modelaÇÃo do crescimento urbano da provÍncia de … · período de 1993 a 2008, simular e...
TRANSCRIPT
ii
MODELAÇÃO DO CRESCIMENTO URBANO DA
PROVÍNCIA DE LUANDA, ANGOLA
Dissertação orientada por
Professor Doutor Pedro da Costa Brito Cabral
Junho de 2012
iii
MODELLING OF URBAN GROWTH OF THE LUANDA
PROVINCE, ANGOLA
Dissertation supervised by
Professor Doutor Pedro da Costa Brito Cabral
June, 2012
iv
AGRADECIMENTOS
A DEUS o dono da vida, o Sábio dos Sábios os meus agradecimentos por me ter dado a
vida e criado as condições para absorver os conhecimentos necessários e indispensáveis
para fazer este trabalho.
A minha esposa Ana Maria Secuma pelo encorajamento e apoio que me deu em todas as
fases do projeto.
Aos meus filhos que apoiaram direta ou indiretamente, suportando as minhas ausências
às vezes prolongadas em busca de conhecimentos para tornar este projeto possível.
Ao Professor Doutor Pedro Cabral pela reconhecida competência com que orientou este
Trabalho de Dissertação, que muitas vezes abdicou de outras atividades para dedicar
parte do seu tempo a transmitir as melhores práticas e ensinamentos para desenvolver
um trabalho desta índole, com paciência. Pelo seu olho clínico e atento desde o
momento que o convidei a orientar este trabalho. É de realçar a forma sábia como
orientou o trabalho que impressionou-me bastante, pela clareza, o detalhe técnico e o
rigor que o caracterizaram.
Ao colega de curso e de viagens Mestre Américo da Mata que ao termos decido fazer o curso,
embarcamos no mesmo barco e desta forma nunca mais nos separámos. Sempre juntos, nas
aulas, no desenvolvimento dos trabalhos, nas apresentações, enfim, uma grande companhia pelo
que o reservo especial agradecimento.
Ao Engenheiro Fernando Santos, Gestor da SINFIC, agradecimento especial pela
disponibilidade permanente em ajudar-me, foi através dele que consegui os shape files
dos limites e da divisão administrativas da província de Luanda.
A direção do Instituto Geológico e Cadastral de Angola que não obstante não me terem
cedido dados necessários para desenvolver este trabalho por não os terem, sempre
colaboraram e manifestaram a disponibilidade em ceder os dados que precisava desde
que os tivessem disponíveis.
Ao amigo Carlos Fonseca, agradecimento especial por ter ajudado bastante ao ministrar
o treinamento em IDRISI Taiga que me permitiu fazer o trabalho em condições mais
confortáveis. Não poderia esquecer os amigos Mestre António Cosme e o Mestre Sérgio
Prazeres que viabilizaram o referido treinamento.
Ao Professor Doutor Edson Piroli da UNESP, polo de Ourinhos que dedicou parte do
seu tempo para dar-me treinamento em IDRISI Taiga que muito valeram para esboçar e
estruturar o trabalho.
v
Ao amigo João Canaria por ter estimulado o apetite em fazer este curso, agradecimentos
especiais.
Não poderia terminar sem expressar os meus agradecimentos especiais aos meus
“irmãos escolhidos”, os amigos Luís Valente e Gilberto Figueira por terem estado
sempre presentes e me encorajado o tempo todo, a eles digo: obrigado, muito obrigado!
vi
MODELAÇÃO DO CRESCIMENTO URBANO DA
PROVÍNCIA DE LUANDA, ANGOLA
RESUMO:
Este trabalho visa fazer a modelação do crescimento urbano da província de Luanda, no
período de 1993 a 2008, simular e estabelecer cenários de desenvolvimento, a partir de
imagens Landsat 5 TM, utilizando um modelo de dados baseado em Redes Neuronais
Artificiais, o Land Change Modeler e o software IDRISI Taiga. Resultados da
simulação utilizando o LCM indicaram que a mancha urbana de Luanda será de 1.472
Km2 em 2040, contra os 1.114 Km
2 em 2008. Verificou-se também que no período em
análise a área urbana de Luanda cresceu 278,95%, passando de 293,87 Km2
em 1993
para 1.113,62 Km2 em 2008. Como era de esperar, enquanto cresceu a área urbana, a
área não urbana diminuiu em cerca de 61,68%, passando de 2.148,72 Km2 em 1993 para
1.328,97 Km2 em 2008. Estas informações são importantes para gerir o planeamento da
cidade, proporcionando o crescimento ordenado da cidade de modo a evitar os
constrangimentos resultantes de um crescimento desordenado, como por exemplo, a
degradação das condições de salubridade, dificuldade de acessos por falta de
arruamentos, construção em lugares propensos a inundações e desabamentos, trânsito
caótico, ou seja, fenómenos que ocorrem hoje em Luanda.
Os resultados permitem concluir que o LCM constitui uma ferramenta potencial para
modelos de predição desde que os dados de entrada sejam cuidadosamente preparados.
vii
MODELLING OF THE URBAN GROWTH OF
LUANDA PROVINCE, ANGOLA
ABSTRACT:
This work aims to model the urban growth in the province of Luanda, in the period
1993 to 2008, to simulate and to establish development scenarios, from Landsat 5 TM
data using a modeling tool based on Artificial Neural Networks, the Land Change
Modeler and IDRISI Taiga software. Simulation results using LCM, indicate that the
urban area of Luanda will be 1.471,88 km2 in 2040, against 1.113,62 km
2 in 2008. It
was also found that in the period under review, the urban area of Luanda grew 278,95%
from 293,87 km2 in 1993 to 1.113,62 km
2 in 2008. As was expected, while the urban
area grew, the non-urban area decreased by about 61,68%, from 2.148,72 km2 in 1993
to 1.328,97 km2 in 2008. This information is important to manage the city plan,
providing ordered growth to avoid the constraints resulting from an uncontrolled
growth, such as the degradation of health conditions, difficult due to lack of access
roads, on building places prone to flooding and landslides, and chaotic traffic, all
phenomena occurring today in Luanda. The results show that LCM is a potential tool
for prediction models provided that the input data are carefully crafted.
viii
PALAVRAS – CHAVES:
Deteção Remota
Imagens de Satélite
Sistemas de Informação Geográfica
Modelação Espacial
Crescimento Urbano
KEYWORDS:
Remote Sensing
Satellite Images
Geographic Information Systems
Spatial Modeling
Urban Growth
ix
ACRÓNIMOS:
AC – Autómatos Celulares
BI – Bareness Index
DR – Diário da República
ERTS – Earth Resources Technology Satellites
EUA – Estados Unidos da américa
GLCF – Global Land Cover Facility
GPL – Governo da Província de Luanda
IGCA – Instituto Geográfico e Cadastral de Angola
INE – Instituto Nacional de Estatística
INOTU – Instituto Nacional de Ordenamento do Território Urbano
IPGUL – Instituto de Planeamento e Gestão Urbana de Luanda
LATLONG – Latitude, Longitude
LCM – Land Change Modeler
LTM – Land Transformation Model
LUCC – Land Use Cover Change
MLP – Multi Layer Perceptron
MSS – Multispectral Scanner
NASA – National Aeronautics and Space Administration
NCGIA - National Center for Geographic Information and Analysis NDVI – Normalized Difference Vegetation Index
PNUH – Programa Nacional de Urbanismo e Habitação
RBV – Return Beam Vidicon
RF – Reservas Fundiárias
RGB – Red Green Blue
RNA – Redes Neuronais Artificiais
SIG – Sistemas de Informação Geográfica
SLEUTH – Slope, Land Use, Exclusion, Urban Extent, Transportation and
Hillshade
TM – Thematic Mapper
UCSB – University of California, Santa Barbara
UEA – União de Escritores de Angola
UNACA – União Nacional de Artistas e Compositores de Angola
UTM – Universal Transversa de Mercator
WGS84 – World Geodetic System 84
x
ÍNDICE DO TEXTO
AGRADECIMENTOS .............................................................................................................................
RESUMO ...............................................................................................................................................
ABSTRACT.............................................................................................................................................
PALAVRAS-CHAVE ..............................................................................................................................
KEYWORDS ...........................................................................................................................................
ACRÓNIMOS ..........................................................................................................................................
ÍNDICE DO TEXTO ................................................................................................................................
ÍNDICE DE TABELAS ...........................................................................................................................
ÍNDICE DE FIGURAS .............................................................................................................................
CAPÍTULO I - INTRODUÇÃO ............................................................................................................ 1
1.1. ENQUADRAMENTO ................................................................................................................... 1
1.2. OBJETIVOS .............................................................................................................................. 3
1.3. HIPÓTESES DE TRABALHO ......................................................................................................... 3
1.4. ESTRUTURA DA DISSERTAÇÃO ........................................................................................ 4
CAPÍTULO II - ÁREA DE ESTUDO ....................................................................................................5
2.1. LOCALIZAÇÃO GEOGRÁFICA ........................................................................................... 5
2.2. ORIGEM E FUNDAÇÃO DA CIDADE DE LUANDA............................................................ 6
2.3. EVOLUÇÃO DA POPULAÇÃO DE LUANDA ...................................................................... 7
2.4. HÁBITOS E COSTUMES DO LUANDENSES ....................................................................... 8
2.5. RELIGIÃO ............................................................................................................................. 9
2.6. INDICADORES SÓCIOECONÓMICOS DE LUANDA .......................................................... 9
2.7. QUALIDADE DE VIDA EM LUANDA ................................................................................ 10
2.8. RESERVAS FUNDIÁRIAS DE LUANDA............................................................................ 11
2.9. PROGRAMA NACIONAL DE URBANISMO E HABITAÇÃO. CONSTRUÇÃO DE NOVAS
CENTRALIDADES EM LUANDA ........................................................................................ 12
CAPÍTULO III - MÉTODOS .............................................................................................................. 14
3.1. INTRODUÇÃO ......................................................................................................................... 14
3.2. DETEÇÃO REMOTA E MODELAÇÃO URBANA .............................................................. 16
3.3. MODELOS DE CRESCIMENTO URBANO ......................................................................... 17
3.3.1.- Modelo de extrapolação linear: o Geomod ........................................................................ 18
3.3.2. - Modelo de automátos celulares: o SLEUTH .................................................................... 18
3.3.3. - Modelo de redes neuronais artificiais: o Land Change Modeler ...................................... 22
3.4. CONCLUSÕES .................................................................................................................... 24
iv
vi
vii
viii
viii
ix
x
xii
xiii
xi
CAPÍTULO IV - MODELAÇÃO DO CRESCIMENTO URBANO DE LUANDA .......................... 27
4.1. INTRODUÇÃO ......................................................................................................................... 27
4.2. DADOS, FONTES E CARACTERISTICAS ......................................................................... 27
4.3. METODOLOGIA ................................................................................................................ 28
4.4. SELEÇÃO DAS IMAGENS DE SATÉLITE ......................................................................... 30
4.4.1.- Programa Landsat e caracteristicas das imagens ............................................................. 30
4.5. PRÉ-PROCESSAMENTO ........................................................................................................... 33
4.5.1. - Composição colorida RGB ............................................................................................. 33
4.6. CLASSIFICAÇÃO DAS IMAGENS DE SATÉLITE ............................................................. 35
4.6.1. - A dimensão da amostra .................................................................................................. 36
4.7. DERIVAÇÃO DOS MAPAS DO USO DO SOLO ................................................................. 39
4.7.1. - Avaliação da qualidade dos mapas ................................................................................. 44
4.7.2. - Aperfeiçoamento dos mapas classificados …..………………………………………………......48
4.7.3. - Delimitação das áreas urbanas em 1993 ........................................................................ 48
4.7.4. - Delimitação das áreas urbanas em 2000 ........................................................................ 49
4.7.5. - Delimitação das áreas urbanas em 2008 ....................................................................... 51
4.8. ALTERAÇÕES NO USO DO SOLO ENTRE 1993 E 2000 .................................................... 52
4.9. ALTERAÇÕES NO USO DO SOLO ENTRE 2000 E 2008 .................................................... 53
4.10. SIMULAÇÃO DO CRESCIMENTO URBANO .................................................................... 54
4.10.1. - Modelação da transição 1993 - 2000 ............................................................................ 54
4.10.2. - Simulaçã do crescimento urbano para 2008 ................................................................ 58
4.10.3. - Validação do cenário de crescimento urbano de 2008 ................................................. 59
4.10.4. - Simulaçãao do crescimento urbano para 2040 ............................................................ 61
4.11. IMPACTOS DO CRESCIMENTO URBANO DE LUANDA ................................................ 62
4.12. AVALIAÇÃO DO CRESCIMENTO URBANO NAS RESERVAS FUNDIÁRIAS ............... 64
4.13. RESULTADOS E CONCLUSÕES ....................................................................................... 66
CAPÍTULO V - CONSIDERAÇÕES FINAIS ...................................................................................... 68
5.1 COMENTÁRIOS ................................................................................................................. 68
5.2 LIMITAÇÕES ...................................................................................................................... 69
5.3 RECOMENDAÇÕES............................................................................................................ 69
REFERÊNCIAS BIBLIOGRAFICAS .................................................................................................. 70
xii
ÍNDICE DE TABELAS
Tabela 4.1. – Dados, fonte e caracteristicas ............................................................. 27
Tabela 4.2. – Satélites do programa Landsat ............................................................ 30
Tabela 4.3. – Características dos Landsat 1-2-3-4-5 ………….…………………….. 31
Tabela 4.4. – Característica e aplicações das bandas do Landsat 5 ……………….... 32 Tabela 4.5. – Nomenclatura da classificação em três níveis …………………………35 Tabela 4.6. – Matriz de confusão …………………………………………………… 45
Tabela 4.7. – Qualidade da classificação associada a estatística Kappa ……………. 47
Tabela 4.8. – Reclassificação para o cálculo do Índice de Bareness ………………. 48
Tabela 4.9. – Impacto do crescimento urbano nas RF ……………………………... 65
Tabela 4.10. – Quantificação do uso do solo de Luanda entre 1993 e 2008 ….….... 67
xiii
ÍNDICE DE FIGURAS
Figura 2.1 – Mapa da área de estudo (província de Luanda) e mapa de Angola ..…..... 5
Figura 2.2 - Representação gráfica da variação da população de Luanda de 1985 a 2010.
Fonte INE de Angola …………………………………………………………..……… 7
Figura 2.3 – Reservas fundiárias da província de Luanda …………………….. …..… 12
Figura 3.1 - Curvas de reflectância do solo, água, e vegetação. Adaptado de (Lillesand e
Kiefer, 2000) ……………………………………………………………………….…..16
Figura 4.1 - Fluxograma do projeto …………………………………………………....29
Figura 4.2 - Bandas 4, 5, 3 da imagem Landsat 5 TM em tons de cinza e compósito
RGB453 de 1993, 2000 e 2008 …………………………………………………….….34
Figura 4.3 – Estatísticas da banda 3 do Landsat 5 TM de 2008 ……………………... 38
Figura 4.4 - Calculo da dimensão da amostra através da ferramenta Sample Size
Calculator …………………………………………………………………………….. 38
Figura 4.5 – Amostras de treino referentes as classificações de 1993, 2000 e 2008
respetivamente …………………………………………………….………………..... 41
Figura 4.6 – Mapas do uso do solo de Luanda (nível 1) referentes a 1993, 2000 e 2008
respetivamente ………………………………………………………………………... 42
Figura 4.7 – Mapas do uso do solo de Luanda (nível 2) referentes a 1993, 2000 e 2008
respetivamente ………………………………………………………………………... 43
Figura 4.8 - Mapa do uso do solo de Luanda em 1993 ………………..……………... 49
Figura 4.9 - Mapa do uso do solo de Luanda em 2000 …………………………….....50
Figura 4.10 - Mapa do uso do solo de Luanda em 2008 ………………..…………… 51
Figura 4.11 – Gráfico de ganhos e perdas por classe entre 1993 e 2000 ………….… 52
Figura 4.12 - Mapa de perdas e ganhos da classe não urbano e urbano respetivamente
entre 1993 e 2000 ……………………………………………..……………………… 52
Figura 4.13 - Gráfico de ganhos e perdas por classe entre 2000 e 2008 ……….....….. 53
Figura 4.14 - Mapa de perdas e ganhos da classe não urbano e urbano respetivamente
entre 2000 e 2008 ………………………………………………………………….…. 53
xiv
Figura 4.15 - Mapa que representa o potencial de transição da classe Não Urbano a
Urbano entre 1993 e 2000 ..…………………………..…………………..……..….... 55
Figura 4.16 – Mapa representativo das distâncias à zona urbana em 1993 ………...… 55
Figura 4.17 - Mapa representativo das distâncias aos eixos rodoviários em 1993 ..…...56
Figura 4.18 - Indicadores da correlação e do poder preditivo das duas variáveis …......56
Figura 4.19 - Vista da execução do modelo de transição ……………………..……….57
Figura 4.20 - Mapa que representa a previsão do uso do solo em 2008 …..………..… 59
Figura 4.21 - Matriz apresentada pelo algoritmo VALIDATE …………..………..…. 59
Figura 4.22 - Matriz completa apresentada pelo algoritmo VALIDATE …………..... 60
Figura 4.23 - Mapa que representa o processo de validação da previsão usando o painel
VALIDATION do LCM ……………………………………………………….…….. 61
Figura 4.24 - Mapa que representa a previsão do uso do solo em 2040 ……………….62
Figura 4.25 - Simulação urbana de 2040 e reservas fundiárias ………………..………66
Modelação do crescimento urbano da província de Luanda
1
1. INTRODUÇÃO
1.1 Enquadramento
O conflito armado que assolou Angola durante mais de trinta anos, forçou o
movimento acentuado das populações à procura de segurança e melhores condições
de vida nas zonas urbanas; facto que, associado à forte dinâmica do crescimento
populacional, se traduziu em fenómeno de ocupação desordenada das áreas urbanas
e periurbanas das principais cidades.
Este fenómeno constitui a expressão máxima de um crescimento exponencial e não
programado do parque habitacional, marcado pela carência generalizada das
infraestruturas urbanas e dos equipamentos sociais, com efeitos diretos sobre a
degradação dos níveis de salubridade e de qualidade de vida das populações.
A este fenómeno, que assume especial incidência na província de Luanda, associa-
se ainda um processo de informalização crescente da economia urbana, indiciando a
tendência para o empobrecimento das famílias.
A intensificação da guerra civil, verificada no interior de Angola a partir da década
de 70, causou muitas transformações espaciais, decisivas no processo de
reestruturação da mancha urbana das cidades angolanas. Entre estas, o crescimento
da mancha urbana foi responsável por novos eixos de crescimento, sem que os
governos locais conseguissem estabelecer uma ordem que organizasse a ocupação.
O desenvolvimento urbano quando ocorre de forma não controlada tende a
comprometer o desenvolvimento económico. O controlo deste processo deve
orientar permanentemente a ação, tendo em conta a melhoria do desenvolvimento
urbano e socioeconómico (Zahn,1983).
Forster (1994) afirma que a deteção remota surge como uma técnica alternativa e
bastante eficiente para avaliar o processo de crescimento do espaço urbano. Esta
técnica, aliada a outras, permite monitorar, além do crescimento urbano, os
problemas ambientais decorrentes do processo de expansão urbana.
O estudo dos processos e padrões da dinâmica espacial urbana constitui atualmente
um desafio para a ciência. Conforme Polidori (2004), importantes esforços têm sido
empreendidos no campo teórico da configuração urbana para melhorar a
compreensão sobre os mecanismos de produção e reprodução das cidades, tais
como as ideias vinculadas ao desenvolvimento desigual, à auto-organização e aos
estudos sobre sistemas complexos. A pesquisa contemporânea sobre a modelação e
simulação do crescimento urbano é ampla e diversificada envolvendo
conhecimento multidisciplinar. Por exemplo, Polidori (2004), num estudo para o
mesmo local, utiliza conceitos derivados da ciência do espaço, modelos urbanos,
teorias de sistema e ecologia da paisagem, bem como a instrumentação propiciada
pela Teoria dos Grafos, dinâmica de autómatos celulares, geocomputação e
Modelação do crescimento urbano da província de Luanda
2
Sistemas de Informação Geográfica (SIG), para desenvolver o modelo de simulação
do crescimento urbano que integre fatores urbanos, naturais e institucionais.
O crescimento urbano também pode ser estudado através da integração e
interpretação de dados sobre a evolução temporal da mancha urbana e da sua
situação presente confrontado com os vazios urbanos, as condicionantes físicas e a
legislação.
Para determinar os vetores de crescimento, Higashi (2006) afirma ser necessário, no
mínimo, a caracterização da mancha urbana em três diferentes e significativos
períodos. Por indisponibilidade de imagens Landsat mais recentes da província de
Luanda, será analisada neste trabalho a evolução do crescimento urbano entre 1993
e 2008 e com base nos resultados obtidos simular o crescimento urbano da cidade
para os próximos anos.
A análise da mancha urbana consiste em caracterizar as alterações do uso e
ocupação do solo, aplicando as técnicas de deteção remota e do geoprocessamento
para a elaboração dos mapas de uso do solo. A partir destes, serão definidas as
manchas urbanas e os eixos de crescimento urbano.
Os resultados deste trabalho serão confrontados com o Programa Nacional de
Urbanismo e Habitação (PNUH) aprovado pelo governo de Angola, relativamente
aos terrenos que constituem reservas fundiárias (RF) da província de Luanda
destinados à construção de novas infraestruturas, nomeadamente, o novo porto de
Luanda, a nova base naval, o novo estaleiro naval, o novo aeroporto de Luanda, a
cidade do Dande e outros terrenos reservados para a construção da cidade de
Cacuaco e da nova cidade de Luanda. Será analisado se os eixos de crescimento da
província de Luanda determinados neste estudo apontam para essas áreas.
Outro aspeto a ressaltar, é o significativo custo da urbanização da província de
Luanda, que envolve quase sempre a componente de realojamento de pessoas. No
passado, e ainda hoje se verifica, apesar de ser em menor grau, as autoridades
competentes assistiam impávidas à construção de residências sem qualquer
licenciamento ou autorização, tão grande era a pressão das populações para
conseguir um lugar para habitar não se importando em respeitar regras mínimas de
urbanização e segurança. Assim, construiu-se um por pouco por todo lado, até
mesmo sobre as linhas de transporte das águas pluviais, tornando, hoje, a gestão da
cidade num problema socioeconómico e político. Uma das consequências do
crescimento desordenado da cidade é a dificuldade em servir água potável, energia
elétrica, redes técnicas e transportes às populações e graves problemas de
saneamento básico. Para alterar este quadro o governo angolano aprovou o PNUH,
que para além da construção de novos fogos habitacionais, visa o reordenamento do
território.
Modelação do crescimento urbano da província de Luanda
3
Por isso, é importante avaliar as alterações ocorridas na mancha urbana da
província de Luanda e definir cenários de crescimento para os próximos anos como
contributo para esse programa, de modo a evitar que se repitam os erros do passado.
1.2 Objetivos
O objetivo central deste trabalho é avaliar o crescimento urbano da província de
Luanda e traçar cenários de crescimento para os próximos anos usando um modelo
de alteração do uso do solo. Para se atingir este objetivo será necessário analisar a
alteração do uso do solo da cidade a partir de imagens de satélite, definir a mancha
urbana e os eixos de crescimento urbano da cidade.
Outro objetivo é a confrontação dos resultados deste trabalho com as RF aprovadas
no âmbito do PNUH.
1.3 Hipóteses de trabalho
Podemos considerar como pressuposto que a cidade tem crescido de forma
desordenada e sem controlo de tal modo que as populações têm construído as suas
casas geralmente em áreas inapropriadas, as chamadas zonas de risco e que é
preciso dar rumo certo ao crescimento da cidade. Deste modo, a partir dos eixos de
crescimento da cidade e da mancha urbana atual é possível prever a tendência de
crescimento da cidade, e isso servirá de ferramenta para que as autoridades
competentes possam gerir melhor o espaço da cidade e evitar “musseques”1 na
cidade, que mais tarde ou mais cedo dificultam a construção de redes de
abastecimento de água potável e de energia elétrica, problemas no saneamento
básico, inundações, etc.
De forma resumida podemos formular as seguintes hipóteses:
A Cidade de Luanda tem crescido a ritmo acelerado com planeamento
deficitário.
Os eixos de crescimento urbano da cidade apontam para as RF definidas no
âmbito do PNUH.
É possível prever como a cidade crescerá nos próximos anos e isso pode
ajudar o governo de Angola na escolha e classificação dos terrenos para a
construção de habitações e outras infraestruturas, promovendo o
desenvolvimento sustentável equilibrado, planificado e controlado da
cidade.
________________________________ 1 musseques são bairros suburbanos da cidade de Luanda ocupados por população com menos
recursos (do quimbundo mu seke « local arenoso»)
Modelação do crescimento urbano da província de Luanda
4
1.4 Estrutura da dissertação
Este trabalho inicia-se com um capítulo introdutório que destaca os objetivos,
formulação de hipóteses e a descrição da estrutura.
O segundo capítulo é dedicado a caracterização da cidade de Luanda desde a sua
localização geográfica, origem e fundação da cidade, sua população, hábitos e
costumes, indicadores socioeconómicos, problemas estruturais da cidade e
qualidade de vida dos luandenses. Este capítulo termina com abordagem sobre o
PNUH do executivo angolano e as RF aprovadas para Luanda no âmbito deste
programa.
No terceiro capítulo faz-se a abordagem sobre a deteção remota aplicada a estudos
do crescimento urbano, são apresentados vários modelos de crescimento urbano
com destaque para as Redes Neuronais Artificiais (RNA), que é o modelo de dados
utilizado neste trabalho.
O quarto capítulo é o capítulo chave do trabalho. Enquanto os capítulos anteriores
fazem o enquadramento teórico, necessário para melhor compreender o que está a
ser desenvolvido, o quarto capítulo constitui a parte prática deste trabalho de
dissertação, onde de facto são utilizados os dados disponíveis e processados no
software IDRISI Taiga. Ele começa com a apresentação e a descrição dos dados
utilizados, a metodologia seguida e o resumo das etapas do geoprocessamento
efetuado e que resultaram nos outputs que serão discutidos e analisados no quinto
capítulo.
O quinto e último capítulo, é destinado as considerações finais sobre o trabalho,
sendo discutidos os resultados e apresentadas limitações e recomendações. Será
também abordada a questão da convergência entre a simulação do crescimento
urbano definido neste trabalho e as RF de Luanda, no âmbito do PNUH aprovado
pelo executivo angolano.
Modelação do crescimento urbano da província de Luanda
5
2. ÁREA DE ESTUDO
2.1 Localização geográfica
Localizada na costa com o Oceano Atlântico e com 2,442.60 Km2 de superfície,
Luanda é a capital da República de Angola, situada geograficamente na latitude 8º
50´ 00´´ Sul e longitude 13º 14´ 00´´ Este (Figura 2.1). Até há pouco tempo era
constituída por nove municípios, nomeadamente, Ingombota, Maianga, Samba,
Cazenga, Kilamba Kiaxi, Cacuaco, Sambizanga, Rangel e Viana (até Julho de
2011), porém, a nova divisão administrativa da cidade, recentemente aprovada
contempla sete municípios, nomeadamente, o município de Luanda, Viana,
Cazenga, Belas, Cacuaco, Icolo e Bengo e Quissama.
Figura 2.1. Mapa da área de estudo (província de Luanda) e mapa de Angola
O clima é tropical húmido, mas seco devido à corrente fria de Benguela que
dificulta a condensação da humidade para produzir chuva. As temperaturas são
geralmente elevadas mesmo durante a noite, devido ao nevoeiro. A precipitação
média anual é de 323 milímetros com variabilidade das mais altas do mundo, com
um coeficiente de variação de 40%. O curto período de chuvas de Fevereiro a
Abril depende de uma contracorrente húmida que vem do norte do país. O relevo
é ligeiramente acidentado e divide a cidade em duas partes, a parte baixa da
cidade com altitude próxima do nível médio do mar e a parte alta da cidade com
altitude superior, cerca de 300 a 400 metros.
Modelação do crescimento urbano da província de Luanda
6
A hidrografia é caracterizada por ausência de rios grandes na zona urbana da
cidade, mas vários cursos de água formam a rede de bacias pluviais de Luanda. Os
rios mais próximos são o Kuanza, o maior de Angola, e o rio Bengo.
A escolha de Luanda prende-se com diversos fatores de grande importância: cidade
do país que mais tem crescido; o peso de Luanda na economia nacional;
possibilidade de expansão urbana em grande escala; o território assistiu, entre 1980
e 2010, a uma pressão urbanística desmedida que se traduziu numa ocupação
irreversível do solo mesmo em áreas de risco a desastres naturais. Entre 1980 e
2010, a sua população não deixou de crescer, ainda que em ritmos diferenciados. A
qualidade de vida tem baixado, contrariamente ao ascendente económico que a
região tem registado nos últimos anos fruto do maior investimento que quase se
concentra em Luanda.
2.2 Origem e fundação da cidade de Luanda
O topónimo Luanda provém do termo lu-ndandu. O prefixo lu, primitivamente uma
das formas do plural nas línguas bantu, é comum nos nomes de zonas do litoral, de
bacias de rios ou de regiões alagadas (exemplos, Lumbala-a-Nguimbo, Lucunga,
Lucapa, etc). Ndandu significa valor ou objeto de comércio em alusão à exploração
dos pequenos búzios colhidos na Ilha de Luanda e que constituíam a moeda
corrente no antigo Reino do Congo, conhecido por zimbo ou njimbo.
Outra versão sobre a origem do nome refere que Luanda deriva de “Axiluanda”,
significa na língua local homens do mar, nome dado pelos portugueses aos
habitantes da Ilha de Luanda, porque aí chegados, perguntaram às pessoas
encontradas, o que estavam elas a fazer, tendo estas respondido “wuanda”, termo
que em kimbundo e kikongo significa rede de pesca ou de caça.
A cidade ganha nome através da sua ilha, a Ilha de Luanda, onde desembarcaram e
se radicaram os primeiros colonos portugueses. Naquela altura, a cidade chamava-
se São Paulo de Loanda.
Fundada em 1576 pelos portugueses sob o nome de São Paulo de Loanda, Luanda é
a maior cidade e a capital de Angola.
Modelação do crescimento urbano da província de Luanda
7
2.3 Evolução da população de Luanda
Os habitantes de Luanda são maioritariamente membros dos grupos étnicos
Kimbundu, Ovimbundo e Bakongo, todavia, outros grupos étnicos habitam na
cidade. Existe uma minoria significativa de habitantes de outras origens, a destacar:
cidadãos europeus (maioritariamente portugueses), americanos (com destaque para
a comunidade brasileira) e asiática (principalmente chineses).
Nas últimas décadas a população de Luanda aumentou exponencialmente como
consequência do êxodo massivo de populações das zonas rurais para a capital
durante a Guerra Civil angolana. O resultado é o crescimento acentuado,
desordenado e não controlado, o que tem provocado sérios problemas – desde a
escassez de habitações, ao deficiente saneamento básico, défice no abastecimento
de água e energia elétrica, insuficiência de estradas, desemprego e
consequentemente aumento dos índices de pobreza.
Como se constata na tabela seguinte, a população passou de 189.500 em 1960 para
475.328 em 1970, altura em que se realizou o último censo populacional, e de
898.000 em 1983 para 5.000.000 em 2010, um aumento de 456% em 27 anos, ou
seja, um crescimento médio anual de quase 17%, considerado recorde, comparado
com o crescimento populacional de outras cidades do mundo.
Figura 2.2 - Representação gráfica da variação da população de Luanda de 1985 a 2010. Fonte INE de
Angola (2004)
1,155,000 1,545,000
2,002,000 2,276,000
3,644,000
5,000,000
0
1,000,000
2,000,000
3,000,000
4,000,000
5,000,000
6,000,000
1985 1990 1995 2000 2005 2010
Ha
bit
en
tes
População de Luanda (1985 a 2010) POPULAÇ…
Modelação do crescimento urbano da província de Luanda
8
2.4 Hábitos e costumes dos luandenses
A sociedade luandense é bastante heterogénea como consequência da origem
diversificada dos seus habitantes, tendo os hábitos e costumes influenciados pelas
migrações por um lado e pelo fenómeno da globalização por outro. Nos primórdios
da sua existência, os habitantes de Luanda dedicavam-se quase exclusivamente à
pesca e os kimbundus eram o único grupo étnico africano que vivia na cidade. Com
o tráfico de escravos e mais tarde com a guerra pela independência e a guerra civil
angolana, populações de outras origens de Angola começaram a povoar a cidade.
De forma geral, devido ao cruzamento de várias culturas, os hábitos e costumes dos
luandenses não diferem muito dos hábitos e costumes dos restantes angolanos,
porém, contrariamente o que ocorre nas províncias, em Luanda a Autoridade
Tradicional2
não se faz sentir e está raramente presente.
O português é a única língua oficial de Angola, mas existem numerosos dialetos,
característicos de cada região. A língua com mais falantes em Luanda, depois do
português, é o kimbundu.
Em Luanda, a dança distingue diversos géneros, significados, formas e contextos,
equilibrando a vertente recreativa com a sua condição de veículo de comunicação
religiosa, curativa, ritual e mesmo de intervenção social. A presença constante da
dança no quotidiano é produto de um contexto cultural apelativo para a
interiorização de estruturas rítmicas desde cedo. Iniciando-se pelo estreito contacto
da criança com os movimentos da mãe (às costas da qual é transportada), esta
ligação é fortalecida através da participação dos jovens nas diferentes celebrações
sociais, onde a dança se revela determinante enquanto fator de integração e
preservação da identidade cultural.
A música é outra forma de manifestação de identidade cultural. A maior parte dos
músicos angolanos desenvolve os seus trabalhos inspirados na vida quotidiana de
Luanda e é aqui que encontram maior espaço de projeção e sucesso. A literatura é
outro campo da cultura que encontra em Luanda o espaço representativo de todo o
país. É aqui que residem os artistas e compositores de renome, e fica sedeada a
União de Escritores de Angola (UEA), a União Nacional de Artistas e
Compositores de Angola (UNACA), entre outros.
Outra forma de manifestação cultural é o Carnaval que não obstante ocorrer em
todo país, realiza o ato central em Luanda.
_______________________________ 2 Autoridade Tradicional tem a ver com o poder enraizado nos hábitos e costumes das comunidades,
também conhecido como direito consuetudinário.
Modelação do crescimento urbano da província de Luanda
9
2.5 Religião
A população de Luanda é maioritariamente católica romana. Porém, o segmento
cristão de outras denominações religiosas tem vindo a crescer nos últimos anos,
como é o caso da Igreja Metodista. A forte migração de populações de outras
regiões do país para Luanda, em razão da Guerra pela Independência e
posteriormente da Guerra Civil angolana, reforçou significativamente a presença da
Igreja Baptista em Luanda cuja principal base social se encontra entre os Bakongos,
e da Igreja Congregacional de Angola enraizada significativamente entre os
Ovimbundos. Há também uma forte presença de igrejas pentecostais, em particular
a Igreja Universal do Reino de Deus e muito recentemente a Igreja Mundial do
Poder de Deus. A comunidade islâmica é insignificante e quase exclusivamente
composta por imigrantes vindos de outros países da Africa Ocidental.
2.6 Indicadores socioeconómicos de Luanda
Para além de ser o centro político e administrativo do país, Luanda é também o
centro económico. A presença das sedes das principais empresas do país ilustra
bem esta realidade. As principais atividades económicas são a indústria
transformadora e serviços. Entre os produtos produzidos em Luanda, destacam-se
os produtos alimentares, bebidas, têxteis, materiais de construção, produtos
plásticos, cigarros, etc. O petróleo é refinado na única refinaria do país situada em
Luanda.
Após o fim da guerra civil, Angola tem registado um franco período de crescimento
económico, sendo hoje uma das economias que mais cresce a nível mundial, com
reflexos positivos no desenvolvimento da província de Luanda.
Relativamente ao turismo, Luanda é dos mais belos cartões-de-visita de Angola
com a sua marginal a exibir o contraste entre a beleza natural da Baía de Luanda e
os edifícios à sua volta.
O sector da educação em Luanda registou progressos significativos desde o fim do
conflito armado, traduzidos no aumento de salas de aula e de professores do ensino
primário e secundário. O subsistema de ensino superior, que contava com apenas
uma universidade até antes do fim da guerra, conta hoje com 12 universidades e 4
institutos superiores, com um crescimento exponencial da população estudantil.
No que toca ao sector da saúde, foram construídas novas unidades hospitalares e
reabilitadas outras, foi aumentada e melhorada a assistência médica e
medicamentosa às populações, houve melhoria significativa na redução dos índices
de salubridade através da melhoria do sistema de recolha de resíduos sólidos. A
distribuição de água potável, apesar de estar longe de satisfazer a demanda, tem
registado melhorias assinaláveis. O sector da energia recebeu também fortes
investimentos nomeadamente na expansão da rede de média e baixa tensão, porém
Modelação do crescimento urbano da província de Luanda
10
muito ainda tem que ser feito para diminuir ou extinguir os constantes apagões na
cidade.
2.7 Qualidade de vida em Luanda
Uma das consequências do crescimento não planificado das cidades é a degradação
das condições de vida dos seus citadinos. A cidade de Luanda é um exemplo dessa
realidade. Apesar do facto da qualidade de vida ser uma questão pessoal, isto é,
dependente da avaliação de cada indivíduo ou grupo de indivíduos, existem padrões
universalmente aceites para caracterizar o bem-estar tendo em conta as várias
dimensões do desenvolvimento social e humano.
Questões relacionadas com a assistência médica e medicamentosa, saneamento
básico do meio, disponibilidade de água potável e energia elétrica, facilidade de
deslocação de e para casa, segurança das pessoas e bens, realização sócio
profissional e financeira, emprego, educação, cultura, habitação condigna, lazer,
enfim, morar bem é ter o que cada um de nós considera como importante e
necessário para o seu bem-estar. Atendendo a estes pressupostos, pode-se
considerar como baixa a qualidade de vida em Luanda.
Um dos principais objetivos que as políticas públicas devem perseguir é a busca da
qualidade de vida, isso não acontece na maioria dos países subdesenvolvidos
devido geralmente a corrupção e a limitação das liberdades dos cidadãos. A
qualidade de vida deve ser aplicável a qualquer pessoa independentemente da sua
condição física, social e ideológica. Ela não deveria ser determinada pelas
condições ambientais nem pelo comportamento do meio social em que a pessoa
vive. Deveria sim, ser inerente ao indivíduo, aos seus anseios mais pessoais. A
qualidade de vida é algo que somente o próprio indivíduo deve avaliar sem o
julgamento a partir de valores extra indivíduo.
Em resumo, a qualidade de vida pode ser definida como a sensação de conforto ou
felicidade no desempenho de funções físicas, intelectuais e psíquicas dentro da
realidade que circunda cada indivíduo. A avaliação da qualidade de vida tem em
conta várias dimensões e se aplicam às mais diferentes condições de saúde e
diversidade de aspetos da vida pessoal. Geralmente a avaliação da qualidade de
vida é feita considerando pelo menos oito dimensões: o repouso, a mobilidade
física, a satisfação sexual, a presença ou ausência de dor, o lazer, as funções
cognitivas, o emprego e os relacionamentos sociais.
Considerando estas dimensões, a qualidade de vida em Luanda está longe de
corresponder a tais dimensões, senão vejamos: grande parte dos habitantes não
dispõe de água potável e energia elétrica, as pessoas levam entre quatro a seis horas
para se deslocarem de casa para o trabalho e vice-versa, às vezes as pessoas correm
sérios riscos de verem a sua integridade física e moral ameaçada por transportarem
Modelação do crescimento urbano da província de Luanda
11
um simples telemóvel, o comércio informal é ainda o grande mercado que as
pessoas recorrem em Luanda, correndo o risco de adquirirem produtos expostos a
condições ambientais e higiénicas inadequadas, as condições de salubridade na
maior parte das ruas de Luanda não são as melhores, sobretudo nas zonas
periurbanas, quando andamos em Luanda a pé ou de carro podemos absorver
algumas quantidades de barro devido as poeiras que pairam no ar, a maioria dos
citadinos têm rendimentos que não chegam para suprir as necessidades básicas e
isso cria frustração e stresse às pessoas. Estes são apenas alguns exemplos que
demostram a precariedade da qualidade de vida em Luanda.
2.8 Reservas fundiárias de Luanda
No âmbito do seu Programa Geral, o governo de Angola decidiu implementar um
conjunto de investimentos públicos estratégicos e estruturantes, com vista a
dinamizar o processo de melhoria da administração do Estado, da economia e da
vida das populações. Havendo necessidade de se constituir como reserva do estado
terrenos para a implementação dos referidos investimentos, incluindo as respetivas
proteção e expansão, foram aprovados vários Decretos publicados no Diário da
República (DR) nº 97 – I Série de 13 de Agosto de 2007.
O Decreto 63/07 aprova os terrenos para a construção da nova cidade de Cacuaco.
Com uma área de 33,91 Km2
a RF de Cacuaco será utilizada para a edificação da
nova centralidade de Cacuaco.
A RF para a construção da nova cidade de Luanda foi aprovada pelo Decreto 65/07,
DR 97 – I Série, de 13 de Agosto de 2007 e ocupa uma área de 1.253,81 Km2.
Nesta reserva está prevista a construção da nova cidade de Luanda que já deu
início, com a construção das centralidades “Projeto Nova Vida”, o projeto
“Talatona” e a cidade do “Kilamba” recentemente inaugurada.
Outra RF aprovada pelo Executivo angolano destina-se ao desenvolvimento e
implementação do projeto de urbanização de auto construção dirigida de Musseque
Capari, e foi aprovada pelo Decreto 64/07 do DR 97 – I Série de 13 de Agosto de
2007 ocupando uma área de 23,16 Km2. A figura 2.3 mostra as três RF da província
de Luanda. Um dos objetivos deste trabalho é aferir se os eixos de crescimento
urbano da cidade apontam para as RF.
Modelação do crescimento urbano da província de Luanda
12
Figura 2.3. Reservas fundiárias da província de Luanda
2.9 Programa Nacional de Urbanismo e Habitação. Construção de novas
centralidades em Luanda
O governo angolano está a implementar a estratégia global para o combate à fome e
a redução da pobreza no país. Neste âmbito, o lançamento do PNUH deverá
contribuir sobremaneira na consecução deste grande objetivo estratégico, tendo em
conta a sua capacidade de criação de oportunidades de acesso ao emprego para um
maior número de cidadãos, sobretudo nas zonas urbanas.
Sendo o acesso à habitação uma condição fundamental para o exercício da
cidadania, o governo angolano adotou a política do fomento habitacional que visa
garantir o direito universal à habitação, a promoção da qualificação do território
nacional e o enquadramento da problemática habitacional como componente
importante do processo de desenvolvimento social e económico do território.
Considerando os grandes desafios de valorização da componente habitacional e as
opções prioritárias da política social, o governo assumiu o compromisso de
promover a construção de 1.000.000 de unidades habitacionais em todo país,
envolvendo os sectores públicos e privado, as cooperativas e as comunidades
durante o período de 2009/2012.
No âmbito deste programa, está previsto para a província de Luanda a construção
da Nova Cidade de Luanda, a cidade do Dande, a centralidade do Cacuaco, a
centralidade do Zango, a Urbanização de Auto Construção dirigida de Musseque
Modelação do crescimento urbano da província de Luanda
13
Capari, o novo Porto de Luanda, a Base Naval e o Estaleiro Naval, entre outros
projetos.
O PNUH foi estruturado com base nos objetivos específicos prioritários, e reflete
os principais anseios dos diversos estratos da sociedade angolana face à
problemática habitacional, com ênfase no atendimento das famílias mais
vulneráveis e mais carenciadas socialmente tais como os antigos combatentes, os
jovens, as populações que vivem em áreas de risco, integrando maioritariamente as
classes de média e baixa renda.
Modelação do crescimento urbano da província de Luanda
14
3. MÉTODOS
3.1 Introdução
A disseminação crescente das metodologias de análise espacial utilizando meios
informáticos registada nos últimos anos deu origem a nova área de conhecimento,
que combina abordagens recorrentes dos SIG com outras emergentes como a
inteligência artificial, algoritmos genéticos, os sistemas periciais, análise de dados
com incerteza fuzzy e Redes Neuronais Artificiais (RNA).
Da premente necessidade de catalogar esta nova área interdisciplinar, para que não
fosse classificada como uma simples extensão das técnicas estatísticas para análise
de dados espaciais, nasceu a designação geocomputação. Proposta por Stan
Openshaw, esta designação tem granjeado uma crescente aceitação no meio, visto
permitir enquadrar no seio das tecnologias de informação geográfica, um certo tipo
de investigação aplicada que recorre aos SIG como ferramenta, mas que,
simultaneamente, se afasta das soluções comerciais (Goodchild e Longley, 1999).
Efetivamente, a geocomputação enquadra-se num conjunto de modelos e métodos
computacionais adaptados à solução de problemas geográficos de grande
complexidade (Couclelis, 1997). Não se está face a uma simples utilização do
computador como ferramenta, como era proposto nos primórdios, mas sim perante
o reconhecimento de que o computador já não faz parte dos meios de pesquisa, é
sim - ele próprio - o meio (ambiente) da pesquisa (Goodchild e Longley, 1999).
Pode-se considerar que as investigações no domínio da geocomputação tiveram
como motivação as seguintes razões: disponibilidade de grandes volumes de
informação e principalmente com a sua facilidade de circulação; a segunda razão
tem a ver com a emergência da tecnologia SIG e um conjunto de técnicas
decorrentes da algorítmica e a terceira e última razão prende-se ao facto de que
processos de análise espacial baseados em estatísticas espaciais, têm sido um tópico
fundamental da investigação geográfica contemporânea.
As alterações que ocorrem no uso do solo são o resultado de fatores de natureza
política, socioeconómica, cultural, ambientais e do comportamento humano
(Houghton, 1994; Dale et al. 1993; Medley et al. 1995; Richards, 1990). O
entendimento da forma como tais fatores se relacionam e influenciam a ocorrência
das mudanças no uso do solo não é fácil uma vez que um processo de índole
antropogénica pode conduzir a uma vasta gama de impactos ambientais, desde a
alteração no ciclo hidrológico (Steiner e Osterman, 1988), a alteração dos habitats
de diversas espécies (Dale e al, 1993) e na biodiversidade.
Estes impactos, apesar de preocupantes, não são únicos pois os efeitos resultantes
das alterações do uso do solo não são apenas do foro ambiental, também podem
afetar as economias locais e regionais (Burchell, 1996).
Modelação do crescimento urbano da província de Luanda
15
Os modelos de alterações do uso do solo encontram utilidade como poderosa
ferramenta para:
- Explorar os vários mecanismos que levam à ocorrência de alterações de uso do
solo e identificar quais as variáveis económicas, sociais e espaciais que os
condicionam (Batty e Longley, 1994; Dekoning et al. 1999).
- Prever potenciais (futuros) impactos ambientais e socioeconómicos das
alterações de uso do solo (Alig, 1986; Theobald, Miller e Hobbes, 1997).
- Avaliar a influência de políticas de planeamento alternativas no uso do solo e
nos padrões de desenvolvimento (Bockstael et al. 1995).
A projeção dos padrões de uso do solo é passível de ser calculada através de dados
empíricos, sendo os percursos genéricos de mudança identificados como sequências
de alterações (Lambin, 1997).
Atualmente os estudos e pesquisas sobre modelação e simulação do crescimento
urbano são amplos e diversificados envolvendo vários campos do conhecimento.
Luanda, cidade capital de Angola, situada no litoral, teve seu processo de
crescimento de forma acelerada e sem o devido planeamento, tendo registado seu
maior crescimento na década de 90, depois das primeiras eleições multipartidárias
que em vez de trazerem a paz fizeram despoletar o conflito armado mais violento
jamais ocorrido em Angola e quiçá em África. A ocupação não poupou os
principais recursos naturais como os rios, as matas e o solo que ao longo de todos
esses anos tem gerado impactos negativos no meio ambiente. Para alterar este
quadro é imperioso o conhecimento do espaço luandense para planificar a melhor
maneira de intervir no seu habitat de modo a gerir melhor as informações urbanas e
ambientais reduzindo desta forma o impacto negativo na natureza e
consequentemente melhorar a qualidade de vida das pessoas, buscando o máximo
possível harmonizar o meio natural e meio urbano.
As geotecnologias representam um conjunto de técnicas de grande valia para
aquisição, gestão e manipulação de dados espaciais. O desenvolvimento da deteção
remota tornou possível fazer estudos de análise espacial de forma rápida e mais
barata, principalmente pelo facto da recolha dos dados dispensar o contacto físico.
Neste capítulo pretende-se fazer o enquadramento teórico do estudo a realizar sobre
a alteração no uso dos solos da província de Luanda, tendo como base a avaliação
das transformações espaciais ocorridas em 1993, 2000 e 2008, através da
classificação e tratamento de imagens de satélite que foram processadas utilizando
um modelo de dados baseado em RNA, o LCM. Deste modo, falar-se-á da deteção
remota aplicada a modelação urbana e de alguns modelos de crescimento urbano
nomeadamente: o Geomod, o SLEUTH e o LCM.
Modelação do crescimento urbano da província de Luanda
16
3.2 Deteção remota e modelação urbana
Esta secção tem como objetivo apresentar de forma resumida a utilidade e
característica das técnicas de deteção remota na produção de cartografia temática,
nomeadamente a cartografia referente ao uso/ocupação do solo.
A extração de informação das imagens de satélite referente à cobertura do uso e às
suas alterações é uma das mais representativas aplicações de deteção remota
(González, 2001, Jothimani, 1997, Lu et al.., 2006, O´Hara et al.., 2003, Seto et al..,
2002, Yang e Liu, 2005). A crescente utilização destas técnicas em detrimento das
mais tradicionais (e. g. foto interpretação de fotografias aéreas ou recolha de dados
no terreno), deve-se sobretudo ao facto de serem dados mais baratos e que
permitem a produção cartográfica mais rápida, mas também à periodicidade de
aquisição sem necessidade de programação e à cobertura de grandes extensões
territoriais e em locais de acesso dificultado (Nunes et al.., 2007, Santos, 2003). A
deteção remota tem enormes vantagens em estudos do espaço urbano,
nomeadamente: a precisão dos dados, a flexibilidade temporal, a cobertura espacial
e a adequação a modelação (Massev e Logley, 1999).
Estas imagens podem ser usadas na produção desta informação pelo facto de
diferentes tipos de solo refletirem de modos diferenciados a principal fonte de
energia utilizada em deteção remota: o sol. Isto é, os objetos presentes na superfície
da terra exibem refletâncias variadas para os vários comprimentos de onda do
espetro eletromagnético, designando-se por assinatura espectral (Machado, 2005,
Santos, 2003). A figura 3.1 mostra o comportamento espetral da água, do solo e da
vegetação.
Figura 3.1. Curvas de reflectância do solo, água, e vegetação. Adaptado de (Lillesand e Kiefer,
2000)
Modelação do crescimento urbano da província de Luanda
17
Os atuais sistemas de deteção remota podem adquirir informação refletida pela
superfície terrestre em quase todos os comprimentos de onda, contudo, segundo
(Richards e Jia, 2006), as gamas do visível, do infravermelho próximo e do
infravermelho médio (0.4 e 12µm), são as que a maioria das substâncias melhor
refletem a energia electro magnética.
A aplicação da deteção remota em estudos urbanos requer a utilização de dados
com alta resolução espacial e algoritmos de análise da informação robustos. As
imagens de satélite são uma boa fonte de informação para mapear as áreas urbanas.
Deste modo, questões como a localização e estrutura da área urbana, padrões de
crescimento e a caracterização do processo de urbanização, podem ser estudados a
partir de dados de deteção remota (Jensen e Cowen, 1999). O crescimento urbano
pode gerar problemas ambientais como a contaminação da água, a formação de
ilhas de calor, insalubridade do meio, assentamentos humanos em áreas
inadequadas, pressão sobre os eixos rodoviários, degradação da paisagem,
delinquência, dificuldades de prover redes de abastecimento de água e de energia
elétrica, etc.
A compreensão dos padrões de crescimento urbano pode ajudar na conceção de
políticas públicas voltadas para o planeamento, sendo este um dos principais
objetivos da modelagem do crescimento urbano. Atualmente é corrente a
integração entre autómatos celulares (AC), sistemas de informação geográfica
(SIG) e deteção remota (Almeida, 2004). Esta integração, associada ao aumento
cada vez mais da resolução espacial dos sensores orbitais, faz com que a deteção
remota seja amplamente usada em estudos de áreas urbanas, sem a qual tais estudos
seriam muito onerosos.
3.3 Modelos de crescimento urbano
Nos últimos anos o planeamento urbano tem recorrido cada vez mais a modelos
dinâmicos para simular os fenómenos de alteração do uso do solo como ferramenta
de apoio à decisão. Este sucesso explica-se pela correspondência destas simulações
com os fenómenos estudados e com a possibilidade de compreender a dinâmica
entre os diversos elementos do espaço. Os modelos Land Use Cover Change
(LUCC), pelas suas potencialidades tornaram-se ferramentas úteis nos processos de
decisão e constituem elementos indispensáveis na simulação dos interesses dos
diversos atores do espaço territorial.
Esta secção tem como objetivo descrever de forma resumida alguns modelos
LUCC. Apesar de existirem muitos modelos, apresenta-se aqui a descrição de 3 dos
mais utilizados: o Geomod, o Slope, Land Use, Exclusion, Urban Extent,
Transportation and Hillshade (SLEUTH) e o Land Change Modeler (LCM). Estes
correspondem respetivamente a modelos de extrapolação linear, autómatos
celulares e redes neuronais.
Modelação do crescimento urbano da província de Luanda
18
3.3.1 Modelo de extrapolação linear: o Geomod
Em 1994, Pontius foi o primeiro a apresentar o Geomod quando pretendeu simular
a desflorestação tropical e avaliar as alterações nas emissões gasosas resultantes da
desflorestação (Pontius, 1994). Atualmente o Geomod é dos modelos de simulação
das alterações ao uso / ocupação do solo mais generalizado. Opera em duas classes
e duas datas, ou seja, compara as alterações ocorridas ao uso e ocupação do solo na
data inicial (t=0) e na data final (t=1) ao nível de cada pixel. Várias adequações à
versão inicial têm permitido a sua aplicação em diversos países com o mesmo
objetivo. Destacam-se como casos de sucesso as aplicações à escala continental
(África e Ásia), à totalidade do território da Costa Rica e da Índia, à escala local,
em localidades da Índia, Egipto, Estados Unidos, Portugal e de alguns Países da
América Latina (Pontius e Chen, 2006).
O modelo assenta numa estrutura de dados matricial e simula as alterações
ocorridas entre duas categorias de ocupação do solo (e.g. solo urbano e não
urbano), devendo o utilizador fornecer um mapa com informação relativa à
ocupação do solo (duas classes) no momento inicial (t=0), a quantidade esperada de
células afetas a cada classe no momento final (t=1) – o Geomod não incorpora
nenhum método explícito para extrapolação da quantidade de células que mudam
de uma classe para outra (Pontius e Malanson, 2005) – e um mapa de aptidão para a
transição entre classes de ocupação do solo. Para melhorar a qualidade da
simulação, o utilizador poderá fornecer dados relativos às áreas excluídas e uma
função de vizinhança que indica quais as células mais aptas para a transição. O
processo de modelação pode levar em consideração apenas o mapa de aptidão ou,
simultaneamente, este e a proximidade às áreas de cada tipologia de ocupação do
solo. Com efeito, no caso de as categorias serem solo urbano e não urbano, o
Geomod procura no espaço de células não urbanas quais as mais aptas à passagem
para solo urbano num determinado período de tempo (Pontius e Chen, 2006).
3.3.2 Modelo de autómatos celulares: o SLEUTH
O estudo de sistemas complexos caracterizados principalmente pela emergência, a
auto organização, a auto similitude e as relações não lineares e hierárquicas exige a
utilização de métodos mais avançados com forte recurso à geocomputação.
Este contexto tem potenciado a utilização dos AC como método de simulação do
crescimento urbano e regional. Os AC colocam um conjunto de células (pixéis) em
interação, comportando-se cada um deles como um “computador”. O estado de
cada célula da matriz depende do estado prévio das células vizinhas, tendo em
conta um conjunto de regras de transição (Rocha J., Sousa P., Tenedório J.).
A atualização das variáveis espaciais incluídas nos AC é feita de forma dinâmica
durante o processo iterativo o que se traduz em resultados não determinísticos.
Contrariamente, os modelos SIG encontram dificuldades em simular a evolução do
uso do solo sem o recurso a regras locais e ciclos iterativos, usando quase sempre
Modelação do crescimento urbano da província de Luanda
19
variáveis espaciais estáticas. Por outro lado, é difícil a captura dos elementos não-
lineares que geralmente estão presentes em muitos dos fenómenos geográficos, o
que torna difícil explicar o significado teórico e intuitivo dos fenómenos quando a
simulação é puramente baseada em SIG. Por outro lado, os algoritmos utilizados na
modelação em SIG são mais complexos que os utilizados pelos AC, tornando o
processo computacionalmente mais exigente e alongando o tempo de simulação. Os
AC, por serem sistemas discretos e iterativos, são mais eficientes e envolvem
unicamente iterações entre regiões ao invés de um par de células. O facto de
permitirem trabalhar com grandes resoluções espaciais confere aos AC uma
importante vantagem em termos de modelação das dinâmicas de uso do solo (White
e Engelen, 1997) e a correta definição das regras de transição pode até permitir,
durante o processo de simulação, o advento de variáveis não previstas (Wu, 1998)
como por exemplo a criação de novos centros de agregação (Wu, 1998) ou as
propriedades fractais das parcelas (White e Engelen, 1997).
Os modelos de AC tornaram-se bastante atrativos para simulações em ambiente
urbano porque permitem gerar resultados bastante interessantes (Xia e Yeh, 2002),
constituindo uma poderosa ferramenta para compreender a cidade, vista como um
sistema complexo e evolucionário. Numa cidade auto-organizada a evolução do uso
é um processo intimamente ligado à história, em que a evolução passada
condiciona a futura através de interações locais entre as parcelas de terreno (Wu e
Webster, 2000). Ao construírem-se regras apropriadas dentro de um AC, pode-se
simular um extenso conjunto de comportamentos complexos. Os AC incorporam
regras simples sobre os efeitos da adjacência espacial que condicionam a dinâmica
dos sistemas e dão importância a comportamentos e padrões emergentes
normalmente mais complexos do que os gerados pelos modelos de equilíbrio
simples.
Muito embora os AC apresentem muitas vantagens, têm um problema que reside na
forma de definição das regras de transição e da estrutura do modelo. Estas são
normalmente dependentes da aplicação em causa, pois muito embora existam
diversos modelos de AC de natureza genérica (Wu, 1998; Batty et al. 1999), eles
apresentam formas substancialmente diferentes.
As variações devem-se à existência de diversas formas de definir as regras de
transição e as estruturas dos modelos. Por exemplo, Batty e Xie (1994) utilizaram a
concentração num espaço de vizinhança e uma função decrescente de distância
relativamente aos centros de crescimento para determinar as probabilidades de
transição, Wu e Webster (2000) definiram as regras de transição com base em
métodos de análise multicritério, enquanto White e Engelen (1993) utilizaram para
o mesmo efeito uma matriz de parâmetros predefinidos e Li e Yeh (1998 e 2000)
propuseram um modelo baseado numa matriz (imagem) em tons de cinzento para
acomodar o processo gradual de conversão para urbano. Estes modelos também
podem incluir constrangimentos para gerar formas urbanas idealizadas (Li e Yeh,
1998 e 2002), opções e objetivos de planeamento para produzir cenários
Modelação do crescimento urbano da província de Luanda
20
alternativos e teorias urbanas neoclássicas (Wu e Webster, 2000). Nestes modelos,
têm sido propostas estruturas e regras de transição substancialmente diferentes para
responder a vários objetivos e especificações. O dilema da escolha do modelo
apropriado está sempre presente na medida em que existe um variado leque de
opções.
Outro problema dos modelos de AC, e talvez o maior, é o da determinação das
ponderações a atribuir a cada fator. No passado estes modelos apenas eram
utilizados para simular o crescimento urbano na perspetiva da transição rural -
urbano. A simulação deste tipo de crescimento, que apenas lida com estados
binários – urbanizado ou não - é relativamente fácil, mas os modelos AC tornam-se
consideravelmente mais complexos quando são introduzidos múltiplos usos, como
residencial, comercial e industrial (Batty et al. 1999). Quando se lida com diversos
usos do solo em competição entre si pelo território, o número de fatores de
ponderação aumenta consideravelmente e os modelos tornam-se mais complexos.
Existem numerosos parâmetros que precisam de ser determinados para que uma
simulação reflita um sistema urbano particular e o naipe de possíveis modelos a
empregar é enorme (Batty et al. 1999).
A simulação envolvendo múltiplos usos do solo implica a utilização de bastantes
variáveis espaciais. A contribuição de cada uma destas variáveis para a simulação é
quantificada pelo peso, ou parâmetro, que lhe está associado e existem numerosos
parâmetros que têm de ser quantificados antes de se dar início à simulação. O valor
destes parâmetros tem um grande peso (efeito) nos resultados da simulação,
verificando-se que diferentes combinações de valores conduzem a formas urbanas
totalmente diferentes (Batty et al. 1999).
Neste momento, as aplicações de AC multiplicam-se em áreas: desde modelos de
crescimento urbano (Ward, 2000; Li, 2000; Batty, 1999; Clarke, 1998, 1997;
White, 1997a), a modelos de AC dedicados a fenómenos de migração (Semboli,
1997; Portugali, 1995), simulação de formas urbanas (Wu, 2000; Batty, 1997a,c ),
modelização de sistemas de cidades (Sanders, 1997; Semboli, 1997; White, 1997,
2000; Portugali, 1995), teoria microeconómica e localizações ambiental e
economicamente eficientes (Irwin e Geoghegan, 2001; Wu, 2000; Webster e Wu,
1999), e ainda modelos de comportamento competitivo (Benati, 1997).
Existem vários modelos de AC. Um deles é o SLEUTH desenvolvido pelo
Professor Keith Clarke (UCSB/NCGIA). SLEUTH é o acrónimo de “Slope, Land
use, Exclusion, Urban Extent, Transportation and Hillshade” (Declive, uso do
Solo, Áreas Não Urbanizáveis, Áreas Urbanas, Infraestruturas de Transporte, e
Exposição Solar), que correspondem à informação de base que o modelo necessita.
SLEUTH é um AC, e por conseguinte:
- É constituído por um espaço a que correspondem células.
Modelação do crescimento urbano da província de Luanda
21
- Cada célula apresenta um estado (declives, áreas urbanas, etc.).
- As relações de vizinhança são feitas com as oito células contíguas.
- É composto por um conjunto de regras de transição (diffusion, breed,
spread, slope, roads).
- Evolui ao longo de um período temporal sincrónico definido pelo
utilizador (dia-a-dia, ano-a-ano, década-a-década...).
Para que o modelo possa correr e os resultados sejam estatisticamente significativos
é necessário que contenha um mínimo de:
- Quatro ficheiros contendo áreas urbanas, correspondentes a quatro anos
diferentes distribuídos ao longo do período de tempo que se pretende
estudar.
- Dois ficheiros contendo as vias de transporte para dois períodos diferentes;
- Um ficheiro contendo declives.
- Um ficheiro contendo áreas não urbanizáveis (restrições ou limitações);
- Um ficheiro correspondente às exposições solares, que será usado como
base para simular o crescimento urbano.
O crescimento das áreas urbanas é o resultado de quatro regras de crescimento que
são aplicadas aos ficheiros anteriores:
- Crescimento espontâneo – simula o crescimento urbano em áreas com
declives aceitáveis para construção (sob influência do coeficiente de
difusão).
- Crescimento difuso e nascimento de novos centros urbanos.
- Crescimento orgânico - replica a expansão da cidade para a periferia.
- Crescimento influenciado pelas vias de transporte - reflete a importância
da densidade da rede viária e da sua área de influência.
Para além destas regras de crescimento, o modelo contém ainda um segundo nível
de regras de comportamento – self-modification rules.
De cada vez que o modelo reconhece a existência de crescimento rápido, lento ou
inexistência de crescimento, o modelo reajusta-se a essas novas características:
- No caso, de crescimento rápido, o modelo multiplica os parâmetros de
crescimento por um fator superior a um.
Modelação do crescimento urbano da província de Luanda
22
- No caso da inexistência de crescimento urbano, ou pouco crescimento os
parâmetros de controlo são multiplicados por um fator inferior a um.
Estas regras, permitem o reajuste do modelo para que este possa replicar a curva
em S do crescimento urbano.
As regras de crescimento urbano são aplicadas em dois loops (o modelo corre
sequencialmente). No primeiro loop (exterior) o modelo executa o histórico de
crescimento para os vários anos e compila os dados estatísticos; no segundo loop
(interior) executa as regras de crescimento para cada ano.
O modelo é ajustado à realidade a ser estudada através de um processo intenso de
calibração que se dá ao longo de três escalas e ao longo do período temporal a ser
estudado. Esta calibração se processa em três fases distintas: a calibração mais
grosseira, a calibração mais detalhada (resolução intermédia) e à calibração final
(de grande resolução), correndo o modelo com dados espaciais progressivamente
mais detalhados, e em que os valores que descrevem o comportamento do sistema
vão sendo progressivamente mais refinados, alimentando a fase de calibração
subsequente.
Este modelo foi utilizado num estudo3 sobre modelação urbana da área
Metropolitana de Lisboa, Portugal (Ferreira et al. 2005).
3.3.3 Modelo de redes neuronais artificiais: o Land Change Modeler
Existem vários modelos baseados nas Redes Neuronais Artificiais nomeadamente o
Land Transformation Model (LTM), o LCM, que para definir as transições
potenciais utiliza a regressão logística ou o perceptrão Multi-Camada. Neste
trabalho, foi usado o modelo LCM para a modelação do crescimento urbano da
província de Luanda.
A escolha do LCM deveu-se ao facto de ser um modelo inovador no que concerne à
análise de mudanças que ocorrem na superfície da terra e na previsão do que
eventualmente pode ocorrer no futuro, por um lado e por outro a facilidade de
utilização caracterizado por um ambiente gráfico e intuitivo, contrariamente ao
LTM que usa a linha de comandos do MSDOS, o que o torna mais suscetível a
erros.
_______________________________ 3 FERREIRA, José; TENEDÓRIO, José; ROCHA, Jorge; e SIMÕES, Joana (2005). MODELOS GEOGRÁFICOS E SISTEMAS COMPLEXOS, Contributo para a monitorização da evolução
da zona costeira.
Como funciona o modelo?
Modelação do crescimento urbano da província de Luanda
23
O perceptrão é constituído por 3 níveis: i) nível de entrada, ii) nível escondido e iii)
nível de saída, e tem a vantagem de permitir a identificação de relacionamentos de
natureza não-linear. Os algoritmos que compõem as RNA consistem no cálculo dos
pesos das variáveis de entrada e dos nós dos níveis de entrada, nível escondido e
nível de saída a partir da introdução dos dados iniciais (de entrada) através de um
processo conhecido como alimentação para a frente, que os propaga através dos
níveis escondido e de saída. Os sinais se propagam de nó para nó, sendo
modificados pelo peso associado a cada ligação. Seguidamente, o nó recetor
procede à soma dos valores de todos os nós do nível precedente que lhe estão
ligados. A saída deste nó é calculada em função dos valores de entrada, sendo
denominada de função de ativação. Desta forma, os dados passam para a frente, de
nó para nó, com a ocorrência de múltiplos somatórios, até atingirem o nível de
saída. Numa RNA a determinação dos pesos é feita através de um algoritmo de
treino. Um dos mais utilizados é o algoritmo de retropropagação. Este algoritmo faz
a seleção ao acaso dos pesos iniciais e compara o resultado obtido com o esperado.
A diferença entre os valores obtidos e os valores esperados para todos os usos é
resumido pelo erro médio quadrático. Os pesos são modificados em função da regra
delta modificada, depois da rede ter testado todos os usos, de modo que o erro total
seja disseminado pelos vários nós da rede. Este processo de alimentação para a
frente e retropropagação dos erros é repetido iterativamente até que o erro estabilize
num nível baixo. Neste estudo, o processo foi concluído depois de 10.000 iterações
(figura 4.19).
As ferramentas do LCM permitem:
- Analisar, medir e projetar impactos sobre o habitat e sobre a
biodiversidade, através de um conjunto de ferramentas inteligentes incluídas
no software que abordam de forma complexa a análise de mudanças na
cobertura terrestre, gestão de recursos e avaliação do habitat, mantendo um
fluxo de trabalho simples e automatizado, permitindo ao utilizador mapear
rapidamente as mudanças ocorridas na paisagem, identificar e descobrir
tendências de transições de classes de uso do solo e monitorar os planos em
curso.
- Modelar e prever para criar cenários futuros da paisagem com a integração
de variáveis especificadas pelo utilizador como sendo impulsionadoras das
mudanças (e. g. declives ou a distância aos centros urbanos, distância às vias
rodoviárias, distância aos rios, etc), bem como informações sobre restrições
ou incentivos que possam interferir no cenário, tais como reservas naturais
(parques nacionais), proximidade de infraestruturas como aeroportos ou
limitações que têm a ver com a legislação local ou mesmo internacional;
- Uma vasta gama de ferramentas para integrar as informações de habitat,
para cenários futuros da paisagem, proporcionando avaliação do habitat por
Modelação do crescimento urbano da província de Luanda
24
espécie, a deteção de mudanças no estado do habitat e a modelação da
distribuição das espécies.
O painel de Análise de Mudanças fornece um conjunto de ferramentas para
compreender a natureza e a extensão da mudança na cobertura do solo, incluindo
gráficos de ganhos e perdas, mudanças e contribuições líquidas ocorridas por
categoria. Com um simples clique, é possível gerar mapas de mudança,
persistência, transições específicas e intercâmbios entre as categorias.
No painel de Transição Potencial o modelo é treinado, ou seja, aprende o que
ocorreu na etapa anterior, onde foram analisadas as mudanças. Nesta etapa, são
imputados ao módulo as variáveis que podem constituir restrições, incentivos ou
constrangimentos à mudança, e é definido o modelo a utilizar para a obtenção do
mapa de Transição Potencial (que pode ser a Multi Layer Perceptron e a Regressão
Logística).
No painel seguinte é feita a previsão de mudanças através da modelagem da
demanda da mudança que pode ser feito usando as Cadeias de Markov ou um
modelo externo.
O painel de avaliação do Habitat fornece mapas de áreas em categorias de habitat
(primário e secundário), e solos inadequados com base na cobertura do solo e
adequabilidade do habitat. O utilizador especifica parâmetros, tais como tamanho
da área, larguras de buffer, e a possibilidade de atravessar distâncias dentro do
alcance e durante a dispersão.
De forma resumida, o LCM começa por analisar as mudanças ocorridas na
cobertura do solo entre duas datas. Seguidamente, o módulo deve ser treinado para
aprender as causas que terão causado a mudança verificada entre a primeira e a
segunda data. Isso é feito imputando ao modelo as variáveis que causaram a
mudança para posteriormente fazer a previsão das mudanças para uma terceira data.
Esta previsão deve ser validada comparando o tema resultante da previsão com um
tema já existente para a mesma data. Se a previsão feita para a terceira data for
aceitável, então podemos passar para a fase seguinte, isto é, fazer a previsão para
uma quarta data e assim sucessivamente.
3.4 Conclusões
Existem atualmente diversos modelos de LUCC. Pontius e Malanson (2005)
referem que esta variedade está relacionada com a especificidade de cada modelo:
número de classes possíveis, tipos de transição entre classes, dependência espacial,
requisitos de informação.
Os modelos de LUCC têm grande utilidade como poderosa ferramenta para, entre
outros:
Modelação do crescimento urbano da província de Luanda
25
- Explorar os vários mecanismos que levam à ocorrência de alterações de
uso do solo e identificar quais as variáveis económicas, sociais e espaciais
que os condicionam (Batty e Longley, 1994; Dekoning et al. 1999).
- Prever potenciais impactos ambientais e socioeconómicos das alterações
de uso do solo (Alig, 1986; Theobald, Miller e Hobbes, 1997).
- Avaliar a influência de políticas de planeamento alternativas no uso do
solo e nos padrões de desenvolvimento (Bockstael et al. 1995). A projeção
dos padrões de uso do solo é passível de ser calculada através de dados
empíricos, sendo os percursos genéricos de mudança identificados como
sequências de alterações (Lambin, 1997).
A simulação de alterações no uso do solo é importante para o planeamento e gestão
territorial e para proporcionar um desenvolvimento equilibrado e sustentado através
da preservação do ecossistema. Ela pode fornecer as linhas mestras para um cenário
de crescimento que visa fornecer uma imagem do futuro desenvolvimento dos
padrões de uso do solo, com assunção de premissas de desenvolvimento atual e que
se prolongam no futuro. A obtenção destas linhas mestras pode ser determinante
para identificar futuros problemas relacionados com o crescimento urbano e,
paralelamente, verificar se os planos existentes estão de acordo com as
necessidades previstas ou se por outro lado é necessário proceder a correções. A
simulação da evolução do uso/ocupação do solo fornece informação de importância
relevante sobre o tipo, a escala, a quantidade e a densidade das transformações que
provavelmente ocorrerão, permitindo a tomada da decisão certa em momento
oportuno.
Os modelos de LUCC são ferramentas de grande valia para a:
- Exploração dos vários mecanismos que influenciam as alterações e as
variáveis sociais, económicas e espaciais que concorrem para tais alterações.
- Previsão de futuros impactos económicos e ambientais resultantes das
alterações.
- Avaliação da influência das políticas de intervenção e gestão, no
desenvolvimento dos padrões espaciais.
- Preparação dos planos reguladores do uso do solo procurando obter
padrões de uso corretos de acordo a finalidade.
A modelação das mudanças que ocorrem no uso do solo deriva da teoria de Von
Thünen e Ricardo (Mertens e Lambin, 2000), segundo a qual qualquer parcela do
território deve ser alocado ao uso que mais a rentabiliza tendo em conta as suas
características. Isso promove a competição entre os usos e as localizações mais
favoráveis. Theobald e Hobbs destacam dois tipos de modelos espaciais de
mudanças dos padrões de uso do solo: os modelos de regressão linear múltipla
(Martens e Lambin, 2000) e os modelos baseados em transições espaciais. Os
Modelação do crescimento urbano da província de Luanda
26
primeiros permitem estabelecer relações funcionais entre um conjunto de variáveis
espaciais condicionantes e/ou estimulantes, como por exemplo a distância aos eixos
rodoviários, que podem ser utilizadas para prever em antecipação as presumíveis
alterações. A avaliação das variáveis espaciais e das tendências de alterações no uso
do solo é feita com recurso a informação referente a várias datas, isso permite o
estabelecimento de relações funcionais entre os parâmetros considerados e o
cálculo das probabilidades de alterações futuras no uso do solo. Os modelos de
transição espacial são considerados como uma extensão do modelo (não espacial)
de Markov (Hathout, S., 1988) e uma forma de autómato celular (Theobald, D. M. ;
Hobbs, N. T., 1998).
Modelação do crescimento urbano da província de Luanda
27
4. MODELAÇÃO DO CRESCIMENTO URBANO DE LUANDA
4.1 Introdução
Uma das consequências da guerra em Angola foi o superpovoamento das cidades,
sendo Luanda um caso particular desse superpovoamento. Mas falar em
superpovoamento só é aceitável do ponto de vista do espaço urbano (área
construída), pois do ponto de vista do espaço territorial, o mesmo não se pode
considerar se tivermos em conta a densidade populacional atual para a província de
Luanda (cerca de 0,027 habitantes/m2). O interesse em analisar esse fenómeno
motivou-me a fazer este trabalho. Porém não foi fácil por dificuldades em obter
dados georreferenciados sobre a área de estudo.
Neste capítulo serão processados os dados geográficos disponíveis para aferir sobre
as mudanças ocorridas na mancha urbana entre 1993 e 2008 e prever as alterações
que poderão ocorrer nos próximos anos como forma de avaliação do impacto das
políticas de planeamento e gestão territorial das autoridades angolanas e verificar a
eventual convergência entre os terrenos reservados para a construção de novas
urbanizações e as mudanças previstas no casco urbano da cidade.
4.2 Dados, fontes e características
Para este estudo foram utilizados os seguintes dados da tabela 4.1:
DADOS DATA FONTE FORMATO SISTEMA DE
REFERÊNCIA
RESOLUÇÃO
ESPACIAL
Imagens Landsat5
TM, PATH/ROW
182/66 27/02/1993 NASA Raster WGS84 (UTM33N) 30 metros
Imagens Landsat5
TM, PATH/ROW
182/66 14/06/2000 NASA Raster WGS84 (UTM33N) 30 metros
Imagens Landsat5
TM, PATH/ROW
182/66 24/03/2008 ENGESAT Raster WGS84 (UTM33N) 30 metros
Limite administrativo
da província de
Luanda 2011 SINFIC Vectorial WGS84 (LATLONG) -
Municípios da
província
de Luanda 2011 SINFIC Vectorial WGS84 (LATLONG) -
Vias rodoviárias da
província de Luanda 2011 SINFIC Vectorial WGS84 (LATLONG) -
Reservas fundiárias
da província de
Luanda 13/08/2007 DR 97 - I Série Raster WGS84 (UTM33N) 30 metros
Tabela 4.1 – Dados, fonte e características
Modelação do crescimento urbano da província de Luanda
28
4.3 Metodologia
Depois da revisão bibliográfica, na segunda etapa desenvolve-se conceitos teóricos
necessários para melhor compreender o tema Modelação Urbana da província de
Luanda, destacando a deteção remota aplicada ao crescimento urbano, descrição de
alguns modelos de crescimento urbano como os AC e as RNA. A terceira etapa,
configura-se como sendo aquela que dá corpo ao tema desenvolvido, que consiste
na etapa de modelação de facto, que começa com o pré-processamento dos dados,
seleção e classificação por segmentação das imagens de satélite, derivação dos
mapas de uso do solo para 1993, 2000 e 2008, avaliação da qualidade dos mapas
derivados e a delimitação da mancha urbana para as três datas. Os mapas de uso do
solo 1993 e 2000 foram o input para o modelo de dados utilizado para a modelação
do crescimento urbano da cidade, o LCM através do software IDRISI Taiga. A
partir dos dados de input obtiveram-se os mapas de ganhos e perdas por classe, o
mapa de alterações e persistência por classe. Posteriormente correu-se o modelo
para obter o mapa de transições potenciais que foi usado para simular o
crescimento urbano para 2008 tendo em conta dois dos fatores que podem ter
estimulado as mudanças ocorridas entre 1993 e 2000, nomeadamente: a distância à
zona urbana e a distância aos eixos rodoviários (em 1993). Esta simulação foi
validada comparando-a com o mapa de uso do solo de 2008 obtido por
classificação por segmentação. Validado o mapa da simulação, o modelo é aceite
para simular outros cenários de crescimento. Assim sendo, fez-se a simulação para
o ano 2040. Na quarta e última etapa é feita a confrontação entre a simulação para
2040 e as RF definidas pelo governo no âmbito do PNUH para aferir se de facto os
eixos de crescimento previstos pelo modelo convergem com tais RF. Esta etapa
encerra com as considerações finais sobre o projeto. A figura 4.1 resume as etapas
desenvolvidas neste trabalho.
Modelação do crescimento urbano da província de Luanda
29
Não
Sim
Não
Sim
Figura 4.1. Fluxograma do projeto
Landsat 1993 Landsat 2000 Landsat 2008
Classificação
Ok ?
Mapa uso solo 1993 Mapa uso solo 2000 Mapa uso solo 2008
LCM
Alterações 2000 - 2008 Alterações 1993 - 2000
Treino
Ok ?
Potencial de Transição
Validação
Ok ?
Previsão 2040
Previsão 2008
Qualidade da
Classificação Etapa de
Campo
Reclassificação
(NDVI, BI)
Modelação do crescimento urbano da província de Luanda
30
4.4 Seleção das imagens de satélite
Uma das dificuldades enfrentadas e que constituíram fator crítico de sucesso foi,
conseguir imagens sobre a província de Luanda. Várias instituições foram
contactadas para o efeito nomeadamente o Instituto Geográfico e Cadastral de
Angola (IGCA), o Instituto Nacional de Ordenamento do Território Urbano
(INOTU), o Instituto de Planeamento e Gestão Urbana de Luanda (IPGUL) o
Governo da província de Luanda (GPL) e alegaram não dispor de imagens
nenhumas da área de estudo. Perante o quadro outra alternativa não me restou
senão aceder ao site da Global Land Cover Facility (GLCF) da National
Aeronautics and Space Administration (NASA) de onde foram obtidas as imagens
landsat 5 de 1993 e 2000 do sensor Thematic Mapper (TM); da empresa
ENGESAT foram compradas as imagens de 2008 também do sensor TM, todas em
formato TIF. As imagens landsat 7 de 2006 por não terem boa qualidade ( presume-
se que isso deveu-se ao facto de a partir de 31 de Maio de 2003 o satélite Landsat 7
ter avariado), foram substituídas por imagens Landsat 5 TM de 2008.
4.4.1 Programa Landsat e características das imagens
A NASA lançou nos EUA o primeiro satélite chamado Earth Resources
Technology Satellites 1 (ERTS 1), no dia 23 de Julho de 1972, no âmbito do
Programa Espacial americano “Earth Resources Technology Satellite”. Mais tarde,
o programa foi denominado Landsat assim como o satélite que o compõe.
Foram lançados sete satélites do Programa Landsat desde 1972, dos quais seis
fornecem imagens da Terra (tabela 4.2):
DATA SITUAÇÃO DATA
SATÉLITE LANÇAMENTO ATUAL INATIVAÇÃO
Landsat 1 23-07-1972 Inativo 06-01-1978
Landsat 2 22-01-1975 Inativo 22-02-1982
Landsat 3 05-03-1978 Inativo 31-03-1983
Landsat 4 16-07-1982 (*)
Landsat 5 01-03-1984 Ativo
Landsat 6 05-10-1993 (**)
Landsat 7 15-04-1999 (***)
Tabela 4.2 – Satélites do programa Landsat
___________________________________________
(*) Não recolhe imagens, porém não está inativado.
(**) Perdeu-se após o lançamento.
(***) Em atividade normal até 31-05-2003. Problemas técnicos depois desta data.
Modelação do crescimento urbano da província de Luanda
31
Os satélites da primeira geração do Programa Landsat, Landsat 1-2-3 utilizavam
dois instrumentos: o sensor Return Beam Vidicon (RBV) e o Multispectral Scanner
(MSS).
Por razões de problemas técnicos do sensor RBV, e da superioridade técnica do
MSS do ponto de vista espetral e radiométrico, o RBV teve uso muito limitado.
Com o lançamento do Landsat 4 em 1982 teve início a segunda geração do
programa e o sensor RBV foi substituído pelo sensor TM.
A terceira geração do programa inicia com o lançamento do satélite Landsat 7. As
características dos satélites Landsat 1-2-3-4-5 são apresentadas na tabela 4.3
Thematic Mapper – TM
Bandas 1 2 3 4 5 6 7
Faixa (µm ) 0,45 – 0,52 0,52 – 0,60 0,63 – 0,69 0,76 – 0,90 1,55 – 1,75 10,42 – 12,50 2,08 – 2,35
Resolução
(m) 30 30 30 30 30 120 30
Multi-Spectral Scanner – MSS
Bandas 1 2 3 4
Faixa (µm ) 0,5 – 0,6 0,6 – 0,7 0,7 – 0,8 0,8 – 1,1
Resolução
(m) 80 80 80 80
Tabela 4.3 - Características dos Landsat 1-2-3-4-5. Fonte: site do ENGESAT
A tabela 4.4 apresenta o resumo das principais características e aplicações das bandas
TM do Landsat 5.
Banda
Intervalo
espectral
(µm)
Principais características e aplicações das bandas TM do satélite
LANDSAT-5
1 (0,45 - 0,52)
- Grande penetração em corpos de água, com elevada transparência;
permitindo estudos batimétricos. Sofre absorção pela clorofila e
pigmentos fotossintéticos auxiliares;
- Sensível a plumas de fumaça oriundas de queimadas ou atividade
industrial;
- Pouco afetado pelo efeito atmosférico.
2 (0,52 - 0,60)
- Grande sensibilidade à presença de sedimentos em suspensão,
possibilitando sua análise em termos de quantidade e qualidade;
- Boa penetração em corpos de água.
3 (0,63 - 0,69)
- Grande absorção a vegetação verde, densa e uniforme, ficando
escura, permitindo bom contraste entre as áreas ocupadas (ex.: solo
exposto, estradas e áreas urbanas);
- Bom contraste entre diferentes tipos de cobertura vegetal (ex.:
Modelação do crescimento urbano da província de Luanda
32
agricultura e floresta densa);
- Permite o mapeamento da drenagem através da visualização da mata
e dos cursos dos rios em regiões com pouca cobertura vegetal;
- É a banda mais utilizada para delimitar a mancha urbana, incluindo a
identificação de novos loteamentos;
- Permite a identificação de áreas agrícolas.
4 (0,76 - 0,90)
- Os corpos de água absorvem muita energia nesta banda e ficam
escuros;
- Permite o mapeamento da rede de drenagem e delineamento de
corpos de água;
- A vegetação verde, densa e uniforme, reflete muita energia nesta
banda, aparecendo bem clara nas imagens;
- Sensível à rugosidade da copa das florestas;
- Sensível à morfologia do terreno, permitindo a obtenção de
informações sobre Geomorfologia, Solos e Geologia. Serve para
análise e mapeamento de feições geológicas e estruturais;
- Serve para mapear áreas ocupadas com vegetação que foram
queimadas;
- Permite a identificação de áreas agrícolas.
5 (1,55 - 1,75)
- Sensível ao teor de humidade das plantas, servindo para observar
stress na vegetação, causado por desequilíbrio hídrico. Esta banda
sofre perturbações em caso de ocorrer excesso de chuva antes da
obtenção da cena pelo satélite.
6 (10,4 - 12,5) - Sensível aos fenômenos relativos aos contrastes térmicos, servindo
para detetar propriedades termais de rochas, solos, vegetação e água.
7 (2,08 - 2,35)
Sensível à morfologia do terreno, permitindo obter informações sobre
Geomorfologia, Solos e Geologia. Esta banda serve para identificar
minerais com iões hidróxidos;
- Potencialmente favorável à discriminação de produtos de alteração
hidrotermal.
Tabela 4.4 - Característica e aplicações das bandas do Landsat 5 (obtido do site da ENGESAT)
As órbitas do Landsat são:
- Repetitivas, circulares, hélio síncronas, significa que são sincronizadas
com o sol e passam à mesma hora solar em qualquer ponto observado.
- Quase polares, o que permite a cobertura completa da terra entre os
paralelos 81ºN e 81ºS. A altitude é de 705 Km e a velocidade equivalente a
7,7 Km/seg no solo. O ciclo orbital do Landsat 1-2-3 é de 18 dias, e do
Landsat 4-5-7 é de 16 dias. A área de recolha de imagem é de 185 Km x 185
Km, com duração de 24 segundos.
Modelação do crescimento urbano da província de Luanda
33
4.5 Pré-processamento
As imagens Landsat 5 foram obtidas em formato TIF e georreferenciadas em
Universal Tranversa Mercator (UTM) para zona 33 Norte. Por isso, foi necessário
reprojetar as imagens Landsat de UTM33N para UTM33S com o módulo
PROJECT do IDRISI Taiga. Em resumo as operações efetuadas na etapa de pré-
processamento são as seguintes:
- Importação das imagens landsat (em formato TIF) para o IDRISI Taiga
(formato .rst).
- Projeção das imagens landsat de 1993, 2000 e 2008 de UTM33N para
UTM33S.
- Importação dos shapefile Limite Administrativo de Luanda, Municípios de
Luanda e Vias Rodoviárias de Luanda (formato .shp) para o IDRISI Taiga
(formato .vct).
- Projeção dos temas vetoriais Limite Administrativo de Luanda,
Municípios de Luanda e Vias Rodoviárias de Luanda do formato
LATITUDE/LONGITUDE (LATLONG) para UTM33S.
- Conversão para raster dos temas vetoriais Limite Administrativo de
Luanda, Municípios de Luanda e Vias Rodoviárias de Luanda uma vez que
a maioria dos módulos do IDRISI Taiga só processa temas raster. Isso foi
feito com a funcionalidade RASTERVECTOR.
- O IDRISI Taiga só processa temas com o mesmo tamanho e a mesma
resolução espacial, por isso, fez-se o recorte de todos os temas de modo a
atender esse requisito. Utilizou-se o módulo WINDOW do IDRISI Taiga
para o efeito.
- Criação de uma máscara da área de estudo para fazer o corte dos mapas
finais sempre que necessário, através da funcionalidade OVERLAY.
4.5.1 Composição colorida RGB
A visualização de imagens de satélite com a composição colorida RGB, exige que
se atribua uma banda do espectro eletromagnético a cada cor. A composição é de
cor verdadeira quando se atribui ao canal vermelho a cor vermelha, canal azul à cor
azul e ao canal verde à cor verde. A cor vermelha, verde e azul correspondem às
bandas 3, 2 e 1 respetivamente, da região do visível do satélite Landsat (sensor TM
e ETM+). Quando na composição entra uma banda que não seja da região do
visível ou entram as bandas do espetro visível mas com a ordem trocada, diz-se que
a composição colorida RGB é de falsa cor.
Modelação do crescimento urbano da província de Luanda
34
Caetano (2006), apoiado num estudo para uma imagem Landsat TM, sugere uma
análise de correlação de bandas para selecionar de entre todas as bandas disponíveis
quais as três que retêm maior informação, concluindo que para uma composição
colorida RGB se deve optar por uma banda do visível, do infravermelho próximo e
outra do infravermelho médio. Segundo Machado (2005), a análise visual efetuada
no âmbito do programa CLC baseou-se numa composição RGB453, precisamente
uma de cada região do espectro eletromagnético sugerida pelo estudo referido no
autor anterior.
Vários investigadores sugerem que, no caso de áreas construídas a descriminação
visual é mais fácil usando a composição RGB453, não obstante a menor resolução
espacial do sensor TM, por isso, neste projeto foi utilizada esta composição, que
corresponde a banda do infravermelho próximo, infravermelho médio e do
vermelho no TM. A figura 4.2 mostra para a área de estudo, as três bandas
espectrais (banda 4, banda 5 e banda 3) em tons de cinza e as composições
coloridas RGB453 de 1993, 2000 e 2008.
Figura 4.2. Bandas 4, 5, 3 da imagem Landsat 5 TM em tons de cinza e compósito RGB453 de 1993,
2000 e 2008 respetivamente
Modelação do crescimento urbano da província de Luanda
35
4.6 Classificação das imagens de satélite
Os métodos tradicionais de classificação de imagens, em deteção remota, são
baseados geralmente na análise espetral dos pixéis. Tais métodos funcionam bem
com dados de maior variância, mas encontram dificuldade quando aplicados sobre
imagens multiespectrais de alta correlação espetral, como é caso das imagens da
área de estudo. Deste modo, para a classificação deste tipo de imagens é
conveniente a adoção de um método mais robusto tal como o módulo Segmentation
Classifiers do IDRISI Taiga, que para além da análise ao nível do pixel permite a
inclusão de informações adicionais a partir da segmentação dos objetos de
interesse.
Em termos gerais a funcionalidade Segmentation Classifiers do IDRISI Taiga
possibilita extrair informações e classificar imagens com base nas características
espaciais, espectrais e de textura.
Com imagens pancromáticas e/ou multiespectrais de alta resolução, um método
baseado em objetos oferece maior flexibilidade nos tipos de características
extraídas. Um objeto é caracterizado por uma região de interesse com
características espaciais, espectrais (brilho e cor) e de textura.
O objetivo deste projeto é avaliar as alterações ocorridas na mancha urbana da
província de Luanda entre 1993 e 2008, o que pressupõe a classificação dos mapas
do uso do solo de 1993, 2000, e 2008 em apenas duas classes: urbano e não urbano.
Porém, a grande variabilidade espectral associada a cada uma delas justifica que o
treinamento do algoritmo de classificação recorra a mais classes. Após a análise
pormenorizada das imagens Landsat 5, achou-se adequado considerar uma
nomenclatura em três níveis de classificação: nível 1 – com 8 classes, nível 2 – com
4, classes e nível 3 com duas classes (tabela 4.5).
Nível 1 Nível 2 Nível 3
Urbano Urbano Urbano
Suburbano
Vegetação ciliar
Vegetação
Não Urbano
Vegetação herbácea
Agricultura
Zonas húmidas Zonas húmidas
Água
Solo exposto Solo Exposto
Tabela 4.5 – Nomenclatura da classificação em três níveis
Modelação do crescimento urbano da província de Luanda
36
A variabilidade espectral das imagens da área de estudo associada à diversidade de
tipos construção na província de Luanda sugere a utilização da análise combinada
pixel/objeto pelos algoritmos da máxima verosimilhança e análise orientada a
objeto através da classificação por segmentação. Após a classificação, foi avaliado
para o ano 2008 o desempenho da classificação, obtendo-se os resultados da
exatidão global apresentados na tabela 4.5.
Para aferir o uso do solo nos pontos de controlo na classificação de 2008, recorreu-
se às imagens do Google Maps e algumas entrevistas com pessoas que vivem na
região há mais de 30 anos, como é o caso dos sobas e outras autoridades
tradicionais. Não foram avaliados os resultados da classificação de 1993 e 2000 por
falta de informação disponível, pois nesta altura não é possível confrontar no
terreno os pontos de controlo se tivermos em conta que o que está hoje nestes
lugares, muito provavelmente não corresponde ao que havia naquela altura. Deste
modo, supõe-se que a exatidão global da classificação de 2008 seja semelhante a de
1993 e 2000.
4.6.1 A dimensão da amostra
É importante antes de mais definir o que é uma amostra.
Amostra é um subconjunto de indivíduos subtraídos de uma população. A escolha
dos indivíduos que deverão pertencer a amostra é feita por um processo
denominado de amostragem. Existem vários métodos de amostragem. Um deles é o
método de amostragem probabilístico, segundo o qual, qualquer indivíduo da
população pode integrar a amostra.
Geralmente é possível determinar a dimensão mínima de uma amostra para estimar
um parâmetro estatístico, como por exemplo, a média ou a proporção da população.
No caso da estimativa da média da população, a dimensão da amostra é calculado
pela expressão:
n = ( Zα/2.σ/E)2 ( equação 4.1 )
onde:
n é a dimensão da amostra;
Zα/2 é um valor que corresponde ao grau de confiança desejado;
σ é o desvio-padrão da população;
E é a margem de erro (está relacionado com a diferença máxima entre a
média da amostra e a verdadeira média da população.
Modelação do crescimento urbano da província de Luanda
37
O cálculo da dimensão da amostra através da equação 4.1 não é fácil, porque na
prática o valor do desvio-padrão da população nem sempre é conhecido. Para
resolver o problema procede-se da seguinte forma:
- Utiliza-se um valor aproximado de σ obtido dividindo a amplitude por 4.
- Realiza-se um estudo preliminar, começando o processo de amostragem
com base na primeira coleção de pelo menos 31 valores amostrais
selecionados aleatoriamente e calcula-se o desvio-padrão da amostra S que é
utilizado em lugar de σ.
Pela estimativa da proporção da população a dimensão da amostra é calculada
recorrendo a expressão:
n = ( Z2
α/2 .p.q)/E2 ( equação 4.2 )
onde:
n é a dimensão da amostra.
Zα/2 é um valor que corresponde ao grau de confiança desejado.
p é a proporção de indivíduos que pertence a categoria em estudo.
q é a proporção de indivíduos que não pertence a categoria em estudo.
E é a margem de erro (está relacionado com a diferença máxima entre a
Proporção da amostra e a verdadeira proporção da população.
Se os valores de p e q não são conhecidos, a equação 4.2 exige que se substituam os
valores populacionais p e q, por valores amostrais pˆ e qˆ . Se estes também não
forem desconhecidos, substituímos pˆ e qˆ por 0,5, obtendo a seguinte estimativa
(Levine, 2000):
n = ( Z2
α/2 .0,25)/E2 ( equação 4.3 )
O número de amostras por classe é uma questão importante, porém a literatura
consultada não aponta nenhum número totalmente consensual sobre a dimensão da
amostra. Certos académicos e pesquisadores recomendam um mínimo de 50
amostras para um número de classes até 10 e 100 amostras quando o número de
classes é superior a 10.
Modelação do crescimento urbano da província de Luanda
38
Figura 4.3. Estatísticas da banda 3 do Landsat 5 TM de 2008
Para resolver o problema, recorreu-se à ferramenta pública Sample Size Calculator
para calcular a dimensão da amostra tendo em conta algumas estatísticas da banda 3
da cena Landsat 5 TM de 2008 (figura 4.3).
Neste caso concreto, considerando um intervalo de confiança de 95% e uma
margem de erro de 15%, o software sugeriu 43 amostras por classe (figura 4.4).
Figura 4.4. Calculo da dimensão da amostra através da ferramenta Sample Size Calculator
Modelação do crescimento urbano da província de Luanda
39
4.7 Derivação dos mapas do uso do solo
Os mapas do uso do solo de 1993, 2000 e 2008 foram obtidos a partir da
classificação por segmentação das imagens Landsat 5 TM. A classificação foi feita
sobre os respetivos compósitos de falsa cor RGB453 e realizou-se em três etapas.
Na primeira foi criado, através do módulo SEGMENTATION, o tema vetorial com
a segmentação dos pixéis utilizando as seis bandas (1, 2, 3, 4, 5 e 7) do Landsat 5.
A segunda etapa consistiu na geração das amostras de treino (figura 4.5) a partir do
ficheiro da segmentação e do compósito RGB453, utilizando-se o módulo
SEGTRAIN que posteriormente foram usados no módulo MAKESIG do IDRISI
Taiga para criar as assinaturas espetrais das classes.
Finalizadas as amostras de treino fez-se a classificação através do módulo
SEGCLASS. Este módulo realiza a classificação utilizando uma imagem
classificada já existente resultante de um processo de classificação supervisionado
ou não supervisionado. Neste caso a imagem foi obtida através da classificação
supervisionada por máxima verosimilhança, usando o módulo MAXLIKE.
Terminadas as amostras de treino, executou-se o módulo MAKESIG que usou esses
segmentos para criar as assinaturas espetrais das classes (figura 4.5). A
nomenclatura de classes utilizada foi:
1. Urbano
2. Suburbano
3. Vegetação ciliar
4. Vegetação herbácea
5. Agricultura
6. Zonas húmidas
7. Solo exposto
8. Água
A etapa seguinte foi fazer a classificação através do módulo SEGCLASS. O
resultado é uma imagem classificada para as oito classes (figura 4.6).
A classificação, foi feita em 8 classes porque se recorreu à deteção remota para o
conseguir, e isso significa que se utilizaram as respostas espectrais do coberto do
solo para se obter o mapa classificado. Reduzir o número de classes significa
englobar na mesma classe respostas espectrais muito diferentes, de onde resultaria
dificuldade em chegar a uma assinatura espectral fiável dessa macro-classe.
Foi avaliada a qualidade da classificação no nível 1 tendo sido aceite, considerando
os valores da exatidão global e de kappa, da matriz de confusão (tabela 4.6). O
mapa do nível 1 foi reclassificado agrupando as classes Urbano e Suburbano em
Urbano, as classes Vegetação ciliar, Vegetação herbácea e Agricultura em
Modelação do crescimento urbano da província de Luanda
40
Vegetação, Zonas húmidas e Água em Zonas húmidas e manteve-se a classe Solo
exposto. Como resultando obteve-se o mapa do uso do solo do nível 2 (figura 4.7).
Para a obtenção dos mapas finais, foram reclassificados os mapas do nível 2 em
apenas duas classes (urbano e não urbano) com auxílio do Índice de Vegetação por
Diferença Normalizada (NDVI) para corrigir as classes mal classificadas. O NDVI
é de autoria de TUCKER (1979) e é definido como a diferença normalizada entre as
reflectâncias captadas na região do infravermelho próximo e na do vermelho. Pode
ser diretamente relacionado com a quantidade de biomassa existente num pixel
(Masek et al. 2000). É possível reconhecer as áreas com alterações da vegetação e
consequente artificialização, subtraindo o NDVI de períodos diferentes (Haobo et
al. 2005, Masek et al. 2000). Com o auxílio do NDVI foram feitas a adequações
necessárias para se chegar ao mapa do uso do solo. O NDVI foi calculado de
acordo a equação 4.4:
NDVI = (ρivp – ρv)/( ρivp + ρv) ( equação 4.4 )
onde:
ρivp é a reflectância no infravermelho próximo;
ρv é a reflectância no vermelho
Após o cálculo automático do NDVI o mapa foi reclassificado associando os
diferentes valores do NDVI às classes do uso do solo.
Por exemplo, a água tem reflectância maior no visível do que no infravermelho,
sendo assim, o NDVI tem valores negativos. As rochas e o solo exposto têm
reflectâncias semelhantes nas duas bandas, logo, o NDVI é aproximadamente igual
a zero. Valores mais altos do NDVI estão associados a um maior vigor na
vegetação (HOLBEN, 1986).
O resultado da reclassificação são os mapas das figuras 4.8, 4.9 e 4.10 com apenas
duas classes.
Modelação do crescimento urbano da província de Luanda
41
Figura 4.5. Amostras de treino referentes as classificações de 1993, 2000 e 2008 respetivamente
Modelação do crescimento urbano da província de Luanda
42
Figura 4.6. Mapas do uso do solo de Luanda (nível 1) referentes a 1993, 2000 e 2008 respetivamente
Modelação do crescimento urbano da província de Luanda
43
Figura 4.7. Mapas do uso do solo de Luanda (nível 2) referentes a 1993, 2000 e 2008 respetivamente
Modelação do crescimento urbano da província de Luanda
44
4.7.1 Avaliação da qualidade dos mapas
A etapa de campo consistiu na verificação em campo de 150 pontos selecionados
de vários estratos.
Esta técnica foi escolhida devido a heterogeneidade dos usos do solo na área de
estudo. A amostragem estratificada é uma técnica de amostragem baseada na
Amostragem Aleatória Simples, porém com algumas particularidades:
- Na amostragem aleatória simples, é obtida uma única estimativa para toda
a população alvo e cada amostra tem igual probabilidade de ser escolhida.
Na amostragem estratificada, a população alvo é subdividida em
subpopulações internamente homogêneas denominadas estratos.
- É obtida uma estimativa para cada extrato que deve ser mais precisa que a
estimativa da Amostragem Aleatória Simples devido a maior
homogeneidade dos estratos.
- Da combinação das estimativas dos estratos obtêm-se a estimativa para
população alvo.
Depois de estabelecido o tipo e o tamanho da amostra, os dados para avaliação da
exatidão foram recolhidos, com o objetivo de expressar numa tabela, as classes
reais e as resultantes da classificação, denominada matriz de erro, também
conhecida como matriz de confusão ou tabela de contingência.
No trabalho de campo foi utilizado um GPS de navegação com 3 metros de
precisão. Para avaliação de algumas classes recorreu-se ao Google Earth e a
entrevistas a alguns moradores.
A comparação entre os mapeamentos obtidos e a verdade de campo foi feita através
dos índices de exatidão (Chuvieco, 1990; Congalton, 1991; Fidalgo, 1995).
Na tabela 4.6 estão dispostos os valores da matriz de confusão, gerada pela
verificação em campo e pela imagem classificada, a partir dos quais foram obtidos
os índices de exatidão global, exatidão do consumidor, exatidão do produtor e
índice kappa.
A utilização de critérios para avaliar e comparar mapeamentos temáticos é muito
bem descrito por Congalton (1991). Segundo o autor, pode-se usar uma matriz de
erro para aplicar técnicas estatísticas descritivas e analíticas, com as quais obtém-se
o índice de exatidão global, pelo quociente entre o número total de pixéis
corretamente classificados (diagonal principal da matriz) e o número total de pixéis
da matriz, como mostra a expressão seguinte:
Modelação do crescimento urbano da província de Luanda
45
onde:
Po é a probabilidade observada que não é mais senão a Exatidão Global
também conhecida como Exatidão Total.
Basicamente, a matriz de erro, também conhecida como matriz de confusão ou
tabela de contingência, compara classe por classe, a relação entre os dados de
referência conhecidos (neste caso os dados colhidos no campo) e os resultados
correspondentes da classificação.
CLASSE
INFORMAÇÃO DE REFERÊNCIA
ER
RO
DE
CO
MIS
SÃ
O
EX
AT
. P
RO
DU
TO
R (
%)
Urb
an
o
Su
bu
rb
an
o
Veg
eta
çã
o c
ilia
r
Veg
eta
çã
o h
erb
áce
a
Ag
ric
ult
ura
Zo
na
s h
úm
idos
So
lo e
xp
ost
o
Ág
ua
TO
TA
L
INF
OR
MA
ÇÃ
O D
A C
LA
SS
IFIC
AÇ
ÃO
Urbano 27 2 0 0 0 0 0 0 29 0,069 93,1
Suburbano 0 13 0 0 0 0 2 0 15 0,133 86,7
Vegetação ciliar 0 0 15 4 1 0 0 0 20 0,250 75,0
Vegetação
herbácea 1 0 1 14 2 0 0 0 18 0,222 77,8
Agricultura 0 0 1 6 10 0 0 0 17 0,412 58,8
Zonas húmidos 0 0 0 0 0 13 0 2 15 0,133 86,7
Solo exposto 4 3 0 0 0 0 12 0 19 0,368 63,2
Água 0 0 0 0 0 5 0 12 17 0,294 70,6
TOTAL 32 18 17 24 13 18 14 14 150
ERRO DE OMISSÃO 0,156 0,278 0,118 0,417 0,231 0,278 0,143 0,143
EXAT. CONSUMIDOR
(%) 84,4 72,2 88,2 58,3 76,9 72,2 85,7 85,7
Tabela 4.6 - Matriz de confusão
Modelação do crescimento urbano da província de Luanda
46
A partir da matriz de confusão é possível obter-se uma série de medidas estatísticas
que visam concluir o processo de validação. Entre estas, a exatidão global é a
medida mais simples e relaciona os elementos da diagonal principal com o total de
pontos amostrados.
Numa matriz de confusão, as colunas indicam o número de amostras que,
pertencendo a uma determinada classe ou categoria, não foram incluídos nela.
Neste caso, os erros denominam-se erros de omissão.
De igual modo as células das linhas expressam os erros de comissão, isto é, pixéis
que pertencem a uma determinada classe ou categoria e que foram classificados em
outra.
Os erros de omissão e comissão têm como enfoque o mesmo problema. A omissão
refere-se a uma má definição da classe e determina a qualidade do mapa enquanto a
comissão refere-se a uma excessiva delimitação da classe e determina a qualidade
da classificação. Alguns autores denominam-na como exatidão do produtor e
exatidão do utilizador (consumidor) respetivamente.
A estatística Kappa é uma medida do grau de concordância entre os dados de
referência e os dados obtidos da classificação automática, isto é, a probabilidade de
concordância entre os dados de referência (probabilidade observada – Po) e a
classificação aleatória (probabilidade esperada – Pe). Neste caso, Pe é calculado
pela expressão seguinte:
( equação 4.5 )
onde:
Pe é a probabilidade esperada.
Os índices de exatidão indicam a probabilidade das classes classificadas na imagem
terem sido confirmadas na etapa de campo. O índice de exatidão global foi de
77,33%. Se nos basearmos apenas neste resultado, poder-se-ia concluir que a
classificação foi excelente. Todavia, isso poderia conduzir-nos a graves equívocos
pelo que recomenda-se o cálculo e a análise da exatidão do consumidor e do
produtor que conferem maior significado aos dados porque indica-nos se houve ou
não confusão entre as classes.
Observa-se da tabela 4.6 que a exatidão do produtor foi de 84,4% para a classe
Urbano, 72,2% para a classe Suburbano, 88,2% (Vegetação Ciliar), 58,3%
Modelação do crescimento urbano da província de Luanda
47
(Vegetação Herbácea), 76,9% (Zonas Agrícolas), 72,2% (Zonas Húmidas), 85,7%
(Solo Exposto) e 85,7% para a classe água.
No caso da classe urbano, a exatidão do consumidor mostra que a verificação em
campo seria zona urbana em 93,1% das visitas.
Outra forma de analisar a matriz de confusão seria através dos erros. Os erros de
omissão foram de 15,6% (urbano), 27,8% (suburbano), 11,8% (vegetação ciliar),
41,7% (vegetação herbácea), 23,1% (agricultura), 27,8% (zonas húmidas), 14,3%
(solo exposto) e 14,3% (água).
Para a classe Urbano, apenas 15,6% dos pontos, não corresponderam à categoria na
realidade.
Os erros de comissão mostram os pontos que foram indevidamente incluídos em
uma determinada classe. Por exemplo, da tabela 4.6 observa-se que 6,9% da classe
urbano foram indevidamente incluídos nas classes vegetação herbácea e solo
exposto. De igual modo, 29,4% da classe água foi erradamente incluída na classe
zonas húmidas.
O índice Kappa obtido foi de 73,89% (tabela 4.7) sendo considerada uma avaliação
muito boa de acordo com a tabela de referência de Lands & Koch, (1977).
( equação 4.6 )
Com base na tabela 4.7 conclui-se que a classificação apresentou índices de
exatidão considerados muito bons.
Valor de Kappa Qualidade do Mapa
< 0,00 Péssima
0,00 - 0,20 Má
0,20 - 0,40 Razoável
0,40 - 0,60 Boa
0,60 - 0,80 Muito Boa
0,80 - 1,00 Excelente
Tabela 4.7 – Qualidade da classificação associada a estatística Kappa .
Fonte: Trabalho investigativo sobre “Medidas de concordancia: el índice Kappa”,
(López et al. 2001).
Modelação do crescimento urbano da província de Luanda
48
Por impossiblidade de aferir no terreno os pontos de controlo referentes à
classificação de 1993 e 2000, não foi avaliada a qualidade da classificação de 1993
e 2000. Presume-se que ambas tenham a mesma qualidade.
4.7.2 Aperfeiçoamento dos mapas classificados
Após a classificação dos mapas e avaliação da sua qualidade, fez-se a
reclassificação. Segundo Haobo et al. (2005) uma das metodologias para a extração
expedita de áreas urbanas a partir de imagens de satélite, neste caso recorrendo
imagens Landsat 5 TM é a separação de quatro tipologias de ocupação do solo
(Solo exposto, Urbano, Vegetação e Água) baseado numa combinação de um índice
de solo exposto (o Bareness index – BI) e do NDVI. Deste modo para as bandas do
TM (BI=Banda3+Banda5-Banda4), seguida de uma reclassificação em quatro
intervalos (tabela 4.8), é segundo tais autores suficiente para calcular o BI. Apesar
da eficiência deste procedimento, ele peca por confundir as áreas de vegetação e as
áreas aquáticas, tendo-se recorrido ao NDVI para superar esta dificuldade.
Tipologias ND
Água 0 a 70
Vegetação 71 a 113
Urbano 114 a 174
Solo Exposto 175 a 255
Tabela 4.8 - Reclassificação para o cálculo do Índice de Bareness
4.7.3 Delimitação das áreas urbanas em 1993
Para delimitar as áreas urbanas em 1993, foi utilizada a classificação por
segmentação sobre a composição RGB453 do Landsat 5 de 1993 com 1% de
saturação de modo a preservar os valores originais. Foi executado o módulo
SEGMENTATION do IDRISI Taiga com similaridade de tolerância (similarity
tolerence) de 40. A opção Similarity Tolerance permite controlar a semelhança dos
pixéis do mesmo polígono. Quanto mais baixo for o valor, mais semelhantes serão
e mais homogéneo será o polígono, mas também mais pequeno, uma vez que não
tolera pixéis muito diferentes. Seguidamente criaram-se as amostras de treino
mediante seleção dos segmentos representativos das classes pretendidas (figura
4.5). O ficheiro de amostras de treino foi criado selecionando a opção Create a New
Segment Training File com o tema vetorial obtido no módulo SEGMENTATION.
Após a segmentação fez-se a reclassificação em dois níveis. O resultado é o mapa
da figura 4.8.
Modelação do crescimento urbano da província de Luanda
49
Figura 4.8. Mapa do uso do solo de Luanda em 1993
4.7.4 Delimitação das áreas urbanas em 2000
A delimitação das áreas urbanas e não urbanas de 2000 foi feita de forma
semelhante a 1993. Primeiro obteve-se o tema vetorial com as amostras de treino
(figura 4.5) que foram usadas para obter as assinaturas espetrais das classes e
seguidamente fez-se a classificação.
O mapa do uso do solo de 2000 (figura 4.9) foi obtido reclassificando os mapas do
nível 1 e do nível 2.
Modelação do crescimento urbano da província de Luanda
50
Figura 4.9. Mapa do uso do solo de Luanda em 2000
Modelação do crescimento urbano da província de Luanda
51
4.7.5 Delimitação das áreas urbanas em 2008
Procedimentos semelhantes aos anteriores resultaram no mapa do uso do solo de
2008 (figura 4.10).
Figura 4.10. Mapa do uso do solo de Luanda em 2008
Modelação do crescimento urbano da província de Luanda
52
4.8 Alterações no uso do solo entre 1993 e 2000
O gráfico da figura 4.11 mostra a área da classe Não Urbano, em quilómetros
quadrados, que mudou para Urbano entre 1993 e 2000.
Figura 4.11. Gráfico de ganhos e perdas por classe entre 1993 e 2000
A figura 4.12 mostra a representação espacial da transição entre as duas classes
para o período de 1993 a 2000. O primeiro mostra as perdas da classe não urbano e
o segundo mapa os ganhos da classe urbano nesse período.
Figura 4.12. Mapa de perdas da classe não urbano entre 1993 e 2000
Modelação do crescimento urbano da província de Luanda
53
4.9 Alterações no uso do solo entre 2000 e 2008
Cerca de 580 quilómetros quadrados da classe não urbano passaram para a classe
urbano entre 2000 e 2008 (figura 4.13).
Figura 4.13. Gráfico de ganhos e perdas por classe entre 2000 e 2008
Do mesmo modo, a mudança ocorrida entre 2000 e 2008 no uso do solo pode ser
representado espacialmente na figura 4.14
Figura 4.14. Mapa de perdas da classe não urbano entre 2000 e 2008
Modelação do crescimento urbano da província de Luanda
54
4.10 Simulação do crescimento urbano
A simulação do crescimento urbano visa elaborar cenários de crescimento para a
província de Luanda nos próximos anos.
No caso da província de Luanda estamos perante um fenómeno territorial com
alguma complexidade, por se tratar do polo dinamizador da economia de Angola,
detendo mais de 70% do total da força de trabalho do país e por ser a região do país
que mais tem crescido em todos os sectores e particularmente aquela cuja
população cresceu de forma exponencial dado o êxodo de pessoas do interior para a
capital do país em busca de melhores oportunidades de vida. Luanda pode ser
considerado o paradigma da consequente concentração da população e do
crescimento exponencial da área urbana. Neste território o fenómeno de
urbanização ocorreu de forma casuística e aleatória, provocando grandes
desequilíbrios sócio económicos, ambientais e até mesmo políticos causados
principalmente por problemas de ordem estrutural e funcional que se devem ao
facto de a evolução económica e demográfica não ter sido acompanhada pelas
necessárias medidas de ordenamento do território.
A simulação teve como base o período em análise (1993 e 2008) e teve em conta
duas variáveis que podem ter estimulado o crescimento urbano, nomeadamente; a
distância à zona urbana e a distância aos eixos rodoviários em 1993, que foram
introduzidas ao modelo LCM do IDRISI Taiga. Primeiro fez-se a simulação de
2008 (figura 4.20), que depois de validada (figura 4.23) comparando-a com o mapa
real do uso do solo de 2008, foi aceite e usado para a previsão de 2040 (figura
4.24).
4.10.1 Modelação da transição 1993-2000
Para fazer uma previsão, é necessário criar um mapa do potencial de mudança da
superfície terrestre para cada transição. Estes mapas chamam-se mapas do potencial
de transição (transitional potential maps). A modelação das transições é feita no
separador Transition Potentials do IDRISI Taiga. Existem duas ferramentas para
fazer a modelação da transição: regressão logística e o perceptrão multi-camada.
Enquanto a primeira exige que as transições sejam modeladas em separado, o
perceptrão multi-camada permite fazer a modelação em grupos ou até de todas em
conjunto. Mas isso apenas é razoável se pudermos considerar que as variáveis que
foram responsáveis por essas transformações foram as mesmas para todas. Se assim
não for, terão de se manter em grupos separados as transições cujas variáveis
tenham uma caracterização diferente. Neste caso concreto só temos uma transição
(Não Urbano a Urbano), então podemos considerar que a mesma foi afetada pelas
mesmas variáveis, pelo que vamos englobar a transição num único modelo (figura
4.15).
Modelação do crescimento urbano da província de Luanda
55
Figura 4.15. Mapa que representa o potencial de transição da classe Não
Urbano a Urbano entre 1993 e 2000
As figuras 4.16 e 4.17 mostram os mapas das distâncias à zona urbana já existente
em 1993 e as distâncias aos eixos rodoviários em 1993, respetivamente, e
constituem duas variáveis que podem ter estimulado o crescimento urbano, porque
é lógico considerar que as novas zonas urbanas irão surgir junto às zonas urbanas
pré-existentes e próximo das vias rodoviárias, pelo que é oportuno estudar a relação
destas variáveis com a mudança ocorrida.
Figura 4.16. Mapa representativo das distâncias à zona urbana em 1993
Modelação do crescimento urbano da província de Luanda
56
Figura 4.17. Mapa representativo das distâncias aos eixos rodoviários em 1993
Para adicionar cada variável ao modelo verificou-se se de facto elas têm uma
grande correlação e forte poder preditivo (figura 4.18).
Após o teste e avaliação da correlação e do poder preditivo as duas variáveis foram
incluídas no modelo por apresentarem uma forte correlação: 0,897 para distância à
zona urbana e 0,4844 para a distância aos eixos rodoviários em 1993. Este último é
um valor relativamente baixo comparado com o primeiro, o que significa que existe
uma correlação pequena entre o crescimento urbano de Luanda e a distância aos
eixos rodoviários. As zonas urbanas de 1993 estimularam mais o crescimento
urbano do que as vias rodoviárias.
Figura 4.18. Indicadores da correlação e do poder preditivo das duas variáveis
Modelação do crescimento urbano da província de Luanda
57
Feito isso, chegamos ao último passo, que é a criação do modelo. Isso é feito em
Run Transition Sub-Model (figura 4.19) do painel Transition Potentials do IDRISI
Taiga.
Figura 4.19. Vista da execução do modelo de transição
Uma breve explicação sobre o funcionamento da ferramenta MLP.
O processo começa com a criação de dois conjuntos de amostras aleatórias: um
com pixéis que sofreram mudança nas transições do submodelo e outro com pixéis
que deveriam ter mudado mas efetivamente não mudaram. A ferramenta vai
estabelecer relações entre as transições em estudo e as variáveis inseridas, e vai
determinar para cada célula a probabilidade de sofrer mudança. Para cada pixel, faz
uma previsão com o primeiro conjunto de amostras e depois valida-a com o
segundo conjunto, ajustando depois o modelo, tornando a testá-lo, num processo
iterativo de aprendizagem. No final, devemos decidir se o resultado é aceitável, ou
se deve ser repetido com um parâmetro de treino diferente ou com um conjunto
diferente de amostras. Neste caso concreto, após 10000 iterações atingiu-se uma
Modelação do crescimento urbano da província de Luanda
58
precisão acima de 80%, isto é, 89,90% (ver figura 4.19). Se terminasse com menos
de 75%, teria que correr o modelo outra vez, mas neste caso carrega-se no botão
Create Transition Potential para criar o mapa que reflete o potencial de cada célula
para sofrer a mudança dessa transição. Isto termina a fase de modelação da
transição.
4.10.2 Simulação do crescimento urbano para 2008
A semelhança dos processos de classificação, o IDRISI Taiga dispõe de dois
métodos para fazer a previsão: hard e soft. O primeiro fornece no fim um mapa
com o resultado final atribuído a cada pixel, enquanto o segundo, normalmente
mais utilizado em estudos ambientais e de biodiversidade, fornece um mapa de
suscetibilidade à ocorrência da transição. A distinção entre uma previsão hard e
uma previsão soft é muito importante. Em qualquer momento, existem tipicamente
mais áreas com potencial de mudança do que as que vão efetivamente mudar.
Daqui resulta que a aceitação de um resultado hard não é mais do que a aceitação
de um resultado possível, entre muitos, e é muito reduzida a probabilidade de
acertarmos com o que aconteceu na realidade. Um mapa soft, pelo contrário,
mostra-nos a suscetibilidade de ocorrer mudança, sem na verdade fazer nenhuma
opção em relação às células que vão mudar. A obtenção dos dois mapas com
apenas um passo é aceitável se todas as variáveis não se alterarem com o tempo,
como acontece, por exemplo, com os declives ou com a distância aos rios. Mas o
mesmo já não acontece com a variável “distância a zona já urbanizada”: ela vai
variando a medida que as zonas já urbanizadas forem crescendo. Assim esta
variável tem carácter dinâmico. Em geral é melhor produzir previsões longas
incluindo estados intermédios, para permitir que as variáveis se vão ajustando. No
IDRISI Taiga não há limite para o número de variáveis dinâmicas que se pode
utilizar. Obtido o mapa da previsão de 2008 (figura 4.16), o passo seguinte é a
validação do mapa. Isso é feito no módulo Validation do painel Change Prediction
do IDRISI Taiga.
Modelação do crescimento urbano da província de Luanda
59
Figura 4.20. Mapa que representa a previsão do uso do solo em 2008
4.10.3 Validação do cenário de crescimento urbano de 2008
Esta etapa consiste em comparar o mapa que representa a previsão do uso do solo
de 2008 com o mapa que representa a situação real de 2008. De facto, houve uma
grande mudança em resultado do processo de transformação iniciado em 1993.
Figura 4.21. Matriz apresentada pelo algoritmo VALIDATE
Modelação do crescimento urbano da província de Luanda
60
Observando a célula na coluna Yours e na linha %Correct da figura 4.21, vê-se que
o grau de concordância é elevado, 85,32%, o que não condiz com a nossa
observação visual dos mapas. Para perceber melhor isso, carregamos no botão
More (figura 4.22).
Figura 4.22. Matriz completa apresentada pelo algoritmo VALIDATE
Como não se faz a análise estratificada, apenas existem dois tipos de discordância:
discordância na quantidade e discordância na localização. Em termos absolutos,
estes componentes são pequenos. Constata-se que a discordância na quantidade é
maior do que a discordância na localização e que a concordância é o componente
maior. Como só modelamos a transição da classe Não Urbano para Urbano, o mapa
ficou em grande parte na mesma. Daí o alto valor de concordância. A
funcionalidade VALIDATE avalia todo o mapa e não apenas um grupo específico
de transições. Para avaliarmos apenas um aspeto específico desta evolução, temos
que utilizar o painel VALIDATION do LCM. Esta ferramenta utiliza três input: o
mapa de 2000, a previsão de 2008 e o mapa da realidade de 2008 (figura 4.23).
Modelação do crescimento urbano da província de Luanda
61
Figura 4.23. Mapa que representa o processo de validação da previsão usando o painel VALIDATION do
LCM
Da figura 4.23, vemos que as células em que acertámos estão assinaladas a verde,
com o nome de Acerto. Neste caso significa que “em 2008, para as células que
pertenciam a classe Não Urbano a previsão apontou mudança para a classe Urbano
e a realidade confirma”. Os casos em que foi previsto acontecer alteração mas na
verdade não aconteceu, estão assinaladas como Falso alarme. Falha, significa os
casos em que se previu não haver alteração mas de facto ela ocorreu.
4.10.4 Simulação do crescimento urbano para 2040
Da figura 4.21, vemos que o valor de Kappa obtido na previsão do cenário de 2008
é igual a 0,7064 e está relacionado com a concordância em quantidade. Todavia, o
que valida o modelo é o do módulo VALIDATION do LCM. Sendo aceite, o modelo
pode ser utilizado para fazer a simulação de 2040.
A figura 4.24 mostra a previsão do uso do solo de Luanda para o ano 2040 obtida
utilizando o modelo abordado neste trabalho.
Modelação do crescimento urbano da província de Luanda
62
Figura 4.24. Mapa que representa a previsão do uso do solo em 2040
4.11 Impactos do crescimento urbano de Luanda
A expansão urbana está relacionada com o crescimento da população que pode ser
resultado do aumento da taxa de natalidade, da diminuição da taxa de mortalidade,
das migrações e fatores económicos como o emprego e a taxa de rendimento da
força de trabalho, da disponibilidade de serviços sociais e até mesmo do lazer.
Na última década a população de Luanda cresceu consideravelmente. Esse
crescimento foi estimulado a grosso modo por migrações das populações das
regiões do interior do país para a capital em busca de segurança e melhor realização
sócio económica. Fruto do fantasma da guerra as pessoas foram forçadas a adquirir
uma habitação alternativa na capital do país mesmo estando a viver em outras
localidades, precavendo-se de um eventual retorno do conflito armado no interior
do país como no passado recente. É claro que isso pressionou de forma significativa
o espaço urbano da província de Luanda. Outrossim, os interesses imobiliários que
emergiram após o fim do conflito armado têm contribuído também para a rápida
expansão urbana da cidade, senão vejamos: atualmente, fruto do custo de vida,
Modelação do crescimento urbano da província de Luanda
63
assiste-se a uma tendência de deslocalização das pessoas das tradicionais áreas
urbanas para as novas, pressionadas pela necessidade de realização sócio
económica. As pessoas tendem a vender os seus imóveis para construir novas
residências em novas áreas ainda não habitadas onde teoricamente a vida é mais
barata não obstante a falta de quase tudo, desde a água potável, saneamento básico,
energia elétrica, condições de segurança, estradas, entre outros, o que tem
aumentado significativamente as áreas construídas. Quase diariamente assiste-se ao
surgimento de um novo “musseque” nos arredores de Luanda, geralmente sem o
conhecimento das autoridades competentes. Luanda é hoje considerada “a nossa
casa comum”, porém com problemas comuns.
A expansão “desordenada“ do casco urbano da província de Luanda resultou na
precariedade da qualidade de vida na região. Todos os citadinos vivem e sentem os
problemas resultantes desta expansão, embora de maneiras diferentes. Citando
alguns exemplos, existem problemas no fornecimento de água potável e energia
elétrica aos citadinos, mesmo até nos condomínios onde era suposto isso não
ocorrer. Às vezes as linhas de abastecimento de água e energia elétrica são
sabotadas ou marginalizadas, não por simples prazer, mas para beneficiar do
precioso líquido e da luz, uma vez que não existem linhas de abastecimento nas
áreas urbanas emergentes. As restrições no fornecimento são quase frequentes nas
áreas urbanas tradicionais o que torna os fatores de produção dos mais caros do
mundo e como não podia deixar de ser, torna a cidade de Luanda a mais cara do
mundo, perdendo apenas para a cidade japonesa de Tóquio.
O trânsito caótico em Luanda pode já se considerar uma “marca”. Mesmo aqueles
que supostamente têm um nível de vida superior do ponto de vista do rendimento e
das posses, não escapam deste “flagelo”, que contribui significativamente para a
baixa qualidade de vida dos cidadãos. Outra consequência do crescimento
“desordenado” da cidade é a criminalidade e o saneamento básico. Esse fenómeno
ocorre em maior grau nas novas áreas urbanas caracterizado por existência de becos
em vez das ruas convencionais e que às vezes dificulta o acesso da polícia nestas
localidades. Quando não há beco, há uma rua inundada ou com uma lixeira que
condiciona o trânsito automóvel e nalguns casos mesmo a pé.
Outro fenómeno que tem caracterizado a expansão urbana de Luanda é a
informalização da economia com fortes prejuízos para a economia nacional.
Geralmente, as pessoas que vivem nas áreas urbanas emergentes compram e
vendem em mercados não convencionais, chamados praças, ou pracinhas quando se
trata de um mercado mais pequeno comparado com o primeiro. Em resumo, falar
das implicações da expansão urbana de Luanda necessitaria de um trabalho de
dissertação por si só.
Para terminar, há a ressaltar também alguns aspetos positivos da expansão urbana
quando ela ocorre de forma orientada e controlada pelas autoridades competentes.
Tal é o caso das novas centralidades que tem estado a surgir em Luanda,
Modelação do crescimento urbano da província de Luanda
64
construídos dentro dos padrões técnica e cientificamente aceites, contrariamente
aos musseques. Destaque para a centralidade de Talatona, o projeto Nova Vida, a
Nova Cidade de Cacuaco e a cidade de Kilamba.
4.12 Avaliação do crescimento urbano nas reservas fundiárias
O desenvolvimento assimétrico do território nacional associado ao conflito armado
que ocorreu nas décadas 80 e 90 constituíram as principais causas do crescimento
desordenado das áreas urbanas e periurbanas das principais cidades de Angola com
consequências gravosas sobre as condições de salubridade e da qualidade de vida
das populações. Este fenómeno, assume especial incidência na província de
Luanda. O atual contexto de paz consolidada, de reconstrução nacional, e em que a
economia angolana está em franco desenvolvimento, refletido no bom desempenho
dos indicadores macroeconómicos, propicia a grande oportunidade para o governo
orientar a sua ação para a redução das assimetrias sociais, sendo a mais preocupante
das inadequações, o número ainda considerável de famílias pobres.
Estando o governo a implementar a estratégia global para o combate à fome e a
redução da pobreza no país, o lançamento do PNUH teve como objetivo contribuir
sobremaneira na consecução deste grande objetivo estratégico, tendo em conta a
sua capacidade de criação de oportunidades de acesso ao emprego por maior
número de cidadãos, sobretudo nas zonas urbanas.
Uma das condições fundamentais para o exercício pleno da cidadania é o acesso à
habitação. Para garantir esse acesso o governo adotou a política de fomento
habitacional através do PNUH, de modo a promover a qualificação do espaço
territorial nacional e diminuir o défice de habitações como componente importante
do processo de desenvolvimento económico e social do país direcionado a melhoria
da qualidade de vida dos angolanos.
Considerando os grandes desafios de valorização da componente habitacional e as
opções prioritárias da política social, o governo assumiu o compromisso de
promover a construção de 1.000.000 de fogos habitacionais, em todo país,
envolvendo o sector público e privado, as cooperativas e as comunidades durante o
período de 2009-2012.
Este programa está estruturado com base nos objetivos específicos prioritários,
refletindo os principais anseios dos diversos estratos da sociedade angolana, face à
problemática habitacional, com ênfase no atendimento dos cidadãos mais
vulneráveis e mais necessitados socialmente tais como os antigos combatentes, a
juventude, as populações que vivem em áreas de risco, integrando maioritariamente
as classes de renda média e baixa.
Dada a importância e pertinência do assunto, foi introduzida esta seção neste
trabalho investigativo para usar os recursos tecnológicos e as potencialidades do
Modelação do crescimento urbano da província de Luanda
65
geoprocessamento para saber até que ponto os vetores de crescimento urbano da
província de Luanda apontam para as RF de Luanda definidas e aprovadas no
âmbito do PNUH.
Da tabela 4.9 constata-se que o espaço territorial das RF em 1993 ocupava cerca de
1.310,88 Km2 e estava intacto, sem qualquer intervenção do ponto de vista de
urbanização. De 1993 a 2000, 0,67% das RF sofreram alguma intervenção como
resultado da urbanização de parte da RF da Nova Cidade de Luanda, isto é, dos
1.253,81 Km2 que constituem a RF para a Nova Cidade de Luanda, 8,37 Km
2
passaram para a zona urbana como resultado da construção de diversos imóveis.
Em 2008, dos 1.310,88 Km2 das RF foram intervencionados 387,27 Km
2 (29,54%
da área total das RF).
RESERVA
FUNDIÁRIA
ÁREA ÁREA URBANIZADA
TOTAL 1993 2000 2008 2040
(Km2) (Km
2) % (Km
2) % (Km
2) % (Km
2) %
Nova Cidade de Luanda 1.253,81 0,00 0,00 8,37 0,67 370,55 29,55 528,03 42,11
Nova Cidade de Cacuaco 33,91 0,00 0,00 0,00 0,00 16,72 49,30 33,91 100,00
Musseque Capari 23,16 0,00 0,00 0,00 0,00 0,00 0,00 6,63 28,62
TOTAL 1.310,88 0,00 0,00 8,37 0,64 387,27 29,54 568,58 43,37
Tabela 4.9 - Impacto do crescimento urbano nas RF
A figura 4.25 mostra a simulação urbana para 2040 e as três RF em Luanda.
Podemos constatar que a expansão da cidade será feita na direção Sudeste e
Nordeste e abrangerá as RF. Segundo a previsão 568,58 Km2 das RF estará
urbanizada o que corresponde a 43,37% da área total das RF.
Modelação do crescimento urbano da província de Luanda
66
Figura 4.25. Simulação urbana de 2040 e reservas fundiárias
4.13 Resultados e conclusões
O mapeamento do uso do solo é eficaz como etapa preliminar para a delimitação da
mancha urbana resultante do fenómeno de expansão urbana. Isso reduz esforços e
evita análises desnecessárias em áreas de baixo potencial de ocupação. Outrossim,
pode ser usada uma metodologia simplificada que trabalhe com o cruzamento de
dados de várias fontes. Neste caso, a principal fonte de dados foram as cenas
Landsat 5 TM mas em geral poderiam ser utilizados dados do acervo das
administrações municipais se estivessem disponíveis.
Embora o geoprocessamento que gerou o presente trabalho tenha como aplicação o
mapeamento do uso do solo da província de Luanda, a metodologia apresentada
pode ser empregada em outras cidades com características diversas, apenas estando
limitada a disponibilidade de informações acerca da morfologia urbana ao longo do
tempo.
Com a aplicação da metodologia foram mapeados 1.328,97 km² de áreas não
urbanas sujeita à ocupação futura e 1.113,62 Km2
(45,59% da área total) de áreas já
construídas que delimitam a mancha urbana da província de Luanda (Tabela 4.10).
Modelação do crescimento urbano da província de Luanda
67
O IDRISI Taiga mostrou ser uma boa ferramenta para estudos dessa natureza.
Como o objetivo deste trabalho é avaliar apenas as mudanças ocorridas na mancha
(Não Urbano para Urbano) o modelo LCM foi utilizado sem qualquer
complexidade. O mesmo não aconteceria se fosse necessário fazer uma
caracterização dos diferentes tipos de classes dentro da zona urbana, ou seja, zona
residencial, zona comercial, zona industrial, etc.
MUDANÇA NO USO DO SOLO
1993 2000 2008
CLASSE Km2 % Km
2 % Km
2 %
Urbano 293,87 12,03 533,62 21,85 1.113,62 45,59
Não Urbano 2.148,72 87,97 1.908,97 78,15 1.328,97 54,41
Total 2.442,60 100,00 2.442,60 100,00 2.442,60 100,00
Tabela 4.10 - Quantificação do uso do solo de Luanda entre 1993 e 2008
Em relação a expansão urbana em Luanda, constata-se que entre 1993 e 2008 a área
urbana cresceu cerca de 278.95%, passando de 293.87 Km2 em 1993 para 1,113.62
Km2 em 2008, quase três vezes mais o que evidencia claramente a grande expansão
da mancha urbana da província de Luanda (tabela 4.10).
Relativamente aos resultados apurados, nos mapas do uso do solo de 1993, 2000 e
2008 (figuras 4.8, 4.9 e 4.10 respetivamente), pode observar-se: o resultado é
coerente com a evolução da mancha urbana no período analisado, prevê-se que esta
dinâmica de crescimento sofra um abrandamento apesar de se esperar um
crescimento de cerca de 32,17% entre 2008 e 2040, passando a área urbana de
1.113,62 Km2
em 2008 para 1471,88 Km2 em 2040, se as condições que
estimularam o crescimento urbano no período analisado se mantiverem.
O crescimento da área urbana de 1993 a 2000 foi de 81% ao passo que no período
de 2000 a 2008 foi de 108,69%. O maior crescimento registado entre 2000 e 2008
pode ter sido resultado do fim do conflito armado em 2002, porque muitas pessoas
que viviam na matas, horrorizadas pela guerra mais não esperaram em se fixar em
zonas mais seguras e é claro que Luanda é até certo ponto considerado o lugar mais
seguro quando comparado com outras localidades do país. De realçar que Luanda é
das poucas cidades que nunca conheceu a ocupação de forças estranhas ao poder
político estabelecido.
Modelação do crescimento urbano da província de Luanda
68
5. CONSIDERAÇÕES FINAIS
5.1 Comentários
A deteção remota constitui um meio poderoso para uma gestão mais eficiente do
espaço urbano. Ela oferece uma visão generalizada do ambiente urbano. Com a
nova geração de satélites com alta resolução espacial e radiométrica, não se dúvida
que a breve trecho as imagens de alta resolução substituam sem qualquer limitação
as fotografias aéreas.
Por outro lado, o facto das imagens de satélite permitirem a repetição de
recobrimento por um lado, e o custo relativamente inferior comparado com as
fotografias aéreas por outro, é determinante para monitorar os processos de caráter
sistemático.
Porém, é importante frisar que as imagens de satélites, não podem solucionar todos
os problemas de mapeamento e levantamento de informações no nível intraurbano,
sobretudo no que se refere a cadastros urbanos. Nem mesmo as imagens de alta
resolução espacial conseguem fornecer informações confiáveis para certos fins,
pelo que ainda não podemos prescindir das fotografias aéreas para fins de estudos
urbanos mais detalhados.
Em termos conclusivos, podemos afirmar que a evolução que tem ocorrido nas
tecnologias de informação e telecomunicações, associadas a uma velocidade sem
precedentes no fluxo de informações, levam-nos a reconhecer o papel
preponderante das geotecnologias para a planificação e gestão do território, e fazer
conjeturas das tendências futuras neste domínio:
- Uso de tecnologias de ponta em dados de diferentes sensores e de
ferramentas avançadas de análise espacial.
- Utilização de modelos tridimensionais dinâmicos integrados.
- Utilização da realidade virtual no planeamento participativo.
- Uso de dados de deteção remota com maior resolução espacial, temporal e
radiométrica.
- Possibilidade do uso de meios aéreos não tripulados para o monitorar
ambientes urbanos.
- Existência de sistemas cada vez mais sofisticados de análise orientada a
objeto para a interpretação automática de imagens de satélite.
Modelação do crescimento urbano da província de Luanda
69
5.2 Limitações
Não fosse a indisponibilidade de imagens de satélite recentes (ano 2011 ou 2012),
seria mais interessante aferir a expansão urbana até 2012 ou pelo menos finais de
2011, todavia, a razão já evocada não o permitiu, o que podemos considerar uma
das limitações deste trabalho. Seria também interessante incluir no modelo o mapa
de declives da área de estudo, porém por falta desta informação não foi possível,
sendo mais uma limitação do trabalho. Outra limitação é facto de não terem sido
usadas imagens de alta resolução espacial ou fotografias aéreas por não estarem
disponíveis.
Por outro lado, sendo os modelos de LUCC a abstração de fenómenos reais que
concorrem para a mudança da cobertura do solo, podem não ser capazes de capturar
todos os elementos que provocam as mudanças, por isso, as projeções para o futuro
devem ser utilizadas com algum cuidado, mesmo porque geralmente as variáveis ou
fenómenos que provocaram às mudanças passadas podem não se repetir no futuro.
O cenário de crescimento urbano, é apenas uma possibilidade, pelo que deve ser
utilizado com precaução.
5.3 Recomendações
Para o GPL, recomenda-se:
- Dotar as Administrações Municipais com capacidade técnica e humana
para avaliar as mudanças que têm ocorrido na mancha urbana dos
municípios para melhor planificação e ordenamento do território sob sua
jurisdição.
- Desenhar e/ou projetar o crescimento urbano dos municípios considerando
as variáveis que podem estimular esse crescimento e as restrições de ordem
física e legislativa de modo a promover uma expansão planificada, ordenada
e equilibrada que proporcione o desenvolvimento sustentado dos
municípios.
Modelação do crescimento urbano da província de Luanda
70
REFERÊNCIAS BLIOGRAFICAS
ALIG, R. J. - Econometric analysis of the factors influencing forest acreage trends in the
southeast, Forest Science, 32, (1986) pp. 119-134.
ALMEIDA, C. M., - Modelagem da dinâmica espacial como uma ferramenta auxiliar ao
planejamento: simulação de mudanças de uso do solo em áreas urbanas para as cidades de
Bauru e Piracaciba (SP), Brasil. 2004. p 321. (INPE-10567-TDI/942/A). Tese (Doutorado
em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, São José dos
Campos. 2004.
AMARAL, S., MONTEIRO, A. M., CÂMARA, G., QUINTANILHA, J. A DMSP/OLS -
Night-Time Light Imagery and Urban Population Estimates in the Brazilian Amazon.
International Journal of Remote Sensing, v. 27, n. 5, 2006, p. 855-70.
BATTY, M. e LONGLEY, P. - Urban modeling in computer-graphic and geographic
information system environments. Environment and Planning B, 19 (1994), pp. 663-688.
BATTY, M. e XIE, A. (1994), «From Cells to Cities», in Environment and Planning B,
21, 531-548.
BATTY, M. et al. (1999), «Modelling urban dynamics through GIS-based cellular
automata», in Computer, Environment and Urban Systems, 23, 205–233.
BENATI S. (1997), - “A cellular automaton for the simulation of competitive location”.
Environment and Planning B, 24: 205-218.
BOCKSTAEL et al. - Ecological economic modeling and valuation of ecosystems,
Ecological Economics, 14, (1995) pp. 73-90.
BURCHELL, R. W. - Economic and fiscal impacts of alternative land-use patterns, In S,
Batie (Ed.), The land use decision making process: its role in a sustainable future for
Michigan, January 9-10, Michigan State University Extension, East Lansing, Michigan,
(1996).
CÂMARA, G. et al. (1996). - Anatomia de Sistemas de Informação Geográfica:
Geoprocessamento. Introdução. Campinas: Instituto de Computação - Unicamp.
CARVALHO, L. - Mapping and monitoring forest remnts: a multi-scale analysis of
spatio-temporal data. 2001.
CHUVIECO, E. - Fundamentos de teledection espacial. Madrid: Unigraf, 1990. 453p,
Clark Labs, Clark University. IDRISI Andes – version 15.01. Worcester, MA – USA.
CLARKE e GAYDOS, - Loose-coupling a cellular automata model and GIS: long-term
urban growth prediction for San Francisco and Washington/Baltimore. International
Journal of Geographical Information Science, 12, (1998) pp. 699 – 714.
Modelação do crescimento urbano da província de Luanda
71
CLARKE et al. - A self-modifying cellular automaton model of historical urbanization in
the San Francisco Bay area. Environment and Planning B: Planning and Design, 24,
(1997) pp. 247 – 261.
CONGALTON, R.G. - A review of assessing the accuracy classificatons of remotely
sensed data. Remote Sensing Environment, v. 37, p.35-46, 1991.
COUCLELIS - From cellular automata to urban models: new principles for model
development and implementation. Environment and Planning B: Planning e Design, 24,
(1997) pp. 165 – 174.
DALE et al. - Causes and effects of land use change in Central Rondonia, Brazil.
Photogrammetric Engineering and Remote Sensing, 59(6), (1993) pp. 97-105.
DEKONING et al. - Multi-scale modelling of land use change dynamics in Ecuador.
Agricultural Systems, 61, 1999: pp. 77 – 93.
FIDALGO, E. C.C. - Exatidão no processo de mapeamento temático da vegetação de uma
área de mata atlântica no estado de São Paulo, a partir de imagens TM-Landsat. 1995. pp.
186. (INPE-5944-TDI/570).
FORSTER, B.C. An examination of some problems and solutions in urban monitoring
from satellite platforms. International Journal of Remote Sensing, 6(1): pp.139-151,
1985.
GONZALES, R. C., WOODS, R. E. - Processamento de Imagens Digitais. São Paulo:
Edgard Blücher Ltda., 2000. pp. 527.
GONZÁLEZ , O. R., 2001. - Assessing Vegetation and land Cover Changes in
Northeastern Puerto Rico: 1978-1995. Caribbean Journal of Science, 37, pp. 95-106.
GOODCHILD e LONGLEY - Geographical Information Systems – Volume 1, 2ª ed., John
Wiley e Sons, INC., New York, (1999)p. 580.
HAOBO, L., WANG, J., LIU, S., QU, Y. e WAN, H., 2005, - Studies on Urban Areas
Extraction From Landsat TM Images. IEEE Transactions on Geoscience and Remote
Sensing.
HATHOUT, S. - Land use change analysis and prediction of the suburban corridor of
Winnipeg, Manitoba, Journal of Environmental Management, 27, (1988) pp. 325-335.
HAYKIN, S. - Neural networks – a comprehensive foundation. Ed. Tom Robbins, 2. New
Jersey: Prentice Hall, 1999. 842p.
HIGASHI, A. R. - Metodologia de uso e ocupação dos solos de cidades costeiras
brasileiras através de SIG com base no comportamento geotécnico e ambiental.
Florianópolis, 2006. Tese (Doutorado). Universidade Federal de Santa Catarina. Programa
de Pós-Graduação em Engenharia Civil.
Modelação do crescimento urbano da província de Luanda
72
HOLBEN,B.N., - Characteristics of maximum-value composite images from temporal
AVRHH data. International Journal of Remote Sensing.v.7,n.11,p.1417-1434, 1986.
HOUGHTON, R. A.- The world-wide extend of land use change, Bioscience, 44(5), (1994)
pp. 305-313.
IRWIN, E.; GEOGHEGAN, J. (2001), “Theory, Data, Methods: Developing Spatially
Explicit Economic Models Of Land Use Change”, Agriculture, Ecosystems &
Environment, 85 (1-3): 7-23.
JENSEN et al. - Inland wetland change detection in the Everglades water conservation
area A using a time series of normalized remotely sensed data. Photogrammetric
Engineering and Remote Sensing, 61, (1995) pp. 199 – 209.
JENSEN, J. R., COWEN, D. C. - Remote sensing of urban/suburban infrastructure socio-
economic attributes. Photogrammetric Engineering and Remote Sensing, v. 65, n. 5, p,
611-622. Maio 1999.
JOTHIMANI, P., 1997. - Operational Urban Sprawl Monitoring using Satellite Remote
Sensing: Excerts from the Studies of Ahmedabad, Vadodara and Surat, India.18th Asian
Conference on RemoteSensing (ACRS) (Malaysia: Asian Association on Remote
Sensing), (URL:http://www.gisdevelopment.net/aars/acrs/1997/ts8/ts8005pf.htm,
consultado em 19 de Abril de 2012, sem paginação).
LAMBIN, E. - Modelling and monitoring land cover change processes in tropical regions,
Progress in Physical Geography, 21, (1997) pp. 375-393.
LANDIS, J.R.; KOCH, G.G. - The measurement of observer agreement for categorial
data, Biometrics, v. 33, p. 159-154, 1977.
LI, X. e YEH, A. - Neural-network-based cellular automata for simulating multiple land
use changes using GIS, International Journal of Geographical Information Science,
16(4), (2002) pp. 323-343.
LI, X. e YEH, A. G.O. - Modelling sustainable urban development by the integration of
constrained cellular automata and GIS. International Journal of Geographical
Information Science, 14, (2000) pp. 131 – 152.
LI, X. e YEH, A. G.O. - Principal component analysis of stacked multi-temporal images
for the monitoring of rapid urban expansion in the Pearl River Delta. International
Journal of Remote Sensing, 19, (1998) pp. 1501 – 1518.
LILLESAND, T.M.; KIEFER, R.W., CHIPAN, J.W. - Remote sensing and interpretation.
5ed. Madison: Wiley, 2004. 763p.
LU, S., SHEN, X. e ZOU, L., 2006. - Land cover change in Ningbo and its surrounding
area of Zhejiang Province, 1987~2000. Journal of Zhejiang University SCIENCE, pp.
1862-1775.
Modelação do crescimento urbano da província de Luanda
73
MACHADO, A., 2005. - Desenvolvimento metodológico para actualização da cartografia
CORINE Land Cover simplificada com base em análise de imagens orientada por objectos,
Tese de mestrado, ISEGI-UNL.
MACHADO, J. et al. (1997), «Os Planos Directores Municipais da Área Metropolitana de
Lisboa. Emergência de uma futura base de dados para um novo planeamento regional», in
Proceedings do ESIG/97, Junho, Lisboa (polic.).
MEDLEY et al. - Landscape Change with agricultural intensification in a rural watershed,
Southwest Ohio, USA Landscape Ecology, 10(3), (1995) pp. 161-176.
MERTENS, B. e LAMBIN, E. F. - Land cover-change trajectories in Southern
Cameroon. Annals of the Association of American Geographers, 93, (2000) pp. 467 –
494.
NUNES, A., NUNES, V. e CAETANO, M., 2007. - Utilização de imagens de satélite para
produção de mapas multiescala de cortes e novas plantações florestais. V Conferência
Nacional de Cartografia e Geodesia, Lidel, Lisboa, 197-206.
O´HARA, C.; KING, J.; CARTWRIGHT, J. e KING, R., 2003. - Multitemporal Land Use
and Land Cover Classification of Urbanized Areas Within Sensitive Coastal Environments,
IEEE Transactions on Geoscience and Remote Sensing, 40, 9, pp. 2005-2014.
OPENSHAW, S.; CLARKE, G. - Developing spatial analysis functions relevant to GIS
environments. In: M. Fischer, H. J. Scholten. e D. Unwin (Eds.). Spatial analytical
perspectives on GIS, Tayler and Francis, London, (1996) pp. 21 – 37.
POLIDORI, M. C. (2004). - Crescimento urbano e ambiente – Um estudo exploratório
sobre as transformações e o futuro da cidade. Tese de Doutorado. Porto Alegre: UFRGS
– PPGECO. 352 p.
PONTIUS, R. e CHEN, H., (2006). - GEOMOD Modeling - Land-Use and Cover Change
Modeling. (Clark University).
PONTIUS, R. G. - Quantification error versus location error in comparison of categorical
maps, Photogrametric engineering & remote sensing, 66(8), 1011-1016 (2000).
PORTUGALI, J., BENENSON, I. (1995), - “Artificial planning experience by means of a
heuristic cell-space model: simulating international migration and the urban process”.
Environment and Planning A, 27: 1647-1665.
RAOSOFT, 2004, Raosoft Sample Size Calculator (URL:
ww.raosoft.com/samplesize.html, consultado em 16 de Fevereiro 2012).
RICHARDS, J. - Land transformation, In B. L. Turner (Ed.), Earth as transformed by
human action: global and regional changes in the biosphere over the past 300 years (pp,
713), Cambridge University Press with Clark University Press, Cambridge, New York
(1990).
Modelação do crescimento urbano da província de Luanda
74
RICHARDS, J.A. e Jia, X., (2006). - Remote Sensing Digital Image Analysis: An
introduction, 4th Ed.,(London: Springer), p.439.
ROCHA, J.; FERREIRA, J. C.; TENEDÓRIO, J. A.; ENCARNAÇÃO, S. – “Land Use
Evolution Patterns on Developed Coastal Áreas: Fuzzy Data Integration Through Neural
Network and Cellular Automata Modelling”, ecTQG05, 14th European Colloquium on
Theoretical and Quantitative Geography, Tomar, Portugal (2005).
ROCHA, J.; FERREIRA, J.C.; SIMÕES, J.; TENEDORIO,J. - Modelling Coastal and
Land Use Evolution Patterns through Neural Network and Cellular Automata Integration
in Journal of Coastal Research, Gold Coast – Austrália (em publicação).
SANDERS, L., PUMAIN D., MATHIAN, H. (1997). - “SIMPOP: a multiagent for the
study of urbanism”. Environment and Planning B, 24: 278-305.
SANTOS, T. A. G., (2003). - Actualização de Cartografia Temática com Imagens de
Satélite, Tese de mestrado, Universidade Técnica de Lisboa.
SEMBOLONI, F. (1997). - “An urban and regional model based on cellular automata”
Environment and Planning B, 24: 589-612.
SETO, K.C., WOODCOCK, C.E, SONG, C., HUANG, X., LU, J. e KAUFMANN, R.K.,
(2002). - Monitoring landuse change in the Pearl River Delta using Landsat TM,
International Journal of Remote Sensing, 23, 10, pp. 1985-2004.
SILVA, J. G. - A forma urbana em pelotas: Evolução morfológica e análises espaciais:
Relatório final de Pesquisa. Pelotas, 2004. Universidade Federal de Pelotas. Faculdade de
Arquitetura e Urbanismo. Núcleo de estudo em arquitetura e urbanismo.
STEINER, F. R. e OSTERMAN, D. A. - Landscape planning: a working method applied
to a case study of soil conservation. Landscape Ecology, 1(4), (1988) pp. 213-226.
THEOBALD, D. M. E HOBBS, N. T. - Forecasting rural land-use change: a comparison
of regression and spatial transition-based models. Geographical and Environmental
Modeling, 21(1), (1998) pp. 65-82.
THEOBALD, D. M.; MILLER, J. M. e HOBBES, N. T. (1997). - Estimating the
cumulative effects of development on wildlife habitat. Landscape and Urban Planning, 39,
pp, 25-36.
TUCKER, R.M. - Geoestatistical description of texture on na aerial photograph for
discriminating classes of land cover. International Journal of Remote Sensing, v.8. n.2.
1979, p.127-150.
WARD, D. P. et al. - A stochastically constrained cellular model of urban growth.
Computers,Environment and Urban Systems, 24, (2000) 539 – 558.
WHITE, R. e ENGELEN, G. - Cellular automata and fractal urban form: a cellular
modeling approach to the evolution of urban land use patterns. Environment and
Planning A, 25, (1993) pp. 1175 – 1199.
Modelação do crescimento urbano da província de Luanda
75
WHITE, R. e ENGELEN, G. - Cellular Automata as the Basis of Integrated Dynamic
Regional Modelling. Environment and Planning B: 24, (1997) pp. 235 – 246.
WHITE, R. et al. - The use of constrained cellular automata for high-resolution modeling
of urban land use dynamics. Environment and Planning: Planning and Design 24, (1997)
pp. 323 – 343.
WU, F. (1998), - «An experiment on the generic polycentricity of urban growth in a
cellular automatic city», in Environment and Planning B, 25, 103–126.
WU, F. e WEBSTER, C. J. - Simulating artificial cities in a GIS enviorment: urban growth
under alternative regulation regimes. International Journal of Geographical Information
Science, 14, (2000) pp. 625 – 648.
XIA e YEH - Neural-network-based cellular automata for simulating multiple land use
changes using GIS. International Journal of Geographical Information Science,Vol. 14,
nº 6, (2002) pp. 323-343.
YANG, X. e LIU, Z., (2005). - Using satellite imagery and GIS for land-use and land-
cover change mapping in an estuarine watershed. International Journal of Remote
Sensing, 26, 23, pp. 5275-5296.
ZAHN, C. E. - O processo de urbanização: características e evolução. In: Bruna, G. (org).
Questões de organização do espaço regional. São Paulo: Nobel, 1983.