Nome do Projeto
Análise Exploratória Espacial da Arborização de Vias em Áreas Urbanizadas: estudo do Rio Grande do Sul Brasil
Ênfase
Pesquisa
Data inicial - Data final
31/12/2022 - 31/12/2024
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências Sociais Aplicadas
Resumo
A arborização consiste em elemento de fundamental importância para a vida urbana. Ela provê vários benefícios às cidades, no sentido em que apoia comunidades saudáveis, e fornece benefícios sociais, econômicos e ambientais. Essa pesquisa objetiva investigar o padrão da distribuição espacial da arborização viária em áreas urbanizadas dos municípios do Rio Grande do Sul, Brasil, sua relação com a temperatura média local e com as as tipologias climáticas do estado. Foram utilizados dados do IBGE sobre arborização de vias em áreas urbanizadas.A análise espacial será realizada através do Índice Global Moran para dados globais e Indicadores Locais de Associação Espacial (LISA) para os 497 municípios do estado.
Objetivo Geral
investigar o padrão da distribuição espacial da arborização viária em áreas urbanizadas dos municípios do Rio Grande do Sul, Brasil, sua relação com a temperatura média local e com as as tipologias climáticas do estado.
Justificativa
Atualmente, o Rio Grande do Sul apresenta 497 municípios. O Censo do IBGE mostra que mais de 85% da sua população vive em áreas urbanas (IBGE, 2010). Dessa forma, grande parte dessas cidades têm sérios problemas, dentre eles a pouca cobertura vegetal.
Na busca de melhores condições de vida para os seus habitantes, o conhecimento e a análise das estruturas das cidades e suas funções, através das óticas econômica, social e ambiental, são pré-requisitos básicos para o planejamento e administração das áreas urbanas. Nesse contexto, a arborização urbana assume importância particular.
De acordo com Donovan (2017), Moreira et al. (2020), Wolf et al. (2020), a arborização, ao mesmo tempo em que caracteriza e identifica as vias das cidades aumenta a interação da comunidade e valor das propriedades desempenhando um papel fundamental no apoio às comunidades urbanas saudáveis.
Ela também contribui para a biodiversidade fornecendo alimentos, habitat e conectividade de paisagem para a fauna urbana, aumentando a habitabilidade das cidades, reduzindo o escoamento das águas pluviais, melhorando a qualidade do ar, armazenando carbono, proporcionando sombra e melhorando o efeito urbano das ilhas de calor (BURDEN, 2006; ALVEY, 2006; WOOD E ESAIAN, 2020; BERTHON et al., 2021).
Conforme Tallis et al. (2011), Zardo et al. (2017), Préndez, et al. (2018), as árvores são particularmente eficazes para diminuir o ruído e captar poluentes atmosféricos, incluindo ozônio, óxidos de nitrogênio, óxidos de enxofre, dióxido de enxofre, monóxido de carbono, dióxido de carbono (CO2) podendo reduzir as temperaturas diurnas entre 5◦C e 20◦C, tornando as atividades cotidianas mais prazerosas e mais saudáveis.
A importância dessa pesquisa está em poder vir a servir de base principalmente para planejamento e gestão tanto a nível municipal, como estadual. E por fim, melhorar, a qualidade de vida e justiça ambiental da população urbana do estado do Rio Grande do Sul.
Na busca de melhores condições de vida para os seus habitantes, o conhecimento e a análise das estruturas das cidades e suas funções, através das óticas econômica, social e ambiental, são pré-requisitos básicos para o planejamento e administração das áreas urbanas. Nesse contexto, a arborização urbana assume importância particular.
De acordo com Donovan (2017), Moreira et al. (2020), Wolf et al. (2020), a arborização, ao mesmo tempo em que caracteriza e identifica as vias das cidades aumenta a interação da comunidade e valor das propriedades desempenhando um papel fundamental no apoio às comunidades urbanas saudáveis.
Ela também contribui para a biodiversidade fornecendo alimentos, habitat e conectividade de paisagem para a fauna urbana, aumentando a habitabilidade das cidades, reduzindo o escoamento das águas pluviais, melhorando a qualidade do ar, armazenando carbono, proporcionando sombra e melhorando o efeito urbano das ilhas de calor (BURDEN, 2006; ALVEY, 2006; WOOD E ESAIAN, 2020; BERTHON et al., 2021).
Conforme Tallis et al. (2011), Zardo et al. (2017), Préndez, et al. (2018), as árvores são particularmente eficazes para diminuir o ruído e captar poluentes atmosféricos, incluindo ozônio, óxidos de nitrogênio, óxidos de enxofre, dióxido de enxofre, monóxido de carbono, dióxido de carbono (CO2) podendo reduzir as temperaturas diurnas entre 5◦C e 20◦C, tornando as atividades cotidianas mais prazerosas e mais saudáveis.
A importância dessa pesquisa está em poder vir a servir de base principalmente para planejamento e gestão tanto a nível municipal, como estadual. E por fim, melhorar, a qualidade de vida e justiça ambiental da população urbana do estado do Rio Grande do Sul.
Metodologia
O estudo trata de análise espacial que buscará estimar as taxas de arborização de vias das áreas urbanizadas dos municípios do Rio Grande do Sul além de avaliar a correlação de taxas de prevalência da arborização de vias entre os municípios vizinhos. Para realização das análises serão considerados os casos identificados de arborização de vias no Rio Grande do Sul em 2010 utilizando os dados do último Censo demográfico.
Neste estudo, será utilizado o nível de significância de 95% e 99 permutações, ou seja, serão áreas com autocorrelação espacial estatisticamente significativa aquelas cujo valor-p for menor ou igual a 0,05. Ao final, foram elaborados mapas temáticos para melhor visualização e compreensão dos dados por meio do software QGIS 2.8.3
Para verificar se a distribuição dos casos de arborização de vias das áreas urbanizadas por município ocorre de maneira aleatória no espaço, ou se a ocorrência de casos nos municípios influência a ocorrência de casos em municípios vizinhos, será utilizado o software GeoDa versão 1.4.1. Para essa análise espacial, será utilizado o Índice Global de Moran (I) e os Indicadores Locais de Associação Espacial (Lisa) a fim de observar os dados locais dos municípios do Rio Grande do Sul.
Os índices de Moran Global (I) e Lisa identificam autocorrelação espacial que mede a relação entre observações com proximidade espacial, considerando que observações próximas espacialmente possuem valores parecidos. Os indicadores globais de autocorrelação espacial (Moran I) fornecem uma única medida para o conjunto de todos os municípios, caracterizando toda a região de estudo. Para esse cálculo, será realizada uma autocorrelação espacial, como uma covariância, a partir do produto dos desvios em relação à média. Esse índice testa se as áreas vizinhas apresentam maior semelhança quanto ao indicador estudado do que se espera ao acaso. O resultado de I varia de -1 a +1, em que valores positives (entre 0 e +1) indicam autocorrelação, ou seja, o objeto tende a ser semelhante aos valores dos seus vizinhos, enquanto valores negativos (entre 0 e -1) correspondem a uma correlação inversa, ou seja, o valor do atributo em uma região não é dependente dos valores dessa mesma variável em áreas diferentes. Segundo Druck et al. (2005), o índice global de Moran representa a autocorrelação considerando apenas o primeiro vizinho. Os padrões de distribuição dos indicadores foram examinados em menor escala por meio dos Lisa, produzindo um valor específico para cada município e permitindo a visualização de agrupamentos de municípios com valores similares para os indicadores selecionados. Correlações do tipo High-High mostram municípios com altas proporções do indicador, cercados de outros municípios também com altas proporções do mesmo indicador; as do tipo Low-Low indicam municípios com baixa proporção, cercados por municípios com baixa proporção do mesmo indicador; as do tipo High-Low denotam municípios com alta proporção, cercados por municípios com baixa proporção desse indicador; e as do tipo Low-High descrevem municípios com baixa proporção, cercados de municípios com alta proporção do mesmo indicador.
Os dados serão apresentados segundo o diagrama de espalhamento de Moran. Esse diagrama é um gráfico de dispersão entre os valores padronizados dos atributos (variáveis) z e a média dos vizinhos (também padronizados) wz, que é dividido em quadrantes.
Segundo Druck et al. (2005), esses quadrantes podem ser assim interpretados: Q1 (valores e médias positivas) e Q2 (valores e médias negativas) apontam áreas de autocorrelação espacial positiva, indicando similaridade entre os valores do atributo e da localização especial do atributo, enquanto Q3 (valores positivos, médias negativas) e Q4 (valores negativos, médias positivas) apontam áreas de associação espacial negativa, indicando dissimilaridade entre os valores do atributo e da localização especial do atributo.
Nesse sentido, os dados descritos acima serão confrontados com as tipologias de clima do Rio Grande do Sul Rossato, (2011), bem como, a variação de temperatura no Rio Grande do Sul (WREGE et al., 2012).
Neste estudo, será utilizado o nível de significância de 95% e 99 permutações, ou seja, serão áreas com autocorrelação espacial estatisticamente significativa aquelas cujo valor-p for menor ou igual a 0,05. Ao final, foram elaborados mapas temáticos para melhor visualização e compreensão dos dados por meio do software QGIS 2.8.3
Para verificar se a distribuição dos casos de arborização de vias das áreas urbanizadas por município ocorre de maneira aleatória no espaço, ou se a ocorrência de casos nos municípios influência a ocorrência de casos em municípios vizinhos, será utilizado o software GeoDa versão 1.4.1. Para essa análise espacial, será utilizado o Índice Global de Moran (I) e os Indicadores Locais de Associação Espacial (Lisa) a fim de observar os dados locais dos municípios do Rio Grande do Sul.
Os índices de Moran Global (I) e Lisa identificam autocorrelação espacial que mede a relação entre observações com proximidade espacial, considerando que observações próximas espacialmente possuem valores parecidos. Os indicadores globais de autocorrelação espacial (Moran I) fornecem uma única medida para o conjunto de todos os municípios, caracterizando toda a região de estudo. Para esse cálculo, será realizada uma autocorrelação espacial, como uma covariância, a partir do produto dos desvios em relação à média. Esse índice testa se as áreas vizinhas apresentam maior semelhança quanto ao indicador estudado do que se espera ao acaso. O resultado de I varia de -1 a +1, em que valores positives (entre 0 e +1) indicam autocorrelação, ou seja, o objeto tende a ser semelhante aos valores dos seus vizinhos, enquanto valores negativos (entre 0 e -1) correspondem a uma correlação inversa, ou seja, o valor do atributo em uma região não é dependente dos valores dessa mesma variável em áreas diferentes. Segundo Druck et al. (2005), o índice global de Moran representa a autocorrelação considerando apenas o primeiro vizinho. Os padrões de distribuição dos indicadores foram examinados em menor escala por meio dos Lisa, produzindo um valor específico para cada município e permitindo a visualização de agrupamentos de municípios com valores similares para os indicadores selecionados. Correlações do tipo High-High mostram municípios com altas proporções do indicador, cercados de outros municípios também com altas proporções do mesmo indicador; as do tipo Low-Low indicam municípios com baixa proporção, cercados por municípios com baixa proporção do mesmo indicador; as do tipo High-Low denotam municípios com alta proporção, cercados por municípios com baixa proporção desse indicador; e as do tipo Low-High descrevem municípios com baixa proporção, cercados de municípios com alta proporção do mesmo indicador.
Os dados serão apresentados segundo o diagrama de espalhamento de Moran. Esse diagrama é um gráfico de dispersão entre os valores padronizados dos atributos (variáveis) z e a média dos vizinhos (também padronizados) wz, que é dividido em quadrantes.
Segundo Druck et al. (2005), esses quadrantes podem ser assim interpretados: Q1 (valores e médias positivas) e Q2 (valores e médias negativas) apontam áreas de autocorrelação espacial positiva, indicando similaridade entre os valores do atributo e da localização especial do atributo, enquanto Q3 (valores positivos, médias negativas) e Q4 (valores negativos, médias positivas) apontam áreas de associação espacial negativa, indicando dissimilaridade entre os valores do atributo e da localização especial do atributo.
Nesse sentido, os dados descritos acima serão confrontados com as tipologias de clima do Rio Grande do Sul Rossato, (2011), bem como, a variação de temperatura no Rio Grande do Sul (WREGE et al., 2012).
Indicadores, Metas e Resultados
Metas:
Realizar a pesquisa de abril de 2022 a abril de 2024.
2) Elaborar um artigo científico.
3) Publicar um artigo científico em uma revista indexada pelo Qualis Capes.
4) Aprofundar-se na pesquisa referente a urbanização e crescimento de cidades
Resultados esperados:
Espera-se que as informações geradas pela pesquisa sejam no sentido de identificar correlação da arborização viária de áreas urbanizadas dos municípios do Rio Grande do Sul e o clima, bem como a relação da espacialização de clusters espaciais.
Ressalta-se que os resultados obtidos poderão servir de subsídios para o planejamento e gestão, a nível regional no Rio Grande do Sul e o aprofundamento de pesquisas com o tema urbanização e meio ambiente.
Realizar a pesquisa de abril de 2022 a abril de 2024.
2) Elaborar um artigo científico.
3) Publicar um artigo científico em uma revista indexada pelo Qualis Capes.
4) Aprofundar-se na pesquisa referente a urbanização e crescimento de cidades
Resultados esperados:
Espera-se que as informações geradas pela pesquisa sejam no sentido de identificar correlação da arborização viária de áreas urbanizadas dos municípios do Rio Grande do Sul e o clima, bem como a relação da espacialização de clusters espaciais.
Ressalta-se que os resultados obtidos poderão servir de subsídios para o planejamento e gestão, a nível regional no Rio Grande do Sul e o aprofundamento de pesquisas com o tema urbanização e meio ambiente.
Equipe do Projeto
| Nome | CH Semanal | Data inicial | Data final |
|---|---|---|---|
| CLAURE MORRONE BARBAT PARFITT | 2 | ||
| Henrique Noguez da Cunha | |||
| NADIA CAMPOS PEREIRA BRUHN | 2 |