Upload
internet
View
102
Download
0
Embed Size (px)
Citation preview
Modelagem de Mudanças de Uso e Cobertura da Terra
Ciclo de Seminários de Modelagem de Processos – OBT
12 de novembro de 2002
Ana Paula Dutra de Aguiar
Objetivo da apresentação Apresentar visão geral sobre objetivos e tipos de Modelos de
Mudanças de Uso e Cobertura da Terra (Land Use and Cover Change - LUCC), de modo a prover subsídios para discussão sobre modelagem LUCC na OBT.
Roteiro
Introdução Parte I – Visão geral de modelagem LUCC Parte II – Exemplos de modelos LUCC Conclusão
IntroduçãoConceitos básicos
Motivação para o estudo de mudanças LUCC
Entendimento sobre causas de mudanças
Cobertura e Uso da Terra
Cobertura: Estado físico, químico e
biológico da superfície da Terra;
Exemplos: floresta, gramínea, área construída.
Interesse das ciências naturais.
Uso: Emprego da terra pelo
homem (propósitos humanos);
Exemplos: reserva indígena, pecuária, área residencial.
Interesse das ciências sociais.
Tipos de mudanças: conversão e modificação (e.g., intensificação de sistema agrícola; alteração na biomassa da vegetação.
Analysis of Land Use Change: Theoretical and Modeling Approaches - Helen Briassoulis, Ph.D. http://www.rri.wvu.edu/WebBook/Briassoulis/chapter1(introduction).htm#1.3
Interações entre mudanças de cobertura e uso Mudanças de uso podem influenciar
a cobertura de três maneiras: Convertendo a cobertura; Modificando a sua função,
estrutura ou características, sem ocasionar uma mudança de tipo (e.g., intensificação);
Ou mantendo a cobertura, contra agentes naturais de mudança.
Para entender mudanças, somente classificação da cobertura não é suficiente; é necessário entender sua função (uso) e agentes envolvidos.
Motivação Mudanças de Uso e Cobertura podem
influenciar: Ciclo de carbono -> Mudanças
Climáticas (global) Ciclo hidrológico -> Mudanças
Climáticas (regional) Biodiversidade Susceptibilidade ao Fogo Populações Perda de solo
Processo de Mudanças Climáticas poderá influenciar sistemas Naturais e Humanos (incluindo dinâmica de Uso da Terra) de diversas formas.
Efeitos globais, regionais e locais
Entendimento atual sobre “causas” Não restrito a um fator (“driver”), como aumento populacional ou contrução
de estradas: Entende-se atualmente que as respostas individuais e sociais seguem mudanças
nas condições econômicas e políticas, mediadas por fatores institucionais locais, criando diferentes caminhos de mudanças.
Combinação de causas imediatas e subjacentes em diferentes contextos históricos e geográficos.
•Lambin e Geist, 2002 •The causes of land-use and land-cover change: moving beyond the miths. Lambin et alii, Global Env. Change 11 (2001) : 261-269.•Proximate causes and Underlying Forces of Tropical Deforestation. Geist e Lambin. BioScience, vol. 52, no.2, Feb. 2002.
Causas imediatas e subjacentes
Mudança de uso/cobertura
Agentes: variáveis de escolha
Características dos diferentes Agentes e
parâmetros de decisãoCausas imediatas
Variáveis macro e instrumentos de políticas públicas
Alocação de capital (e.g., o que, quanto e onde)Consumo Decisões gerenciais
Objetivos e preferênciasAtributos culturaisAcessabilidade, tecnologia disponívelPreço dos insumos e dos produtosCaracterísticas ambientaisCusto e disponibilidade de mão de obra
Preço/ demanda mercado internacionalPolíticas governamentais (e.g., programas de crédito), Macro-economia,, Demografia
Causas subjacentes
Instituições TecnologiaMercadosInfra-estrutura
Fonte: adaptado de Kaimowitz e Angelsen, 1998.
Heterogeneidade espacial
•BECKER, B. Cenários de Curto Prazo para o Desenvolvimento da Amazônia. Cadernos IPPUR, rio de Janeiro, Ano XIV, no 1, p. 53-85, Jan/Jul 2000.•BECKER, B. Revisão das Políticas de Ocupação da Amazônia: é possível identificar modelos para projetar cenários?, Número 12, Setembro 2001, p.135-159.
Contextos históricos e geográficos: Várias interações entre o homem e o ambiente reformulam os impactos de drivers diferentemente, levando a diferentes caminhos no processo de mudança do uso.
Heterogeneidade espacial, temporal e escala de análise
Processo não pode ser facilmente generalizado, sendo necessário:
Rede de estudos de caso que representem a heterogeneidade espacial de uma região;
Abordagem multi-escala, que permita a ligação entre a dinâmica regional e local, pois drivers não são generalizáveis ou aplicáveis de uma escala para outra:
Exemplo: na escala local (propriedade) acessabilidade e variáveis sociais podem ser as mais relevantes; na escala da paisagem, potencial agro-climático e topografia; regional ou nacional, fatores macro-econômicos, demográficos e climáticos.
Abordagem multi-temporal, pois escala de tempo analisada também influencia relação entre fatores e mudanças (e.g., impacto do aumento populacional em um século versus 5 anos);
Parte I - Visão Geral sobre Modelagem LUCC
Objetivos e dificuldades
Histórico
Situação atual e tendências
Perspectivas de entendimento Perspectivas de entendimento
de processos de mudança: Narrativa: entendimento profundo
através de detalhes históricos; Baseada em agentes:
entendimento das decisões individuais;
Sistêmica/estrutural: entendimento das organizações e instituições que estabelecem restrições e oportunidades, que influenciam das decisões individuais;
Operaram iterativamente em diferentes escalas e tempo;
Dependem do desenvolvimento de modelos e testes empíricos
Objetivos de atividades de modelagem LUCC Entender melhor as causas e mecanismos que governam as mudanças de
uso/cobertura (o porquê) - testar hipóteses e análisar as importâncias relativas de diferentes fatorees;
“Prever” ou “projetar” quanto, quando e onde as mudanças deverão ocorrer no futuro (na verdade suposições lógicas sobre o que pode acontecer dadas certas premissas, incluindo os casos extremos);
Auxiliar a elaboração de políticas públicas para prevenção, adaptação e mitigação de mudanças, através de simulações em diferentes cenários, através da análise da sensibilidade das mudanças de uso e cobertura a fatores ambientais, econômicos, sociais e institucionais; e
Analisar impactos das mudanças de uso nos sistemas naturais e sócio-econômicos, através do acoplamento de modelos com feedbacks nos dois sentidos.
Prescever cenários otimizados.
Caracterização básica: Objeto de estudo Escala Qual pergunta se propõe a responder: Porque? Quando? Onde? Cenários?
Impactos? Com base nesta definição:
Quantitativo ou qualitativo Formulação matemática Embasamento teórico Tratamento da dimensão espacial Tratamento da dimensão temporal Nível de Integração Tecnologia empregada
Modelos podem ser categorizados quanto à:
Modelos versus perguntas
“Modelos estão sempre errados. Mas alguns são úteis”
Modelos distintos para questões científicas distintas;
A questão principal é o que se quer modelar, para quais as perguntas científicas se quer obter resposta; então selecionar o tipo de modelo mais adequado e analisar teorias que possam embasar a concepção do modelo.
Exemplo: Projeto LUCC (IGBP-IHDP) Motivação:
Earth Science: necessidade de dados quantitativos e espacializados sobre mudanças de uso e cobertura (especialmente) no período de 300 anos atrás até os próximos 50 anos.
Dimensões humanas: questões de sustentabilidade e vulnerabilidade. Combinação de três perspectivas de entendimento (narrativa, baseada
em agentes e sistêmica/estrutural). Organizado em três focos, subdividido em atividades.
www.geo.ucl.ac.be/LUCC/lucc.html
Exemplo: Projeto LUCC - modelos propostos
Foco 1: Dinâmica de uso Entender o comportamento
dos agentes - casos de estudo; Entender o relacionamento dos
drivers entre escalas; Questões de vulnerabilidade e
sustentabildiade
Modelos propostos: Modelos multi-agente
inteligentes; Modelos regionais baseados em comportamento agregado dos agentes - relacionamento com organizações e instiruições;
Modelos de simulação de cenários de sustentabilidade;
Modelos simulação locais e regionais que identifiquem interações associadas com degradação e vulnerabilidade
Foco 2: Mudanças de Cobertura Observações diretas (sistemas de
monitoramento e alarme), paea identificação de taxas e padões;
Modelos de diagnóstico, relacionando fatores cultuurais e físicos espaço-temporais (proximate causes);
Uso de modelos para testar hipóteses sobre fatores, que depois devem ser refinadas nos Focos 1 e 3, identificar áreas sujeitas a mudanças e prever impactos destas mudanças.
Ligação com comportamento humano (Foco 1).
Modelos propostos: Modelos de probabiliade de transição
(Cadeias de Markov); Modelos estatísticos espacializados
(e.g., regressão linear). Modelos dinâmicos de processo
(causais).
Foco 3: Modelos Regionais e Globais Viabilizar o entendimento das
mudanças LUCC no contexto de mudanças globais.
Capturar fatores de modo mais abrangente:
Heterogeneidade espacial e escalas.
Ligação economia-ambienta; Mudanças Tecnológicas; Políticas e instituições;Dinâmica
Urbano-rural; Integração água-terra; Resposta dos sistemas ã
demanda por alimentos (intensificação e conversào)
Desenvolvimento de cenários de mudanças globaiis.
Modelos propostos: Modelos espacialmente
explícitos, multi-escala dinâmicos e integrados.
Exemplo: Lucim/Lucita (Indiana) – Questões científicas How do individuals make labor allocation, production, consumption, and investment
decisions in risky, multi-asset environments?
What factors affect individual preferences and actions related to land use?
What is the impact of landowner actions on the landscape?
How do socioeconomic landscape patterns and ecological landscape patterns interact?
How does a change in land use in one location influence the probability of a change in land use at a neighboring location?
What is the role of scale in the observed changes in land use in southern Indiana?
What are some key ways of testing our theoretical models? How do initial assumptions impact model outcomes? Can differing assumptions lead to observationally equivalent outcomes?
http://www.cipec.org/research/biocomplexity/ BioComplexity Project (NSF Funded) – CIPEC – Indiana University
Exemplo: Lucim/Lucita
LUCIM: Indiana
LUCITA: Amazônia brasileira
Desenvolvimento de modelos baseados em agentes empiricamente parametrizados e validados e comparação com modelos econométricos.
Instituições inicialmente exógenas.
Objetivo: Entender como decisões individuais afetam dinâmica de uso.
Exemplo: SimLucia Objetivo: Ferramenta para que o poder
público possa explorar possíveis conseqüências ambientais, sociais e econômicas de mudanças climáticas hipotéticas.
Feito para a UNEP, para testar o sistema na ilha de Santa Lúcia, Caribe.
Pode acomodar vários cenários com relação a condições econômicas internacionais, mudanças climáticas, e tendências demográficas, podendo ser aplicado a qualquer região de tamanho pequeno ou moderado.
http://www.riks.nl Modeling land use change with linked cellular automata and socio-economic models: A
tool for exploring the impacts of Climate Change on the Island of Sta. Lucia. Roger Withe e Engelen (RIKS)
Dificuldades na modelagem LUCC Alta complexidade dos sistemas: estrutural e funcional; Modelagem do comportamento humano; Entendimento sobre relações entre drivers; Diversidade de aspectos a serem considerados (multi-
disciplinaridade); Heterogeneidade espacial; Disponibilidade de dados sócio-econômicos; Difíicil previsibilidade: eventos extremos e próprios resultados dos
modelos podem mudar rumos; Inexistência de uma teoria de LUCC que norteie a concepção dos
modelos; necessidade de síntese de teorias.
Roteiro
Introdução Parte I – Visão geral de modelagem LUCC Parte II – Exemplos de modelos LUCC Conclusão
Parte II - Exemplos de Modelos
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e Econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Modelos Estatatísticos Contínuos ou discretos; com finalidade “explanatória” ou preditiva:
Contínuos (e.g., regressão linear múltipla) :
LUT i = a + b1X1 + b2X2 + ..... + bnXn + ei,
onde,
LUTi é a área ocupada pelo uso i (em cada zona/célula), e X1, X2, ..Xn as variáveis de previsão utilizadas
Incorporação de aspectos quantitativos (taxas, etc);
Exemplo: módulo de regressão linear do CLUE (Apresentado na seção de Modelos Integrados)
Discretos: Modelam a probabilidade de haver
mudança do uso i para uso j;
“discrete choice models”, baseados em logit e probit models;
Exemplos: modelos econômicos espaciais de BockStael e modelo de Dinâmica da paisagem (apresentado na seção de modelos de simulação espacial);
Econométricos Aplicação de técnicas de regressão múltipla à análise de problemas que
envolvam demanda e oferta.
Sistemas de equação que expressam as relações entre a demanda e/ou produção e seus fatores determinantes, assim como entre demanda e produção entre si.
Exemplos: IPEA:
Andersen e Estáquio Reis (1997) Projeto Nemesis
Marcellus Caldas (PhD Esalq/MSU) – Entendimento das forças microeconômicas determinantes do desmatamento que acontece nas áreas de colonização, ao longo da rodovia Transamazônica.
Exemplo: Andersen e Reis (1997) - IPEA
Modelo de 6 equações: Demanda por terra desflorestada
(Equação principal) demanda por terra desflorestada na
região i, no tempo t, com base nas características passadas da região i e dos seus vizinhos mais próximos.
Interações entre populações urbanas e rurais
Produção rural e urbana Preço da terra
DCLRi,t’ = f (distance to federal capitali, road lengthi,t-1, river lengthi, level ofclearing in neighboring regionsi,t-1 rural population densityi,t-1, level of clearingi,t-1, share of land clearedi,t-1, change of urban outputi,t, distance to state capitali, urban residents per rural residenti,t-1, growth pole dummyi, Sudam crediti,t-1, land pricesi,t-1, rural income per rural capitai,t-1, municipality areai).
Dados utilizados: Dados para 316 regiões (municípios) da
Amazônia (1970, 1975, 1980, e 1985) sobre:
Economia Agricultura Demográficos Ecológicos
Dados sobre vizinhança: Distância entre centros de
municipalidades;
Andersen e Reis (1997) – Texto para Discussão Nº 513DEFORESTATION, DEVELOPMENT, AND GOVERNMENT POLICY IN THE BRAZILIAN AMAZON: AN ECONOMETRIC ANALYSIS- IPEA
Objetivo: análise dos fatores determinantes do desflorestamento na Amazônia, por município.
Exemplo 1: Andersen e Reis (1997) - IPEA
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e Econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Modelos GIS
Modelos criados diretamente nos sistemas de Informação Geográfica, que realiza as funções analíticas necessárias (tight coupled). Por exemplo, modelos de regras.
Atualmente, a integração da maior parte dos modelos com os SIG atualmente é “loose” (através de troca de dados). A incorporação de capacidade de modelagem dinâmica e representação de processos em GIS facilitará a criação de modelos GIS.
Exemplo: Laurence – Impactos Avança Brasil
Exemplo: Laurence et alii, 2001
Objetivo: alertar para os possíveis impactos das obras de infra-estrutura do Avança Brasil.
Análise de dados históricos para identificação de áreas de influência das futuras obras.
Prevê (deterministicamente) quatro níveis de degradação para a Amazônia Brasileira, em 20 anos (buffers).
Considera dados de desflorestamento atuais, infra-estrutura (existentes e planejados), atividades de mineração e extração de madeira, áreas de conservação e susceptibibidade ao fogo.
Laurence et al. The future of Brazilian Amazon. Science 291 (5503): 438
Exemplo: Laurence et alii, 2001
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Modelos baseados em autômatos celulares Autômato celular:
matriz de células, vizinhança, um conjunto de estados discretos, conjunto de regras de transição, um incremento discreto de
tempo.
Em Modelagem LUCC, é comum o uso de CA generalizados:
regras de transição não aplicadas diretamente, mas através um potencial ou probabilidade;
Exemplo: Dinâmica (CA modificado)
Exemplo: Dinâmica
Estocástico (estimativa das taxas de transição e regras de transição);
Espacializado, baseado em autômatos celulares generalizados);
Pode ser integrado a modelo externo para construção de cenários (cálculo de matrizes de tranisção) e modelo de construção de estradas.
http://www.csr.ufmg.br/dinamica/ - Britaldo Soares - Centro de Sensoriamento Remoto - UFMG
Objetivo: modelo de simulação geral a ser aplicado a uma variedade de estudos de dinâmica da paisagem e de fenômenos espaciais dinâmicos.
Exemplo: Dinâmica
Probabilidades baseadas em:
Pesos de Evidência ou Regressão Logística
Origem Destino
Expander Patcher
Exemplo:Dinâmica Construído inicialmente
para simulação de dinâmica da paisagem na Amazônia:
Mato Grosso (Tese Britaldo)
Santa Cruz – Bolívia (construção de estrada)
Cuiabá-Santarém (cenário de governança e não governança)
Aplicado também para áreas urbanas (Claudia Almeida-INPE)
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e Econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Modelos de simulação no nível micro Nesta seção, são apresentados modelos espacialmente explícitos no nível micro, que
simulam no espaço e no tempo a mudança de uso, considerando o comportamento dos atores, com base em Teorias micro-econômicas.
Exemplos:
1. DELTA (Dynamic Land Tenure Analysis Model) – Oak Ridge National Laboratory – TN – USA – Modelo de simulação espacial baseado em regras, com componente estocática;
2. Ecômico/Bockstael – University of Maryland – MD – USA : Modelo Econômico Estatístico (discreto);
3. LUCITA/LUCIM – Baseado em tecnologia de multi-agentes;
4. ADSS: Modelo integrado, estuda interação entre sistema de uso e instituições, baseado em tecnologia de multi-agente e autômato celulares.
Observação: DELTA, LUCITA/LUCIM e ADSS são também modelos integrados, como será discutido na próxima seção.
Tecnologia
Multi-agentes
Tecnologia de modelos multi-agente
Existem em um espaço
Separados deste espaço
Atributos
Regras de comportamento
Trocam informações (mediadas pela vizinhança)
Tempo discreto
http://www.geosimulation.org/geosim/abms.htm.
GeoSimulation Site – CASA –Center for Advanced Spatial Analysis
http://www.ucgis.org/oregon/papers/manson.htm : Agent-Based Dynamic Spatial Simulation of Land-Use/Cover: Methodological Aspects. Steven Mason, Clark University
Exemplo: ADSS (Clark University)
Protótipo de arcabouço de modelagem para, baseado em agentes, CA generalizado, GIS.
No caso de estudo específico: desflorestamento e pequenos proprietários, na península de Yucatan, no México.
Combina perspectivas de agentes e estruturas (multi-escala);
Objetivo: Análise da interação ator-instituição-ambiente.
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Modelos Integrados Regionais exemplificados SIMLUCIA:
Feedbacks entre sub-sistemas natural, econômico, social (macro) e uso da terra (micro). Nível micro:
Baseado em autômato celular modificado, cálculo de potencial com base em acessibilidade, adequabilidade e atratividade da vizinhança;;
Integrado ao GIS. CLUE:
Modelo Multi-escala, estatístico (baseado em regressão linaer). Permite analisar efeitos de escala nos determinantes de mudanças; Integra modelo econômico e demográfico em escalas globais de demanda por produtos.
LUC/IIASA Modelo baseado na teoria econômica welfare; Sendo aplicado à China. Segundo Briassoulis, um dos mais completos em termos de análise da integração entre
fatores ambientais e sócio-econômicos.
Exemplo: CLUE Objetivo: possibilita o entendimento da
relação entre drivers em múltiplas escalas e a realização de análises preditivas de curto prazo, em diferentes cenários macro-econômicos.
Arcabouço de modelagem para modelos dinâmicos e multi-escala,
As relações entre mudanças e fatores explanatórios são quantificados através de regressão linear múltipla.
Aplicado em: Central America China Costa Rica Ecuador Honduras Java Philippines Vietnam Malaysia
http://www.gis.wau.nl/~clue/
Exemplo de equação aplicada na Costa Rica:
%permanent crops = ß0 + ß1*soil drainage + ß2*relief + ß3*altitude + ß4*rurpop + ß5*urbpop + ß6*alf
CLUE: China – dados grid usados
Population density Distance to city Soil fertility Rural population density Elevation
Soil drainage Urban population
density Slope Temperature Agricultural labour force
Landform Precipitation Illiteracy River density Sunshine
CLUE: China
Permite regionalização
CLUE: mecanismo dealocação
Na escala menor (“coarse”): Demanda distribuída igualmente
por todos as células cujo valor das células em t-1 (cover t-1) seja menor do que a reg_covert
Se for menor, indica propensão a mudança (pois outros locais nas mesmas condições já mudaram. Nova porcentagens de área são dadas pela fórmula (*)
ITC ajustado iterativamente, com base na demanda.
Na escala maaior, processo é similar, mas são também considerados a mudança relativa alocada na escala menor e desenvolvimentos autônomos.
(*) cover x,y,t,c = coverx,y, t-1, c + [reg_cover x,y,t,c - cover x,y, t-1 )*ITFc]
Roteiro da Parte II Modelos Markovianos Modelos Logísticos Modelos Estatísticos e econométricos Modelos GIS Modelos baseados em Autômatos Celulares Modelos Nível Micro e Multi-agentes Modelos Integrados Regionais Considerações gerais sobre modelos
Considerações sobre modelos A maior parte dos modelos não possui embasamento teórico consistente. Modelos de regressão:
Não possuem real poder explanatório: demonstram associação ou correlação entre variáveis, não efeitos de causa e efeito.
Capazes de realizar projeções de curto prazo, indicando áreas propensas a mudanças;
Automatos celulares generalizados: Fórmula de potencial/probabilidade pode dar suporte a testar diversas
hipoteses/teorias (e.g., SimLucia), Não incorporam diretamente a questão do processo de decisão e o papel das
instituições (assim como modelo de Markov e técnicas estatísticas); Vantagens do modelo baseado em agentes:
Simular um laboratório social; Modelar feedbacks entre sistemas biofísicos e sócio-econômicos; Possibilidade de incorporar heterogeneidade espacial e complexidade
estrutural; Arcabouço teórico baseado na Teoria de agentes (micro-economia);
Modelos de simulação espacial: Duas grandes linhas:
Modelos que calculam uma superfície (espaço celular) e com base nela “alocam” mudanças por sorteio, expansão de manchas ou outro critério (de acordo com demanda externamente estabelecida):
CLUE – diferença da regressão SimLucia – Potencial (determinístico) Dinâmica – Probablilidade Bockstael – Probabilidade
Modelos baseados em multi-agentes combinados atuando sobre espaço celular: modelam comportamento dos atores, instituições e sua interação com o sistema de uso e ambiente.
LUCITA/LUCIM ASDD
Roteiro
Introdução Parte I – Visão geral de modelagem LUCC Parte II – Exemplos de modelos LUCC Conclusão
Conclusão
Modelagem LUCC na OBT
Requisitos para ambiente computacional
Parcerias
Modelagem LUCC na OBT (Amazônia) Procurar focar em aspectos do processo de mudança de uso e cobertura
que se deseja entender (objetivo e escala de estudo). Exemplos: Entender impactos e feedbacks com meio biofísico:
Integração com modelos de mudanças climáticas, Modelos de vegetação, Modelos hidrológicos, ou
Vulnerabilidade do meio físico: Biodiversidade; susceptibilidade ao fogo, perda do solo, etc., ou
Entender impactos e feedbacks com sistemas humanos: Analisar diferentes cenários de implementação do ZEE e seus impactos na dinâmica
de uso e ocupação, ou Sustentabilidade de sistemas agrícolas frente à intensificação, ou Entender e prever expansão da soja frente a alternativas de políticas públicas, Entender interação entre dinâmica de uso e dinâmica populacional (e.g., migrações,
urbanização) Entender como fatores institucionais e econômicos afetam as decisões e as
dinâmicas em diversas escalas; entender como as decisões individuais se agregam, formando processos regionais.
Possíveis requisitos para suporte computacional (de acordo com objeto de estudo) Suporte à complexidade funcional:
Integração de modelos para análise de feedbacks. Acoplamento fraco entre modelos, permitindo substituição de componentes. Modelos distintos com unidade de análise espacial e resolução temporal distintas.
Suporte à complexidade estrutural: Modelos multi-escala e multi-temporais (para entender influência do tempo e escala). Agregação de comportamento/fatores explicativos; Modelos distintos para subregiões distintas (heterogeneidade espacial); Utilização de modelos existentes, sempre que possível.
Unidade de análise e vizinhança: Unidade de análise não regular (e não necessariamente comum em modelos integrados); Vizinhança não restrita à adjacência, talvez não comum a todos as variáveis;
BDG: Fortemente integrado ao BDG espaço-temporal, para acesso direto aos dados; Funções de agregação de dados espaço-temporal para unidade de análise do modelo;
Ambiente modelagem Suporte a todas as fases, da calibração à validação; Ferramenta gráfica;
Tecnologia: Permitir combinação de métodos (autômatos, agentes, regressão, etc.).
Consideração final Objetivo Modelagem LUCC no Brasil:
Mais do que agenda de mudanças globais, deve visar prover subsídios para a definição e implantação de políticas públicas que visem a sustentabildade e o bem estar da população, e que sejam adequadas às realizadas locais e regionais.