UNIVERSIDADE DO VALE DO ITAJAÍ UNIVALI CENTRO DE CIÊNCIAS DA TERRA E DO MAR - CTTMar PÓS-GRADUAÇÃO EM CIÊNCIA E TECNOLOGIA AMBIENTAL

Transcrição

1 UNIVERSIDADE DO VALE DO ITAJAÍ UNIVALI CENTRO DE CIÊNCIAS DA TERRA E DO MAR - CTTMar PÓS-GRADUAÇÃO EM CIÊNCIA E TECNOLOGIA AMBIENTAL Modelagem e Representação Espacial Populacional no Litoral de Santa Catarina a partir de Tecidos Urbanos identificados em imagens OLS Gustavo José Deibler Zambrano Itajaí, Santa Catarina 2015 i

2 UNIVERSIDADE DO VALE DO ITAJAÍ UNIVALI CENTRO DE CIÊNCIAS DA TERRA E DO MAR - CTTMar PÓS-GRADUAÇÃO EM CIÊNCIA E TECNOLOGIA AMBIENTAL Modelagem e Representação Espacial Populacional no Litoral de Santa Catarina a partir de Tecidos Urbanos identificados em imagens OLS Gustavo José Deibler Zambrano Dissertação apresentada ao Programa de Pós-Graduação em Ciência e Tecnologia Ambiental, como parte dos requisitos para obtenção do grau de Mestre em Ciência e Tecnologia Ambiental Orientador: Dr. João Thadeu de Menezes Itajaí, Santa Catarina 2015 ii

3 Dedicatória Aos pesquisadores que buscam a luz da ciência um sentido para seus paradigmas pessoais. E por assim dizer, lembrar que a inquietude de poucos transforma a vida de muitos (Gustavo Zambrano). iii

4 Agradecimentos A minha família que sempre me apoiou especialmente meus pais Ricardo Deibler Zambrano e Nadja de Souza Zambrano, bem como meus irmãos Samira Deibler Zambrano e Ricardo Deibler Zambrano Júnior e meu cunhado Heitor Wensing Júnior. Aos pesquisadores João Thadeu de Menzes, Rafael Medeiros Sperb, André Silva Barreto, Alencar Cabral pelos conhecimentos transmitidos e pelo acolhimento no Laboratório de Informática da Biodiversidade e Geomática LIBGEO, um ambiente extremamente fértil, berço de muitas discussões e momentos com os quais agrego em conhecimento e experiência de vida. O fato de destoarmos da normalidade significa muito mais do que o simples acaso de uma distribuição romper seus laços com você, às vezes pode representar a probabilidade de conhecer uma pessoa de índole impar e de coração puro para ajudar sem pedir nada em troca, se dedicar a construir um caminho que outra pessoa irá trilhar. A essa pessoa manifesto meus agradecimentos e espero um dia poder retribuir a altura. Obrigado por tudo Rodrigo Sant Ana. A todos os professores do PPCTA em especial a Marcos Polette e Antônio Carlos Beaumord pelas considerações no decorrer da pesquisa e disponibilidade para integrar a comissão avaliadora da mesma. Igualmente a Isabela e Fabiana pela pronta disposição e ajuda despendida durante esses anos. A Mariana Carrion e Rafaela Lopes pelo saudável e alegre convívio dentro do LIBGEO, obrigado pela amizade, tempo despendido, conselhos e confiança. Aos colegas do mestrado Eduardo Jaques Cubas, Renan Chiprauski Testolin e Matheus Zaguini Francisco pelos momentos de parceria, alegria e estudo. A minha segunda família Alecsandro Schardosim Klein e Michelle Alano Ramos, expresso aqui os mais sinceros sentimentos de orgulho em tê-los como amigos e dizer que muito do caráter da pessoa que aqui vos fala adveio do convívio com vocês, obrigado por sempre servirem de exemplo para mim. A Leo Antônio Rubensam (in memoriam) e Marinês Rubensam pela confiança, ensinamentos e aprendizado de vida transmitidos. A CAPES/PROSUP, pelo suporte financeiro concedido, o que tornou o presente estudo possível. E a um colega em especial por acreditar em mim, mesmo sem me conhecer, desejo os mesmos ventos a mim desejados... E águas calmas... iv

5 Sumário 1. Introdução Instituto Brasileiro de Geografia e Estatística IBGE: censo no Brasil Programa Americano de Satélites Meteorológicos de Defesa Modelos Preditivos: DMSP OLS versus População Desagregação Espacial: DMSP OLS versus Distribuição Populacional Objetivos Objetivo Geral Objetivos Específicos Material e Métodos Área de estudo Base de Dados Instituto Brasileiro de Geografia e Estatística IBGE Variáveis associadas à intensidade luminosa Programa Americano de Satélites Meteorológicos de Defesa Intercalibração de Imagens DMSP OLS Modelos Preditivos: DMSP OLS versus População Desagregação Espacial: DMSP OLS versus Distribuição Populacional Resultados Intercalibração de Imagens DMSP OLS DMSP/OLS e variáveis correlatas: relações lineares e inferências iniciais Modelos Preditivos: DMSP OLS versus População Desagregação Espacial: DMSP OLS versus Distribuição Populacional Discussão Conclusões Referencias v

6 Lista de Figuras Figura 1. Exemplificação da problemática MAUP. As figuras A, B e C demostram que, em uma mesma escala de análise, a elaboração de diferentes zonas de agregação, resulta em diferentes resultados oriundos de uma mesma base de pontos. Fonte: 8 Figura 2. Exemplificação do mapeamento coroplético (A) e dasimétrico (B) de Astoria, Orezon. Fonte: Sleeter & Gould (2007) Figura 3. Localização da área em estudo no litoral de Santa Catarina Figura 4. Layout da metodologia executada na presente dissertação Figura 5: Redistribuição de setores censitários para densidades populacionais limitadas por tecidos urbanos (INPE, 2003 Adaptado por Zambrano, 2013) Figura 6: Modelo de tendência aplicado aos dados pela ferramenta geoestatistical wizard do ArcGIS 10.2, sendo que a figura A representa a distribuição populacional em função do litoral e a figura B a distribuição dos focos de luzes noturnas DMSP OLS em função do litoral Figura 7: Regressão linear entre pessoas residentes (IBGE) e soma de luzes noturnas (DMSP OLS) ano base Figura 8: Regressão linear entre numero de consumidores de energia (CELESC) e soma de luzes noturnas (DMSP OLS) ano base Figura 9: Regressão linear entre consumo de energia (CELESC) e soma de luzes noturnas (DMSP OLS) ano base Figura 10: Regressão linear entre frota de veículos (DENATRAN) e soma de luzes noturnas (DMSP OLS) ano base Figura 11: Regressão linear entre o Produto Interno Bruto (PIB) e soma de luzes noturnas (DMSP OLS) ano base Figura 12: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Joinville Figura 13: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Balneário Camboriú Figura 14: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Itajaí Figura 15: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Biguaçu Figura 16: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Florianópolis vi

7 Figura 17: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Palhoça Figura 18: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de São José Figura 19: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Içara Figura 20: Correlação e averiguação de colinearidade entre as variáveis explicativas. Os valores dentro das caixas acima da diagonal representam o grau de correlação de Pearson entre as vaiáveis (obs: os asteriscos vermelhos indicam grau de significância do teste estatístico ( 0 *** ** 0.01 * ) Figura 21: Análise dos resíduos do modelo Figura 22: Histogramas de frequência acumulada utilizados para classificação das zonas de uso de luz Figura 23: Mapa de luzes noturnas e de classes de uso de luz noturna Figura 24: Emprego da ferramenta dasimétrica para distribuição populacional vii

8 Lista de Tabelas Tabela 1: Matriz quadrática de correlação dos dados DMSP OLS Tabela 2: Ajustes modelados para intercalibração dos dados Tabela 3: Critérios de comparabilidade entre os modelos Tabela 4: Teste de significância dos termos smooth Tabela 5: Teste diagnóstico das funções do modelo viii

9 Resumo As ocupações antrópicas litorâneas distribuem-se no espaço geográfico de maneira a evoluir sua mancha no sentido de grandes tecidos urbanos. Significativos esforços científicos têm sido afluído para o entendimento dos padrões demográficos geoespaciais destas populações. Esta realidade deve-se principalmente a iminência de eventos naturais catastróficos, e como gerir um ambiente tão complexo e frágil como a zona costeira. Ao encontro dessa reflexão e em virtude dos avanços tecnológicos vividos pelas áreas de Sensoriamento Remoto (SR), Sistema de Informação Geográfica (SIG) e o Censo Demográfico realizado pelo IBGE, esta pesquisa objetiva a criação de uma ferramenta híbrida envolvendo a elaboração de um modelo populacional preditivo e de superfícies de densidade demográfica, inseridas nos limites dos tecidos urbanos. Posteriormente a ferramenta deverá fornecer informações demográficas para modelagens de risco ambiental no âmbito do Sítio 28 do Programa Ecológico de Longa Duração PELD. Para tanto, os dados utilizados envolveram o mapeamento de tecidos urbanos através da intensidade de luz noturna, representadas por imagens orbitais do Defense Meteorological Satellite Program Operational Linescan System (DMSP OLS), informações censitárias do IBGE e informações secundários auxiliares. Após sua obtenção, os mesmos, foram sistematizados e espacializados em ambiente SIG, utilizando o software ArcGIS As análises estatísticas para a modelagem da estimativa populacional foram elaboradas no software R (R Core Team, 2014). Utilizou-se um Modelo Aditivo Generalizado (GAM) para avaliar quais variáveis, e de que forma estas explicavam a maior variabilidade populacional observada, desta forma, selecionando-se uma família de distribuição Binomial Negativo. Diante a modelagem populacional, procedeu-se a distribuição dasimétrica em ambiente SIG. O fator dasimétrico serve para promover um entendimento mais realista do fenômeno espacial da densidade demográfica, uma vez que faz uso de informações geográficas complementares a distribuição populacional, no presente caso os usos de luz noturna. Assim sendo, houve uma redistribuição populacional em superfícies de densidade, contemplando fatores de distribuição como áreas urbanas, rurais e inabitadas. Em suma as estimativas oriundas do emprego da ferramenta hibrida, mostraram-se coerentes e tal metodologia pode ser utilizada em outras regiões com os seguintes cuidados: correta calibração do GAM e obtenção das bases de dados auxiliares à modelagem; extração e calibração dos dados DMSP-OLS; mapeamento das classes de usos do solo; e obtenção da base de dados do IBGE. Palavras-chave: Luzes Noturnas; Geotecnologias; Demografia. ix

10 Abstract Coastal anthropic occupations are distributed in the geographical space in a way that evolves their mark in terms of large urban networks. There have been significant scientific efforts to understand the geospatial demographic patterns of these populations. This reality is mainly due to the imminence of catastrophic natural events, and how to manage an environment as complex and fragile as the coastal zone. Alongside this reflection, and due to the technological advances that have taken place in the areas of Remote Sensing (RS), Geographic Information systems (GIS) and Demographic Census carried out by the IBGE, this research aims to create a hybrid tool involving: the elaboration of a model for forecasting population and demographic density, inserted in the limits of the urban networks, as an anthropic entry variable for future environmental modelings, in the scope of Site 28 of the Long-Term Ecological Program - PELD. For this, the data used involved mapping the urban networks through the intensity of nocturnal light, represented by orbital images of the Defense Meteorological Satellite Program Operational Linescan System (DMSP OLS), census information of the IBGE, and auxiliary secondary information. After obtaining the data, they were systematized and spatialized in the SIG environment, using the software ArcGIS The statistical analyses were elaborated in the software R (R Core Team, 2014) and with this tool, the population modelling was carried out. The Generalized Additive Model (GAM) was used to evaluate which variables best explain the population variability observed, thereby, selecting a family of Negative Binomial distribution. With the results of the population modeling, dasymetric distribution was performed in the GIS environment. The dasymetric factor serves to promote a more realistic understanding of the spatial phenomenon of demographic density, as it uses geographic information to complement the population distribution, in the present case, the uses of nocturnal light. Thus, there was a population redistribution in surfaces of density that contemplate distribution factors, such as urban, rural and inhabited areas based on the nocturnal lights. In summary, the estimates proved coherent, and the model can be used in other regions with the following precautions: correct calibration of the GAM and obtaining the auxiliary databases of the modelling; extraction and calibration of the DMSP-OLS data; obtaining ground use; and obtaining the database of the IBGE. Key-words: Nocturnal Lights; Geotechnologies; Demography. x

11 1. Introdução O gerenciamento de ambientes costeiros necessita integrar o fato de que seus domínios comportam um sistema dinâmico baseado em interações entre processos físicos, bióticos e socioeconômicos, os quais promovem, através de seus grupos de usuários, profundas alterações espaço-temporais nas regiões litorâneas (Sperb, 2002; Viles & Spencer, 1955). A saúde, o bem-estar e, em alguns casos, a própria sobrevivência das populações costeiras dependem da manutenção de suas relações sistêmicas com a biota. Uma nova vertente, proposta por Hogan (2000), reconhece outros fatores na equação população-ambiente-desenvolvimento, e atribui à pressão demográfica, não um papel determinante quanto aos problemas ambientais, mas o de um fator agravante ou contribuinte a esses problemas. Desta forma, a presença humana, ao mesmo tempo em que condiciona alterações ambientais, principalmente em espaços urbanos, é influenciada pelo ambiente resultante. Esta atribuição de causa e efeito dependerá da visão, escala de análise e área de conhecimento em questão (Kampel, 2003). O homem toma decisões que mudam e sustentam este complexo ambiente urbano. É nele que se encontram áreas industriais, comerciais, de serviços, as ruas, os parques, os bairros residenciais e outros espaços públicos que a conformam enquanto materialidade. A esta materialidade somam-se ações e relações presentes na dinâmica das cidades e compreender este espaço passa pelo entendimento das instâncias sociais num contexto espaço-temporal. Desta forma, o planejamento territorial urbano é dependente de informações factuais interurbanas e intraurbanas, necessárias para as soluções dos principais problemas que hoje ocorrem nas cidades como as inundações, deslizamentos, ilhas de calor, conurbação, congestionamentos, entre outros (Souza, 2012). Atualmente, mais da metade da população mundial vive em áreas urbanas, e no ano de 2030, esta porcentagem poderá atingir 60% (Moore, Gould, & Keary, 2003). No Brasil, segundo o Instituto Brasileiro de Geografia e Estatística, esta situação é ainda mais característica, pelo menos 80% da população vive em áreas urbanas (IBGE, 2002). A configuração do espaço geográfico em território contempla não apenas uma mera visão de pedaço de terra, mas sim todas as peculiaridades oriundas da agregação da vida humana ao ambiente terrestre. O homem sempre moldou a natureza em favor de sua sobrevivência e se hoje a mesma é preservada em prol do desenvolvimento sustentável isto se dará em favor, também, do sucesso evolutivo humano. Tal relação converge para as previsões de ameaça à disponibilidade de recursos e superpopulação, sendo primordial o emprego de novas estratégias para distribuição da ocupação territorial primordial, uma vez que, dados 1

12 corroborarem que a população instalada em ambientes costeiros ultrapassa um quarto da população brasileira (26,6%), representando um contingente de aproximadamente 50,7 milhões de habitantes (IBGE, 2011). Alia-se a isso o fato de que as mudanças do clima são consideradas o grande desafio a ser enfrentado pela humanidade no Século XXI. O Brasil, como signatário da Convenção- Quadro das Nações Unidas sobre Mudanças do Clima e, em consonância com as metas sugeridas pelo Marco de Ação de Hyogo , comprometeu-se a formular medidas de mitigação e adaptação a tais mudanças. As ocupações costeiras sejam de povoamentos, ou de uso comercial/industrial, encontram-se vulneráveis aos eventos climáticos, por isso a variável populacional deve ser intrínseca em projetos de ordenamento territorial litorâneo (Brasil, 2009). Para responder de forma eficaz aos desafios do planejamento e da gestão urbana e regional, no que diz respeito a geoinformações para estudos demográficos, torna-se primordial os avanços tecnológicos nas áreas geoespaciais como a Geomática, principalmente diante de geotecnologias como sensoriamento remoto (SR) e sistemas de informação geográfica (SIG). Estas tecnologias possibilitam, de forma sistemática e em diferentes escalas, monitorar mudanças e fazer análises sobre as ocupações populacionais, auxiliando o desenvolvimento de estratégias para gerenciá-los (Souza, 2012). O problema que se apresenta é que a variável população para estudos de modelagem e planejamento nas zonas costeiras carece de metodologias robustas para espacialização e predição. Os mapas coropléticas de representação espacial populacional e o caráter decenal do censo brasileiro implicam em barreiras perante a disponibilidade espaço-temporal da informação, bem como a escolha de imagens orbitais para estudos demográficos entrarem em conflito com a escala mais adequada de trabalho. Para isso, esta dissertação propõe identificar e modelar os tecidos urbanos 1 de ocupação na costa, através da geoinformação, revelada em dados de sensoriamento remoto e técnicas de análise espacial em ambiente SIG, para representar e caracterizar na escala regional a quantidade e distribuição da população no litoral de Santa Catarina. Destarte, as abordagens aqui apresentadas utilizaram a variável populacional sob o enfoque do parâmetro Pessoas Residentes do IBGE visto que o país carece de levantamentos adicionais refinados quanto às populações flutuantes. Outrossim, a associação 1 Mancha ou Tecido Urbanizado Estruturas criadas para abrigar as atividades sociais, de forma concentrada, como cidades, instalações portuárias e áreas industriais, sendo responsáveis pela caracterização e configuração de extensas áreas litorâneas. Sempre se associa à sua existência a transformação, em maior ou menor escala, dos demais elementos paisagísticos e ambientais (Projeto Orla, 2002). 2

13 destas pessoas aos tecidos urbanos dar-se-á por meio de um limite territorial estabelecido através das imagens orbitais do satélite DMSP-OLS que identifica os focos de luzes noturnas oriundas das atividades antrópicas. O estudo envolveu a elaboração de uma ferramenta híbrida contendo um modelo populacional preditivo e de superfícies de densidade demográfica, inseridas nos limites dos tecidos urbanos, como variável antrópica de entrada para futuras modelagens ambientais no âmbito do Sítio 28 do Programa Ecológico de Longa Duração PELD. Este Programa visa à determinação e hierarquização da sensibilidade ambiental dos ecossistemas da zona costeira do estado de Santa Catarina, a fim de balizar o futuro monitoramento das áreas mais sensíveis aos eventos causados pelas mudanças climáticas, conservando e mantendo a biodiversidade marinha. Desta forma, amalgamados ao decorrer desta dissertação encontram-se duas bases de dados primordiais a pesquisa: IBGE: Censo / NOAA: DMSP OLS e dois grandes pilares metodológicos alicerçados em: Modelo Preditivo Populacional Desagregação Espacial Populacional 1.1 Instituto Brasileiro de Geografia e Estatística IBGE: censo no Brasil A primeira coleta de dados sobre a quantidade da população brasileira foi realizada em 1972, posteriormente sob o regime republicano, houve a inclusão do caráter decenal dos censos. Os censos demográficos constituem a única modalidade de informação sobre a situação de vida da população em cada um dos municípios e localidades do País. Em 1960 os recenseamentos passaram a adotar a técnica de amostragem na coleta das informações e os resultados divulgados classificados em 2 grupos: Resultados do Universo e Resultados da Amostra. A descentralização político-administrativa reinstaurada com a Constituição de 1988 aumentou enormemente a demanda por informações mais desagregadas, e com as evoluções em termos de detalhamento populacional novas tecnologias foram agregadas as contagens populacionais. Desta forma o censo de 1991, utilizou pela primeira vez disquetes e sistemas informatizados de consulta aos microdados e dados agregados como forma de disseminação das informações censitárias. Após consultas e treinamentos em outros países e o atendimento aos critérios internacionais para elaboração de censos contemplados no documento Principles and Recommendations for Population and Housing Censuses o Brasil em 2010, em sua décima segunda edição censitária, obteve significativos avanços relacionados à contagem populacional como a construção de uma base territorial exclusivamente digital incorporando 3

14 aspectos rurais e urbanos, utilização de computadores de mão com sistema GPS, preenchimento de questionários pela internet e a incorporação do Cadastro Nacional de Endereços para Fins Estatísticos CNEFE base do futuro Sistema de Informações Georreferenciais SIG/Brasil (IBGE, 2013). 1.2 Programa Americano de Satélites Meteorológicos de Defesa O Defense Meteorological Satellite Program 2 (DMSP) entrou em operação na década de 60 como um satélite de uso militar, destinado à defesa do território americano. Sua administração dá-se pelo Space and Missile Systems Center 3, U.S. Air Force (SMC), que projeta, constrói, lança e mantém satélites monitorando grandezas físicas, meteorológicas, oceanográficas, solar e terrestre. Os satélites do programa DMSP possuem período orbital de 101 minutos, quase-polar e heliossíncrona, com altitude aproximada de 830 Km. Cada satélite passa até duas vezes por dia sobre o mesmo ponto da superfície terrestre e possui uma cobertura global a cada 6 horas. Os sensores presentes detêm variadas funções, como imageador de micro-ondas, perfil de temperatura e vapor d água atmosférico, estudos geomagnéticos e geofísicos, e imageamento de ondas eletromagnéticas nas regiões do visível e infravermelho. O sensor Operational Linescan System (OLS) é um radiômetro oscilatório de varredura, com 3000 km de faixa de visada, e resolução espacial de 1 km pós-tratamento. É constituído de dois telescópios que captam a radiação na faixa do visível (0,4 a 1,10µm) e na faixa do infravermelho (10 a 13 µm). À noite o sinal da banda visível é intensificado por um Photo Multiplier Tube 4 PMT que aumenta a sensibilidade em 4 vezes, e detecta focos do infravermelho próximo termal. Com objetivos meteorológicos o PMT detecta a distribuição e a temperatura no topo das nuvens, iluminadas pela radiação lunar, sendo os dias sem cobertura de nuvens utilizados para monitorar as luzes emitidas pelas cidades, edifícios, áreas industriais, áreas de queimadas, etc. Segundo Kampel (2003) a imagem noturna do satélite é adquirida aproximadamente entre 20:30 e 21:00 h, horário local, com a resolução radiométrica de 6 bits (63 níveis de cinza) e resolução espacial de aproximadamente 1Km 2. 2 Programa de Satélites Meteorológicos de Defesa. 3 Centro de Sistemas Espaciais e Mísseis da Força Aérea dos E.U.A. 4 Tubo Fotomultiplicador. 4

15 1.3 Modelos Preditivos: DMSP OLS versus População A demografia é representada pelo ramo da geografia que engloba as dimensões, estatísticas, estrutura e distribuição das diversas populações humanas e suas características dentro de um território. De acordo com Sherbinin et al. (2002), variáveis demográficas como tamanho, densidade e distribuição da população podem ser modeladas através de ferramentas geoespaciais aliadas a imagens orbitais. O conceito de população abordado na presente pesquisa está relacionado aos censos e contagens demográficas do Instituto Brasileiro de Geografia e Estatística (IBGE), desta forma será utilizado o parâmetro da estimativa de pessoas residentes sendo analisada sua distribuição e alocação no espaço geográfico costeiro. Para propósitos de modelagem em escala regional, as informações que descrevem a população humana e sua distribuição são escassos. Os dados demográficos são restritos aos Censos decenais e estimativas estatísticas intercenso para algumas cidades metropolitanas que não representam a realidade em estudo. Dados de sensoriamento remoto, especialmente imagens de luzes noturnas, oriundas do satélite do departamento de defesa americano DMSP OLS, que capta as radiações eletromagnéticas do infravermelho próximo termal, tem sido utilizadas como uma fonte de informação alternativa para identificar assentamentos urbanos e indiretamente para caracterizar a distribuição populacional humana. A utilização das imagens produzidas por tal sensor ganhou significativo reconhecimento devido: Estudos Populacionais e outros tendo em vista evidências de sua eficácia em estimativas populacionais por modelos lineares e exponenciais (Elvidge et al., 1997; Kampel et al., 2005; Sutton & Barbara, 1998); Mapeamento de Áreas Urbanas (Cao et al., 2009; Imho et al., 1997; Lu et al., 2008); Atividades Econômicas (Doll, 2010; Gallaway et al., 2010; Kampel et al., 2005; Chand et al., 2006; Nghiem et al., 2009); Gestão de Desastres (Dobson et al., 2000; Kohiyama et al., 2004); Dinâmica Urbana (Zhang & Seto, 2011); Epidemiologia (Kloog et al., 2008); Conservação da Biodiversidade (Davies et al., 2014; Mazor et al., 2013). Algumas das primeiras evidências encontradas em estudos populacionais foram relatadas por (Elvidge et al., 1997) na Europa e Américas do Sul e Norte onde se evidenciam 5

16 relações lineares de focos de luzes DMSP com o logaritmo dos valores de população (R 2 = 0,85), produto interno bruto (R 2 = 0,97) e o consumo de energia elétrica (R 2 = 0,96). Abaixo segue uma breve descrição dos modelos utilizados neste estudo e cabe ressaltar que a sistemicidade destas alternativas é peça fundamental para subsidio da robustez do modelo gerado para predição populacional. O modelo clássico de regressão linear envolve, a predição de uma variável resposta com distribuição de probabilidade Normal em função de uma ou mais variáveis explanatórias, e um erro associado a imprecisão do modelo. A equação derivada é do tipo: y i = ß 0 + ß 1 x i + ε i (1) Onde: ß0: representa o valor que y assume quando x=0; ß1: representa quanto é o incremento (ou decréscimo) de y quando x aumenta em uma unidade; e εi: representa o erro associado ao modelo. Modelos Lineares Generalizados foram apresentados por (Nelder & Wedderburn, 1972) e emergem em situações que a variável resposta obedece a outras distribuições que não a normal, regida pelas famílias exponenciais de distribuição, ou em que a relação entre a variável resposta e as variáveis explicativas, a função link, é linear. Diversos autores discutem que os componentes básicos deste modelo (Conceição et al., 2001; Imhoff et al., 2004; Mayer & Sant Ana, 2013; Nelder & Wedderburn, 1972) são: 1. Componente aleatório: K valores independentes Y 1,...,Y k, de uma variável resposta que segue uma distribuição da família exponencial, com valor esperado E(Y i )= µ i ; 2. Componente sistemático: K vetores xi= (1 x i1 x 12 ʌ x ip ) t, i=1,...,k, contendo os valores das p variáveis explicativas que se arranjam sob um estrutura linear matricial; 3. Função de ligação ou link: uma função monotônica e diferenciável g, chamada de função de ligação que conecta os componentes aleatório e sistemático, tal que: g(µ i ) = x i t β, i=1,..., K (2) Com β= (β1 β2 βp) representando o vetor de parâmetros a serem estimados. 6

17 Cada βi em (2) determina o efeito da variável Xi em g(µi) e o vetor β na equação homóloga pode ser estimado pelo método de máxima verossimilhança, sendo assim seus cálculos envolvem um processo iterativo. O Modelo Aditivo Generalizado é uma extensão do modelo acima descrito (MLG), em que o termo x t i β= Σ j x ij β j é substituído por Σf j (x ij ), com f j (x ij ) denotando uma função não paramétrica (cuja forma não é especificada), valendo-se basicamente de uma combinação do algoritmo Scoring de Fisher com métodos de alisamento. Com essa substituição, a função link não precisa assumir uma relação linear entre os componentes aleatório e sistemático. Essa função estimada (f^j(x ij )), também chamada de curva alisada, em muitas situações, nada mais é do que algum tipo de média dos valores Y i na vizinhança de um dado valor x i. Significativa importância devem ser dadas ao tipo de média dos valores de y a ser calculada e o tamanho da vizinhança (k) para a escolha do alisador. A curva alisada permite então descrever a forma, e mesmo revelar possíveis não linearidades nas relações estudadas, uma vez que não apresenta a estrutura rígida de uma função paramétrica (Hastie & Tibshirani, 1990; Conceição et al., 2001; Guisan et al., 2002). 1.4 Desagregação Espacial: DMSP OLS versus Distribuição Populacional Em se tratando do adensamento demográfico no litoral brasileiro, o estado de Santa Catarina acompanha o estabelecimento histórico de comunidades tradicionais semi-isoladas estabelecidas sob as necessidades da economia de mercado. Contando ainda com a atividade turística de veraneio como principal difusor de ocupação. A especulação imobiliária possibilita a proliferação de balneários e de grandes empreendimentos que representam ameaça à integridade dos ambientes costeiros e marinhos devido à tendência em causar a ocupação inadequada do solo, a desfiguração paisagística e a destruição de ecossistemas, afetando e incrementando os conflitos com grupos de usuários diversos (CIRM/MMA, 2005). A representação de superfícies de densidade populacional sempre foi um desafio às abstrações computacionais do espaço, principalmente devido aos efeitos do problema de unidade de área modificável (Modifiable Areal Unit Problem MAUP). Causado pela agregação de dados espaciais em áreas, ou seja, ocorre a generalização da informação ao se agregar o dado a uma área, bem como se observa abruptas alterações dos mesmos em suas bordas (Figura 1) (Openshaw, 1984). 7

18 A B C Figura 1. Exemplificação da problemática MAUP. As figuras A, B e C demostram que, em uma mesma escala de análise, a elaboração de diferentes zonas de agregação, resulta em diferentes resultados oriundos de uma mesma base de pontos. Fonte: Diversos pesquisadores (Kampel, 2003; Mesev, 1998; Silveira & Kawakubo, 2013; Wu et al., 2005) têm salientado o potencial das ferramentas da geoinformação como o Sensoriamento Remoto (SR) e os Sistemas de Informação Geográfica (SIG) em modelos híbridos para potencializar tais análises. Desta forma, a representação espacial ocorre em função das manchas urbanas e seus limites contemplam as superfícies de densidade, suavizando a restrição às bordas impostas pela unidade de área e representando a distribuição de maneira mais realista. Em virtude dos cientistas sociais trabalharem com esta abordagem de análise, fundamentada em dados censitários e mapeamentos por unidade de amostra, a problemática supracitada (MAUP) retorna ao foco do problema. A coleta de dados censitários já envolve uma generalização espacial, ou seja, as unidades de representação de coleta dos mesmos não representam a realidade espacial de distribuição do fenômeno, sendo esta diretamente relacionada às particularidades do tecido urbano. Neste sentido, a densidade populacional deve ser representada através de uma estrutura mais refinada, ou seja, em superfícies regulares que descrevem a densidade por unidade de área e contemplam as peculiaridades desta como áreas inabitadas, estritamente urbanas e rurais. Dados geoespacias, como os provenientes de técnicas de sensoriamento remoto, descrevem a heterogeneidade espacial e possibilitam a redistribuição mais apropriada da variável em estudo (Kampel, 2003). As técnicas convencionais para modelagem de superfícies populacionais vêm se desenvolvendo concomitantemente ao avanço de novas tecnologias. A convergência tecnológica potencializa a utilização de novas metodologias tendo em vista a possibilidade de utilização de novas ferramentas, e a rapidez com que as mesmas tornam-se disponíveis aos pesquisadores (Werthein, 2000). Este fato pode ser observado na crescente diversidade de trabalhos (Langford & Unwin 1994; Silveira & Kawakubo 2013 e Su et al. 2010; Mennis & Hultgren, 2006; Mennis, 8

19 2003; Sleeter & Michael, 2008), que abordam a alteração do padrão tradicional de mapeamentos da densidade demográfica, conhecido como método coroplético. Este método apresenta como problema a inclusão de áreas não residenciais na espacialização das densidades demográficas, mascarando a densidade populacional real e sua distribuição no espaço (Figura 2A). Esta questão gerou a necessidade de alternativas como a metodologia dasimétrica (Wright, 1936) que promove um entendimento mais realista do fenômeno espacial da densidade demográfica, uma vez que faz uso de informações geografias complementares a distribuição populacional, como distribuição de residências, rodovias, vegetação. Cada densidade medida é então calculada assumindo que as áreas de unidade populacional foram identificadas pelos fatores de distribuição e serão limitadas pelos mesmos. A representação das descontinuidades espaciais representa o ganho realístico do método conforme observado na Figura 2B. A B Figura 2. Exemplificação do mapeamento coroplético (A) e dasimétrico (B) de Astoria, Oregon. Fonte: Sleeter & Gould (2007). Portanto, este trabalho irá contribuir para que os modelos ambientais de previsão de riscos, diante a iminência de eventos naturais catastróficos, desenvolvidos para regiões litorâneas incluam de uma maneira mais condizente com a realidade a distribuição populacional e sua dinâmica mesmo em épocas intercensitárias. Para alcançar o objetivo desta dissertação, é necessário responder as seguintes perguntas: É possível estimar a distribuição da densidade populacional em tecidos urbanos com base em setores censitários e imagens orbitais do satélite DMSP OLS? Quais fatores podem correlacionar intensidade luminosa do satélite DMSP OLS com distribuição populacional? 9

20 Análises estatísticas oriundas do processamento de imagens DMSP OLS e dados do Censo/IBGE podem predizer dados em períodos intercenso? 10

21 2. Objetivos 2.1 Objetivo Geral Estimar uma distribuição de densidade populacional no litoral de Santa Catarina através de tecidos urbanos identificados nas imagens OLS e dados censitários do IBGE. 2.2 Objetivos Específicos Analisar quais fatores podem ser responsáveis pelas alterações de intensidade luminosa nas imagens DMSP/OLS no litoral de Santa Catarina; Ajustar um modelo estatístico para predição de dados intercenso com base nos fatores identificados e imagens DMSP/OLS; Associar os tecidos urbanos identificados em imagens DMSP/OLS as bases de uso do solo para implementação de um fator de distribuição para metodologia dasimétrica; Associar distribuição da densidade populacional nos tecidos urbanos com base em dados dos setores censitários censo IBGE e classes de intensidades de luz obtidas por meio de imagens DMSP/OLS através da metodologia dasimétrica; Aplicar o método proposto para a área de estudo do Sítio 28 do Programa Ecológico de Longa Duração (litoral de Santa Catarina). 11

22 3. Material e Métodos 3.1 Área de estudo A área em estudo compreende a totalidade dos municípios catarinenses banhados pelas águas do Atlântico, como também outros, amalgamados à análise em virtude das divisões censitárias municipais e dos limites utilizados pelo Sítio 28 do Programa Ecológico de Longa Duração (PELD), as ottobacias nível 6, conforme ilustrado na Figura 3. Ao total 80 municípios, considerando as emancipações recentes do Balneário Rincão e Pescaria Brava, integram as análises presentes nesta dissertação. Em suma população total em 2010, nos municípios estudados, era de habitantes, em uma área total de 19628,21 Km 2, perfazendo uma densidade populacional média de 176 hab/ Km 2. Figura 3. Localização da área em estudo no litoral de Santa Catarina. De acordo com os dados setoriais obtidos no Plano de Gestão Estadual da Zona Costeira e dados censitários (IBGE, 2010), o litoral catarinense é dividido por cinco grandes unidades territoriais. O litoral Norte apresenta área de aproximadamente 3.109,91 Km² na sua faixa terrestre, e uma população de habitantes nos municípios de Joinville, Araquari, São Francisco do Sul, Itapoá, Garuva, Barra Velha e Balneário Barra do Sul, perfazendo uma densidade populacional de 212 hab/km 2. 12

23 O litoral Centro-Norte, Setor 2, abrange nove municípios: Piçarras, Penha, Navegantes, Itajaí, Balneário Camboriú, Camboriú, Itapema, Bombinhas e Porto Belo. Tais municípios distribuem-se por uma faixa terrestre de 904,986 Km 2, onde vivem aproximadamente habitantes, resultando na maior densidade habitacional (569 hab/km 2 ) entre os setores costeiros e grandes tendências a conurbação. A maior concentração de população na zona costeira catarinense encontra-se no Setor 3, ou litoral central, que inclui a capital do Estado, Florianópolis. Cerca de pessoas, distribuem-se em seis municípios: Florianópolis, São José, Biguaçu, Palhoça, Governador Celso Ramos e Tijucas com extensão territorial de 1.985,65 Km 2 e densidade populacional de 438 hab/km 2. O litoral centro-sul do Estado apresenta área de aproximadamente 2.060,55 Km 2, e uma população de habitantes nos municípios de Paulo Lopes, Garopaba, Imbituba, Imaruí, Laguna e Jaguaruna. Na economia de tais municípios destacam-se as atividades portuária, turismo, e de agricultura, predominando a pastagem e rizicultura. O litoral sul apresenta área de aproximadamente 1.410,70 Km 2, e uma população de habitantes nos municípios de Araranguá, Balneário Arroio do Silva, Balneário Gaivotas, Içara, Passo de Torres, Santa Rosa do Sul, São João do Sul e Sombrio. Do ponto de vista econômico destacam-se as atividades portuárias, industrial, agrícola, aquícola, pesca, turismo e extração mineral e vegetal; e no âmbito físico-natural caracteriza-se pela ocorrência do Complexo Lagunar Sul Catarinense. Os demais munícios contemplados neste estudo serão amalgamados as análises sendo sua descrição apensa ao decorrer desta dissertação caso haja necessidade. 3.2 Base de Dados Os dados utilizados para presente pesquisa são de domínio público e disponíveis gratuitamente nos sites do IBGE 5, SPG/SC 6 e NOAA/EOG 7. Todas as abordagens envolveram total ou parcialmente dados geoespaciais, tabelas de informação, e ferramentas de SR e SIG para integração e manipulação de um banco de dados. Tal abordagem incidiu em edição dos atributos vetoriais e imagens, infundindo, agregando e potencializando a informação em geoinformação. Desta forma os dados foram sistematizados e espacializados a partir de técnicas de geoprocessamento utilizando o programa ArcGIS 10.2, constituindo um sistema de

24 informação geográficas SIG (Figura 4). A manipulação e extração de dados e os produtos cartográficos foram gerados em coordenadas geográficas, referencial planimétrico World Geodetic System WGS84 e meridiano central Greenwich (0.0) para a modelagem estatística; e para a metodologia dasimétrica em coordenadas planas, projeção Universal Transversa de Mercator UTM, zona 22S e meridiano central -51 ; e referencial planimétrico South American Datum SAD69. Figura 4. Layout da metodologia executada na presente dissertação Instituto Brasileiro de Geografia e Estatística IBGE Aproveitando o histórico censitário nacional buscou-se contemplar todos os anos com contagens oficias e trazer a discussão alguns anos com populações estimadas por meio das metodologias do IBGE. Devido a este fato os anos que compuseram a base de dados aqui utilizados com arquivos no formato shapefile e planilhas correlatas foram 1991, 2000, 2007, 2010, 2011 e Outrossim, foram adicionadas a base de dados as malhas políticoadministrativas digitais dos municípios catarinenses dos anos de 1991, 2000, 2007, 2010 e Os anos de 2011 e 2012 foram representados pelos limites territoriais de 2013 tendo em vista a emancipação dos municípios de Pescaria Brava e Balneário Rincão. Todas as análises e abordagens aqui propostas foram implementadas com auxílio do software ArcGIS

25 3.2.2 Variáveis associadas à intensidade luminosa Diante das evidencias de que as luzes noturnas captadas estão indiretamente associadas a presença humana (Elvidge et al., 1997; Kampel et al., 2005; Small et al, 2005), buscou-se trazer a discussão outros fatores que pudessem explicar parte da variabilidade dos dados na modelagem e desta forma potencializa-la. Tendo isso em mente, efetuou-se uma coleta a fontes de dados secundárias em diversos repositórios como: Centrais Elétricas de Santa Catarina S.A. (CELESC); Departamento Nacional de Trânsito (DENATRAM); Secretaria de Estado do Desenvolvimento Sustentável (SDS/SC). Todas as análises e abordagens aqui propostas foram implementadas com auxílio dos softwares Excel 2010 e R (R Core Team, 2014), uma linguagem e ambiente computacional para estatística de código aberto e distribuição gratuita Programa Americano de Satélites Meteorológicos de Defesa Atualmente as imagens DMSP OLS são disponibilizadas pelo National Geophysical Data Center NGDC que, desde 2000 publica algumas versões com tratamento prévio dos dados. Em janeiro de 2010 o NGDC publicou sua quarta versão intitulada Version 4 DMSP- OLS Nighttime Lights Time Series V4DNLTS, contemplando dados históricos do sensor OLS desde O banco de dados contempla uma fusão de imagens anuais com três tipos de saídas raster: cloud free coverage, average visible, e stable lights (NSL). As imagens utilizadas na presente pesquisa concernem as NSL que contemplam luzes estáveis de cidades, vilas e outros sítios caracterizados com luzes persistentes incluindo queima de gases. Apresentam resolução espacial de aproximadamente 1 km, distribuída de 180 a 180 longitude até -65 e 70 latitude e resolução radiométrica de 6 bits (DN 0 63). Os variados satélites em atividade não contemplam calibração on-board (Elvidge et al., 2009) e recebem a denominação Fxi, sendo as imagens atuais obtidas pelo sistema orbital F18. A manipulação e implementação das imagens obtidas foram realizadas com auxílio do software ArcGIS Intercalibração de Imagens DMSP OLS O objetivo da intercalibração é permitir a comparação entre as imagens históricas contidas na base de dados DMSP OLS, visto que seus satélites não apresentam calibração on-board. Esta metodologia foi apresentada por Elvidge et al. (2009), e basicamente consiste em ajustar um modelo de regressão quadrática (equação 3) em função dos anos estudados. 15

26 Sua utilização encontra-se bem difundida na comunidade científica (Liu et al., 2012; Pandey et al., 2013; Small & Elvidge, 2011, 2013). DN calibrated = a DN 2 + b DN + c (3) Onde: DN é o valor original do pixel DMSP OLS, DN calibrated é o valor DN intercalibrado após a correção com os coeficientes de regressão quadrática a, b e c ajustados. A implementação do método em questão envolveu inicialmente uma análise exploratória dos dados NSL coletados nos anos de 1992, 2000, 2007, 2010, 2011 e Todas as análises e abordagens aqui propostas foram implementadas com auxílio dos softwares ArcGIS 10.2 e R (R Core Team, 2014) Modelos Preditivos: DMSP OLS versus População A modelagem populacional envolveu inicialmente alguns testes estatísticos com modelos lineares evoluindo a modelos generalizados lineares e aditivos. Tal linha evolutiva deu-se devido a complexidade das relações entre as variáveis envolvidas na modelagem, originando-se então a alternativa da inclusão de novas famílias exponenciais de distribuição de probabilidade como: Binomial Negativa e Poisson; e como essas variáveis se relacionam dentro do modelo, seja pela função link no Modelo Linear Generalizado (GLM) (Nelder & Wedderburn, 1972) ou com o enfoque do Modelo Aditivo Generalizado (GAM) (Hastie & Tibshirani, 1990) uma alternativa para a modelagem de relações não lineares não especificadas. Desta forma utilizaram-se abordagens como GLM e GAM com diferentes especificações, bem como variáveis explicativas, parâmetros estatísticos e famílias de distribuição de probabilidade distintas para obtenção do melhor ajuste. Todas as análises e abordagens aqui propostas foram implementadas com auxílio do software R (R Core Team, 2014) Desagregação Espacial: DMSP OLS versus Distribuição Populacional A modelagem espacial proposta no presente estudo envolveu a utilização de desagregadores espaciais amalgamados à metodologia dasimétrica. Os dados utilizados foram obtidos no mapeamento dos tecidos urbanos através das imagens DMSP OLS, setores censitários do IBGE, bem como, classificação supervisionada do uso do solo do projeto PELD obtida para o ano de 2010, através do sensor orbital Enhanced Thematic Mapper Plus 16

27 (ETM+) do satélite Land Remote Sensing Satellite (Landsat 7). Devido ao fato da classificação compreender imagens de 2010 toda base de dados foi ajustada para tal ano e desta forma os resultados representam a realidade daquele ano. Destarte a associação dos pixels NSL/2010 com os usos do solo oriundos da classificação supervisionada foi realizada através de técnicas de geoprocessamento em ambiente SIG e posteriores análises de histogramas de frequências acumuladas no software Excel, o que direcionou os limiares de intensidades de luzes noturnas pertencentes as classes de usos de luz noturna originadas. Os usos solicitados contemplam as seguintes classes: 3 Áreas Altamente Urbanizadas; 2 Áreas Esparsamente Urbanizadas; 1 Áreas Rurais; e 0 Áreas Inabitadas. O objetivo de um mapa com os usos de luz noturna diz respeito a implementação da metodologia dasimétrica e as ponderações realizadas pela metodologia para desagregação populacional. Assim sendo, parte-se do mapa coroplético em nível municipal e dele se distribui a população tendo-se como base as classes de luz noturna estabelecidas. De maneira geral, esta etapa da metodologia pode ser observada na figura 5 sendo para o presente caso, apenas um fator de redistribuição da população, oriundo da fusão de duas bases de dados, originando assim uma nova intitulada uso de luz noturna. Figura 5: Redistribuição de setores censitários para densidades populacionais limitadas por tecidos urbanos (INPE, 2003 Adaptado por Zambrano, 2013). A metodologia foi proposta por (Mennis, 2003) e envolve a resolução das seguintes equações em uma ferramenta computacional desenvolvida para ambiente SIG (Sleeter & Michael, 2008): 17

28 d uc = P uc /(P hc + P lc + P nc ) (4) Onde: d uc : fração de densidade populacional da classe de urbanização u no setor c; Puc: densidade populacional da classe de urbanização u no setor c; Phc: densidade populacional da classe de urbanização h (high) no setor c; Plc: densidade populacional da classe de urbanização l (low) no setor c; e Pnc: densidade populacional da classe de urbanização n (non-urban) no setor c. a ub = (n ub /n b )/0.33 (5) Onde: a ub : proporção de área da classe de urbanização u no bloco b; n ub : número de células da grade da classe de urbanização u no bloco b; e n b : numero de células da grade no bloco b. f ubc = (d uc *a ub )/ [(d hc *a hb ) + (d lc *a lb ) + (d nc *a nb )] (6) Onde: f ubc : fração total de ocupação da classe de urbanização u no bloco b e no setor c; d uc : fração de densidade populacional da classe de urbanização u no setor c; a ub : proporção de área da classe de urbanização u no bloco b; d hc : fração de densidade populacional da classe de urbanização h (high) no setor c; a hb : proporção de área da classe de urbanização h no bloco b; d lc : fração de densidade populacional da classe de urbanização l (low) no setor c; a lb : proporção de área da classe de urbanização l no bloco b; e d nc : fração de densidade populacional da classe de urbanização n (non-urban) no setor c; a nb: proporção de área da classe de urbanização n no bloco b. pop ubc = (f ubc *pop b )/n ub (7) Onde: pop ubc : população alocada a uma célula da grade da classe de urbanização u no bloco b e no setor c; f ubc : fração total de ocupação da classe de urbanização u no bloco b e no setor c; pop b : população no bloco b; e n ub: número de células da grade referente a classe de urbanização u no bloco b. A ferramenta utilizada incorpora um limiar de amostragem empírica em percentagem (entre %) para cálculo da fração de densidade populacional. Desta forma o limiar define os métodos de espacialização, sendo que, caso sua porcentagem de cobertura não seja encontrada em nenhuma amostra, a ferramenta utiliza a ponderação pela área como método de desagregação. 18

29 Devido a necessidade de dados auxiliares que potencializassem a distribuição populacional frente as bases utilizadas e as potencialidades dos dados DMSP OLS optou-se por trabalhar na escala municipal, desta forma as populações dos municípios foram distribuídas em densidade populacional a partir dos limites municipais procedendo-se sua espacialização em pixel s de 1 Km 2, resolução espacial do DMSP OLS. As superfícies de densidade criadas serviram para evocar a luz do mapeamento dos tecidos urbanos, uma representação espacial refinada da distribuição populacional, e tecer considerações diversas a respeito do comportamento populacional costeiro em virtude dos tecidos urbanos identificados. 19

30 4. Resultados 4.1 Intercalibração de Imagens DMSP OLS Para possibilitar a comparabilidade dos dados NSL, os valores extraídos foram calibrados em função do satélite F16, ano base 2007, em virtude do mesmo apresentar o maior comprimento de vetor de correlação (5.658) entre todos os anos (Tabela 1). Tabela 1: Matriz quadrática de correlação dos dados DMSP OLS. ANOS X1992 X2000 X2007 X2010 X2011 X2012 X X X X X X Σ Desta forma, tal data foi utilizada para calibração anual como variável dependente nas equações quadráticas de regressão linear, conforme metodologia desenvolvida por Elvidge et al. (2009). No presente caso, foram desenvolvidas equações de regressão quadráticas para os diferentes anos e satélites usando a equação (3) e os coeficientes empiricamente derivados em vista da comparação dos DN s de outras imagens em referencia ao ano base. Desta forma os dados NSL foram calibrados e encontram-se disponibilizados na tabela 2. Tabela 2: Ajustes modelados para intercalibração dos dados. Satélite Ano Intercept DMSPOLS DMSPOLS 2 R F F F F F F DMSP/OLS e variáveis correlatas: relações lineares e inferências iniciais Como etapa inicial de desenvolvimento e mineração de dados a pesquisa objetivou buscar as tendências espaciais dos dados (Figura 6) e as relações lineares apresentadas pela literatura mundial. Optou-se por trabalhar com os dados do censo de 2010, visto que as bases de variáveis correlatas encontram-se sem falhas, bem como as análises de distribuição populacional ocorrerão no ano homólogo. 20

31 Figura 6: Modelo de tendência aplicado aos dados pela ferramenta geoestatistical wizard do ArcGIS 10.2, sendo que a figura A representa a distribuição populacional em função do litoral e a figura B a distribuição dos focos de luzes noturnas DMSP OLS em função do litoral. Desta forma, os dados foram processados, analisados e abaixo encontram-se os gráficos e respectivos R 2 (Figura 7, Figura 8, Figura 9, Figura 10 e Figura 11). Figura 7: Regressão linear entre pessoas residentes (IBGE) e soma de luzes noturnas (DMSP OLS) ano base Figura 8: Regressão linear entre numero de consumidores de energia (CELESC) e soma de luzes noturnas (DMSP OLS) ano base

32 Figura 9: Regressão linear entre consumo de energia (CELESC) e soma de luzes noturnas (DMSP OLS) ano base Figura 10: Regressão linear entre frota de veículos (DENATRAN) e soma de luzes noturnas (DMSP OLS) ano base Figura 11: Regressão linear entre o Produto Interno Bruto (PIB) e soma de luzes noturnas (DMSP OLS) ano base Quando da elaboração dos gráficos de correlação os outliers 8 foram mantidos em virtude do entendimento, a luz dos dados coletados, de quais motivos poderiam estar associados a intensificação ou redução da manifestação dos pixels NSL. Assim sendo, alguns dados coletados a nível municipal, foram tabulados e tratados de maneira a entender o que 8 Representam observações que destoam do padrão e apresentam maior afastamento das demais da série. 22

33 pode manifestar a intensidade de luz noturna além da presença humana dentro destes outliers. Desta forma, procedeu-se uma abordagem de gráficos em pizza devido a facilidade de interpretação dos dados (Figura 12, Figura 13, Figura 14, Figura 15, Figura 16, Figura 17, Figura 18 e Figura 19). Figura 12: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Joinville. Figura 13: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Balneário Camboriú. 23

34 Figura 14: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Itajaí. Figura 15: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Biguaçu. 24

35 Figura 16: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Florianópolis. Figura 17: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Palhoça. 25

36 Figura 18: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de São José. Figura 19: Tipos de domicílios (IBGE), Consumidores e Consumo Elétrico (CELESC) e Frota de Veículos (DENATRAN) para o município de Içara. 4.3 Modelos Preditivos: DMSP OLS versus População A abordagem iterativa dos modelos preditivos permitiu uma estratégia de análise focada no modelo que obtivesse o máximo de explicação da variabilidade populacional através das variáveis explicativas utilizadas, principalmente as luzes noturnas DMSP OLS. Avaliou-se também, através da análise das correlações entre as variáveis (Figura 20), o grau 26

37 de colinearidade entre as variáveis independentes, visto que a falta desta potencializa o modelo em incrementar informações adicionais, ou seja, não redundantes. Desta forma, as variáveis explicativas colineares foram excluídas da análise. Figura 20: Correlação e averiguação de colinearidade entre as variáveis explicativas. Os valores dentro das caixas acima da diagonal representam o grau de correlação de Pearson entre as vaiáveis (obs: os asteriscos vermelhos indicam grau de significância do teste estatístico ( 0 *** ** 0.01 * ). A determinação do melhor modelo subsidiou-se nos valores do Informação de Akaike (AIC) 9, Graus de Liberdade e na porcentagem de explicação da variável resposta. Desta forma dentre as abordagens testadas o modelo 13 representado pelo Modelo Aditivo Generalizado (Tabela 3) e a família de distribuição Binomial Negativo apresentou o menor AIC ( ), bem como seus graus de liberdade (21.02) e a percentagem de explicação da variável resposta (94.45%) mostraram-se a melhor alternativa frente as possíveis penalidades diante a escolha de outro modelo. 9 O critério AIC (Akaike, 1973) é uma medida da qualidade do modelo estatístico utilizado para um dado conjunto de dados. Ela previne a inserção de preditores irrelevantes. Quanto menor o seu valor teoricamente melhor é o ajusto do modelo, todavia não deve ser fator determinante de escolha, visto que outros parâmetros estatísticos também devem ser avaliados na modelagem. 27

38 Tabela 3: Critérios de comparabilidade entre os modelos. ID Abordagem G.L. AIC % Explicação Mod 1 GLM Poisson % Mod 2 GLM Poisson % Mod 3 GLM Poisson % Mod 4 GLM Poisson % Mod 5 GLM Binomial Negativo % Mod 6 GLM Binomial Negativo % Mod 7 GLM Binomial Negativo % Mod 8 GLM Binomial Negativo % Mod 9 GAM Poisson % Mod 10 GAM Poisson % Mod 11 GAM Poisson % Mod 12 GAM Poisson % Mod 13 GAM Binomial Negativo % Mod 14 GAM Binomial Negativo % Mod 15 GAM Binomial Negativo % Mod 16 GAM Binomial Negativo % Destarte procedeu-se o teste de significância para averiguar se as funções smooth eram condizentes com a realidade das variáveis em estudo. Isso posto, a Tabela 4 comprova que as funções utilizadas, exceto o consumo, vêm ao encontro de um comportamento não linear com p-valor <0.05 e nível de confiança de 95%. A identificação de que a variável consumo apresenta comportamento linear com p-valor <0.56 e nível de confiança de 95% apenas representa que o modelo não aplicou uma função smooth ao mesmo, mantendo seu comportamento linear na modelagem. Tabela 4: Teste de Significancia dos termos do smooth (função não linear para cada parâmetro / p-value < 0,05 smooth term significativo). Teste de Significancia dos termos do smooth edf Ref.df Chisq p-value s(pib) 7,207 8, ,534 < 2e-16 s(frotaveiculos) 1,741 2,157 14,582 0, s(consumo) 1,000 1,000 0,328 0, s(dmsp) 6,970 7, ,078 < 2e-16 Os demais testes diagnóstico para inferência do modelo representam as dimensões (o numero de nós) das funções smooth aditivas adotadas, representando a adequação do ajuste modelado a um p-valor > 0.05 (Tabela 5); e a figura 21 representando a plotagem dos resíduos do modelo. 28

39 Tabela 5: Teste diagnóstico do comportamento das dimensões das funções aditivas para cada parâmetro (p-value < 0,05 indica que as k dimensões escolhidas podem ser relativamente baixas) Teste diagnóstico do comportamento das dimenssões das funções aditivas para cada parametro k' edf k-index p-value s(pib) 9,000 7,207 1,007 0,560 s(frotaveiculos) 9,000 1,741 1,040 0,680 s(consumo) 9,000 1,000 0,921 0,120 s(dmsp) 9,000 6,970 1,032 0,680 Figura 21: Análise dos resíduos do modelo Desagregação Espacial: DMSP OLS versus Distribuição Populacional Os primeiros resultados obtidos denotam a relação entre os usos do solo e às intensidades luminosas, desta forma após a aplicação das técnicas em ambiente de processamento pôde-se estabelecer um uso de luz noturna através dos histogramas de frequência acumulados (Figura 22). 29

40 Figura 22: Histogramas de frequência acumulada utilizados para classificação das zonas de uso de luz. Após a análise dos histogramas houve o enquadramento dos usos de luz noturna, ou seja, agregou-se o conhecimento dos usos do solo às intensidades de luz correspondentes originando uma possível classificação das intensidades luminosas para posterior distribuição populacional. Assim sendo, esta camada deriva uma fonte de informação auxiliar para guiar a metodologia dasimétrica. Os intervalos de classes foram estabelecidos e os usos encontram-se abaixo espacializados no litoral de Santa Catarina sob a seguinte perspectiva: 3 Áreas Altamente Urbanizadas; 2 Áreas Esparsamente Urbanizadas; 1 Áreas Rurais e 0 Áreas Inabitadas (Figura 23). Figura 23: Mapa de luzes noturnas e de classes de uso de luz noturna. 30