MODELAÇÃO DO CRESCIMENTO URBANO DA PROVÍNCIA DE LUANDA, ANGOLA. Dissertação orientada por. Professor Doutor Pedro da Costa Brito Cabral

Transcrição

1

2

3 MODELAÇÃO DO CRESCIMENTO URBANO DA PROVÍNCIA DE LUANDA, ANGOLA Dissertação orientada por Professor Doutor Pedro da Costa Brito Cabral Junho de 2012 ii

4 MODELLING OF URBAN GROWTH OF THE LUANDA PROVINCE, ANGOLA Dissertation supervised by Professor Doutor Pedro da Costa Brito Cabral June, 2012 iii

5 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. iv

6 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! v

7 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 Km 2 em 2040, contra os Km 2 em Verificou-se também que no período em análise a área urbana de Luanda cresceu 278,95%, passando de 293,87 Km 2 em 1993 para 1.113,62 Km 2 em Como era de esperar, enquanto cresceu a área urbana, a área não urbana diminuiu em cerca de 61,68%, passando de 2.148,72 Km 2 em 1993 para 1.328,97 Km 2 em 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. vi

8 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 km 2 in 2040, against 1.113,62 km 2 in It was also found that in the period under review, the urban area of Luanda grew 278,95% from 293,87 km 2 in 1993 to 1.113,62 km 2 in As was expected, while the urban area grew, the non-urban area decreased by about 61,68%, from 2.148,72 km 2 in 1993 to 1.328,97 km 2 in 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. vii

9 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 viii

10 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 ix

11 ÍNDICE DO TEXTO AGRADECIMENTOS... RESUMO... ABSTRACT... PALAVRAS-CHAVE... KEYWORDS... ACRÓNIMOS... ÍNDICE DO TEXTO... ÍNDICE DE TABELAS... ÍNDICE DE FIGURAS... CAPÍTULO I - INTRODUÇÃO ENQUADRAMENTO OBJETIVOS HIPÓTESES DE TRABALHO ESTRUTURA DA DISSERTAÇÃO... 4 CAPÍTULO II - ÁREA DE ESTUDO LOCALIZAÇÃO GEOGRÁFICA ORIGEM E FUNDAÇÃO DA CIDADE DE LUANDA EVOLUÇÃO DA POPULAÇÃO DE LUANDA HÁBITOS E COSTUMES DO LUANDENSES RELIGIÃO INDICADORES SÓCIOECONÓMICOS DE LUANDA QUALIDADE DE VIDA EM LUANDA RESERVAS FUNDIÁRIAS DE LUANDA PROGRAMA NACIONAL DE URBANISMO E HABITAÇÃO. CONSTRUÇÃO DE NOVAS CENTRALIDADES EM LUANDA CAPÍTULO III - MÉTODOS INTRODUÇÃO DETEÇÃO REMOTA E MODELAÇÃO URBANA MODELOS DE CRESCIMENTO URBANO Modelo de extrapolação linear: o Geomod Modelo de automátos celulares: o SLEUTH Modelo de redes neuronais artificiais: o Land Change Modeler CONCLUSÕES iv vi vii viii viii ix x xii xiii x

12 CAPÍTULO IV - MODELAÇÃO DO CRESCIMENTO URBANO DE LUANDA INTRODUÇÃO DADOS, FONTES E CARACTERISTICAS METODOLOGIA SELEÇÃO DAS IMAGENS DE SATÉLITE Programa Landsat e caracteristicas das imagens PRÉ-PROCESSAMENTO Composição colorida RGB CLASSIFICAÇÃO DAS IMAGENS DE SATÉLITE A dimensão da amostra DERIVAÇÃO DOS MAPAS DO USO DO SOLO Avaliação da qualidade dos mapas Aperfeiçoamento dos mapas classificados Delimitação das áreas urbanas em Delimitação das áreas urbanas em Delimitação das áreas urbanas em ALTERAÇÕES NO USO DO SOLO ENTRE 1993 E ALTERAÇÕES NO USO DO SOLO ENTRE 2000 E SIMULAÇÃO DO CRESCIMENTO URBANO Modelação da transição Simulaçã do crescimento urbano para Validação do cenário de crescimento urbano de Simulaçãao do crescimento urbano para IMPACTOS DO CRESCIMENTO URBANO DE LUANDA AVALIAÇÃO DO CRESCIMENTO URBANO NAS RESERVAS FUNDIÁRIAS RESULTADOS E CONCLUSÕES CAPÍTULO V - CONSIDERAÇÕES FINAIS COMENTÁRIOS LIMITAÇÕES RECOMENDAÇÕES REFERÊNCIAS BIBLIOGRAFICAS xi

13 ÍNDICE DE TABELAS Tabela 4.1. Dados, fonte e caracteristicas Tabela 4.2. Satélites do programa Landsat Tabela 4.3. Características dos Landsat Tabela 4.4. Característica e aplicações das bandas do Landsat 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 Tabela Quantificação do uso do solo de Luanda entre 1993 e xii

14 ÍNDICE DE FIGURAS Figura 2.1 Mapa da área de estudo (província de Luanda) e mapa de Angola Figura Representação gráfica da variação da população de Luanda de 1985 a Fonte INE de Angola.. 7 Figura 2.3 Reservas fundiárias da província de Luanda Figura Curvas de reflectância do solo, água, e vegetação. Adaptado de (Lillesand e Kiefer, 2000)...16 Figura Fluxograma do projeto...29 Figura Bandas 4, 5, 3 da imagem Landsat 5 TM em tons de cinza e compósito RGB453 de 1993, 2000 e Figura 4.3 Estatísticas da banda 3 do Landsat 5 TM de Figura 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 Figura 4.6 Mapas do uso do solo de Luanda (nível 1) referentes a 1993, 2000 e 2008 respetivamente Figura 4.7 Mapas do uso do solo de Luanda (nível 2) referentes a 1993, 2000 e 2008 respetivamente Figura Mapa do uso do solo de Luanda em Figura Mapa do uso do solo de Luanda em Figura Mapa do uso do solo de Luanda em Figura 4.11 Gráfico de ganhos e perdas por classe entre 1993 e Figura Mapa de perdas e ganhos da classe não urbano e urbano respetivamente entre 1993 e Figura Gráfico de ganhos e perdas por classe entre 2000 e Figura Mapa de perdas e ganhos da classe não urbano e urbano respetivamente entre 2000 e xiii

15 Figura Mapa que representa o potencial de transição da classe Não Urbano a Urbano entre 1993 e Figura 4.16 Mapa representativo das distâncias à zona urbana em Figura Mapa representativo das distâncias aos eixos rodoviários em Figura Indicadores da correlação e do poder preditivo das duas variáveis...56 Figura Vista da execução do modelo de transição...57 Figura Mapa que representa a previsão do uso do solo em Figura Matriz apresentada pelo algoritmo VALIDATE Figura Matriz completa apresentada pelo algoritmo VALIDATE Figura Mapa que representa o processo de validação da previsão usando o painel VALIDATION do LCM Figura Mapa que representa a previsão do uso do solo em Figura Simulação urbana de 2040 e reservas fundiárias.. 66 xiv

16 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, associase 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 1

17 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. 2

18 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») 3

19 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. 4

20 2. ÁREA DE ESTUDO 2.1 Localização geográfica Localizada na costa com o Oceano Atlântico e com 2, Km 2 de superfície, Luanda é a capital da República de Angola, situada geograficamente na latitude 8º Sul e longitude 13º 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. 5

21 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 chamavase 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. 6

22 Habitentes Modelação do crescimento urbano da província de Luanda 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 em 1960 para em 1970, altura em que se realizou o último censo populacional, e de em 1983 para 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. 6,000,000 5,000,000 População de Luanda (1985 a 2010) POPULAÇ 5,000,000 4,000,000 3,000,000 3,644,000 2,000,000 1,000,000 1,155,000 1,545,000 2,002,000 2,276, Figura Representação gráfica da variação da população de Luanda de 1985 a Fonte INE de Angola (2004) 7

23 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 Tradicional 2 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. 8

24 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 9

25 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 10

26 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 O Decreto 63/07 aprova os terrenos para a construção da nova cidade de Cacuaco. Com uma área de 33,91 Km 2 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 Km 2. 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 Km 2. 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. 11

27 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 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 12

28 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. 13

29 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). 14

30 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. 15

31 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) 16

32 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. 17

33 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) 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 18

34 variáveis espaciais estáticas. Por outro lado, é difícil a captura dos elementos nãolineares 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 19

35 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. 20

36 - 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. 21

37 - 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 estudo 3 sobre modelação urbana da área Metropolitana de Lisboa, Portugal (Ferreira et al. 2005) 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? 22

38 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 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 23

39 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: 24

40 - 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 25

41 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). 26

42 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/m 2 ). 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 27

43 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 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. 28

44 Landsat 1993 Landsat 2000 Landsat 2008 Classificação Etapa de Campo Qualidade da Classificação Ok? Não Sim Reclassificação (NDVI, BI) Mapa uso solo 1993 Mapa uso solo 2000 Mapa uso solo 2008 LCM Alterações Alterações Potencial de Transição Treino Ok? Previsão 2008 Validação Não Ok? Sim Previsão 2040 Figura 4.1. Fluxograma do projeto 29

45 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 ( presumese 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 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 Inativo Landsat Inativo Landsat Inativo Landsat (*) Landsat Ativo Landsat (**) Landsat (***) Tabela 4.2 Satélites do programa Landsat (*) Não recolhe imagens, porém não está inativado. (**) Perdeu-se após o lançamento. (***) Em atividade normal até Problemas técnicos depois desta data. 30

46 Os satélites da primeira geração do Programa Landsat, Landsat 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 são apresentadas na tabela 4.3 Thematic Mapper TM Bandas 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) Multi-Spectral Scanner MSS Bandas Faixa (µm ) 0,5 0,6 0,6 0,7 0,7 0,8 0,8 1,1 Resolução (m) Tabela Características dos Landsat 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) 1 (0,45-0,52) Principais características e aplicações das bandas TM do satélite LANDSAT-5 - 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. - Grande sensibilidade à presença de sedimentos em suspensão, 2 (0,52-0,60) possibilitando sua análise em termos de quantidade e qualidade; - Boa penetração em corpos de água. - Grande absorção a vegetação verde, densa e uniforme, ficando escura, permitindo bom contraste entre as áreas ocupadas (ex.: solo 3 (0,63-0,69) exposto, estradas e áreas urbanas); - Bom contraste entre diferentes tipos de cobertura vegetal (ex.: 31

47 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. - 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; 4 (0,76-0,90) - 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. - Sensível ao teor de humidade das plantas, servindo para observar stress na vegetação, causado por desequilíbrio hídrico. Esta banda 5 (1,55-1,75) sofre perturbações em caso de ocorrer excesso de chuva antes da obtenção da cena pelo satélite. - Sensível aos fenômenos relativos aos contrastes térmicos, servindo 6 (10,4-12,5) 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 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 é de 18 dias, e do Landsat é de 16 dias. A área de recolha de imagem é de 185 Km x 185 Km, com duração de 24 segundos. 32

48 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 préprocessamento 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 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. 33

49 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 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 34

50 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). Urbano Suburbano Nível 1 Nível 2 Nível 3 Vegetação ciliar Vegetação herbácea Agricultura Zonas húmidas Água Urbano Vegetação Zonas húmidas Urbano Não Urbano Solo exposto Solo Exposto Tabela 4.5 Nomenclatura da classificação em três níveis 35

51 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, recorreuse 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 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: onde: n = ( Z α/ 2.σ/E) 2 ( equação 4.1 ) n é a dimensão da amostra; Z α/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. 36

52 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 = ( Z 2 α/2.p.q)/e 2 ( equação 4.2 ) onde: n Z α/2 p q E é a dimensão da amostra. é um valor que corresponde ao grau de confiança desejado. é a proporção de indivíduos que pertence a categoria em estudo. é a proporção de indivíduos que não pertence a categoria em estudo. 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 = ( Z 2 α/2.0,25)/e 2 ( 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

53 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 38

54 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 39

55 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 = (ρ ivp ρ v )/( ρ ivp + ρ v ) ( equação 4.4 ) onde: ρ ivp ρ v é a reflectância no infravermelho próximo; 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. 40

56 Figura 4.5. Amostras de treino referentes as classificações de 1993, 2000 e 2008 respetivamente 41

57 Figura 4.6. Mapas do uso do solo de Luanda (nível 1) referentes a 1993, 2000 e 2008 respetivamente 42

58 Figura 4.7. Mapas do uso do solo de Luanda (nível 2) referentes a 1993, 2000 e 2008 respetivamente 43

59 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: 44

60 INFORMAÇÃO DA CLASSIFICAÇÃO Urbano Suburbano Vegetação ciliar Vegetação herbácea Agricultura Zonas húmidos Solo exposto Água TOTAL ERRO DE COMISSÃO EXAT. PRODUTOR (%) Modelação do crescimento urbano da província de Luanda 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. INFORMAÇÃO DE REFERÊNCIA CLASSE Urbano ,069 93,1 Suburbano ,133 86,7 Vegetação ciliar ,250 75,0 Vegetação herbácea ,222 77,8 Agricultura ,412 58,8 Zonas húmidos ,133 86,7 Solo exposto ,368 63,2 Água ,294 70,6 TOTAL 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 Matriz de confusão 45

61 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: onde: ( equação 4.5 ) 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% 46

62 (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). 47

63 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 Presume-se que ambas tenham a mesma qualidade 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 Reclassificação para o cálculo do Índice de Bareness 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

64 Figura 4.8. Mapa do uso do solo de Luanda em Delimitação das áreas urbanas em 2000 A delimitação das áreas urbanas e não urbanas de 2000 foi feita de forma semelhante a 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. 49

65 Figura 4.9. Mapa do uso do solo de Luanda em

66 4.7.5 Delimitação das áreas urbanas em 2008 Procedimentos semelhantes aos anteriores resultaram no mapa do uso do solo de 2008 (figura 4.10). Figura Mapa do uso do solo de Luanda em

67 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 Figura 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 O primeiro mostra as perdas da classe não urbano e o segundo mapa os ganhos da classe urbano nesse período. Figura Mapa de perdas da classe não urbano entre 1993 e

68 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 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 Mapa de perdas da classe não urbano entre 2000 e

69 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) Modelação da transição 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). 54

70 Figura 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 Mapa representativo das distâncias à zona urbana em

71 Figura 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 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 Indicadores da correlação e do poder preditivo das duas variáveis 56

72 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 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 iterações atingiu-se uma 57

73 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 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. 58

74 Figura Mapa que representa a previsão do uso do solo em 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 De facto, houve uma grande mudança em resultado do processo de transformação iniciado em Figura Matriz apresentada pelo algoritmo VALIDATE 59

75 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 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). 60

76 Figura 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 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 A figura 4.24 mostra a previsão do uso do solo de Luanda para o ano 2040 obtida utilizando o modelo abordado neste trabalho. 61

77 Figura Mapa que representa a previsão do uso do solo em 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, 62

78 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, 63

79 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 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 de fogos habitacionais, em todo país, envolvendo o sector público e privado, as cooperativas e as comunidades durante o período de 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 64

80 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 Km 2 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 Km 2 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 Km 2 das RF foram intervencionados 387,27 Km 2 (29,54% da área total das RF). RESERVA FUNDIÁRIA ÁREA ÁREA URBANIZADA TOTAL (Km 2 ) (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 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 Km 2 das RF estará urbanizada o que corresponde a 43,37% da área total das RF. 65

81 Figura 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 Km 2 (45,59% da área total) de áreas já construídas que delimitam a mancha urbana da província de Luanda (Tabela 4.10). 66