Spatial Dynamical Modelling with TerraME (lectures 3 – 4) Gilberto Câmara Dynamic areas (current and future) Escada et al. (2005) New Frontiers INPE 2003/2004: Intense Pressure Future expansion Deforestation Forest Non-forest Clouds/no data Amazonian new frontier hypothesis (Becker) “The actual frontiers are different from the 60’s and the 70’s In the past it was induced by Brazilian government to expand regional economy and population, aiming to integrate Amazônia with the whole country. Today, induced mostly by private economic interests and concentrated on focus areas in different regions. Modelling Land Change in Amazonia Territory (Geography) Money (Economy) Modelling (GIScience) Culture (Antropology) Challenge: How do people use space? Soybeans Loggers Competition for Space Small-scale Farming Source: Dan Nepstad (Woods Hole) Ranchers What Drives Tropical Deforestation? % of the cases 5% 10% 50% Underlying Factors driving proximate causes Causative interlinkages at proximate/underlying levels Internal drivers *If less than 5%of cases, not depicted here. source:Geist &Lambin (Université Louvain) Land-Use modelling example Vale do Anari (Rondonia.mdb database) Small-scale government planned rural settlement in Vale do Anari (RO), established in 1982 and land parcels sized around 50 ha TYPOLOGY OF LAND CHANGE ACTORS IN VALE DO ANARI REGION Land use patterns Spatial distribution Clearing size Variable Actors Main land use Linear (LIN) Roadside Irregular (IRR) Near main Small settlements (< 50 ha) and main roads Regular (REG) Near main Medium and Midsized Cattle settlements large and large ranching and main (> 50 ha) farms roads irregular Description Small households Subsistence Settlement parcels less than agriculture 50 ha. Deforestation uses linear patterns following government planning. Small farmers Cattle ranching and subsistence agriculture linear Settlement parcels less than 50 ha. Irregular clearings near roads following settlement parcels. Patterns produced by land concentration. regular Vale do Anari – 1985 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1985 - 1988 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1988 - 1991 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1991 - 1994 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1994 - 1997 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1997 - 2000 source: Escada (2006) Pattern type Geometrical Irregular Linear Vale do Anari – 1985 - 2000 source: Escada (2006) Pattern type Geometrical Irregular Linear Can you grow it? Anari -1985 Anari -1995 Anari -2000 1. Simple diffusive model: number of deforested neighbours 2. Diffusive model: : number of deforested neighbours + additional factors 3. Statistical model without neighbours 4. Statistical model with neighbours Can you grow it? Anari -1985 Anari -1995 Anari -2000 -- CONSTANTS (MODEL PARAMETERS) CELL_AREA = 0.25; -- 500 x 500 meters or 0.25 km2 DEMAND= 500; -- 100 km2 Vale do Anari (1985) Vale do Anari (1995) Vale do Anari (2000) Pattern type Geometrical Irregular Linear General outline of land change models Calculate potential for change Order cells according to potential Demand for change Allocate change on cells Spatial Iterator in TerraME it = SpatialIterator { csQ, function(cell) return cell.champion == “Brazil”; end } Ordering cells in TerraME Demand for change Calculate potential for change Order cells according to potential Allocate change on cells -- Step 2: Order cells according to potential it = SpatialIterator { csQ, function(cell) return cell.pot > 0; end, function (c1,c2) return c1.pot > c2.pot; end } -- Step 3: allocate changes to most suitable cells count = 0; for i, cell in pairs( it.cells ) do if (count < num_cells_ch) and (count < it.count) then cell.cover_ = "deforested"; count = count + 1; end Exercise 1 – Simple diffusive model Expansion based on neighbourhood potential More deforested neigbours, more potential for change Exercise 2 – Modified diffusive model Expansion based on five factors: 1. Neighbourhood potential 2. Distance to main road (dist_rodovia_BR) 3. Distance to primary side roads (dist_ramal_princ) 4. Distance to secondary side roads (dist_ramal_sec) 5. Distance to urban centers (dist_urban) main road primary side road secondary side road Exercise 3 – Neighbourhood + regression Expansion based on two factors: 1. Neighbourhood potential (50%) 2. Linear regression (50%) poti= - 0.0012* dist_rodovia_BR - 0.06* dist_ramal_princ - 0.003* dist_ramal_sec (normalize to [0,1]) Simple Linear Regression 20 18 16 14 12 10 8 6 4 2 0 -0.5 R2= 0.43 0 forest 0.5 1 deforested 1.5 Exercise 4 – Spatial regression Expansion based on spatial regression (includes neighbourhoods) poti = 0.173*num_deforested_neigh -0.1 * math.log10 (cell.dist_rodovia_BR/1000) + 0.053*math.log10 (cell.dist_ramal_princ/1000) -0.157 * math.log10 (cell.dist_ramal_sec/1000) (normalize to [0,1]) Exercise 4 – Spatial Regression R2= 0.84 Aula 9 – Modelo Bayesiano Tiago Carneiro Gilberto Câmara Método Bayesiano Conceitos do método probabilidade a priori probabilidade a posteriori Probabilidade a priori – o que sei quando tenho informação geral e não conheço os dados Probabilidade a posteriori – o que sei a mais quando tenho informação adicional Teorema de Bayes Chove 60 dias por ano em Campos do Jordão Será que vai chover amanhã? Probabilidade a priori = 60/360 = 0.15 Será que vai chover amanhã, dado que estamos no verão? Sabemos que metade dos dias de chuva em Campos ocorrem no verão Probabilidade a posteriori = (30/60) = 0.5 Teorema de Bayes P(C V ) P(C | V ) P(V ) Prob (chuva no verão) = (dias de chuva no verão)/(dias de verão) Dinâmica - Arquitetura http://www.csr.ufmg.br/ Teorema de Bayes aplicado ao espaço Área de Estudo, E Evidência: Distancia, D = pres. Evento: Floresta_Desmate, FD Evidência: Distancia, ~D = aus. Usar evidências adicionais para aumentar a informação disponível Quanto maior for a intersecção entre a área da evidência e o evento, maior será o peso da evidência Teorema de Bayes aplicado a uma evidência P( E1 | T ) P(T | E1 ) P(T ) P( E1 ) P( E1 | T ) log(T | E1 ) logP(T ) log P( E1 ) P( E1 | T ) pot(T | E1 ) log P( E1 ) Teorema de Bayes aplicado a duas evidências P( E1 | T ) P( E2 | T ) P(T | E1 E2 ) P(T ) P( E1 ) P( E2 ) P( E1 | T ) P( E2 | T ) pot( P(T | E1 E2 )) log log P( E1 ) P( E2 ) Teorema de Bayes aplicado a uma evidência e uma ausência P( E1 | T ) P( E2 | T ) P(T | E1 E2 ) P(T ) P( E1 ) P( E2 ) P( E1 | T ) P( E2 | T ) pot( P(T | E1 E2 )) log log P( E1 ) P( E2 ) Teorema de Bayes aplicado a duas evidências P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) Como calcular as probabilidades (caso discreto)? P( E1 | T ) N ( E1 T ) / NT P( E1 ) N ( E1 ) / NT P( E1 | T ) N ( E1 T ) P( E1 ) N ( E1) Influencia adicional de uma evidência = ocorrências conjuntas / total de ocorrências Como calcular as probabilidades (caso discreto)? P( E1 | T ) N ( E 1 T ) / N T P( E1 ) N ( E1 ) / N T P( E1 | T ) N ( E 1 T ) P( E1 ) N ( E 1) Influencia de ausência de evidência = eventos sem evidência / total de ausências Como calcular as probabilidades (caso contínuo)? P( E1 | T ) pot (T | E1 ) log P( E1 ) Caso mais simples – potencial baseado em distâncias Considerar que P(E1) – probabilidade da evidência não condicionada é uma distribuição normal P(E1| T) – probabilidade da evidência condicionada à transição é uma distribuição fuzzy Distribuição Fuzzy para o caso de distâncias 1,2 1 0,8 0,6 Distancia 0,4 U(x) = 1 se x , 0,2 Valor máximo 16 0 12 0 90 70 50 20 0 Valor mínimo U(x) = 1/[1+ (x )2], se x > . = 1/(z0.5 )2 Exercício Simples – Modelo Bayesiano Vale do Anari 1995 projetado para 2000 Baseado nas transições 1985-1995 Três parâmetros Distância à estrada principal Distância às estradas secundárias Distância às estradas vicinais Usa as probabilidades bayesianas contínuas (não é pesos de evidência) Dados – Vale do Anari (1985) Vale do Anari (1995) Vale do Anari em 2000 (dado real) Geométrico Irregular Linear Vale do Anari (1995 projetado para 2000) Bayes Exercício 4 - Anari 1995 projetado para 2000 (estatístico) Comparação Bayes - estatístico Uso de probabilidade bayesiana é promissor Resultados preliminares são encorajadores Sugestão do Tiago: patcher e expander Patcher: Antes da mudança verificar se na vizinhança existe alguma células desflorestada. Caso exista, esta célula deve ser desconsiderada. Expander: Exatamente o contrário. Devo selecionar somente as células cujas vizinhanças possuem células desflorestada. Aula 9 – Modelo Bayesiano Tiago Carneiro Gilberto Câmara Modelos Estocásticos – DINAMICA Modelos Estocásticos – DINAMICA Modelos Estocásticos – DINAMICA Modelos Estocásticos – DINAMICA Modelos Estocásticos – DINAMICA Módulo externo: VENSIM (Soares Filho et al., 2002) Modelos Estocásticos – DINAMICA Dinamica (Soares Fº e CSR,1998): Modelo de Mudanças da Paisagem SIMULAÇÕES TERRA NOVA 1986 - 1994 (MT) SIMULAÇÃO 1 SIMULAÇÃO 2 PAISAGEM OBSERVADA - 1994 regeneração desmatamento mata Modelos Estocásticos – DINAMICA Dinamica (Soares Fº e CSR,1998): Cenários da Amazônia Cenário: “Governance” Cenário: “Business as Usual” Modelos Estocásticos – DINAMICA Simulação de Uso do Solo Urbano: Bauru, SP Método Peso de Evidências S1 S2 Dados de uso do solo urbano para calibração S3 Conjunto de evidências. Ex: densidade de estabelecimentos comerciais Simulações Fonte: RIKS, 2000 Almeida, 2001 Modelos Estocásticos – DINAMICA Simulação de Uso do Solo Intra-Urbano: Savassi – Belo Horizonte, MG Godoy, 2004 Modelos Estocásticos – DINAMICA Funcionalidades Estrutura aberta: suporta diferentes aplicações (floresta, urbano, águas, dispersão de fogo etc.). Modelo aberto a diferentes parametrizações (pesos de evidência, regressão logística, redes neurais, MCE, árvore de decisão etc.). Algoritmos de transição por expansão ou nucleação. Algoritmo genético para definição das melhores faixas de distância. Módulo: construtor de estradas (temporalidade da variável de entrada) um modelo de CA embutido em um modelo de CA. Modelo externo de probabilidades globais de transição permitem a geração de cenários variados. Método Bayesiano Conceitos do método probabilidade a priori probabilidade a posteriori Probabilidade a priori – o que sei quando tenho informação geral e não conheço os dados Probabilidade a posteriori – o que sei a mais quando tenho informação adicional Teorema de Bayes Chove 60 dias por ano em Campos do Jordão Será que vai chover amanhã? Probabilidade a priori = 60/360 = 0.15 Será que vai chover amanhã, dado que estamos no verão? Sabemos que metade dos dias de chuva em Campos ocorrem no verão Probabilidade a posteriori = (30/60) = 0.5 Teorema de Bayes P(C V ) P(C | V ) P(V ) Prob (chuva no verão) = (dias de chuva no verão)/(dias de verão) Dinâmica - Arquitetura http://www.csr.ufmg.br/ Teorema de Bayes aplicado ao espaço Área de Estudo, E Evidência: Distancia, D = pres. Evento: Floresta_Desmate, FD Evidência: Distancia, ~D = aus. Usar evidências adicionais para aumentar a informação disponível Quanto maior for a intersecção entre a área da evidência e o evento, maior será o peso da evidência Teorema de Bayes aplicado a uma evidência P( E1 | T ) P(T | E1 ) P(T ) P( E1 ) P( E1 | T ) log(T | E1 ) logP(T ) log P( E1 ) P( E1 | T ) pot(T | E1 ) log P( E1 ) Teorema de Bayes aplicado a duas evidências P( E1 | T ) P( E2 | T ) P(T | E1 E2 ) P(T ) P( E1 ) P( E2 ) P( E1 | T ) P( E2 | T ) pot( P(T | E1 E2 )) log log P( E1 ) P( E2 ) Teorema de Bayes aplicado a uma evidência e uma ausência P( E1 | T ) P( E2 | T ) P(T | E1 E2 ) P(T ) P( E1 ) P( E2 ) P( E1 | T ) P( E2 | T ) pot( P(T | E1 E2 )) log log P( E1 ) P( E2 ) Teorema de Bayes aplicado a duas evidências P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) P( E1 | T ) P ( E2 | T ) pot(T | E1 E2 ) log log P( E1 ) P ( E2 ) Como calcular as probabilidades (caso discreto)? P( E1 | T ) N ( E1 T ) / NT P( E1 ) N ( E1 ) / NT P( E1 | T ) N ( E1 T ) P( E1 ) N ( E1) Influencia adicional de uma evidência = ocorrências conjuntas / total de ocorrências Como calcular as probabilidades (caso discreto)? P( E1 | T ) N ( E 1 T ) / N T P( E1 ) N ( E1 ) / N T P( E1 | T ) N ( E 1 T ) P( E1 ) N ( E 1) Influencia de ausência de evidência = eventos sem evidência / total de ausências Como calcular as probabilidades (caso contínuo)? P( E1 | T ) pot (T | E1 ) log P( E1 ) Caso mais simples – potencial baseado em distâncias Considerar que P(E1) – probabilidade da evidência não condicionada é uma distribuição normal P(E1| T) – probabilidade da evidência condicionada à transição é uma distribuição fuzzy Distribuição Fuzzy para o caso de distâncias 1,2 1 0,8 0,6 Distancia 0,4 U(x) = 1 se x , 0,2 Valor máximo 16 0 12 0 90 70 50 20 0 Valor mínimo U(x) = 1/[1+ (x )2], se x > . = 1/(z0.5 )2 Exercício Simples – Modelo Bayesiano Vale do Anari 1995 projetado para 2000 Baseado nas transições 1985-1995 Três parâmetros Distância à estrada principal Distância às estradas secundárias Distância às estradas vicinais Usa as probabilidades bayesianas contínuas (não é pesos de evidência) Dados – Vale do Anari (1985) Vale do Anari (1995) Vale do Anari em 2000 (dado real) Geométrico Irregular Linear Vale do Anari (1995 projetado para 2000) Bayes Exercício 4 - Anari 1995 projetado para 2000 (estatístico) Comparação Bayes - estatístico Uso de probabilidade bayesiana é promissor Resultados preliminares são encorajadores Idéia – fazer mais experimentos