MODELAGEM DE DINÂMICA

AMBIENTAL DINAMICA EGO

Britaldo S. Soares Filho, Hermann O. Rodrigues, William L. 1Costa (2009)

Centro de Sensoriamento Remoto/Universidade Federal de Minas Gerais. Av. Antônio Carlos

6627, Belo Horizonte, 31270-901, MG, Brasil.
Britaldo S. Soares-Filho, Hermann O. Rodrigues, William L. Costa (2009)

REVISED EDITION - (Out 2015)

Adolfo Andrés Hincapié García

Elaine Lopes da Costa
Kelen Karla Reis Oliveira
Samira da Conceição Sabadini

Copyright © 2009 by Britaldo Silveira Soares-Filho

All rights reserved

TEXT EDITING
Britaldo Silveira Soares Filho
TEXT REVISING
Silvia Weel
Peter Schlesinger
COVER PAGE
Britaldo Silveira Soares-Filho
Flávio de Castro Oliveira
FORMATTING
Flávio de Castro Oliveira
Letícia de Barros Viana Hissa
Britaldo Silveira Soares-Filho

2
 Conteúdo
1. Introdução ...................................................................................................................................... 4
1.1 O que há de novo no Dinamica EGO 3 .................................................................................. 5
1.2 Interface Gráfica do Dinamica EGO .................................................................................... 13
1.3 Map Viewer .......................................................................................................................... 22
1.4 Formatos e Estrutura dos Dados........................................................................................... 25
2. Lição 1: Construindo um modelo simples.................................................................................... 28
3. Lição 2: Incorporando iterações a um modelo ............................................................................. 40
4. Lição 3: Usando o conceito de região .......................................................................................... 49
5. Lição 4: Calculando uma superfície de custo acumulado e um caminho de menor custo ........... 56
6. Lição 5: Avaliação Multicritério no Dinamica EGO ................................................................... 67
6.1 Primeiro Passo: Encontrando áreas sem impedimentos ....................................................... 68
6.2 Segundo Passo: Construindo buffers para definir áreas inapropriadas ................................ 69
6.3 Terceiro passo: Calculando tempo de deslocamento para cidades vizinhas ........................ 76
6.4 Quarto passo: Combinando os critérios booleanos .............................................................. 78
6.5 Quinto passo: Identificando as áreas adequadas. ................................................................. 84
6.6 Sexto passo: Estabelecendo a declividade média nas manchas selecionadas ...................... 86
7. Lição 6: Construindo um modelo de simulação de mudanças de uso e cobertura da terra .......... 90
7.1 Primeiro passo: Calculando matrizes de transição ................................................................ 93
7.2 Segundo passo: Calculando intervalos para categorização variáveis contínuas .................... 97
7.3 Terceiro passo: Calculando os coeficientes dos Pesos de Evidência .................................. 104
7.4 Quarto passo: Analisando a correlação de mapas ............................................................... 107
7.5 Quinto passo: Ajustando e rodando um modelo de simulação LUCC ................................ 108
7.6 Sexto passo: Validando a simulação usando uma função de decaimento exponencial ....... 112
7.7 Sétimo passo: Validando a simulação usando janelas múltiplas e função de decaimento
exponencial..................................................................................................................................... 117
7.8 Oitavo passo: Executando simulação com formação de manchas ...................................... 122
7.9 Nono passo: Executando a simulação com formação de manchas e expansão ................... 123
7.10 Décimo passo: Projetando trajetórias de desmatamento .................................................... 127
8. Linguagem de script e execução em console do Dinamica EGO ............................................... 130

3
 1. Introdução

O que você irá aprender?

 O que é Dinamica EGO

 O que é um functor
 Sobre o que este guia prático cobre
 O que há de novo no Dinamica EGO versão 3.0 (Outubro, 2015)

Dinamica EGO consiste numa plataforma sofisticada para modelagem ambiental com notáveis
possibilidades para a construção de modelos, desde o mais simples modelo espacial estático até
modelos dinâmicos bastante complexos, os quais podem envolver iterações aninhadas,
retroalimentações dinâmicas, abordagem multiregiões, manipulação e combinação algébrica de dados
em vários formatos, como mapas, tabelas, matrizes e constantes, processos de decisão para bifurcação
e união de fluxos de execução, além de uma série de algoritmos espaciais complexos para a análise e
simulação de fenômenos espaço‐temporais.

A última versão do Dinamica EGO apresenta uma nova interface gráfica, completamente redesenhada
para proporcionar uma melhor experiência do usuário.

O ambiente do software, escrito em C++ e Java, contém uma série de algoritmos chamados functors.
Cada functor executa uma operação. No presente documento implementamos os algoritmos de análise
espacial mais comuns disponíveis nos SIGs comerciais, além de uma série de algoritmos especialmente
desenvolvidos para simulações espaciais, incluindo funções de transição e métodos de calibração e
validação de modelos.

Esses functors são ligados em sequência para estabelecer um fluxo de dados na forma de grafos.
Através da interface gráfica do Dinamica EGO o usuário pode criar modelos simplesmente
selecionando, arrastando e conectando os functors através de seus portos, os quais representam
conexões específicas para cada tipo de dado, como mapas, tabelas, matrizes, expressões matemáticas
e constantes.

Functors podem ser agrupados em containers (recipientes), um tipo especial de functor que é usado,
por exemplo, para executar iterações ou processar dados em regiões específicas de um mapa. Assim,
os modelos podem ser construídos como se fossem diagramas e a execução segue um fluxo encadeado
de dados. Essa interface amigável permite a criação de modelos espaciais, desde os mais simples até
os mais complexos, os quais são salvos em uma linguagem de script no formato XML ou na linguagem
de programação EGO.

Em suma, o software Dinamica EGO favorece simplicidade, flexibilidade e desempenho, otimizando

velocidade e recursos computacionais, como memória virtual e processamento paralelo. A maioria de
seus algoritmos é desenvolvida de forma a aproveitar arquitetura de múltiplos processadores. Além
disso, Dinamica EGO suporta arquivos em formato raster de grande tamanho, até 64.000 x 64.000

4
células, usando paginação em disco. Por outro lado, se há memória disponível, o Dinamica pode
carregar todos os mapas de entrada no início da execução do modelo e mantê‐los na memória apenas
enquanto eles são necessários. Dessa forma, o software acessa o disco apenas ao final de uma execução
para guardar os resultados finais, ou se o usuário especifica, ao final de uma iteração para salvar os
mapas resultantes de cada iteração.

O objetivo desse guia prático é introduzir o usuário às inúmeras possibilidades do Dinamica EGO para
a criação de modelos que podem, verdadeiramente, representar a complexidade de vários fenômenos
geográficos.

1.1 O que há de novo no Dinamica EGO 3

Dinamica EGO 3 apresenta uma interface gráfica completamente nova. Uma lista completa de
alterações pode ser vista abaixo:

I. Modelos

 É possível abrir vários modelos ao mesmo tempo, basta arrastá-los para o script editor.

 A caixa de diálogo do modelo permite atribuir vários nomes aos arquivos.

 A interface não “trava” enquanto o modelo está sendo carregado.

 Abrindo os modelos é possível reordená-los por suas guias correspondentes.

 É possível fechar vários modelos simultaneamente.

 É possível salvar todos os modelos abertos simultaneamente.

 Ao fechar o modelo o programa pergunta se deseja salvar o mesmo.

 O programa decide automaticamente se um projeto deve ser descartado ou mantido ao abrir

novos modelos.

 Arquivos somente leitura são identificados por um ícone especial no script editor.

 É possível imprimir o modelo. A representação visual do conteúdo do modelo e editor são

visíveis para todos os functors, comentários e alias são impressos. Se os detalhes do modelo
também estão sendo impressos, os functors são representados com um identificador
correspondente visível, tornando fácil para coincidir com a representação visual do functor e
seu conteúdo.

 Submodelos locais são apresentados com o seu modelo correspondente, permitindo que
alterações no sub-modelo sejam aplicadas imediatamente ao modelo.

 O menu de arquivos recentemente abertos pergunta se um modelo que falhou ao abrir deve ser
retirado da lista.

5
 II. Library

 A biblioteca permite pesquisar functors.

o Alguns filtros permitem procurar functors por seus nomes, descrições e informações de seus
portos.
o A busca por functors pode ser realizada utilizando os filtros especiais: container, loop,
carrier, hook, mux, junction, loader, save, submodel, systemsubmodel, usersubmodel,
localsubmodel.
o É possível digitar os termos que devem ser usados na pesquisa e depois verificar o resultado
nas outras guias do functor Library.

 Funtors são divididos em geral, submodelos, favoritos e submodelos locais.

 Ao passar o mouse sobre um functor é dado o acesso a uma barra de ação de contexto com
opções para manipular favoritos, consultar a documentação do functor etc.

 Submodelos podem ser editados pelo usuário a partir do functor Library.

 É possível selecionar functors e submodelos como favoritos.

 É possível abrir e fechar o grupo de funtors da lista.

 É possível rolar o conteúdo do functor Library usando a roda do mouse.

 Há certos functors que já apresentam algums functors acessórios, por exemplo, CalculateMap
já vem com um NumberMap, CalculateLookupTable tem um NumberTable etc.

 Functors podem ser criados arrastando seus nomes para o script editor.

 Ao arrastar um functor para o script editor, pressionando a tecla Shift, é feita automaticamente
a conexão da saída do functor atualmente selecionado a entrada do novo functor.

III. Script Editor

 Não há mais modos de edição.

 Há uma nova apresentação dos functors e containers.

 Selecione um functor para arrastá-lo, insira-o em um container ou remova-o a partir do

container.

 O feedback visual mostra se um functor pode ser inserido em um container.

 Um padrão distinto é usado para diferenciar um container minimizado de outros functors.

 Linhas conectando functors dentro de containers minimizados são representadas por uma única
linha.

 O tipo de linha que liga functors representa o tipo de conexão:

o Conexão entre functors: linha regular.

6
 o Conexão entre functors não visíveis dentro de um container ou entre functors não-visível
dentro de um container: tink line.

 A barra de ferramentas visível próxima ao functor selecionado (functor action bar) mostrando
as opções que podem ser aplicadas a esse functor. O sistema coloca a barra de ação
automaticamente para garantir a sua visibilidade. A representação da barra de ação muda
automaticamente para tornar claro qual functor é selecionado.

 Opções para recolher e expandir functors:

o Minimizar somente functors internos.

o Minimizar todos os functors.
o Expandir todos os functors.
o Minimizar e expandir todos os functors de volta ao seu estado salvo.

 Zoom in e out pode ser reexecutado utilizando a roda do mouse. O zoom é centrado em torno
da posição atual do mouse.

 É possível deslocar a visão do modelo, arrastando o botão direito do mouse.

 Ao arrastar um functor, escondem-se todas as conexões, exceto aquelas que ligam o functor.

 A remoção de uma ligação ambígua é possível pela caixa de diálogo em que o usuário pode
escolher qual conexão será removida.

 Ao conectar dois functors aparecerá uma caixa de diálogo de conexão que mostra se a conexão
é ambígua.

 O Layout centraliza a apresentação do modelo no functor selecionado. Se nenhum functor for

selecionado, todo o modelo será mostrado. Se mais de um functor for selecionado, a
apresentação será centralizada na caixa delimitadora resultante.

 É possível copiar, cortar e colar functors selecionados. Functors serão sempre colados na
porção visível da tela.

o Copiando um container irá copiar seu conteúdo também.

o Copiando o conteúdo de um container não copiará o container.
o Todos os portos ligados a functors que não estão sendo copiados estão desconectados.
o É possível dar zoom e mover a visão de modelo usando o Overview.

 Ciclos de modelos inválidos são apresentados visualmente no script editor.

 O modelo é validado automaticamente durante a manipulação do functor. Functors e conexões

inválidas são identificados visualmente e também apresentados em uma lista (Model Issues).

 É possível arrastar e soltar arquivos de mapas, tabelas e pesos de evidência diretamente em seu
modelo. Os functors responsáveis por carregar cada arquivo são criados automaticamente.

 Depois de selecionar uma conexão entre functors, é possível navegar pelos functors
conectados, visualizar a caixa de ligação delimitadora e / ou expandir os functors conectados.

7
 É possível criar automaticamente um grupo em torno de functors selecionados. Também é
possível remover um grupo contendo outros functors.

 É possível criar automaticamente containers especiais (such as loops) em torno de functors

selecionados.

 Ícones especiais podem ser usados para selecionar automaticamente todos os functors,
desmarcar a seleção atual ou selecionar somente os functors filho de um container.

 A visão geral do modelo, o issue pane e explorer são visíveis apenas quando o modelo é visível
na interface gráfica.

 Duplo clique em um functor edita as entradas do functor. Se o functor não tem nenhuma entrada
editável, clicar duas vezes edita seus comentários.

 Minimizar ou expandir um container não aciona uma modificação no modelo atual.

IV. Functor Edition

 Melhoria de layout para editores no functor editor dialog.

 É possível destacar complexos editores de portos do functor editor dialog e editá-los em uma
janela separada.

 Complexos editores de Portos agora preenchem toda a área disponível na caixa do editor dialog
quando eles são o único editor.

 Entradas editáveis que estão ligados a outras saídas podem ser desconectadas diretamente do
functor editor dialog.

 Entradas cuja correção depende do valor de outras entradas são validadas pelo functor editor
diálogo.

 É possível reverter o conteúdo de entradas opcionais de volta para seus valores padrão. Isto
também inclui a entrada de auto-ligação ligado à saída compatível interna de um container.

 As expressões usadas por CalculateMap, CalculateLookupTable, CalculateValue etc são

rejeitadas quando identificadores não vinculados a qualquer correspondente NumberMap,
NumberTable ou NumberValue são usados.

 O editor de expressão mostra quais identificadores [iX, TX e vX] estão disponíveis para serem
usados.

 Ao editar um carrier, o comentário e alias do portador em si são usados como a descrição da

porto e o nome da porto pelo functor editor dialog.

 Os functors hooks agora preenchem o índice automaticamente usando o valor mais adequado
para evitar repetições.

V. Help

 A documentação do functor é mostrado em um painel acoplável.

8
 VI. Model Issues

 A lista de problemas do modelo é atualizada automaticamente durante a edição do modelo.

 A lista está organizada como uma árvore de functor com seus problemas correspondentes.

 É possível recolher e expandir itens da lista.

 É possível pesquisar por temas específicos:

o Questões da lista podem ser pesquisadas pelo nome do functor correspondente, apelido e
mensagens de erro.
o Problemas podem ser pesquisados usando filtros especiais: container, loop, carrier, hook,
mux, junction, loader, save, submodel, systemsubmodel, usersubmodel, localsubmodel.
Estes filtros operam sobre o functor correspondente.

 É possível localizar o functor Model issues na lista de problemas e encontrar a solução para o
functor correspondente na janela do modelo.

 O painel de edição de um modelo é visível apenas quando o modelo correspondente é visível

na interface.

 O total de questões de um functor é visível de acordo com os critérios atuais.

 Ao tentar executar um modelo com questões pendentes, um diálogo de confirmação pergunta

se o usuário gostaria de prosseguir.

 Problemas reportados:

o Ciclos de functor inválidos.

o Ciclos inválidos formados por portos de entrada de um container e no conteúdo de um
container.
o Falta de conexão de entrada.
o Incompatibilidade entre o valor nulo e tipo de célula. 1)
o Valor nulo inválido. 2)
o Tipo de célula não pode ser utilizado por categorização.
o Faltando no container hooks um NumberMap, NameMap etc. 3)
o Identificadores indefinidos usados pela expressão. 4)
o Operações inválidas usadas em expressões por certos tipos de functors, por exemplo, linha,
coluna e funções nbXXXX usado em um CalculateValue. 5)
o Definição do mesmo índice por vários hooks no mesmo container (Select’s, Calculte’s etc).
o Aviso para os Muxes colocados diretamente dentro de um model script.
o Aviso sobre identificadores definidos, mas não usados por uma expressão.
o Aviso sobre a possível perda de desempenho ao utilizar alguns tipos específicos de células.
o Aviso sobre a edição do porto feedback dos Muxes.

9
 o Advertência sobre Passos cujas entradas estão conectadas a algum outro functor.
o Advertência sobre Passos cujas entradas estão sendo editadas.
o Advertência sobre Passos colocados fora do container loop.
o Advertência sobre saídas do carrier não conectadas a quaisquer outros functors.
o Validação dos parâmetros de um CreateCubeMap.
o Advertência sobre hooks usados fora de containers apropriados.

VII. Explorer

 Informações sobre o desempenho de cada functor são atualizadas automaticamente quando o

modelo atual é executado.

 O tempo acumulado gasto por um functor durante a última execução é mostrado junto ao nome
do functor.

 Os functors são apresentados em uma visão hierárquica.

 É possível minimizar e expandir elementos da visão hierárquica.

 É possível pesquisar functors por seus nomes, alias e descrições. Os containers dos functors
encontrados durante a pesquisa são sempre visíveis para indicar claramente onde o functor está
localizado. O tempo acumulado apresentado é atualizado para referir apenas ao tempo
acumulado gasto pelos functors visíveis.

VIII. Submodelos

 Submodelos locais estão contidos em uma pasta nomeada após o nome principal do arquivo do
modelo, mas substituindo pontos com "_" e seguido de "_Submodels". Por exemplo, o principal
modelo "test.egoml" deve colocar seus submodelos locais em uma pasta
"test_egoml_Submodels". A velha pasta "Submodels" é processado para ser compatível com as
versões anteriores do software.

 Submodelos também podem definir submodelos locais [submodelos aninhadas não podem
ainda ser editados utilizando a interface gráfica, mas eles podem ser lidos e escritos como
qualquer outro sub-modelo. A definição também pode incluir outros submodelos locais
aninhados].

 É possível selecionar um grupo e functors e transformar a seleção para um submodelo local. A

seleção irá ser substituída pelo submodelo correspondente. As entradas e saídas conectando um
functor selecionado aos outros functors são usados como entradas e saídas do próprio
submodelo. Um nome exclusivo também é sugerido para o submodelo.

 Functors cujas entradas e / ou saídas estão sendo exportados por um submodelo são pintadas
usando uma decoração especial.

 É possível escolher um ícone personalizado 16 × 16 e 32 × 32 para representar um submodelo.

 Os nomes das entradas e saídas de um sub-modelo são sugeridos automaticamente com base
nos portos e functors selecionados:

o Os nomes das entradas e suas descrições correspondentes são sugeridos de acordo com o
seguinte: se o porto exportado pertence a um carrier e um alias e comentário são definidos,

10
 eles serão utilizados como o nome e descrição do porto. Caso contrário, se o porto exportado
está conectado a outro functor e seu alias e comentário são definidos, eles serão utilizados
como o nome e a descrição do porto. Caso contrário, serão usados o nome de entrada e
descrição.
o O nome das saídas e suas descrições correspondentes são sugeridos de acordo com o
seguinte: se o porto exportado pertence a um carrier e um alias e comentário são definidos,
eles serão utilizados como o nome e descrição do porto. Caso contrário, se o porto exportado
está conectado a um carrier e seu alias e comentário são definidos, eles serão utilizados
como o nome e a descrição do porto. Caso contrário, serão usados o nome de saída e
descrição originais.

 A criação de um sub-modelo a partir de functors selecionados insere automaticamente carriers

no submodelo para evitar entradas redundantes.

 A qualquer momento, é possível aplicar ou descartar alterações de um submodelo local.

 Os erros detectados dentro de um submodelo local são apresentados visualmente por uma
interface gráfica.

 Submodelos locais podem ser importados por outros model scripts. A importação inclui todas
as dependências do submodelo.

 Também é possível importar um usuário ou sistema submodelo e transformá-los em

submodelos locais. Ao fazer isso, o conteúdo do submodelo pode ser editado e o resultado do
submodelo utilizado no modelo.

 Entradas e saídas de um submodelo local podem ser renomeadas a qualquer momento,

mantendo todas as conexões anteriores onde estava sendo usado o submodelo.

 Submodelos são constantemente validados para se certificar de seus usos não estão causando
um ciclo de definição.

IX. Wizard

 Novo editor assistente.

X. Functor

 Novos containers experimentais de circuito paralelo (ParallelForEach).

 Functors utilizados para manipular sub-regiões agora também podem ser usados para
manipular as células fora da região.

 O Submodelo ExpandKeysToColumns foi otimizado.

 O nome do operador Bool foi mudado para BooleanValue.

 O nome do operador NonNegativeInt foi mudado para NonNegativeIntegerValue.

 O nome do operador PositiveInt foi mudado para PositiveIntegerValue.

11
 O nome do operador Int foi mudado para IntegerValue.

 O nome do operador Double foi mudado para RealValue.

 Os novos nomes são consistentes com o nome de functors como CalculateValue (calcula
qualquer valor), MuxValue (fornece feedback para qualquer valor) etc.

XI. Tipos

 Bool é agora conhecido como BooleanValue.

 NonNegativeInt é agora conhecido como NonNegativeIntegerValue.

 PositiveInt é agora conhecido como PositiveIntegerValue.

 Int é agora conhecido como IntegerValue.

 Double é agora conhecido como RealValue.

XII. Geral

 Verifica o modelo de mudanças sem preencher o log com conteúdo espúrio.

 É possível percorrer as guias de qualquer painel com guias apresentadas pelo aplicativo usando
a roda do mouse.

 O título do aplicativo agora é "Dinamica EGO 32" para a versão de 32-bit e apenas "Dinamica
EGO" para a versão de 64-bit. Na versão anterior, foi o oposto.

 Foram corrigidos problemas em vários functors.

 A detecção automática do número de processadores agora encontra um máximo de 10

processadores. Este valor pode ser aumentado ou diminuído manualmente, se necessário.

 O aplicativo agora maximiza corretamente, mesmo que várias telas estejam sendo usados.

XIII. Licença

 Agora, o software também pode ser usado por instituições comerciais para fins comerciais.

12
 1.2 Interface Gráfica do Dinamica EGO

O que você irá aprender?

 Interface gráfica do Dinamica EGO

 Ferramentas de Interface

No Dinamica EGO, os modelos são construídos através de uma sequência de functors conectados
através de portos de entrada e saída compatíveis. Assim, os dados fluem através desses operadores para
produzir um resultado desejável que representa a solução de uma questão a respeito de algum aspecto
do meio ambiente.

Segue descrição dos principais elementos da interface gráfica do Dinamica EGO:

I. Functor Library

O Functor Library, conforme indicado na Fig. 01,

mostra os functors e submodelos. O usuário pode
procurar por submodelos específicos e interagir com
eles, observando a documentação do functor e
marcando-os como favoritos.

Você pode arrastar os functors e submodelos da

biblioteca para a área de apresentação do modelo
(Sketch) para usá-los em seu modelo.

Figura 01: Functor Library.

13
 II. Functor Library Bar

Permite o usuário interagir com qualquer functor ou

submodel disponível na biblioteca. As opções exibidas na
barra dependerão do tipo de functor selecionado (functor,
submodel, local submodel, etc). O functor Library Bar é
apresentado na Fig.02.

Figura 02: Functor Library Bar.

III. Model Presentation

Figura 03: Model Presentation.

14
O Model Presentation é o painel principal onde todos os modelos são apresentados, conforme indicado
na Fig.03. Para abrir um modelo existente, arraste o arquivo do modelo desejado diretamente para o
painel de apresentação.

IV. Model Selection Tabs

A aba de seleção Model Selection Tabs auxilia o usuário a selecionar o modelo desejado quando
existem vários modelos ativos no Model Presentation conforme é apresentado na Fig.04.

Figura 04: Model Selection Tabs.

V. Connection Action Bar

O Connection Action Bar, mostrado na Fig. 05, auxilia o usuário a interagir com a ligação selecionada
entre os functors.

Figura 05: Connection Action Bar.

15
 VI. Functor Action Bar

O functor Action Bar permite que o usuário interaja com o functor selecionado, adicionando
comentários, criando conexões, inspecionando e editando o functor, além de permitir a maximização e
minimização do mesmo. O functor action bar é apresentado na Fig. 06.

Figura 06: Functor Action Bar.

VII. Local Submodel Selection Tabs

O Local Submodel Selection Tabs, apresentado na

Fig.07, é utilizado para selecionar o sub-modelo
local ou o modelo principal.

Figura 07: Local Submodel Selection Tabs.

16
 VIII. Model Overview

O Model Overview traz uma visão geral do modelo atual ou submodelo local. É especialmente útil para
grandes modelos que não se encaixam inteiramente no plano do Sketch quando mostrados no tamanho
padrão. O Model Overview é apresentado na Fig. 08.

A área sombreada na janela Model Overview corresponde à área que a janela Sketch abrange no
momento. Movendo a área sombreada, você pode centralizar o Sketch em uma parte específica do
modelo.

Figura 08: Model Overview.

IX. Model Issues

A janela Model Issues, apresentada na Fig. 09, apresenta a lista de functors e suas correspondentes
questões críticas e não críticas. Basta clicar duas vezes no ícone issues para ver o detalhamento do
problema apresentado pelo modelo ou submodelo.

Você também pode procurar por temas específicos, usando o campo de busca.

 Os avisos são questões não críticas e por isso não impedem que o modelo seja executado.

 Os erros são questões críticas que irão impedir a execução correta do modelo.

 Erros de execução são problemas detectados durante a última execução de um modelo.

 Erros de execução podem não ser os mesmo na próxima vez que você executar o script modelo.

17
 Figura 09: Model Issues.

Quando uma nova versão se encontra

disponível, um ícone irá aparecer no
canto inferior direito da janela de
interface, conforme mostrado na Fig. 10.
Ao clicar neste ícone a atualização será
realizada de forma automática se
autorizada pelo usuário. Figura 10: Ícone de atualização.

X. Caixa de Ferramenta do Sketch

A caixa de ferramentas do Sketch permite que o usuário delete, agrupe e organize os functors que
compõem um modelo. Além disso, existe uma ferramenta de opções especiais para containers. A Caixa
de ferramentas do Sketch é apresentada pela Fig. 11.

Figura 11: Caixa de ferramentas do Sketch.

18
 XI. Library Categories

Na janela Library você irá encontrar os functors disponíveis organizados em categorias de acordo com
seu tipo e aplicação. As categorias são:

 Calibration: conjunto de ferramentas para calibração de modelos espaço‐temporais;

 Calibration (Suppl.): functors auxiliares para serem utilizados em conjunto com os de

calibração;

 Control: functors que controlam o encadeamento do fluxo de dados.

 Control (Suppl.): functors auxiliares para serem utilizados em conjunto com os de Control.

 Input/Output: ferramentas para ler e salvar estruturas de dados na forma de mapas, tabelas e
pesos de evidência.

 Landscape Metrics: conjunto de functors para cálculo de métricas de paisagem.

 Lookup Table: conjunto de functors de tabelas atualizáveis a cada iteração do modelo.

 Map Algebra: conjunto de algoritmos para análises espaciais.

 Map Algebra (Suppl.): functors auxiliares para serem utilizados em conjunto com os functors
do Map Algebra.

 Random Points: conjunto de functors de seleção de pontos aleatórios em um mapa de

probabilidade.

 Region: functors que permitem a divisão de um mapa em vários mapas regionais, cada um
podendo ser usado separadamente em um submodelo específico ou iteração.

 Road Constructor: conjunto de functors de construção e classificação de estradas.

 Simulation: conjunto de functors especialmente criados para desenvolver modelos espaço‐

temporais.

 Simulation (Suppl.): functors auxiliares para serem usados em conjunto com functors do
Simulation.

 Stack: functors que permitem a seleção de um parâmetro específico de acordo com o passo do
modelo.

 Stack (Suppl.): functors auxiliares para serem utilizados em conjunto com os de Stack.

 Statistics: functors para estatística espacial.

 Submodels: são etapas intermediárias do modelo, que podem ser trabalhadas individualmente
para minimizar o tempo de execução do modelo.

 Table: conjunto de functors para a manipulação de tabelas.

 Validation: métricas para comparação de mapas.

19
 XII. Barra de menus

Os ícones da barra de menus são apresentados pela Fig. 13, e estes são atalhos para as diversas
funções:

Figura 13: Barra de Menus.

1) Menu file: Contém as funções para criar, abrir, salvar, imprimir e cancelar um modelo;
2) Menu Edit: Apresenta as funções de copiar, colar, recortar, selecionar e deletar seleções e
também funções para criar submodelos e criar/editar um Wizard.
3) Menu Model: Contém uma única função de execução do modelo;
4) Menu Tools: Apresenta uma função de exibição de mapas, o Map Viewer (ver item 1.3) e
também opções de configuração do modelo, conforme apresentado pela Fig. 14.

Figura 14: Janela de opções.

A janela de opções é dividida em 4 abas. A primeira aba é destinada ao preenchimento de

informações do modelo como nome e organização, além de permitir ao usuário escolher se
deseja criar copias de backup do modelo e se também deseja que os arquivos gerados em
extensão csv utilizem virgulas como separador de valores. A segunda aba é direcionada as
opções de script do modelo. Já a terceira aba contém opções para ajuste dos parâmetros do
sistema, tais como download automático de atualizações, mensagens de log, entre outros. Na
última aba estão as opções de configuração avançada do modelo.

20
 5) Menu Window: Apresenta todas as janelas de exibição do sistema, através deste menu, além
de selecionar a janela desejada o usuário também pode restaurar o layout original do sistema.
6) Menu Help: Apresenta as opções de ajuda do sistema. Através deste menu o usuário pode
escolher acessar o website do Dinamica EGO e também os conteúdos do wiki.

A Fig. 15 apresenta os ícones de atalho das principais funções da barra de menus, estas: criar um novo
modelo, abrir um modelo existente, salvar um modelo, salvar todos os modelos, rodar um modelo e
abrir o Map Viewer.

Figura 15: Ícones de atalho das principais funções da barra de menus.

Dica: Para ver a lista de todos os functors disponíveis no Dinamica EGO acesse o menu Window,
Documentation. Dentro desta janela selecione a opção Functor to List. Após realizar esta seleção
uma lista de functors será apresentada. Para obter descrições detalhadas de cada functor e seus
algoritmos bastas clicar sobre o functor.

21
 1.3 Map Viewer

O que você irá aprender?

 Usando o Visualizador de Mapas

O Dinamica EGO disponibiliza uma ferramenta exclusiva para visualização de mapas. Conforme
apresentado na Fig. 16, clique no ícone do Map Viewer através do atalho da barra de menus.

Figura 16: Ícone do Map Viewer.

A aparência do Map Viewer é apresentada na Fig. 17 e os mapas são exibidos na área delimitada.

Figura 17: Map Viewer.

Dentro do Map Viewer existe uma barra de ferramentas (à esquerda) com diversas opções. A barra de
ferramentas é apresentada na Fig. 18 bem como o detalhamento de suas funções.

22
 Figura 18: Barra de ferramentas do Map Viewer.

Dentro do Map Viewer existe também uma ferramenta denominada

Maps (Fig. 19) que permite alterar o histograma do mapa usando
transformação linear e equalização, inserir equações, exibir
informações no

mapa e ainda alterar a paleta de cores do mapa:

19) O ícone permite ativar ou desativar a exibição do

mapa na janela do Map Viewer;

20) No ícone de informações podem ser visualizadas

informações sobre o mapa como localização do arquivo,
tipo de célula, número de linhas e colunas, sistema de
projeção, datum, tamanho da célula entre outras;
21) Apresenta a camada selecionada do mapa;

Figura 19: Ferramenta Maps do Map Viewer

23
22) Paleta de cores;
23) Permite editar a paleta de cores;
24) Permite alterar opacidade das cores do mapa;

25) O ícone permite inserir expressões matemáticas;

26) O ícone permite manipular o histograma do mapa;

27) Muda a posição do mapa selecionado em direção ao início da lista;
28) Muda a posição do mapa selecionada em direção ao fim da lista.

24
 1.4 Formatos e Estrutura dos Dados

O que você irá aprender?

 Estrutura de dados no Dinamica EGO

 Formatos de arquivo no Dinamica EGO

Dinamica EGO suporta dados em vários formatos, incluindo mapas raster ou imagens, tabelas,
matrizes, e arquivo de coeficientes de Pesos de Evidência.

Para dados espaciais, Dinamica EGO suporta apenas conjuntos de dados raster. Assim, você precisará
preparar o seu conjunto de dados em um pacote SIG e, em seguida, exportar os mapas em um dos três
formatos especificados abaixo. Embora o georreferenciamento seja suportado e necessário, todos os
conjuntos de dados raster em um modelo devem ter o mesmo número de colunas e linhas. Além disso,
eles devem estar ancorados em um mesmo ponto de registro com as mesmas coordenadas no espaço
geográfico (fig. 20).

Figura 20: Cubo raster dataset.

O Dinamica EGO lê e escreve dados raster em três formatos: formato ER Mapper, Geotiff, e ArcView
ASCII. Os sistemas de coordenadas suportados para transformação para o formato ERMapper são o
Geodético (WGS 84, SAD69, Córrego Alegre) e UTM (WGS84, SAD 69, Córrego Alegre). Quando
um sistema de coordenadas não é suportado, assume-se a projeção LOCAL e datum WGS84. Para
ASCII/ArcView, são sempre assumidos a projeção LOCAL e o datum WGS84. Todos os sistemas de
coordenadas Geotiff são suportados se uma conversão não for necessária. Quando a dimensão de célula
Geotiff não é encontrada, uma resolução de 100 metros é assumida. O formato Geotiff usando tiling
(ladrilhamento) é também suportado, assim, você não encontrará problemas ao importar e exportar seu
conjunto de dados através dos SIGs mais comuns, tais como IDRISI, SPRING ou ARCGIS.

Na álgebra de mapas, o conceito de valor nulo é muito importante para se obter um resultado coerente
da execução do modelo. Nulo significa ausência de dados. Assim, um mapa que contém uma área
irregular de interesse, a qual não cobre completamente o plano geográfico, deverá ter uma
representação para as células nulas. O valor reservado para a representação da célula nula pode variar
dependendo do tipo de dado, isto é, o tamanho utilizado, em termos de bits, para armazenar os valores
das células do mapa. Dinamica EGO, conforme apresentado na Fig. 21 suporta os seguintes tipos de
dados:

25
 Figura 21: Tipos de dados suportados pelo Dinamica EGO.

DICA: Escolha sempre o tipo de dado capaz de cobrir todo o espectro de valores contidos nas
variáveis a serem representadas. Por exemplo: no caso da altitude, variando de -10 metros a
4000 metros, o tipo de dado a ser utilizado deverá ser o “Signed 16 Bit Integer” ou “IEEE 754
32 Bit Real”.

Normalmente, o menor valor negativo é usado para representar o valor nulo. Por exemplo, o valor -
32768 é usado para dados do tipo “Signed 16 Bit Integer”.

DICA: Em alguns casos, você precisará (e deverá) definir o valor nulo ao carregar um conjunto
de dados Geotiff, o qual não possui campo para essa definição (altamente recomendado). Na
lição 1, você aprenderá como fazer isso.

As tabelas são um modo conveniente de representar dados de atributos, normalmente pertencentes a

alguma zona geográfica, por exemplo: país, estado ou município. Dinamica EGO pode ler dados no
formato Comma Separated Value (valores separados por vírgula), no qual a primeira coluna representa
a chave e a segunda, o valor, como a seguir:

DICA: A primeira linha da tabela deve conter o título da coluna “Key” com o nome da variável,
tal como população, países, etc.

Key Value
1 10
2 30
3 15

Uma matriz de transição é também armazenada usando esse formato; a única diferença é que a chave
emprega um algarismo composto para representar a transição, como no exemplo abaixo:

Key Value
1.002 0.223567
1.003 0.379618
2.001 0.024841
2.003 0.030573
3.002 0.000348

26
Assim, a tabela acima é equivalente à seguinte matriz de transição: Observe que os valores na diagonal
não necessitam ser preenchidos, também não é necessário expressar transições iguais zero.

1 2 3
1 - 0.223567 0.379618
2 0.024841 - 0.030573
3 0 0 -

Outro formato suportado é o arquivo Peso de Evidências – um arquivo texto contendo os coeficientes
dos Pesos de Evidências. Este arquivo é obtido através do método dos Pesos de Evidência usado no
processo de calibração.

DICA: Você pode editar este arquivo diretamente em um editor de texto ou usando o editor
gráfico dos Pesos de Evidência ligado ao functor Load Weights.

27
 2. Lição 1: Construindo um modelo simples

O que você irá aprender?

 Functors e portos
 Como conectar functors
 Escrevendo expressões lgébricas e lógicas
 Functores:
o Load Map
o Save Map
o Calculate Map
o Number Map

A estruturação dos elementos que compõem um modelo espacial envolve a seleção de um conjunto de
variáveis, mapas de um modelo cartográfico – que é um cubo de mapas raster registrados, no qual cada
mapa se refere a uma característica geográfica particular –, processamento através de uma sequência
ordenada, e então armazenar os resultados intermediários para processamentos subsequentes (Fig. 21).
Para melhorar o desempenho, o sistema de processamento do Dinamica EGO acessa o disco somente
uma vez para ler os mapas de entrada, se memória suficiente estiver disponível, e depois, para escrever
os resultados finais (Fig. 22). Assim, um modelo no Dinamica EGO é representado por uma sequência
de functores, cuja execução acontece da esquerda para a direita. Um modelo simples consiste em um
functor que carrega o dado, por exemplo, um mapa, outro functor que executa um cálculo, e um terceiro
que escreve o resultado em um arquivo. Note que os functores são conectados uns aos outros por seta
(Creat a connection) from this functor disponível na barra Functor Action Bar. Para fazer isso, eles
devem trocar dados compatíveis através de suas entradas e saídas. As entradas e saídas em functores
são chamadas de portos no Dinamica EGO. Consequentemente, os functores são conectados através de
portos de entradas e saídas compatíveis. Vamos começar construindo o seu primeiro modelo no
Dinamica EGO.

Figura 22: Uma sequência tradicional de processamento de mapas.

28
 Figura 13: Sistema de processamento do Dinamica EGO, nesse caso não é necessário salvar resultados
intermediários nos arquivos em disco.

No Functor Library, pegue e arraste até o plano de sketch os functores Load Map1 e Save Map, os quais
estão localizados na aba Input/Output. Agora arraste o container Calculate Map da aba Map Algebra.
Lembre-se que um container é um tipo especial de functor que contem functores suplementares ou
mesmo uma sequência de functores.

DICA: No Functor Action Bar, você poderá abrir e fechar o functor.

Você verá algo semelhante à Figura 24. Agora você precisa conectar os functores para criar o modelo.
Primeiro, vamos entender o que faz Calculate Map. Esse container é uma calculadora usada para
álgebra de mapas, com o objetivo de combinar e processar mapas, tabelas e constantes. Como um
container, ele não funciona por si mesmo. É necessário functores suplementares a ele, note que o
Calculate Map apresenta um Number Map. Para cada mapa processado por esse container será
representado pelo functor Number Map, disponível na aba Map Algebra Supplementary.

Figura 24: Functors na janela sketch.

1
Todos os nomes dos functores e containers são representados em itálico e negrito neste tutorial. Opções do
modelo e parâmetros internos são representados em itálico e dados a serem inseridos são representados entre
aspas.

29
Clique no Number Map com a ferramenta de edição de functores, Edit Functor. Como este container
possui apenas um Number Map, será automaticamente identificado como “1” (fig.25). Este número
identificador de mapas será representado dentro da caixa de equações como i1 (input 1). Você pode
inserir outros mapas adicionando mais functors Number Map, mas deve abrir cada um desses functores
para sejam nomeados com um único número identificador. Agora você pode conectar o functor Load
Map ao Number Map e o container Calculate Map ao Save Map. Use a ferramenta de conexão para
estabelecer as conexões. Observe que a conexão é feita automaticamente porque há apenas uma opção
para portos compatíveis nos respectivos functors e no container.

Figura 25: Functor Editor – Number Map

Clicando na seta você poderá visualizar as ligações entre um par de functores. Agora que os functores
estão ligados, você pode rearranjar o modelo clicando na ferramenta de layout. Note que o modelo será
centralizado (fig. 26).

Figura 26: Modelo rearranjado pela ferramenta layout.

No próximo passo, observe que o mapa #1 é representado por

i1. Agora iremos inserir comentário nos functors, após esse
procedimento o Calculate Map informará qual mapa
representa i1. Clique no Load Map e selecione a ferramenta
Add comment to functor. Na aba Alias escreva “Input Map” e
“Load the input map” na Brief Comment (fig.27). Em seguida
comente o functor Save Map. Note que os comentários
apareceram em forma de uma caixa sobre o functor (fig.28).

Figura 27: Comment Editor

30
 Figura 28: Comentários exibidos nos functors.

Agora vamos entender como funciona o Calculate Map, este container possibilita a formulação de
várias equações algébricas e lógicas contendo mapas, tabelas e constantes (fig. 29). A tabela a seguir
apresenta exemplos de operadores que podem ser aplicados para processar dados neste container.

Figura 29: Functor Calculate Map.

A tabela é dividida em 4 grupos: lógico, matemático, operadores de tabela e operadores de vizinhança.

Além de escrever a equação, há dois parâmetros que precisam ser ajustados. O tipo de célula do mapa
de saída e o valor nulo. Você sempre irá encontrar estes parâmetros em functores que produzem mapas
como saída. O padrão é Signed 32 Bit Integer, mas você pode usar IEEE 32 Bit Real para representar
números fracionários.

DICA: Tente usar sempre a representação mais econômica para o tipo de célula a fim de
economizar memória. Se você não está seguro a respeito da faixa numérica dos dados de
saída, use uma representação de número real.

31
 Tabela 1. Operadores Lógicos
Operador Descrição Símbolo Exemplo de Uso
Boolean Or or not isNull(i1) or
isNull(i2)
(Booleano ou)
||
not isNull(i1) ||
isNull(i2)
Boolean And and not isNull(i1) and
isNull(i2)
(Booleano e)
&&
not isNull(i1) &&
isNull(i2)
Equal = i1 = 2
(Igual)
== i1 == 2
Not Equal != i1 != 2
(Não igual)
/= i1 /= 2

<> i1 <> 2
Greater Than > i1 > 2
(Maior que)

Greater Than Or >= i1 >= 2

Equal
(Maior que ou igual)

Less Than < i1 < i2

(Menor que)

Less Than Or Equal <= i1 <= i2

(Menor que ou igual)

Conditional Executa o segundo ou if then else if not isNull(i1) and

terceiro termo da isNull(i2) then
(Condicional) i3
equação tendo como
condição o primeiro. else if isNull(i1)
then
i1 – i1 / i2
else
(i1 / i2) ? (i1 –
i2)

Tabela 2.Operadores Matemáticos

Operador Descrição Símbolo Exemplo de Uso
Add (Adicionar) + i1 + i2

Subtract (Subtrair) – i1 – i1 / i2

Times (Multiplicar) * i1 * i2

Divide (Dividir) / i1 / i2

Mod (Resto) % i1 % 100

Power (Potência) ^ i1 ^ 3

32
Catch Error Deleta um erro ? (i1 / i2) ? (i1 – i2)
algébrico e o substitui
(Capturar erro) pelo resultado de outra
expressão

Value (Valor) 2 + i1 / -3.5e-2

Get Variable Value Retorna o valor de uma vX v1 + t1[v2 + 4]

variável where X is an integer
(Obter valor da value from 1 to 100
variável)

Get Image Value iX i2

(Obter valor da where X is an integer
imagem) value from 1 to 100

Get Image Value At Retorna o valor de uma iX[ , ] i1[line – 1, column –

Location imagem em uma where X is an integer 2]
coordenada específica value from 1 to 100
(Obter valor da imagem de célula
na coordenada)

Get Image Null Value Retorna o valor nulo da null if i1 > 2 then
(Obter valor nulo da célula atual i1
imagem) else
null
null(iX)
if null(i2) > 2 then
1
else
null

Is Null isNull(iX) if not isNull(i1)

where X is an integer then
(É nulo) value from 1 to 100 i1
else
i2

Boolean Not ! not isNull(i1)

(Não Booleano)
not ! isNull(i1)
Get Line Number Retorna o valor da linha line line + 1
da célula atual
(Obter número da
linha)

Get Column Number Retorna o número da column if column / 2 > 50

(Obter número da coluna da célula atual then
coluna) 1
else
null

Random Gera um valor aleatório rand if rand > 0.5 then

usando a distribuição i1
(Aleatório) de probabilidade else
uniforme i2

Negate (Negativo) – – ceil(i1 + i2)

Squared Root sqrt() sqrt(i1 / i4)

(Raiz quadrada)
Sin (Seno) sin() sin(i1 / i4)

33
Cos (Cosseno) cos() cos(i1 + i2)

Tan (Tangente) tan() tan(i1 * i5 + 6)

Acos (Arco-cosseno) acos() acos(i1 + i2)

Asin (Arco-seno) asin() asin(i1 + i2)

Atan (Arco-tangente) atan() atan(i1 + i2)

Ceil (Teto) ceil() ceil(i1 + i2)

Exp (Exponencial) exp() exp(i1[i1 + i2])

Floor (Piso) floor() floor(i1 + i2)

Round (Arredondar) round() round(i1 / i4)

Abs (Valor absoluto) abs() abs(i1 + i2)

Ln (Logaritmo ln() ln(i1 / i4)

neperiano)

Log log() log(i1 / i4)

(Logaritmo na base 10)

Max (Maior valor) max() max(i1, i2)

Min (Menor valor) min() min(i1, i4)

Signal Retorna +1, se a signal signal(i1 - 4)

expressão for positiva,
(Sinal) -1, se for negativa, e 0,
se não for nenhum dos
dois casos

Abort Aborta a execução do abort if i1 > 0 then

modelo i1 * i2 + 4
(Abortar) else
abort

Tabela 3. Operadores de Tabela

Operador Descrição Símbolo Exemplo de Uso
Operadores de Tabela Operadores de tabela retornam o valor correspondente a uma dada chave de acordo
com uma regra.
Usa-se a seguinte sintaxe: tX[N]
onde:
X é o identificador de tabela;
N é o operador de regra.
Get Table Value Retorna o valor na tX[ ] t2[i1 + 2]
posição da chave X da onde X é um valor
(Obter Valor da tabela inteiro entre 1 e 100
Tabela)

Get Table Equal Retorna o valor da tX[<= ] t2[<= 14]

Lower Value tabela cuja chave tX{ }
possui o maior valor onde X é um valor t2{14}
(Obter valor da tabela menor ou igual ao valor inteiro entre 1 e 100
igual ou menor que o da chave de posição X
valor limite) da tabela.

34
Get Table Lower Retorna o valor da tX[< ] t2[< i1 + 2]
Bound Value tabela cuja chave onde X é um valor
possui o maior valor inteiro entre 1 e 100
(Obter valor do limite menor que o valor da
inferior) chave de posição X da
tabela.

Get Table Equal Retorna o valor da tX[>= ] t2[>= i1 + i3]

Upper Bound Value tabela cuja chave onde X é um valor
possui o menor valor inteiro entre 1 e 100
(Obter valor igual ao maior ou igual ao valor
limite superior da da chave de posição X
tabela) da tabela.

Get Table Upper Retorna o valor da tX[> ] t2[> i7]

Bound Value tabela cuja chave onde X é um valor
possui o menor valor inteiro entre 1 e 100
(Obter valor do limite maior que a chave de
superior) posição X da tabela.

Get Table Closest Retorna o valor da tX[>< ] t2[>< 3 + i7]

Value tabela cuja chave onde X é um valor
possui o valor mais inteiro entre 1 e 100
(Obter valor mais próximo à chave de
próximo) posição X da tabela.

Get Table Retorna um valor tX[/ ] t2[/ i2]

Interpolated Value interpolado onde X é um valor
linearmente usando as inteiro entre 1 e 100
(Obter valor chaves vizinhas à
interpolado da tabela) posição X da tabela.

Tabela 4. Operadores de Vizinhança

Operador Descrição Símbolo Exemplo de Uso
Operadores de Operadores de vizinhança retornam o valor de uma operação dentro de uma janela
Vizinhança definida de células vizinhas.

Usa-se a seguinte sintaxe:

nbN(iX, h, w, y, x)

onde:
N é o nome do operador;
X é um identificador de imagem;
h é o número de linhas da janela;
w é o número de colunas da janela;
y é a linha onde o centro da janela está ancorado na imagem;
x é a coluna onde o centro da janela está ancorado na imagem.
O cálculo normalmente considera o centro da janela.
Janelas com números pares de linhas e/ou colunas tem o centro deslocado em direção
ao canto superior esquerdo.
A âncora da janela (y e x) pode ser omitida quando o centro da janela está ancorado
na linha e coluna atual. A sintaxe simplificada é a seguinte:

nbN(iX, h, w)
Neighborhood Min Retorna o menor valor entre nbMin() nbMin(i4, 2, 3, line-1,
(Vizinho Menor) as células vizinhas não nulas. column)

35
Neighborhood Max Retorna o maior valor entre as nbMax() nbMax(i1, 4, 4) - 1
(Vizinho Maior) células vizinhas não nulas.

Neighborhood Sum Retorna a soma dos valores nbSum() nbSum(i3, 5, 5) + 7

(Somatório da das células vizinhas não
Vizinhança) nulas.

Neighborhood Retorna o produto dos valores nbProd() if not isNull(i1) then

Product (Produto da das células vizinhas não nbProd(i1, 2, 2, 0,
Vizinhança) nulas. column)
else 0

Neighborhood Retorna o número de células nbCount() nbCount(i2, 3, 3) +

Count (Número de vizinhas não nulas. nbCount(i1, 3, 3, line,
Vizinhos) column+3)

Neighborhood Retorna a média aritmética nbAverage() round(nbAverage(i1, 7,

Average (Média da dos valores das células 7))
Vizinhança) vizinhas não nulas.

Neighborhood Retorna a mediana dos nbMedian() nbMedian(i1, 5, 5)

Median valores das células vizinhas
não nulas.
(Mediana da
Vizinhança) Para um número ímpar de
valores, o maior valor entre os
dois valores medianos é
considerado.
Neighborhood Retorna a moda dos valores nbMode() nbMode(i1, 5, 5)
Mode (Moda da das células vizinhas não
Vizinhança) nulas. Se não há moda, um
valor nulo é inserido.

Se há mais de uma moda, a

menor delas é considerada.
Neighborhood Retorna a variância dos nbVar() nbVar(i4, 7, 7) / 25
Variance valores das células vizinhas
não nulas de acordo com a
(Variância da expressão:
Vizinhança)
s2 = E1,n (Xi -
X')2/(n-1)

onde
X1, X2, ..., Xn são as
células vizinhas;
X' é a média das células
vizinhas.
Neighborhood Retorna o desvio padrão dos nbStdDev() nbStdDev(i2, 3, 3,
Standard Deviation valores das células não-nulas line-1, column) +
(Desvio Padrão da de acordo com a expressão: nbStdDev(i2, 3, 3) +
Vizinhança) nbStdDev(i2, 3, 3,
s = (E1,n (Xi - line+1, column)
X')2/(n-1))1/2

onde
X1, X2, ..., Xn são os
valores das células vizinhas;
X' é a média das células
vizinhas.

36
Agora que você aprendeu as vastas possibilidades desse
container, vamos escrever uma equação simples:

if i1 = 9 then 1 else null

Significa: Se a classe do mapa i1 (Input Map) é igual a 9

atribua às suas células o valor 1, se não, atribua o valor nulo
a todas as outras (fig. 30). Mude o Data cell type para
Unsigned 8 Bit Integer e o Null Value para “0”. Agora
você pode fechar o container e abrir um arquivo de mapa
para usar como dado de entrada no modelo.

Figura 30: Functor Editor

Abra o functor Load Map e carregue o arquivo “amazon_states.tif” da pasta lesson1 (fig. 31). Não se
preocupe com as demais opções, pois elas não serão necessárias por agora.

DICA: Embora você não vá precisar disso

nesta lição, você poderá ajustar o valor nulo
marcando a opção Define Null Value e
depois ajustando seu valor para “0” no

Figura 31: Functor Editor

Abra o Map Viewer para visualizar o mapa. Pressione em “Histogram” e depois mude “Limits” para
“actual” e certifique-se de que a paleta de cores, “Current Color Palette”, ativado é o PseudoColor. O
mapa resultante deste modelo é apresentado na Fig. 32.

37
 Figura 32: Mapa resultante do modelo.

DICA: “Limits to actual” espalha o histograma do mapa para abranger toda a extensão de
valores visualizáveis, i.e. de 0 a 255. Use preferencialmente PseudoColor ou GrayScale para
dados quantitativos, e Categorical para dados classificados. Agora você precisa salvar o
resultado em um mapa. Abra Save Map e escreva “Mato_Grosso_state”.

Figura 33: Functor Save Map.

Na aba Advanced há uma opção para incluir sufixos no nome do arquivo, chamada Suffix Digits (Fig.
33). Embora o padrão seja 2, mudaremos para zero, neste caso, uma vez que só haverá uma iteração.
A opção Use Compression é aplicável apenas ao formato geotiff.

O mapa de entrada é um mapa categórico; seus valores não representam quantidades, mas sim,
identificadores de classes do mapa e, neste exemplo, as classes são as seguintes:

38
 Tabela 5. Classes do Mapa Amazon States
Chave Estado
1 Rondônia
2 Acre
3 Amazonas
4 Roraima
5 Para
6 Amapá
7 Tocantins
8 Maranhão
9 Mato Grosso

Feche o container Calculate Map clicando em Collapse container. O modelo deverá se parecer com o
apresentado pela Fig. 34.

Figura 34: Modelo final

Salve o modelo como “My_model” na pasta lesson1, execute o modelo clicando no botão Run model
na barra de menus. Em seguida, abra o resultado no Map Viewer. O mapa de saída irá apresentar apenas
o estado do Mato Grosso.

Figura 35: Mapa resultante do modelo sendo exibido pelo Map Viewer.

Parabéns, você concluiu com sucesso a lição 1. Agora vamos passar para a lição 2.

39
 3. Lição 2: Incorporando iterações a um modelo

O que você irá aprender?

• Interações
• Usando Register Viewer
• Functors:
o Repeat
o Step
o Extract Map Attributes
o Load Categorical Map
o Calculate Value
o Mux Lookup Table
o Set Lookup Table Values

Abra o Map Viewer, carregue o arquivo “brazilian_amazon_ landscape.tif” localizado na pasta

\Documents\Dinamica EGO\Dataset\lesson2. Selecione uma paleta de cores, você pode escolher até
29 combinações e editá-las. Este é um mapa categórico de cobertura da terra da Amazônia Brasileira.
O mapa (Fig 36) tem as seguintes classes:

1) Desmatado (amarelo);
2) Floresta (verde escuro) e
3) Cerrado (verde claro).

Neste exercício você aprenderá calcular a área de floresta remanescente em cada estado.

Figura 36: Cobertura da terra da Amazônia Brasileira.

Arraste para o Sketch um Load Map e um Load Categorical Map. Este último functor irá categorizar
um mapa, caso este já não esteja categorizado. O Load Categorical Map fará com que os valores das
células sejam tratados como identificadores de classes do mapa, de forma que quando um mapa é

40
carregado, é feita uma varredura no mapa para identificar todos os valores de células que representam
diferentes categorias ou classes de mapas. Como resultado, temos uma lista de classes, a qual se
torna encapsulada no cabeçalho do mapa. Adicionalmente, arraste para o Sketch um Calculate
Map com dois “Number map”. Sua área de trabalho aparecerá como na Fig.37:

Figura 37: Adição dos functors Load Categorical Map, Load Map, Calculate Map e Number Map.

Agora conecte desde os functors Load Map e Load Categorical Map até os functors “Number
Map”, a cada mapa dentro do Calculate Map deve ser atribuído um número, basta um clique em
Edit Funtor do Number Map e o Dinamica EGO irá ajustá-los automaticamente (Fig 38).

Carregue o mapa “amazon_states.tif” usando o functor Load Categorical Map e o

“Brazilian_amazon_landscape.tif” usando Load Map. Adicione ao Calculate Map um Number Value
da categoria Map Algebra Supplementary, atribua “1” a este.

Figura 38: Inserção de functors no modelo.

Dentro do Calculate Map escreva a seguinte expressão:

if i1 = v1 and i2 = 2 then 1 else null.

41
 DICA: Você pode copiar uma equação de um editor de texto usando (Ctrl+C) e colá‐la (Crtl+V)
na caixa de equação.

Um valor é representado por v# (v1, v2, ...vn). Feche o functor Calculate Map. Não se esqueça de
alterar Data cell type para “Unsigned 8 Bit Integer” e o valor nulo para “0”.

Arraste o container Repeat da categoria Control para o sketch. Arraste o Calculate Map para dentro
dele. O Repeat irá automaticamente ajustar seu tamanho para aninhar o Calculate Map. Conecte o
functor Step dentro do Repeat ao porto Value do Number Value (Fig.39).

Figura 39: Inclusão do functor Repeat ao modelo.

Abra o Repeat com a ferramenta Edit Functor e insira “9” como mostrado na Fig. 40. Isto implica que
o modelo irá iterar 9 vezes. O functor Step se associa automaticamente ao container envolvente e
passa para o Calculate Map o valor da iteração corrente. Assim, para cada iteração, o f u n c t o r
Calculate Map produz um mapa contendo a floresta remanescente (valor 2) para cada estado.

Figura 40: Edição do número de iterações no functor Repeat.

42
Agora você precisa somar todas as células que representam floresta. Observe que o resultado é um
mapa binário apenas com valores um e nulo, este último representado por zero. Em seguida, use
Extract Map Attribute (categoria Map Algebra) para extrair a soma de células não‐nulas. Este functor
produz como resultado uma tabela com os 18 atributos do mapa:

Tabela 6. Atributos Básicos

No Nome Descrição
1 “lines” Número de linhas
2 “columns” Número de colunas
3 “cells” Número de células (número de linhas multiplicado pelo número de
colunas)
4 “layers” Número de camadas
5 “cellHeight” Altura da célula (em metros)
6 “cellWidth” Largura da célula (em metros)
7 “cellArea” Área da célula (em hectares)
19 “cellType” Código de tipo de célula
20 “nullValue” Valor nulo

Tabela 7. Atributos Dinâmicos

No Nome Descrição
8 “nullCells” Número de células nulas
9 “nonNullCells” Número de células não nulas
10 “minCell” Valor mínimo (excluindo células nulas)
11 “maxCell” Valor máximo (excluindo células nulas)
12 “cellSum” Soma dos valores (excluindo células nulas)

Tabela 8. Atributos Estatísticos

No Nome Descrição
13 “meanCell” Média (excluindo células nulas)
14 “cellVar” Variância (excluindo células nulas)
15 “cellStd” Desvio padrão (excluindo células nulas)
16 “modeCell” Moda (excluindo células nulas)
17 “medianCell” Mediana (excluindo células nulas)
18 “uniqueCells” Total de ocorrências únicas (excluindo células nulas)

A extensão total em área é a soma das células não nulas (campo 9) multiplicada pela área da célula em
hectares (campo 7). Você precisará adicionar um Calculate Value, localizado na categoria Table para
realizar este cálculo. Dentro dele insira um Number Table. O Number Table recebea tabela de
atributos resultado do Extract Map Attributes. Você precisará inserir “1” como identificador para esta
tabela (Fig. 41).

43
 Figura 41: Adição dos functors Extract Map Attributes e Calculate Value ao modelo.

Digite a seguinte expressão dentro do

functor Calculate Value (Fig. 42):

t1[7] * t1[12]

Esta expressão significa:

(Área da célula (em hectares) * soma dos

valores (excluindo células nulas))

Observe que t1 significa #1. Neste caso, os

colchetes são necessários para representar o
valor associado a uma chave da tabela.

Figura 42: Inclusão de expressão no functor Calculate value.

Agora você precisa preencher a tabela para que ela registre a área calculada para cada estado. O functor
Set Lookup Table Value atualiza a tabela inserindo um valor em uma posição definida por uma chave.
Para preencher a tabela inteira, você precisa desenvolver um loop (ciclo fechado) que permite que este
functor faça uma varredura em toda a tabela. Para fechar este loop, você precisará de um functor que é
fundamental para o desenvolvimento de modelos dinâmicos. Assim, aqui introduzimos o conceito do
functor Mux.

44
Um functor Mux pode ser um mapa, um mapa categórico, uma tabela ou um valor. Localize a categoria
Control para encontrar o functor Mux Lookup Table e arraste‐o para dentro do Repeat. Também arraste
um Set Lookup Table Value a partir da categoria Table como mostrado na Fig.43.

Figura 43: Adição dos functors Mux Lookup Table e Set Lookup Table Value.

Agora, clique no Mux Lookup Table com o Edit Functor. Cada functors Mux tem dois portos de
entrada. Na primeira iteração, ele lê o arquivo de entrada do porto Initial; em seguida, ele recebe os
dados da rodada do modelo através do porto Feedback. Este processo permite que os dados sejam
atualizados pelo modelo, tornando‐o dinâmico. Por isso, este functor é fundamental para incorporar
retroalimentação em um modelo dinâmico.

Abra o functor Set Lookup Table Value com o Edit Functor. Este functor recebe uma tabela que será
atualizada com um valor inserido em uma posição definida por uma chave. Assim, você precisa
conectar a tabela de saída do functor Mux LookupTable ao porto de entrada do Set Lookup Table
(Fig.44).

Figura 44: Porto de saída do functor Mux Lookup Table e porto de entrada do functor Set Lookup Table.

Conectar a saída do Set Lookup Table Value ao Mux Lookup Table. Quando uma conexão tem duas
ou mais opções, a janela Connect Ports abre automaticamente. Você deve escolher o porto Feedback
como mostrado na Fig 45:

45
 Figura 45: Conexão entre os functors Set Lookup Table Value e Mux Lookup Table.

Agora clique no ícone (edit functor) do Mux Lookup Table. Você irá abrir um editor de tabela (Fig.
46). Neste caso, você só precisa inserir “0, 0” como Key e Value para o primeiro registro da tabela e

então salvar estas entradas clicando em .

Além disso, você precisa conectar a saída do Calculate

Value ao porto de entrada do Set Lookup Table Value.
Neste momento, a janela Connect Ports aparece porque
existem duas opções de escolha. Conecte a seta ao porto
Value (Fig. 47. a); a chave é obtida do passo corrente do
modelo via conexão do Step ao Set Lookup Table Value
(Fig.47.b).

Figura 46: Edição do porto Inicial do functor Mux Lookup Table.

Figura 47 a) Conexão dos functors Calculate Value e Set Lookup Table Value.

46
 Figura 47 b) Conexão dos functors Step e Set Lookup Table Value.

Clique na ferramenta de layout (execute layout) e seu modelo irá se parecer como o que está logo
abaixo (Fig. 49). Observe que a conexão de retroalimentação acontece entre o Mux Lookup Table e Set
Lookup Table Value.

Como um último passo, você precisa salvar a tabela em um arquivo. Arraste o functor Save Lookup
Table da categoria Input/Output. Conecte Set Lookup Table a ele e edite o nome que será dado ao
arquivo CSV. Embora Suffix Digits seja “2” por padrão, o nome do arquivo não terá um sufixo porque
ele será salvo apenas ao final da execução do Repeat.

DICA: Se Save Map for inserido dentro de um Repeat, um arquivo será salvo a cada iteração
e um dígito representando o passo de tempo será adicionado ao final do nome do arquivo.

Figura 49: Modelo final.

Verifique a integridade do modelo, salve-o e, se tudo estiver correto, clique no botão de execução
. Isto poderá levar certo tempo.

47
Para ver o resultado, abra Set Lookup Table Value clicando no ícone (Inspect Functor). Você
também pode pré-visualizar os resultados no functor Save Lookup Table e fazer um gráfico clicando
na aba de gráficos na parte superior esquerda da janela (Fig. 50).

Figura 50: Tabela e gráfico do resultado do modelo.

Estas são as extensões em hectares da floresta Amazônica remanescente por estado.

DICA: Você pode também abrir o arquivo CSV com um programa de planilhas.

Você completou com sucesso as duas lições introdutórias. Outro modo de resolver o problema da lição
2 é através do uso de um subconjunto de functores Region. Este será o assunto da próxima lição. Você
também pode resolver o problema por meio do functor Calc Areas da categoria Map Algebra.

48
 4. Lição 3: Usando o conceito de região

O que você irá aprender?

 Como usar o conceito de região

 Functors:
o Region manager
o For Each Category

Um modo alternativo para resolver o exercício da Lição 2 é através do uso do conceito de Região.
Este subconjunto de functors permite a divisão de um mapa em vários mapas regionais, os quais
podem se tornar uma entrada para modelos separados ou submodelos, cujos parâmetros são
personalizados para cada região do mapa. Vamos adaptar o modelo anterior para utilizar o conceito
de regiões. Primeiro, na Library abra a categoria Region da aba All (Fig. 49).

Figura 49: Functors da categoria Region

Estes functors podem ser combinados para produzir mapas de regiões e submodelos, assim como
para unir mapas de regiões em um único mapa depois que um processamento é executado. Nesta lição
você irá aprender como obter a área de floresta remanescente para cada estado. Como resultado,
cada mapa regional irá corresponder a uma área estadual. Abra o modelo construído na pasta lesson
2. Selecione os functors dentro do container Repeat (Fig. 50.a) pressionando o botão esquerdo do
mouse e arraste-os para fora do Repeat, este terá seu tamanho reajustado conforme a Figura 50.b.

49
 Figura 50. a) Functors a serem selecionados e retirados do container Repeat.

Figura 50. b) Reajuste do container Repeat.

Apague o container Repeat selecionando-o e utilizando a ferramenta Delete Selection no

canto esquerdo do Sketch. Arraste os containers Region Manager da categoria Region e For
Each Category da categoria Control para a área de Sketch. Insira o último dentro do primeiro (Fig.51).

Figura 51: Inserindo os functors Region Manager e For Each Category.

50
Os functors Region Manager e For Each Category aparecerão marcados de vermelho, informando
que há um erro no modelo conforme verificado na Figura anterior. Na aba Model Issues localizada no
canto inferior da tela está indicado aparecerá um erro para cada um destes functors. Clicando no ícone
vermelho de exclamação é possível visualizar a mensagem de erro (Fig.52).

Figura 52: Model Issues.

O Region Manager conduz o processo de regionalização, enquanto For Each Category substitui
Repeat fazendo com que o modelo itere para cada categoria presente no mapa categórico usado
para definir as regiões, neste caso, o mapa dos estados amazônicos brasileiros.

DICA: Enquanto Repeat itera sequencialmente, For Each Category itera de acordo com
as categorias do mapa, o que não necessariamente é sequencial.

Agora selecione todos os functors, exceto os mapas de entrada e a tabela de saída, e coloque‐os dentro
de For Each Category.

DICA: É mais fácil selecionar tudo a ser inserido dentro do For Each Category e depois
retirar apenas Load Map, Load Categorical Map e Save Lookup Table.

Figura 53: Region Manager.

Agora quebre a conexão entre o Categorical Map e Calculate Map (clique na conexão e use a
ferramenta Delete Selection)). Em seguida, conecte o primeiro ao Region Manager e também o

51
For Each Category. Este mapa irá controlar o processo de regionalização dividindo os outros
mapas em várias regiões de acordo com suas classes de células ou categorias através do functor
Regionalize Map localizado na categoria Region. Arraste este functor e insira‐o dentro do For Each
Category, quebre a conexão entre Map “brazilian_amazon_lanscape.tif” e Calculate Map e, por fim,
conecte o primeiro a Regionalize Map.

Figura 54: Region Manager.

Observe que há dois functors Number Map desconectados dentro do Calculate Map. Você não irá
precisar mais do Map # 2 e do Value # 1, portanto, apague‐os. Agora conecte o Regionalize
Map ao Map # 1. Abra o functor Save Table e mude o nome do arquivo para
“remaining_forest_extent_per_state” (Fig. 55). Certifique‐se de que ele será salvo dentro da pasta
lesson3. Você precisará conectar o porto Step do functor Step ao porto Region Id do functor
Regionalize Map (Fig. 56) permitindo que ele passe ao primeiro a identificação da região atual
proveniente de For Each Category.

Figura 55: Conectando o Regionalize Map ao Number Map e salvando tabela.

52
 Figura 56: Conexão de portos

Por último, você precisará modificar o Calculate Map. Abra‐o com o Edit Functor.

Escreva: if i1= 2 then 1 else null (Fig. 57)

Lembre‐se de que “2” representa floresta.

Figura 57: Expressão para classificação de floresta remanescente.

Por fim, salve o modelo como um novo arquivo:

“My_calc_forest_remaining_per_state_using_subregions.egoml” dentro da pasta lesson3.

Verifique a integridade do modelo clicando no ícone Window e em seguida em Model Issues, clique
no botão de execução. Compare o resultado deste modelo com o resultado do modelo da lição anterior.
Os resultados são equivalentes? Você é capaz de explicar como este modelo funciona? Observe que
você não precisou separar a informação por estado no Calculate Map porque o functor Regionalize
Map já tinha feito isso.

53
 DICA: A abordagem de regiões é uma forma útil de se quebrar o mapa em vários
subconjuntos seja para personalizar um submodelo, por exemplo, para rodar com
diferentes parâmetros por país, estado ou município, ou para otimizar a memória em uso,
uma vez que o modelo não precisa lidar com todas as células do mapa para um cálculo
específico ou processamento, mas apenas as células selecionadas de uma região por vez.
Agora, vamos prosseguir em direção a uma análise espacial mais avançada.

Como resultado do modelo é obtida uma tabela com as áreas de floresta remanescente para cada região.
Para visualizar a tabela clique com o botão esquerdo do mouse sobre o functor Save Lookup Table,

então será habilitado o Functor Action Bar, clique sobre o ícone de engrenagem (Edit Functor)
observe a Figura 58:

Figura 58. Habilitando a visualização dos resultados no fuctor Save Lookup Table

E então clique no ícone para abrir a tabela na tela (Fig.59):

Figura 59: Área de floresta remanescente para cada região em metros.

54
Você também pode visualizar os resultados na forma de gráficos (Fig. 60) na aba “Graph/Chart” da
janela Lookup Table:

Figura 60: Gráfico da área de floresta remanescente para cada região em métros.

Note que o estado do Amazonas (3) é o que possui maior valor de floresta remanescente.

55
 5. Lição 4: Calculando uma superfície de custo acumulado e um
caminho de menor custo

O que você irá aprender?

 Como calcular uma superfície de fricção, superfície de custo e um caminho de menor custo
 Functors:
o Calc Cost map
o Calc Pathway map

Este exercício requer o cálculo de uma superfície de fricção, representando o custo relativo de
atravessar uma unidade de célula dependendo do uso da terra. Podemos expressar esta superfície
em termos de distância – em que não há custo diferencial entre tipos de usos da terra de forma que
o caminho de menor custo será a rota mais curta, o u s e j a , a distância Euclidiana – tempo, custo
financeiro ou algum tipo de esforço. Assim, este valor é calculado em relação a alguma unidade
(tempo, custo de transporte, etc).

Neste exercício, nós exploraremos o uso dos functors Calc Cost Map e Calc Pathway Map. Para
encontrar a solução ótima para a superfície de custo acumulado, o functor Calc Cost Map utiliza um
algoritmo heurístico que varre repetidas vezes um mapa até que a melhor superfície de custo é obtida.
Ao aumentar o número de passos, também aumenta-se a proximidade de uma solução ótima. Use “0”
como número máximo de passos para uma solução ótima, mas, em geral, apenas dois passos são
suficientes para obter uma superfície bem próxima da solução ótima.

Questão: Queremos definir o caminho de menor custo para a construção de uma estrada de ferro que
irá conectar uma ferrovia a uma cidade localizada na região (Fig. 61). Do ponto de vista dos
engenheiros, o caminho deverá ser o mais barato, isto é, mais curto. Porém, alguns tipos de uso da
terra não podem ser convertidos de espaços abertos para estradas, representando barreiras, e outros
tem um custo muito elevado para serem atravessados. Nossa tarefa é determinar o caminho de menor
custo entre a cidade e a ferrovia existente.

Study Region

Aripuanã São Felix

do Aracuaia
Sinop

MATO GROSSO

Pontes de CUIABÁ
Lacerda
Cáceres
Rondonópolis

Figura 61: Nordeste do Mato Grosso e sua localização no Brasil.

56
O conjunto de dados empregados neste exercício compreende:

 Um mapa de uso e cobertura da terra da região Nordeste do Mato Grosso, Amazônia

Brasileira. (landuse.tif),

 Um mapa de declividade. (slope.tif)

 Um mapa com a cidade a ser conectada. (town1.tif)

 Um mapa com a atual ferrovia (railroad.tif)

Inicialize o Dinamica EGO e carregue os mapas mencionados acima no Map Viewer a partir da pasta
lesson4\originals usando a paleta de cores “mt”. Abra o mapa de declividade usando “Pseudocolor”
como a paleta de cores e, no Histograma clique em Limits to Actual e em Histogram Equalize.
De início, você precisará reclassificar o mapa de uso da terra para representar o custo de atravessar
cada um dos tipos de uso da terra. Você também precisará reclassificar o mapa de declividade e então
combiná‐lo com o mapa de uso da terra. Para a reclassificação do mapa de uso da terra, use os valores
de fricção apresentados na Tab.9:

TABELA 9. CLASSES DE USO DA TERRA E SEUS VALORES DE FRICÇÃO

Uso da Terra Atributo Fricção Explicação
Planícies de 0 10000 Praticamente uma barreira
inundação
Pequenos Rios 1 50 É necessário construir pontes
Pastagem 2 1 Custo básico
Regeneração 3 10 É necessário cortar arbustos e pequenas árvores
Remanescente de 4 500 É necessário obter licença para suprimir a
Floresta vegetação nativa, a qual possui um valor de
preservação intrínseco
Meio Urbano 5 10000 Praticamente uma barreira

Estradas 6 30 É necessário construir viadutos ou instalar

semáforos para controlar o tráfego

A fricção cresce em função dos intervalos de declividade, como se segue (Tab.10):

TABELA 10. CLASSES DE DECLIVIDADE E SEUS VALORES DE FRICÇÃO

Declividade (graus) Fricção
0‐1 1
2‐5 1.3
5‐10 1.5
10‐15 1.9
15‐20 2.5
> 20 5

57
Vamos começar o modelo carregando os mapas “landuse.tif” e “slope.tif”, usando o functor Load Map.
Em seguida, vamos incorporar as duas tabelas anteriores. Adicione um Lookup Table da aba Lookup
Table.

Você deverá ter algo como o seguinte (Fig.62):

Figura 62: Adição dos functores Load Map e Lookup Table.

Agora insira três functors Calculate Map através da categoria Map Algebra no modelo. Observe que
dentro de cada Calculate Map já existe um functor Number Map. Dentro do primeiro Calculate Map
adicione mais um functor, o Number Table através da aba Map Algebra (Suppl.). Dentro do segundo
Calculate Map adicione também mais um functor Number Map através da categoria Map Algebra
(Suppl.). Por fim, adicione ao modelo o functor Save Map da aba Input/output.

Para realizar a conexão entre os functors utilize o ícone create a connection from this function que
aparece no Functor Action Bar. Conecte o functor Load Map “landuse.tif” ao Number Map do primeiro
Calculate Map e o functor Load Map “slope.tif” ao Number Map do segundo Calculate Map. Note
que ao clicar no ícone Edit Functor sobre os functors Number Map e Number Table os mesmos já irão
criar um número de identificação para os mapas e tabelas utilizados no modelo. Por fim, conecte os
dois primeiros Calculate Map ao terceiro e este ao Save Map. Abra o functor Save Map usando
o ícone Edit Functor e dê ao mapa o nome “friction.tif”. Selecione o formato “GeoTIFF
/TIFF/BigTIFF” para o mapa. Este é o modelo que você terá (Fig 63):

58
 Figura 63: Conexão entre functors e adição do functor Save Map.

Agora, você precisa inserir a tabela de usos da terra no functor Lookup Table. Clique no functor
Lookup Table e selecione o ícone Edit Functor que aparecerá acima do functor. Adicione as chaves
e valores (preencha as linhas da tabela através do botão de adição) como mostrado na Fig. 64:

Figura 64: Chaves e valores das classes de Uso do solo.

Abra o primeiro Calculate Map que contém o Number Table e escreva a seguinte expressão (Fig.65):
t1[i1]

59
 Figura 65: Expressão para classificar o mapa de usos do solo em custos.

Esta expressão irá obter o valor do mapa e usá‐lo como chave para acessar a tabela, classificando
assim, o mapa de acordo com os valores de custo.

Insira a seguinte equação (Fig.65) dentro do segundo Calculate Map. Esta expressão corresponde à
tabela de fricção por declividade.

Figura 65: Expressão para classificar o mapa de declividade em custos.

No terceiro Calculate Map (Fig 66) insira:

Figura 66: Expressão do terceiro Calculate Map.

60
Salve o modelo como “My_friction”, verifique sua integridade através da aba Model Issue localizada
no Issue Panel e, se o modelo estiver correto, execute‐o.

Abra o arquivo “friction.tif” no Map Viewer usando o “Pseudocolor” como Palette e no Histogram
clique em Limits to Actual e Equalize.

O que você vê? Observe que a cor vermelha (Fig 67) representa as áreas com alto custo de travessia.

DICA: Sinta‐se livre para usar outro software para visualizar os mapas. O formato GeoTIFF
é automaticamente aberto nos pacotes do ARC GIS, ER MAPPER, ERDAS, dentre outros.

Figura 67: Mapa de custo de travessia.

Vamos para a segunda parte desse exercício. Carregue “town1.tif” da pasta \originals usando o functor
Load Map e “railroad.tif” usando o functor Load Categorical Map. Lembre‐se que este functor
categoriza o mapa.

Arraste também para o modelo os functors Calc Cost Map e Calc Pathway Map da categoria Map
Algebra e também um save map da categoria Input/output.

61
 Algumas observações a respeito deste algoritmo:

O algoritmo que calcula o mapa de custo é um tipo geral de "Pushbroom". Entretanto sua performance
espacial se aproxima do conhecido algoritmo "Pushgrow", especialmente quando sãousado dois ou mais
passos.

Por padrão, as dimensões das células (largura e altura) não são consideradas no cálculo de custo. Para levar
isso em consideração, habilite a opção Friction is relative em Advanced Options.

Penalização por movimentos diagonais é efetiva apenas quando os valores de fricção são altos ou o mapa
de custo é representado usando números reais.

Mapas de fricção com células representadas em números reais requerem mapas de custo com células
representadas também em números reais. Caso contrário um erro será reportado.

Cada passo usado para calcular o mapa de custo corresponde a quatro passadas no mapa originadas a partir
de direções opostas.

Lugares inalcançáveis no mapa de fricção são excluídos no mapa de curso e, assim, são representados como
células com valores nulos. O custo não é acumulado através das células de valores nulos, assim, regiões
rodeadas por células de valores nulos não terão seus custos calculados, a menos que haja uma feição dentro
desta região.

Ao realizar a conexão entre os functores Load Categorical

Map e o Calc Cost Map, o porto Source receberá o mapa
“railroad.tif” e o porto Friction receberá o mapa resultante do
terceiro Calculate Map. Nas opções avançadas do Functor
Editor do Calc Cost Map (Fig. 68) habilite a opção Diagonals
Cost More, isto irá penalizar o movimento através de células
diagonais. Também ajuste o Maximum Number of Passes para
“2”. Deixe as demais opções sem alteração.

Figura 68:Edição do functor Calc Cost Map

Na conexão entre os functors Load Map “town1.tif” e o Calc Pathway Map, escolha o porto Source

DICA: Source, neste caso, também representa o destino, uma vez que o mapa de custo
foi construído a partir da estrada existente. Assim, este algoritmo irá procurar pelo
caminho de menor custo a partir da fonte até a feição já existente, isto é, a estrada de ferro.
Conecte também o functor Calc Cost Map ao functor Calc Pathway Map (o mapa gerado
pelo mesmo será ligado automaticamente ao porto Cost).

62
Por fim, conecte o Load Categorical Map “railroad.tif” ao Calc Pathway Map.

No functor Calc Pathway Map ative a opção Use

Lottery (Fig. 69). Este é um artefato que permite que
o modelo escolha o caminho quando dois ou mais
mínimos locais são encontrados.

Figura 69:Edição do functor Calc Pathway Map

O functor Calc Pathway Map ignora células com valores iguais ou inferiores a 0 ou células nulas. Por
sua vez, o functor Calc Cost Map necessita de um mapa de rede com células nulas representando locais
sem feições.

No functor Load Categorical Map através do Edit Functor habilite a caixa Define Null Value e
certifique‐se de que Null Value está representado pelo valor “0” (Fig.70).

Figura 70: Edição do functor Load Categorical Map.

Para salvar o mapa gerado pelo Calc Pathway Map conecte-o a um novo Save Map, com auxílio do
Edit Functor preencha as opções de salvamento, dê o nome de“railway.tif” ao mapa e selecione o
formato “GeoTIFF /TIFF/BigTIFF” e nas opções avançadas insira “0” para o Suffix to Digits .

O modelo final irá aparecer da seguinte forma (Fig. 71):

63
 Figura 71:Modelo final.

Salve o modelo em um novo arquivo, nomeando‐o como “my_pathway.xml”, verifique e, se tudo

estiver correto, execute‐o. Isto vai demorar apenas um pouco. O Dinamica EGO possui desempenho
superior em relação à maioria dos pacotes comerciais de SIGs, tente rodar este modelo em outro
software apenas para comparação de performance. Abra o arquivo “railway.tif” no Map Viewer usando
“PseudoColor” como Palette (Fig.72). O que você vê?

Figura 72: Raster da estrada de ferro.

64
Você pode também tentar maximizar a solução para o algoritmo Calc Cost Map ajustando o
Maximum Number of Passes para “0”. Compare o tempo gasto por esta execução e o caminho resultante
do modelo anterior. Houve alguma grande diferença?

Este tipo de modelo também pode ser modificado para desenvolver múltiplos caminhos
simultaneamente (Fig.73). Abra o modelo “join_towns.xml” na pasta lesson 4.

Figura 73: Modelo com múltiplos caminhos simultaneamente.

Este modelo mostra como você pode usar o functor Calculate Map para combinar informações
de diferentes mapas em um único mapa. O resultado será um mapa representando as células centrais
para quatro cidades.

DICA: utilize sempre uma única célula para representar uma localização a ser alcançada pelo
Calc Pathway Map.

Agora substitua a entrada em Load Map “town1.tif” pelo arquivo “multiple_towns.tif” e mude o
arquivo em Load Map “railway.tif” para “xrailways.tif”.

Você obteve algo como o mapa abaixo (Fig.74)?

65
 Figura 74: Raster da estrada de ferro com múltiplos caminhos.

Se você for até Examples\run_lucc_northern_mato_grosso\run_roads_with_comments e abrir o

modelo “mato_grosso_road.egoml”, você verá como este conjunto de algoritmos pode ser adaptado
e combinado para construir um Road Constructor Module, um submodelo que simula a expansão
da malha rodoviária na região da fronteira amazônica. Este modelo é um exemplo da habilidade da
plataforma Dinamica EGO para a criativa construção de modelos espaciais.

66
 6. Lição 5: Avaliação Multicritério no Dinamica EGO

O que você irá aprender?

 AMC para planejamento urbano e regional.
 Functors:
o Calculate Distance to Feature Map
o Group

A Avaliação Multicritério (AMC) é um método frequentemente utilizado para avaliações de impactos

ambientais e para planejamento urbano e regional. Neste exercício você irá aplicar o AMC para
identificar áreas que são favoráveis para o desenvolvimento de uma nova cidade no Nordeste do Mato
Grosso – uma região de fronteira amazônica –, mitigando, ao mesmo tempo, possíveis impactos
ambientais decorrentes do assentamento urbano. Novamente, nós nos deparamos com dois pontos de
vista, um dos desenvolvimentistas e outro dos conservacionistas. Um modo de resolver esta questão é
listando todos os critérios que favorecem o estabelecimento de uma nova área urbana e os que o
restringem ou o impedem.

Neste exercício, nós temos dois tipos de critérios, aqueles que restringem nossa análise apenas a áreas
específicas, sendo assim booleanos com valor 1 ou 0, e aqueles que admitem um certo grau de
adequabilidade para um local dependendo de seus atributos biofísicos e de infraestrutura.

Nossos critérios são:

1) Distância até estradas principais < 15 quilômetros.

2) Tempo de viagem até cidades vizinhas < 30 minutos.
3) Distância mínima de 10 km até cidades existentes.
4) Distância mínima de 1000 metros até áreas inundadas (Malária é endêmica nessas regiões).
5) Somado a isso, temos que considerar que nem todos os terrenos estão disponíveis. Nós não
queremos encorajar mais desmatamento na região, portanto, precisamos usar apenas áreas já
desmatadas ou abandonadas. Também devemos excluir áreas urbanas já existentes, rios e
planícies de inundação.
6) Áreas no mínimo maiores que 1000 hectares.
7) Declividade média < 0.5 graus.

67
 6.1 Primeiro Passo: Encontrando áreas sem impedimentos

O mapa de uso da Terra o apresenta as seguintes classes (Tab.11):

Tabela 11. Classes de usos da Terra.

Uso da terra id
Planícies de inundação 0
Pequenos rios 1
Pastagem 2
Vegetação em recuperação 3
Remanescente de floresta 4
Área urbana 5
Estradas 6

Carregue “\lesson4\originals\landuse.tif” no Map Viewer e mude o Current Color Palette para

“mt”como mostrado na Fig. 75.

Figura 75: Mapa de usos do solo.

Comecemos montando o modelo. Insira um Load Categorical Map no plano de Sketch e abra o arquivo
“\lesson4\original\landuse.tif”. Agora insira um Calculate Map e, em seguida abra o Number Map,
observe que será acrescentado automaticamente o número “1". Agora insira um Save Map e nomeie
como “unconstrained_areas.tif”, certifique-se de que você mudou a pasta para lesson5. Altere o formato
de arquivo para Geotiff e insira “0” em Suffix Digits.

DICA: Você pode melhorar o desempenho do modelo evitando salvar mapas intermediários.

Nesta etapa, você irá salvar o mapa apenas para verificar o resultado desta operação. Não se esqueça
de conectar todos os functors.

68
Agora abra o Calculate Map com o Edit Functor e digite a seguinte expressão (Fig.76):

if i1 = 0 then null else if i1 = 1 then null else if i1 = 4 then null else if i1 = 5 then null else 1

O valor nulo irá esconder planícies de inundação (0), rios (1), áreas urbanas (5) e estradas (6) em
operações subsequentes. Não se esqueça de mudar Data Cell Type para “Unsigned 8 Bit Integer” e Null
Value para “0”.

Figura 76: Expressão para restringir determinadas classes.

Salve o modelo como “My_MCE_part1.egoml”, execute-o e examine o mapa (Fig.77) resultante no

Map Viewer.

Figura 77: Mapa de áreas sem restrição.

6.2 Segundo Passo: Construindo buffers para definir áreas inapropriadas

Nesta etapa você precisará construir buffers (zonas de amortecimento) para considerar o critério de
distância de cidades e áreas inundadas. Carregue um Calculate Categorical Map.

69
 DICA: A única diferença entre o Calculate Map e o Calculate Categorical Map é que o último
gera como resultado um mapa categórico.

Você irá precisar de um Calculate Categorical Map para usar o functor Calc Distance to Feature Map
(Fig. 78); você também poderá acessá-lo através da categoria Map Algebra. Embora não seja
necessário, você pode salvar seu mapa utilizando um Save Map. Salve-o como “distance_to_towns.tif”.
Agora conecte o mapa categórico “landuse.tif” ao Number Map, não se esqueça de abrir o Number
Map para que seja inserido o número “1”.

Figura 78: Portos de conexão entre os functors Calculate Categorical Map e Calc Distance To Feature
Map.

O porto Source é um mapa contendo as feições para as quais as distâncias serão calculadas, sendo estas
feições representadas por valores não nulos. O porto Mask é um mapa usado para mascarar o cálculo
de distância nas células nulas. Vamos conectar a saída do Calculate Categorical Map em Source e o
mapa categórico “landuse.tif” em Mask.

Agora abra o Calculate Categorical Map e escreva a seguinte expressão:

if i1 = 5 then 1 else null

Lembre-se de que 5 é o número de identificação para a classe área urbana. Você não precisa mudar
Data cell type nem o Null Value nos dois functors, embora, para economizar memória, você poderá
mudar Data cell type para “Signed 8 Bit Integer” e Null Value para “0” no Calculate Categorical Map.
Você também pode habilitar a opção Truncate Distance em Calc Distance to Feature Map. Isto irá
evitar que se extrapole a representação numérica máxima para Data cell type.

Agora conecte o porto Distance em Calc Distance to Feature Map ao Save Map. O modelo deverá
estar pronto para ser executado (Fig. 79). Sempre salve o modelo antes de colocá-lo para executar.
Salve-o como “My_MCE_part1&2.egoml”. Examine o resultado com o Map Viewer.

70
 Figura 79: Modelo para calcular a distância às cidades.

Como um último procedimento, adicione um Calculate Map, conecte a saída de Calc Distance to
Feature Map ao seu Number Map e salve o resultado usando um Save Map com o nome
“away_from_towns.tif”. Observe que neste estágio, nós estamos pulando alguns passos, supondo que
eles já foram bem compreendidos até agora. Escreva a seguinte expressão na caixa de equação do
Calculate Map:

if i1 < 10000 then null else 1

DICA: O mapa de distância é sempre produzido em metros e o critério de restrição é sempre

ajustado para nulo.

Você obterá o seguinte modelo (Fig.80):

71
 Figura 80: Modelo de distância mínima de 10 km até as cidades.

Salve-o e execute-o. Abra o mapa “away_from_towns.tif”. É isto (Fig.81) o que você obteve?

Figura 81: Mapa de distância mínima de 10 km até as cidades.

Como você irá solucionar o problema tendo os seguintes critérios?

 Distância até estradas principais < 15 quilômetros.

 Distância mínima de 1000 metros até planícies de inundação.

Você precisará carregar outro Load Categorical Map e inserir o arquivo “mainroads.tif” da pasta
lesson5. Você precisará mudar Null Value para “0”. Você pode conectar este functor diretamente em
outro Calc Distance to Feature Map (Fig. 82) que você precisará inserir no plano de Sketch. Use o
mapa categórico “landuse.tif” novamente como Mask.

72
 Figura 82: Portos de conexão entre os functors Load Categorical Map e Calc Distance To Feature Map.

Agora iremos inserir uma série de Calculate Map. Use as seguintes equações nos respectivos Calculate
Map (você precisará de um para cada critério):

if i1 > 15000 then null else 1

Agora conecte a sua saída no Save Map “not_too_far_from_mainroads.tif”

Você obterá o modelo a seguir (Fig.83):

Figura 83: Modelo considerando o critério “Distância até estradas principais < 15 quilômetros”.

Verifique sua integridade, salve como “My_MCE_part1&2.1.egoml” e execute-o.

73
Você obteve um mapa “not_too_far_from_mainroads.tif” como este (Fig. 84)?

Figura 84: Mapa de distância de até 15 quilômetros das estradas principais.

Para o critério de planícies de inundação, você precisará adicionar outro Calculate Categorical Map
para apontar as áreas de inundação antes de passar o mapa resultante para o Calc Distance to Feature
Map.

Conecte o mapa categórico “landuse.tif” a ele e escreva a seguinte equação na caixa de equação do
Calculate Categorical Map.

if i1 = 0 then 1 else null

Agora conecte a saída em Calc Distance to Feature Map como o porto Source, use novamente o mapa
categórico “landuse.tif” como o porto Mask, em seguida conecte sua saída em outro Calculate Map e
escreva a seguinte equação:

if i1 < 1000 then null else 1

Salve o resultado como “malaria_free_zone.tif”

O modelo para os três critérios combinados deverá se parecer com o modelo abaixo (Fig.85):

74
 Figura 85: Modelo com os três critérios combinados.

Verifique o modelo, salve-o como “My_MCE_part1&2complete.egoml”, execute-o e analise o mapa

“malaria_free_zone.tif”. Ele se parece com este (Fig 86).

Figura 86: Mapa de áreas distantes no mínimo 1000 metros das áreas inundadas.

75
 6.3 Terceiro passo: Calculando tempo de deslocamento para cidades vizinhas

O tempo de deslocamento para células vizinhas não deverá exceder a 30 minutos de viagem. Este quarto
critério requer o uso do Calc Cost Map assim como uma superfície de fricção para o transporte.

Tabela 12. Tabela de conversão

Explicação
x (horas) -> 0.1 km
1 h -> 60 km
Isso é igual a = 0.1 km/60 km x 60 minutos = 0.1 minuto

Para inserir este critério, estabeleceremos duas velocidades de viagem: uma para a malha rodoviária e
outra para todos os tipos de usos da terra. Viajar pelas rodovias permite em média uma velocidade de
60 km/h. Assim, o tempo necessário para atravessar uma célula de 100 metros de resolução será de
0.1célula/ minuto. Em contrapartida, viajar através de áreas vicinais permite uma velocidade média de
20 km/h, que é equivalente a 0.3 célula/minuto.

Vamos agora reclassificar o mapa “landuse.tif” para produzir a superfície de fricção. Para fazer isso
você precisará inserir outro Calculate Map e escrever em sua caixa de equação a seguinte expressão:

if i1 = 6 then 0.1 else 0.3

Agora conecte o porto result do Calculate Map a um functor Calculate Cost Map (em seu porto
Friction) como mostra a Fig.87:

Figura 87: Portos de conexão entre os functors Calculate Map e Calc Cost Map.

Você precisará de outro Calculate Map para apontar as cidades vizinhas no mapa de uso da terra usando
a equação abaixo:

if i1 = 5 then 1 else null

76
Importante: Não se esqueça de mudar Data Cell Type no Calculate Map que gera o mapa de fricção
e também no Calc Cost Map para “IEEE 754 Bit Real”. Lembre-se de que o custo celular é expresso
em números fracionários.

Agora passe a saída do Calc Cost Map para outro Calculate Map para produzir um mapa booleano de
acordo com o tempo máximo de deslocamento, como a seguir:

if i1 < 30 then 1 else null

Por fim, salve o mapa resultante como “near_town_region.tif”. Note que você adicionou ao mapa três
functors Calculate Map adicionais, três functos Number Map, um Calc Cost Map e outro Save Map.
O modelo deverá se parecer com a Fig.88, na qual os functors adicionados nesta etapa aparecem na
parte superior.

Figura 88: Modelo de cálculo de tempo de deslocamento para cidades vizinhas.

Salve-o como “My_MCE_part1&2&3.egoml”, e execute-o. Examine o mapa “near_town_region.tif”.

Foi este mapa (Fig. 89) que você obteve?

77
 Figura 89: Mapa de tempo de deslocamento para cidades vizinhas inferior a 30 minutos.

6.4 Quarto passo: Combinando os critérios booleanos

Até agora você implementou os seguintes critérios:

 Distância até estradas principais < 15 quilômetros.

 Tempo de deslocamento até cidades vizinhas < 30 minutos.

 Distância mínima de 10 km até cidades existentes.

 Distância mínima de 1000 metros até planícies de inundação.

Somado a isso, temos que considerar que nem todos os terrenos estão disponíveis. Nós não queremos
encorajar mais desmatamento na região, portanto, precisamos usar apenas áreas já desmatadas ou
abandonadas. Também devemos excluir áreas urbanas já existentes, rios e planícies de inundação.

Os dois critérios restantes (áreas iguais ou maiores que 1000 hectares e declividade média < 0.5 graus)
devem ser implementados usando uma abordagem de zonas como aquela fornecida pelos functors da
categoria Region. Antes de iniciar esta etapa, você precisa combinar todos os critérios já implementados
anteriormente em um único mapa.

Como você já percebeu este modelo atingiu certo nível de complexidade e está começando a ficar
difícil compreender sua estrutura através da interface gráfica. Dinamica EGO oferece alguns recursos
para reduzir a complexidade visual de modelos.

Primeiramente, você pode deletar os functors Save Map, uma vez que você já verificou seus resultados.
Em seguida, você pode adicionar comentários a alguns functors destacando seus produtos. Façamos
isso.

78
Selecione a ferramenta Add comment to functor da barra de ferramentas do functor. Descreva o produto
de cada functor que precede os functors Save Map, assim você pode traçar cada fluxo de dados até seu
ponto inicial (que é o mapa “landuse.tif”). O comentário que você adicionou será o primeiro a aparecer

em uma caixa na parte superior do container Calculate Map . Faça isso clicando em seu ícone

Escreva o seguinte nos respectivos functors: “Near town regions”, “Malaria free zone”, “Away from
towns”, “Unconstrained land uses”, “Not to far from main roads” como mostra o exemplo na Fig 90:

Figura 90: Exemplo de inclusão de comentário.

Neste ponto, você pode deletar os functors Save Map, uma vez que você já verificou seus resultados.
Depois disso, organize o layout do modelo (Fig. 91).

DICA: Ajuste o tamanho da janela Sketch para obter uma visão mais detalhada do modelo.

79
 Figura 91: Modelo após a remoção dos functors Save Map.

Os cinco functors Calculate Map produzem os cinco critérios resolvidos anteriormente. Agora você
precisa combiná-los com um Calculate Map.

Agora adicione mais quatro functors Number Map dentro do Calculate Map. Abra-o e escreva a
seguinte equação:

i1*i2*i3*i4*i5

DICA: Calculate Map não processa células nulas.

Mude o Data Cell Type para “Unsigned 8 Bit Integer” e Null Value para “0”; escreva o comentário
“Combine five criteria” e adicione um Save Map para ver o resultado (Fig.92), nomeando o arquivo
como “five_criteria_combined.tif”. Por fim, organize o layout.

80
 Figura 92: Modelo com os 5 critérios combinados.

Feche o primeiro container à esquerda para mostrar os comentários, salve o modelo como
“My_MCE_part1&2&3&4.egoml”, verifique o modelo e execute-o. Este é o mapa (Fig.93) que você
obteve?

Figura 93: Mapa com os 5 critérios combinados.

Para simplificar mais ainda o visual do modelo, outro recurso disponível no Dinamica EGO é o
functor Group. Arraste cinco functors Group da categoria Control e coloque-os no plano de Sketch.

81
 Agora selecione cada functor do fluxo de dados que termina no Calculate Map “Combine five
criteria” (Pressione Crt + botão direito para selecionar mais de um functor), deixe fora os functors
Load Categorical Map, e então arraste os functors selecionados para um Group. Repita este
procedimento para os cinco critérios (Fig. 94).

Figura 94: Utilização do functor Group.

Feche cada Group e escreva os seguintes comentários em seus respectivos functors Group. Talvez
você precise ampliar a visualização do modelo.

Produce near town regions

Produce malaria free zone
Produce areas away from town
Produce unconstrained land uses
Produce areas not too far from main roads

Veja o modelo na próxima página (Fig. 95). O modelo não se tornou mais fácil de ser visualizado? É
claro, você precisará abrir o functor Group para entender como os dados são produzidos. Você pode
fazer isso um por um. Veja que a função do functor Group é ajudar a organizar o diagrama do modelo.

DICA: Group é também usado para assegurar a ordem certa de execução dado que ele sempre
executa os functors agrupados antes dos functors subsequentes.

82
Salve este modelo como “My_MCE_part1&2&3&4group.egoml” e vamos agora para o próximo
passo.

Figura 95: Modelo final após a inclusão dos comentário.

83
 6.5 Quinto passo: Identificando as áreas adequadas.

Nesta etapa, você irá identificar as áreas adequadas iguais ou maiores que 1000 hectares. Primeiro,
apague o mapa “five_criteria_combined.tif”. Lembre-se que quanto menos o programa acessa o disco,
mais rápido o modelo é executado. Agora vá até a categoria Map Algebra e arraste o functor Calc
Patch Label Map. Este functor rotula manchas de células usando números sequenciais. Uma mancha
consiste em um grupo de células vizinhas de mesma categoria (veja também lição 10: Métricas de
paisagem no Dinamica EGO). Você precisará disso para implementar o critério relativo à área. Conecte
a saída de “Combine Five Criteria” a esse functor. Alguns desses parâmetros são:

Initial Patch Label: Insira “1”. Importante: Ajuste Null Value para “0” e Data Cell Type para Signed
32 Bit Integer.

Isso será o suficiente para armazenar todos os identificadores de manchas. Deixe os demais parâmetros
sem alteração. Para maiores detalhes acesse o Help localizado na barra de menu do Dinamica EGO.
Agora conecte a saída de Calc Patch Label Map a Calc Areas, disponível na categoria Map Algebra
(Fig. 97). Como saída este functor dispões de 3 opções: Nós precisamos da área em hectares, então
usaremos o porto Areas in Hectares para a próxima conexão.

Agora, coloque no plano de Sketch um Calculate Map, e um Number Table dentro dele. Conecte Calc
Areas a Table 1 (isto implica que a saída de Calc Areas é uma tabela), e a saída Map de Calc Patch
Label Map a Map #1. Agora abra Calculate Map e escreva:

if (t1[i1] < 1000) then null else 1

Usando essa fórmula, o functor irá analisar o tamanho de cada mancha e depois eliminar as manchas
menores que 1000 hectares. Agora insira um Save Map e nomeie o arquivo como “big_areas.tif”.

Figura 97: Modelo para identificação de áreas adequadas iguais ou maiores que 1000 hectares.

Verifique o modelo, salve-o como “My_MCE_part1&2&3&4&5.egoml, execute-o e examine seu

resultado. Este é o mapa (Fig. 98) que você obteve?

84
 Figura 98: Mapa de áreas adequadas iguais ou maiores que 1000 hectares.

Ótimo! Isso foi custoso! Mas antes de seguirmos para o próximo passo, ainda há uma última coisa a
fazer. Para manter os identificadores das manchas, você precisa multiplicar o resultado do último
Calculate Map no qual você adicionou o comentário “Identify big patches” pela saída do Calc Patch
Label. Assim, você manterá os identificadores apenas para as manchas grandes.

Insira um Calculate Categorical Map e dois functors Number Map dentro dele. Ajuste os Number
Map para “1” e “2” respectivamente e remova o functor Save Map. Agora conecte os functors da
seguinte forma (Fig. 99):

Figura 99: Modelo com os functors que mantém os identificadores de manchas grandes.

DICA: Você precisará de um Calculate Categorical Map ao invés do Calculate Map porque os rótulos
das manchas serão usados em seguida para regionalizar o mapa de declividade. Ajuste Null Value para
“0” e Cell Type para Signed 32 Bit Integer.

Digite: i1*i2, feche o functor e insira o comentário “keep labels only for big patches”. Agora você está
pronto para ir para o último passo.

85
 6.6 Sexto passo: Estabelecendo a declividade média nas manchas selecionadas

O último critério estabelece que a declividade média nas manchas selecionadas deve ser menor que 0.5
grau. Insira um Load Map e carregue o arquivo “\lesson4\originals\slope.tif”. Agora revise a Lição 3,
pois você precisará aplicar novamente o conceito de região.

Arraste para o plano de sketch um Region Manager, For Each Category, Regionalize Map, e um Step
e insira os últimos dois functors dentro do primeiro e For Each Category dentro do Region Manager
e conecte-os da seguinte maneira (Fig.100):

Figura 100: Adição dos functors Region Manager, For Each Category, Regionalize Map, e Step.

O mapa a ser regionalizado é o “slope.tif”. O mapa de saída do último Calculate Categorical Map irá
controlar ambos os functors Region Manager e For Each Category. Lembre-se que este functor
permite que o modelo itere de acordo com as categorias de mapas passados a ele. Agora insira um Mux
Lookup Table, um Extract Map Attributes, um Calculate Value, um Number Table e um Set Lookup
Table value, todos dentro de For Each Category e conecte-os como mostrado na Fig.101:

Figura 101: Adição dos functors Mux Lookup Table, Extract Map Attributes, Calculate Value, Number
Table e Set Lookup Table value.

Escreva a equação: t1[13] no Calculate Value. Lembre-se que 13 é a chave para a média dos valores
de todas as células não nulas na tabela de atributos. Este submodelo é muito parecido com aquele
introduzido na Lição 3. Abra o functor Extract Map Attributes e habilite a opção (Fig. 102):

86
 Fig 102: habilitação de opções do functor Extract Map Attributes.

Lembre-se de conectar o porto Step do functor Step ao porto Key do Set Lookup Table (Fig. 103),

Figura 103: Conexões entre os functors Step e Set Lookup Table Value.

assim como o porto Updated Table do functor Set Lookup Table Value ao porto Feedback do Mux
Lookup Table (Fig. 104).

Figura 104: Conexões entre os functors Set Lookup Table Value e Mux Lookup Table.

Abra um Mux Lookup Table com o Edit Functor Ports e clique no Initial, insira uma tabela em branco.
Para isso, apenas insira um “0” e “0”, como Key e Value. Selecione a opção Register viewer no porto
de saída Table. Assim, você poderá ver os resultados.

Por fim, insira um Calculate Categorical Map depois do Region Manager e coloque um Number
Table dentro dele (Fig. 105). Numere-os e digite a seguinte equação:

87
 if t1[i1] > 0.5 then null else i1

Salve o resultado como “suitable_for_a_new_town.tif”.

Figura 105: Adição dos functors Calculate Categorical Map e Number Table.

Verifique o modelo, salve-o como “My_MCE_part1&2&3&4&5&6.egoml” e execute-o. Este é o

mapa (Fig. 106) que você obteve?

Figura 106: Mapa de manchas com declividade média menor que 0.5 grau.

Por fim, você só precisa organizar o modelo em um layout mais legível. Insira um Group e arraste os
seguintes functors para dentro dele: Calc Patch Label Map, Calc Areas, Calculate Map “Identify big
areas” e Calculate Map “Keep labels only for big patches” como mostra a Fig.107.

88
 Figura 107: Modelo com layout mais legível.

Feche o functor Group e adicione o comentário: “Label and select big patches”, feche o Region
Manager e digite o comentário: “Calculate average slope for each big patch”, feche o último functor
Calculate Categorical Map e digite “Eliminate patches with average slope > 0.5” como comentário e
por último, digite “Save final map” ao Save Map “suitable_for_a_new_town.tif”.

Salve o modelo como “My_MCE_part1&2&3&4&5&6_complete.egoml”. Este é o modelo final (Fig.

108):

Figura 108: Modelo final considerando todos os critérios propostos.

DEVER DE CASA

Ao examinar o mapa “suitable_for_a_new_town.tif”, você irá notar uma grande mancha na sua porção
sudoeste, a qual será o melhor alvo para uma nova cidade.Considerando a área de superfície como um
critério adicional, você seria capaz de adicionar um submodelo ao modelo atual para identificar esta
mancha?

DICA: Você precisará recalcular as áreas para as manchas restantes e passar essa tabela ao For
Each Category, que permite uma varredura pela tabela. Adicione dois Mux Value dentro de
For EachCategory, um que irá armazenar o valor máximo de área e outro que irá armazenar
sua chave.

89
 7. Lição 6: Construindo um modelo de simulação de mudanças
de uso e cobertura da terra

O que você irá aprender?

 Como simular mudanças no uso da terra
 Como calcular matrizes de transição
 Como calibrar um modelo de mudanças no uso da terra
 Uso dos Pesos de Evidências
 Correlação de mapas
 Validação de modelos
 Functors:
o Determine Weights Of Evidence Ranges
o Determine Weights Of Evidence Coefficients
o Calc WOfE Probability Map
o Calc Change matrix
o Patcher
o Expander

O desenvolvimento de modelos espaço-temporais, nos quais o estado ou o atributo de certa

localização geográfica muda com o passar do tempo em resposta a um conjunto de forças motoras,
é um pré-requisito crucial para a modelagem ambiental e, portanto, abre uma vasta gama de
possibilidades para a representação dos fenômenos dinâmicos.

Nesse contexto, este exercício explora o uso do Dinamica EGO como uma plataforma de
simulação para modelos de mudanças no uso e cobertura da terra (LUCC). O objetivo é calibrar,
executar e validar um modelo LUCC e, neste caso, trataremos de um modelo de simulação do
desmatamento. Você precisará passar por 10 passos para completar o modelo, como representado na
Fig.109 a. Para facilitar este processo, cada um desses passos será representado como um modelo
separado. Embora todos os passos possam ser unidos em um único modelo, por razões de simplicidade
nós os manteremos como modelos separados.

O conjunto de dados de entrada representa uma região do estado de Rondônia, nos arredores da cidade
de Ariquenes, na Amazônia Brasileira Fig. 109b.

Abra os mapas “23267_1997.ers” e “23267_2000.ers”, da pasta

“\Examples\setup_run_and_validade_a_lucc_model\originals”, usando Color Palette “Amazon”.
Estes mapas correspondem a uma imagem Landsat (232/67) classificada pelo PRODES (INPE 2008)
– Monitoramento da Floresta Amazônica brasileira por satélite – para os anos 1997 e 2000.

Neste modelo LUCC, Dinamica EGO irá usar o mapa de 1997 como paisagem inicial e o mapa de
2000 como paisagem final, considerando a paisagem como uma matriz bi-dimensional de tipos de
usos da terra. Observe as classes de paisagem dos mapas na Tabela 12.

90
 Tabela 92. Clases de paisagem
Chave Classe de Uso da Terra
0 Valor Nulo
1 Desmatado
2 Floresta
3 Cerrado

DICA: O Dinamica EGO não armazena nomes de classes explicitamente, tenha em mente os
números que identificam as classes dos mapas.

91
 1. Calcular matrizes
de transição

2. Calcular faixas
para categorização
variáveis contínuas
de cinza
3. Calcular os esos
de Evidência

4. Analisar a
correlação de mapas

5. Montar e rodar
um modelo de
simulação LUCC

6. Validar a simulação usando

função de decaimento
exponencial

7. Validar a simulação usando

função decaimento constante
usando janelas múltiplas

8. Rodar a
simulação com
formação de

9. Rodar a simulação com

formação e expansão de
manchas

10. Projetar as trajetórias de

desmatamento

Figura 109 a) Dez passos do modelo de simulação de mudanças no uso e cobertura da terra.

92
 Figura 109 b) Área de estudo em relação ao estado de Rondônia e ao Brasil (verde escuro é floresta,
verde claro é área cerrado, e sem cor é área desmatada).

7.1 Primeiro passo: Calculando matrizes de transição

Primeiro, você precisará calcular as matrizes de transições históricas. A matriz de transição descreve
um sistema que muda em intervalos discretos de tempo, nos quais o valor de qualquer variável
em um dado período de tempo é a soma das porcentagens fixas dos valores de todas as variáveis do
passo de tempo precedente. A soma das frações ao longo da coluna da matriz de transição é igual a 1
(Equação 1). A linha diagonal da matriz de transição não precisa ser especificada uma vez que
Dinamica EGO não modela a porcentagem de células inalteráveis, nem as transições iguais a zero. A
taxa de transição pode ser passada ao modelo LUCC como um parâmetro fixo ou ser atualizada pela
retroalimentação do modelo.

1 1
2 2
3 = … ∗ 3 [1]
… . . . . …

Equação 1. Matriz de transição

A matriz de passo único corresponde a um período de tempo representado como um único passo de
tempo, por sua vez, a matriz de passos múltiplos corresponde a uma unidade de passo de tempo (ano,
mês, dia, etc.) especificado pela divisão do período de tempo por um número de passos de tempo. Para
Dinamica EGO, o passo de tempo pode compreender qualquer extensão de tempo, uma vez que as
unidades de tempo são apenas uma referência externa. Uma matriz de transição de múltiplos‐passos
pode apenas ser derivada de uma matriz ergódica, isto é, uma matriz que possui auto‐valores e auto‐
vetores reais.

93
As taxas de transição determinam a quantidade líquida de mudanças, isto é, a porcentagem de terra que
irá alterar para outro estado (atributo dos usos e cobertura da terra), e são, portanto, conhecidas como
taxas líquidas, sendo adimensionais. Em contrapartida, as taxas brutas são especificadas como uma
unidade de área, tais como hectares ou km2 por unidade de tempo. No caso de não haver solução para
a matriz de transição de múltiplos passos, você pode rodar o modelo em vários passos de tempo,
como definido acima, calculando uma taxa bruta fixa para cada passo de tempo (ano) dividindo a
mudança acumulada no período pelo número de passos que compõem o período (isto não deve ser
usado em modelos de transição complexos). Dinamica EGO converte taxas brutas em taxas
líquidas, dividindo a extensão da mudança pela fração de cada classe de uso e cobertura anterior à
mudança, antes de passá-las para os functores de transição: Patcher e Expander.

Abra o modelo “determine_transition_matrix.xml” localizado em “\setup_run_and_validade_a_

lucc_model\1_transition_matrix_calculation” (Fig. 110).

Figura 110: Calculo de matrizes de passo único e de múltiplos passos.

Ligue ao functor Determine Transition Matrix os mapas de entradas “23267_2000.ers” e

“23267_1997”, observe os portos de conexão para o functor na Figura 111.

DICA: Os functors utilizados na calibração de um modelo estão localizados na Libary na

categoria Calibration.

94
 Figura 111: Portos de conecção dos mapas de entrada e do functor Determine Transition Matrix.

O Categorical Map “2367_1997.ers” se conecta ao porto Initial Landscape e o “2367_2000.ers”

ao porto Final Landscape.

Verifique o número de passos de tempo, neste caso, insira “3”, uma vez que você quer determinar
a matriz de múltiplos passos por passos anuais (2000_1997 = 3 anos). Agora ligue o Determine
Transition Matrix ao Save Table e escolha a opção Single Step Matrix.

Figura 112: Portos de conecção do functor Determine Transition Matrix e Save Table.

Execute o modelo e abra as matrizes resultantes clicando n a opção Register Viewer nos portos de
saída (Fig. 113). É isto o que você obteve?

95
 Figura 113: Taxas líquidas de mudança de floresta para não floresta em porcentagem

Você também pode ver os resultados das taxas calculadas para o modelo na janela de log. Você
precisa apenas rolar a barra de volta.

DICA: É possível copiar os resultados da janela de Log e colá-los como na Fig. 114.

Figura 114: Resultados da janela de Log

A única transição que está acontecendo é de floresta (2) para área desmatada (1). As taxas indicam
que uma porcentagem da floresta está se alterando para área desmatada por unidade de passo de tempo,
que é 3 anos para a primeira matriz e 1 ano para a última. Portanto, neste período de tempo, o
desmatamento está acontecendo a uma taxa líquida de 2.8 % por ano, o que significa que a floresta
remanescente está diminuindo em 2.8% por ano. Tenha em mente que assim como taxas de juros, as
taxas de transição são reaplicadas novamente a cada passo de tempo sobre a variável estoque, que
neste caso é representada pela extensão de floresta remanescente.

A matriz de transição líquida é passada ao modelo de simulação e Dinamica EGO percorre o mapa
de paisagem (uso e cobertura) para contar o número de células para calcular a taxa bruta em
termos de quantidade de células a serem alteradas. Para atribuir uma taxa bruta constante você

96
precisará passar uma taxa líquida variável ao modelo, o que também é possível devido à habilidade do
Dinamica EGO de incorporar retroalimentação à simulação. Vamos para o próximo passo.

7.2 Segundo passo: Calculando intervalos para categorização variáveis

contínuas
O método dos Pesos de Evidência (Geodacre, et al. 1993) (Bonham‐Carter 1994) é aplicado no
Dinamica EGO para produzir um mapa de probabilidades de transição (Fig. 115), o qual representa
as áreas mais favoráveis para uma mudança (Soares-Filho et al. 2002; Soares-Filho et al. 2006)
Pesos de Evidência consistem em um método Bayesiano, no qual o efeito de uma variável
espacial em uma transição é calculado independentemente de uma solução combinada. Os
Pesos de Evidência representam cada influência sobre uma variável na probabilidade espacial de
uma transição i →j e são calculados conforme a Equação:

| = [2]

log | = log + [3]

Onde W+ é o Peso de Evidência da ocorrência do evento D, dado um padrão espacial B. A

probabilide a posteriori de uma transição i →j, dado um conjunto de dados espaciais (B, C, D,...
N), é expressa da maneira a seguir:

[4]

Onde B, C, D, e N são os valores das variáveis espaciais k que são medidas na localização x,y e
representadas por seus pesos WN+

Figura 115:Cálculo e aplicação dos Pesos de Evidência para produzir um mapa de probabilidades de
transição.

97
Uma vez que os Pesos de Evidência são aplicados somente a dados categóricos, é necessário categorizar
os mapas de variáveis contínuas (dados quantitativos, como mapas de distância, altitude e declividade).
Uma questão fundamental para qualquer processo de classificação consiste na preservação da estrutura
dos dados. O presente método, adaptado de Agterberg & Bonham-Carter (1990), calcula as faixas de
acordo com a estrutura dos dados estabelecendo, primeiro, um delta mínimo – especificado como o
incremento na interface gráfica – (Dx) para uma variável x de grandeza contínua que é usada para
construir n buffers incrementais (Nx) compreendendo intervalos de xminimum para xminimum + nDx. Cada n

define um limiar que divide o mapa em duas classes: (Nx) e ( ). An é o número de células para um
buffer (Nx) múltiplo de n e dn é o número de ocorrências para o evento modelado (D) dentro do buffer.
As quantidades An e dn são obtidas para uma sequência ordenada de buffers N (xminimum + nDx).
Logo após, os valores de W+ para cada buffer são calculados usando as equações 2 a 4.

Uma sequência de valores An é plotada contra exp( ). Em seguida, subdivisões são

determinadas para este gráfico aplicando um algoritmo de generalização de linha (Intergraph, 1991)
que contém três parâmetros:

1) Intervalo de distância mínima ao longo de x, mindx,

2) Intervalo de distância máxima ao longo de x, maxdx,

3) Ângulo de tolerância ft.

Para dx (uma distância entre dois pontos ao longo de x) entre mindx e maxdx, uma nova subdivisão
é colocada sempre que dx >= maxdx (um ângulo entre v e v’‐ vetores que ligam o ponto atual ao último
ponto e o último ao seu antecessor, respectivamente) excede o ângulo de tolerância ft. Portanto, o
número de faixas decresce em função de ft. As faixas são, por fim, definidas ligando os pontos
das subdivisões com linhas retas. Observe que An é praticamente livre de erro, enquanto dn está
sujeito a uma considerável incerteza porque é tido como a realização de uma variável randômica.
Uma vez que um pequeno valor de An pode gerar valores ruidosos para W+, (Geodacre, et al. 1993)
sugere que, em vez de calculá‐lo empregando as equações [2] [4], e se deveria estimar W+ para cada
faixa definida através da seguinte expressão:

(5)

onde e k representa os pontos de inflexão definidos para os n incrementos de Dx.

98
 Figura 116: Gráfico de An pela variável "distância até as estradas".

A curva de melhor ajuste pode ser aproximada por uma série de segmentos de retas usando um
algoritmo de generalização de linhas como explicado no texto. Esta abordagem é usada para definir
os pontos de inflexão para esta curva e, em seguida, intervalos de categorias para uma variável
contínua.

Agora, abra o modelo “determine_weights_of_evidence_ranges.xml” localizado em

“\setup_run_and_validade_a_lucc_model\2_weights_of_evidence_ranges_calculation”.

Este modelo calcula faixas para classificar variáveis expressas em escalas contínuas de cinza para
a derivação dos Pesos de Evidência. Ele seleciona o número de intervalos e o tamanho de seus buffers
tendo como objetivo preservar a estrutura dos dados. Vá ao Help para uma descrição adicional a
respeito deste método. Como resultado, sua saída é usada como entrada para o cálculo dos coeficientes
dos Pesos de Evidência.

Figura 116: Modelo para o Cálculo dos coeficientes dos Pesos de Evidência.

Em adição aos mapas de paisagem final e inicial, este modelo recebe um cubo de dados raster composto
por uma série de mapas estáticos, como por exemplo vegetação, solo, altitude (eles são nomeados desta

99
forma porque eles não se alteram durante a iteração do modelo. Um cubo raster inclui um conjunto
de camadas de mapas co-registrados.

Abra o arquivo “23267static.ers” da partir da pasta:

“\setup_run_and_validade_a_lucc_model\originals” no Map Viewer (Fig. 117). Para visualizar e

analisar todos os mapas que compõem as variáveis estáticas, clique na opção Toggle map properties
no lado direito do Map Viewer.

DICA: Você pode construir um cubo raster reunindo um conjunto de mapas raster co-
registrados através do functor Create Cube Map e extrair uma camada de um cubo raster
usando o functor Extract Map Layer. Dados em cubo raster são suportados apenas no
formato ER.

Figura 117: Mada de Variáveis estáticas

Além disso, o Dinamica EGO pode incorporar camadas dinâmicas na simulação, as quais são assim
conhecidas por poderem ser atualizadas durante a iteração do modelo. Para este modelo você irá
incluir a variável “distância até áreas previamente desmatadas” como um mapa dinâmico. Para esta
finalidade, o modelo emprega o functor Calc to Distance Map (Fig. 118). Abra- o com o Functor Editor.

100
 Fugura 118: Entradas e saídas do functor Calc Distance Map

O Cacl Distance Map recebe como entrada (input) um mapa categórico que, neste caso, é um mapa
de paisagem. Clique agora no porto Categories. Este functor gera um mapa de distância de
fronteira (distância mais próxima) entre células de cada classe de mapa definida pelo usuário. Lembre-
se que a classe “1” representa área desmatada. Assim, o modelo leva em consideração a proximidade
de áreas previamente desmatadas em relação à probabilidade de novo desmatamento. Agora, abra
o container Determine Weights Of Evidence Ranges clicando em seu ícone na parte superior esquerda.

No lugar de Number Map, agora você encontrará um Name Map dentro deste container. Esse functor
é aplicado a containers que necessitam de um nome para o mapa ou um alias para identificar os
mapas passados a eles. Name Map é encontrado na categoria Map Algebra Supplementary. Pode
ser qualquer nome, mas os mesmos nomes serão usados durante o ajuste de parâmetros internos
do container, como é mostrado abaixo na Figura 119. Exemplos de containers que precisam de um
Name Map são: Determine Weights Of Evidence Ranges, Determine Weights Of Evidence
Coefficients, e Calc WOfE Probability Map.

Há dois functores Name Map dentro desse container, um para o mapa “23267statitcs.ers” e outro
para o mapa de distância resultante do Calc Distance Map.

Agora abra o Determine Weights Of Evidence Ranges com o Functor Editor. Ajuste o tamanho da
janela como a seguir:

101
 Figura 119: Determinação dos pesos de evidência

Observe que Name Map distância tem uma camada nomeada “distance_to_1” e static_var tem uma
série de camadas, cada uma representando uma variável cartográfica.

DICA: Dos três formatos de arquivo suportados, somente o formato ER Mapper suporta nomes
para camadas. Este é um formato BIL (Band Interleaved) com um arquivo ASCII separado
para cabeçalho.

O cubo raster contém as camadas altitude, d_all_roads (d significa distância), d_major_rivers,

d_paved_roads, d_settlement, d_trans_rivers, protected_areas, slope, urban_attraction (um mapa de
potencial de interação), e vegetação.

DICA: Nomes de camadas devem ser os mesmos que os especificados no arquivo de

cabeçalho. Dinamica EGO converte o formato Geotiff em formato ER Mapper, você precisa
apenas conectar o Load Map ao Save Map.

Protected areas (áreas protegidas), vegetation (vegetação) e soil (solo) já são dados categóricos,
portanto, marque‐os como tais. Os outros precisarão ser ainda classificados. Os parâmetros para o
processo de classificação são o increment (incremento) – o incremento mínimo de buffer em
unidades do mapa, por exemplo, em metros ou graus, os deltas máximos e mínimos que representam
intervalos no eixo Y dos gráficos na fig. 11, e o ângulo de tolerância, o qual mede o ângulo de desvio
a partir de uma linha reta (Fig. 120a). Alguns valores convencionais são sugeridos. O resultado deste
functor será um arquivo esqueleto dos Pesos de Evidência (Fig. 120b), mostrando os intervalos de
categorização, porém, com todos os pesos iguais a zero. Execute o modelo.

102
Os resultados podem ser visualizados e editados no editor de texto, ou no Weights of Evidence
Editor.

DICA: No caso do mapa de distância, o incremento será equivalente à resolução da célula

Figura 120 a) Visualização e edição dos Pesos de Evidência .

DICA: Se o modelo tem mais de uma transição (Ex: 1->2; 2-3), você pode copiar e colar
os parâmetros dos intervalos nas outras janelas de transições.O Dinamica EGO permite a
definição de diferentes faixas para cada transição.

:static_var/soil 5:9 9:10 10:11 11:13 13:14

2,1 0 0 0 0 0

:static_var/urban_attraction 0:100 100:200 200:1900

2,1 0 0 0

Figura 120 b) Exemplo de esqueleto para Pesos de Evidência (Arquivo.dcf)

A primeira linha contém as faixas e a segunda a transição e seus respectivos coeficientes de Pesos
de Evidência, os quais ainda são iguais a zero.

Embora os fundamentos matemáticos desse módulo sejam um pouco difíceis de compreender à

primeira vista, ele provê um meio fácil de manipular modelos com multi‐estados e transições. Vamos
agora ao cálculo dos Pesos de Evidência.

103
 7.3 Terceiro passo: Calculando os coeficientes dos Pesos de Evidência

Abra o modelo “determine_weights_of_evidence_coefficients.xml” (Fig.121) localizado em

setup_run_and_validate_a_lucc_model\3_weights_of_evidence_coefficient_calculation.

Figura 121: Modelo de Determinação dos Coeficientes dos Pessos de Evidência

O mesmo conjunto de dados da etapa anterior será empregado novamente, também o esqueleto da
WEOFE, o qual é carregado através do functor Load Weights localizado na categoria Input/Output.
Não há parâmetro a ajustar no functor Calculate the Weights of Evidence coefficients, você precisa
apenas ajustar as conexões apropriadas, como é mostrado na Figura 122.

Figura 122: Conecções Determine the Weights of Evidence Coefficients

Assim como os mapas de entrada na Figura 123.

104
 Figura 123: Mapas de entradas do modelo.

DICA: Na configuração do functor Determine the Weights of Evidence Coefficients Sempre use os
mesmos nomes no Name Map.

Maximize a janela log e execute o modelo. Vamos analisar os resultados para a variável
“distance_to_1” (Fig. 124).

Figura 124: Resultados para a variável “distance_to_1”.

A primeira coluna mostra as faixas, a segunda o tamanho do buffer em células, a terceira o número de
transições ocorridas dentro de cada buffer, a quarta os coeficientes obtidos, a quinta a medida do
Contraste e a última o resultado para o teste de significância estatística. Para mais detalhes, vá ao Help.

105
 DICA: O Help do Dinamica EGO traz uma descrição detalhada de algoritmos mais complexos,
tais como aqueles empregados nos functors de calibração e validação.

Os resultados poderão ser visualizados e editados no Weights of Evidence Editor, observe que as
primeiras faixas mostram uma associação positiva, favorecendo o desmatamento, especialmente a
primeira. Em contrapartida, as faixas finais mostram valores negativos, portanto, repelindo o
desmatamento. As faixas centrais mostram valores próximos de zero, significando que estas faixas
de distâncias não exercem um efeito sobre o desmatamento.

O Contraste mede o efeito de associação/repulsão. Próximo de zero, não há efeito nenhum, enquanto
que quanto maior e positivo o valor se torna, maior é a atração; por outro lado, quanto maior e
negativo é o valor, maior é o efeito de repulsão.

Agora abra o Editor Gráfico dos Pesos de Evidência (Fig. 125) dentro do functor Save Weights (ícone
do olho).

Figura 125: Restultados dos Pesos de Evidência

Você pode editar graficamente os coeficientes dos Pesos de Evidência e também pode obter uma
visão de uma função contínua dos coeficientes dos Pesos de Evidência. Observe agora como o
desmatamento provável varia em função da distância até uma área previamente desmatada.

106
 7.4 Quarto passo: Analisando a correlação de mapas

A única suposição necessária ao método dos Pesos de Evidência é que os mapas de entrada devem ser
espacialmente independentes. Um grupo de medidas pode ser aplicado para estimar esta suposição,
como o teste de Cramer e o Joint Information Uncertainty (Incerteza de Informação Conjunta)
(Bonham-Carter 1994).

Como resultado, variáveis correlacionadas devem ser desprezadas ou combinadas em uma terceira que
substituirá o par correlacionado no modelo.

Abra o modelo “weights_of_evidence_correlation.xml” da pasta setup_run_and_validate_a_lucc_

model\4_weights_of_evidence_correlation (Fig 126).

Figura 126: Modelo de Pesos de Evidência.

O modelo em 3_and_2_weights_of_evidence_ranges_and_coefficient_calculation, corresponde aos

passos 2 e 3 combinados. Mostrado na Figura 127:

Figura 127: Modelo de correlação

Este modelo executa testes em pares de mapas categóricos para testar a suposição de independência.
Os métodos empregados são o Chi^2, Crammers, Contingência, a Entropia e o Joint Information
Uncertainty (Incerteza de Informação Conjunta) (Bonham-Carter 1994). Além das conexões a serem

107
feitas, o único parâmetro a ser ajustado no functor Determine Weights of Evidence Correlation é
a transição, como na Figura 128.

Antes de executar o modelo, maximize a janela Message Log. Abaixo está uma parte do log reportado.

Figura 128: Janela Message Log

DICA: Seria interessante copiar o log, colar em um editor de texto e depois exportar para uma
planilha. Na planilha, você poderá ajustar uma tabela de cruzamento mostrando todos os
pares de variáveis.

Vamos checar os pares correlacionados de mapas. O seguinte par chama a nossa atenção:

Chi^2 Crammer* Contingency Entropy Uncertainty Joint I.

static_var/ static_var/

Embora não haja concordância a respeito de qual limiar deve ser usado para excluir uma variável,
todos os testes destacam uma alta correlação neste par de variáveis. Dessa forma, você deve excluir
um dos dois. Vamos remover o d_major river. Apague a variável do arquivo dos Pesos de Evidências
usando o editor gráfico. Abra-o no Load Weights usando o ícone Toggle map visibility.

Agora salve os coeficientes WEOFE como “new_weights.dcf” na pasta

\setup_run_and_validate_a_lucc_model\4_weights_of_evidence_correlation

Ótimo, você concluiu o processo de calibração, agora você pode começar a montar o modelo de
simulação. Vamos adiante.

7.5 Quinto passo: Ajustando e rodando um modelo de simulação LUCC

Vamos começar a ajustar o modelo de simulação do desmatamento carregando seus dados de entrada.
Você precisará de um Load Categorical Map para carregar a paisagem inicial:

108
“/original/23267_1997.ers”, um Load Map para “/originals/23267statics.ers”, um Load Weights
para “new_weights.dcf”, e um Load Lookup Table para a matriz de transição de múltiplos passos:
“multiple_steps.csv” porque você irá rodar o modelo em passos de tempo anuais. Adicione os
seguintes comentários a cada functor (Fig.129):

Figura 129: Comentários adicionados ao modelo.

Agora, insira um Repeat, e coloque dentro dele um Calc Distance Map, um Mux Categorical
Map da categoria Control, um Calc Weights of Evidence Probability Map da categoria Map
Algebra e um Save Map. Coloque também dois functores Name Map dentro do Calc Weights
of Evidence Probability Map. Renomeie‐os com o nome utilizado no segundo e no terceiro
passo. Abra o Save Map e escreva “probabilities.ers” na pasta \5_run_lucc. Deixe a opção Suffix =
“2” (Fig. 130).

Figura 130: Modelo com os functors Repeat, Calc Weights of Evidence Probability Map, Calc Distance
Map e Mux Categorical Map.

Vamos conectar os functors: primeiro, o mapa categórico “23267_1997.ers” ao porto initial do Mux
Categorical Map, a saída deste ao Calc Distance Map, Calc Change Matrix e Calc W. Of E.
Probability Map. Conecte a tabela “multiple_steps.csv” a Calc Change Matrix, o mapa
“23267statics.ers” a nome “static_var”, a saída do Calc Distance Map ao nome “distance”, os pesos
109
“new_weigths.dcf” ao Calc W. Of E. Probability Map e sua saída ao mapa “probabities##.ers”
(Observe que o sufixo ## irá receber o passo da iteração do modelo).

Agora insira dois functors adicionais, Patcher da categoria Simulation e outro Save Map. Escreva
“Landscape.ers” e deixe “2” como Suffix. Conecte a saída do Mux Categorical Map ao porto do
Patcher chamada Landscape, a saída do Calc W. Of E. Probability Map ao porto Probabilities do
Patcher, e a saída do Calc Changes ao porto Changes do Patcher.

Para completar o loop você precisará conectar o porto de saída Changed Landscape do Patcher ao
porto Feedback do Mux Categorical Map e ao mapa “Landscape##.ers” para salvar os mapas da
execução do modelo. O modelo deverá, agora, se parecer com o apresentado pela Fig.130:

Figura 130: Modelo de simulação.

O functor Mux Categorical Map permite uma atualização dinâmica do mapa de paisagem de entrada.
Ele recebe o mapa categórico “23267_1997.ers” em seu porto Initial no começo da simulação e, em
seguida, o mapa de saída do Patcher através do porto Feedback.

O functor Calc W. OF. E. Probability Map calcula um mapa de probabilidade de transição para cada
transição especificada somando os Pesos de Evidência, utilizando a equação 4.

Por sua vez, o Calc Change Matrix recebe a matriz de transição, composta por taxas líquidas, e a
utiliza para calcular taxas brutas em termos de quantidade de células a serem alteradas
multiplicando as taxas de transição pelo número de células disponíveis para uma mudança
específica.

O Dinamica EGO usa como regra local de autômato celular um mecanismo de transição composto
por dois functors complementares de transição, Expander e Patcher, especialmente desenvolvidos
para reproduzir os padrões espaciais de mudança (ambos são encontrados na categoria Simulation).
O primeiro processo é dedicado apenas à expansão ou contração de manchas já existentes de certa
classe, enquanto o segundo processo foi feito para gerar ou formar novas manchas através de um

110
mecanismo de semeadura. O Patcher procura por células ao redor de uma localização escolhida
para uma transição conjunta. O processo é iniciado selecionando a célula núcleo da nova mancha
e então selecionando um número específico de células ao redor da célula núcleo, de acordo com suas
probabilidades de transição Pij.

Variando seus parâmetros de entrada, estas funções possibilitam a formação de uma variedade de
tamanhos e formas de manchas de mudanças. Patch Isometry varia de 0 a 2. As manchas assumem
uma forma mais isométrica à medida que este número aumenta. Os tamanhos das manchas de alteração
são ajustados de acordo com uma distribuição de probabilidade lognormal. Portanto, é necessário
especificar os parâmetros desta distribuição representados pela média e a variância dos tamanhos das
manchas a serem formadas. Abra este functor com Edit Functor e insira seus parâmetros conforme
o que se segue (deixe os demais inalterados):

Uma vez que a resolução do mapa de entrada é

aproximadamente de 250 metros, o ajuste do Mean Patch
e de Patch Size Variance para “1” não permitirá a formação
das manchas.

Agora vamos ajustar os parâmetros dos demais functores.

Abra Calc Distance Map e insira “1”. Lembre‐se que você
quer “distance_to_1” (áreas desmatadas). Abra Calc W.
Of E. Probability Map e insira a transição “2 para 1”,
que representa desmatamento. Por fim, abra Repeat e
ajuste Number of Iterations para “3”, pois você irá
rodar o modelo em passos de tempo anuais.

Finalmente, verifique os erros do modelo no Model Issues

e execute‐o.

Figura 131: Functor Editor – Patcher.

DICA: Quando Save Map é colocado dentro de Repeat, ele salva um mapa como resultado a
cada passo de tempo (Se você quiser somente a paisagem simulada final, arraste o Save Map
para fora do Repeat).

111
 Verifique o Log reportado, e abra no Map
Viewer os mapas “probabilities3.ers” usando
“PseudoColor” como Color Palette e
“landscape3.ers” usando “Amazon” como Color
Palette no Map Viewer (Fig.132).

Figura: 132: Mapas “probabilities3.ers”.

Observe as áreas com alta probabilidade de

desmatamento e compare o mapa simulado
“landscape3.ers” com a paisagem final
“23267_2000.ers”.

Eles se parecem? Para fazer uma comparação

quantitativa, vamos para o passo seguinte (Fig.133).

Figura: 132: Mapa simulado “landscape3.ers”.

7.6 Sexto passo: Validando a simulação usando uma função de decaimento

exponencial

Modelos espaciais requerem uma comparação em um contexto de vizinhança, porque até mesmo mapas
que não se assemelham exatamente célula-a-célula podem ainda apresentar padrões similares e,
igualmente, concordância espacial nas proximidades de uma célula. Para lidar com essa questão,
muitos métodos de comparação baseados em proximidade têm sido desenvolvidos. Por exemplo,
Costanza (1989) introduziu procedimento de ajuste de resoluções múltiplas que compara o ajuste de
um mapa em tamanhos crescentes de janelas. Pontius (2002) apresentou um método similar ao de
Costanza (1989) que diferencia erros devidos à localização e à quantidade. Power et al. (2001) forneceu
um método de comparação baseado em casamento de padrão fuzzy hierárquico. Por sua vez, Hagen
(2003) desenvolveu novas métricas, incluindo o Kfuzzy, considerado como equivalente à estatística
Kappa, e a similaridade fuzzy que leva em consideração a incerteza da localização de uma categoria
dentro da vizinhança de uma célula.

O método que aplicamos aqui é uma modificação deste último e é nomeado no Dinamica EGO como
Calc Reciprocal Similarity. Este método emprega uma função de decaimento exponencial com a
distância para ponderar a distribuição do estado da célula ao redor de uma célula central.

112
Abra o modelo “determine-similarity-of-differences.xml” da pasta \6_validate_using_exponential_
decay_function (Fig. 133). Neste modelo ele apresenta a função de “Calc Reciprocal Similarity Map”
como submodelo na aba “Validation”, neste metodo basta conectar os arquivos de entrada ao Calc
Multi window similarity of Differences e a um Save Table. O modelo deverá, agora, se parecer com o
seguinte:

Figura 133: Modelo de similaridade

Uma construção alternativa do modelo pode-se desenvolver através do functor Calc Repreciprocal
Similatity Map que recebe as paisagens inicial e final (simulada). Os dois functors Calculate
Categorical Map antes do Calc Reciprocal Similarity Map. Atribuem aos mapas simulados padrões
espaciais do mapa inicial de paisagem. Para remover esta herança, este modelo avalia o ajuste espacial
entre mapas de mudanças.

Figura 134: Construção alternativa do modelo

Abra o Calculate Categorical Map, você irá encontrar a seguinte equação:

113
 if (i1 = i2) then null else i2

Dessa maneira, o mapa resultante representará apenas as células que não mudaram.

O Calc Reciprocal Similarity Map calcula uma similaridade de duas vias, do primeiro mapa para o
segundo e do segundo para o primeiro. É aconselhável sempre escolher o menor valor de similaridade,
uma vez que mapas randômicos tendem a produzir um alto ajuste artificial quando comparados
univocamente, porque eles dispersam as mudanças sobre mapa. Este todo o teste emprega uma função
de decaimento exponencial em uma janela de tamanho 11x11, sendo os valores truncados fora da
janela.

Simulated land use map Initial land use Final land use map
2 3 1 3 1 3 1 3 1 1 1 3
3 3 1 2 2 3 2 2 2 2 3 1
2 2 2 3 2 1 1 2 3 2 1 2
2 2 2 1 3 2 2 1 3 2 3 2

≠ ≠

2 X X X F(D1∩ D2) X 1 X X The fuzzy similarity

3 X 1 X X 2 3 1 comparison only
X means null cells F(D2∩ D1) makes sense if applied
X 2 2 3 3 2 X X
in two ways
2 X X X X X 3 2
Difference map 1 Difference map 2

Exponential decay function

0.3 0.5 0.3

window must have odd numbers for rows
0.5 1 0.5
and columns
0.3 0.5 0.3
* In a constant decay function all
values are set to 1
The window convolutes over the map,
obtaining a fuzzy value for each central cell

2 X X X X 1 X X
0.3 0.5 0.3
3 X 1 X X 2 3 1
0.5 1 0.5
X 2 2 3 3 2 X X
0.3 0.5 0.3
2 X X X X X 3 2

F(D1∩ D2) F(D2∩

D1)
0.3 X X X X 0.3 X X
0.5 X 0.5 X X 0.5 0.5 0.5
X 1 0.5 0.3 0. 1 X X
5
0.3 X X X X X 0.3 0.3

 = 3.4/7  = 3.9/8
  = 0.4857   = 0.4875

Min(FD12, FD21) Stwoway (D1,D2) = 0.4857

Figura 135. Método de comparação Fuzzy usando mapa de diferenças e uma função de decaimento
exponencial. O mesmo processo se aplica a função de decaimento constante, na qual todos os pesos da
janela são ajustados para 1.

114
 Abra Calc Reciprocal Similarity Map com o Functor Action
Bar. Os parâmetros a serem ajustados são o Window Size e o Use
Exponential Decay e Cell Type.

Este functor recebe como entrada dois mapas, o primeiro e o

segundo, e gera como resultado dois valores de similaridade, o
First Mean e o Second Mean.

Figura:136: Functor Editor - Calc Reciprocal Similarity Map

Para salvar os mapas de minima similaridade, em um Group coloque:

Figura:137: Adição do Fnctor Group ao modelo.

Este conjunto de functors permite a escolha do mapa de similaridade mínima a ser salvo. Para fazer
isso, nós introduzimos três novos functores: If Then, If Not Then e Join Map – disponível na categoria
Control. Os dois primeiros são containers que recebem uma chave booleana como entrada (0 nega a
condição e qualquer número maior que 0 toma a condição como verdadeira). Antes deles, o Calculate
Value examina os dois valores de saída do Calc Reciprocal Similarity Map, o First Mean e o Second
Mean, passando 0 ou 1 dependendo de qual dos dois é maior. If Then contém um Calculate Map que
recebe o mapa First Similarity e o If Not Then que recebe o mapa Second Similarity. Dependendo do

115
resultado booleano do Calculate Value, um dos dois containers irá passar a Map Junction o seu
resultado, permitindo, assim, que o mapa com menor valor de similaridade seja salvo.

DICA: Estes três novos functors permitem o desenvolvimento de modelos que possuem
bifurcações para dois ou mais fluxos de execução.

Examine agora os portos First Mean e Second

Mean do Calc Reciprocal Similarity Map (Fig.
138).

O mapa de similaridade mínima correponde à

similaridade obtida comparando as mudanças
simuladas com as mudanças reais. Visualize agora
o mapa de similaridade resultante, abrindo-o no
Map Viewer (Fig. 139).

Use PseudoColor, Limits to Actual, e Histogram

Equalize.

Figura 138: Resultado da análise de similaridade.

116
 Figura 139: Resultados da similaridade mínima

As áreas em vermelho e amarelo mostram altos a moderados ajustes espaciais, enquanto as áreas
em azul indicam pouco ajuste.

Outro forma de medir o ajuste espacial entre dois mapas é por meio da análise de similaridade
por múltiplas janelas. Este método emprega uma função de decaimento constante dentro de um
tamanho variável de janela. Se o mesmo número de células de mudança é encontrado dentro da
janela, o ajuste terá valor 1, não importando suas localizações. Isso representa um modo
conveniente de avaliar o ajuste do modelo através de uma resolução espacial decrescente.
Modelos que não se combinam bem em alta resolução talvez consigam um ajuste apropriado a
uma resolução mais baixa. Vamos desenvolver uma comparação de ajuste em resoluções
múltiplas no próximo passo.

7.7 Sétimo passo: Validando a simulação usando janelas múltiplas e

função de decaimento exponencial

Abra o modelo:

Determine-muti-window-similarity-of-differences_complete.egoml

da pasta \7_validate_using_multiple_windows_constant_decay_function.

(Fig. 140)

117
 Figura 140: Modelo de similaridade usando multiplas janelas

A primeira parte deste modelo é similar ao anterior. Dois functors Calculate Map são empregados
para obtenção dos mapas de mudanças. Agora abra o functor For (Fig.141). Vamos examinar seu
conteúdo em detalhe.

Figura 141: Modelo de similaridades mínimas e máximas, usando multiplas janelas.

Ao centro temos um Calc Reciprocal Similarity Map. Abra-o com o Edit Functor. Observe que
a opção Use Exponential Decay está inativa, o que significa que uma função de decaimento
constante está sendo usada.

118
A ligação entre Calc reciprocal Similarity Map e o Step define o tamanho da janela (Window
Size) como mostra a Figura 142.

Figura 142: Conecção dos portos

O Step vindo do For está controlando o Window Size. O For é um caso particular de Repeat, no
qual o passo inicial e o final, assim como o incremento de cada passo, podem ser definidos como
se segue:

Neste container For, os passos vão de 1 a 11

por um incremento de dois (Fig.143). Isso é
necessário porque o Window Size deve ser
composto por números ímpares. Como
resultado, Window Size irá variar de 1x1, para
3x3, 5x5, 7x7, 9x9, e 11x11.

Figura 143: Edição do functor For

Da mesma maneira que na lição 2, nesse modelo o Mux Lookup Table é empregado para atualizar
a tabela que contem as médias da mínima de similaridade no functor Set Lookup Table por
tamanho de janela. Abra Group contendo os functors que atualizam estas tabelas.

119
 Figura 144: Modelo de Similariade Minima usando múltiplas janelas

O Calculate Value seleciona o menor valor de ajuste (a fórmula aplicada é min (v1, v2)) e o envia
ao Set Lookup Table, o qual também recebe como entrada o passo atual como a chave da tabela.

À medida que For itera, Calc Reciprocal Map calcula os valores de similaridade para um
tamanho de janela e envia-os para Calculate Value, que seleciona o valor mínimo e o envia para
Set Lookup Table que, por sua vez, atualiza o valor para a chave da tabela correspondente ao
passo atual do modelo e retorna a tabela atualizada ao Mux Lookup Table. Quando For é
completado, a tabela é repassada ao Save Table, visualize os resultados da tabela mínima de
similiralidade com múltiplas tabelas (Fig.145).

Figura 145: Gráfico de similaridade mínima com múltiplas janelas

Clique no Register Viewer do de Set Lookup Table Value, execute o modelo e analise a tabela
resultante clicando no porto Updated Table ou no Save Lookup Table (Fig.146).

120
 Figura 146: Tabela de similaridade mínima com múltiplas janelas

O ajuste vai de 21% na resolução de 1x1 célula até 90% na resolução de 11x11 células. Observe
que, o fato da simulação receber como entrada uma matriz de transição fixa para o ajuste da
quantidade de mudanças, nós precisamos apenas avaliar o ajuste do modelo em relação à
localização das mudanças. Levando em consideração que a resolução é de 250 metros e o raio de
procura da janela tem a metade desta resolução, você pode desenhar um gráfico representando o
ajuste do modelo por resolução especial Erro! Fonte de referência não encontrada..

Figura 147: Modelo Ajustado

A partir do gráfico podemos afirmar que a simulação atingiu um valor de ajuste de similaridade
de até 50% em uma resolução espacial de ≈ 800 metros.

DICA: Este método aplica a múltiplas transições também.

Agora que a fase de validação for concluída, você pode começar e alterar os parâmetros do modelo
de simulação para explorar possíveis resultados. Vamos fazê-lo no próximo passo.

121
 7.8 Oitavo passo: Executando simulação com formação de manchas

Antes de passar para esta etapa, abra e leia o arquivo “simulating_the_spatial_patterns

_of_change.pdf” na pasta Examples\patterns_of_change. Este texto apresenta e discute os
resultados de uma série de simulações usando mapas sintéticos simplificados, variando os
parâmetros das funções de transição. Os resultados da simulação são avaliados usando métricas
de estruturas de paisagem, tais como dimensão fractal, índice de agregação de manchas e distância
até o vizinho mais próximo. Estes exemplos de simulação são usados para mostrar como essas
funções podem ser calibradas, assim como seu potencial para replicar os padrões espaciais
mutantes de uma variedade de fenômenos dinâmicos (Soares-Filho et al., 2003). Você pode
também examinar os modelos disponíveis na pasta Examples\patterns_of_change.

Esta etapa tem por objetivo analisar os parâmetros da função de transição do Patcher na estrutura
da paisagem simulada. Abra o modelo “simulate_deforestation_from_1997_2000_
with_patch_formation” da pasta \Examples\setup_run_and_validate_a_lucc_model\8_run_lucc_
with_patch_formation (Fig. 148). Este é o mesmo modelo usado no quinto passo.

Figura 148: Modelo de simulações usando mapas sintéticos simplificados

122
Agora abra o functor Patcher com a barra Functor Action Bar.

Mean Patch Size está ajustado em 25 ha, Patch Size

Variance em 50 ha, e o Patch isometry em 1.5. (Figura
149) Uma vez que o tamanho da célula é igual a 6.25
hectares (250 x 250 metros), as manchas a serem
formadas terão em média 4 células e uma variância de 8
células.

Figura 149: Edição do functor Pacth

Execute o modelo, abra ambos os arquivos “landscape3.ers” deste modelo e do quinto passo,
assim como o arquivo “23267_2000.ers” para comparação visual (Fig. 150).

5th Step This Step 23367_2000

Figura 150: Modelo de simulação com formação de manchas

Observe que a paisagem simulada neste passo apresenta uma estrutura de paisagem próxima
àquela da paisagem final observada. Vamos agora adicionar o functor Expander ao modelo de
simulação.

7.9 Nono passo: Executando a simulação com formação de manchas e

expansão

123
O functor Expander se dedica exclusivamente à expansão ou à contração de manchas existentes
de certa classe. Portanto, no Expander, uma nova probabilidade espacial de transição Pij depende
da quantidade de células do tipo j ao redor de uma célula do tipo I, como representado na fig. 14.

Figura 151: Probabilidades de transição transformadas para simular processo de expansão.

Agora, abra o modelo “simulate_deforestation_from_1997_2000_with_patch_

formation_and_expansion.xml” na pasta \Examples\setup_run_and_validate
_a_lucc_model\9_run_lucc_with_patch_formation_and_expansion (Fig. 152).

Figura 152: Modelo de simulação de expansão do desmatamento.

O Allocate Transitions é um submodelo que inclue os functors de transição Expander e Patcher,

e difere do anterior pela presença de três novos functores: Modulate Change Matrix, Expander
e Add Change Matrix (Fig 153).

124
 Figura 153: Modelo de alocação de transição

O Modulate Change Matrix (Fig.154 a e b) divide o número de células a serem alteradas por
transição em duas matrizes: a matriz Modulated Changes e a Complementary Changes. A
primeira vai para Expander e a segunda para Add Change Matrix. Neste caso, 20% das mudanças
2 para 1 vão para Expander.

Figura 154 a) Portos do functor Modulate Change Matrix

Além disso, o mapa de probabilidade vindo do Calc W.OF

E. Probability Map vai primeiro a Expander, normalmente
colocado antes do Patcher, porque não é possível garantir
que Expander (Fig.155) irá executar a quantidade total de
mudanças passadas a ele. Você precisará, ainda, conectar
seus portos de saída Changed Landscape e Corroded
Probabilities ao Patcher, e Remaining Changes ao Add
Change Matrix.

Figura 154 b) Edição do functor Modulate Change Matrix

125
Assim, o Patcher (Fig.155) receberá o mapa de paisagem do Expander e o mapa de pobabilidade,
(ajuste para 0) onde as transições acontecem. No caso do Expander não conseguir fazer todas as
mudanças especificadas, uma matriz de mudanças restantes para cada transição será passada para
Add Change Matrix, que combinará as matrizes recebidas de Modulate Change Matrix e do
porto Remaining Changes do Expander. Seus demais parâmetros são ajustados como aqueles do
Patcher.

Figura 156: Portos do functor Patcher.

Figura 157: Conecção de portos do Modulate Change Matrix e Add Change Matrix

Agora execute o modelo, acesse o log para o relatório, e compare os resultados com os resultados
anteriores (Fig.158).

126
 8th Step 9th Step 23367_2000

Figura 158: Modelo de simulação com formação de manchas e expansão

Este modelo se aproxima mais da estrutura da paisagem final observada?

Tente mudar os parâmetros de Modulate Change Matrix, Expander e Patcher para ver o que
você obtém.

DICA: Mude apenas um parâmetro por vez. Agora que o modelo está calibrado tanto em relação
à localização das mudanças quanto à estrutura da paisagem, você pode aplicá-lo para fins de
projeção futura. Vamos avançar para o último passo.

7.10 Décimo passo: Projetando trajetórias de desmatamento

Modelos de simulação podem ser entendidos como um dispositivo heurístico útil para avaliar, em
curto e longo prazo, os resultados de uma variedade de cenários, traduzidos como diferentes
conjunturas socioeconômicas, políticas e ambientais. Entre eles, uma classe especial de modelos,
os modelos espacialmente explícitos, simula a dinâmica de um sistema ambiental, reproduzindo
a maneira como seus padrões espaciais evoluem, para projetar as consequências ecológicas e
socioeconômicas prováveis decorrentes da dinâmica do sistema.

Assim, como é mostrado através do presente exemplo, podemos aplicar o modelo de simulação
para estimar os impactos de trajetórias futuras de desmatamento sob vários cenários
socioeconômicos e de políticas públicas, relativos às emissões de gases do efeito estufa (Soares-
Filho et al., 2006), mudanças climáticas regionais (Schneider et al., 2006; Sampaio et al, 2007),
regime hídrico (Costa et al, 2003, Coe et al, 2009), perda de habitat e fragmentação de

127
ecossistemas (Soares-Filho et al., 2006, Texeira et al., 2009), assim como a perda de serviços
ambientais florestais e bens econômicos (Fearnside, 1997).

Abra o modelo simulate_deforestation_from_1997_2000_30years_ahead.xml disponível em

\Examples\setup_run_and_validate_a_lucc_model\10_run_deforestation_trajectories e mantenha
os functors Group abertos (Fig.159).

Figura 159: Modelo de simulação de desmatamento

As únicas diferenças entre este modelo e o modelo anterior consistem na sua paisagem inicial,
que é agora um mapa do ano 2000, o número de iterações ajustado para “30”,

Como este modelo usa taxas fixas de transição, nós podemos considerar que ele projeta a
tendência histórica para o futuro, por isso, ele foi nomeado como cenário de tendência histórica.

Executa o modelo e abra o Landscape####.ers

DICA: Você precisa mover o mapa “Landscape####.ers” para fora do Repeat para quebrar a
ligação do Step.

Verifique as diferenças entre este modelo e o anterior abrindo os functors e suas conexões e, em
seguida, execute o modelo e abra o mapa “landscape2030.ers” (Fig. 160).

DICA: Talvez você queira salvar apenas o mapa de paisagem final. Para fazer isso, você
precisa apenas arrastar Save Map para fora do Repeat.

Isto é o que você obteve:

128
 Figura 160: Mapa de paisagem com 30 iterações

Observe que a floresta desaparece virtualmente fora das áreas protegidas, as quais começam a
serem invadidas. Isto é o que irá acontecer se a tendência histórica recente de desmatamento
continuar pelo futuro.

Mapas animados são poderosas ferramentas para conscientizar a população em geral sobre as
possíveis consequências de alterações na dinâmica do sistema, tal como o desmatamento na
Amazônia.

DICA: Salve os mapas resultantes a cada passo de tempo no formato Geotiff. Em seguida,
você pode importá-los para um SIG ou para um software de processamento de imagens
para construir animações.

Você pode querer melhorar este modelo incorporando taxas dinâmicas, outras variáveis
dinâmicas, submodelos, tais como o construtor de rodovias, e retroalimentações a partir dos
atributos da paisagem para o cálculo da taxa de transição. Tudo isso é possível no Dinamica EGO.
Um exemplo de módulo de construtor de rodovias é encontrado no modelo
mato_grosso_road.xml em
\Examples\run_lucc_northern_mato_grosso\run_roads_with_comments. Além disso, o Dinamica
EGO permite a incorporação de cenários econômicos, sociais e políticos em um modelo que
integra o efeito dessas causas subjacentes (Geist, & Lambin, 2001) na trajetória do desmatamento
(normalmente estas variáveis são entradas no modelo na forma de tabelas com chaves
especificadas para uma unidade geográfica, tal como um município, estado ou país).

129
 8. Linguagem de script e execução em console do Dinamica
EGO

O que você irá aprender?

 Nomeando variáveis com alias (apelidos)

 Linguagem de programação do Dinamica EGO
 Execução em console do Dinamica EGO

À medida que um modelo se torna cada vez mais complexo, você provavelmente achará útil
salvá‐lo no formato EGO para continuar desenvolvendo o modelo usando a linguagem de
programação EGO em um editor de texto (e.g. NotePad++, Context ou compilador C++). Por
exemplo, o modelo da Extração de Madeira na Amazônia (Merry et al., 2009), desenvolvido no
Dinamica EGO, envolve mais de mil linhas de código de programação.

Ambos os formatos script (XML, EGO) são 100% compatíveis, de forma que os usuários podem
trazer o modelo e retornar com ele da interface gráfica para o editor de texto sem perder nenhuma
informação. Os modeladores avançados irão se beneficiar bastante desta linguagem de
programação bem estruturada e de fácil utilização.

DICA: O formato EGO é também um bom

jeito de unir dois modelos, uma vez que
você pode copiar e colar partes de seus
scripts.

Abra novamente o modelo “simulate_deforestation_from_1997_2000_30years_ahead.xml”.

Para melhorar o entendimento do modelo, você pode utilizar o ícone Add comment to functor
para nomear algumas variáveis importantes e depois adicionar comentários às partes do modelo.

Vamos fazer isso. Selecione o ícone ( Add Comment to Functor) e clique no mapa
categórico “23267_1997.ers”. Digite no campo alias “initial_landscape” (Fig 161), clique no
Calc Distance Map e digite no alias “distance_to_deforested”.

130
 Figura 161: Adição de comentário ao functor Load Categorical Map.

Faça o mesmo para os functors: Map “23267statics.ers”, Calc W. Of. E. Probability Map,
Calculate Value, Expander, Patcher, e Mux Categorical Map, escrevendo os respectivos
alias:

 “statics”,
 “probability”,
 “year”,
 “landscape_with_patches_expanded”,
 “landscape_with_new_patches”, e
 “feed_back_landscape”.

Agora salve o modelo no formato EGO (Fig 162).

Figura 162: Salvando o modelo em formato EGO.

Abra o modelo “simulate_deforestation_from_1997_2000_30years_ahead.ego” em um editor de

texto (de preferência um que destaque o script no formato C++, e.g. Notepad++, disponível em
http://notepad‐plus.sourceforge.net). O script EGO é como o seguinte:

131
/**

dff.date = Fri Sep 04 12:57:13 2009

Este é o cabeçalho
dff.version = 1.3.4.20090827-beta

metadata.author = Dinamica Team

metadata.description = This script corresponds to a deforestation model. Only one transition is modeled: 2 to 1, time-period comprises
2000 to 2030, divided in annual time steps. The land cover classes are non-forest (3), forest (2), and deforested (1). The model is set
to form patches and to expand previous patches of deforested land.

metadata.organization = CSR / UFMG

metadata.showproperties = yes

metadata.title = Simulate Deforestation

*/

Script {{
Aqui começa o

// Initial landscape map.

modelo

initial_landscape := LoadCategoricalMap { Aqui o mapa categórico é carregado

filename = "../originals/23267_1997.ers",
Functor é envolvido por {{ }}
loadAsSparse = .no,

defineNullValue = .no,

nullValue = 0,
Alias substitui nomes internos
suffixDigits = 0,

step = .none e.g. initial_landscape

};

// Static variable maps.

Comentários depois de //
statics := LoadMap {

filename = "../originals/23267statics.ers",

loadAsSparse = .no,

defineNullValue = .no,

nullValue = 0,

suffixDigits = 0,

step = .none

};

// Weights of Evidence coefficients.

loadWeights851 := LoadWeights "../4_weights_of_evidence_correlation/new_weights.dcf" 0 .none;

// Transition Matrix.

132
 loadLookupTable852 := LoadLookupTable "../1_transition_matrix_calculation/multiple_steps.csv" 0 .none;

// Simulation model.

@collapsed = no Início do Container Repeat

Repeat 30 {{

step = step;

feed_back_landscape := MuxCategoricalMap initial_landscape landscape_with_new_patches;

modulatedChanges complementaryChanges := ModulateChangeMatrix (CalcChangeMatrix feed_back_landscape

loadLookupTable852) [

2->1 0.2

];

distance_to_deforested := CalcDistanceMap {

categoricalMap = feed_back_landscape,

categories = [ 1 ],

cellType = .int32,

nullValue = -2147483648,

truncateDistance = .yes

};

// Calculate probability map.

@collapsed = yes

probability := CalcWOfEProbabilityMap {

landscape = feed_back_landscape,

weights = loadWeights851,

transitions = [ 2->1 ],

cellType = .uint8,

nullValue = 0

} {{

NameMap statics "static_var";

NameMap distance_to_deforested "distance";

}};

133
@alias = landscape_with_patches_expanded

changedLandscape corrodedProbabilities remainingChanges := Expander {

landscape = feed_back_landscape, Expander recebe feed_back_lansdcape

probabilities = probability,

changes = modulatedChanges,

transitionParameters = [

2->1 20 50 1.5

],

neighborWindowLines = 3,

neighborWindowColumns = 3,

pruneFactor = 10

};

step861 := Step step;

landscape_with_new_patches _ _ := Patcher { Patcher recebe changed_lansdcape

landscape = changedLandscape,

probabilities = corrodedProbabilities,

changes = (AddChangeMatrix remainingChanges complementaryChanges),

transitionParameters = [

2->1 25 50 1.5

],

neighborWindowLines = 3,

neighborWindowColumns = 3,

pruneFactor = 10

};

year := CalculateValue [

2000 + v1

] .no 0 {{

NumberValue step861 1;

}};

SaveMap { Functor SaveMap

map = landscape_with_new_patches,

134
 filename = "landscape.ers",

suffixDigits = 4,

step = year,

useCompression = .yes Fecha-se Container Repeat

};

}};
Fecha-se o modelo
}};

Para facilitar o processo de execução de um modelo a partir do comando do prompt, nós

desenvolvemos uma ferramenta de Console Launcher. Seu uso é fortemente recomendado
para modelos complexos e outros com grande quantidade de dados. Clique no aplicativo
Dinamica EGO Console Launcher. Ele irá abrir a seguinte interface (Fig 163):

Figura 163: Interface da ferramenta de Console Launcher.

A janela Models apresenta o modelo a ser executado (Fig.164). Ao clicar no ícone (add
models to execution list) é possível adicionar os modelos a serem executados em console.

135
Figura 164: Adição de modelo para ser executado no console.

Após selecionar o modelo desejado, clique no ícone (change model options) para configurar
as opções de execução em console (Fig 165).

Figura 165: Opções de configuração da execução do console.

 Scheduler: como os functors do modelo serão sequenciados;

 Verifier: tipo de verificação de script;
 Log Level: nível máximo de relatório de Log;

136
 DICA: Outro jeito de acoplar livremente outros programas de computador com
Dinamica EGO é através do functor Run External Process, disponível na categoria
Control. Usando este functor, você será capaz de chamar um programa externo a
partir do Dinamica, passar a este programa resultados intermediários e, alimentar
novamente o modelo do Dinamica EGO com os resultados obtidos.

Parabéns, você já foi longe! Mas ainda há numerosas possibilidades a explorar no

desenvolvimento de modelos com Dinamica EGO. P

137
 9. Referências

Agterberg, F.P. and Bonham-Carter, G.F. Deriving weights of evidence from geoscience contour
maps for the prediction of discrete events. XXII Int. Symposium AP-COM, 381-395. (1990).
Anselin, L. Spatial Externalities, Spatial Multipliers and Spatial Econometrics. (University of
Illinois, Urbana-Champaign, 2002).
Bonham-Carter, G. Geographic information systems for geoscientists: modeling with GIS.
(Pergamon, New York, 1994) 398 pp.
Burrough, P. A. Principles of Geographical Information Systems for Land Resources Assessment.
(Clarendon Press, Oxford, 1986).
Cattaneo, A. How to Distribute REDD Funds Across Countries? A Stock-Flow Mechanism.
Submission to the United Nations Framework Convention on Climate Change regarding
AWG-LCA (FCCC/AWGLCA/2008/L.7) (2008).
Costa, M. H., Botta, A. and Cardille, J. A. Effects of large-scale changes in land cover on the
discharge of the Tocantins river, Southeastern Amazonia. Journal of Hydrology 283, 206-
217 (2003).
Costanza, R. Model goodness of fit: a multiple resolution procedure. Ecological Modelling, 47,
199-215 (1989).
FAS (Fundação Amazônia Sustentável). The Juma Sustainable Development Reserve Project:
Reducing Greenhouse Gas Emissions from Deforestation in the State of Amazonas, Brazil.
For validation at Climate Community and Biodiversity alliance (CCBA). [online]
<http://www.climate-standards.org/pdf/release_juma_english_v_1_0_3.pdf> (2008).
Fearnside, P. M. Environmental Services as a Strategy for Sustainable Development in Rural
Amazonia. Ecological Economics 20 53-70 (1997).
Geist, H. J. and Lambin, E. F. What Drives Tropical Deforestation? A Meta-Analysis of Proximate
and Underlying Causes of Deforestation Based on Subnational Case Study Evidence.
Belgium, LUCC International Project Office, LUCC Repo6rt Series, 4. 136pp. [online]
<http://www.geo.ucl.ac.be/LUCC/lucc.htm> (2001).
Goodacre C. M., Bonham-Carter G. F., Agterberg, F. P. and Wright D. F. A statistical analysis of
spatial association of seismicity with drainage patterns and magnetic anomalies in western
Quebec. Tectonophysics 217, 205-305 (1993).
Hagen, A. Fuzzy Set Approach to Assessing Similarity of Categorical Maps. International
Journal of Geographical Information Science, 17, 235-249 (2003).
Houghton, R.A. et al. Annual fluxes of carbon from deforestation and regrowth in the Brazilian
Amazon. Nature 403, 301-304 (2000).
Houghton, R. A., Lawrence, K. T., Hackler, J. and Brown, L. S. The spatial distribution of forest
biomass in the Brazilian Amazon: a comparison of estimates. Global Change Biology 7,
731-746 (2001).
Houghton, R.A. in Tropical Deforestation and Climate Change. (eds Moutinho and S.
Schwartzman) (IPAM and ED, Belém, 2005).
Hirsch, A. I., Little, W. S., Houghton, R. A., Scott, N. A. and White, J. D. The net carbon flux
due to deforestation and forest re-growth in the Brazilian Amazon: analysis using a process-
based model. Global Change Biology 10, 908-924 (2004).
INPE (Instituto Nacional de Pesquisas Espaciais). Monitoramento da Floresta Amazônica
Brasileira por Satélite - Projeto PRODES. [online] <http://www.obt.inpe.br/prodes>
(2007)
McGarigal, K. and Marks, B.J. FRAGSTATS: Spatial pattern analysis program for quantifying
landscape structure. PNW-GTR-351. U.S. Department of Agriculture, Forest Service,
Pacific Northwest Research Station, Portland. (1995).
Metzger, J.P. How to deal with non-obvious rules for biodiversity conservation in fragmented
landscapes? The Brazilian Journal of Nature Conservation 4, 125-139 (2006).
Moutinho, P. and S. Schwartzman. Tropical Deforestation and Climate Change. (IPAM and ED,
Belém, 2005).

138
Merry, F., Soares-Filho, B.S., Nepstad, D., Amacher, G. and Rodrigues, H. Balancing
Conservation and Economic Sustainability: The future of the Amazon timber industry.
Environmental Management (2009). doi: 10.1007/s00267-009-9337-1
Pontius, R.G. Jr., Statistical Methods to Partition Effects of Quantity and Location During
Comparison of Categorical Maps at Multiple Resolutions. Photogrammetric Engineering
and Remote Sensing 68, 1041-1049 (2002).
Power, C., Simms, A. and White, R. Hierarchical fuzzy pattern matching for the regional
comparison of Land Use Maps. International Journal of Geographical Information Science
15, 77-100 (2001).
Saatchi, S. S., Houghton, R. A., Dos Santos Alvala, R. C., Soares, Z. J. V. and Yu, Y. Distribution
of aboveground live biomass in the Amazon basin. Global Change Biology 13, 816–837
(2007).
Schlamadinger, B., Johns, T., Ciccarese, L., Braun, M., Sato, A., Senyaz, A., Stephens, P.,
Takahashi, M. and Zhan, X. Options for including land use in a climate agreement post-
2012: improving the Kyoto Protocol approach. Environmental Science and Policy 10, 295-
305 (2007).
Sampaio, G., Nobre, C., Costa, M. H., Satyamurty, P., Soares-Filho, B. S., Cardoso, M. Regional
climate change over eastern Amazonia caused by pasture and soybean cropland expansion.
Geophysical Research Letters 34, 1-7 (2007). doi: 10.102
Santilli, M., Moutinho, P., Schwartzman, S., Nepstad, D. C., Curran, L., and Nobre, C. Tropical
deforestation and the Kyoto Protocol: an editorial essay. Climatic Change 71, 267-276
(2005).
Schneider, E. K., Fan, M; Kirtman, B. P. and Dirmeyer, P. Potential effects of Amazon
deforestation on tropical climate. Cola Technical Report 226, 1-41 (2006).
Sedjo, R.A., B. Sohngen. Carbon credits for avoided deforestation. Washington, D.C, Resources
for the Future (2007)
Silva-Chavez, G. and Petsonk, A. Rainforest credits. Carbon Finance 6, 18 (2006).
Skutsch, M., Bird, N., Trines, E., Dutschke, M., Frumhoff, P., de Jong, B. H. J., van Laake, P.,
Masera, O., and Murdiyarso, D. Clearing the way for reducing emissions from tropical
deforestation. Environmental Science and Policy 10, 322-334 (2007).
Soares-Filho, B. S., Pennachin, C. L., Cerqueira, G. DINAMICA – a stochastic cellular automata
model designed to simulate the landscape dynamics in an Amazonian colonization frontier.
Ecological Modelling 154, 217-235 (2002).
Soares-Filho, B. S., Corradi, L., Cerqueira, Araújo, W. Simulating the spatial patterns of change
through the use of the dinamica model. In Simpósio Brasileiro de Sensoriamento Remoto,
11, 2003, BH, INPE, 721-728 (2003).
Soares-Filho, B. S., Alencar, A., Nepstad, D., Cerqueira, G., Vera-Diaz, M., Rivero, S.,
Solórzano, L. and Voll, E. Simulating the response of land-cover changes to road paving
and governance along a major Amazon highway: the Santarém-Cuiabá corridor. Global
Change Biology 10, 745-764 (2004).
Soares-Filho, B. S., Nepstad, D, Curran, L.,Voll, E., Cerqueira, G., Garcia, R. A., Ramos, C. A.,
Mcdonald, A, Lefebvre, P. and Schlesinger, P. Modeling Conservation in the Amazon
Basin. Nature 440, 520-523 (2006).
Soares-Filho, B.S., Garcia, R. A., Rodrigues, H., Moro, S. and Nepstad, D. Nexos entre as
dimensões socioeconômicas e o desmatamento: A caminho de um modelo integrado. In
Amazônia. Natureza e Sociedade em Transformação. (eds Batistella, M., Alves, D. and
Moran, E.) (Edusp, São Paulo, 2008).
Teixeira, A. M., Soares-Filho, B.S., Freitas, S. and Metzger, J.P.W. Modeling Landscape
dynamics in the Atlantic Rainforest domain: Implications for conservation. Forest Ecology
and Management 257, 1219–1230 (2009).

139