Relação entre densidade populacional e padrões de

Relação entre densidade populacional e padrões de degradação florestal em uma
frente consolidada de desmatamento na Amazônia
Taise Farias Pinheiro
1. Contexto
Nos últimos anos, grande atenção tenha sido dada à estimativa do carbono que
potencialmente é liberado para atmosfera devido às atividades antrópicas, mas ainda existe
grande incerteza sobre o balanço do carbono terrestre (Houghton, 2005). Acredita-se que
parte dos erros associados ao balanço de carbono origina-se de incertezas sobre os
componentes potencialmente emissores de carbono que não estão sendo considerados no
balanço, especialmente a degradação florestal, que tem aumentado em freqüência e extensão
na Amazônia (Asner et al. 2002; Asner et al. 2005; INPE 2008). A representatividade desta
atividade no balanço do carbono terrestre é ainda pouco compreendida e complexa de ser
estabelecida, pois a partir do momento em que inicia-se a exploração seletiva de madeira, a
degradação florestal progressiva pode seguir diversas e desconhecidas trajetórias, com
diferentes impactos sobre a biomassa florestal.
Está descrito na literatura que umas das possíveis trajetórias do desmatamento inicia-se com a
retirada sistemática de madeira para diferentes usos (construção civil, compensados) podendo
culminar na supressão total da floresta. Quando a remoção completa da cobertura florestal
ocorre em um curto intervalo de tempo, em geral, menos de um ano, esse processo é
denominado corte raso (INPE, 2008). No corte raso, a cobertura florestal é totalmente
removida e substituída por outras coberturas e usos (agrícola, pastagem, núcleos urbanos,
etc.). Quando o processo de remoção da cobertura florestal é mais lento, e dura mais de 3 a 4
anos, apresentando eventos de incêndios florestas, o processo é denominado degradação
florestal progressiva (INPE, 2008). Nesse processo, a primeira etapa consiste quase sempre na
retirada das espécies de maior valor comercial (extração seletiva de madeira), seguido pela
retirada de espécies que fornecem madeira para a construção civil. Por fim, são colhidas as
árvores de madeiras leves, para a produção de compensados e placas. Dessa forma,
diferentemente do desmatamento por corte raso, o processo de degradação florestal pode
levar vários anos (Barlow e Peres, 2008), sendo que cada estágio, pode apresentar diferentes
padrões e arranjos espaciais associados aos diferentes contextos sócio-econômicos e formas
de ocupação humana que variam enormemente na Amazônia.
No entanto, ainda há poucos trabalhos na literatura especializada que tratam de definir
tipologias de padrões de degradação florestal, e critérios que permitam estabelecer as
relações entre esses padrões e os diferentes processos de ocupação. Além disso, relacionar
aspectos demográficos com as alterações no uso e cobertura da terra tem se mostrado um
desafio, pois a maioria trabalhos existentes se dividem entre trabalhos em escalas micro (no
nível de estabelecimentos e de assentamentos rurais), ou escalas macro, com dados
agregados, tendo como unidade espacial de análise o município ou o estado (Gavlak, 2011).
O sensoriamento remoto e as geotecnogias são consagradas como as principais ferramentas
para a avaliação da extensão, intensidade e trajetória do desmatamento, em diferentes escalas
(Escada, 2003; Silva et al, 2008; Oliveira e Metzger, 2008; Saito, 2010), e mais recentemente
como ferramentas de análise das relações entre padrões de mudança de cobertura da terra e
dinâmica populacional. Segundo Mccraken et al. (2002), estudos sobre mudanças de uso e
cobertura da terra devem possibilitar a integração entre dados provenientes de imagens de
sensoriamento remoto e dados sócio-demográficos, combinando técnicas de processamento
de imagem com métodos analíticos das ciências sociais.
2. Objetivo
O objetivo deste trabalho é identificar associações entre a densidade populacional e padrões
de degradação florestal em uma fronteira agrícola consolidada da Amazônia, analisando o
período de 2000.
3. Área de estudo
Este estudo será desenvolvido em uma região inserida no município de São Félix do Xingu,
localizado no estado do Pará (Figura 1). Em 2000, a população do município era de XX em
2000. De acordo com os dados do PRODES, no ano de 200 o município acumulava cerca de 70
mil Km² de área desflorestada, cerca de 8% da área do município.
Figura 1 – Área de estudo
4. Método
4.1 Mapeamento da degradação florestal
A classificação dos polígonos de degradação foi é feita na imagem TM/Landsat, apoiada no
mapa do PRODES, que integra todo o histórico de desflorestamento (corte raso) mapeado, e
as áreas de não-floresta. Esta máscara foi utilizada para evitar que desmatamentos antigos
identificados pelo PRODES fossem classificados como degradação florestal, isto porque
considerou-se que uma vez indicado como corte raso pelo Prodes, a área não poderia ser
reclassificada como degradação florestal.
A classificação supervisionada (Spring, Câmara et al. 1992) foi feita a partir das imagens fração
solo do modelo linear de mistura espectral (MLME). O MLME visa estimar a proporção das
componentes solo, vegetação e sombra, para cada pixel da imagem, a partir da resposta
espectral nas diversas bandas, gerando as imagens-fração solo, vegetação e sombra
(Shimabukuro et al. 1991). As bandas 3, 4 e 5 do TM/Landsat são utilizadas, formando um
sistema de equações lineares que pode ser resolvido utilizando o método dos Mínimos
Quadrados Ponderados. O modelo de mistura espectral pode ser escrito como:
ri=a*vegei+b*soloi+c*sombrai+ei,
onde ri é a resposta do pixel na banda i da imagem AWIFS; a, b e c são proporções de
vegetação, solo e sombra/água que compõem o pixel; vegei, soloi e sombrai correspondem as
respostas espectrais de cada uma das componentes citadas; ei é o erro de estimação intrínseco
para cada banda i.
Esta classificação resultou em uma mapa de floresta e degradação florestal, que será utilizado
como base para aplicação da técnica de mineração de dados no GeoDMA (Korting et al. 2008).
4.2 Mineração de dados: Degradação Florestal Progressiva
O desmatamento por degradação florestal progressiva é definido como um processo
gradativo, no qual se observa a perda parcial e contínua da cobertura florestal, com o
conseqüente aumento da proporção de solo exposto. Após a análise da imagem referente à
área de estudo, foi possível identificar e caracterizar diferentes níveis de intensidade de
degradação: Inicial, Moderada e Avançada. O tipo e a descrição de cada padrão podem ser
visualizados na Tabela 1.
Tabela 1: Padrões de degradação florestal progressiva
Tipo
Inicial
Padrões
Descrição
- Pequenas manchas
- Manchas isoladas
- Baixa densidade
Moderado
- Manchas pequenas a média
- Manchas próximas
- Média densidade
Avançado
- Alta densidade
- Manchas médias e
grandes
- Manchas agrupadas
As métricas da paisagem CA (Class área) e MSI (Mean Shape IndexI) foram utilizadas para
mapear os tipos de degradação florestal. A métrica CA está relacionada à área de todos os
fragmentos de cada classe. A métrica MSI está relacionada à média do índice shape para os
fragmentos de cada classe.
4.3 Distribuição da população
O resumo das técnicas utilizadas para gerar a superfície de população pode ser visualizado na
Figura 2.
Figura 2 – Técnicas utilizadas para gerar a superfície de população (Amaral, 1995)
Para obter um mapa da distribuição populacional, foram recuperados dados que
representassem as variáveis indicadoras da ocorrência de população (Tabela 2), para
desagregar a população da malha censitária de 2000. Estas variáveis foram escolhidas de
acordo com relatos da literatura (Gavlak, 2011; Amaral, 2005).
Tabela 2 – Variáveis utilizadas para desagregar os dados de população
Dados
Ano
Fonte
Representação
Localidades
2000
Trabalho de
campo
Pontos
Estradas
2000
IBGE
Linhas
Hidrografia
2000
ANA
Linhas
Cobertura florestal
2000
TM/Landsat 5
Mapa temático
A lógica Fuzzy foi utilizada para gerar uma superfície de ocorrência potencial da população,
através da adição das informações contidas nas variáveis indicadoras. A lógica Fuzzy pode ser
utilizada para tratar situações intermediárias, para as quais o analista não possui informação
completa.
Para atribuir os valores de pertinência fuzzy foi utilizada a função de pertinência quadrática
(equação 1), assim como realizado por Amaral (2005) e Gavlak (2011).
(1)
O valor de beta (β) corresponde ao valor da variável para quando a possibilidade de ocorrência
de população é máxima e equivale a um. O valor de alfa (α) é adquirido a partir do valor da
variável para a situação em que a ocorrência ou não ocorrência de população teriam a mesma
possibilidade de acontecer, ou seja, para quando o valor da função for igual a 0,5. Essa função
é representada pela equação 2, onde z é o valor da variável para quando f(z) = 0,5:
(2)
A contribuição relativa das variáveis foi obtida pela o método AHP (Analytic Hierarchy Process)
(Saaty, 1980), que é um método de análise multicriterial baseado em um processo de
comparação pareada, no qual os diversos atributos de interesse são representados através de
sua importância relativa.
Posteriormente, a população foi desagregada do setor censitário (polígonos) nas células a
partir da equação 3:
Pgrid i  PCT I
 Fgrid i

F
 grid I




(3)
Onde Pgrid é a população da célula que será calculada, PCTI é a população do setor censitário,
Fgridi é o valor fuzzy de possibilidade de ocorrência de população para a célula, e FgridI é a
somatória de todos os Fgridi, considerando apenas as células válidas.
4.4 Compatibilização dos dados de uso e cobertura da terra e dados populacionais
A superfície de população gerada na etapa anterior e o mapa de degradação florestal
progressiva da sessão 4.2 foram integrados em um espaço celular através do plugin de
preenchimento de células do TerraView 4.1, com células de tamanho de 2 x 2 km (Figura 3). O
plugin de preenchimento de células (Aguiar et al., 2008) possibilita calcular valores para
atributos de tabelas associadas a planos de informação do tipo celular. O objetivo é
homogeneizar informações provenientes de diferentes fontes, em formatos distintos (dados
vetoriais, matriciais, etc), agregando-os em uma mesma base espaço-temporal.
Figura 3 – Esquema de integração de dados populacionais e de degradação florestal
5. Análise estatística
Utilizou-se a Correlação não paramétrica de Spearman para avaliar o efeito da densidade
populacional sobre o padrão de degradação florestal mapeado. Para avaliar a significância do
coeficiente da correlação de Spearman utilizou-se a simulação de Monte Carlo, gerando-se
1000 amostras aleatórias contendo 100 observações.
6. Resultado e Discussão
6.1 Análise de padrões de degradação florestal
Após o mapeamento da degradação florestal, utilizou-se a técnica de mineração de dados para
classificação dos padrões de degradação, através do GeoDma (Korting et al. 2008). A figura 4
mostra a árvore de decisão gerada para a classificação dos padrões de degradação. Entre as
duas métricas da paisagem selecionadas no GeoDMA, a CA (Class Area), métrica relacionada à
área de todos os fragmentos de cada classe, foi suficiente para discriminar os padrões de
degradação florestal determinado a priori. Assim, a classe floresta não apresentou fragmentos
característicos da degradação, e as demais classes apresentaram um grau crescente de
cobertura de degradação na célula, de acordo com a Figura 4.
Figura 4 – Árvore de decisão gerada com a técnica de mineração de dados no GeoDMA
A Figura 5 mostra a distribuição espacial das classes de degradação florestal mapeada de
acordo com a árvore de decisão gerada. Para o ano de 2000, observou-se que a maior parte da
área estava coberta por floresta (51,7%) e corte raso (38,8%) (Figura 6). Entre as classes de
degradação florestal, a classe degradação inicial foi predominante (7,2%), seguido pela
degradação moderada (2,05%) e, por fim, avançada (0,05%).
Figura 5 - Mapeamento do uso e cobertura da terra na área de estudo para o ano de 2001
Figura 6 - Número de células classificadas nas classes de uso e cobertura da terra na área de
estudo para o ano de 2001
6.2 Distribuição da população
Para elaborar as superfícies de distribuição espacial da população foi necessário estabelecer
valores das variáveis onde a possibilidade de ocorrência de população fosse igual a 1, zero ou
0,5, de acordo com a técnica de inferência função fuzzy utilizada. A distribuição de freqüência
das localidades em relação à distância aos rios (Figura 7) indica que 90% das comunidades
estão no máximo a 100 km de distância dos rios. A distribuição de freqüência das localidades
em relação à distância às estradas (Figura 8) indica que 90% das comunidades estão no
máximo a 67 km de distância das estradas. A relação entre a porcentagem de floresta e
presença de população foi determinada de forma empírica, considerando que é improvável
encontrar núcleos de população em regiões de densa cobertura florestal (Gavlak, 2011;
Amaral, 2005). Assim, considerou-se que quando há mais de 99% de cobertura florestal, não
há possibilidade de ocorrência da população.
Assim, baseando-se em estatística descritiva de cada variável (gráfico de freqüência
acumulativa de distância dos rios e estradas a localidades) definiu-se os parâmetros máximos,
mínimos e médios das variáveis que foram associados ao intervalo de 0 a 1 da função fuzzy
(Tabela 3).
Figura 7 – Freqüência acumulada e histograma da distância de estradas à localidades
Figura 8 – Freqüência acumulada e histograma da distância de rios a localidades
Tabela 3 – Parâmetros das variáveis indicadoras de população para a inferência Fuzzy
Variável
valor
f(z)
alfa
beta
Distância a estradas
≤
12000
1
5086.00 163008
=
58000
0.5
>
67000
0
Distância a localidades
Distância a rios
Porcentagem de
floresta
≤
=
>
≤
=
>
18000
27000
45000
100000
48000
12000
1
0.5
0
1
0.5
0
78266.00
≤
=
>
0.25
0.5
0.99
1
0.5
0
1.51
14138
96145.00 245407
0.8314
A contribuição relativa das variáveis indicadoras foi obtida pela técnica AHP (Analytic
Hierarchy Process). A ponderação final utilizada na média ponderada das variáveis é
apresentada na Tabela 4. A combinação das variáveis indicadoras gerou a superfície de
densidade populacional para o ano de 2000 (Figura 9).
Tabela 4 – Ponderação da importância relativa das variáveis indicativas de população
Variável
Ponderação
Distância a rios
0.148
Distância a estradas
0.417
Porcentagem de
floresta
0.031
Distância a localidades
0.350
Razão de consistência: 0.09
Figura 9 – Distribuição espacial da população da área de estudo para o ano de 2000
6.3 Relação entre distribuição populacional e degradação florestal
O coeficiente estimado de correlação de Spearman foi de 0.08, indicando forte correlação
entre densidade populacional e ocorrência de degradação florestal. No entanto, de acordo
com o método de Monte Carlo este coeficiente não é significativo, uma vez que os n
coeficientes estimados com a simulação de 1000 amostradas indicou alta probabilidade de
ocorrência de valor nulo (0). Desta forma, concluiu-se que não há relação entre densidade
populacional e estágios da degradação florestal.
7. Conclusões
Cada vez mais os estudos científicos têm evidenciado uma inexistência da relação direta entre
densidade populacional e desmatamento, evidenciando que outros fatores, tais como, a
dinâmica populacional tem papel fundamental na mudança de uso e cobertura da terra. Este
estudo levanta indícios de que, também para padrões de degradação florestal, não há uma
relação direta com densidade populacional. No entanto, estudos futuros deveriam analisar a
relação entre dinâmica populacional, evolução dos padrões da degradação florestal
progressiva e formação de núcleos urbanos. Há indícios de que, para esta região, a rápida
trajetória da degradação florestal em direção à supressão total da floresta (corte raso) possa
estar relacionado à formação de novos núcleos urbanos. Para tanto, novas tipologias de
degradação florestal, com semânticas relacionadas à ocupação humana, deverá ser formulada.
8. Bibliografia
Aguiar, A.P., Andrade, P.R., Ferrari, P.G. 2008. Plug-in de Preenchimento de Células. Divisão de
Processamento de Imagens. Instituto Nacional de Pesquisas Espaciais, São José dos Campos.
Amaral, S.; Monteiro, A. M. V.; Câmara, G.; Quintanilha, J. A. 2005. Estimativa da distribuição
espacial da população na Amazônia brasileira com o uso de sensoriamento remoto orbital:
contribuições das imagens CCD/CBERS no caso do Município de Marabá-PA. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 12. (SBSR), 2005, Goiânia. Anais... São José dos
Campos: INPE, 2005. p. 765-774. CD-ROM, On-line. ISBN 85-17-00018-8. (INPE-12611PRE/7904). Disponível em: <http://urlib.net/ltid.inpe.br/sbsr/2004/11.20.16.29>.
Asner, G.P; Keller, M.; Pereira, R.; Zweed, J.C. 2002. Remote sensing of selective logging in
Amazonia: assessing limitations based on detailed field observations, Landsat ETM+, and
textural analysis. Remote Sensing of Environment, v. 80, n.3, p. 483-493.
Asner, G.; Knapp, D., Broadbent, E.; Oliveira, P.; Keller, M.; Silva, J. 2005. Selective logging in
the Amazon Region. Science, v. 310
Barlow, J.; Peres, C. A. 2008. Fire-mediated dieback and compositional cascade in Amazonian
forest. Philosophical Transactions of the Royal Society of London Series B-Biological Sciences.
Gilberto Câmara, Ricardo Cartaxo Souza, Ubirajara Freitas, Juan Garrido. 1996. “SPRING:
Integrating Remote Sensing and GIS with Object-Oriented Data Modelling”. Computers and
Graphics, 15(6): 13-22.
Escada, M. I. S. 2003. Evolução de padrões de uso e cobertura da terra na região CentroNorte de Rondônia. 264 p. (INPE-10209-TDI/899). Tese (Doutorado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2003. Disponível
em: <http://urlib.net/sid.inpe.br/jeferson/2003/06.30.13.31>. Acesso em: 05 abril 2011
Gavlak, A. 2011. Padrões de mudança de cobertura da terra e dinâmica populacional no
distrito florestal sustentável da br-163: população, espaço e ambiente. Dissertação
(Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais (INPE), São
José dos Campos – SP.
Houghton, R.A. 2005. Aboveground Forest Biomass and the Global Carbon Balance. Global
Change Biology, v.11, p. 945-958.
Instituto Nacional de Pesquisas Espaciais (INPE). 2008. Relatório técnico-científico contendo a
avaliação detalhada do Deter 2006/2007. Disponível em: http://www.obt.inpe.br/deter/
Korting, T. S.; Fonseca, L. M.; Escada, M. I. S.; Silva, F. C.; Silva, M. P. S. 2008. GeoDMA: a novel
system for spatial data mining. IEEE International Conference on Data Mining Workshops.
Mccracken, S., A. Siqueira, E.F. Moran; E.S. Brondízio. 2002. Land-Use Patterns on an
Agricultural Frontier in Brazil: Insights and Examples from a Demographic Perspective. In.
Wood and R. Porro, Deforestation and Land Use in the Amazon. Gainsville, FL: University
Press of Florida, 2002.
Oliveira Filho, F. J. B.; Metzger, J. P. 2006. Threshold in landscape structure for three common
deforestation patterns in the Brazilian Amazon. Landscape Ecology, n. 21, p. 1061-1073
Saaty, T.L. 1980. The Analytic Hierarchy Process, New York: McGraw Hill. Pittsburgh: RWS
Publications.
Saito, E. 2010. Caracterização de trajetórias de padrões de ocupação humana na Amazônia
Legal por meio de mineração de dados. Dissertação (Mestrado em Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2010.
SHIMABUKURO, Y. E.; SMITH, J. A. 1991. The least-squares mixing models to generate fraction
images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and
Remote Sensing, v. 29, n. 1, p. 16-20.
Silva, M. P. S.; Câmara, G.; Escada, M. I. S.; Souza, R. C. M. 2008. Remote-sensing image mining:
detecting agents of land-use change in tropical forest areas. International Journal of Remote
Sensing, v.29, n.16, p. 4803-4822.