjunto total de dados, e M{F} o
conjunto de dados devido a ocorrncia de certo evento, ento a probabilidade prvia
de ocorrer tal evento expressa por: P{F} * M{F} / N{T}, caso no sejam
consideradas outras evidncias.
Informaes ditas adicionais podem ser incorporadas, de forma a atualizar o
clculo da probabilidade prvia, desde que estas sejam multiplicadas por um fator
que represente a presena ou ausncia da informao adicional. Se o fator de
informao adicional for maior que 1, significa que ela est presente, aumentando a
probabilidade prvia; se este fator, no entanto, for menor que 1, indicando a
ausncia da informao adicional, a probabilidade prvia ser diminuda.
Como exemplo, um mapa booleano de evidncia E1, que represente a
presena de uma feio especial F: se verdadeira a presena da feio especial, o
atributo ser 1; se for ausente, ser falso, portanto, zero (0).
44
A probabilidade de a evidncia estar presente, P{E1} a relao entre o

conjunto do nmero total de evidncias e o nmero total de dados em questo.
Supondo-se que o conjunto, dada a ocorrncia de uma evidncia, N{E1}, ento a
probabilidade prvia de a feio estar presente dada por P{E1} = N{E1} / N{T}.
A probabilidade da existncia da interseo entre a feio especial F e a
evidncia E1, dada pela equao P{F E1}, corresponde relao entre o nmero
de intersees da feio especial F com a evidncia E1 e o nmero total de dados
expresso por:
P{F E1} = N {F E1} / N{T}.
(4)
A probabilidade da existncia da interseo entre a evidncia E1 e a ausncia

da feio especial , representada pela equao P{E1 }, a relao entre o
nmero de intersees da evidncia E1 com a ausncia da feio especial e o
conjunto do total de dados existentes, e representada pela seguinte equao:
P{E1 } = N {E1 } / N{T}.
(5)
A probabilidade de se encontrar uma feio especial F, dada a presena da

evidncia E1, representada pela equao P{FE1}, a relao entre o nmero de
intersees entre a feio especial F e evidncia E1 e o nmero de evidncias
expresso pela equao:
P{FE1} = N {F E1} / N{E1}.
(6)
A probabilidade condicional de uma feio especial F, dada a presena da

evidncia E1 dada por P{FE1} = P{F E1} / P{E1}, definida como a relao entre a
probabilidade de se ter a interseo entre a feio especial F com a evidncia E1 e a
probabilidade da existncia da evidncia.
A probabilidade condicional de uma evidncia E1, dada a presena de uma
feio especial F, a relao entre a probabilidade da existncia de interseo entre
a evidncia e a feio especial e a probabilidade da existncia da feio especial, e
expressa pela equao:
P{E1F} = P{E1 F} / P{F}.
(7)
45
A probabilidade da existncia da evidncia E1, dada a ausncia da feio

especial , a relao entre a probabilidade da existncia da interseo entre a
ausncia da feio especial com a evidncia e a probabilidade da ausncia da feio
especial, e expressa por:
P{E1 } = P{ E1} / P{}.
(8)
O fator de multiplicao a relao entre a probabilidade da existncia da

evidncia E1 dada a presena da feio especial F, multiplicada pela probabilidade
da existncia da feio especial F e a probabilidade da existncia da evidncia E1,
sendo P{FEi}.
O nmero total de evidncias, N{E1}, pode ser definido como o conjunto de
todas as intersees entre a evidncia e a feio especial F, somado ao conjunto
das intersees entre a evidncia E1 e a ausncia da feio especial , podendo ser
expresso pela seguinte equao:
N{E1} = N{E1 F} + N {E1 }. (9)
A probabilidade condicional de uma feio especial F, dada a presena da
evidncia E1 a relao entre o produto da probabilidade da existncia da feio
especial F pela probabilidade da existncia da evidncia E1, dada a presena da
feio especial F, dividido pela soma do produto da probabilidade da existncia da
feio especial F e a probabilidade da presena da evidncia E1, dada a presena da
feio especial F com o produto da probabilidade da existncia da evidncia E1,
dada a ausncia da feio especial e a probabilidade da ausncia da feio
especial , expressa pela equao:
P{FE1} = P{F}* P{E1F} / P{E1F}* P{F} + P{E1 }* P{} . (10)
Se considerado um segundo mapa booleano de evidncia E2, a probabilidade
de se encontrar uma feio especial F, dada a presena de dois mapas booleanos
de evidncia, a relao entre a probabilidade da interseo entre as evidncias E1
e E2 e a probabilidade da existncia das intersees entre as evidncias E1 e E2,
representada por:
P{E1 E2} = P{E1 E2 F}* P{F} + P{ E1 E2 }* P{}.
(11)
46
No caso de a independncia entre as evidncias ser mantida, outros mapas

booleanos podem ser includos.
O modelo de probabilidade bayesiana pode ser expresso na forma de uma
razo entre a probabilidade de um evento ocorrer sobre a probabilidade de no
ocorrer, razo esta chamada de chance, dada por:
O{FE1} = O{F} * P{E1F} / P{E1 },
(12)
em que O{FE1} chamado de chance posterior da feio especial, dada a

presena de E1, O{F} a chance prvia da feio especial, e a razo P{E1F} /
P{E1 } denominada Razo de Suficincia (RS), portanto, a chance posterior
dada pela chance prvia multiplicada por RS.
Sendo o logaritmo natural de chance logg it, tem-se que: logg it {FE1} = logg
it {F} + loge RS; em que loge RS conhecido como o peso positivo de evidncia
(W+). Assim, a equao final :
logg it {FE1} = logg it {F} + W+ . (13)
Da mesma forma, para se obter a equao do tipo chance para a
probabilidade condicional da existncia da feio especial F, dada a ausncia da
evidncia 1, ser usada O{F1,} = O{F} * P{ 1F} / P{ 1 }, sendo a razo
P{1F} / P{ 1 } conhecida como Razo de Necessidade (RN); o loge RN
conhecido como W- e representa o peso negativo de evidncia, assim temos:
-
log it {F1,} = log it {F} + W .
(14)
Se forem utilizados n mapas booleanos, a expresso em termos de chance

n
ser: logg it {FE1E2E3E4...En} = log it {F} + Wi+.

i=1
Para o clculo de logg it {F}, W+, W-, os mapas devem ser submetidos, dois a
dois, ao teste de independncia condicional, para verificar se os mapas de evidncia
so estatisticamente independentes; nos mapas booleanos, a probabilidade de E1
estar independente de E2 expressa por P{E1E2} = P{E1} e P{E2E1} = P{E2}
(SILVA, 2003).
47
2.4.1.2 Modelagem atravs de Autmatos Celulares

O modelo de Autmatos Celulares (AC), concebido originalmente por von
Neumann, na dcada de 1960 (ROCHA et al., 2001; GREMONINI e VICENTINI,
2008), objetivou a simulao de sistemas artificiais dotadas da faculdade de
autorreproduo. Este modelo consiste em um reticulado bidimensional e infinito de
clulas possuindo estados discretos equivalentes, e cada clula conectada s
suas adjacncias imediatas. As regras de transio so exatamente as mesmas
para cada clula, sendo que a estrutura celular funcionalmente homognea.
No modelo baseado em AC, o estado de cada clula depende de seu estado
prvio e de um conjunto de regras de transio, de acordo com o arranjo especfico
de certa vizinhana, sendo todas as clulas atualizadas simultaneamente a passos
discretos de tempo (SOARES-FILHO et al., 2002; BURROUGH e McDONNEL,
1998).
Wolfram (1986) apresenta uma descrio formal para os autmatos de von
Neumann. Segundo o autor, AC so idealizaes matemticas de sistemas fsicos,
nos quais o espao e o tempo so atributos discretos, e os atributos tambm
assumem um conjunto de valores igualmente discretos; o estado de um AC
completamente especificado pelos valores das variveis em cada clula; um AC
evolui a passos de tempo discretos, com o valor da varivel em uma clula sendo
afetado pelos valores das variveis nas clulas vizinhas encontradas no passo de
tempo anterior, e a vizinhana de uma clula tipicamente formada pela prpria
clula em considerao e todas as demais clulas localizadas nas suas adjacncias.
AC so sistemas inerentemente dinmicos e, atualmente, seu uso na
simulao espacial tem se tornado comum, sendo, algumas vezes includos em SIG,
devido a sua facilidade de implementao e capacidade de reproduo de
fenmenos espaciais, a exemplo de trabalhos de dinmica florestal (LETT, et al.,
1999), dinmica de uso e cobertura do solo (ROCHA et al., 2001; Soares-Filho et
al.,2002) e de dinmica do solo urbano (ALMEIDA, 2003). O Dinamica, aplicativo
utilizado neste estudo, constitui um exemplo de modelo de simulao espacial do
tipo AC (SOARES-FILHO et al., 2002). Como regras locais, utiliza um engenho de
alocao de mudanas, partindo da premissa de que uma paisagem composta por
uma variedade de arranjos de elementos (classes) sobrepostos a uma matriz, os
quais constituem os dados de entrada no processo.
48
2.4.1.3 Mtodos de prognose usando cadeias de Markov

Para Baca et al. (2007), a disponibilidade de uma srie temporal de mapas
de uso e cobertura do solo pode derivar em uma sequncia de modelos
Markovianos de primeira ordem, em que cada modelo refere-se s mudanas
ocorridas entre dois instantes de tempo; considerando que as taxas de mudana
mantenham-se as mesmas durante o perodo, uma matriz de transio estacionria
para toda a srie seria suficiente.
Uma matriz de transio estocstica, formada por elementos que
representam a probabilidade de mudana de uma classe de uso para outra
(HAYKIN, 2000). Baca et al. (2007) reportam que a matriz de transio compreende
uma representao matemtica das cadeias de Markov, sendo a formalizao da
modelagem de sistemas.
Pedrosa e Cmara (2007) tambm definem as cadeias de Markov como
modelos
matemticos
empricos,
que
servem
para
descrever
processos
estocsticos.
Este modelo pode ser expresso pela notao matricial, como denotado por
Baker (1989):
(t+1) = Pn . (t) . (15)
Em que (t) o estado do sistema no tempo t, (t+1) o estado do
sistema no instante t+1 e Pn so as mudanas passveis de acontecer, que so
representados em matrizes de probabilidade de transio decomposta em um passo
de tempo. Essas matrizes de transio representam a probabilidade de um
determinado estado i permanecer o mesmo ou mudar para o estado j, durante o
instante de tempo t-> t+1.
A matriz de Markov simula mudanas entre classes de uso e cobertura de
uma maneira multidirecional, ou seja, parcelas de uma classe podem teoricamente
mudar de uma categoria mutuamente exclusiva para outra em um tempo qualquer.
Portanto, trs categorias de uso geram seis possibilidades diferentes de
mudana, como disposto na seguinte matriz:
P11
P12
P13
P = P21
P22
P23
P31
P32
P33
(16)
49
Essa matriz estocstica, segundo Haykin (2000), possui duas caractersticas

fundamentais:
1. a soma dos elementos de uma linha desta matriz igual a um (1,0);
2. todos os elementos da matriz so iguais a zero (0,0) ou maiores que zero.
Segundo Baca et al. (2007), a matriz de transio permite:
- Analisar a dinmica da paisagem pela forma como as classes de uso
variam em dois instantes de tempo, considerando-se o primeiro deles como tempo
inicial ou base desse passo.
- Realizar simulaes (projees) dos estados da paisagem para datas
futuras.
- Avaliar a percentagem de rea original das classes que foram cedidas para
outras classes;
- Determinar quais classes no mudaram, isto , apresentaram 100% na
diagonal principal da matriz.
As principais vantagens das cadeias de Markov, segundo Pedrosa e Cmara
(2007), so a simplicidade operacional e matemtica do modelo aliadas facilidade
com que podem ser aplicadas a dados provenientes de Sensoriamento Remoto e
implementadas em SIG. Outra grande vantagem o fato de no necessitarem de
grande quantidade de dados antigos para prever o futuro.
Para JRC e ESA (1994), a atratividade reside no fato de que os parmetros
do modelo Markoviano so facilmente estimados.
As probabilidades de transio podem ser estimadas (t + n) = P
. (t)
estatisticamente a partir de uma amostra de transies ocorridas durante algum

intervalo de tempo.
Dado que aij indica transies entre pares de estados em algum intervalo de
tempo, as probabilidades de transio Pij so estimadas por (JRC e ESA, 1994):
Pij = aij / j aij
(17)
Para Soares-Filho (1998), as probabilidades de transio so usualmente

derivadas de amostras relativas a um certo instante de tempo. O modelo assume
50
que o estado futuro do sistema depende apenas do seu estado presente e das
possibilidades de transio, sendo independente da trajetria que o levou quele
estado (estados em um tempo t-1). Este modelo assume que toda a informao do
passado est concentrada no presente estado do sistema (JRC e ESA, 1994).
Para a estimativa das probabilidades de transio, segundo JRC e ESA
(1994), a cadeia de Markov requer apenas o estabelecimento de um nmero finito
de estados e que as probabilidades de transio sejam conhecidas, mas embora
haja simplicidade no processo, vrias limitaes esto associadas ao emprego deste
modelo para simular mudanas no uso do solo.
Uma limitao reside na suposio de que a probabilidade de um conjunto
particular de sadas depende unicamente da distribuio atual entre os estados e
das probabilidades de transio (JRC e ESA, 1994). A cadeia de Markov apresenta
um nmero finito de estados, sua dinmica no-peridica e ela no possui estados
absorventes, quando Pij = 1. Neste caso, Bell e Hinojosa (1977) propem o clculo
de um sistema hipottico em equilbrio, atravs do mtodo de componentes
principais dado por:
P = H. V. H-1 ,
(18)
-1
em que H matriz de autovetores, H a matriz transposta de autovetores e

V a matriz de autovalores.
Segundo Almeida (2003), esse mtodo aplicado ao modelo Markoviano til
para permitir a decomposio das probabilidades da matriz de transio, as quais
so ento estimadas para intervalos de tempo menores, p.ex. passos de um ano.
Esse mtodo usado nas simulaes para se gerar mapas de uso do solo anuais,
ao longo de toda a srie temporal avaliada nesse estudo.
Nas cadeias de Markov, as probabilidades de transio no mudam com o
tempo mas, segundo Baker (1989), se as probabilidades de transies forem noestacionrias, na realidade, elas podem ser inseridas por meio de ajustes na matriz
de probabilidades de transio, sendo extremamente til na simulao de cenrios,
uma vez que pode ser ajustada para incorporar efeitos como a influncia de
variveis endgenas e exgenas ao modelo, superando a estacionariedade.
51
2.4.2 Modelos computacionais
A seguir, feita uma breve descrio sobre o aplicativo utilizado nesta

pesquisa, que constitui um modelo estocstico implementado atravs de algoritmos
de alocao de mudanas, utilizado para a simulao da dinmica de paisagens.
2.4.2.1 O simulador Dinamica EGO
Um dos modelos computacionais desenvolvidos para simulao de

paisagens o Dinamica Landscape Dynamic System. Trata-se de um software
freeware criado e mantido pelo Centro de Sensoriamento Remoto (CSR),
pertencente ao Instituto de Geocincias da Universidade Federal de Minas Gerais.
O aplicativo baseado em simulao discreta e em Autmatos Celulares,
utilizando como parmetros de entrada mapas temticos da paisagem (originados
usualmente de dados de Sensoriamento Remoto), representados por uma matriz.
No processo de modelagem implementado neste aplicativo, so consideradas
variveis espaciais classificadas em dinmicas e estticas. Tambm, so
considerados outros parmetros necessrios para compor os dados de entrada: as
taxas anuais de transio, tempo mnimo de permanncia em cada estado, as
percentagens alocadas para cada um dos algoritmos de transio desenvolvidos,
entre outros. Como sada, o aplicativo produz mapas temticos da paisagem e
mapas de probabilidade de transio para cada passo de tempo simulado
(SOARES-FILHO, 2001).
Soares-Filho (1998) descreve as variveis estticas e as dinmicas. As
primeiras referem-se aos mapas geralmente associados s caractersticas humanas
e fsicas da paisagem, e as variveis dinmicas referem-se, na maioria das vezes, a
mapas de distncia, a certos tipos de uso e cobertura da terra. Essas, por sua vez,
sofrem alteraes e so continuamente atualizadas, de modo a influenciar o clculo
das probabilidades de transio a cada iterao do programa, ocorrendo mudanas
no estado (uso da terra) das clulas, alterando assim a distribuio dos usos que,
novamente, so recalculados para novas etapas da simulao.
52
Para o autor, necessria a insero da matriz de transio, responsvel por

informar ao algoritmo de simulao o percentual de alterao de um uso para outro,
sendo essa informao obtida externamente e pode ser conseguida atravs da
tabulao cruzada entre o mapa de cobertura de uso da terra inicial com outro mapa
desse mesmo tipo em um instante de tempo posterior, ou seja, a matriz de transio
que determina os tipos de alterao de uso da terra possveis e a sua extenso.
O modelo ainda deve ser composto pelo clculo da influncia de cada faixa
de valores das variveis estticas e dinmicas nas probabilidades espaciais de cada
transio, constituda pela insero da matriz de pesos de evidncia; atravs dessas
informaes, o software determina onde vai ocorrer a transio (GONALVES et al.,
2007).
Os algoritmos expander e patcher so responsveis pelas caractersticas
espaciais das transies de uso da terra no Dinamica. A funo expander responde
pela expanso de manchas previamente existentes de uma classe de uso da terra, e
a funo patcher, por sua vez, destina-se a gerar novas manchas atravs de um
mecanismo de constituio de sementes, ou seja, a funo expander executa
transies de um estado i para um estado j apenas nas vizinhanas adjacentes de
clulas com estado j e a funo patcher realiza transies de um estado i para um
estado j apenas nas vizinhanas adjacentes de clulas com estado diferente de j
(SOARES-FILHO et al., 2007).
Soares Filho et al., (2002; 2007) destaca que ambos os algoritmos de
transio do aplicativo Dinamica adotam um mecanismo estocstico de seleo,
onde o algoritmo aplicado consiste no escaneamento do mapa de uso da terra inicial
para identificar as clulas com valores de probabilidade mais elevados, e disp-las
em um vetor de dados e, seguindo este procedimento, as clulas desse vetor so
selecionadas aleatoriamente em sentido descendente (o mecanismo estocstico de
seleo interna pode ser suavizado ou realado, dependendo do grau de
aleatoriedade desejada). No final, o mapa de uso da terra novamente escaneado
para se executar as transies selecionadas.
3 MATERIAL E MTODOS
3.1 Caractersticas da rea de estudo
3.1.1 Localizao
A rea de estudo composta por duas microrregies que integram a Metade

Sul do estado do Rio Grande do Sul. Sua escolha foi feita de modo a representar
parte do Bioma Pampa, e por reproduzir processos atuais de uso e ocupao do
solo na Metade Sul, como reflorestamento, solo agrcola e reas de pastagem.
Os limites microrregionais so definidos pelo Instituto Brasileiro de Geografia
e Estatstica (IBGE). Esse rgo governamental disponibiliza, via internet, dados
relativos s Geocincias, que incluem mapeamentos temticos, malhas digitais
regionais, municipais e demais produtos cartogrficos. A partir desta definio oficial,
foram selecionados os dados vetoriais relativos s microrregies, como relaciona a
Tabela 3.
Tabela 3 Microrregies integrantes da rea de estudo e seus municpios.
Cdigo IBGE
Microrregio
Municpios integrantes
43031
Campanha
Acegu, Bag, Dom Pedrito, Hulha Negra e Lavras do
Meridional
Sul.
Amaral Ferrador, Caapava do Sul, Candiota,
43032
Serras do Sudeste
Encruzilhada do Sul, Pedras Altas, Pinheiro Machado,

Piratini e Santana da Boa Vista.
Fonte: IBGE (2009).
A Figura 1 demonstra a localizao das microrregies Serras do Sudeste e

Campanha Meridional no estado do Rio Grande do Sul.
54
Figura 1 Localizao das microrregies de estudo no estado do Rio Grande do

Sul, Brasil.
Elaborado pela autora.
3.1.2 Aspectos fsicos e socioeconmicos

Segundo a definio do IBGE (2009), o Rio Grande do Sul abriga dois
biomas: a Mata Atlntica e o Pampa, cuja localizao muito semelhante diviso
do estado nas Mesorregies Norte e Sul. As microrregies Serras do Sudeste e
Campanha Meridional inserem-se no Bioma Pampa, o qual ocupa uma rea de
aproximadamente 700.000 km2, compartilhada pelo Brasil, Argentina e Uruguai. No
territrio brasileiro, este Bioma distribui-se na Metade Sul do estado, em cerca de
176.000 km2, o equivalente a 64% do territrio gacho. Caracteriza-se pela presena
da vegetao campestre distribuda de maneira uniforme sobre o relevo de
plancies; a cobertura vegetal denomina-se estepe e savana estpica, que
correspondem, respectivamente, aos campos do planalto e da campanha, e
vegetao mais densa, arbustiva e arbrea nas encostas e ao longo dos cursos
dgua, onde tambm aparecem as reas de banhados.
Uma peculiaridade o fato de que, na dcada de 1960, em busca de uma
alternativa para a alimentao dos rebanhos durante o inverno, ao se introduzir o
capim Rhodes (Chloris gayana), introduziu-se acidentalmente o capim Anonni
55
(Eragrostis plana), cuja disseminao ficou absolutamente fora de controle. A

estimativa, segundo EMBRAPA (2009), que hoje o Anonni estaria ocupando uma
rea superior a 500 mil hectares no Rio Grande do Sul.
Conforme Moreno (1961), baseado na classificao de W. Kppen, o clima
predominante do tipo Cfa, caracterizado como subtropical mido, com chuvas
regulares em todos os meses do ano. Os ndices anuais de precipitao
pluviomtrica variam de 1.300 mm a 1.500 mm; as temperaturas mdias anuais no
Bioma Pampa esto entre 14C e 18C.
Na microrregio Serras do Sudeste, com relao ao relevo, destacam-se os
afloramentos rochosos nas encostas e nos altos plats, o solo muitas vezes quase
inexistente, a frequncia de arbustos de diversas espcies resulta em paisagens que
variam desde os campos sujos at as formaes arbustivas compactas (RAMBO,
1942). Na regio turstica das Guaritas, tambm chamada escudo cristalino,
transparecem pequenos plats da ordem de at 400 metros de altitude,
remanescentes ainda em suas bordas atuais. A hidrografia da microrregio tem
como curso principal o rio Camaqu. J na microrregio Campanha Meridional, as
altitudes variam entre 90 e 450 m, constituem colinas suaves, campos planos e
limpos e pequenas serras. A vegetao varia entre campos com pequenas pores
de mata a campos planos compostos de gramneas e lavouras de arroz, que ocupa
grande parte de sua extenso territorial. A drenagem principal formada pelos rios
Santa Maria, Camaqu e a nascente do Rio Negro, em Bag, cujo curso corta o
territrio uruguaio. As duas microrregies so tipicamente agropecurias, baseadas
principalmente na criao extensiva do gado, influncia da proximidade com os
pases platinos, em parte responsveis pela diversidade das etnias formadoras da
populao. Na Tabela 4, encontram-se dados relacionados s caractersticas
socioeconmicas das microrregies.
Tabela 4 Dados socioeconmicos das microrregies Serras do Sudeste e
Campanha Meridional.
Microrregio
rea (km2)
Populao
Densidade
Populacional
2
S. do Sudeste
16.522,81
121.504 hab.
7,4 hab./km
C. Meridional
14.261,06
179.093 hab.
12,6 hab./km
Fonte: IBGE (2009).
IDH
PIB
percapta R$
0,744
8.152,46
0,777
8.631,31
56
3.2 Material
Foram utilizados, nesta pesquisa, os seguintes materiais cartogrficos

relacionados abaixo:
- Imagens - satlite LANDSAT-5 sensor TM, resoluo espacial 30 m, dos
anos 2000, 2004 e 2008.
- Imagens - satlite TERRA sensor MODIS, produto MOD13Q1, quadrante
h13v12, resoluo espacial 250 metros, datadas de:
15/08/2000, 15/09/2000, 15/10/2000 e 15/11/2000;
15/08/2004, 15/09/2004, 15/10/2004 e 15/11/2004;
15/08/2008, 15/09/2008, 15/10/2008 e 15/11/2008.
- Cartas topogrficas elaboradas pelo Ministrio do Exrcito Diretoria de
Servio Geogrfico (DSG) Regio Sul do Brasil, escala 1:250.000, impresso em
1979, na seguinte nomenclatura:
Bag SH.21-2-D;
Cachoeira do Sul SH.22.Y.A;
Jaguaro SI.22-V-A;
Pedro Osrio SH.22-Y-C;
So Gabriel SH.21-Z-B.
57
3.3 Elaborao do banco de dados espaciais
O banco de dados espaciais foi construdo no Sistema de Processamento de

Informaes Georreferenciadas SPRING. Este sistema, desenvolvido pelo Instituto
Nacional de Pesquisas Espaciais (INPE), opera como um banco de dados
geogrficos para suportar um grande volume de informaes, sem limitao de
escala, projeo ou fuso, administrando tanto dados vetoriais quanto matriciais, de
forma a integrar dados de Sensoriamento Remoto em SIG.
O primeiro passo consistiu em criar um banco de dados para o
armazenamento das informaes processadas. Em seguida, criou-se um projeto
com o objetivo de definir a projeo cartogrfica a ser utilizada (Policnica e Datum
WGS 84 - World Geodetic System 1984) e delimitar a rea de estudo atravs de um
retngulo envolvente contendo as coordenadas geogrficas de interesse.
Nesse aplicativo, os objetos componentes de um mapa tm como
caracterstica bsica o fato de serem tratados como um plano de informao (PI),
sendo cada um associado a uma categoria que, consequentemente, se refere a um
modelo de dados (Temtico, Numrico, Imagem, Cadastral ou Rede).
Os primeiros dados incorporados ao banco foram os limites do estado do Rio
Grande do Sul e suas respectivas microrregies, sendo posteriormente selecionadas
para o trabalho somente as reas de interesse.
Os arquivos, disponibilizados pelo IBGE, contendo os dados de limite das
microrregies, encontram-se no formato DXF (Drawing Interchange Format) e
compreendem estruturas vetoriais compostas de linhas que definem polgonos. As
reas de interesse foram, ento, importadas e associadas a um modelo de dados do
tipo temtico.
3.3.1 Processamento de imagens Landsat
As imagens do satlite Landsat compreendem cinco cenas diferentes que

recobrem as reas de estudo. A aquisio das mesmas deu-se atravs do site do
INPE (http://www.inpe.br), que disponibiliza gratuitamente imagens atualizadas de
58
diversos produtos de satlites, entre eles o Landsat 5, sensor TM (Tematic Mapper)

e o Landsat 7, sensor ETM+ (Enhanced Thematic Mapper Plus), os quais
forneceram as imagens utilizadas.
Para realizar o download, o usurio deve ser previamente cadastrado e, aps
a seleo das cenas de interesse, receber o link disponibilizando os arquivos. A
Figura 2 ilustra a tela de pesquisa de imagens disponveis, e nesta interface, a busca
pode ser realizada escolhendo-se o tipo de satlite e, posteriormente, o municpio,
rbita-ponto ou coordenadas geogrficas que abrangem a rea de interesse.
Figura 2 Interface do site do INPE para pesquisa de imagens do satlite Landsat.

Fonte: Instituto Nacional de Pesquisas Espaciais (2009).
A Tabela 5 relaciona as cenas utilizadas neste estudo e suas respectivas

datas. A espacializao das cenas Landsat pode ser vista na Figura 3.
Tabela 5 Relao das cenas Landsat abrangentes da rea de estudo e as
respectivas datas analisadas.
Cena
rbita
Ponto
Ano 2000
Ano 2004
Ano 2008
222
081
27/09
04/07
03/10
222
082
02/09
28/08
10/10
223
081
20/05
06/10
18/11
223
082
23/07
07/11
18/11
224
081
27/05
25/07
08/10
Fonte: dados da autora.
59
Figura 3 Articulao das cenas Landsat sobre as microrregies Serras do Sudeste

e Campanha Meridional.
As imagens desse sensor so disponibilizadas originalmente no formato

GeoTiff, o qual possibilita importao direta no banco de dados geogrficos do
SPRING, no entanto, seu sistema de coordenadas no equivalente ao sistema do
sensor MODIS e aos limites vetoriais disponibilizados pelo IBGE.
Para a adequao entre esses planos de informao, e sua posterior
sobreposio, foi preciso converter e retificar as imagens Landsat.
A retificao de uma imagem digital, segundo Mazza (2000), constitui-se na
manipulao da geometria da imagem, ou seja, na transformao das coordenadas
da imagem (x e y) em coordenadas de mapa. Neste processo, tambm
denominado de georreferenciamento da imagem, so utilizados pontos de apoio de
coordenadas conhecidas, facilmente detectados na imagem.
Nesta etapa foram, ento, selecionados pontos de controle visveis na
composio de imagem falsa-cor e, respectivamente, na carta topogrfica, da qual
foram retirados os valores das coordenadas planas a serem convertidos para
valores de latitude e longitude geogrficas.
Para o processamento digital das imagens, foram elaboradas as composies
falsa-cor pela associao ao canal do azul banda 3, ao canal do verde banda 4 e
ao canal do vermelho banda 5, formando a composio 3,4,5 e ainda ao canal do
azul banda 2, ao canal do verde banda 3 e ao canal do vermelho banda 4, para
a composio 2,3,4. estas composies foi aplicada a tcnica de contraste linear,
ilustrada na Figura 4.
60
A tcnica de contraste linear consiste de uma transferncia radiomtrica em

cada pixel, em que um histograma da imagem descreve a distribuio estatstica dos
nveis de cinza em termos do nmero de pixels com cada nvel (INPE, 2009).
normalmente utilizada como uma etapa de pr-processamento para interpretao e
classificao de imagens digitais.
Floresta
Regenerao
Campo
Solo
gua
Figura 4 Aplicao da tcnica de contraste linear nas composies coloridas

MODIS, Blue (B), NIR (G), MIR (R) e Blue (B), MIR (G), NIR (R).
61
3.3.2 Processamento de imagens MODIS
Parte das imagens de satlite utilizadas oriunda do sensor MODIS

(Moderate Resolution Imaging Spectroradiometer), instrumento a bordo do satlite
TERRA, integrante do programa Earth Observing System (EOS), desenvolvido pela
National Aerospace and Space Administration (NASA) para observao e coleta de
dados sobre o planeta Terra.
As imagens MODIS, assim como outros produtos de satlites, so distribudas
pela
NASA
atravs
de
sua
pgina
oficial
na
internet
(https://lpdaac.usgs.gov/lpdaac/products/), mostrada na Figura 5.

Dentre as cenas disponveis, foram escolhidas as bandas espectrais Blue,
Red, NIR, MIR e ainda as imagens ndices de vegetao NDVI.
Em geral, os produtos MODIS so identificados atravs da conveno
adotada pela NASA, conforme exemplo descrito para o nome do arquivo
correspondente cena de 15/10/2008:
(MOD13Q1.A2008289.h13v12.005.2008309103012.hdf), em que:
MOD a identificao da plataforma MOD-Terra;
13Q1 o nmero do produto (ndice de vegetao, 16 dias 250 m);
A2008289 corresponde data de aquisio ano: 2008 dia juliano 289;
h13v12 corresponde ao quadrante (title) horizontal 13 vertical 12;
005 coleo ou verso de processamento 005;
2008309103012 corresponde data de processamento: ano 2008 dia juliano
309 horrio 10:30:12.
Como as reas de interesse encontram-se contidas em uma nica cena
MODIS, de coordenadas centrais de 54 de longitude oeste e 35 de latitude sul,
para efetuar o download foi necessria apenas a escolha em funo do quadrante
de abrangncia da cena (h13v12) e das datas de interesse, conforme a resoluo
temporal definida (intervalo de 4 anos).
62
Figura 5 - USGS Global Visualization Viewer: interface para busca e download de

imagens do sensor MODIS.
Fonte: NASA (2008).
As imagens MODIS so disponibilizadas no formato original *.hdf (Hierarchical

Data Format), que contm dados de calibrao, navegao, informaes da misso,
caractersticas de qualidade, tipo e lugar do processamento, estao receptora,
tempo de incio e fim da tomada da imagem e referncias geogrficas das imagens.
No entanto, para o processamento dessas imagens e posterior importao no
aplicativo SPRING, foi necessria a converso para o formato *.GeoTiff,
procedimento este realizado atravs do aplicativo desenvolvido pela NASA, o MRT Modis Reprojection Tool, verso 4.0.
No MRT (Figura 6), a converso das imagens procedida atravs da seleo
do arquivo de entrada (imagem *.hdf) e posterior denominao do arquivo de sada
(imagem *.GeoTiff). O aplicativo faz a releitura das informaes do arquivo de
entrada assim como de suas coordenadas de referncia, sendo necessrio que o
usurio proceda a seleo de bandas espectrais a serem convertidas e o sistema de
coordenadas a ser adotado.
63
Figura 6 Interface grfica do aplicativo MRT 4.0 utilizado na converso de

imagens MODIS para o formato GeoTiff.
Fonte: NASA (2008). Adaptado pela autora.
As imagens ento convertidas foram importadas no SPRING, onde foi

definido o Datum South American69 e mantida a projeo original Sinusoidal. Ainda
nesse procedimento, foi selecionada a opo de converso para 8 bits, uma vez que
a imagem original deste sensor de 16 bits e necessita ser convertida para leitura
no SPRING.
Dentre os produtos MOD13Q1, foram selecionadas as bandas espectrais Blue
com intervalo espectral entre 0,459-0,479 m, Red entre 0,620-0,670 m, NIR,
(canal do infravermelho prximo) entre 0,841-0,876 m, e MIR (canal do
infravermelho mdio) entre 1,230-1,250 m, para posterior montagem das
composies coloridas, e ainda as imagens ndice de vegetao NDVI.
De posse das cenas respectivas de cada data a ser analisada, efetuou-se o
recorte individual com o correspondente limite vetorial para cada microrregio
importado anteriormente.
Em cada imagem NDVI recortada, efetuou-se a transformao do formato
matricial (raster) para o formato numrico, atravs da exportao no formato ASC II,
e posterior importao para a gerao de uma grade regular MNT (Modelo Numrico
do Terreno), contemplando valores de 0 a 255.
64
Uma grade regular, segundo Druck et al. (2004), constitui uma matriz em que
cada elemento est associado a um valor numrico. Essa matriz, por sua vez, est
associada a uma regio da superfcie terrestre, a partir da coordenada inicial e de
espaamentos regulares na horizontal e vertical.
As bandas espectrais MODIS tambm foram usadas para a elaborao das
composies sintticas BMN (Blue associada ao canal do azul, MIR associada ao
canal do verde e NIR associada ao canal do vermelho) e BNM (Blue associada ao
canal do azul, NIR associada ao canal do verde e MIR associada ao canal do
vermelho). A primeira composio usada pela facilidade de discriminar tipologias
de cobertura vegetal, enquanto a ltima composio a que melhor discrimina
padres de vegetao, solo e gua, equiparando-se visualmente s composies
B2G3R4 e B3G4R5, realizadas anteriormente com as imagens Landsat.
3.4 Estratgia amostral para obteno dos mapas de vegetao
Esta anlise foi realizada com o objetivo de estabelecer uma correspondncia

entre os mapas ndice de vegetao obtidos pela anlise do NDVI e as classes
temticas da paisagem nas diferentes microrregies de estudo.
Os valores mdios dos ndices de vegetao foram adquiridos com base em
amostras relativas s classes temticas avaliadas. Para isso, foi espacializada, sob
as microrregies de estudo, uma malha amostral de dimenso 3 x 3 pixels tendo
como base as imagens Landsat.
Para cada classe temtica, foram analisados os valores de 100 unidades
poligonais. Estas amostras foram identificadas com base nas composies falsa-cor
das imagens Landsat TM, B3G4R5 e B2G3R4 para as respectivas datas, de modo a
selecionar as reas de forma homognea (Figura 7). Dessa forma, as imagens de
mdia resoluo (30 metros) do sensor TM serviram como base para a identificao
das seguintes classes:
Floresta: compreendem as formaes vegetais de porte arbreo, dentre as quais
florestas nativas, que so as de ocorrncia natural, encontradas sob a forma de
mata ciliar ao longo da rede hidrogrfica e dispersas em forma de fragmentos. Ainda
65
foram consideradas, nessa mesma classe, a ocorrncia de florestas plantadas

(reas de reflorestamento em estgio de porte arbreo).
Regenerao:
compreendem
uma
formao
vegetal
sucessora,
chamada
popularmente de capoeiro; tambm podem estar presentes nessa classe reas de

implantao florestal, ou seja, locais onde praticada a silvicultura, porm em
estgios iniciais de plantio.
Campo: constitui a paisagem predominante nas microrregies e de ocorrncia
natural no Bioma Pampa; usado em toda a regio para pecuria extensiva.
Solo sem vegetao: apresentam-se como reas de agricultura em pousio nessa
poca do ano ou em fase de preparo do solo; podem ser ainda voorocas e ravinas
provocadas por processos erosivos e afloramentos rochosos.
gua: estas superfcies compreendem reservatrios naturais e/ou artificiais e, por
vezes, espaos utilizados para o cultivo do arroz irrigado.
Para cada classe temtica foram, ento, gerados planos de informao
contendo a malha de amostragem poligonal que, posteriormente, foi sobreposta s
grades numricas NDVI, referentes ao perodo de anlise (agosto a novembro) de
cada ano.
A extrao dos valores mdios para a unidade amostral foi realizada atravs
da funo estatstica da imagem por polgonos do aplicativo SPRING.
Com base nos valores do NDVI, calculou-se a mdia aritmtica simples entre
as leituras de cada imagem mensal, para que ento as mesmas fossem tomadas
como referncia para cada ano de avaliao (2000, 2004 e 2008).
Posteriormente, no intuito de verificar a discriminao das classes, os valores
representativos da anlise anual foram submetidos ao Teste Tukey HSD para
comparao de mdias. A aplicao deste teste resultou na verificao da
heterogeneidade dos valores mdios de NDVI entre as classes de uma mesma data.
Todas as anlises foram desenvolvidas no aplicativo para anlises estatsticas R"
(REIS e RIBEIRO JNIOR, 2007).
66
(a) Composio colorida R(3) G(4) B(5) do satlite Landsat TM e B(Blue) G(NIR) R(MIR) do sensor MODIS
(b) Composio colorida R(2) G(3) B(4) do satlite Landsat TM e B(Blue) G(MIR) R(NIR) do sensor MODIS
(c) Grade numrica do NDVI, produto MOD13Q1na

microrregio Serras do Sudeste
(d) Grade numrica do NDVI, produto MOD13Q1 na

microrregio Campanha Meridional
Figura 7 Unidade amostral espacializada sobre as imagens Landsat e MODIS e

sua posterior sobreposio s imagens grade (MDT) para leitura do valor mdio do
NDVI.
67
3.5 Mapeamento temtico atravs de classificao digital
Mapas temticos da paisagem das microrregies foram gerados a partir da

classificao digital das imagens MODIS datadas de 15/10/2000, 15/10/2004 e
15/10/2008. Essa etapa foi realizada de modo supervisionado e atravs do
algoritmo classificador da mxima verossimilhana (MaxVer), que adota a funo de
densidade probabilstica, baseada na estatstica Bayesiana, a qual verifica a
probabilidade de cada pixel em pertencer a uma determinada classe, englobando-a
na de maior probabilidade. A qualidade da classificao digital pode ser avaliada
atravs do ndice Kappa, descrito anteriormente na Seo 2.1.
3.6 Elaborao dos mapas ndice de vegetao
Os mapas temporais de vegetao foram elaborados com base nas anlises

estatsticas das amostras de cada classe. A partir delas, estabeleceram-se os
valores mdios que indicaram os limiares para a operao de fatiamento das
grades numricas dos ndices de vegetao para toda a srie temporal; os limiares
foram definidos pelos valores mximos e mnimos obtidos na classe.
Os mapas temticos gerados nesse processo foram denominados mapas
ndice de vegetao e contemplam as seguintes classes: floresta, regenerao,
campo e solo sem vegetao. Nessa ltima classe, foram agrupadas as reas de
solo exposto juntamente com as superfcies de gua.
Os mapas obtidos nessa etapa so variveis de entrada usadas no modelo de
simulao e, devido sua variao espao-temporal no perodo de anlise, so
considerados como variveis dinmicas participantes da modelagem.
68
3.7 Elaborao dos mapas temticos estticos
Os mapas descritos a seguir referem-se s variveis estticas categricas e

contnuas, assim denominadas por serem desconsideradas a ocorrncia de
processos de transio ou mudana em suas classes durante o perodo analisado.
Esses mapas constituram-se inicialmente em planos de informao vetoriais
e, aps sua concluso, foram convertidos para o formato matricial para serem
exportados, respeitando os mesmos parmetros de imagem quanto dimenso
apresentada pelos mapas de vegetao.
Os mapas de variveis estticas das microrregies Serras do Sudeste e
Campanha Meridional so ilustrados, respectivamente, nas Figuras 8 e 9.
3.7.1 Mapas de rede hidrogrfica
O mapeamento da rede hidrogrfica abrangeu a totalidade dos cursos

dgua presentes nas microrregies de estudo. Os elementos da drenagem foram
incorporados ao processo de modelagem como variveis estticas, podendo atuar
de modo condicionante expanso florestal, uma vez que configuram uma faixa
marginal considerada rea de Preservao Permanente (APP), segundo a
legislao florestal brasileira.
Essa rede foi referenciada espacialmente de forma a descrever qualitativa e
quantitativamente seus atributos, sendo construda a partir da vetorizao em tela
das cartas topogrficas digitais da Diretoria de Servio Geogrfico do Exrcito (DSG)
na escala 1:250.000, conforme articulao e nomenclatura descritas anteriormente.
3.7.2 Mapas de rede viria
Os mapas de rede viria constituem o arranjo espacial das estradas

pavimentadas e no pavimentadas, de gesto federal, estadual e municipal,
69
compreendidas nos limites das microrregies de estudo. A existncia da malha

viria, com seus atributos qualitativos e quantitativos, considerada relevante ao
processo de dinmica da paisagem decorrente na rea de estudo.
Assim como a rede hidrogrfica, foi igualmente extrada a partir da
vetorizao em tela das cartas topogrficas digitais citadas anteriormente.
3.7.3 Mapas de localizao de centros urbanos
A representao zonal dos centros urbanos dos municpios compreendidos

nas microrregies de estudo foi vetorizada com base nas imagens Landsat, no
intuito de se obter informaes atualizadas quanto sua expanso; no foram
consideradas as informaes contidas nas cartas topogrficas.
3.7.4 Mapas clinogrficos
Os mapas clinogrficos das microrregies de estudo foram elaborados com

base na Shuttle Radar Topography Mission (SRTM6) da NASA. Os produtos so
disponibilizados no formato matricial Tiff/GeoTiff e foram convertidos em grades de
cotas altimtricas de forma a compor um Modelo Numrico do Terreno (MNT).
A classificao da declividade do solo foi possvel atravs da operao
fatiamento, com o objetivo de agrupar valores altimtricos diferentes em intervalos
de classes pr-definidos. Os valores percentuais de declividade foram agrupados em
5 classes, com base na metodologia desenvolvida por De Biase (1992), conforme a
Tabela 6.
70
Tabela 6 Descrio das classes de declividade do solo.

Classes de declividade
Percentual de
Declividade
1 - Terras cultivveis com problemas simples de conservao do solo, sem

maiores problemas de eroso.
2 - Compreende o limite mximo para emprego de mecanizao agrcola;
declividades moderadas.
3 - Permite apenas o uso de equipamentos de trao animal ou tratores esteira
devido inclinao das vertentes.
0 5%
5 12%
12 30%
4 - Compreende o limite mximo para o corte raso de vegetao; segundo o

cdigo florestal, a partir de tal declividade, s ser permitida a explorao se
30 47%
sustentada por coberturas florestais.

5 - Na faixa situada entre 47 e 100% de declividade, no permitida a
derrubada de florestas para nenhum fim, s sendo tolerada a extrao de toros
> 47%
quando em regime de utilizao racional.

Fonte: De Biase (1992). Adaptado pela autora.
3.7.5 Mapas de densidade populacional
Os mapas temticos de densidade populacional foram elaborados a partir de

dados censitrios do IBGE com relao populao total dos municpios,
demonstrada nos mapas de densidade populacional ilustrados nas Figuras 8 e 9
para as microrregies Serras do Sudeste e Campanha Meridional.
Tais informaes so tabulares e discriminadas por municpio, podendo ser
importadas no SPRING com um identificador em comum, que conecta as
informaes s respectivas coordenadas geogrficas da sede municipal.
A distribuio espacial da populao sobre a rea de estudo foi calculada pelo
estimador de densidade de Kernel. Este estimador cria uma grade de pesos
descentralizando a informao radialmente da sede do municpio para suas
abrangncias. Quando os limites de um municpio so ultrapassados, confrontandose com os valores dos municpios adjacentes, o estimador de Kernel recalcula o
valor em uma grade, em que cada clula representa o valor de densidade. Segundo
Delgado (1995), a partir de uma funo Gaussiana de Kernel distribui-se, em uma
grade tridimensional, os pesos resultantes de uma regresso que vincula a
71
proximidade de dois eventos em relao sua coordenada de referncia. Assim,

calculam-se as distncias de cada ponto (pixel) aos eventos observados que
estiverem dentro de uma mesma regio de influncia limitada por uma distncia
definida pelo raio de ao. Essas distncias contribuem para o clculo da
intensidade estimada no ponto (pixel). Sobre a grade de pesos gerada no processo,
executou-se o fatiamento em cinco classes temticas de intervalos iguais entre os
valores de maior e menor densidade observada.
3.7.6 Mapas de sub-bacias hidrogrficas
Para elaborar os mapas das sub-bacias hidrogrficas presentes nas

microrregies de estudo, foram utilizados os dados disponveis no Sistema de
Informaes Hidrolgicas - HIDROWEB, que pode ser acessado atravs do site
http://hidroweb.ana.gov.br. Neste sistema, foram selecionados para download os
dados vetoriais da bacia do rio Uruguai e da bacia do Atlntico Trecho Sudeste
com suas respectivas divises em sub-bacias; os arquivos so disponibilizados
originalmente no formato *.shape e foram posteriormente convertidos para que, no
SPRING, pudessem ser gerados os planos matriciais referentes cada microrregio.
72
Clinografia
Rede hidrogrfica
Sub-bacias hidrogrficas
Rede viria
Densidade populacional
reas urbanas
Figura 8 Mapas de variveis estticas na microrregio Serras do Sudeste.

73
Clinografia
Rede viria
Rede hidrogrfica
Densidade populacional
Sub-bacias hidrogrficas
reas urbanas
Figura 9 Mapas de variveis estticas na microrregio Campanha Meridional.

74
3.8 Converses necessrias ao processo de modelagem
O primeiro procedimento adotado no SPRING para a realizao das

converses consistiu em reprojetar e registrar todos os mapas gerados
anteriormente para o sistema de projeo Policnica e o elipside de referncia
WGS 84.
Um requisito inicial para o processo de modelagem que todos os mapas
constituintes de variveis (estticas ou dinmicas) apresentem exatamente a mesma
resoluo espacial e o mesmo box de coordenadas, resultando em matrizes de
igual valor de colunas e linhas.
Este processo possvel a partir da criao de um novo projeto contendo as
informaes desejadas e que sero adotadas comumente a todos os planos de
informao usados na modelagem.
Para a microrregio Campanha Meridional, adotou-se a resoluo espacial
250 metros (compatvel com os produtos MODIS), mdulo escalar 500.000 e box
do projeto: 551007 a 531318 de Longitude Oeste e 320047 a 302155 de
Latitude Sul.
Para a microrregio Serras do Sudeste, adotou-se igualmente a resoluo
espacial de 250 metros e o mdulo escalar 500.000, e box do projeto: 550045 a
515401 de Longitude Oeste e 320840 a 295953 de Latitude Sul.
A etapa final no aplicativo SPRING consistiu na exportao de todos os
mapas (de variveis estticas e dinmicas) em formato matricial.
3.8.1 Uso do aplicativo Idrisi
A utilizao desse aplicativo foi necessria para a adequao de todos os

mapas participantes da modelagem. O processo realizado, a partir das imagens
raster exportadas, compreendeu as mesmas etapas, tanto para os mapas ndice
de vegetao como para os mapas de variveis estticas, sendo executado na
seguinte ordem:
75
1)
Importao de imagens no formato Tiff/GeoTiff referentes aos mapas das

microrregies de estudo e anlise das propriedades de cada layer, tais como
parmetros de referncia (X e Y), sistema de referncia, tamanho da imagem,
paleta de cores, entre outros. requisito obrigatrio que os layers integrantes
do modelo apresentem exatamente as mesmas propriedades quanto aos
parmetros mencionados (Figura 10a).
2)
Correo do atributo numrico referente s classes temticas identificadas na

imagem atravs da anlise Feature Properties e da edio manual a partir
de uma tabela Edit, na qual so relacionados os valores matriciais originais
e os valores a serem assumidos para as classes; todos os layers do processo
devem apresentar um atributo numrico padronizado para as classes, sendo
que estas no podem assumir o valor 0 (zero), e este atributo deve ser
mantido at o final do processo de simulao (Figura 10b).
3)
Anlise Crosstab entre os layers para deteco de transies no passveis

de ocorrncia entre os mapas temporais, e que no sero admitidas no
modelo. Estas transies podero ser igualmente corrigidas atravs da edio
do atributo numrico da classe, sendo, neste caso, mantido o atributo
referente ao mapa inicial (tempo 1). O mapa corrigido , ento, utilizado na
simulao (Figura 10c).
4)
Obteno dos arquivos Idrisi Raster Documentation File (rdc) e Idrisi Raster
Format (rst) referentes aos mapas a serem usados no modelo.
76
(a) importao das imagens Tiff/GeoTiff e anlise das propriedades dos layers das microrregies
Serras do Sudeste e Campanha Meridional;
(b) correo do atributo numrico das classes e edio da legenda;
(c) anlise Crosstab entre os mapas da microrregio Serras do Sudeste;
Figura 10 Sequncia de procedimentos operacionais realizados para converso

de arquivos no aplicativo IDRISI 32.
77
3.8.2 Uso do aplicativo ErMapper Earth Resource Mapping
Este aplicativo utilizado para a edio e converso de todos os layers

originados no aplicativo Idrisi para um formato compatvel com o Dinamica EGO. O
procedimento realizado conforme descrio a seguir:
1)
Seleo de um diretrio com os layers de extenses *.rdc e *.rst, juntamente
com os arquivos texto, contendo o cabealho padro do ErMapper sobre o qual

foram alteradas as informaes referentes ao nome, sistema de referncia, sistema
de projeo e coordenadas do mapa. Os cabealhos alterados foram mantidos com
a mesma nomenclatura, porm com extenso *.rst.ers e salvas em formato *.txt.
2)
Importao dos layers referentes s variveis dinmicas, com a concomitante
verificao dos histogramas de frequncia dos nveis de cinza, nos quais devem ser
observados os limites atuais de cada classe temtica adotada.
3)
Criao de um cubo de dados referente s variveis estticas, no qual so
includos todos os demais layers participantes do processo de modelagem,

referentes aos mapas temticos descritos na seo 3.7, para que tambm seja
realizada a verificao dos histogramas de frequncia.
4)
Gerao dos layers dos mapas inicial e final e do cubo de dados de
variveis estticas em formato compatvel com o processamento na plataforma

Dinamica EGO.
78
3.9 Modelagem de dados espaciais no Dinamica EGO
3.9.1 Seleo das variveis integrantes do modelo

Como descrito na Seo 2.4.1.1, o mtodo de pesos de evidncia baseia-se
no teorema da probabilidade condicional de Bayes. A seleo de variveis para a
anlise de modelagem deve considerar a avaliao da independncia entre pares de
variveis selecionadas para explicar uma mesma transio de uso do solo.
Para avaliar esta condio entre as variveis pr-selecionadas, foram
utilizados os ndices de Cramer (V) e a Incerteza de Informao Conjunta (U); para o
clculo de ambos, necessrio obterem-se valores de reas a partir da tabulao
cruzada entre pares de mapas de variveis sob anlise. O ndice de Cramer
definido por Bonham-Carter (1994) pela seguinte frmula:
V=
/ T..M,
(19)
em que:
T = totais marginais da matriz de tabulao cruzada entre dois mapas A e B;
X2 = estatstica qui-quadrado;
M = mnimo de (n-1, m-1), em que n igual ao nmero de linhas e m o nmero de
colunas da matriz de tabulao cruzada entre os mapas A e B.
A Incerteza de Informao Conjunta (U) tambm se baseia na matriz de
tabulao cruzada T; assim, U(A,B) pode ser usada como uma medida de
associao, sendo definida por (Bonham-Carter, 1994):
U(A,B) = 2 [H(A) + H(B) H(A,B) / H(A) + H(B)],
(20)
a qual varia entre 0 e 1, sendo que quando os dois mapas so completamente

independentes, ento H(A,B) = H(A) + H(B) e U(A,B) 0, e quando os dois mapas
so completamente dependentes, H(A) = H(B) = H(A,B) = 1, e U(A,B) 1 (ALMEIDA,
2003). Bonham-Carter (1994), reporta que valores inferiores a 0,5 tanto para V
quanto para U sugerem menos associao do que mais. Este critrio foi adotado
para a seleo de variveis explicativas do modelo.
79
3.9.2 Processos de calibrao e simulao

Um modelo implementado no Dinamica EGO exige a organizao de
containers. O primeiro deles chamado Group, responsvel pelo controle de todo
o modelo, o qual permite a execuo de procedimentos que envolvem as etapas de
calibrao, execuo do modelo propriamente dito e validao do modelo.
A calibrao inicia-se com o clculo das matrizes chamadas Single Step
Transition Matriz e Multiple Step Transition Matrix, que conferem valores aos
processos de transio ocorridos entre os mapas de uso e cobertura para o instante
inicial (tempo 1) e para o instante final (tempo 2).
A matriz Single Step refere-se aos processos de transio entre as classes
durante todo o perodo de anlise. A matriz Mult Step, por sua vez, indica as
transies ocorridas a cada passo de tempo do perodo analisado (SOARES-FILHO
et al., 2009).
As matrizes so geradas a partir da definio dos seguintes parmetros no
container Group (Figura 11a):
a) Parmetros de entrada (Input):
a.1) mapa de uso inicial;
a.2) mapa de uso final.
b) Parmetros do modelo (Determine Transition Matrix):
b.1) Intervalo de tempo considerado (Time Steps).
c) Parmetros de sada (Output):
c.1) nome para o arquivo de matriz single - single step.csv;
c.2) nome para o arquivo de matriz mult step - multiple step.csv.
O processo seguinte da calibrao consiste em realizar o chamado
fatiamento dos mapas de variveis estticas e dinmicas contnuas, no qual so
determinadas faixas de distncia em relao a cada classe temtica considerada.
Para a gerao das faixas de distncia devero ser determinados no Group
(Figura 11b):
80
a.1) mapa de variveis estticas;

a.3) mapa de uso final.
b) Parmetros do modelo (Determine Weights of Evidence Ranges):
b.1) clculo do mapa de distncia, com insero do nmero de classes
consideradas;
b.2) classificao das variveis em categricas (discretas) e no-categricas
contnuas, (estticas ou dinmicas, por ex.: faixas de distncia para cada uso), para
cada transio analisada e, ainda, definio da resoluo espacial adotada.
c.1) nome para o arquivo de fatias - skeleton.dcf.
b) Parmetros do modelo (Determine Weights of Evidence Coeficients):
neste procedimento os parmetros adotados so os mesmos da etapa anterior,
portanto, nenhuma alterao dever ser realizada.
Posteriormente, deve-se proceder ao clculo dos coeficientes pelo mtodo
dos pesos de evidncia, em que foram definidos os seguintes itens (Figura 11c):
b) Parmetros de entrada (Input):
b.1) mapa de uso inicial;
b.2) mapa de uso final;
b.3) mapa de variveis estticas;
b.4) arquivo de fatias, (Skeleton).
c.1) nome para o arquivo dos coeficientes de pesos de evidncia:
weights.dcf.
A calibrao do modelo finalizada pela obteno dos mapas de correlao,
nos quais so calculados os ndices Cramer (V) e Incerteza de Informao Conjunta
(U), descritos na Seo 3.9.1.
81
Estes ndices colaboram para a seleo de variveis intervenientes ao

modelo. Em ambos os casos, necessrio obterem-se valores de reas, tomados a
partir da tabulao cruzada entre os pares de mapas analisados.
Este clculo possibilita a percepo de quais variveis devem permanecer ou
ser retiradas do modelo, em funo de sua elevada associao ou dependncia
espacial.
Nesta etapa devero ser discriminados os itens abaixo (Figura 11d):
a.3) arquivo de pesos de evidncia weights.
b) Parmetros do modelo (Determine Weights of Evidence Correlation):
b.1) clculo do mapa de distncia, com insero do nmero de classes de
uso consideradas;
b.2) insero das transies de uso consideradas.
c.1) nome para o arquivo de correlao dos pesos de evidncia.
A execuo do modelo propriamente dita requer a organizao de um novo
container denominado Repeat. Este responsvel por executar os seus
operadores por quatro iteraes, correspondentes ao nmero de passos de cada
perodo de simulao.
Esta etapa compe-se de algumas fases, para as quais so definidos
parmetros individuais, cujas caracterizaes so descritas a seguir (Figura 11e):
a.1) arquivo de matriz mult step (Multiple Step);
a.4) arquivo de pesos de evidncia (weights).
82
b.1) Etapas do processo que no sofrem alteraes em suas definies, mas

so essenciais ao funcionamento do modelo:
b.1.1) Mux Categorical Map: esse functor reinjeta mapas produzidos em
uma iterao na iterao seguinte, permitindo a retroalimentao dos mapas;
b.1.2) Calc Change Matrix: transforma a taxa de mudana de uso em um
nmero absoluto de mudanas (quantidade de clulas); a quantidade de clulas
ento dividida entre as funes de transio (expander e patcher), atravs do
functor Change Matrix.
b.1.3) Calc Distance: usado para calcular o mapa de distncias.
b.2) Modulate Change Matrix, em que so definidas as taxas percentuais de
mudana para as transies consideradas.
b.3) Expander: nesse algoritmo so definidas as caractersticas espaciais das
transies das manchas de uso e cobertura previamente existentes, para as quais
so adotados valores de rea em hectare para mdia e varincia e grau de
isometria.
b.4) Patcher: nesse algoritmo de transio, so definidos valores destinados
gerao de novas manchas, para os quais so igualmente adotados os valores de
rea em hectare para mdia e varincia e valor de isometria. A isometria
corresponde ao valor pelo qual se multiplica as probabilidades de clulas vizinhas
clula central, para induzir a variaes na configurao espacial das manchas.
Normalmente so utilizados valores entre zero e dois, sendo valores prximos a zero
ou zero responsveis pela formao de manchas mais dendrticas, e valores
prximos a dois, pela formao de manchas mais compactas.
b.5) Insero das transies consideradas na execuo do Calc. Weights of
Evidence Probabillity Map.
c.1) nome para a gerao dos mapas de paisagem anual - landscape.ers;
c.2) nome para a gerao dos mapas de probabilidade de mudanas de uso e
cobertura anual - probs.tiff.
83
(a) clculo das matrizes de transio;
(b) gerao de faixas de distncias s variveis;
(c) clculo dos pesos de evidncia;
(d) anlise de correlao entre os mapas;
(e) execuo do modelo de simulao;
Figura 11 Sequncia de procedimentos operacionais realizados no processo de

modelagem na plataforma Dinamica EGO.
84
3.9.3 Teste de validao estatstica dos modelos
Esta etapa foi realizada com o objetivo de avaliar os resultados obtidos

durante a simulao. O processo de validao do modelo no Dinamica dado pela
aplicao dos algoritmos funo de decaimento constante e funo de decaimento
exponencial sobre os mapas diferena, resultantes de subtrao algbrica
especfica entre os mapas real e inicial, e entre o mapa simulado e o mapa inicial.
Esse processo constitui uma adaptao do mtodo de Hagen (2003) por
Soares-Filho et al., (2005), que considera medidas de similaridade por lgica fuzzy,
aplicadas em contexto de vizinhana local sobre os mapas reais e os mapas
simulados, como ilustra a Figura 12.
No mtodo fuzziness of location dubiedade de localizao a
representao de uma clula influenciada por ela mesma e, em menor proporo,
pelas clulas vizinhas. Um vetor exato associado a cada clula do mapa, sendo
que esse vetor possui tantos elementos quantos forem as classes temticas
adotadas, assumindo 1 para categoria= i e 0 para as categorias diferentes de i.
Dessa forma, o vetor de vizinhana fuzzy (Vnbhood) para cada clula dado por:
, (21)
. (22)
Em que:
nbhood i
representa a pertinncia para a categoria i dentro de uma vizinhana de N
clulas (normalmente N=n2);

crisp ij
a pertinncia da categoria i para a clula vizinha j, assumindo-se no vetor
crisp 1 para i, e 0 para categorias diferentes de i;

mj
a pertinncia baseada em distncia da clula vizinha j, em que m refere-se a
uma funo de decaimento exponencial (m = 2-d/2), sendo d a distncia unitria entre

clulas, medida de centride a centride.
85
Figura 12 Obteno dos mapas diferena 1 e 2 para aplicao do mtodo de

similaridade fuzzy.
Fonte: Soares-Filho et al. (2005). Adaptado pela autora.
No Dinamica EGO, a medida de similaridade foi obtida separadamente pela

aplicao das duas funes, sendo definidos os seguintes parmetros de entrada no
modelo:
a) Parmetros de entrada:
a.2) mapa de uso final;
a.3) mapa simulado.
Os parmetros de entrada no modelo constituem os mesmos, tanto para a
funo constante quanto para exponencial, devendo ainda ser definidos os
parmetros de sada, que se referem s tabelas de mxima e mnima similaridade
entre os mapas para as janelas de 3x3, 5x5, 7x7, 9x9 e 11x11.
Os mapas de similaridade demonstram os erros e acertos para os resultados
simulados. Portanto, aps este processo de validao, realizado com relativos
ndices de aceitao, possvel efetuar simulaes relativas ao perodo analisado
pelo modelador. Considerando-se a resoluo temporal adotada nesse estudo,
objetivou-se a projeo de cenrios posteriores at oito anos.
4 RESULTADOS
4.1 Anlise amostral
A obteno dos valores do NDVI sob as imagens possibilitou verificar o

comportamento espectral dos temas em estudo com relao a este ndice de
vegetao. A correlao com a respectiva classe temtica foi estabelecida pela
definio de uma poligonal de 9 pixels sobre as imagens Landsat, que
posteriormente foram sobrepostas s grades numricas MOD13Q1 para leitura do
NDVI. O valor adotado por unidade amostral correspondeu mdia aritmtica
simples tomada entre as imagens mensais (relativas ao perodo de agosto a
novembro), sendo esse valor extrado das imagens por meio da rotina estatstica da
imagem por polgonos do aplicativo SPRING.
O procedimento adotado foi realizado, sucessivamente, para as quatro
imagens mensais de cada um dos anos (2000, 2004 e 2008), no intuito de se
obterem limiares de referncia para o respectivo ano.
Nessa etapa, foram analisadas quatrocentas unidades amostrais para cada
ano, totalizando mil e duzentas leituras ao longo da srie temporal. No entanto, para
a definio dos valores de referncia anual, foi adotada a mdia aritmtica obtida
entre as imagens.
Os APNDICES A, B e C apresentam os valores mdios do NDVI
contabilizados como limiares de referncia para os anos 2000, 2004 e 2008 na
microrregio Serras do Sudeste. A organizao da tabela dada pela relao dos
quatro temas analisados: cobertura florestal, regenerao, campo e solo sem
vegetao e seu correspondente ndice de vegetao. Nos APNDICES D, E e F,
encontram-se os valores mdios do NDVI calculados com base nas mesmas
imagens, com referncia rea da microrregio Campanha Meridional.
Parmetros de avaliao sobre o comportamento dos valores NDVI para um
dado tema, ao longo da srie temporal, encontram-se relacionados nas Tabelas 7 e
8, respectivamente, para as microrregies Serras do Sudeste e Campanha
Meridional.
87
Tabela 7 Parmetros calculados para o conjunto amostral dos valores do NDVI na

microrregio Serras do Sudeste.
Produto MOD13Q1: NDVI do ano 2000
Parmetros
Mdia
Varincia
Desvio P.
CV%
Floresta
250,015
11,759
3,429
4,704
Regenerao
Campo
242,770
223,075
1,219
13,618
1,104
3,690
0,502
6,107
Solo
175,635
103,348
10,166
58,842
Mdia
Varincia
Desvio P.
CV%
250,803
8,177
2,859
3,280
243,010
222,900
1,550
12,500
1,245
3,535
0,628
5,621
177,360
109,172
10,497
61,864
Mdia
Varincia
Desvio P.
CV%
250,355
8,981
2,997
3,587
242,21
1,882
1,372
0,777
222,04
15,392
3,923
6,932
174,19
86,825
9,318
49,845
Tabela 8 Parmetros calculados para o conjunto amostral dos valores do NDVI na

microrregio Campanha Meridional.
Parmetros
Mdia
Varincia
Desvio P.
CV%
Floresta
247,444
17,735
4,211
7,167
Regenerao
Campo
237,350
225,700
2,361
8,787
1,536
2,964
0,981
3,893
Solo
175,99
88,230
9,393
50,133
Mdia
Varincia
Desvio P.
CV%
248,09
15,748
3,968
6,347
238,36
222,38
4,042
16,381
2,010
4,047
1,696
7,366
173,03
96,908
9,844
56,006
Mdia
Varincia
Desvio P.
CV%
250,515
6,168
2,483
2,462
242,85
2,523
1,588
1,038
223,27
15,894
3,986
7,119
171,72
73,888
8,595
43,028
De acordo com os resultados demonstrados nas Tabelas 7 e 8, possvel

inferir sobre o comportamento deste ndice de vegetao para as diferentes classes
ao longo do tempo.
88
A floresta, na microrregio Serras do Sudeste, apresentou um NDVI mdio

em torno de 250 em todos os perodos analisados, o que indica uma resposta
espectral semelhante dessa classe ao longo do tempo, desde que considerado o
mesmo perodo do ano para a tomada das imagens. Esse resultado tambm sugere
que condies estruturais do dossel e de seu estgio vegetativo foram mantidas, de
modo geral, ao longo do perodo.
Os valores de varincia, desvio padro e coeficiente de variao encontrados
para essa classe indicam bons resultados quanto resposta das unidades amostrais
analisadas.
Na microrregio da Campanha Meridional, o valor mdio encontrado para o
NDVI da floresta no apresentou um valor padronizado, pois, em cada data,
analisada a mdia difere-se das demais, embora os parmetros estatsticos
calculados denotem igualmente bons resultados com relao s amostras adotadas.
Deve-se considerar que, no caso da regenerao, embora tenha apresentado
um intervalo mais limitado para os valores NDVI, apresenta valores muito prximos
aos da classe floresta, o que indica um comportamento espectral semelhante para
as duas classes em todos os perodos.
A classe campo de formao vegetal reduzida e a classe solo sem vegetao
apresentam valores inferiores para o NDVI. Observam-se nessas classes, maiores
valores relativos varincia, desvio padro e coeficiente de variao; tal fato pode
ser justificado pela maior variabilidade encontrada para o NDVI nesses temas, que
apresentam uma resposta espectral mais diversificada devido sua composio, por
exemplo: nas reas de campo, maior ou menor presena de cobertura vegetal; no
solo, maior ou menor presena de umidade.
A definio dos ndices de vegetao indicativos de cada classe requer a
comprovao da heterogeneidade entre as amostras e, para tal, foi aplicada uma
anlise de varincia (ANOVA) juntamente com o teste de Tukey HSD sobre os
respectivos valores do NDVI para as unidades amostrais.
As anlises consideram o NDVI mdio observado para os anos 2000, 2004 e
2008, respectivamente. A Tabela 9 apresenta os resultados preliminares para o teste
de
homogeneidade
de
varincias
entre
classes,
em
uma
mesma
data,
respectivamente, para as microrregies Serras do Sudeste e Campanha Meridional.
89
Tabela 9 Teste F aplicado aos valores mdios do NDVI, considerando um mesmo

perodo de anlise, nas microrregies Serras do Sudeste e Campanha Meridional.
Microrregio Serras do Sudeste
Maior varincia
Menor varincia
Classe
Classe
2000
Solo
Regenerao
Fcalc = 102,763; 99gl >p-value< 2,220e-16; 5%*
2004
Solo
Regenerao
Fcalc = 71,060; 99gl >p-value< 2,220e-16; 5%*
2008
Solo
Regenerao
Fcalc = 49,062; 99gl > p-value < 2,220e-16; 5%*
Data
Teste F
Microrregio Campanha Meridional

2000
Solo
Regenerao
Fcalc = 38,859; 99gl >p-value< 2,220e-16; 5%*
2004
Solo
Regenerao
Fcalc = 24,203; 99gl >p-value< 1,308e-11; 5%*
2008
Solo
Regenerao
Fcalc = 12,856; 99gl >p-value< 2,220e-16; 5%*
Signific. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Os resultados obtidos indicam que os valores de NDVI calculados para as

classes diferem entre si, com intervalo de confiana igual a 95%.
Uma anlise prvia ANOVA, no intuito de verificar a normalidade dos
valores mdios do NDVI amostrados para cada ano, foi realizada atravs do teste de
Shapiro-Wilks. (W) (SCHNEIDER et al., 2009).
Os resultados obtidos para os anos 2000, 2004 e 2008 encontram-se
relacionados na Tabela 10 e demonstram que, para as quatro classes analisadas, o
valor calculado W superior ao valor tabelado (p-value), portanto, aceita a
normalidade das observaes no perodo avaliado.
A ANOVA foi, ento, aplicada para testar a heterogeneidade dos valores
NDVI entre as classes de vegetao em uma mesma data de anlise. Os resultados
para o teste so demonstrados na Tabela 11.
90
Tabela 10 Teste de Shapiro-Wilks. aplicado aos valores mdios do NDVI

referentes a 2000, 2004 e 2008 nas microrregies Serras do Sudeste e Campanha
Meridional.
Classe
ndice Shapiro-Wilks. (W)
p-value
Floresta
0,8715
8,06e-08
Regenerao
0,8603
2,899e-08
Campo
0,9460
0,0004534
Solo
0,9445
0,0003682

Floresta
0,9081
3,458e-06
Regenerao
0,9318
6,279e-05
Campo
0,9499
0,0008177
Solo
0,8862
3,363e-07

Floresta
0,9431
0,0002977
Regenerao
0,9075
3,257e-06
Campo
0,9400
0,0001929
Solo
0,9367
0,0001214

Classe
ndice Shapiro-Wilks. (W)
p-value
Floresta
0,9577
0,002769
Regenerao
0,8556
1,921e-08
Campo
0,9222
1,853e-05
Solo
0,9099
4,239e-06

Floresta
0,9264
3,142e-05
Regenerao
0,9269
3,313e-05
Campo
0,9327
7,128e-05
Solo
0,8895
4,681e-07

Floresta
0,9501
0,0008363
Regenerao
0,6609
7,25e-14
Campo
0,9552
0,001869
Solo
0,9257
2,848e-05
91
Tabela 11 ANOVA aplicada aos valores mdios do NDVI em 2000, 2004 e 2008
nas microrregies Serras do Sudeste e Campanha Meridional.
Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
339246
113082
2977,9
< 2,2e-16 ***
396
15038
38
Residual standard error: 6,162

Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
325535
108512
3278,3
< 2,2e-16 ***
396
13108
33

Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
351063
117021
3940,3
< 2,2e-16 ***
396
11761
30

Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
301002
100334
3290,5
< 2,2e-16 ***
396
12075
30

Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
333601
111200
3338,9
< 2,2e-16 ***
396
13189
33

Medias
Residuals
Df
Sum Sq
Mean Sq
F value
Pr(>F)
376921
125640
4891,8
< 2,2e-16 ***
396
10171
26

Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
92
O teste de Tukey HSD foi aplicado posteriormente para verificar entre quais
classes ocorrem as diferenas significativas detectadas na ANOVA. As Tabelas 12 e
13 apresentam os resultados obtidos na comparao pareada entre as mdias.
possvel comprovar, devido ao limite inferior positivo calculado, que entre todas as
classes ocorrem diferenas significativas em nvel 5%. Os maiores valores,
quanto aos limite inferior (lwr) e superior (upr), indicam maior distino entre as
classes. Para a interpretao dos resultados, deve-se considerar (1) floresta, (2)
regenerao, (3) campo e (4) solo sem vegetao.
Tabela 12 Comparao pareada entre as classes, atravs do teste de Tukey HSD
nos diferentes perodos, para a microrregio Serras do Sudeste.
Classe
Diff
lwr
upr
P adj
3-4
47,740
45,492
49,988
2-4
67,435
65,187
69,684
1-4
74,680
72,432
76,928
2-3
19,695
17,447
21,943
1-3
26,940
24,692
29,188
1-2
7,245
4,997
9,493
3-4
45.540
43,441
47,639
2-4
65.650
63,551
67,749
1-4
73.443
71,344
75,542
2-3
20.110
18,010
22,209
1-3
27.903
25,804
30,002
1-2
7.793
5,694
9,892
3-4
47,96
45,972
49,948
2-4
68,13
66,142
70,118
1-4
76,31
74,322
78,298
2-3
20,17
18,182
22,158
1-3
28,35
26,362
30,338
1-2
8,18
6,192
10,168
93
Tabela 13 Comparao pareada entre as classes, atravs do teste de Tukey HSD

nos diferentes perodos, para a microrregio Campanha Meridional.
Classe
Diff
lwr
upr
P adj
3-4
49,620
47,605
51,635
2-4
61,270
59,255
63,285
1-4
71,464
69,449
73,479
2-3
11,650
9,635
13,665
1-3
21,844
19,829
23,859
1-2
10,194
8,179
12,209
3-4
49,35
47,244
51,455
2-4
65,33
63,224
67,435
1-4
75,04
72,934
77,145
2-3
15,98
13,874
18,085
1-3
25,69
23,584
27,795
1-2
9,71
7,604
11,815
3-4
51,550
49,701
53,399
2-4
70,930
69,081
72,779
1-4
78,795
76,946
80,644
2-3
19,380
17,531
21,229
1-3
27,245
25,396
29,094
1-2
7,865
6,016
9,714
Na Figura 13, ilustrada a plotagem dos dados calculados atravs do teste

Tukey HSD. De acordo com os grficos, possvel visualizar que todas as classes
avaliadas em um mesmo perodo diferem entre si em nvel 5%. A ordem
estabelecida no grfico refere-se aos pares com maiores contrastes em relao ao
valor mdio do NDVI. Os resultados indicam que, para as duas microrregies, as
observaes encontradas so distintas em relao ao comportamento espectral de
cada classe, sendo, portanto, passvel seu uso como indicadoras do comportamento
da respectiva classe em toda a imagem.
94
(a)
Ano 2000, microrregies Serras do Sudeste e Campanha Meridional.
(b)
(c)
Figura 13 Plotagem da comparao pareada entre as classes, obtida pelo teste

Tukey HSD, para as microrregies Serras do Sudeste e Campanha Meridional.
95
4.2 Mapeamento atravs da classificao digital de imagens
A tcnica de classificao digital aplicada s imagens MODIS possibilitou o

mapeamento temtico das microrregies em cada data analisada. Optou-se pelo uso
da imagem de 15 de outubro, respectivamente para os anos 2000, 2004 e 2008,
como representativa do perodo anual considerado (agosto a novembro).
Os resultados obtidos pelo intermdio da classificao digital possibilitam a
inferncia sobre a distribuio espacial e a quantificao das classes, sendo a
confiabilidade de tais informaes avaliada pelo ndice Kappa (LANDIS e KOCH,
1977).
O Kappa calculado a partir dos dados de referncia da matriz de erros
gerada no processo de classificao digital. Os coeficientes determinados para a
microrregio Serras do Sudeste so apresentados, consecutivamente, nas Tabelas
14, 15 e 16. Para todas as avaliaes, foram obtidos resultados considerados
excelentes, segundo a qualificao apresentada na literatura. Os elevados valores
desse ndice, podem ser justificados em funo da baixa resoluo espacial da
imagem e do reduzido nmero de classes avaliadas.
Tabela 14 Qualidade da classificao digital de 15/10/2000 para a microrregio

Serras do Sudeste, avaliada pelo ndice Kappa.
MATRIZ DE ERROS DA CLASSIFICAAO Imagem 15/10/2000
Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
274
13
287
Regen.
163
170
Campo
145
145
Solo
188
188
gua
28
28
Coluna
280
176
146
188
28
818
Clculo do coeficiente Kappa das amostras

Linha x Coluna
Linha
818
168422
Diagonal
798
ndice Kappa
0,967
96

Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
268
269
Regen.
136
138
Campo
150
157
Solo
150
154
gua
21
21
Coluna
270
140
153
153
23
739

Linha x Coluna
Linha
739
140211
Diagonal
725
ndice Kappa
0,974

Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
281
282
Regen.
136
18
154
Campo
143
147
Solo
153
153
gua
14
14
Coluna
281
141
161
153
14
750

Linha x Coluna
Linha
750
148454
Diagonal
727
ndice Kappa
0,958
As anlises de exatido para os resultados da classificao digital aplicada s

imagens da microrregio Campanha Meridional esto relacionadas nas Tabelas 17,
18 e 19. Como nas matrizes anteriores, os valores das colunas constituem dados de
referncia, obtidos com base nas amostras tomadas durante a fase de treinamento
97
da classificao digital, no qual produzida a amostragem referente a cada classe

temtica a ser considerada.
Campanha Meridional, avaliada pelo ndice Kappa.
Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
227
227
Regen.
139
141
Campo
128
129
Solo
218
218
gua
14
14
Coluna
227
140
130
218
14
729

Linha x Coluna
729
Linha2
135771
Diagonal
726
ndice Kappa
0,994

Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
238
244
Regen.
133
142
Campo
11
119
130
Solo
228
228
gua
19
19
Coluna
238
148
130
228
19
763

Linha x Coluna
Linha2
Diagonal
ndice Kappa
763
148945
737
0,954
98

Floresta
Regenerao
Campo
Solo
gua
Absteno
Linha
Floresta
281
282
Regen.
136
18
154
Campo
143
147
Solo
153
153
gua
14
14
Coluna
281
141
161
153
14
750

Linha x Coluna
Linha
788
163020
Diagonal
782
ndice Kappa
0,987
A classificao digital usada, neste estudo, no intuito de subsidiar a anlise

dos resultados obtidos nos mapas ndice de vegetao, descritos na Seo 4.3 a
seguir, sendo, posteriormente, efetuada a comparao entres tais resultados.
O mtodo de mapeamento temtico validado nessa etapa permite visualizar a
distribuio espacial das classes temticas nas duas microrregies, bem como
quantific-las nos diferentes perodos, tornando possvel uma anlise preliminar
sobre a evoluo do comportamento das classes com relao aos processos de
expanso e reduo.
Nas Figuras 14 e 15 apresentam-se os mapas obtidos pelo processo de
classificao digital supervisionada algoritmo MaxVer, para as microrregies
Serras do Sudeste e Campanha Meridional em 15/10/2000, 15/10/2004 e
15/10/2008.
Quando comparados diretamente aos mapas ndice de vegetao, deve-se
considerar que nessa etapa foi alocada a classe temtica gua, a qual foi
posteriormente incorporada classe solo sem vegetao, para posterior extrao
de informaes com base no produto NDVI.
As Tabelas 20 e 21 quantificam os resultados obtidos por meio do processo
de classificao digital.
Microrregio Serras do Sudeste - RS
Ano 2000
Legenda das classes temticas:
Ano 2004
Ano 2008
Representao sem escala.
Figura 14 Mapeamento temtico obtido pelo processo de classificao digital, microrregio Serras do Sudeste em 15/10/2000,
15/10/2004 e 15/10/2008.
Microrregio Campanha Meridional - RS
Ano 2000
Legenda classes temticas:
Ano 2004
Ano 2008
Representao sem escala.
Figura 15 Mapeamento temtico obtido pelo processo de classificao digital, microrregio Campanha Meridional em
15/10/2000, 15/10/2004 e 15/10/2008.
101
Tabela 20 Quantificao das classes temticas por meio da classificao digital na

microrregio Serras do Sudeste em 15/10/2000, 15/10/2004 e 15/10/2008.
Classe
rea 2000 (ha)
rea 2004 (ha)
rea 2008 (ha)
gua
1.108,5
1.204,25
1935,25
Solo
275.985,25
254.902,0
247.096,0
Campo
1.181.038,0
1.083.206,25
992.018,75
Regenerao
52.468,75
120.950,0
175.143,75
Floresta
141.681,25
192.018,75
236.087,5
Total
1.652.281,25
1.652.281,25
1.652.281,25
Tabela 21 Quantificao das classes temticas por meio da classificao digital na

microrregio Campanha Meridional em 15/10/2000, 15/10/2004 e 15/10/2008.
Classe
rea 2000 (ha)
rea 2004 (ha)
rea 2008 (ha)
gua
196.443,25
108.093,75
149.168,25
Solo
353.656,75
268.581,25
200.619,25
Campo
586.900,0
725.531,25
707.525,0
Regenerao
131.293,75
164.800,0
203.487,5
Floresta
157.812,5
159.100,0
165.306,25
Total
1.426.106,25
1.426.106,25
1.426.106,25
Os resultados obtidos no processo de classificao digital permitem analisar a

distribuio espacial bem como quantificar as classes de uso e cobertura da terra
nas reas de estudo. Uma caracterstica comum s duas microrregies a
predominncia da classe campo e, na mesma ordem, seguem as classes
regenerao e floresta. No entanto, a ocorrncia das reas de solo e gua distinta
para as duas microrregies. Nas Serras do Sudeste, as reas de solo compreendem
reas de agricultura em pousio nesse perodo do ano, mas muitas vezes constituem
reas imprprias ao uso agrcola devido ocorrncia de solos pobres e de
afloramentos rochosos. J na microrregio Campanha Meridional, quase que a
totalidade das reas de solo e gua compreendem reas de agricultura irrigada
tambm em pousio. O plantio do arroz irrigado compreende a principal atividade
econmica microrregional. possvel inferir, com relao cobertura florestal, que
nessa microrregio, de maior potencial s atividades agrcolas, a expanso das
classes regenerao e floresta mostra-se menos expressiva.
102
4.3 Mapas ndice de vegetao
Os mapas ndice de vegetao foram gerados pelo processo de fatiamento

das grades numricas do tipo MDT (Modelo Numrico do Terreno) correspondentes
s respectivas imagens NDVI do produto MOD13Q1. Os limiares usados para essa
operao foram calculados em funo dos limites mnimos e mximos observados
para o conjunto amostral representativo de cada classe nos perodos analisados. Os
respectivos valores so demonstrados nas Tabelas 22 e 23.
O coeficiente calculado para o ndice de vegetao, no entanto, deve variar
em uma escala compreendida entre -1 e +1, sendo que para adequao do
resultado final quanto a esse ndice, foi necessrio normalizar as leituras obtidas na
imagem, as quais compreendem valores aleatrios entre 0 e 255 nveis de cinza.
A relao de equivalncia, calculada automaticamente atravs de uma
planilha eletrnica, define que o valor de reflectncia 0 equivale a um NDVI igual a 1, e o valor de reflectncia 255 equivale a um NDVI igual a +1, sendo os demais
valores distribudos nesse intervalo.
Tabela 22 ndices calculados para o fatiamento das imagens MOD13Q1 produto

NDVI, microrregio Serras do Sudeste em 2000, 2004 e 2008.
Limiares de Fatiamento:
NDVI ano 2000
NDVI normalizado
NDVI 2004
NDVI normalizado
NDVI 2008
NDVI normalizado
Florestas
Regenerao
Campo
Solo
255 a 245
244 a 241
229 a 216
190 a 160
1,0 a 0,91
0,90 a 0,88
0,79 a 0,69
0,48 a 0,25
255 a 246
245 a 241
229 a 217
191 a 160
1,0 a 0,92
0,91 a 0,88
0,79a 0,69
0,49 a 0,25
255 a 245
244 a 240
229 a 216
188 a 159
1,0 a 0,91
0,90 a 0,87
0,79 a 0,69
0,47 a 0,24
103
Tabela 23 ndices calculados para o fatiamento das imagens MOD13Q1 produto

NDVI, microrregio Campanha Meridional em 2000, 2004 e 2008.
NDVI ano 2000
NDVI normalizado
NDVI 2004
NDVI normalizado
NDVI 2008
NDVI normalizado
Florestas
Regenerao
Campo
Solo
255 a 240
239 a 235
231 a 221
189 a 163
1,0 a 0,87
0,86 a 0,83
0,80 a 0,73
0,48 a 0,27
255 a 241
241 a 235
229 a 216
187 a 160
1,0 a 0,89
0,88 a 0,83
0,79 a 0,69
0,46 a 0,25
255 a 245
244 a 240
230 a 216
185 a 159
1,0 a 0,91
0,90 a 0,87
0,79 a 0,69
0,44 a 0,24
Segundo os resultados indicados nas Tabelas 22 e 23, observa-se que os

ndices definidos para as classes so distintos e podem ser usados para caracterizar
diferentes tipologias de vegetao. Trabalhos de Anderson e Shimabukuro (2007)
relatam um ndice de vegetao (NDVI) de 0,86 para reas florestais. De acordo
com a literatura, os valores encontrados so elevados e denotam a atividade
fotossinttica da vegetao. Convm ressaltar que os limiares de fatiamento so
definidos pelo valor mdio resultante da observao das imagens referentes a um
perodo anual e que no expressam uma nica resposta espectral da clula
referente imagem de uma nica data.
Embora os valores tenham sido obtidos por meio de amostragem, possvel
comprovar que o comportamento de uma mesma classe semelhante em todas as
datas, e que o fatiamento das grades deu-se praticamente pelos mesmos limiares ao
longo do tempo. Essa observao vlida para as duas microrregies de estudo.
Uma considerao pertinente a sensvel diferena entre os limiares de
fatiamento
dos
temas
floresta
regenerao.
Embora
sejam
distintos
estatisticamente, esse intervalo se sobreps em dado momento na Campanha

Meridional (0,87 para floresta em 2000 e para regenerao em 2004) o que justifica
a escolha de limiares independentes para cada ano, no sendo possvel a adoo
de um ndice NDVI genrico para uma dada classe.
104
Com base nesse procedimento, foram elaborados os mapas temticos para

as microrregies Serras do Sudeste e Campanha Meridional. Os resultados
quantificados so demonstrados nas Tabelas 24 e 25, as quais comparam, por meio
da diferenas em hectares, tais valores com os resultados obtidos por meio da
classificao digital.
Tabela 24 rea total das classes de vegetao na microrregio Serras do
Sudeste.
rea 2000
Diferena
rea 2004
Diferena
rea 2008
Diferena
(ha)
(ha)
(ha)
(ha)
(ha)
(ha)
Solo s/ veget.
276.643,75
-450
256.781,25
675
249.631,25
600
Campo
1.180.112,5
-925
1.083.706,3
500
991.193,75
-825
Regenerao
53.193,75
725
120.625,0
-325
174.593,75
-550
Floresta
142.331,25
650
191.168,75
-850
236.862,5
775
Total
1.652.281,25
Classe
1.652.281,25
1.652.281,25
Tabela 25 rea total das classes de vegetao na microrregio Campanha

Meridional.
rea 2000
Diferena
rea 2004
Diferena
rea 2008
Diferena
(ha)
(ha)
(ha)
(ha)
(ha)
(ha)
Solo s/ veget.
550.875,0
775
377.150,0
475
349.237,5
-550
Campo
586.075,0
-825
724.906,25
-625
708.250,0
725
Regenerao
130.618,75
-675
164.150,0
-650
203.962,5
475
Floresta
158.537,5
725
159.900,0
800
164.656,25
-650
Total
1.426.106,25
Classe
1.426.106,25
1.426.106,25
Os resultados apresentados nas Tabelas 24 e 25 permitem verificar que a

quantificao das reas, calculadas atravs do processo de fatiamento com base
no ndice de vegetao, apresenta valores muito prximos queles calculados por
meio da classificao digital, se considerada a dimenso das reas de estudo e a
baixa resoluo espacial do pixel, que representa 6,25 hectares de rea no terreno.
105
O monitoramento dos valores do ndice de vegetao ao longo da srie

temporal e sua respectiva associao s classes temticas permitiram igualmente
quantificar e verificar a distribuio espacial da vegetao nas duas microrregies.
Os resultados obtidos demonstram processos de expanso na cobertura
florestal bem como nas reas de regenerao das Serras do Sudeste e Campanha
Meridional. Na primeira microrregio, observa-se um acrscimo mais expressivo nas
classes
regenerao
floresta,
se
comparada
Campanha
Meridional,
provavelmente, devido maior influncia das atividades agropecurias nessa ltima

microrregio.
Nos mapas ndice de vegetao, ilustrados nas Figuras 16, 17 e 18 para a
microrregio Serras do Sudeste e nas Figuras 19, 20 e 21 para a microrregio
Campanha Meridional possvel observar a espacializao da cobertura florestal.
No incio do perodo, as duas microrregies tm suas principais reas
florestais junto a cursos de gua, caracterizando a presena de mata ciliar, e ainda
em reas de maiores declives, como nas pores noroeste das Serras do Sudeste e
nas pores nordeste da Campanha Meridional.
Ao longo da srie temporal notvel, atravs das ilustraes, a expanso das
reas de floresta; observa-se, nos anos de 2004 e principalmente 2008, o
incremento em reas de floresta plantada na poro central das Serras do Sudeste e
a expressiva evoluo da floresta e da regenerao na poro norte dessa mesma
microrregio.
possvel observar a maior concentrao da cobertura florestal e das reas
de regenerao na parte norte da microrregio Campanha Meridional; tambm
nessas imediaes que se concentra a maior parte das florestas plantadas.
A quantificao das classes permite inferir sobre a reduo das reas de solo
e campo ao longo do perodo, devendo, portanto, ocorrer processos de converso
de uso da terra entre tais classes, e esses sero posteriormente analisados com
base no clculo das matrizes de transio para os perodos de anlise.
Figura 16 Mapa ndice de vegetao na microrregio Serras do Sudeste em 2000.
107
108
109
Figura 19 Mapa ndice de vegetao na microrregio Campanha Meridional em 2000.
110
Figura 20 Mapa ndice de vegetao na microrregio Campanha Meridional em 2004.
111
Figura 21 - Mapa ndice de vegetao na microrregio Campanha Meridional em 2008.
112
4.4 Transies nas classes de vegetao
O processo de transio entre as classes foi analisado atravs de matrizes

geradas no simulador Dinamica EGO. Essa etapa constitui o passo inicial para o
processo de modelagem, pois ela determina os percentuais de mudana de estado
de uma clula de uma determinada classe para outra classe. Embora o foco desta
pesquisa esteja na anlise dos processos de converso da cobertura florestal, foram
tambm contabilizados os processos de transio ocorridos entre as demais
classes. A Tabela 26 apresenta a single step transition matrix para os dois
intervalos de simulao, 2000 a 2004 e 2004 a 2008, tanto para Serras do Sudeste
como para Campanha Meridional. Nessa matriz, so indicadas as taxas percentuais
ao longo de todo o perodo de simulao (Soares-Filho et al., 2009), correspondente,
nesse estudo, a quatro anos.
Tabela 26 Single step transition matrix para as microrregies Serras do Sudeste

e Campanha Meridional.
De \ Para
Solo
Campo
Regen.
Floresta
Microrregio Serras do Sudeste: 2000 2004

Solo
Campo
Regen.
0,475
0,012
0,075
0,099
0,026
0,481
0,028
0,243
0,131
Floresta
0,025
0,069
0,311
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regen.
0,419
0,038
0,112
0,085
0,032
0,539
0,031
0,275
0,231
Floresta
0,085
0,095
0,193
De \ Para
Solo
Campo
Regen.
Floresta
Microrregio Campanha Meridional: 2000 2004

Solo
Campo
Regen.
0,448
0,034
0,152
0,137
0,066
0,458
0,060
0,281
0,212
Floresta
0,027
0,074
0,236
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regen.
0,372
0,046
0,165
0,145
0,076
0,477
0,060
0,327
0,274
Floresta
0,031
0,086
0,220
113
De acordo com a Tabela 26, possvel observar na microrregio Serras do

Sudeste as seguintes taxas lquidas de expanso florestal: 2,5%, 6,9% e 31,1%
entre 2000 e 2004 e 8,5%, 9,5% e 19,3% entre 2004 e 2008. Na microrregio
Campanha Meridional, as taxas de expanso florestal correspondem a 2,7%, 7,4% e
23,6% entre 2000 e 2004; 3,1%, 8,6% e 22% entre 2004 e 2008. Tais percentuais se
referem respectivamente s converses de solo, campo e regenerao para floresta.
Atravs das matrizes de transio, foram tambm calculados os valores de
rea referentes aos processos de converso (reduo e expanso) ocorridos entre
as classes durante os dois perodos de anlise. Os resultados obtidos so
demonstrados na Tabela 27.
Tabela 27 Processos de converso entre as classes de vegetao nas
microrregies Serras do Sudeste e Campanha Meridional, nos dois perodos de
anlise, em valores de rea (ha).
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
131.418,8
3.418,75
116.562,5
88.843,75
1.387,5
25.575,0
4.050,0
3.556,25
18.700,0
Floresta
7.025,0
82.550,0
16.568,75
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
107.600,0
9.756,25
122.331,25
92.281,25
3.881,25
65.087,5
5.912,5
52.606,25
44.231,25
Floresta
21.918,75
103.193,75
23.331,25
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
247.081,25
19.068,75
89.062,5
80.237,5
8.675,0
59.887,5
9.475,0
44.550,0
33.618,75
Floresta
14.787,5
43.387,5
30.831,25
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
140.306,3
17.543,75
119.518,8
105.393,8
12.437,5
78.243,75
9.568,75
52.331,25
43.818,75
Floresta
11.587,5
62.625,0
36.262,5
114
A anlise das matrizes demonstradas na Tabela 27 permite verificar a

ocorrncia de processos de converso entre todas as classes durante o perodo de
anlise.
Na microrregio Serras do Sudeste, entre 2000 e 2004, segundo a matriz de
transio, a reduo de reas florestais dada pela converso dessa classe para
outras classes totalizou 57.306,25 ha, no entanto, sua expanso compreendeu
106.143,75 ha. Na mesma microrregio, entre 2004 e 2008, a reduo florestal foi
quantificada em 102.750 ha, e a expanso novamente obteve rea superior, sendo
quantificada em 148.443,8 ha.
Na microrregio da Campanha Meridional, foi quantificada, no primeiro
perodo, uma reduo de reas florestais de 87.643,75 ha, sendo o acrscimo
calculado em 89.006,25 ha. No segundo perodo, entre 2004 e 2008, a reduo da
cobertura florestal totalizou 105.718,8 ha, sendo o seu acrscimo contabilizado em
110.475 ha.
Os valores de expanso florestal, quando agregados s reas de manuteno
florestal, representam a totalidade dessa classe em cada data de anlise,
comprovando o processo de evoluo da cobertura florestal nas duas microrregies.
Dentre os processos observados, destaca-se, nas duas microrregies, as
converses da classe campo para regenerao e para floresta, denotando ser esta
classe a maior responsvel pela ocorrncia dos processos de expanso
quantificados.
Uma considerao deve ser feita com relao classe regenerao, pois,
segundo as matrizes de transio demonstradas anteriormente na Tabela 26, essa
classe apresenta elevados percentuais de converso, tanto para a classe campo,
como para a classe floresta. Essa ocorrncia pode ser explicada pelo fato de que
parte das reas de regenerao completam seu estgio evolutivo convertendo-se
em cobertura florestal, mas parte dessas reas sofrem interferncia, sendo
convertidas para reas de campo e sendo provavelmente utilizadas para o pastoreio
extensivo do gado. Ainda, verificam-se baixos ndices de converso entre
regenerao e solo, e tais processos no so quantificados na matriz percentual.
Essa constatao deve ser tomada com cautela, visto que a anlise realizada com
base em imagens de baixa resoluo espacial, mas possvel inferir que, em nvel
de grandes dimenses, a rea ocupada pelas atividades agrcolas no cede lugar
formao vegetal sucessora nem mesmo s atividades de implantao florestal.
115
4.5 Modelagem dinmica e simulaes anuais
Nesta seo, feita uma descrio sobre os principais resultados obtidos

durante o processo de modelagem desenvolvido no aplicativo Dinamica EGO.
O pressuposto para a alimentao do modelo dinmico constitui-se nos dados
de entrada, os quais so: o mapa inicial, o mapa final, um arquivo de pesos de
evidncia e ainda um cubo de dados contendo os mapas de variveis estticas que
podero influenciar o modelo. De posse dos mapas temporais do ndice de
vegetao, optou-se por conduzir o processo de modelagem segmentado em dois
perodos distintos, 2000 a 2004 e 2004 a 2008. Nessa concepo, foram obtidos
resultados independentes para os perodos analisados bem como para as duas
microrregies. Na Seo 4.4, apresentou-se o resultado encontrado para as
matrizes de transio entre as classes, calculado por meio de tabulao cruzada.
Essa etapa constitui o primeiro passo para o desenvolvimento do modelo, que
compreendeu seis etapas fundamentais.
O segundo processo implementado no modelo constituiu-se na gerao das
chamadas faixas de distncia em relao s transies previamente determinadas
nas matrizes single step e mult step. A faixa de distncia foi, nesse caso,
contabilizada de acordo com a resoluo espacial do pixel, sendo, portanto, alocada
em um intervalo de 250 metros, os quais definiram um incremento no eixo x.
A finalidade dessa etapa constitui-se ento, na criao de faixas para as quais
sero definidos pesos de evidncia. Dessa forma, estabelecida uma relao
espacial entre a transio (por ex., classe regenerao para classe floresta) e as
variveis utilizadas no modelo, as quais compreendem as prprias classes (variveis
dinmicas), uma vez que mudam no tempo e no espao, e as variveis estticas
(categricas e contnuas).
A terceira etapa refere-se aplicao do mtodo dos pesos de evidncia.
Nessa fase, so calculados os pesos positivos de evidncia (W+) atribudos a cada
faixa de distncia.
116
Os APNDICES G e H apresentam os valores de W calculados para os dois

perodos de simulao para a microrregio Serras do Sudeste. Nos APNDICES I e
J, apresenta-se o resultado obtido no mesmo procedimento para a microrregio
Campanha Meridional.
O valor calculado para o peso de evidncia em cada faixa de distncia em
relao dada varivel permite inferir sobre sua contribuio na ocorrncia de uma
transio. Pesos positivos de evidncia favorecem a ocorrncia da transio e pesos
negativos, por sua vez, a repelem. Valores de pesos nulos (iguais a zero) podem ser
desconsiderados, uma vez que no constituem variveis explicativas para o modelo
(SOARES-FILHO et al., 2009).
A anlise dos pesos de evidncia deve ser feita de forma individual para cada
transio. Desse modo, sua influncia pode ser visualizada com relao distncia
para cada varivel. Nas Tabelas 28 e 29, encontram-se relacionadas as variveis de
maior significncia em relao s transies que envolvem a classe floresta nas
duas microrregies durante o perodo de anlise, segundo o mtodo dos pesos de
evidncia.
Tabela 28 Descrio das variveis dinmicas e estticas de maior influncia nas
transies da classe floresta na microrregio Serras do Sudeste.
Transio
Variveis locais (0:250m)
Solo > Floresta
Distncia floresta e clinografia
Campo > Floresta
Regenerao >Floresta
Floresta >Solo s/ veget.
Distncia a solo s/ vegetao e rede viria
Floresta >Campo
Floresta >Regenerao
Distncia regenerao

Solo > Floresta
Distncia floresta e rede viria
Campo > Floresta
Regenerao > Floresta
Distncia a solo s/ vegetao e clinografia
Floresta >Solo s/ veget.
Floresta > Campo
Floresta >Regenerao
Distncia regenerao e rede hidrogrfica
117
Tabela 29 Descrio das variveis dinmicas e estticas de maior influncia nas

transies da classe floresta na microrregio Campanha Meridional.
Transio
Variveis locais (0:250m)
Solo >Floresta
Distncia floresta e rede hidrogrfica
Campo >Floresta
Regenerao >Floresta
Floresta > Solo s/ Veget.
Distncia a solo s/ vegetao e densidade populacional
Floresta > Campo
Floresta > Regenerao
Distncia regenerao

Solo > Floresta
Campo > Floresta
Distncia floresta e rede viria
Regenerao > Floresta
Floresta >Solo s/ Veget.
Floresta > Campo
Distncia a solo s/ vegetao e densidade populacional
Floresta > Regenerao
Os demais resultados demonstrados em anexo mostram os valores do peso

de evidncia em determinada faixa de distncia para cada transio considerada.
Valores nulos ou no fatiados indicam a ausncia de poder explicativo para a
ocorrncia de certa transio. Nesse sentido, ressalta-se a menor contribuio das
variveis estticas reas urbanas e limite de sub-bacias hidrogrficas nas duas
reas de estudo.
Os
resultados
obtidos
no processo de modelagem
para
as
duas
microrregies, nessa etapa, foram semelhantes e indicaram que as variveis

clinografia, rede viria e rede hidrogrfica so as que mais contribuem para a
ocorrncia das converses que envolvem a classe floresta.
Nas converses da classe floresta para regenerao, ocorridas no perodo
entre 2000 e 2004 nas duas microrregies, no foi verificada a presena de uma
varivel esttica favorvel (com peso positivo de evidncia) ocorrncia dessa
transio.
O quarto passo realizado no simulador Dinamica EGO constitui um processo
decisivo na seleo das variveis que constituiro o modelo, uma vez que o mtodo
implementado no aplicativo verifica a eventual dependncia espacial entre as
118
variveis com base nos ndices de Cramer (V) e Incerteza de Informao Conjunta
(U). Tais ndices operam com valores de reas de sobreposio entre diferentes
variveis de dois mapas, visando avaliar a presena de associao ou dependncia
espacial entre ambos.
As tabelas a seguir apresentam os valores encontrados para os ndices
mencionados na modelagem das duas microrregies. Na Tabela 30 constam as
variveis que apresentaram maiores valores quanto aos ndices V e U. A deciso
quanto excluso de uma varivel do modelo teve como principal indicativo o U,
pois geralmente apresenta valores superiores em relao a V.
Tabela 30 Valores dos ndices Cramer (V) e Incerteza de Informao Conjunta (U)
calculados para os modelos de simulao.
Microrregio Serras do Sudeste: 2000 - 2004
Correlao entre variveis
Cramer (V)
I. I. Conjunta (U)
distance_to_3 - clinografia
0477487
0,631055
distance_to_3 dens. populacional
0,436355
0,610458
clinografia dens. populacional
0,491095
0,582484

distance_to_3 -clinografia
0,475692
0,608879
distance_to_3 dens. populacional
0,434553
0,589614
0,491095
0,582484

0,471878
0,584026
distance_to_4 - distance_to_5
0,616886
0,603320
0,491676
0,580049

distance_to_3 - distance_to_4
0,496786
0,578331
0,470390
0,564958
0,491676
0,580049
Devido aos elevados valores de Incerteza de Informao Conjunta (U), optou-se

pela excluso das variveis distance_to_3 (distncia a campo) e densidade
populacional do processo de modelagem da microrregio Serras do Sudeste. Para a
modelagem da Campanha Meridional, foram excludas as variveis distance_to_3 e
clinografia.
119
A etapa final da modelagem dinmica compreendeu gerar, com base nos

processos anteriores, um mapa final simulado a partir de um mapa inicial e das
demais variveis relevantes ao modelo. Desse modo, foram gerados mapas finais
artificiais, os quais foram equiparados aos mapas finais reais dos anos 2004 e
2008 (que representam o fim de cada perodo) e, posteriormente, comparados no
clculo de validao do modelo.
O resultado da simulao no Dinamica EGO determinado pelos algoritmos
de transio expander e patcher. O primeiro responsvel pela expanso e
contrao de manchas de clulas de uma determinada classe, j o segundo
responsvel pelo surgimento de novas manchas.
Tais algoritmos so diretamente responsveis pela alocao das classes no
mapa simulado, e de fundamental importncia a calibrao de seus parmetros,
que compreendem: tamanho mdio de manchas, varincia das manchas e isometria.
Os dois primeiros so dados em unidade de rea (ha) e podem ser calculados
atravs da mdia aritmtica simples e do clculo da varincia entre o total de
manchas (polgonos) de uma determinada classe.
O ndice de isometria representa um valor numrico a ser multiplicado pelo
valor de probabilidade das oito clulas de uma dada janela de vizinhana (por ex.,
de dimenso 3x3 clulas), utilizada pelos algoritmos expander e patcher, antes da
aplicao da regra de transio. A elevao desse ndice define manchas mais
compactas, em contrapartida, um ndice prximo a zero ocasiona maior
fragmentao. Deve-se, portanto, buscar um equilbrio entre a compacidade e a
fragmentao das mesmas.
A Tabela 31 mostra os valores calibrados para os algoritmos expander e
patcher para os modelos de simulao referentes aos dois perodos analisados, bem
como para as duas microrregies.
Os valores relativos ao tamanho mdio das manchas das classes foram
determinados tambm com base na funo estatstica de imagem por polgonos
implementada no aplicativo SPRING. Os valores encontrados para a varincia foram
desconsiderados devido sua exorbitncia. Tal fato deve-se existncia de um
grande nmero de polgonos de valores de reas diferentes, considerando-se a
ocorrncia de polgonos de apenas uma clula (6,25 ha), em vista da resoluo
espacial do pixel, e at da existncia de milhares clulas.
120
Tabela 31 - Parmetros calibrados nos algoritmos expander e patcher nos modelos

de simulao para os perodos 2000 a 2004 e 2004 a 2008 nas microrregies Serras
do Sudeste e Campanha Meridional.
Classe
Expander
Patcher
Isometria
Resultante
Mdia (ha)
Varincia (ha)
Mdia (ha)
Varincia (ha)
Solo
71
50
71
50
1,7
Campo
60
50
60
50
1,7
Regenerao
15
50
15
50
1,7
Floresta
59
50
59
50
1,7

Solo
64
50
64
50
1,7
Campo
64
50
64
50
1,7
Regenerao
10
50
10
50
1,7
Floresta
60
50
60
50
1,7
Microrregio Campanha Meridional: 2000 - 2004

Classe
Expander
Patcher
Isometria
Resultante
Mdia (ha)
Varincia (ha)
Mdia (ha)
Varincia (ha)
Solo
275
35
275
50
1,7
Campo
119
35
119
50
1,7
Regenerao
27
35
27
50
1,7
Floresta
53
35
53
50
1,7
Microrregio Campanha Meridional: 2004 - 2008

Solo
195
35
195
35
1,7
Campo
148
35
148
35
1,7
Regenerao
40
35
40
35
1,7
Floresta
54
35
54
35
1,7
Para a definio de tais valores, foi tambm considerada a anlise visual do

mapa final simulado artificial quando comparado ao mapa final real. Optou-se
pela manuteno dos mesmos parmetros (em hectares) tanto para expander
quanto para patcher, visto que os processos de transio (acrscimo ou reduo de
uma determinada classe) apresentavam comportamento semelhante quanto aos
dois algoritmos. A coerncia dos valores definidos pde ser validada pelo ndice de
similaridade fuzzy, descrito na seo a seguir.
121
4.6 Validao do modelo de simulao
Os resultados do processo de simulao foram avaliados com base no

mtodo adaptado de similaridade fuzzy, no qual se calcula o ndice de similaridade
baseado na diferena resultante entre dois produtos: o mapa real subtrado do mapa
inicial e o mapa simulado subtrado do mapa inicial. Os algoritmos compreendem a
funo de decaimento constante e a de decaimento exponencial. A diferena
calculada deve espacializar os erros, que incluem omisses (reas em que houve
mudanas, porm no aparecem na simulao) e comisses (reas em que no
houve mudanas, mas que aparecem como tal no mapa simulado). Com base nos
ndices de similaridade, definida a utilizao ou no do modelo para a simulao
de prognsticos.
Esse mtodo de avaliao considerado como de concordncia flexvel, pois
no se baseia no ajuste pixel a pixel, mas sim no ajuste por mltiplas resolues, no
qual os valores tendem a ser superiores quando comparados aos ndices de
concordncia rgida. O ndice tende a ser maior quanto maior forem as janelas de
amostragem. Assim sendo, a partir de certa resoluo (em geral, acima de 11 ou 13
pixels) comum ocorrer a saturao, conferindo ineficincia ao mesmo para avaliar
o ajuste entre o mapa real e o mapa simulado (FERRARI, 2008).
O uso de ndices de concordncia por mltiplas resolues para avaliao da
qualidade de modelos dinmicos justifica-se pela impossibilidade de reproduzir
situaes passadas com total exatido espacial, devido aleatoriedade inerente a
alguns processos de transio das classes da paisagem.
Almeida (2008) encontrou valores de similaridade fuzzy entre 0,83 e 0,85 para
avaliao por mltiplas resolues em modelos de simulao de dinmica em reas
urbanas. Ximenes et al. (2008) ao validar em modelos dinmicos para a simulao
de desmatamento na Amaznia, encontram ndices entre 0,87 e 0,9 para resolues
entre 3x3 e 13x13. J Ferrari (2008) obteve, para o mesmo mtodo, valores de
similaridade entre 0,44 e 0,84 para modelos de simulao da dinmica de uso e
cobertura da terra.
Na Tabela 32, esto relacionados os ndices de similaridade obtidos pelo
mtodo de fuzzy na avaliao dos resultados simulados para os mapas finais
referentes aos dois perodos nas duas microrregies consideradas.
122
Tabela 32 ndices de similaridade fuzzy calculados atravs das funes de

decaimento constante e decaimento exponencial para distintos tamanhos de janela.
Modelo de Simulao
Janelas (pixels)
ndice de Similaridade (fuzzy Location)

Funo de Decaimento
Constante
Exponencial
3x3
0,762676
0,640118
5x5
0,917401
0,712383
7x7
0,975643
0,730954
9x9
0,994111
0,735038
11 x 11
0,998692
0,735753
3x3
0,816313
0,693575
5x5
0,946071
0,754280
7x7
0,986544
0,767219
9x9
0,996626
0,769452
11 x 11
0,999242
0,769855
2000 2004
2004 2008

Funo de Decaimento
2000 2004
2004 2008
Constante
Exponencial
3x3
0,874396
0,756833
5x5
0,973913
0,803786
7x7
0,995317
0,810747
9x9
0,999128
0,811613
11 x 11
0,999789
0,811720
3x3
0,863741
0,741647
5x5
0,968742
0,791208
7x7
0,994082
0,799416
9x9
0,999102
0,800560
11 x 11
0,999777
0,800678
De acordo com a literatura, os resultados obtidos so considerados

satisfatrios, tanto para os perodos avaliados como para as duas reas de estudo.
Essa afirmativa plausvel, sobretudo, porque o mtodo de validao
implementado no Dinamica EGO desconsidera as clulas que no sofrem alterao
de estado. Assim sendo, constitui-se em um mtodo rigoroso de avaliao, pois se
elimina a possibilidade de superestimar esse ndice em funo da grande
quantidade de clulas que no sofrem mudana de estado no fim do perodo.
123
4.7 Simulao de cenrios futuros
A simulao de mapas a posteriori, ou a gerao de cenrios futuros, atravs

do Dinamica EGO vlida quando feita sob um modelo calibrado e que, de fato,
represente adequadamente os processos de transio decorridos no intervalo
temporal considerado, segundo o resultado obtido na validao.
Nesse estudo, foram simulados prognsticos para as duas microrregies e,
com base na resoluo temporal escolhida, que compreendeu um intervalo total de
oito anos, vivel efetuar projees confiveis at o ano de 2016, tomando-se,
portanto, como mapa de uso inicial os mapas reais do ano de 2008.
Essa etapa do modelo consistiu em novamente efetuar o quinto passo da
modelagem, no qual foram mantidos os valores numricos para os algoritmos
expander e patcher relacionados na Tabela 31.
Como resultado, as sadas do modelo constituem mapas que descrevem o
processo anual de mudana nos estados da paisagem, gerados simultaneamente a
cada iterao do programa.
As Figuras 22 e 23 ilustram a projeo dos mapas de vegetao nas
microrregies Serras do Sudeste e Campanha Meridional ao longo do perodo de
oito anos, sendo que o primeiro mapa apresentado corresponde ao mapa real do
ano de 2008, usado como entrada no modelo.
Optou-se pela visualizao das ilustraes na respectiva paleta de cores
pseudocolor
comumente
utilizada
pelo
aplicativo
Dinamica
EGO.
Uma
caracterstica do simulador a no manuteno da paleta de cores adotada

inicialmente no Spring pelo modelador quando gerados os mapas temticos.
Para sua correta interpretao, necessrio ento a associao respectiva
legenda de cores das classes, dada pela sequncia abaixo:
Floresta
Regenerao
Campo
Solo
2008
2009
2010
2011
2012
2013
2014
2015
2016
Figura 22 - Resultado da simulao anual entre 2008 e 2016 para a microrregio Serras do
Sudeste.
2008
2009
2010
2011
2012
2013
2014
2015
2016
Figura 23 - Resultado da simulao anual entre 2008 e 2016 para a microrregio Campanha
Meridional.
A obteno dos mapas simulados para um perodo de oito anos permite

quantificar as taxas de converso entre as classes de vegetao, bem como os
processos de expanso e reduo. Nas Tabelas 33 e 34, so apresentados os
resultados para os anos de 2012 e 2016, respeitando o intervalo temporal de quatro
anos considerados na modelagem das microrregies.
Tabela 33 rea total das classes de vegetao simuladas na modelagem da

Serras do Sudeste
Classe
Transio
Transio
rea 2012 (ha)
2008 - 2012 (ha)
rea 2016 (ha)
2012 - 2016 (ha)
Solo
245.018,75
-4.612,5
241.056,25
-3.962,5
Campo
963.731,25
-27.462,5
953.956,25
-9.775,0
Regenerao
185.106,25
10.512,5
189.856,25
4.750,0
Floresta
258.425,0
21.562,5
267.412,5
8.987,5
Total
1.652.281,25
1.652.281,25
Tabela 34 rea total das classes de vegetao simuladas na modelagem da

microrregio Campanha Meridional.
Campanha Meridional
Classe
Transio
Transio
rea 2012 (ha)
2008 - 2012 (ha)
rea 2016 (ha)
2012 - 2016 (ha)
Solo
330.637,5
-18.600,0
322.025,0
-8.612,5
Campo
708.950,0
700,0
709.587,5
637,5
Regenerao
212.950,0
8.987,5
216.487,5
3.537,5
Floresta
173.568,75
8.912,5
178.006,3
4.437,5
Total
1.426.106,25
1.426.106,25
Segundo as Tabelas 33 e 34, a cobertura florestal das microrregies Serras

do Sudeste e Campanha Meridional, assim como as reas de regenerao, sero
continuamente expandidas at o ano de 2016.
Na microrregio Serras do Sudeste, esse acrscimo est atrelado s reas de
campo e de solo agrcola, uma vez que prevista a reduo gradual nas duas
127
classes at o fim do perodo de simulao. Nas anlises realizadas para a

microrregio Campanha Meridional, a cobertura florestal apresenta menor potencial
de expanso. Tal fato pode ser justificado pela expressiva rea agrcola. No entanto,
segundo o modelo de simulao, a tendncia de que, se forem mantidas as
mesmas condies, a rea agrcola seja continuamente reduzida at o ano de 2016.
A matriz de transio (Tabela 35) calculada entre o ano de 2008, referncia
para a modelagem, e o ano de 2016 relaciona os processos de converso (previstos
na simulao) entre as classes.
Tabela 35 Processos de converso entre as classes de vegetao nas

microrregies Serras do Sudeste e Campanha Meridional entre 2008 e 2016, em
valores de rea (ha).
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
116.187,5
9.768,75
142.025,0
85.400,0
4.037,5
97.287,5
3.718,75
96.600,0
56.650,0
Floresta
32.400,0
119.887,5
35.231,25
De \ Para
Solo
Campo
Regen.
Floresta

Solo
Campo
Regenerao
158.462,5
16.018,75
135.412,5
102.643,75
12.525,0
89.775,0
9.118,75
57962,5
45.062,5
Floresta
9.787,5
66.806,25
48.900,0
Segundo o modelo de simulao, a matriz de transio descreve que

187.518,75 ha de reas das classes solo, campo e regenerao sero convertidos
para a classe floresta no perodo de oito anos nas Serras do Sudeste, e 156.968,75
ha de florestas sero convertidos para as demais classes de vegetao. Na
microrregio da Campanha Meridional, a simulao prev um total de 125.493,75 ha
a serem convertidos para floresta, e sua reduo quantificada em 112.143,75 ha.
As Figuras 24 e 25 descrevem a evoluo da cobertura florestal no perodo
compreendido entre 2000 e 2016; o grfico representa a rea total da cobertura
128
florestal quantificada em cada data de anlise, juntamente com o processo de
REAS
expanso ocorrido durante os intervalos temporais de quatro anos.
Tempo (anos)
Figura 24 Evoluo da cobertura florestal na microrregio Serras do Sudeste.
REAS
Tempo (anos)
Figura 25 Evoluo da cobertura florestal na microrregio Campanha Meridional.

129
Os prognsticos simulados para as Serras do Sudeste e Campanha

Meridional vm somar-se aos estudos que prevem a expanso da cobertura
florestal no estado do Rio Grande do Sul.
Segundo dados do Inventrio Florestal Contnuo (Rio Grande do Sul, 2001), o
estado possui uma rea de 4.932,927 ha de florestas naturais em estgios iniciais,
mdios e avanados de sucesso, as quais representam 17,44% da superfcie do
territrio gacho, seus resultados demonstram uma evoluo florestal em torno de
12% em um perodo de 18 anos.
O avano na rea florestal constitui a realidade de boa parte dos municpios
gachos atualmente. Tal ocorrncia pode ser atribuda s restries impostas pela
legislao ao corte da vegetao em reas de preservao permanente e de reserva
legal, promovendo a evoluo das reas de regenerao para estgios avanados.
Soma-se a isto a incorporao de novas reas, devido silvicultura de gneros
como o Eucalyptus em regies tradicionalmente agrrias, como as reas de estudo.
Hendges (2007) descreve um aumento das reas de regenerao e de floresta para
o estado do Rio Grande do Sul no ano de 2020, ocasionado principalmente pela
introduo de espcies exticas.
No entanto, os resultados simulados para as microrregies Serras do Sudeste
e Campanha Meridional, no perodo de 2008 a 2016, apresentam tendncia linear
quanto aos processos de expanso da cobertura florestal. Tal afirmativa pode ser
comprovada atravs da anlise visual dos grficos ilustrados nas Figuras 24 e 25.
Essa tendncia expressa, segundo o modelo de simulao, o qual considera
a manuteno das condies impostas no incio do perodo, que o acrscimo da
rea florestal devido s taxas de converso entre as demais classes e ela deve
atingir nveis de estabilidade ao fim do perodo. Esse comportamento difere-se da
significativa expanso constatada atravs da elaborao dos mapas reais,
equivalentes aos perodos de 2000 a 2004 e 2004 a 2008, principalmente na
Esse fato justificvel, uma vez que se trata de um perodo histrico para as
duas microrregies, no qual as converses de uso e cobertura da terra mostraramse mais significativas tanto pelo abandono das reas de pastagem extensiva devido
queda do preo pago pela carne bovina ao longo dos anos, como pelo surgimento
das reas de florestamento com espcies exticas.
5 CONCLUSO
5.1 Mapeamento utilizando o NDVI do sensor MODIS
A metodologia empregada possibilitou utilizar as imagens do sensor MODIS,

produto MOD13Q1, para obterem mapas de vegetao referentes s microrregies
de estudo. Desse modo, o monitoramento do NDVI, na srie temporal, permitiu
efetuar a respectiva associao s classes de uso e cobertura do solo, sendo
possvel distinguir os limiares para floresta, regenerao, campo e solo sem
vegetao. Embora estes limiares indicativos das classes de vegetao tenham sido
variveis ao longo do tempo, se comparados sob uma mesma data de anlise,
apresentaram valores estatisticamente distintos.
Dessa forma, possvel afirmar que valores de referncia quanto ao NDVI
podem ser usados para distinguir temas ou classes de uso e cobertura do solo em
imagens de baixa resoluo espacial (250 m), no entanto, necessria a adoo de
valores distintos e independentes com relao base temporal.
Os mapas temticos de vegetao, produzidos com base nesse mtodo,
puderam ser utilizados como base para a modelagem dinmica espacial, uma vez
que neles foram alocados corretamente os processos de transio (reduo e
expanso) da cobertura florestal e das demais classes adotadas.
Limitaes ao uso desse sensor residem na impossibilidade de se distinguir
corretamente reas de florestamento de espcies exticas de reas de floresta
nativa. Em conformidade com a escala e resoluo espacial adotadas nessa
pesquisa, tais temas foram generalizados, pressupondo-se que, por vezes, as reas
de silvicultura foram dispostas na classe floresta e, outras vezes, em funo de seu
estgio vegetativo, foram dispostas na classe regenerao.
de fundamental importncia o preenchimento desta lacuna para o melhor
entendimento dos processos de evoluo da cobertura florestal nas duas
microrregies e sua possvel extenso para demais reas da Metade Sul. Para tal,
sugere-se a averiguao com base em imagens de maior resoluo espacial bem
como a possibilidade de correlao com dados de campo.
131
5.1.1 Mudanas na cobertura florestal
Os mapas elaborados nessa pesquisa indicam que a cobertura florestal

passou de 8,6% para 11,6% e 14,3% em relao rea total da microrregio Serras
do Sudeste, respectivamente nos anos 2000, 2004 e 2008. Na Campanha
Meridional, os ndices de expanso da cobertura florestal foram quantificados em
11,1%, 11,2% e 11,5% em relao rea total dessa microrregio nos anos de
2000, 2004 e 2008. Embora a representao da cobertura florestal nos mapas
temticos tenha sido generalizada, a expanso florestal dada de duas formas
distintas.
A primeira atribui-se ao estabelecimento da regenerao e posterior formao
florestal nativa observada, na maioria das vezes, ao longo da rede de drenagem, em
reas de maior declividade e, muitas vezes, em reas anteriormente utilizadas para
a atividade agropecuria. Os produtores, algumas vezes por falta de investimentos,
deixam de explorar reas agrcolas permitindo que estas se regenerem.
Embora esta expanso represente o cumprimento da legislao vigente
quanto s reas de Preservao Permanente (APP), ela est, por vezes, associada
negativamente ao abandono de reas agricultveis, diminuio de renda da
populao local e ao xodo rural. A legislao para proteo ambiental e as prticas
de fiscalizao, com o passar dos anos, tornaram-se mais rigorosas; a aplicao das
multas e mesmo a conscientizao da populao contribuem para a manuteno e
acrscimo dos recursos florestais.
A segunda forma de expanso florestal est atrelada introduo de
espcies exticas, principalmente dos gneros Eucalyptus, Pinus e Acacia por meio
de florestamentos e reflorestamentos. Tal converso de uso da terra nas
microrregies vem a suprir a demanda de matria prima por parte de empresas
privadas, sobretudo as do setor de celulose e papel, fortalecendo o setor industrial e
movimentando a economia local.
Em muitas propriedades rurais, a prtica da silvicultura vem sendo
empregada na forma de consrcio com culturas agrcolas e com a pecuria
(sistemas agrossilvipastoris), acenando como uma fonte alternativa de renda para os
produtores.
132
5.2 Simulaes atravs de modelagem dinmica

Os modelos dinmicos demonstram ser uma eficiente ferramenta para
monitorar processos de converso das classes de vegetao; tal afirmativa pode ser
comprovada pelos indicativos fornecidos nas matrizes de transio que compem o
modelo. Na construo desse modelo, puderam ser incorporadas variveis julgadas
importantes dinmica da cobertura florestal nas microrregies de estudo e, com
base nos resultados obtidos atravs do mtodo dos pesos de evidncia, foi possvel
definir que a distncia floresta e clinografia, exercem maior influncia nos
processos de expanso da cobertura florestal; j a distncia classe solo e rede
viria contribuem para a reduo florestal (desmatamento) na microrregio Serras do
Sudeste. Na microrregio da Campanha Meridional foi possvel definir, atravs
desse mtodo probabilstico, que a distncia floresta e rede hidrogrfica so as
variveis que mais contribuem para a expanso florestal. Para o desmatamento, as
maiores influncias so tambm exercidas pela distncia classe solo e rede
viria nessa microrregio.
A metodologia adotada possibilitou simular cenrios de prognsticos que
explicitam a intensidade e a localizao de mudanas na cobertura florestal at o
ano de 2016, atravs de sadas (mapas) anuais. Os resultados previstos indicam
que a cobertura florestal na Serras do Sudeste passar de 15,6% no ano de 2012
para 16,8% da rea total dessa microrregio no ano de 2016. Na microrregio
Campanha Meridional, a expanso menos expressiva, passando de 12,2% no ano
de 2012 para 12,5% no ano de 2016. Tais valores sugerem, com relao s duas
microrregies, a estabilidade da expanso florestal. Contudo, para esta anlise,
necessrio considerar que o modelo simula tendncias, vlidas somente se forem
mantidas as mesmas condies em relao s variveis investigadas. Nesse
sentido, sugere-se, para estudos posteriores, a avaliao no s de variveis fsicas
mas tambm socioeconmicas e mesmo polticas inerentes regio de estudo.
5.3 Principais contribuies e aplicaes desta pesquisa

As reas sob as quais foram realizados os experimentos de modelagem
vivenciam recentes processos de converso nos padres de uso do solo, uma vez
133
que a floresta passa a ser um tema em expanso nessa paisagem. Neste sentido, a
execuo de simulaes baseadas em modelagem dinmica so oportunas, j que
requerem a investigao de processos histricos ocorridos nas reas de estudo.
De modo geral, a Metade Sul do Estado uma regio carente de informaes
e pesquisas cientficas que levem em considerao a dinmica de sua paisagem ao
longo do tempo. E, recentemente, com a retomada do crescimento econmico, tais
estudos tornam-se ainda mais relevantes e pertinentes.
Quanto ao monitoramento da cobertura florestal em grandes reas, este
constitui um avano cientfico e tecnolgico viabilizado aps o surgimento dos
primeiros instrumentos sensores a bordo de satlites. No Brasil, pesquisas espaciais
em escala regional so em sua maioria, voltadas ao monitoramento do
desmatamento. Dessa forma, espera-se que os resultados gerados nessa pesquisa
venham contribuir ao campo das cincias florestais, especialmente em pesquisas
voltadas a estudar a incorporao de reas florestais no Rio Grande do Sul, e
tambm ao campo da modelagem dinmica espacial, uma vez que prope a
incorporao de mapas de vegetao na execuo dos modelos.
Quanto simulao, projetar cenrios futuros para a cobertura florestal
poder ser til na identificao de tendncias de ocupao nas microrregies de
estudo. Tais informaes podero dar subsdio ao poder pblico local em aes de
ordenamento e gesto territorial, definindo locais para o desenvolvimento de obras
de infraestrutura; utiliz-las como instrumento para fiscalizao do cumprimento da
legislao florestal, promover o incentivo proteo de florestas nativas e o
desenvolvimento de aes de recuperao ambiental. Tambm os rgos
ambientais podero utilizar-se desse mapeamento para analisar reas de maior
potencial para o desenvolvimento e supresso de reas de regenerao e de
floresta em funo da ocupao humana.
Empresas privadas do setor florestal, organizaes no governamentais,
sindicatos rurais e produtores rurais compem a relao de setores beneficiados
com os estudos de modelagem, por exemplo, para aquisio de novas reas de
plantio, no planejamento para implantao florestal, para verificar a disponibilidade
de produtos madeireiros e para o estudo de locais potenciais ao desenvolvimento
florestal.
6 REFERNCIAS BIBLIOGRFICAS
AGUIAR, A. P. D. Modelagem de Mudanas de Uso e Cobertura do Solo na

Amaznia: Questes Gerais. In: INSTITUTO NACIONAL DE PESQUISAS
ESPACIAIS. So Jos dos Campos: INPE, 2006. Disponvel em:
<http://www.dpi.inpe.br/cursos/tutoriais/modelagem/cap4modelosLUCC.pdf>. Acesso
em: 20 out. 2008.
ALMEIDA, C. M. de. Modelagem da dinmica espacial como uma ferramenta auxiliar
ao planejamento: simulao de mudanas de uso da terra em reas urbanas para as
cidades de Bauru e Piracicaba (SP). 2003. 351f. Tese (Doutorado em
Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais. So Jos dos
Campos, 2003.
ALMEIDA, C. M. de. Monteiro, M. V. M.; CMARA, G. Modelos de Dinmica
Urbana: Conceitos, Derivao de Relaes, Calibrao, Exemplos. Disponvel em:
http://www.dpi.inpe.br/cursos/tutoriais/modelagem/Cap3_Modelos_Urbanos_Versao_
Nova.pdf. Acesso em: 20 jan. 2009.
ALMEIDA, C. M. de.; MONTEIRO, A. M. V. CMARA, G. Modelos de Simulao e
Prognsticos de Mudanas de Uso do Solo Urbano: Instrumento para o Subsdio de
Aes e Polticas Pblicas Urbanas. In: ENCONTRO NACIONAL DE PSGRADUAO E PESQUISA EM PLANEJAMENTO URBANO E REGIONAL, 11.,
2005, Salvador. 2005. Anais...Salvador: ANPUR, 2005. p. 1-21.
ALMEIDA, C. M. de.; MONTEIRO, A. M. V. CMARA, G.; SOARES-FILHO, B. S.;
CERQUEIRA, G. C.; PENNACHIN, C. L.; BATTY, M. Modelos Celulares de Dinmica
Espao-temporais: Aplicaes em Estudos Urbansticos. In: MEIRELLES, M. S. P.;
CAMARA, G. ALMEIDA, C. M. de. (Org.) Geomtica: Modelos e Aplicaes
Ambientais. Braslia: Embrapa Informao Tecnolgica, 2007. p. 447 - 496.
ALMEIDA, C. M. de.; GLERIANI, J. M.; CASTEJON, E. F.; SOARES-FILHO, B. S.
Using neural networks and cellular automata for modeling intra-urban land use
dynamics. International Journal of Geographical Information Science. EUA, v.
22, n.9, p. 943-963, 2008.
ALVES, D.S.; JANETOS, A. C.; KRUG, T.; SKOLE, D.L. Mudanas no Uso e
Cobertura de Terras. In: INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. So
Jos
dos
Campos:
INPE,
2002.
Disponvel
em:
<http://www.lba.cptec.inpe.br/lba/port/explan/lanp.htm>. Acesso em: 21 jun. 2009.
135
ANDERSON, L. O.; SHIMABUKURO, Y. E. Monitoramento da cobertura terrestre:

fenologia e alteraes antrpicas. In: RUDORFF, B.F.T.; SHIMABUKURO, Y. E.;
CEBALLOS, J.C. O Sensor MODIS e Suas Aplicaes Ambientais no Brasil. So
Jos dos Campos: Parntese, 2007. 423 p.
ARANOFF, S. Geographical Information Systems: a management perspective.
Ottawa: WDL Publications, 1989. 294p.
BACA, J. F. M; NETTO, A. L. C; MENEZES, P. M. L. De. Modelagem da dinmica da
paisagem com Processos de Markov. In: MEIRELLES, M. S. P.; CAMARA, G.
ALMEIDA, C. M. de. (Org.) Geomtica: Modelos e Aplicaes Ambientais. Braslia:
Embrapa Informao Tecnolgica, 2007. p. 447-496.
BAKER, W. L. A review of models of landscape change. Landscape Ecology,
Amsterd v. 2, n. 2, p. 111-133, 1989.
BELL, E. J.; HINOJOSA, R. C. Markov analysis of land use change: continuous time
and stationary processes. Socio-Economic Planning Science. New York, v. 11, p.
13-17, 1977.
BERTALANFFY, L. von. An outline of general systems theory. British Journal of the
Philosophy of Science, v. 1, p. 134-165, 1951.
BONHAM-CARTER, G. F. Geographic Information Systems for Geoscientists:
Modelling with GIS. Ontario: Pergamon, 1994. 305 p.
BRIASSOULIS, H. Analysis of land use change: theoretical and modeling
approaches. 1.ed. Virginia: Regional Research Institute, West Virginia University,
2000.
BURROUGH, P. A.; McDONNEL, R. A. Principles of Geographical Information
Systems. Oxford: Clarendon Press, 1998. 333p.
CMARA, G.; MEDEIROS, J.S. de. Princpios bsicos em Geoprocessamento. In:
ASSAD. E. D. ; SANO E. E. (Org.). Sistemas de Informaes Geogrficas:
Aplicaes na Agricultura. 2. ed. Braslia: EMBRAPA, 1998. p. 3-11.
CONGALTON, R. G. A comparison of sampling schemes used in generating error
matrices for assessing the accuracy of maps generated from remotely sensed data.
Photogrammetric Engineering and Remote Sensing, Bethesda, vol. 54, p. 16691671, 1992.
136
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed

data: principles and practices. New York: Lewis Publishers, 1999. 136 p.
CORONEL, D. A.; ALVES, F. A.; SILVA, M. A. Notas sobre o processo de
desenvolvimento da Metade Sul e Norte do Estado do Rio Grande do Sul: uma
abordagem comparativa. Perspectiva Econmica. So Leopoldo, vol. 3, n. 2, jul dez. 2007.
CRSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto.
Campinas: IG/UNICAMP, 1992. 170p.
DE BIASE, M. A Carta Clinogrfica: Os mtodos de representao e sua
confeco. So Paulo: Instituto de Geografia/ USP, 1992. p. 45-53.
DELGADO, S. A distribuio de probabilidade dos retornos das aes no Brasil: uma
abordagem no-paramtrica. Revista de Econometria, Rio de Janeiro, vol. 15, n. 1,
abril - out. 1995.
DRUCK, S. CARVALHO, M. S.; MONTEIRO, A. M. V. Anlise Espacial de Dados
Geogrficos. Planaltina: Embrapa Cerrados, 2004. 209 p.
EASTMAN, R. J. Traduo Portugus. Hasenack, H.; Weber, E. IDRISI for Windows
verso 2. Manual do Usurio. Verso Digital. Introduo; Exerccios Tutoriais. Porto
Alegre: Centro de Recursos Idrisi, Brasil, 1998. 218p.
FEE. FUNDAO DE ECONOMIA E ESTATSTICA. Disponvel em:
http://www.fee.tche.br/sitefee/pt/content/capa/index.php. Acesso em 08 jul. 2009.
EMBRAPA. EMPRESA BRASILEIRA DE PESQUISAS AGROPECURIAS.
Disponvel em: http://www.empraba.gov.br. Acesso em 17 mar. 2009.
FERRARI, R. Modelagem Dinmica do Uso e Cobertura da Terra da Quarta
Colnia, RS. 2008. 130f. Dissertao (Mestrado em Geomtica) Universidade
Federal de Santa Maria, Santa Maria, 2008.
GONALVES, A. D; SOUZA JNIOR, W. C; ALMEIDA, C. M. de. Modelagem de
alterao de uso e cobertura da terra em uma poro do municpio de
Mineiros-GO utilizando o mtodo de pesos de evidncia. So Paulo: INPE, 2007.
Disponvel em: http://mtc-m17.sid.inpe.br/rep-/sid.inpe.br/mtc-m17@80/2007. Acesso
em: 10 out. 2007.
137
GOODCHILD, M. F.; PARKS, B. O.; STEYAERT, L.T. Environmental Modeling

with GIS. New York: Oxford University Press, 1993. 488p.
GREMONINI, L.; VICENTINI, E. Autmatos Celulares: Reviso Bibliogrfica e
Exemplos de Implementaes. Curitiba: UNICENTRO, 2008. Revista Eletrnica.
Disponvel em: http://web03.unicentro.br/especializacao/Revista_Pos/CE-Autom.pdf.
Acesso em 02 ago. 2009.
HAGEN, A. Fuzzy Set Approach to Assessing Similarity of Categorical Maps.
International Journal of Geographical Information Science, Palma, v 17. n. 3, p.
235-249, 2003.
HAYKIN, S. Redes Neurais: princpios e prticas. Porto Alegre: Bookman, 2000.
900 p.
HENDGES, E. R. Modelos estocsticos da dinmica da paisagem florestal e
simulao de cenrios para o Estado do Rio Grande do Sul no perodo de 1988
a 2020. 2007. 233 f. Tese (Doutorado em Engenharia Florestal) Universidade
Federal de Santa Maria, Santa Maria, 2007.
HIDROWEB Sistema de Informaes Hidrolgicas.
http://hidroweb.ana.gov.br/. Acesso em 18 out. 2008.
Disponvel
em:
HUETE, A.; LIU, H. Q.; BATCHILY, K., LEEUWEN van W. A comparison of

vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing
of Environment. Maryland Heights, v. 59, p. 440-451, 1997.
HUETE, A.; DIDAN, K.; MIURA, T.; RODRIGUEZ, E.; GAO, X.; FERREIRA, L.
Overview of the radiometric and biophysical performance of the MODIS vegetation
indices. Remote Sensing of Environment. Maryland Heights, v. 83, p. 195-213,
2002.
IBGE Instituto Brasileiro de Geografia e
http://www.ibge.gov.br. Acesso em 26 jun. de 2009.
Estatstica.
Disponvel
em
INPE Instituto Nacional de Pesquisas Espaciais. So Jos dos Campos, 2009.

Disponvel em: http://www.inpe.br. Acesso em: 10 mai. 2009.
JRC - Joint Research Centre European Commission/Institute for Remote Sensing
Applications. ESA - European Space Agency/ESRIN Earthnet Programme Office.
Modelling Deforestation Processes A Review. Trees Series B: Research Report
n 1. Luxembourg: ECSC-EC-EAEC, 1994.
138
JUSTICE, C.O.; et al. The Moderate Resolution Imaging Spectroradiometer

(MODIS): land remote sensing for global change research. IEEE Transactions on
Geoscience and Remote Sensing, Ann Arbor, v. 36, n. 4, p.1228-1247, 1998.
LANDIS, J.R.; KOCH, G. G. The measurement of observer agreement for categorical
data. Biometrics. New York, v. 33, n.1, p.159-174, 1977.
LAZZAROTO, D. R. Sensoriamento Remoto. In: FATORGIS. So Paulo, 2005.
Disponvel em: <http://www.fatorgis.com.br>. Acesso em: 15 nov. 2005.
LAZZAROTTO, D. R. "O que so geotecnologias". 2002. Disponvel em:
<http://www.fatorgis.com.br>. Acesso em: 19 set. 2008.
LETT, C.; SILBER, C.; BARRET, N. Comparison of a cellular automata network and
an individual-based model for the simulation of forest dynamics. Ecological
Modelling. New York, v.121, n.2-3, p.277-293, 1999.
MAGUIRE, D.; GOODCHILD, M.; RHIND, D. Geographical information systems:
principles and applications. New York: John Wiley and Sons, 1991. 1096 p.
MATSUMOTO, M. H.; BITTENCOURT, M. D. Correlao entre Algumas Fisionomias
de Cerrado, no Vale do Paraba e Classes de ndices de Vegetao Obtidos
Espectralmente. In: Simpsio Brasileiro de Sensoriamento Remoto,10, 2001, Foz do
Iguau. Anais.... Foz do Iguau: INPE, 2001. p 1665 - 1672.
MAZZA, C. A. S. Distribuio espacial da bracatinga na regio metropolitana de
Curitiba com imagens de satlite Landsat. Colombo: Embrapa Florestas, 2000.
23p. (Documentos, 44).
MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e metodologias de
aplicao. 3. ed. rev. e ampl. Viosa: UFV, 2005. 307p.
MORENO, J. A. Clima do Rio Grande do Sul. Porto Alegre: Secretaria da
Agricultura RS, 1961. 42p.
NASA National Aeronautics and Space Administration. 2008. Disponvel em:
http://www.nasa.gov/. Acesso em: 11 nov. 2008.
NOVO, E. M. L. de M. Sensoriamento Remoto: Princpios e Aplicaes. 2. ed. So
Paulo: Edgard Blcher, 1998. 308p.
139
PEDROSA, B. M. Ambiente Computacional para Modelagem Dinmica Espacial.

2004. 111p. Tese (Doutorado em Computao Aplicada)-Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos, 2004.
PEDROSA, B.M.; CAMARA, G. Modelagem Dinmica e Sistemas de Informaes
Geogrficas. In: MEIRELLES, M. S. P.; CAMARA, G. ALMEIDA, C. M. de. (Org.).
Geomtica: Modelos e Aplicaes Ambientais. Braslia: Embrapa Informao
Tecnolgica, 2007. p. 237-280.
RAMBO, B. A fisionomia do Rio Grande do Sul: ensaio de monografia natural.
Porto Alegre: Imprensa Oficial, 1942. 456 p.
RECHIUTI, L. V. Processamento de Imagens Digitais. So Jos dos Campos:
INPE CTA, 1996. 59p.
REIS, G. M.; RIBEIRO JNIOR, J. I. Ferramentas Estatsticas Bsicas da
Qualidade
guia
prtico
do
R.
2007.
Disponvel
em:
http://www.estatsticanor.xpg.com.br. Acesso em: 15 jan. 2010.
RICHARDS, J. A. Remote Sensing Digital Image Analyses: an introduction. 2. ed.
Berlin: Springer-Verlag, 1993. 340p.
RIO GRANDE DO SUL. Governo do Estado, Secretaria do Meio Ambiente.
Inventrio Florestal Contnuo. Disponvel em: http://coralx.ufsm.br/ifcrs/index.php.
Acesso em: 11 jan. 2010.
ROCHA, C. H. B. Geoprocessamento: Tecnologia Transdisciplinar. Juiz de Fora:
Ed. do Autor, 2000. 220p.
ROCHA, J.; SOUSA, P. M; TENEDRIO, J. A. Geosimulao e Anlise Espacial:
Redes Neuronais e Autmatos Celulares na Previso de Alteraes nos Padres de
Uso e Ocupao do Solo. Inforgeo, Lisboa, v. 16, n. 17, p.123-137, 2001.
ROSENDO, J. dos S. ndices de vegetao e monitoramento do uso do solo e
cobertura vegetal na Bacia do Rio Araguari MG utilizando dados do sensor
MODIS. 2005. 130f. Dissertao (Mestrado em Geografia) Universidade Federal
de Uberlndia, Uberlndia, 2005.
ROUSE, J. W.; HARRS, R. W.; SCHELL, J. A.; DEERING, D. W.; HARLAN, J.C.
Monitoring the Vernal Advancement and retrogradation (Green Wave Effect) of
Natural vegetation. NASA/GSFC. Type III Final Report, Greenbelt, MD, 1974, 371p.
140
RUDORFF, B.F.T.; SHIMABUKURO, Y. E.; CEBALLOS, J.C. O Sensor MODIS e

Suas Aplicaes Ambientais no Brasil. So Jos dos Campos: Parntese, 2007.
423 p.
SABINS, F.F. Remote Sensing: principles and interpretation. 3. rd. New York: W. F.
Freeman and Company, 1999. 494p.
SANTOS, O. I. B. et al. Perspectivas de desenvolvimento sustentvel da Metade Sul
do Rio Grande do Sul com base nos arranjos silvcolas emergentes e na produo
de etanol a partir de celulose. In: Encontro Nacional sobre Gesto Empresarial e
Meio Ambiente, 9, 2007, Curitiba. Anais... Curitiba: ENGEMA, 2007. p. 1-17.
SCHNEIDER, P. R.; SCHNEIDER, P. S. P.; SOUZA, M. A. C. de. Anlise de
Regresso aplicada Engenharia Florestal. 2 ed. Santa Maria: FACOS, 2009.
294p.
SILVA, D. A. da. Sistemas Sensores Orbitais. So Jos dos Campos: INPE CTA,
1995. 69 p.
SILVA, A. de B. Sistemas de Informaes Geo-referenciadas: Conceitos e
fundamentos. Campinas: UNICAMP, 2003. 236 p.
SILVA, E. T. J. B. Utilizao dos ndices de Vegetao do Sensor MODIS para
Deteco de Desmatamentos no Cerrado: Investigao de Parmetros e
Estratgias. 2004, 146 f. Dissertao (Mestrado em Geologia) Universidade de
Braslia, Braslia, 2004.
SKOLE, D. L. Data on global land-cover change: acquisition, assessment, and
analysis. In: MEYER, B. W.; TURNER, L. B. (Org.). Changes is Land Use and Land
Cover: A Global Perspective. Cambridge: Cambridge University Press, 1994. 537p.
SOARES FILHO, B. S. Modelagem dinmica de paisagem de uma regio de
fronteira de colonizao amaznica. 1998. 299 f. Tese (Doutorado Engenharia
Civil). Escola Politcnica, Universidade de So Paulo, So Paulo, 1998.
SOARES FILHO, B. S. DINAMICA Um software para simulao de dinmica de
paisagens. Anais do II Workshop em Tratamento de Imagens, NPDI/DCC/UFMG,
2001.
SOARES-FILHO, B.S., PENNACHIN, C.; CERQUEIRA, G. DINAMICA a stochastic
cellular automata model designed to simulate the landscape dynamics in Amazonian
colonization frontier. Ecological Modelling, v.154, p. 217-234, 2002.
141
SOARES-FILHO, B. S.; RODRIGUES, H. O.; CERQUEIRA, G. C.; COSTA, W. L. S.;

ARAJO, W. L.; OLIVEIRA, L. B. R. Software Dinamica EGO: Environment for
Geoprocessing Objects. CSR/UFMG. Verso 1.2.1. 2005
SOARES-FILHO, B. S. Anlise de Paisagem: Fragmentao e Mudanas. Disponvel
em:<http://www.csr.ufmg.br/geoprocessamento/centrorecursos/relacionadas/dinamic
a.pdf>. Acesso em: 5 mar. 2005.
SOARES-FILHO, B. S.; CERQUEIRA, G. C.; ARAJO, W. L.; VOLL E. Modelagem
de Dinmica de Paisagem: Concepo e Potencial de Aplicao de Modelos de
Simulao Baseados em Autmato Celular. Megadiversidade. Belo Horizonte, v. 3,
n. 1-2, p. 1-16, 2007.
SOARES-FILHO, B. S; RODRIGUES, H.; LELLES, W. Modeling Environmental
Dynamics with Dinamica EGO. 1. ed. Belo Horizonte: CSR, 2009. v. 1. 115 p.
TURNER, B.L.; MEYER, W. B.; SKOLE, D. Global land-use/land cover change:
Towards an integrate study. Ambio, Londres, v.23, n.1, p. 91-95, 1994.
VENTURIERI, A.; SANTOS, J.R. dos. Tcnicas de classificao de imagens para
anlise da cobertura vegetal. In: ASSAD, E. D.; SANO, E. E. (Org.). Sistemas de
Informaes Geogrficas: Aplicaes na Agricultura. 2. ed. Braslia: EMBRAPA,
1998. p. 351-371.
XIMENES A, de C.; ALMEIDA, C. M. de.; AMARAL, S.; ESCADA, M. I. S.; AGUIAR,
A. P. D. de. Modelagem Dinmica do Desmatamento na Amaznia. Boletim de
Cincias Geodsicas. Curitiba, v. 14, n. 3, p. 370-391, 2008.
WOLFRAM, S. Theory and Applications of Cellular Automata: Including. New
York: Selected Papers,1986.
7 APNDICE
143

referncia para o ano de 2000 na microrregio Serras do Sudeste.
Unidade
Amostral
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Floresta
Regenerao
Campo
Solo
251
245.5
253
248
251.5
254
250.5
253
248
245
252
249
247.5
245
254
255
252.5
253
245
254
252
246
253
246.5
245
245
252
245
245
247
253
245
252.5
253
254
247.5
253
248
251
251
254.5
245
254
254.5
252
254
245
250
253.5
252
243.5
242.5
241
241.5
243
242.5
242
241
241
244
241
243
244
244
243.5
243
242
241.5
243
243.5
244
243
244
243.5
243
244
243
242.5
243
241
241
243
244
241
243.5
241
243
244
242
244
244
243.5
243.5
244
241
244
244
243
244
243.5
225
224
228
225
228
228.5
227
221
229
228
228.5
228.5
223
226.5
222
229
228
226
228
225
226.5
224.5
223.5
220
221
219
224.5
218
220.5
226.5
228.5
220.5
226
223.5
219
222.5
227.5
226.5
222.5
227.5
223.5
218
227.5
225.5
219.5
222
218.5
227
219.5
226
190
184
186.5
189
187
160
164
162.5
179.5
190
190
185
171
172
187
160
160.5
160
172
162.5
179
183
182.5
182.5
181
168
190
165
160
179
189
161
165
184.5
186
179.5
173
188
164
178.5
165
170.5
167.5
173
182
177.5
170
181
164.5
185
144

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
251
251
253
245
252
254
251
248
248
252.5
252
253
246
246
245
245
245
254
248
246
252.5
252
253
248
246
245
253
252
245
247.5
253
245
253.5
248
245
249
253
254
250.5
251
253.5
245
254.5
254.5
254
253
247
249.5
251.5
252
243.5
244
244
243
242.5
242
244
241
241
242
241.5
243
242.5
244
243.5
244
242
241.5
242
241.5
244
243.5
243
242.5
244
244
241
241
242
242
242.5
241
244
241
244
241
243
243.5
242
244
243.5
243
243.5
244
241
243.5
244
243
242.5
243.5
218
216
217.5
219.5
228
225
222
218.5
218
218.5
218.5
219
223
217
220
221
223
225.5
228
226
218
223
223.5
222.5
228
219.5
219
216.5
224
224
226
220.5
224
225
222.5
218
218
220
218
218.5
216.5
221
223
226
222.5
222
227
224
225
227
183
175
186.5
189
187
168
164
162.5
179.5
190
190
180
170
172
188
161
162
163.5
172
162.5
179
188
189
182.5
184
167
168
166
161
179
189
161
164.5
184.5
186
189
173
185
164
178.5
165
170.5
167.5
173
162
177.5
188
181
164.5
184
145

Unidade
Amostral
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Floresta
Regenerao
Campo
251
254
254
248
254.5
254
253
252.5
254
253
253
250
253
254.5
254
246
254.5
250
252
251
254
254.3
254
250
254
252
254.5
250
251
254.5
254
249
253.5
248
246
253
246
251
247
254
252.5
253
254
253.5
254.5
254
252
254.5
246
248
245
241
242
245
242
242.5
245
245
244
244
244
243
244.5
241
241.5
245
241
244
242
242.5
242
242.5
244
242.5
244.5
242
241
243
244
241
245
244
242
244
242
244
244.5
243
244
241
241.5
241
241
244
243
244
241
242
243
244
222
229
229
224
218
225
224.5
228
224
225
223
221
229
217
227
229
219
222
224
224.5
229
228.5
220
221
228
226.5
227
224
228
227.5
225
222
221
223.5
219
224
226.5
224.5
224
225.5
218
222
228
225.5
226.5
226.5
219
224
219
224
Solo
179
168
160
160
165
181
184.5
163
191
173
164
175
175
190
186
191
163
190
189
163
186
170
163.5
191
186
188
173
164
184
165
191
187
177
168.5
169.5
186.5
175
190
172
187.5
166.5
167
168
190
189.5
186
188.5
180.5
167
191
Continua...
146

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
253
254
254.5
246
247
248
249
252
250
249
246
251
248.5
249
249.5
254
250.5
252
252
253.5
251
249.5
246
249
248
246
249
248
250
250
246
249
253
252
254
251
246
246
247.5
249
251
254
247
246
248
247
249
252
251
249
241
242
242
243
242
243
243
243.5
242
241.5
243
244
243
243.5
241
244.5
243.5
243
244.5
241
242.5
242
243
243
243.5
241
243
242
245
242
244
244
241.5
244
244
244
242.5
243
242.5
243
245
242
243.5
244
243.5
244
245
244
243
245
218.5
220
217
218
219
225
224
220.5
221
218
223
221
225
217
226
219
218
221
224
222
229
218.5
220
221.5
217
218
226
223.5
219.5
225
219
224
225
220
223
218
219
219
224
225
219
222
221
226
219
226
217
227
225
226
180
170
163
164
166
181
184.5
174.5
184
174
163
175
175
189
186
191
165
191
189
163
186
170
166
190
187
191
173
163
184
163
191
191
177
168.5
162.5
186.5
184.5
187
172
187
166.5
167.5
168
190.5
190
186
168
180.5
167
165
147

Unidade
Amostral
Floresta
Regenerao
Campo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
253
245
253
248
250.5
252
251
249
248
254
252
254.5
245
245
254
245
254
250.5
253
250
253
252
249
245.5
254.5
246
254
246
254
253
252
251
248
254
252
254
254.5
249
248
249
254.5
253.5
250.5
250.5
250
253
254
252
254.5
253
244
240
240.5
240
241
244
243
243
244
242.5
240
244
244
243
242.5
240
240
242
240
243
240.5
244
240.5
244
243
243
243.5
243
242
241
242.5
242
241
240
244
244
241
243
244
241
241
240.5
241.5
240
240
242
241
242
243
244
216
226
218
216
225
222
218
223
224.5
218
216
229
227
220
225.5
216.5
219
218
223
223
225.5
226
216.5
227
218
219
220
218
228
221
221
222.5
220.5
226
221.5
218
220
218
220
217
217.5
221
219.5
216
224
218.5
228.5
222
228
216
Solo
170
171
186
161
175
161
185
174
162
188
180
166.5
166
187.5
175
171
161
177
161
161.5
188
176
174
161.5
161
187
171
159
179
164
161
188
164.5
188
167
188
173.5
166
184.5
160.5
188
180.5
180
188
185
168
174
162
176.5
170
Continua...
148

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
248
245
245
247
250
250.5
252
252
254
246
254.5
252
249
254
249.5
251
254
245
247
249
251
249
252
253
252
249
251
246
247
248
253
249.5
251
251.5
254
252
254
253
253
248
246
246.5
245
245.5
250
251
250
249.5
247
251
244
244
241
240.5
241.5
240
243
243.5
243
243
242
240
241
244
244
242
241
241
242
240
244
241
241.5
242
243.5
243
241
244
244
241
242
242.5
243
244
242
244
241.5
242.5
243
243.5
244
241.5
241
242.5
242
243
243.5
244
242.5
242
217
216
226
218
220
222
224
218.5
223
224
218.5
217.5
218.5
226
224.5
225
218.5
217
229
224
219
225
227
227
219
226
217
225
228.5
229
224
224.5
223.5
224
225.5
229
224
225
216.5
217.5
228
220
221
223
228
219
219
224
222.5
226.5
175.5
170
171
186
163
175
164
185
174
171.5
188
180
186
166
170.5
175
171
161
177
161.5
162
188
184
174
183
163
187
161.5
162
179
163
175
181
164
188
178
179
173.5
166
174
165.5
179
184
179
181
183
184.5
174
165
180
149

referncia para o ano de 2000 na microrregio Campanha Meridional.
Unidade
Amostral
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Floresta
Regenerao
Campo
249
253
248
253
248
241
250
251.5
250
253
251
243.5
246
242
242.5
244
251
254.5
249
252
248
245.5
251
250
240
253
250.5
240
246
247
250
248
254
253
252
248.5
247.5
248
241
250
248
253
249
249
245
242
253
254.5
249.5
240
239
239
238.5
235
236
239
238
237
236.5
239
238.5
239
239
238.5
235
235.5
236
236
239
238
238.5
239
239
239.5
239
238
235
236
236.5
238
239
239
238.5
236
236.5
238
239
238
235
239
238
235
237
237.5
239
236
235
235.5
238
239
227
226
226
230
229
228
228
229
228
228.5
228
230
227
229
221
230
230
229
230
221
228
229
229.5
222
225.5
226.5
221
229.5
221
229
228
229
227.5
228
229.5
228
228.5
229
227.5
223
221
221
226
224
222.5
227
227
223
229
226
Solo
189
167
165
182
184
168
181
166
181
181
163.5
169
178
188
187
178
176
168.5
186
163
173
179
189
175
179
172
163
189
187
163
183
188
164
163
177
186
188.5
186.5
166.5
177
163
169
164
165
188
163
176
163
173.5
164
Continua...
150

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
251
242
242.5
244
252
243
251.5
245
248.5
247.5
251
253.5
246.5
246
242.5
244
243.5
240
253
251
240
252.5
250.5
244
244.5
243
242
252
248
241
254
242
251
244
244
246
243
248
249.5
251
252
242.5
243
244.4
246
246.5
249
251
241
243
239
238.5
237
238
238
237.5
236.5
239
235
236
239
235
239
239
235
239
239
238.5
235
239
238
237
239
235
235.5
236
238
239
238.5
239
239
238
235
235
238
236
235
235.5
236
237.5
237
236
237
237
235
239
235
236
238
235
222
221
224
224.5
228
225
222
223
224
226
221
224
223
225
226
221.5
223
224
228
222
221
223
223
224
225
226
227
228
223
222
223.5
221
224
228
228.5
229
222
223.5
224
221.5
227
227.5
223
229
228.5
225
222
223
230
231
189
188
186.5
189
187
164
164
165
179.5
180
181
185
171
172
188
164
163
170
172
165
179
188
182
182.5
189
167
188
166
167
179
189
173
164
165
186
189
173
189
164
178.5
169
178
167.5
173
165
177.5
188
181
174
187
151

Unidade
Amostral
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Floresta
Regenerao
Campo
254.5
253
251
254.5
248
251
246
250
252
242
251
244
253.5
253
251
252
253
254
249
251
250.5
252
242
254.5
242
250
253
252
249
246
242
250
242
243
252
242
251.5
254.5
250
249
251
248
246
246.5
244
243
252
253
244
243
241
241
239
238
241
240.5
241
236
240
235
235.5
241
240.5
235
237
238
241
239
237
235
237
237.5
239
241
240.5
238
237.5
236
235.5
236
236.5
237
238
236.5
241
241
240
239
238
237.5
241
240.5
239
241
239.5
238
237
237
239
240
229
226
228
224
228
225.5
229
225
229
223
228
229
217
222
216
227
228
228
225.5
217
218
220
221
219.5
216
218.5
220
221
227
221
226.5
224.5
227
226.5
219.5
223
225
227
229
226
219
223
224
220.5
216
227.5
227.5
228.5
217.5
217
Solo
160
162.5
160.5
187
182
169
181
183
172.5
160
170
181
173
179
165
187
170.5
160.5
168
171
178.5
160
182
179
162
160.5
160
179
161
163
175
160
177
160
180
161
160
187
178
160
178
163
165
169
184
167
161
160
160
169
Continua...
152

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
242.5
246
251
252
248
249.5
249
252
250.5
252
250.5
251
245
244.5
243.5
242
242.5
251
250
251
251.5
249
244.5
242.5
245
246
243
243.5
242.5
245
245.5
251
252
246
246.5
248
252
243
242
247
251
244
242.5
244
245
246
247.5
254
251
244
241.5
240
239
239.5
238
237.5
236
235.5
235
240
235
235
237
238
241
235.5
240
239
239
240
241
238
238.5
235.5
237
238
241
240
236
237
235
237
239
239
240
241
238
238
238.5
239
240.5
241
235
241
239
239
235
237.5
235
239
218
216
220
219
218
225
225.5
221
222
223
217
219
218
219
220
221.5
218
219
220.5
225
228
219
223
219.5
218
218
216
217.5
218.5
224
223
221
228
229
219.5
220
225
228
218
219
219.5
219.5
222
223
225
221
222
218
227
224
180
167
162
160
165
181
184.5
164
187
174
161.5
174.5
175
187
186
179
161
184
183
162.5
186
169.5
160
181
179
178
173
165
183
160
187
185
177
168.5
162.5
186.5
187
185
172
187
166.5
167.5
168
187
186
186
186
180.5
181
183
153

Unidade
Amostral
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Floresta
Regenerao
Campo
247
254.5
253
254.5
247
254
254.5
254.5
251
248
254
249
254
249
254.5
253
254
250.5
248
249.5
253
249
248
249
254
248
253
253
254.5
254.5
253
254
250
254
253
251
251
254.5
253
248
252
251
248
253
246
252
254.5
250
249
248
242
245
245
242
244
242
244
244.5
242
240
245
245
245
244
243.5
240
241
245
245
242
244.5
240
240
241.5
245
243.5
243.5
241
242
242.5
243.5
244.5
244.5
245
244
244
243
243.5
244
241
242
244
244
240
245
241
242
242.5
243.5
244
224
229
229
226
222
226.5
225.5
216
229
229
220
223.5
221
221
227
225
228
219
227
222.5
224
224.5
225.5
228.5
226
220.5
222.5
224.5
227.5
219.5
217
216
216.5
228
225.5
230
227
226.5
228.5
226.5
226.5
220.5
219
224.5
228
219.5
228
224.5
222.5
229.5
Solo
169
170.5
167
165
168
162.5
159
184
159
160
159
165
159.5
160
167
159
168
160
168.5
183
161
159
162
164
169
171
172
184
170
159
183
168
179
164
168
174
168
159
171
160
164
161
179
169
185
166
181
185
172
160.5
Continua...
154

Unidade
Amostral
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Floresta
Regenerao
Campo
Solo
247
249
247
250
251
252
248.5
249.5
247
248
252
251
246
249.5
252
249
250
251
249
249.5
250
251.5
252
251
249.5
251
248
249
247
248
249.5
251
251
252
246
246
251.5
252
249
247
248
251
251.5
252
251
247
252
248
249
247.5
244.5
245
245
241
241.5
242
242.5
243.5
243
242.5
241
242.5
244
243.5
242
241.5
243
243.5
240
244.5
241.5
243.5
242
243
245
245
240
243
241
241
240
244
245
241
245
244
242
241
241.5
240
241
242
243
242
243
241
243
244
244
243
219
225
227
223.5
224
222
225
226.5
225
219.5
220
219
226
216
217
218.5
217.5
220
222
219.5
226
218
219
229
216
218
224
224.5
229
230
227
222
226
225
228
224
216
218
219
220
223
221.5
225
219
220
223
217
222
224
225
170
175
185
163
175.5
159
185
174
161
174
179.5
166.5
166
180
175
173
165
177
163
172
184
176
175
180
184
176
162
168
180
164
179
182
184
183
177
179
179
166
184
169
182
185
180
184
183
168
174
179
182
185
APNDICE G - Pesos de Evidncia (W) para cada faixa de distncia das variveis em relao s transies na microrregio
Serras do Sudeste entre 2000 e 2004.
2,3
2,4
2,5
3,2
Varivel
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,543059
0,477465
-0,248766
0,002054
0,000957
-0,001007
0,323342
0,216712
-0,06136
-0,02759
-0,01221
0,392989
0,140711
0,033066
0,082676
-0,03927
-0,14198
0,195229
-0,32369
-0,41286
-0,41005
-0,46246
-0,34148
-0,58691
-0,819283
-0,63061
-0,443
0,264265
0,339237
-0,07487
0,035077
0,139649
0,531488
-0,28519
-0,11816
0
-0,73495
-0,55973
-0,84698
-0,84235
-1,28044
-0,74714
-0,99152
0,316106
-0,07215
0,054526
0,087653
-0,54466
0,175253
-0,09784 -0,39935
-1,11996 -0,223878
0,120965
-0,67515
0
-1,20384
-1,88210
-0,78457
-0,81858
-0,27545
0
-0,49973
-0,17193
-0,01044
-0,13977
-0,70595
0,024867
0,210243
-0,35542
-0,92767
0,229472
0,371056
0,210664
0,662599
0,755278
rea Urbana
0,007616
-2,10944
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
1,41958
1,2549
-0,089403
0,004763
0,587827
0,68845
-0,00108
-0,06527
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,009815
-0,001574
0,008663
-0,13355
0,560863
0
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
1,14122
1,19394
0,231851
-0,016436
0,007836
0,588554
0,153278
-0,07214
0,195355
-0,10504
Sub-bacia Hid.
-0,006848
1,4501
rea Urbana
0,007772
-2,27157
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,585366
-0,670695
-0,488555
0,10613
0,001672
0,004985
0,002167
-0,21518
-0,35702
-0,22403
0,135759
-0,02166
-0,0667
-0,75117
0,430107
10
n...
20
0
156
3,4
3,5
4,2
4,3
rea Urbana
-0,00069
1,12951
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
-0,575526
0,705305
0,825554
0,253472
0,000431
-0,009388
0,000294
0,000259
-0,06793
0,320403
0,215384
-0,01512
-0,00554
0,113914
-0,07415
-1,54339
0,151702
0,031624
-0,10057
-0,0274
0,342589
-0,2087
-0,35944
0,201748
0,437151
-0,38848
-0,57374
-0,72176
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
-0,454406
0,849864
1,17041
0,237189
-0,000184
-0,006683
0,001067
0,011409
0,315328
0,035967
0,024562
0,002353
0,082514
-0,30078
0,208916
-0,0283
-0,42163
-0,06076
0,284554
-0,28913
-0,69835
0,119353
rea Urbana
0,000254
-1,46991
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,842137
0,171462
-0,06425
-0,019732
-0,361836
0,034707
0,052826
-0,001924
-0,004515
0,039034
0,133604
-0,54416
-0,7965
0,554455
0
-0,61229
-0,81522
-0,87053
-1,0632
-1,21031
-1,64608
-0,52917
-1,03059
0,332544
-0,75026
-1,50451
-1,44643
-1,85031
-1,56417
-1,24767
-0,21197
-1,29793
-0,89247
-0,06414
-1,67017
-0,11837
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,097618
-0,01182
-0,089811
0,029106
-0,004615
0,011987
-0,002063
0
0,135701
0,00842
0,053276
-0,13019
0,584782
0
0,214862
0,000671
Distance_to_2
-0,086709
0,103385
-0,01394
-1,55369
-2,93145
-1,51022
-1,3568
157
4,5
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,159171
0,260491
-0,001732
0,005106
-0,002325
rea Urbana
5,2
5,3
5,4
-0,44533
0,022166
0,02035
-0,0532
0,639389
-0,37675
-0,06984
-0,26557
0,160615
-0,49578
0
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,65309
0,034283
0,010306
-0,02068
-0,12493
-0,904448
0,02997
0,029324
-0,000589
0,268705
-0,43841
-0,35616
0,135508
-0,25233
-0,47572
rea Urbana
7,35E+00
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,485098
0,22279
0,044428
-0,10022
-0,14966
-0,20967
-0,05091
-0,498874
0,009673
-0,000697
-0,000117
-0,000107
0,104468
-0,12036
0,006991
0,028518
0,900357
-0,02423
-0,43696
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
-0,013671
0,252975
0,001289
-0,1139
-0,3053
-0,20581
-0,22965
-0,006476
-0,009116
-0,000639
0,023675
0,072611
0,087441
0,146146
-0,0034
0,029466
rea Urbana
7,35E+00
-0,82695
-0,36742
-0,608259
-0,82695
* medida em metros, sendo:1: 0-250, 2: 250-500, 3: 500 -750, 4: 750-1000, 5: 1000-1250, 6: 1250-1500, 7:1500-1750, 8: 1750-2000, 9: 2000-2250, 10:22502500, n..., 20: 4750-5000.
158
APNDICE H - Pesos de Evidncia (W) para cada faixa de distncia das variveis em relao s transies na microrregio
Serras do Sudeste entre 2004 e 2008.
2,3
2,4
2,5
3,2
Varivel
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,280277
0,303779
-0,30119
-0,00168
-0,00087
-0,00023
0,098678
0,118679
-0,03029
0,021822
0,011319
0,117058
rea Urbana
0,009348
-2,58873
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
0,450229
0,674351
-0,37932
0,003505
0,230259
0,254991
-0,0444
-0,04738
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,016593
-0,00333
0,010104
-0,24593
1,04166
0
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
0,430791
0,613327
-0,7505
0,011997
0,011282
0,235824
0,227257
-0,06227
-0,17324
-0,15998
Sub-bacia Hid.
-0,00047
0,23223
rea Urbana
0,008962
-2,1763
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,697215
-0,55347
-0,34159
0,316402
0,003009
-0,00126
0,001801
-0,13538
-0,18171
-0,14211
0,069951
-0,03899
0,016325
-0,53218
10
n...
-0,07847
-0,0525
0,07522
-0,24367
-0,3026
-0,02392
-0,38159
-0,3925
-0,06608
-0,52389
0,040259
0,070279
0,063585
-0,14404
-0,11066
0,279663
-0,53328
0
-0,15047
-0,14151
-2,43867
-0,42992
1,79544
-0,75499
0
-1,18591
0
0,023065
0,040077
0,137652
-0,21825
-0,80042
0,058015
-0,49347
-1,10266
0
-0,67942
-1,40004
-0,90249
-2,11409
-1.598
-1,57482
-2,10504
0,986002
0
1,67915
-0,51931
0,01325
0,045875
-0,0899
-0,78318
0,211172
0,236284
-0,12629
-1,03926
0,415242
0,374103
-0,22407
-1,32087
0,704935
0,874778
20
159
3,4
3,5
4,2
4,3
rea Urbana
-0,00139
1,74731
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
-0,13941
0,439377
0,655912
0,37515
0,004264
-0,00581
0,001171
0,000226
0,041286
0,047508
0,091587
-0,00947
-0,05575
0,072777
-0,31216
-1,46731
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
-0,01422
0,302305
0,624491
0,31298
0,003458
-0,01003
0,000658
0,006131
0,06208
0,102991
-0,0415
-0,04495
0,122334
-0,1632
rea Urbana
0,000294
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
1,44948
0,54034
-0,16496
-0,13126
-0,05171
0,227824
-0,38705
-0,32021
0,269285
0,674206
-0,48339
-0,71426
0,831012
1,04247
0,739219
0,729916
-0,94015
-1,40788
-1,41406
-0,11231
-0,07696
-0,0193
-0,28994
-0,25834
0,327323
-0,42394
-0,43712
0,100206
-0,542
0,318331
-0,12879
-0,4793
-1,04496
-0,88031
-2,56101
-1,41361
-2,46676
-0,18804
0,264821
0,022057
-0,00412
0,00259
-0,00161
0,209933
0,02375
-0,2959
0,047295
-0,95685
0
0,474378
-0,02679
1,0713
-0,15574
0,758922
0
0,041677
-0,49732
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,285087
-0,07269
-0,01522
-0,15282
-0,01473
0,006776
-0,00337
0,000449
0
0,246055
0,000228
-0,0813
0,038775
-0,11287
0
0,346915
0,020364
-0,1275
-0,83199
Distance_to_2
0,351645
0,146386
-0,13908
-0,06459
160
4,5
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
0,059261
0,215153
0,009853
-0,01984
0,000175
rea Urbana
5,2
5,4
-0,13197
-0,04265
0,160836
0,193951
1,1634
-0,0169
0,589367
0,015513
0,266375
-0,02668
-0,29597
-0,92003
0,018353
0,004681
0,000999
0,238999
-0,0568
-0,21397
-0,38603
-0,15987
-0,81079
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
0,372091
0,281688
0,021635
-0,3074
-0,04048
-0,54769
-0,43088
0,178323
-0,29133
0,007349
0,004982
-0,00177
-0,00036
0,055187
-0,09081
-0,05334
0,448632
0
-0,00051
-0,22844
-1,42666
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
-0,12356
0,277771
0,007448
-0,18968
-0,64622
-0,75163
-0,30468
-0,00072
0,010601
-0,00127
0,044941
0,00849
-0,11747
0,34245
0,004171
-0,16639
Distance_to_2
Distance_to_4
Distance_to_5
Clinografia
Rede Viria
R.Hidrogrfica
Sub-bacia Hid.
rea Urbana
5,3
-0,18488
-0,00389
-0,12072
0,207937
-0,04244
rea Urbana
-0,61358
-1,38442
-1,91996
-1,37928
-2,28087
0,519249
0,267935
0,599292
1,07886
0,519249
-0,15465
161
APNDICE I - Pesos de Evidncia (W) para cada faixa de distncia das variveis em relao s transies na microrregio
Campanha Meridional entre 2000 e 2004.
2,3
2,4
2,5
3,2
Varivel
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
0,401843
0,170792
-0,00825
0,018285
-0,43905
-0,00362
0,097774
-0,00835
0,152737
-0,1704
-0,24265
0,932938
-0,08107
-0,01186
-0,04747
-0,11975
-0,00068
0,87202
0,284128
-0,18409
-0,09454
-0,37674
-0,29627
-0,60922
-0,52386
rea Urbana
0,009811
-1,93562
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
107.085
0,979641
-0,00492
0,46677 -0,00096
0,561652 0,205831
0,093937
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
0,012556
-0,63951
-0,00259
0,011457
-0,11348
-0,10177
0,743069
0
-0,23454
0,060061
0,738716
0,327215
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
1,06457
1,14184
-0,01015
0,012353
-0,56756
0,438018 0,210485
0,612608 0,309527
0,184576
-0,11152
0,074029 -0,20865
-0,10185
-0,00671
-0,4862
-0,19507
-0,78419
-0,48148
-0,11018
0,561767
0,381193
Sub-bacia Hid.
-0,00189
0,591873
rea Urbana
0,011457
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
0,257045
-0,26921
-0,10659
0,007895
-0,01012
-0,05963
0,00363
-1,19263
0,237233
-1,49087
-2,20806
-0,10213
-0,27223
0,03904
n...
10
-1,29697
-0,64095
-1,13373
-1,03807
-0,85714
-2,12603
-1,00751
-1,3297
-1,80962
-1,00284
-1,39994
0
-0,33879 -0,84622
0,006001 0,198899
0,028344
-0,1544
0,088323
0,12386 0,030747
-0,87201
25
162
3,4
3,5
4,2
rea Urbana
-0,00042
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
-0,29942
0,360894
0,499731
-0,00108
0,00909
-0,14765
0,000919
9,09E+00
0,186684 0,394735
-0,05585 -0,28576
0,153173 -0,09623
0,019257
-0,08742
-0,18503 -0,19391
-0,15907
-0,15405
0,575952
-0,47658
-0,29179
-0,72595
-0,57226
-0,93779
-0,75219
0,456774
-0,26801
-0,32508
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
-0,2696
0,448285
0,818653
-0,00207
0,011562
-0,54443
0,001464
0,000492
0,125874 0,388326
-0,12724
-0,4631
-0,00658 -0,39427
0,036636
-0,11273
-0,08383 -0,21279
-0,26725
-1,48514
0,604349
-0,73933
-0,642
0,373043
-0,98595
-1,26826
-0,35986
-1.908
-1,26203
0,428579
-0,37328
-0,31435
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
0,84612
-0,70346
-1,0465
-1,30749
0,108395 0,392318
-0,14696
0,117217
0,388653 0,12571
-1,20413
0,76198
-0,63615
0,102119
-0,77823
0,302448
0,542675
-0,58916
0,07153
-0,08693
rea Urbana
4,3
-0,113
0,007808
-0,01371
-0,15431
0,003373
0,503742
0,048437
0,0002
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
0,264859
-0,03727
-0,12186
-0,0629
0,001187
-0,00784
-0,70004
-0,00199
0,0002
0,117661
-0,02092
0,068914
0,368934 0,180679
0,345085
0
Distance_to_2
-0,12202
0,031734
-1,06627
1,4593
-2,76388
0
-1,75958
1,09845
1,81977
0
0
0 0,993092
0
0
163
4,5
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
5,2
5,4
-0,27688 -0,55999
-0,10463
-0,12403
-0,11344 0,029096
0,166841
-0,87863
-0,66446
-0,24967
0,132295
-0,42331
-0,48179
-0,64342
1,00794
-0,97175
0,69077
-1,42065
0
-2,86648
2,01253
-0,20897
-0,63563
0,496941
0,970501
0,198767
0,125354
0,207429
-0,02538
0,0002
1,07603
-0,09327
0,339784
0,102858
-0,01362
-0,00095
0,530921
0,002743
0,229577
0,007775
0,390646
-1,12297
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
0,457158
0,11859
0,072663
-0,2642
-0,20377
-0,21381
-0,18291
0,00045
-0,00666
-0,42925
-0,00128
0
-0,00862
0,053374
0,346259
0,273515
0
-0,00048
-0,52204
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
0,147422
0,150171
-0,0496 0,021192
-0,25972 -0,55234
-0,58335
-0,00256
-0,00503
-0,95865
-0,00078
0,047627
0,040631
0,161443
0,175553
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
5,3
0,157993
0,005682
0,01269
-0,25924
-0,00088
rea Urbana
-0,01242
-0,17638
-0,6506
-1,16596
-0,68046 0,523516
-0,68046
-1,68465
0
-0,80885
0
-1,87929
-0,06692
* medida em metros, sendo: 1: 0-250, 2: 250-500, 3: 500 -750, 4: 750-1000, 5: 1000-1250, 6: 1250-1500, 7:1500-1750, 8: 1750-2000, 9: 2000-2250, 10:22502500, n..., 20: 4750-5000.
164
APNDICE J - Pesos de Evidncia (W) para cada faixa de distncia das variveis em relao s transies na microrregio
Campanha Meridional entre 2004 e 2008.
2,3
2,4
2,5
3,2
Varivel
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
0,275852
0,230641
-0,00034
-0,00059
-0,09515
-0,00015
0,014486
0,074803
0,051277
0,00693
0,004967
-0,0212
0,066905
-3,41231
-0,11018
-0,02249
-0,19683
-0,01704
0,055803
0,180927
-0,17674
0,59872
0,586701
-0,00365
-0,00966
0,33532
-0,0014
0,014263
0,289581
0,257207
0,07163
0,078403
0,175383
0,497376
-3,03793
0,081607
0,071549
-0,205
-0,10825
-0,51818
-0,71076
-0,83128
-0,32757
-0,05342
0,107705
-0,18647
-1,18313
0,629687
0,708124
-0,00642
0,014976
-1,95796
0,379928
0,251629
0,122608
0,02317
0,285304
0,194455
0,018624
-0,13346
-0,3928
-0,32466
-0,60074
-0,53605
-0,25216
-0,14167
0,213591
-0,74515
-2,06764
-0,00216
-0,00277
0,401693
-0,22738
-0,00322
0,004608
0,00588
0,01637
0,002505
-0,00296
-0,3411
0,689003
0
-0,24415
0,003554
0,000548
-0,08134
-0,05651
-0,09548
-0,44071
1,93161
-0,01901
-0,52316
0,164873
-0,73782
-0,85031
-0,04098
-0,04066
0,106634
0,342715
0,178481
0,488708
0,787585
1,29193
10
n...
-0,70297
0
-1,89149
-0,5549
-1,37504
-0,80681
0
-1,00355
0,897311
0,036779
0,255468
-0,14554
-1,34952
25
165
3,4
3,5
4,2
4,3
4,5
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
0,335783
0,383189
0,009578
-0,00561
0,006007
0,002614
0,000382
-0,44517
0,444747
0,622323
0,005827
0,001477
-0,40022
0,001006
0,0005
1,09855
-0,00617
0,195397
-0,1777
0,050831
0,1093
-0,46522
-1,43913
-0,17167
-0,09853
0,281941
-0,10408
-0,01386
0,051151
-0,15441
0
0,39144
-0,28256
0,022217
-0,49106
-0,16724
-0,54264
-0,64433
-0,8346
0,167408
0,249082
-1,27591
-1,59809
0,064195
-0,44202
0,025393
0,315289
-0,64261
-0,16917
0,629394
-0,98208
-0,35794
0,909837
-0,72942
-0,77526
0,086697
0,433358
-1,30333
-2,70226
-0,22003
-0,52994
-0,98528
-0,07779
0,00282
0,010676
-0,157
0,003547
-0,00017
0,410578
0,104507
-0,04981
-0,10205
0,030987
-101.445
0,402613
0,209306
-0,46238
0,402613
-0,0045
-0,0864
0,001661
-0,00017
0,378791
0,000514
-6,35E+00
-0,37907
0,104008
-0,02902
0,001552
0,024529
-0,09673
0,172939
-0,16947
0,111781
0,003587
0,010844
-0,21547
-0,11685
-0,06382
-0,10375
-0,28777
-1,10709
-1,24794
1,27719
-0,79184
-1,00329
1,28129
-1,39748
-0,84755
0,180024
-0,64557
-0,84711
-1,22587
-1,52088
-1,06372
-0,44468
0,220292
-0,00285
2,19437
-0,60424
1,29139
1,54543
-0,01171
-0,19177
-0,34016
-0,50882
-0,36564
0,218059
0,357004
0,35526
0,832184
1,9647
1,69026
-0,13362
-0,25582
1,09903
1,21817
0,059594
0,26756
0,597578
1,09353
0,523531
0,208014
0,458557
0,025693
-0,27746
-0,12513
-0,66746
-2,45921
-1,76607
0,025693
1,41199
-0,16658
0,309855
-0,21776
-1,16147
0,616188
166
5,2
5,3
5,4
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
Distance_to_2
Distance_to_4
Distance_to_5
Rede Viria
R.Hidrogrfica
D.Populacional
Sub-bacia Hid.
rea Urbana
-0,00015
0,000336
1,38786
-0,01219
0,025693
0
0,647027
0,021618
0,003416
-0,00443
-0,15324
-0,00131
0,000115
0,640743
0,118625
-0,06001
0,041118
0,318742
0,286913
0
0,361438
-0,22758
0,007254
-0,00506
0,121753
-0,00074
0,000115
0,022539
0,015539
-0,13231
0,046775
0,142704
0,171942
0
-0,00193
-0,02865
0,005723
-0,00094
-0,06536
-0,00122
0,000115
-0,10281
0,008908
0,036722
0,269432
0
0,280069
-0,2863
-0,61605
-1.292
0,02578
-0,76936
0,612997
2,14878
0,143654
-0,39943
-0,01256
-0,13821
-0,16231
-0,30173
-0,37827
-0,15942
-0,10229
-0,30644
0,912953
1,64988
0,024582
-0,09793
0,293161
0,639717
-0,87776
-1,47467
-1,06519
-1,40528
-0,62107
-1,06387
-0,45695
-0,38756
0,504745
0,858364

TESE Ana Caroline Paim Benedetti

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

TESE Ana Caroline Paim Benedetti

Caricato da

Copyright:

Formati disponibili

UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE CINCIAS RURAIS

MODELAGEM DINMICA PARA SIMULAO DE

Ana Caroline Paim Benedetti

Santa Maria, RS, Brasil

MODELAGEM DINMICA PARA SIMULAO DE

Ana Caroline Paim Benedetti

Tese apresentada ao Curso de Doutorado do Programa de

Orientador: Prof. Dr. Rudiney Soares Pereira

Santa Maria, RS, Brasil

Benedetti, Ana Caroline Paim, 1980B462m

Ficha catalogrfica elaborada por

Universidade Federal de Santa Maria

A Comisso Examinadora, abaixo assinada,

MODELAGEM DINMICA PARA SIMULAO DE MUDANAS NA

como requisito parcial para obteno do grau de

Santa Maria, 02 de Junho de 2010

Obrigada a todos aqueles que de alguma forma contriburam para que eu

Key-words: Remote Sensing; NDVI; dynamic modeling; transition matrix.

FIGURA 1 Localizao das microrregies de estudo no estado do Rio

FIGURA 2 Interface do site do INPE para pesquisa de imagens do satlite

FIGURA 3 Articulao das cenas Landsat sobre as microrregies Serras do

FIGURA 4 Aplicao da tcnica de contraste linear nas composies

FIGURA 5 USGS Global Visualization Viewer: interface para busca e

FIGURA 6 Interface grfica do aplicativo MRT 4.0 utilizado na converso de

FIGURA 7 Unidade amostral espacializada sobre as imagens Landsat e

FIGURA 8 Mapas de variveis estticas na microrregio Serras do

FIGURA 9 Mapas de variveis estticas na microrregio Campanha

FIGURA 10 Sequncia de procedimentos operacionais realizados para

FIGURA 11 Sequncia de procedimentos operacionais realizados no

mtodo de similaridade fuzzy..............................................................................

FIGURA 13 Plotagem da comparao pareada entre as classes, obtida pelo

FIGURA 14 Mapeamento temtico obtido pelo processo de classificao

FIGURA 15 Mapeamento temtico obtido pelo processo de classificao

FIGURA 16 Mapa ndice de vegetao na microrregio Serras do Sudeste

FIGURA 18 Mapa ndice de vegetao na microrregio Serras do Sudeste

FIGURA 19 Mapa ndice de vegetao na microrregio Campanha

FIGURA 20 Mapa ndice de vegetao na microrregio Campanha

FIGURA 21 Mapa ndice de vegetao na microrregio Campanha

FIGURA 22 Resultado da simulao anual entre 2008 e 2016 para a

FIGURA 23 Resultado da simulao anual entre 2008 e 2016 para a

Figura 24 Evoluo da cobertura florestal na microrregio Serras do

TABELA 1 Qualidade da classificao digital segundo intervalos do

TABELA 2 Faixas espectrais e espaciais do sensor Tematic Mapper.............

TABELA 3 Microrregies integrantes da rea de estudo e seus municpios....

TABELA 4 Dados socioeconmicos das microrregies Serras do Sudeste e

TABELA 5 Relao das cenas Landsat abrangentes da rea de estudo e as

TABELA 6 Descrio das classes de declividade do solo................................

TABELA 7 Parmetros calculados para o conjunto amostral dos valores

TABELA 8 Parmetros calculados para o conjunto amostral dos valores

TABELA 9 Teste F aplicado aos valores mdios do NDVI, considerando um

TABELA 10 Teste de Shapiro-Wilks. aplicado aos valores NDVI referentes a

TABELA 11 ANOVA aplicada aos valores mdios do NDVI em 2000, 2004 e

TABELA 12 Comparao pareada entre as classes, atravs do teste de

Tukey HSD nos diferentes perodos, para a microrregio Campanha Meridional

TABELA 14 Qualidade da classificao digital de 15/10/2000 para a

TABELA 15 Qualidade da classificao digital de 15/10/2004 para a

TABELA 16 Qualidade da classificao digital de 15/10/2008 para a

TABELA 17 Qualidade da classificao digital de 15/10/2000 para a

TABELA 18 Qualidade da classificao digital de 15/10/2004 para a

TABELA 19 Qualidade da classificao digital de 15/10/2008 para a

TABELA 20 Quantificao das classes temticas por meio da classificao

TABELA 21 Quantificao das classes temticas por meio da classificao

TABELA 22 ndices calculados para o fatiamento das imagens MOD13Q1