SIG e Avaliação multicriterial

A espacialização da paisagem representa um dos métodos mais eficientes e econômicos na seleção de áreas prioritárias para restauração bem como o manejo de bacias hidrográficas (SARTORI; SILVA; ZIMBACK, 2012). O uso de Sistemas de Informação Geográfica (SIG) são ferramentas cada vez mais presentes em estudos ambientais e de manejo do solo, conferindo facilidade, agilidade e confiabilidade aos diagnósticos e tomadas de decisão (EASTMAN, 2001).

De maneira simplificada, os SIG podem ser definidos como sistemas computacionais que permitem a aquisição, gerenciamento, análise e exposição de dados espaciais geograficamente referenciados (EASTMAN, 2001; EASTMAN; JIANG; TOLEDANO, 1998).

Segundo Lang e Blaschke (2009) e Silva et al. (2008) em termos gráficos, as informações podem ser representadas digitalmente de dois modos:

em formato vetorial, com representação por vetores (pontos, linhas e polígonos) e estruturada em modelos topológicos, tendo-se maior precisão gráfica pela associação de cada elemento a coordenadas espaciais; e em formato raster (ou matricial), com representação por células (ou pixels), com menor precisão gráfica porém possibilitando avaliar relações de vizinhança, sendo este o formato para manipulação de imagens orbitais e fotografias aéreas e representação de fenômenos espaciais de ocorrência contínua.

Para Lang e Blaschke (2009), a análise espacial a partir de SIG objetiva a geração de novas informações por meio da integração e manipulação de dados pré-existentes, sendo sistemas de apoio para processos de tomada de decisão, sobretudo quando torna-se necessário, por exemplo, a combinação e ponderação de diferentes critérios de decisão de modo a atender múltiplos objetivos. Os procedimentos adotados para integração e combinação dos diferentes critérios constituem a Avaliação Multicritério ou Multicriterial (AMC) (EASTMAN, 2001; VOOGD, 1983).

Segundo Malczewski (2006) e Silva et al. (2008), modelos de AMC são facilmente integráveis em ambientes de SIG, possibilitando espacializar grandes quantidades de informações para melhor compreensão tanto dos critérios quanto dos resultados obtidos para melhor atender um ou mais objetivos.

Para Eastman (2001), os critérios são a base para o processo de tomada decisão, passíveis de quantificação e avaliação. Para o mesmo autor, os critérios, neste contexto, podem ser divididos em: fatores - atributos ou qualidades que podem realçar ou reduzir a susceptibilidade de uma alternativa no processo em questão, sendo geralmente representados de maneira contínua (lógica fuzzy); restrições - categorias restritivas aos fatores, limitando espacialmente as alternativas.

Uma das principais etapas do processo de AMC é quantificação dos fatores adotados, de modo a refletir os respectivos graus de importância

atribuídos pelos atores envolvidos. Geralmente tal quantificação dá-se pela atribuição de pesos relativos aos fatores.

Dentre os diversos métodos presentes na literatura para definição de pesos, como ordenamento simples de critérios, escalas de pontos e distribuição de pontos (SILVA et al., 2008), Eastman (2001) aponta que os procedimentos envolvendo comparações pareadas possuem vantagens ao conferir uma estrutura organizada para discussões em equipe, auxiliando esta na convergência de concordâncias e resolução de divergências na quantificação dos critérios. A adoção de técnicas participatórias nesse contexto permite o envolvimento de diferentes atores nos processos de tomada de decisão, sendo constante sua utilização em AMC (EASTMAN, 2001; EASTMAN et al., 1993; MALCZEWSKI, 1999),

O método da comparação pareada desenvolvida por Saaty (1977, 1980), no contexto do Processo Hierárquico Analítico (Analytic Hierarchy Process - AHP) é, segundo Valente (2005) e Silva et al. (2008), um dos métodos mais empregados e promissores a serem utilizados para obtenção de pesos dos fatores.

O método baseia-se na construção de uma matriz simétrica n x n, de comparação par a par entre os critérios, distribuídos na mesma ordem nas linhas e colunas da matriz (EASTMAN, 2001; SAATY, 1977). O valor de cada célula da matriz representa a importância relativa do critério da linha i face ao critério da coluna j. Uma vez definida a matriz de comparação, os pesos dos fatores são determinados pelo cálculo do autovetor resultante do autovalor máximo da matriz.

A fim de definir uma escala para normalizar as comparações entre fatores, Saaty (1977) também propôs uma escala numérica distribuída em nove níveis, variando de valores de igual importância (1) até valores de maior importância (9) entre fatores.

Por apresentar várias alternativas advindas da adoção dos critérios e da comparação e ponderação entre estes, torna-se necessário uma avaliação da consistência da matriz construída. Saaty (1980) propôs, para tanto, a determinação de uma Taxa de Consistência (TC), de modo a indicar a probabilidade de que os valores de comparação entre os fatores tenham sido gerados aleatoriamente. Valores de TC ideais devem ser sempre inferiores a 0,1 e, caso sejam superiores, sugere-se que se reorganize a matriz.

Segundo Eastman, Jiang e Toledano (1998) e Malczewski (2004), os modelos mais frequentemente adotados para integração dos critérios de uma AMC em ambiente de SIG são o Booleano e a Combinação Linear Ponderada (CLP).

O método Booleano, ao reduzir os critérios adotados em declarações lógicas e posterior combinação a partir de operadores lógicos, como intersecção (AND), união (OR) ou exclusão (NOT), apesar de simplificar a integração entre os critérios, pode também limitar e prejudicar análises que requerem uma representação contínua da paisagem.

Na Combinação Linear Ponderada, os critérios (fatores) são normalizados para uma escala numérica comum e, após receberem pesos, são combinados a partir de uma média ponderada (EASTMAN, JIANG; TOLEDANO, 1998; VOODG; 1983). Como resultado, tem-se um mapa contínuo de prioridades que pode ser limitado espacialmente por uma ou mais restrições booleanas (DROBNE; LISEC, 2009; EASTMAN, 2001).

A representação contínua da paisagem é uma das vantagens da CLP em relação ao método Booleano, sendo tal representação possível devido a associação do conjunto de fatores a teoria dos conjuntos fuzzy. Os conjuntos fuzzy, segundo Eastman (2001) e Malczewski e Rinner (2015), são conjuntos ou classes de objetos ou elementos que não possuem limites bem definidos, isto é, a transição entre elementos distintos se dá de maneira gradual.

Para Jiang e Eastman (2000) e Malczewski e Rinner (2015), a lógica fuzzy fornece bases para o desenvolvimento de escalas de padronização ou normalização de fatores em AMC a partir de funções de pertinência. A escala de padronização pertence a um domínio contínuo, geralmente variando de 0 a 1 ou, conforme Eastman et al. (2001), 0-255, em trabalhos com arquivos do tipo raster com dados do tipo Inteiro 8-bit. A escolha da função mais adequada dependerá, como aponta Eastman (2001), de acordo com a compreensão do critério e sua relação com os objetivos propostos, além da melhor representação espacial no contexto da AMC.

Dentre as funções geralmente adotadas na etapa de normalização (linear, sigmoidal, j-invertido ou outra definida pelo analista), Eastman (2001) sugere que a sigmoidal e linear são suficientemente adequadas para sua aplicação, sendo importante considerar que o maior valor adotado na escala de padronização esteja associado positivamente ao conjunto de decisões da AMC, isto é, que o maior valor indique a possibilidade de melhor atendimento ao objetivo proposto (EASTMAN; JIANG; TOLEDANO, 1998).

Devido ao seu fácil entendimento pelos tomadores de decisão, adaptabilidade e facilidade de implementação em ambiente de SIG, a CLP tem sido um dos métodos mais populares em trabalhos envolvendo AMC (MALCZEWSKI, 2000; 2004; MALCZEWSKI; RINNER, 2015), sendo empregado em diversos campos de pesquisa associados à priorização de áreas para conservação e restauração ecológica (ALMEIDA et al., 2020; SARTORI; SILVA; ZIMBACK; 2012; SILVA et al., 2017; VALENTE; PETEAN; VETTORAZZI, 2017), proteção dos recursos hídricos em bacias hidrográficas (MELLO et al., 2018; VETTORAZZI; VALENTE, 2016), zoneamento agrícola (BARROS et al., 2019; SARTORI; POLONIO; ZIMBACK, 2014), áreas de fragilidade ambiental (TRAFICANTE et al., 2017) e alternativas para disposição de resíduos sólidos (CALIJURI et al., 2007).