CRESCIMENTO URBANO, SEGREGAÇÃO ESPACIAL E CONFIGURAÇÃO URBANA
Polidori, Maurício1; Peres, Otávio2; Morellato, Natália; Cardoso, Andrio; Tomiello, Fernanda3 Resumo
Crescimento urbano tem sido objeto de estudo da ciência urbana contemporânea, particularmente pela formação das periferias em países da América do Sul e do fenômeno do urban sprawl, na A-mérica do Norte. Modelos e simulações de base morfológica têm sido utilizados como ferramentas para produzir conhecimento sobre o fenômeno urbano, assumindo que sua estrutura formal é porta-dora dos processos econômicos, políticos e culturais, interagentes. Nesse caminho, o artigo trata da emergência de padrões locacionais urbanos a partir de aplicações do modelo de simulação de cres-cimento urbano "SACI - Simulador do Ambiente da Cidade", explorando possibilidades que repli-quem a formação de periferias, fragmentadas e nas bordas da cidade, bem como de urbanizações nucleadas e remotas às áreas efetivamente urbanizadas, produzidas e dedicadas por grupos sócio-econômicos de extratos superiores. Os resultados sugerem que diferentes localizações podem ser modeladas através de medidas de estoques construídos, centralidade, restrições do ambiente natural e similaridade de vizinhança.
Palavras chave: crescimento urbano; segregação espacial; configuração espacial.
Abstract
Urban growth has been studied urban contemporary science, particularly the formation of the peri-pheries of the countries in South America and the phenomenon of urban sprawl in North America. Models and simulations based on morphological have been used as tools to produce knowledge on the urban phenomenon, assuming that its formal structure is the bearer of the economic, political and cultural interactants. In this way, the article addresses the emergence of urban locational pat-terns from applications of the simulation model of urban growth "SACI - Simulation Environment of the City, " exploring possibilities to replicate the formation of slums, fragmented, and the edges of the city as well nucleated as residential units and remote areas effectively urbanized, produced by dedicated and socioeconomic groups of extracts above. The results suggest that different locations can be modeled using stock measures constructed, centrality, restrictions of the natural environment and similarity neighborhood.
Keywords: urban growth, spatial segregation, spatial configuration.
1. Introdução e objetivos
No processo de crescimento urbano das cidades atuais, uma questão relevante que emerge é a da segregação sócio-espacial, a qual pode ser estudada através de indicadores de concentração e de superposição de facilidades urbanas, de formas construídas e de características do ambiente natural. Nesse caminho, as periferias pobres tendem a aparecer dispersas pela cidade, em áreas com
1
Professor na Faculdade de Arquitetura e Urbanismo da UFPel; mauricio.polidori@terra,com.br 2 Arquiteto e Urbanista da equipe da Faculdade de Arquitetura e Urbanismo da UFPel.
ção de facilidades urbanas e baixa qualidade do ambiente natural, em oposição às periferias de ren-da elevaren-da, que tendem a ocorrer em núcleos com faciliren-dades urbanas rarefeitas, porém com rele-vantes qualidades do ambiente natural. Ao mesmo tempo, cada tipo de periferia tende replicar suas características anteriores, num processo de feedback positivo, aparecendo mediante similaridade de vizinhança. O uso continuado de exercícios de modelagem indica o aparecimento de padrões espa-ciais vinculados a localização e forma, podendo participar de processos de tomada de decisão, espe-cialmente daqueles dedicados a agenciar a conversão de território não urbanizado em urbanizado, testar medidas e contra-medidas, combater vicissitudes e contribuir para a mudança, para a produ-ção de cidades com mais equidade e dignidade para todos.
Resultados obtidos mediante simulações de crescimento urbano com suporte em autômatos celula-res, como os que vêm sendo realizadas no Laboratório de Urbanismo da Universidade Federal de Pelotas, Brasil, com o uso do software SACI – Simulador do Ambiente da Cidade (disponível em http://www.ufpel.edu.br/faurb/laburb/) sugerem que a formação de periferias de baixa renda e as urbanizações remotas conhecidas como urban sprawl podem ser capturadas e replicadas ao serem considerados conjuntamente fatores urbanos e naturais, representados pelo processo de formação desigual e concentrador do tecido urbano e pela capacidade de o ambiente não urbanizado atrair ou repulsar determinados tipos de consumidores.
Sendo deste modo, este trabalho apresenta experimentos em campos de teste abstratos, simulando a formação de periferias urbanas e identificando padrões espaciais, com dois objetivos principais: a) verificar a possibilidade de modelar o aparecimento de periferias urbanas, trabalhando simultane-amente com formação das chamadas periferias urbanas em países da América do Sul e com o fenô-meno conhecido como urban sprawl, na América do Norte; b) identificar as características morfo-lógicas do tecido resultante, o que é feito através de representações típicas de autômato celular, mediante grid, células e suas modificações. O trabalho segue o método de simulação construído por Polidori (2004), como aparece em síntese nos subtítulos adiante.
2. Revisão bibliográfica: modelando crescimento urbano
Esforços importantes têm sido empreendidos para melhorar a compreensão sobre os mecanismos de produção e de reprodução da cidade, como é o caso das idéias vinculadas ao desenvolvimento desi-gual (como enunciado por Harvey, 1985 e 1989), à auto-organização (como os trabalhos desenvol-vidos por Holland, 1998 e por Portugali, 1997 e 2000) e aos estudos sobre sistemas complexos (Al-len, 1997; O'Sullivan, 2001). Na mesma direção, estudos de morfologia urbana têm representado satisfatoriamente a cidade pelo espaço construído, através de métodos de diferenciação capazes de descrever e de medir o desempenho de um determinado estado da cidade num determinado tempo, considerando as formas construídas e suas conexões através dos espaços abertos ou públicos (Te-klemberg, Timmermans e Borges, 1997). Nessa direção, a estrutura urbana pode ser representada por diferentes graus de centralidade, cujos valores estão correlacionados com vários indicadores de atividade do sistema urbano, como presença de pedestres, fluxo de veículos, concentração de ativi-dades comerciais e dotação de infra-estrutura, podendo ser tomada como um indicador de qualifica-ção locacional (Krafta, 1999).
A medida de centralidade pode ainda ser tomada como um indicador de desequilíbrio do sistema espacial, ou seja, um indicador de sua dinâmica. A distribuição de centralidade urbana constitui uma topografia em que os picos assinalam localizações de convergência de interesse, movimento e valor urbano, e os vales identificam regiões de baixo valor, interesse e atratividade. Essa topografia denota diferentes graus de agenciamento social do espaço e identifica na interface dos vales com os picos as oportunidades de desenvolvimento de áreas urbanas ainda pouco agenciadas, portanto
dis-poníveis. Dessa forma, a distribuição de centralidade configura uma paisagem de oportunidades de produção de renda imobiliária num cenário em que a produção do espaço é tomada como atividade econômica. Como sugere Harvey (1985), vantagens locacionais poderiam ser consideradas como inovações tecnológicas, transformando-se em possibilidade de lucro excedente; deste modo, os pro-dutores urbanos procedem de modo semelhante aos demais propro-dutores no mercado capitalista, bus-cando permanentemente inovações tecnológicas, dentre as quais estão as inovações ou invenções de localização. Como essas descobertas locacionais são prontamente seguidas pelos demais competi-dores, o processo torna-se iterativo, permanente e complexo, pois as vantagens iniciais tendem a mudar com a dinâmica urbana. Sendo assim, maiores potenciais de mudança se concentram onde houver maior diferença entre valores de centralidade entre um lugar e seu entorno, juntando vanta-gens de localização com menor custo do solo, de modo a reproduzir a referida invenção de localiza-ção e a conseqüente maximizalocaliza-ção de renda.
Estudos de ecologia de paisagem vêm absorvendo conceitos de acessibilidade e desenvolvendo modelos derivados das experiências com o espaço urbano, aplicando técnicas de resistência mínima acumulada (como está em Yu, 1996), utilizando operações semelhantes às usadas em modelos dedi-cados ao espaço urbanizado, o que pode ser resumido como resistência espacial. Em caminho seme-lhante estão trabalhos dedicados a avaliar paisagens para a conservação ambiental, indicando um gradiente de valor ecológico e de impacto de atividades para diferentes usos do solo (Spellerberg, 1994:213-216). Noutras palavras, o espaço que intermedeia tensões de crescimento urbano exerce papel de restritor ou facilitador, participando ativamente do sistema.
Modelagem urbana tem sido usada satisfatoriamente para representar a cidade de modo simplifica-do (Martin, March e Echenique, 1972), facilitansimplifica-do a compreensão de determinasimplifica-dos aspectos e suas relações com o conjunto. Mesmo assim, modelar mudança e crescimento urbano tem sido um desa-fio para a pesquisa contemporânea, reunindo esforços de diversos campos do conhecimento, como é o caso dos modelos de representação de sistemas ecológicos dinâmicos, como os propostos por Parton (1996) e por Waddell e Alberti (1998), dos modelos de conversão de território não urbaniza-do em urbanizaurbaniza-do, como os propostos por Clarke, Hoppen e Gayurbaniza-dos (1997) e por Xie e Sun (2000) e dos modelos de alteração no uso do solo, como os propostos por Arai e Akiyama (2004) e por Liu e Andersson (2004). Ao tratar de crescimento urbano, interessa representar o processo de produção espacial, convertendo solo não urbanizado em urbanizado e acrescentando (ou substituindo) edifi-cações, capturando fisicamente o processo de evolução urbana.
Em síntese, é possível então representar a cidade como um campo de oportunidades de obtenção de renda, mediadas pelo espaço, o qual é composto integradamente por atributos urbanos, naturais e institucionais, que funcionam como atração ou como resistências para o crescimento urbano. A configuração espacial e a distribuição desses atributos geram tensões que diferenciam o espaço qua-litativa e quantitativamente – através da medida de centralidade, vindo a provocar crescimento em lugares com maior potencial de desenvolvimento. Crescimentos acima de determinados limiares podem ser considerados problemas ambientais, gerados e superados no mesmo processo de produ-ção do espaço urbano. Iterações desse processo oferecem um comportamento dinâmico ao sistema, posto que a realização dos potenciais implica em novos valores de centralidade e assim sucessiva-mente.
Uma vez capturado esse processo dinâmico do sistema urbano, uma possibilidade é explorar cená-rios de futuro, ajustando o modelo para que o crescimento urbano seja direcionado de modo a espe-cular sobre tecidos urbanos possíveis e a aproximar de casos reais (Echenique, 1999), o que no am-biente do modelo pode ser traduzido na possibilidade de regular as distribuição das tensões de modo axial, polar e difuso, onde diferentes tipos de distribuições de tensões geram diferentes tipos de crescimento urbano.
Formas de crescimento difuso podem estar orientadas por sorteio probabilístico da distribuição das tensões de crescimento, com pelo menos dois modos distintos: a) capturando a produção formal do espaço urbano, que se orienta pelas demandas das classes econômicas superiores; no ambiente do modelo, a probabilidade de uma célula ser sorteada e receber uma fração de tensão espacial é inver-samente proporcional a sua centralidade e diretamente proporcional a sua resistência no tempo ante-rior (o aparece adiante como “tensões difusas de tipo 1”); b) capturando a produção informal do espaço urbano, que se orienta pelas demandas das classes econômicas inferiores; no ambiente do modelo, a probabilidade de uma célula ser sorteada e receber uma fração de tensão espacial é dire-tamente proporcional a sua centralidade e inversamente proporcional a sua resistência no tempo anterior (o que aparece adiante como “tensões difusas de tipo 2”).
Desta forma, estudos de crescimento urbano dedicados a identificar lógicas sócio-espaciais da pro-dução do espaço podem explorar as formas de crescimento difuso, uma vez que essas se credenciam a revelar a emergência de padrões locacionais de agentes com modos diferentes de atuar na produ-ção espacial, considerando junto fatores urbanos, naturais e institucionais.
Se por um outro lado o modelo de simulação de crescimento urbano utilizado neste trabalho acumu-la experimentações em pesquisas com objetivo de consolidá-lo como uma ferramenta científica, através de aplicações dedicadas a especular sobre cenários futuros, por outro podem ser identifica-das diversas possibilidades para auxiliar na compreensão da realidade e na identificação de padrões sócio-espaciais. Uma dessas questões é a da segregação sócio-espacial, a qual pode ser estudada através de indicadores de concentração de edificações e de facilidades urbanas, o que pode ser me-dido pelos outputs do modelo denominados carregamentos urbanos e centralidades relativas; en-quanto que os primeiros podem ser assumidos como descritores dos estoques construídos, os segun-dos podem emular o grau de concentração segun-dos benefícios da urbanização (Polidori e Krafta, 2004; Polidori, 2007). Ademais, a idéia aqui é de explorar as possibilidades estocásticas mo modelo de simulação, o que aparece como um campo aberto de possibilidades. Sendo deste modo, e assumindo que o modelo vem sendo usado com sucesso em exercícios especulativos e preditivos, os estudos propostos pretendem avançar na destinação das simulações para questões de segregação manifestas espacialmente, vindo a auxiliar na compreensão do fenômeno urbano e, principalmente, na tomada de decisão para as transformações nas cidades do futuro.
O modelo de crescimento urbano SACI – Simulador do Ambiente da Cidade, conforme proposto por Polidori (2004), pode ser operado como uma ferramenta de pesquisa do campo da configuração urbana, possibilitando estudos de simulação de crescimento urbano e capturando lógicas de produ-ção social do espaço urbano, o que permite especular sobre cenários de futuro a partir da utilizaprodu-ção das idéias de centralidade e potencial originalmente concebidas por Krafta, (1999). Esse modelo de crescimento é construído a partir do uso conjunto de teoria de grafos, autômato celular, geotecnolo-gias e modelagem adaptativa (respectivamente Torrens, 2000; Buzai, 1999). O uso conjunto de grafos e autômato celular implica na utilização de um modelo híbrido, onde os resultados recebem simultaneamente influências de relações globais e locais do sistema urbano; o uso de geotecnologi-as vai contribuir no ingresso de informações através de um SIG, do processamento e do output em formato de grids, os quais são compatíveis com os autômatos celulares; a idéia de modelagem adap-tativa aponta para um modelo regulável, com possibilidades de ajuste pelo usuário e de ingresso de dados conforme os interesses dos projetos e da disponibilidade de dados.
3. Materiais e métodos: utilizando autômatos celulares e geotecnologias
O uso de autômatos celulares está ligado ao desenvolvimento da computação, da inteligência e da vida artificiais, o que vem sendo divisado desde os primeiros trabalhos de John von Neumann (pre-cursor da computação e da teoria de jogos) e Stanislaw Ulmam (um dos primeiros desenvolvedores das técnicas de Monte Carlo), na década de 1940, até os mais recentes argumentos de Stephen Wol-fram (reconhecido teórico contemporâneo em computação, matemáticas e autômatos celulares, co-mo está em Greco, 2002). Antes disso, na década de 30, Alan Turing já pensava na “Máquina Uni-versal de Turing”, como mais tarde ficou conhecido; por ser um autômato hipotético, isso impulsio-nou o pensamento da década de 40, dando origem à criação dos computadores, que seguiram os mesmos princípios lógicos e conceituais. A idéia era de criar um “computador universal”, que nun-ca precisaria ser reconstruído, só reprogramado; uma tarefa imaginada para essa máquina seria “du-plicar a si mesmo” ou re“du-plicar-se, (Maddox, 1983), o que interessa tanto ao domínio dos fenômenos ambientais quanto ao dos sociais e espaciais (Axelrod, 1997). As chamadas “Máquinas de Turing” indicariam um rol de regras para os autômatos celulares aplicáveis mediante ciclos determinados no tempo, em cujos intervalos (ou estados) e processos (ou dinâmicas) o mundo poderia ser examina-do.
Uma definição objetiva de autômatos celulares vem sendo traçada de modo dedicado por Stephem Wolfran desde a década de 80 do Século XX, a qual diz que autômatos celulares são representações matemáticas de sistemas físicos celulares, cujas características são especificadas pelos valores das células em cada estado, nos quais espaço, tempo e valores são discretos; nos autômatos celulares, os valores que cada variável assume são afetados pelos valores da sua vizinhança no tempo anterior, sendo os novos valores atualizados simultaneamente, de acordo com regras locais (Wolfran, 1983).
Resumidamente, autômatos celulares básicos podem ser considerados como um espaço finito
com-posto por parcelas ou células, organizadas numa trama ou grid. Essas células mudam de estado au-tomaticamente (por isso o termo autômato), seguindo certas regras de transição, em função dos estados das células vizinhas. Podem apresentar uma, duas ou três dimensões, sendo que os compo-nentes de um autômatos celulares podem ser classificados (segundo Wolfran, 1985) nos seguintes: a) grid; b) células-estado (ou simplesmente células); c) vizinhança; d) regras de transição; e) tempo. O grid é o espaço finito no qual o autômatos celulares existe, reproduzindo a quantidade e dimen-sões das células, podendo ser quadrado, retangular, hexagonal ou ter a forma de qualquer polígono; as células são a unidade espacial do grid, onde residem ou se manifestam os estados possíveis de serem assumidos, que nos autômatos celulares básicos se resumem a um ou zero, porém podem assumir valores diferentes em aplicações ambientais e urbanas, como aparecerá adiante; a vizinhan-ça é a região que é considerada de influência para o próximo estado de cada célula, a qual normal-mente se restringe a quatro ou oito, porém tem sido ampliada para representar melhor determinados processos; as regras de transição são os mecanismos de mudança, conhecidos pela seqüência if-then-else (se-então-muda), normalmente representadas por enunciados simples, que ao se repetirem geram resultados complexos; o tempo é uma grandeza discreta, isto é, os tempos posteriores não mantêm relações com os anteriores, podendo ser dito que a evolução “destrói” a dependência com o estado inicial.
Um autômato celular pode ser assumido como uma representação abstrata de uma realidade em transformação, cujas regras de transição podem ser apreendidas e reaplicáveis com o passar do tem-po, o que permite observação sistemática e iterativa, interessando aos trabalhos científicos e seus esforços em conhecer os processos de mudança. Neste caminho, partindo os autômatos celulares dos mesmos princípios da computação universal, uma de suas possibilidades seria a de auto-reprodução mediante a aplicação de determinadas regras, o que seria passível de controle, observa-ção, apropriação dos resultados, construção de interpretações e de conclusões (Batty, Couclelis e
Eichen, 1997). Os autômatos celulares podem ser representados matematicamente, sendo a que a notação básica é a seguinte:
Cel i (t+1) = f{[Cel Viz S (t)] . (Regra Viz)}
onde se lê:
o estado da célula i no tempo t mais um é função do estado das células vizinhas do sistema S no tempo t (tempo atual, anterior a t+1), vezes a regra de transformação vinculada à vizinhança
sendo: Cel i : célula i
(t+1) : unidade de tempo seguinte Cel Viz S : células da vizinhança t : tempo atual. anterior a t+1
Regra Viz : regra de transformação vinculada à vizinhança
As possibilidades de espacialização e de representar processos dinâmicos com autômatos celulares têm sido usadas como auxiliares na resolução de inúmeros problemas ambientais e urbanos, como é o caso do crescimento espacial (Ward, Murray e Phinn, 2000). Autômatos celulares apresentam vantagens para sua utilização em simulações urbanas, especialmente quando comparados com mo-delos tradicionais (Batty e Xie, 1994), apresentando possibilidades de integrar requisitos de eficiên-cia com equidade, de incorporar espaeficiên-cialidade absoluta (ou Cartesiana) e relativa (ou Leibnitziana), de promover abordagens descentralizadas, de permitir integração com SIGs, de integrar forma e função, de trabalhar com atenção ao detalhe, de ser simples, de permitir o ingresso de outras teorias, de permitir adequada visualização e de, principalmente, representar processos dinâmicos (Torrens, 2000). Para representar a cidade e seu processo de transformação, os autômatos celulares devem ter algumas de suas características adaptadas, o que recebe o nome de autômato celular estendido, sen-do recorrentes as seguintes adaptações (a partir de Batty e Xie, 1994; Wu, 1996; White et al. 1999; White e Engelen, 2000): a) o grid não é considerado contínuo, sendo que as células de um lado da borda não são consideradas vizinhas das células de um outro lado; b) as células têm o tamanho ajus-tado à escala do espaço que se pretende representar, bem como seus esajus-tados representam atributos espaciais, os quais podem ser registrados por números fracionários; c) a vizinhança não se restringe às tradicionais 4 ou 8 células adjacentes à célula central (vizinhança de von Neumann e Moore, respectivamente), podendo ser regulada com raios variáveis por funções e associados a áreas de abrangência; d) as regras tentam replicar processos reais que ocorrem na cidade e na paisagem, representando conceitos e teorias sobre as transformações urbanas e ambientais; e) o tempo é trans-crito em tempo real, representando a evolução urbana e os horizontes dos cenários que se pretende simular.
Sendo deste modo e considerando os objetivos deste trabalho, simulações utilizando autômatos celulares aparecem como opção viável, considerando suas possibilidades de modelagem dinâmica, sua capacidade de representação espacial, a possibilidade de inclusão de atributos urbanos e natu-rais, a relativa simplicidade das simulações e as suas possibilidades de ajuste para as tipicidades da cidade (Wolfran, 1994 e 2002; Batty, 1998). O uso de autômatos celulares aplicado ao espaço da cidade e da paisagem pode ainda ser melhorado por integração com grafos (O’Sullivan, 2001) e pelo uso de geotecnologias, o que inclui ferramentas de SIG, recursos de geocomputação e geosi-mulação, cujos conceitos estão recuperados resumidamente, a seguir.
Geotecnologias podem ser compreendidas como um conjunto de recursos dedicados à compreensão do território, cujas ferramentas e abordagens transdisciplinares permitem redescobrir o mundo (Cerdán, 1999), o que pode ser particularmente feito em relação à cidade e seu desenho (Batty, Dodge, Jiang e Smith, 1998) e ao ambiente e suas características (Bian, 2004). As possibilidades das geotecnologias são tomadas menos como um conjunto de ferramentas computacionais e mais como um novo paradigma que alicerça estudos espaciais (Boido, 1999), como sugere Buzai (1999), ao encadear as ações de inventário, diferenciação, interação, significância e temporalidade.
Os SIGs se destacam no campo técnico e operacional, facilitando a aquisição, o tratamento, as aná-lises e o arquivamento das informações espaciais (Câmara, 2001). Operações de elevada complexi-dade são realizadas rotineiramente por softwares de SIG, compatibilizando informações e agilizan-do as análises espaciais. Atualmente podem ser diferenciaagilizan-dos os SIGs em SIGsys e SIGsci (SIG systems e SIG science, respectivamente), sendo os primeiros mais dedicados às rotinas técnicas e os segundos às demandas da investigação científica, em muito coincidindo com a idéia de geocompu-tação (Longley, Goodchild, Maguire e Rhind, 2001).
Geocomputação tem sido referida como o uso de diferentes tipos de dados espaciais e como o de-senvolvimento de ferramentas geoespaciais, de modo a potencializar a solução de diversos tipos de problemas, assumindo grande importância para a investigação científica (Ehlen, Caldwell e Har-ding, 2002). Essas ferramentas enriquecem as abordagens espaciais com recursos de inteligência artificial, permitem a inclusão de teorias e a verificação de hipóteses, com intenso uso de recursos computacionais (ibidem).
O campo das simulações espaciais tem experimentado franca evolução nas últimas duas décadas, o que é notadamente representado pelos esforços de modelagem com diversas técnicas, destacada-mente com autômatos celulares, apresentando modelos dinâmicos e multiescalares, particulardestacada-mente dedicados à ecologia, economia e ciências sociais (Benenson e Torrens, 2004). Trabalhos dedicados a capturar e interpretar a estrutura espacial através de modelos baseados em objetos oferecem cres-centes possibilidades de compreender o mundo real através de simulações e do uso de inteligência artificial; nesse caminho, geosimulação pode ser compreendida como um emergente campo de mo-delagem dedicada a responder a demandas da investigação voltada para as ciências ligadas ao espa-ço, fundada na teoria de sistemas complexos, nas possibilidades de SIGsci e nos recursos de pro-gramação orientada a objetos (ibidem).
Integrações de autômatos celulares e geotecnologias (representadas pelos SIG, geocomputação e geosimulação) podem potencializar estudos ambientais e urbanos, com compensação entre possibi-lidades e limitações, do seguinte modo:
• integração de autômatos celulares com SIG: sistemas de informação geográfica trabalham com representações vetorial e raster, sendo as primeiras próprias para o uso de grafos e as segundas para o uso de autômatos celulares; sendo deste modo, as representações tradicionais dos SIGs aten-dem às necessidades da integração entre grafos e autômatos celulares, o que facilita a aquisição de informações, sua preparação para processamento, a obtenção e a visualização de resultados e a guarda de informações;
• integração de autômatos celulares e SIG com geocomputação: geocomputação inclui a pos-sibilidade de avançar para além dos recursos tradicionais dos SIGs, normalmente expressos na for-ma de um software comercial; a idéia da geocomputação é agregar recursos de prografor-mação, esta-tística e análise espacial, o que neste trabalho vai facilitar a construção de aplicativos que permitam a imersão dos recursos de grafos, autômatos celulares e SIGs em teorias que comandem as represen-tações, as relações e as análises espaciais;
• integração de autômatos celulares, SIG e geocomputação com geosimulação: a aproxima-ção entre realidade e constructos teóricos tem sido alcançada através de simulações do espaço geo-gráfico, possibilitando operacionalizar a integração entre grafos e autômatos celulares, bem como superar a o modo estático de funcionamento dos SIGs tradicionais e a abstração com que são em-preendidos os esforços em geocomputação, permitindo abordagens de fenômenos dinâmicos e a construção de cenários de futuro.
4. Resultados: formação de periferias urbanas
Periferias urbanas podem ser compreendidas pelos seus aspectos sócio-econômicos e morfológicos, sendo predominantemente habitadas por população de baixa renda e tradicionalmente localizadas nos lugares mais distantes do centro da cidade, concentrando piores condições de infra-estrutura, de serviços, de equipamentos e de facilidades urbanas de um modo geral (Fernandes, 1997). Esse sig-nificado pode ser alargado ao considerar também como periferia urbana as ocupações remotas habi-tadas por população em quaisquer classes de renda, o que inclui desde as franjas com má qualidade de urbanização, comuns nos países latino-americanos (Bayón e Gasparini, 1977), até os novos nú-cleos sem continuidade com o tecido da cidade preexistente, conhecidos como urban sprawl na América do Norte (Frank, 2000).
No modelo SACI – Simulador do Ambiente da Cidade, conforme foi exposto anteriormente, perife-rias urbanas podem ser simuladas através da distribuição de tensões difusas de crescimento, assu-mindo que sua formação é probabilística e dependente da distribuição de centralidades e de resis-tências naturais ao crescimento urbano, como foi citado anteriormente, do seguinte modo: a) a pro-babilidade de ocorrer formação de periferias de média-alta e de alta renda é diretamente proporcio-nal a baixas centralidades e a baixas resistências naturais; b) a probabilidade de haver formação de periferia de baixa renda também é diretamente proporcional a baixas centralidades, mas a altas re-sistências naturais. Na regulagem padrão do modelo estão alocadas 20% das tensões para o primeiro caso e 20% para o segundo caso (através das tensões difusas de tipo 1 e de tipo 2, respectivamente), somando 40% para as tensões difusas, sendo alocados os mesmos 20% para as distribuições de ten-sões axiais, axiais de buffer e polares, resultando a soma total em 100%.
Para simular a formação de periferias urbanas e observar seus efeitos no sistema urbano em cresci-mento, está realizado um experimento com três casos: a) crescimento com distribuição de tensões igual a 20% para todos os tipos (axiais, axiais de buffer, polares, difusas de tipo 1 e difusas de tipo 2), que é o padrão do modelo (Fig. 2); b) crescimento com distribuição de tensões igual a 100% para as difusas de tipo 1, que representam maior probabilidade de haver formação de periferia de média-alta e alta renda (Fig. 3); c) crescimento com distribuição de tensões igual a 100% para as difusas de tipo 2, que representam maior probabilidade de ocorrer formação de periferias de baixa renda (Fig. 4). As simulações utilizam os carregamentos e as resistências mostrados na Fig.1, abai-xo, num grid de 20 por 28, com 560 células, estando os grids com os resultados e as interpretações na seqüência. Para obter os resultados foram geradas simulações com 40 iterações, estando a seguir slides com a iteração inicial e de número 32, que podem ilustrar as diferenças entre os experimen-tos.
O caso simulado com 20% de distribuição para todos os tipos de tensões é o padrão do modelo (Fig. 2), o qual já inclui 20% para as distribuições difusas de tipo 1 e 20% para as difusas de tipo 2; esse experimento serve aqui como controle, para ser comparado com os que consideram exclusivamente as tensões difusas como geradoras de crescimento, encarregadas de simular periferias urbanas de modo dedicado. Os resultados mostram uma mancha urbana contínua e homogênea tendendo à es-querda do grid (Fig. 2 a, b), onde as resistências têm valor inicial menor; desse modo assimétrico se
comportam os carregamentos urbanos e a distribuição de centralidades, com máximos localizados na área central do grid (Fig. 2 c, d, e, f, g, h); os potenciais máximos assumem a forma de linha de borda e se acumulam na interface da zona urbanizada com a não urbanizada; por fim as resistências mudam do gradiente implementado no input para restar à direita do grid, em oposição à área urba-nizada final.
O segundo caso simulado está regulado para simular crescimento utilizando 100% da distribuição de tensões como difusas de tipo 1, cuja localização é probabilística e proporcional às menores resis-tências e às menores centralidades; o experimento representa a formação de ocupações característi-cas de classes econômicaracterísti-cas média-alta e alta, semelhante ao padrão conhecido como urban sprawl. Todos os outputs diferem do caso anterior, com as seguintes características principais (Fig. 3): a) as células com fenótipo urbano vão aparecendo de modo difuso, chegando ao final da simulação com a presença de descontinuidades internas, embora concentradas à esquerda do grid, em função do ori-ginal acúmulo de menores resistências e da formação de maiores centralidades; b) os carregamentos urbanos se mantêm fragmentados durante toda a simulação, chegando ao final com uma típica con-figuração de urban sprawl, onde valores elevados de estoques construídos se localizam na periferia e com independência locacional dos máximos de áreas geometricamente centrais; c) a distribuição de centralidades inicia fragmentada e tende a se tornar menos diferenciada ao final da simulação, com os valores maiores tendendo para as mesmas áreas de acúmulo de células urbanas e de carre-gamentos máximos; d) os potenciais de crescimento são difusos durante toda a simulação, tendendo à minimização por diminuição de diferenciação espacial, provocada pela repetição do padrão de dispersão do experimento; e) embora sem a homogeneidade do caso anterior, as resistências natu-rais tendem ao lado direito do grid, em oposição ao agrupamento de células urbanizadas.
O terceiro caso simulado utiliza 100% da distribuição de tensões como difusas de tipo 2, cuja loca-lização é probabilística e proporcional às maiores resistências e às maiores centralidades, corres-pondendo à formação de periferias de classes econômicas baixas, freqüentemente referidas como espaços urbanos de segregação espacial (Lago, 2000). Os resultados são diferentes dos dois casos anteriores, podendo ser destacadas as seguintes características principais (Fig. 4): a) as células con-vertidas para o fenótipo urbano mantêm um padrão difuso durante toda a simulação, de modo mais intenso do que caso anterior; é notável como nesse experimento, diferentemente dos dois casos an-teriores, ocorre elevada conversão de células onde as resistências são maiores (área direita do grid), conforme condições iniciais da simulação; b) os carregamentos urbanos também se mantêm difusos durante toda a simulação, resultando num padrão de acúmulo de valores máximos na área geometri-camente central (onde estavam as células urbanas que originaram a simulação), associado à presen-ça de células com carregamento médio espalhadas pelo grid e com localização migrante da área de menores resistências para maiores resistências (da esquerda para a direita); esse resultado permite três observações, a saber: b.1) a formação de periferias de baixa renda não determina deslocamento na implantação dos estoques construídos em área centrais, mas sim contribui para sua concentração; b.2) ao início da simulação os carregamentos urbanos pendem para o lado das menores resistências, porém migram em maioria para o lado das maiores, o que pode estar associado ao processo de ocu-pação e edificação em áreas crescentemente mais distantes das preexistentes, o que tem sido cha-mado de processo de expulsão por diversos autores (Maricato, 1979, Piquet e Ribeiro, 1991); b3) a localização dos estoques construídos é mais instável e com maior variação entre as células contí-guas do que nos casos anteriores, o que pode estar associado à menor durabilidade edilícia e aos processos de renovação urbana (Lamas, 1993); c) embora a ligeira tendência de concentração para o lado direito do grid, a distribuição de centralidades mantém um padrão difuso durante toda a simu-lação; uma diferença fundamental dos casos anteriores é a relação com a conversão de território, que ocorre com maior freqüência no lado oposto dos maiores valores de centralidade, como pode ser constatado comparando os estados finais da simulação (Fig. 4 b, h); d) o padrão de localização
dos potencias de crescimento é muito semelhante ao do caso anterior, embora com inversão nos sítios de máximos e mínimos, conforme esperado (Fig. 4 i, j); por fim as resistências resultam numa distribuição mais fragmentada que nos casos anteriores, em função da dispersão dos potenciais de crescimento.
Como aparece no experimento, a possibilidade de implementar distribuição de tensões difusas per-mite aproximar as simulações da formação de periferias urbanas, induzindo a formação de núcleos remotos em relação ao centro que origina o crescimento e seguindo dois padrões, cada um com três características principais: a) padrão de periferia de classes econômicas média-alta e alta, que prefe-rem os lugares com melhores condições naturais, importando menos a concentração de facilidades urbanas (Fig. 3); suas principais características são as seguintes: a.1) conversão de células para o fenótipo urbano concentradas em lugares mais qualificados; a.2) carregamentos urbanos polinucle-ados, com máximos no centro e em focos remotos; a.3) distribuição de centralidades homogênea; a.4) potencial e resistências difusos; b) padrão de periferia de classes econômicas baixa, que nor-malmente ocupam os lugares com condições naturais mais restritivas e menor custo de aquisição (Fig. 4); suas características principais são as seguintes: b.1) conversão de células para o fenótipo urbano em padrão difuso e com elevada freqüência em áreas menos qualificadas; b.2) carregamen-tos urbanos concentrados no centro e difusos no resto do grid; b.3) distribuição de centralidade difu-sa; b.4) potencial e resistências difusos.
Considerando os resultados anteriores, diferentes padrões de dispersão de células urbanas e de con-centração dos carregamentos podem ser assumidos como indicadores de formação de periferias urbanas por classes de renda, sendo que: a) no caso das classes de renda mais elevada, as células urbanas resultam menos dispersas e os carregamentos mais concentrados, b) no caso das classes de renda menos elevada, tanto a conversão para o fenótipo urbano como os carregamentos são mais dispersos e menos concentrados (Fig.5 a, b, a seguir).
5. Conclusões
Considerando os padrões de resultados obtidos nas simulações que destacam a formação de perife-rias urbanas, suas localizações podem ser encontradas superpondo mapas de carregamentos urbanos e centralidades, assumindo que: a) periferias ocupadas por população de média-alta e alta renda do tipo urban sprawl aparecem onde há valores baixos de centralidade e de carregamentos urbanos, bem com baixo valor de resistências naturais, associados a vizinhança similar; b) periferias ocupa-das por população de baixa-renda aparecem também onde há valores baixos de centralidade e de carregamento urbano, mas em lugares com elevadas restrições do ambiente natural, também associ-adas a vizinhança similar. A Fig 6, ao final, revela essas localizações, através álgebra de mapas. É notável em todos os experimentos realizados neste trabalho como aparece um comportamento diferenciado para a interface do ambiente urbanizado com o não urbanizado, lugar que vem sendo denominado freqüentemente de franjas urbanas ou, em dinâmica de autômatos celulares, de edge of chaos (respectivamente Bazant, 2001 e Eck, 2004), sugerindo que peculiaridades dessa interface podem ajudar a compreender a lógica configuracional das periferias urbanas; nesse caminho, é pos-sível assumir que a dinâmica urbana e a configuração resultante induzem o aparecimento de perife-rias na borda da cidade, o que pode ser interpretado como uma dimensão morfológica do processo de periferização.
6. Referências bibliográficas
ALLEN, P. (1997). Cities and regions as self-organizing systems: models of complexity. Ams-terdam: Gordon and Breach Science Publishers. 275 p.
ARAI, T.; Akiyama, T. (2004). Empirical analysis for estimating land use transition potential functions case in the Tokyo metropolitan region. Computers, Environment and Urban Systems v. 28. p. 65-84. [ disponível em 17 de agosto de 2006 em www.elsevier.com/locate/compenvurbsys ] AXELROD, Robert (1997). Advancing the art of simulation in the social sciences. International Conference on Computer Simulation and the Social Sciences. Cortona, Italy. 12 p. [disponível em 03 de março de 2002 em www.santafe.edu ]
BATTY, M.; COUCLELIS, EICHEN, M. (1997). Urban system as cellular automata. Environ-ment and Planning B: Planning and Design 24(2). London: Pion. p. 159-164.
BATTY, M.; XIE Y. (1994). From cells to cities. Environment and Planning B, Vol. 21, p. s31-s48.
BATTY, Michael (1998). Urban evolution on the desktop: simulation with the use of extended cellular automata. Environment and Planning A, v. 30. p. 1943-1967.
BAYÓN, D.; GASPARINI, P. (1977). Panorámica de la Arquitectura Latino-Americana. Bar-celona: Blume-Unesco. 215 p.
BAZANT, J. (2001). Lineamientos para el ordenamiento territorial de las periferias urbanas de la ciudad de México. Papeles de Población Vol. 27. p. 223-239. [ disponível em 17 de agosto de 2006 em http://redalyc.uaemex.mx/redalyc/pdf/112/11202709.pdf ]
BENENSON, Itzhak; TORRENS, Paul (2004). Geosimulation: object-based modeling of urban phenomena. Computers, Environment and Urban Systems 28. p. 1-8.
BIAN, Ling (2004). GIS for environmental modeling: an introduction. Computers, Environment and Urban Systems, Vol. 28, p. 171-173. [ disponível em 22 de junho de 2004 em www.elsevier.com/locate/compenvurbsys ]
BOIDO, Ghillermo (1999). Comentários acerca de la obra. In: BUZAI, Gustavo. Geografía global: el paradigma geotecnológico y el espacio interdisciplinario em la interpretación del mundo del siglo XXI. Buenos Aires: Lugar Editorial. pp. 13-14.
BUZAI, Gustavo D. (1999). Geografía global: el paradigma geotecnológico y el espacio inter-disciplinario em la interpretación del mundo del siglo XXI. Buenos Aires: Lugar Editorial. 216 p.
CÂMARA, Gilberto (2001). Análise espacial de dados geográficos: uma visão introdutória. São José dos Campos: Inpe. 47p. [disponível em 15 de junho de 2002 em http://dpi.inpe.br/gilberto ] CERDÁN, Nelly (1999). Prólogo. In: BUZAI, Gustavo. Geografía global: el paradigma geotec-nológico y el espacio interdisciplinario em la interpretación del mundo del siglo XXI. Buenos Aires: Lugar Editorial. pp. 17-19.
CLARKE, K. C.; HOPPEN, S.; GAYDOS, L. (1997). A self-modifying cellular automaton model of historical urbanization in San Francisco Bay area. Environment and Planning B: Planning and Design 24. London: Pion. p. 247-262.
ECHENIQUE, M. (1999). SPARTACUS – System for Planningand Research in Townsand Cities for Urban Sustainability. [ disponível em 14 de setembro de 2006 em http://fpiv.meap.co.uk/fpiv/spartacu.htm ]
ECK, D. J. (2004). Cellular automata and the edge of chaos. Hobart and William Smith Colleges [ disponível em 31 de agosto de 2006 em http://math.hws.edu/xJava/autômatos celulares/ ]
EHLEN, Judy; CALDWELL, Douglas; HARDING, Stephem (2002). GeoComputation: what is it ? Computers, Environment and Urban Systems v.26. p. 257-265. [ disponível em 5 de dezembro de 2002 em www.elsevier.com /locate/ compenvurbsys ]
FERNANDES, E. (1997). Access to urban land and housing in Brazil: three degrees of illegali-ty. Lincoln Institute of Land Policy. 33 p. [ disponível em 31 de agosto de 2006, em http://www.lincolninst.edu/pubs/pub-detail.asp?id=130 ]
FRANK, N. (2000). Exploring sprawl: findings of a comprehensive review of the literature related to “sprawl” or what do we really know ? Association of Collegiate Schools of Planning,
Atlanta, Georgia. [ dispinível em 9 de setembro de 2003 em
http://www.wisconsinplanners.org/SmartGrowth/index.htm ]
GRECO, Alessandro (2002). A nova ciência de Stephem Wolfran. Folha de São Paulo Mais! de 30 de junho de 2002. p. 20-22.
HARVEY, D. (1985). The urbanization of capital. Oxford: Blackwells.
HARVEY, D. (1989). Condição pós-moderna. Tradução de Adail Sobral e Maria Gonçalves. São Paulo: Loyola, 1993.
HOLLAND, J. (1998). Emergence: from chaos to order. Redwood City, California: Addison-Wesley.
KRAFTA, R. (1999). Spatial self-organization and the production of the city. Urbana 24. Cara-cas: IFA/LUZ. p. 49-62.
LAGO, L. (2000). Estado del arte en los estudios de segregacion residencial urbana. Rio de Janeiro: IPPUR. 9 p.
LAMAS, J. (1993). Morfologia urbana e desenho da cidade. Lisboa: Dinalivro. 563 p.
LIU, X.; ANDERSSON, C. (2004). Assessing the impact of temporal dynamics on land-use change modeling. Computers, Environment and Urban Systems v. 28. p. 107-124. [ disponível em www.elsevier.com/locate/compenvurbsys , em 02 de dezembro de 2003 ]
LONGLEY, Paul . A.; GOODCHILD, M. F.; MAGUIRE, D. J.; RHIND, D. W. (2001). Geograph-ic information systems and science. ChGeograph-iceste r: John Wiley and Sons.
MADDOX, John (1983). Simulating the Replication of Life. Nature n. 305. [disponível em 17 de julho de 2002 www.StephemWolfram.com ]
MARICATO, E. (1979). A Produção Capitalista da Casa e da Cidade no Brasil Industrial. São Paulo: Alfa-Ômega.
MARTIN, L.; MARCH, L.; ECHENIQUE, M. (1972). La Estructura del Espacio Urbano. Tra-ducción de Francisco Molina. Barcelona: Ed. Gustavo Gilli, 1975. 376 p.
O’SULLIVAN, D. (2001). Complex spatial systems: the modelling foundations of urban and regional analysis. Environment and Planning B: Planning and Design 2001, Vol. 28. London: Pion. p. 475-478.
O’SULLIVAN, David (2001). Graph-cellular automata: a generalised discrete urban and re-gional model. Environment and Planning B: Planning and Design 28. London: Pion. p. 687-705. PARTON, W. J. (1996). The Century Model. In: Evaluation of the Soil Organic Matter Models using Existing Long-term Datasets. Berlim: Springer. pp. 283-296.
PIQUET, R.; RIBEIRO, A. (1991). Brasil, território da desigualdade: descaminhos da moder-nização. Rio de Janeiro: Zahar.
POLIDORI, M. C. (2004). Crescimento urbano e ambiente – Um estudo exploratório sobre as transformações e o futuro da cidade. Tese de Doutorado. Porto Alegre: UFRGS – PPGECO. 352 p.
POLIDORI, M. C. (2007). Crescimento urbano: emergência e padrões espaciais. I Congresso Brasileiro de Geoprocessamento e XXIII Congresso Brasileiro de Cartografia. Rio de Janeiro: Soci-edade Brasileira de Cartografia, Geodésia, Fotogrametria e Sensoriamento Remoto. 9 p.
POLIDORI, M. C.; Krafta, R. (2004). Simulação de crescimento da cidade integrando fatores urbanos e naturais. Seminário “A questão ambiental urbana: experiências e perspectivas”. Mídia digital. Brasília: UnB, NEUR, CEAM - Institut de Recherche pour le Devéloppement. 19 p.
PORTUGALI, J. (1997). Self-organizing cities. Futures, v. 29 nº 4/5. Great Britain: Elsevier Science. p. 353-380.
PORTUGALI, J. (2000). Self-organization and the city. Berlin: Springer. 352 p.
SPELLERBERG, I. F. (1994). Evaluation and assessment for conservation. New York: Chapman and Hall Inc. 259 p.
TEKLEMBURG, J.; TIMMERMANS, H.; BORGES, A. (1997): Design tools in a integrated CAD-GIS environment: space syntax as an example. In: Timmermans, Harry (Ed). Decision support systems in urban planning. London: E & FN Spon. p. 261-276.
TORRENS, P. (2000). How land-use-transportation models work.. London: Casa, UCL. 75 p. [disponível em 19 de abril de 2002 em http://www.casa.ucl.ac.uk/working_papers.htm ]
TORRENS, P. (2000). How cellular models of urban systems work. London: Casa, UCL. 68 p. [disponível em 8 de dezembro de 2001 em http://casa.ucl.ac.uk/working_papers.htm ]
WADELL, P. ; ALBERTI, M. (1998). Integration of an urban simulation model and an urban ecosystems model. In: Proccedings of International Conference on Modeling Geographical and Environmental Systems with GIS.
WARD, D.P.; MURRAY, A.T.; PHINN, S.R. (2000). A stochastically constrained cellular model of urban groth. Computers, Environment and Urban Systems v. 24. p. 539-558. [disponível em 15 de junho de 2002 em www.elsevier.com/locate/compenvurbsys ]
WHITE, R, et al. (1999). Developing an urban land use simulator for european cities. Memorial University of Newfoundland, Department of Geography. 8 p. [ disponível em 1 de novembro de 2004 em http://www.dpi.inpe.br/cursos/tutoriais/modelagem/referencias/ ]
WHITE, R; ENGELEN, G. (2000). High-resolution integrated of the spatial dynamics of urban and régional systems. Computers, Environment and Urban Systems v. 24. p. 383-400. [disponível em 14 de dezembro de 2002 em www.elsevier.com/locate/compenvurbsys ]
WOLFRAN, Stephem (1983). The statistical mechanics of cellular automata. Review of Modern Physics, 55:601-643. [ disponível em 03 de novembro de 2003 em http://www.stephenwolfran.com/publications/articles/ca/ ]
WOLFRAN, Stephem (1985). Two-dimensional cellular automata. London: Stephem Wolfran
Publications. [disponível em 15 de agosto de 2002 em
http://www.StephemWolfran.com/publications/articles/ca/85-two]
WOLFRAN, Stephem (1994). Cellular automata and complexity: collected papers. London: Stephem Wolfran Publications. 596 p. [ disponível em 17 de setembro de 2002 em http://www.StephemWolfran.com/publications/books/ ]
WOLFRAN, Stephem (2002). A new kind of science. London: Stephem Wolfran Publications.
1197 p. [ disponível em 22 de outubro de 2002 em
http://www.StephemWolfran.com/publications/books/ ]
WU, Fulong (1996). A linguistic cellular automata simulation approach for sustainable land development in a fast growin region. Computers, Environment and Urban Systems Vol. 20(6). p. 367-387. [ disponível em em 05 de setembro de 2003 em www.elsevier.com/locate/compenvurbsys ]
XIE, Y.; SUN, Z. (2000). Dynamic Urban Evolution Model Based on Cellular Automata. Ypsi-lanti: Igre. [ disponível em 24 de janeiro de 2003 em http://ceita.emich.edu ]
YU, K. (1996). Security patterns and surface model in landscape ecological planning. Land-scape and urban planning, v. 36. Great Britain: Elsevier Science. p. 1-17.
a b c d
Fig.1: inputs utilizados no experimento com variações no valor das tensões, para simular formação de perife-rias; a) carregamentos com valor igual a 1, com quatro células no centro do grid; b) resistências aleatórias com valores de 1 a 2; c) resistências com valores de 1, 2, 3, 4, 5, 6 e 7; d) superposição dos carregamentos e
das resistências com valores de 1, 2, 3, 4, 5, 6 e 7.
a b c d
e f g h
i j l m
Fig.2: outputs das simulações com distribuições de tensões de 20% para todos os tipos (axial, axial de buffer, polar, difuso tipo 1 e difuso tipo 2; a) células urbanas na iteração 1; b) células urbanas na iteração 32; c)
car-regamentos urbanos na iteração 1; d) carcar-regamentos urbanos na iteração 32; e) centralidade na iteração 1; f) centralidade na iteração 32; g) centralidade normalizada na iteração 1; h) centralidade normalizada na iteração
32; i) potencial na iteração 1; j) potencial na iteração 32; l) atributos naturais na iteração 1; m) atributos natu-rais na iteração 32.
a b c d
e f g h
i j l m
Fig. 3: outputs das simulações com distribuições de tensões de 100% para difuso tipo 1; a) células urbanas na iteração 1; b) células urbanas na iteração 32; c) carregamentos urbanos na iteração 1; d) carregamentos urba-nos na iteração 32; e) centralidade na iteração 1; f) centralidade na iteração 32; g) centralidade normalizada na iteração 1; h) centralidade normalizada na iteração 32; i) potencial na iteração 1; j) potencial na iteração 32; l)
atributos naturais na iteração 1; m) atributos naturais na iteração 32.
a b c d
e f g h
i j l m
Fig. 4: outputs das simulações com distribuições de tensões de 100% para difuso tipo 2; a) células urbanas na iteração 1; b) células urbanas na iteração 32; c) carregamentos urbanos na iteração 1; d) carregamentos urba-nos na iteração 32; d) centralidade na iteração 1; f) centralidade na iteração 32; g) centralidade normalizada na
iteração 1; h) centralidade normalizada na iteração 32; i) potencial na iteração 1; j) potencial na iteração 32; l) atributos naturais na iteração 1; m) atributos naturais na iteração 32.
a b Fig. 5: comparação dos resultados das simulação para o caso de periferias do tipo urban sprawl (traço verme-lho) e tipo ocupação de baixa renda (traço azul); a) fragmentação relativa (traço largo) e compacidade relativa
(traço fino), em 32 iterações; b) valor do carregamento urbano na iteração 32, mostrando as linhas de tendên-cia (traço largo, em primeiro plano) e o valor para cada célula (traço fino, em segundo plano).
Coluna 1 Coluna 2 Coluna 3
a1 a2 = a3
b1 b2 = b3
Fig. 6: localização provável de periferias urbanas (slides da coluna 3), considerando a distribuição centralida-des (slicentralida-des da coluna 1) carregamentos urbanos (slicentralida-des da coluna 2), a partir de álgebra de mapas, na iteração 32; a) para o caso de periferias do tipo urban sprawl; b) para o caso de periferias do tipo baixa renda;pra
me-lhorar a nitidez, os carregamentos urbanos e as centralidades estão mostrados por 1/4 do desvio padrão da média; os resultados estão mostrados de modo booleano.
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,15 0,17 0,19 0,21 0,23 0,25 0,27 0,29
