Determinação do potencial de transição com Random Forest em processos de expansão urbana em Curitiba e vetor leste da RMC

Abstract

Resumo: A partir do século XVIII a humanidade presenciou um deslocamento significativo de pessoas para os centros urbanos. Em 2010 a população da Região Metropolitana de Curitiba (RMC) era de 3,2 milhões de pessoas, em 2022 esse número chegou a 3,5 milhões de pessoas (IBGE, 2022). Maior ainda tem sido o crescimento da população excluída, alocada em condições vulneráveis de habitação. A rápida urbanização é motivo de uma crescente preocupação. Há uma necessidade urgente de desenvolver estratégias adequadas para gerenciar o crescimento urbano de forma sustentável (UN-Habitat, 2020). Modelos de simulação da expansão urbana é uma forma de compreender as cidades para fornecer dados para tomadores de decisões e planejamento urbano. Entre estes, os autômatos celulares (AC) têm sido amplamente aplicados (ZHOU et al., 2019). A região leste da RMC e Curitiba são um cenário relevante para estudos de expansão urbana devido ao rápido crescimento destas cidades e locais de importantes mananciais. O objetivo principal deste trabalho é desenvolver um modelo de simulação da expansão urbana com autômatos celulares, obtendo regras de transição por meio do Random Forest (RF). Uma das variáveis de entrada no modelo são a de área urbana, esta foi obtida da classificação das imagens Landsat da região, classificação que foi realizada por meio do classificador RF. Por meio da literatura e testes, outras variáveis, chamadas fatores direcionadores, foram produzidas. Estas variáveis e fatores direcionadores foram utilizados para determinar a regressão RF, e deste obter o potencial de transição de todos os pixels não urbanos de se tornarem urbanos depois de um período. Esse potencial de transição foi utilizado como regra de transição no modelo de AC, implementado em linguagem de programação Python. O modelo AC também inclui uma restrição para áreas onde não deve ocorrer o crescimento urbano, que neste caso são os corpos de água, e deste modelo obteve-se a simulação final da expansão urbana para um período de 5 anos em 4 diferentes períodos. Analisando as curva ROC (Receiver Operating Characteristic) para os resultados obtidos da regressão RF, é possível afirmar que o desempenho do modelo é bom, com o melhor valor de Área Sob a Curva (AUC) sendo 0,94. A matriz de erros entre a paisagem real e simulada mostra uma acurácia total alta, a menor sendo de 97,26%, e uma acurácia aceitável para novos pixels urbanos, a maior sendo de 45%. O valor da figura de mérito (FoM) se situa em patamares próximos a outros estudos (LV et al., 2021; KAMUSOKO e GAMBA, 2015; CHEN, 2022), atingindo o melhor valor de 0,29. A finalidade deste estudo foi de simular a expansão urbana com AC e RF e buscar diferentes fatores direcionadores que melhor modelam a expansão. Dentre as diversas métricas de avaliação utilizadas pode-se afirmar que os resultados do estudo foram bons, mostrando uma grande capacidade do RF de produzir um potencial de transição fiel à realidade.

Abstract: Since the XVIII century, humanity has witnessed a movement of people to urban centers. In 2010, the population of the Metropolitan Region of Curitiba (RMC) was 3.2 million people, in 2022 this number reached 3.5 million people (IBGE, 2022). Even greater has been the growth of the excluded population, allocated to vulnerable housing conditions. Rapid urbanization is a reason for growing concern. There is an urgent need to develop appropriate strategies to manage urban growth sustainably (UN-Habitat, 2020). Simulation models of urban expansion are a way of understanding cities to provide data for decision makers and urban planning. Among these, cellular automata (CA) have been widely applied (ZHOU et al., 2019). The eastern region of RMC and Curitiba are a relevant scenario for urban expansion studies due to the rapid growth of these cities and locations of important water sources. The main objective of this work is to develop a simulation model of urban expansion with cellular automata, obtaining transition rules through Random Forest (RF). One of the input layers in the model is the urban area, this was obtained from the classification of Landsat images of the region, a classification that was carried out using the RF classifier. Through literature and testing, other layers, called driving factors, were produced. These layers and driving factors were used to determine an RF regression, and from this obtain the transition potential of all non-urban pixels to become urban after a period. This transition potential was used as a transition rule in the CA model, implemented in the Python programming language. The CA model also includes a restriction for areas where urban growth should not occur, which in this case are bodies of water, and from this model the final simulation of urban expansion was obtained for a period of 5 years in 4 different seasons. Analyzing the ROC curves for the results obtained from the RF regression, it is possible to state that the model's performance is good, with the best AUC value being 0.94. The error matrix between the real and simulated landscape shows a high total accuracy, the lowest being 97.26%, and an acceptable accuracy for new urban pixels, the highest being 45%. The value of the figure of merit (FoM) is close to other studies, reaching the best value of 0.29. The purpose of this study was to simulate urban expansion with CA and RF and look for different driving factors that best model expansion. Among the various evaluation metrics used, it can be stated that the results of the study were good, showing the RF's great capacity to produce a transition potential faithful to reality.