Elevene og diskusjon

O segundo grupo de interpoladores discutido utiliza variáveis auxiliares, indicadoras da presença humana, para distribuir a população nas superfícies de densidade. Como descrito por Goodchild et al. (1993), a chave para interpolar dados sócio-econômicos de uma representação para outra é estimar uma superfície contínua subjacente: uma superfície intermediária que suporte e seja a base para distribuir a variável em questão. Uma maneira de estimar a distribuição da população é através de métodos dasimétricos, definidos como qualquer forma de mapeamento onde o atributo reportado é redistribuído dentro de zonas originais, tomando-se como base informações obtidas em dados externos auxiliares. O objetivo é criar limites de densidade para a variável mapeada mais próximos de sua verdadeira distribuição geográfica, do que o usualmente apresentado em um mapa temático, que impõe os limites das zonas de agregação para apresentar a variável. Langford et al. (1991) usaram um método de modelagem baseado em regressão para criar estimativas de densidade populacional considerando várias categorias de cobertura do solo. A limitação deste método encontra-se em não preservar o volume na superfície modelada.

Langford e Uwin (1994) adaptaram o método dasimétrico para gerar superfícies utilizando-se de informação resultante da classificação de uso do solo por imagens de satélite. Fisher e Langford (1995) usaram a divisão binária de áreas ocupadas e não- ocupadas nas zonas de origem. Às áreas não-ocupadas foi atribuído o valor zero de densidade populacional, de modo que a população total da zona se concentrou nas áreas ocupadas e garantiu a preservação do volume. Contudo, caso não sejam definidas áreas ocupadas pelos dados externos, não será possível alocar a população da zona.

Outra maneira de evitar problemas de preservação de volume e redistribuição de população na superfície resultante é através de ponderação pela da área de diferentes classes de uso. Spiekermann e Wegener (2000) descrevem o método para desagregar população e índices de emprego a partir de dados zonais utilizando classes de uso do solo como fator de peso para a desagregação (Figura 2.3).

Martin et al. (2000) desenvolveram um método híbrido que incorpora diferentes métodos dasimétricos para a construção de modelos de superfícies de população descontínuas, baseados em dados de censo e sensoriamento remoto para a Irlanda do Norte. A informação de cobertura do solo derivada da classificação de uma imagem Landsat TM foi usada para redistribuir a população dentro dos setores censitários (ED -

enumeration districts). A partir do um mapa binário, resultante da classificação, foi

proposta uma equação de regressão linear, considerando a proporção de área construída e não construída, para redistribuir a população em cada ED. Os termos da equação foram as estimativas globais e relativas da densidade populacional nos pixels de área construída ou não-construída. Categorias de uso: Residencial Denso Residencial Industrial Solo Exposto Pesos Probabilidade por célula (detalhe)

10 5 1 1

n total de pesos

Dado zonal para microdado

Probabilidade N de intervalos o

1487 elementos

100

50 elementos 10

Figura 2.3 – Desagregação de dados zonais em células. FONTE: Spiekermann e Wegener (2000).

Analogamente aos métodos dasimétricos, Deichmann e Eklundh (1991) descreveram um Smart SIM (Spatial Interpolation Methods) para interpolar dados censitários de população usando informações disponíveis em mapas digitais de localização e tamanho de assentamentos urbanos e outras feições físicas relacionadas à densidade populacional. O interpolador é considerado “inteligente” porque usa informação

espacial de outras fontes para orientar a interpolação. Estas informações são manipuladas de modo a compor uma superfície de ponderação que “mapeia” os dados originais na superfície de saída.

O projeto LandScan constiuti outro exemplo de interpolador “inteligente”, onde dados censitários globais foram redistribuídos em células de 30” x 30”, o que equivale a aproximadamente 1 km no Equador (Dobson et al., 2000). O modelo de população utilizado considerou as variáveis proximidade de estradas, uso do solo e luzes noturnas para definir um coeficiente de probabilidade que distribui a população em uma superfície. Representa desta forma não apenas a população residente, mas o conceito de população em risco ou a chamada “ambient population” que integra movimento diurno e hábitos de movimentos coletivos em uma única medida. O objetivo ao criar esta superfície foi prover informações para medidas emergenciais no caso de desastres naturais ou decorrentes de atividade humana. Este projeto segue desenvolvendo superfícies de população atualizadas, para escalas mais detalhadas, diferenciando a distribuição da população diurna e noturna (Bhaduri et al., 2002).

As críticas que são feitas aos métodos interpoladores ditos inteligentes advêm da simplicidade e da subjetividade empregada no estabelecimento de relações entre as variáveis preditoras, indicativas de densidade populacional, e a variável de interesse, no caso, população. A fragilidade ou robustez do interpolador depende dos critérios adotados para a seleção das variáveis indicadoras e as inter-relações com a população. Durante o projeto Medalus III, Turner e Openshaw (2001) desenvolveram interpoladores “mais inteligentes” (Smarter SIM e Clever SIM) que além de usar variáveis auxiliares para alocar a população, fazem uso de redes neurais para representar as relações entre as variáveis preditoras e a variável que está sendo interpolada. Neste caso, uma rede neural é treinada para estimar os valores de saída baseando-se nas variáveis de entrada, através de um exemplo, ou seja, dos dados de treinamento. Uma vez a rede treinada, outras áreas serão mapeadas seguindo o mesmo critério. O treinamento das redes neurais é um processo computacionalmente custoso, porém fundamental para o sucesso de mapeamento em outras áreas. A superfície de densidade gerada é resultante de uma “caixa-preta” pois é muito difícil entender o significado dos parâmetros internos para mapear os dados de entradas nas superfícies de saída.

Novamente, o uso de interpoladores inteligentes será tão eficiente quanto mais precisa for a escolha das variáveis e o conhecimento das inter-relações entre elas.

Interpoladores inteligentes e seus variantes apresentam-se como métodos promissores para desagregar a população na Amazônia, redefinindo a densidade populacional no interior dos limites municipais. Para tanto, é fundamental a definição de um modelo que indique quais variáveis são indicadoras da presença humana e qual a relação entre estas variáveis. A exemplo da superfície gerada pelo LandScan, seria necessário adaptar o modelo genérico criado para representar a população “em risco” de todo o globo para a expressar a densidade populacional na Amazônia. Uma vez definido o conjunto de variáveis e a importância relativa de cada uma, será necessário utilizar dados auxiliares para representar estas variáveis. A qualidade e a exatidão da superfície resultante será diretamente influenciada pela qualidade dos dados.

Alguns estudos apresentam comparações entre as técnicas de interpolação para definir superfícies de densidade populacional. Seis modelos, utilizados para distribuir a população nos Enumeration Districts - EDs na Irlanda do Norte foram comparados por Martin et al. (2000): o modelo dasimétrico baseado em imagem TM-Landsat descrito anteriormente, o modelo de centróides ponderados original (Surpop), e quatro inovações do Surpop. Estas inovações referem-se a inclusão de medidas de dispersão, e a inclusão do código postal nos dados de origem. Todos os métodos tiveram melhor desempenho na área urbana, uma vez que na área rural os centróides representam populações maiores, dificultando a reconstrução de um padrão de distribuição. O método dasimétrico foi o de melhor desempenho ao se avaliar a reconstrução da população total do ED. De modo geral, os maiores erros ocorreram em áreas urbanas onde os EDs tinham dimensões menores que a resolução da célula da grade. As técnicas mostraram- se sensíveis à resolução espacial e populacional dos dados de entrada, ou seja, a qualidade do dado é mais importante que os detalhes dos algoritmos. Os autores ressaltam ainda o potencial da combinação de diferentes abordagens de acordo com o tipo de região a ser modelada, principalmente para dados históricos ou dados censitários.

Ao compararem o desempenho dos interpoladores Picnofilático de Tobler, ponderado pela área e os interpoladores inteligentes, Turner e Openshaw (2001) observaram um

melhor desempenho dos interpoladores inteligentes. Alertam, porém para o fato dos interpoladores inteligentes serem dependentes da existência de dados auxiliares para guiar corretamente a interpolação.

CAPÍTULO 3