modelaÇÃo do crescimento urbano da provÍncia de … · período de 1993 a 2008, simular e...

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


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.


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»)


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.


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.


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.


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…


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.


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


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


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.


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


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.


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).


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.


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)


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.


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


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


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.


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.


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?


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


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:


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


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).


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


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.


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)


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.


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.:


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.


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.


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


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


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.


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.


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


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


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.


41

Figura 4.5. Amostras de treino referentes as classificações de 1993, 2000 e 2008 respetivamente


42

Figura 4.6. Mapas do uso do solo de Luanda (nível 1) referentes a 1993, 2000 e 2008 respetivamente


43

Figura 4.7. Mapas do uso do solo de Luanda (nível 2) referentes a 1993, 2000 e 2008 respetivamente


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:


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


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%


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).


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.


49

Figura 4.8. Mapa do uso do solo de Luanda em 1993


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.


50



51


Procedimentos semelhantes aos anteriores resultaram no mapa do uso do solo de

2008 (figura 4.10).



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


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


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).


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


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


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


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.


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


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).


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.


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,


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,


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


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.


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).


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.


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.


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.


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.


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.


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.


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).


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.


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.

modelaÇÃo do crescimento urbano da provÍncia de … · período de 1993 a 2008, simular e...

Documents