9 Métricas da Paisagem
9.1 Por que quantificar a paisagem?
A descrição visual de uma paisagem (“muitos fragmentos pequenos”, “pouca floresta”, “manchas isoladas”) é insuficiente para a ciência e para o planejamento territorial. A quantificação da paisagem por meio de métricas (landscape metrics) permite comparações objetivas entre paisagens de regiões distintas, entre datas diferentes para uma mesma paisagem e entre cenários alternativos de uso do solo, fornecendo a base numérica para diagnósticos, monitoramento e tomada de decisão. As métricas traduzem a estrutura da paisagem (composição e configuração, conforme definidas no Capítulo 3) em números que podem ser submetidos a análises estatísticas, correlacionados a variáveis ecológicas (riqueza de espécies, taxa de extinção, fluxo gênico) e incorporados a modelos preditivos de cenários futuros.
O desenvolvimento de métricas da paisagem acelerou-se com a publicação do software FRAGSTATS (McGarigal et al., 2012), que consolidou dezenas de índices num ambiente computacional acessível e se tornou o padrão de facto para análise quantitativa da paisagem. Contudo, a disponibilidade de mais de 100 métricas gerou o risco de uso indiscriminado, no qual índices são calculados e reportados sem justificativa ecológica, fenômeno criticado por Li e Wu (2004) como “abuso de métricas” (metric misuse). A seleção criteriosa de métricas, guiada pela pergunta de pesquisa e pelo processo ecológico de interesse, é tão importante quanto o cálculo em si.
9.2 Níveis de análise
As métricas da paisagem são calculadas em três níveis hierárquicos, cada um respondendo a perguntas de escala diferente. O nível da mancha (patch level) quantifica atributos individuais de cada fragmento (área, perímetro, índice de forma, distância ao vizinho mais próximo, área nuclear). Esse nível permite identificar fragmentos-chave para a conservação (os maiores, os mais compactos, os mais conectados) e avaliar a viabilidade individual de cada habitat. O nível da classe (class level) agrega métricas de todas as manchas pertencentes a um mesmo tipo de cobertura (número de manchas, área total, área média, índice de agregação), respondendo a perguntas como “qual o grau de fragmentação da floresta nesta paisagem?”. O nível da paisagem (landscape level) sintetiza a estrutura de todas as classes conjuntamente (diversidade de Shannon, equabilidade, contagion, proporção total de borda), respondendo a perguntas como “quão heterogênea é esta paisagem no seu conjunto?”. A Figura 9.1 esquematiza essa hierarquia.
A Figura 9.1 evidencia que a escolha do nível de análise depende da pergunta de pesquisa. Um estudo que visa priorizar fragmentos individuais para restauração operará predominantemente no nível da mancha (identificando fragmentos com maior área nuclear ou maior potencial de conexão). Um estudo que compara o grau de fragmentação florestal entre bacias hidrográficas operará no nível da classe (comparando NP, AREA_MN e PLAND de floresta entre bacias). Um estudo que avalia o efeito da heterogeneidade composicional sobre a provisão de serviços ecossistêmicos operará no nível da paisagem (correlacionando SHDI e equabilidade com indicadores de polinização, controle de pragas ou regulação hídrica). Os três níveis são complementares, e análises completas frequentemente calculam métricas em todos os níveis para compor um diagnóstico multinível da estrutura da paisagem.
9.3 Métricas de composição
As métricas de composição descrevem o que existe na paisagem em termos de tipos e proporções. São as mais simples computacionalmente e frequentemente as mais informativas ecologicamente, especialmente a proporção de habitat.
A proporção de habitat (PLAND ou percentage of landscape) é a fração da paisagem ocupada por uma classe específica. Funciona como variável de estado primária na ecologia da paisagem, pois determina a carga física de remanescentes que suprem serviços ecossistêmicos. É a métrica mais consolidada empíricamente e a que melhor prediz a conectividade estrutural e a persistência populacional (Fahrig, 2003).
\[ PLAND_i = \frac{\sum_{j=1}^{n} a_{ij}}{A} \times 100 \]
Na equação, \(a_{ij}\) é a área da mancha \(j\) da classe \(i\), o somatório representa a área total de todas as \(n\) manchas dessa classe, e \(A\) é a área total da paisagem. O PLAND opera independentemente da configuração espacial; um arranjo contíguo ou altamente fragmentado resultará no mesmo valor se a área total conservada for igual. Exemplo de cálculo: Considere uma microbacia (\(A = 1000\) ha) contendo fragmentos florestais de 120 ha, 50 ha e 30 ha. O somatório de \(a_{ij}\) resulta em 200 ha. Aplicando a fórmula, \(PLAND_{floresta} = (200 / 1000) \times 100 = 20\%\). Esse valor sinaliza, sob a ótica da teoria da percolação, um limiar crítico de conectividade onde elementos conectados tendem a se subdividir abruptamente na matriz.
A riqueza de classes (PR, patch richness) restringe-se à contagem nominal do número de tipos de cobertura distintos presentes. O índice de diversidade de Shannon (SHDI) avança ao mensurar a heterogeneidade composicional ponderando a riqueza pela equabilidade (evenness) das extensões. O SHDI é um descritor quantitativo de incerteza da informação espacial — quão difícil é prever a classe de um pixel sorteado aleatoriamente na paisagem.
\[ SHDI = -\sum_{i=1}^{m} p_i \cdot \ln(p_i) \]
Na equação estatística, \(p_i\) é a proporção fracionária (\(PLAND_i / 100\)) da paisagem ocupada pela classe \(i\), e \(m\) é o número de classes, com o sinal negativo neutralizando o logaritmo natural de valores recíprocos. Exemplo de cálculo: Imagine um polígono agrícola binário particionado entre lavoura (\(p_1 = 0.8\)) e mata ciliar (\(p_2 = 0.2\)). O cálculo de \(p_i \cdot \ln(p_i)\) resulta em \(0.8 \cdot (-0.223) = -0.178\) para lavoura, e \(0.2 \cdot (-1.609) = -0.321\) para mata. O somatório é \(-0.499\), resultando em um \(SHDI = 0.499\). Se a paisagem fosse perfeitamente dividida (50% lavoura, 50% mata), \(SHDI\) subiria para o limite assintótico teórico para duas classes (\(\ln(2) \approx 0.693\)), pois a variância espacial atinge o máximo local. Valores empíricos normais em mosaicos rurais multifuncionais situam-se entre 1.5 e 2.0.
9.4 Métricas de configuração
As métricas de configuração descrevem como os elementos estão organizados no espaço. São mais complexas, mais sensíveis à escala (conforme demonstrado no Capítulo 4) e, em geral, mais difíceis de interpretar ecologicamente do que as métricas de composição.
O número de manchas (NP, number of patches) indica o grau de subdivisão de uma classe. A relação combinada entre NP e PLAND distingue paisagens com a mesma proporção de habitat mas graus diferentes de fragmentação. Duas paisagens com PLAND de 30% para floresta mas NP de 10 e 500, respectivamente, são radicalmente diferentes em termos de tamanho médio dos fragmentos, comprimento de bordas e conectividade. A área média de mancha (AREA_MN) e o coeficiente de variação da área (AREA_CV) descrevem a distribuição de tamanhos dos fragmentos. Paisagens com AREA_CV alto possuem distribuição desigual (poucos fragmentos grandes e muitos pequenos), o que pode ser ecologicamente favorável se os fragmentos grandes sustentam populações-fonte.
O índice de forma (SHAPE) afere a complexidade geométrica convertendo dimensões absolutas em um fator quantitativo de afastamento da compacidade ótima ideal. Funciona referenciando o perímetro real de cada mancha em contraposição ao perímetro mínimo viável para uma área homóloga, tipicamente um quadrado em sistemas raster.
\[ SHAPE = \frac{p_{ij}}{min(p_{ij})} = \frac{p_{ij}}{4\sqrt{a_{ij}}} \]
Na mecânica vetorial (para malhas rasterizadas simples com áreas \(a_{ij}\) e perímetros \(p_{ij}\) já no mesmo sistema e unidades coerentes associadas ao pixel), o termo matemático do denominador (\(4\sqrt{a_{ij}}\)) computa diretamente a borda mínima de um quadrado coeso isométrico à mancha \(j\). Logo, o \(SHAPE\) é inerentemente \(\geq 1\). Exemplo de cálculo: Imagine um remanescente silvicultural de Pinus em formato retangular, contendo \(a = 16\) ha (\(160.000\) m²) e uma linha perimetral levantada em campo de \(p = 2000\) m. Qual seria sua restrição teórica de forma em oposição ao polígono mais compacto possível (um quadrado exato)? A raiz de \(160.000\) é 400; vezes 4, o perímetro mínimo \(min(p)\) é \(1600\) m. O índice resulta em \(SHAPE = 2000 / 1600 = 1.25\). Esse fator \(1.25\) indica que o perímetro medido é 25% mais extenso que a conformação perfeitamente compacta. Desvios abruptos para \(SHAPE \ge 2.0\) quantificam exposições extremas do contorno, implicando elevação da taxa de mortalidade microclimática por ventos nas faces verticais da cobertura. Em ecótonos complexos tropicais, índices em torno de 1.8 a 2.5 são frequentes face à herança topográfica que modela vales.
9.5 Métricas de área nuclear
A área nuclear (CORE) quantifica o cerco interno (core strength) imune a distúrbios da borda. Condiciona o volume de habitat estruturalmente qualificado disponível à mastofauna e silvicultura climax que evita clareiras (edge-intolerant species).
\[ CORE_{ij} = a_{ij} - e_{ij}(d) \]
A equação computa a retenção de massa pela subtração restritiva, onde \(e_{ij}(d)\) representa o gradiente espacial (a somatória de área da coroa ou anel de estresse marginal) sob a calibração da constante vetorial de penetração, denotada como \(d\) (distância euclidiana perpendicular limite do efeito, geralmente 50 ou 100 m de espessura de acordo com modelagem termográfica ou biométrica). Exemplo de cálculo: Considere um talhão quadrado (\(400 \times 400\) m), gerando uma área planar inicial \(a_{ij} = 16\) ha. Sob penetração intensa do microclima agrícola adjacente de \(d = 100\) m, o polígono inviolável restringe-se ao quadro central deduzindo os \(100\) m de cada flanco. O novo núcleo protegido forma um quadrado remanescente de apenas \(200 \times 200\) m. A área retida total é \(CORE_{ij} = 4\) ha (\(40.000\) m²). Assim, mesmo a matriz exibindo fisicamente 16 ha, a parcela ecologicamente apta colapsou vertiginosamente para apenas 25% da superfície cadastrada (\(TCA_i\)). Se o referido fragmento apresentasse o mesmo \(a_{ij}\) de 16 ha, mas sob arranjo elongado linear (\(1600 \times 100\) m), o \(CORE\) mergulharia inevitavelmente a um platô igual a zero: o gradiente consumiria bidirecionalmente a totalidade do vetor, liquidando a reserva interna sem alterar uma casa na contagem de hectares do domínio original. Esse colapso acoplado a morfologia fundamenta o porquê índices brutos (como PLAND) falham se isolados de indicadores configuros como CORE. A Tabela 9.1 formaliza as propriedades correlatas aos principais indicadores.
| Métrica | Sigla | Nível | O que mede |
|---|---|---|---|
| Proporção de habitat | PLAND | Classe | Quantidade de habitat (%) |
| Número de manchas | NP | Classe | Grau de subdivisão |
| Área média | AREA_MN | Classe | Tamanho típico dos fragmentos |
| Índice de forma | SHAPE_MN | Classe | Regularidade dos fragmentos |
| Área nuclear total | TCA | Classe | Habitat interior funcional |
| Distância ao vizinho mais próximo | ENN_MN | Classe | Isolamento médio |
| Índice de proximidade | PROX_MN | Classe | Conectividade local |
| Diversidade de Shannon | SHDI | Paisagem | Heterogeneidade composicional |
| Índice de contagion | CONTAG | Paisagem | Agregação das classes |
A Tabela 9.1 apresenta nove métricas que cobrem as principais dimensões da estrutura da paisagem (composição, forma, área nuclear, isolamento, diversidade). Essas métricas não são independentes entre si, por exemplo, PLAND e NP são parcialmente correlacionadas (mais fragmentação geralmente implica menor PLAND por fragmento), e ENN_MN e PROX_MN capturam dimensões complementares do isolamento. A seleção de um subconjunto parcimonioso e de baixa redundância é discutida na seção “Uso e abuso de métricas” adiante.
9.6 Métricas de isolamento e proximidade
O isolamento de uma mancha é quantificado pela distância euclidiana ao vizinho mais próximo (ENN, Euclidean Nearest-Neighbor Distance), que mede a distância borda-a-borda entre cada mancha e a mancha mais próxima da mesma classe. Valores elevados de ENN indicam manchas isoladas, com menor probabilidade de receber colonizadores e menor fluxo gênico. Valores baixos indicam manchas agregadas, potencialmente conectadas por dispersão direta.
O ENN, contudo, considera apenas o vizinho mais próximo e ignora o restante da vizinhança. O índice de proximidade (PROX) estende o conceito de isolamento ao considerar todas as manchas da mesma classe dentro de um raio de busca definido, ponderando pelo tamanho e pela distância.
\[ PROX_{ij} = \sum_{s=1}^{n} \frac{a_{ijs}}{h_{ijs}^2} \]
Na mecânica vetorial, \(a_{ijs}\) é a área de cada mancha vizinha \(s\) interceptada pelo raio de busca, e \(h_{ijs}^2\) é o quadrado quadrático da distância borda-a-borda (menor distância euclidiana em metros) entre a mancha periférica \(s\) e o núcleo do polígono focal \(j\). Através dessa divisão, o PROX opera como um submodelo gravitacional: a força da conexão decai exponencialmente (devido ao denominador quadrático) à medida que os fragmentos vizinhos se afastam, mas é inflada proporcionalmente ao tamanho intrínseco (massa) dos fragmentos ao redor. Exemplo de cálculo: Defina-se um raio de busca ecologicamente calibrado para o voo de dispersão de primatas tropicais (ex. 500 m). Em torno do fragmento focal \(F_0\), detectam-se dois outros remanescentes dentro deste trânsito: \(F_1\) possuindo extensos 100 ha (1.000.000 m²) e tangenciando uma distância curta \(h_1 = 100\) m; e \(F_2\) com parcos 2 ha (20.000 m²), mais distanciado a \(h_2 = 400\) m. O fluxo de vizinhança relativo a \(F_1\) equivale a \(1.000.000 / (100^2) = 1.000.000 / 10.000 = 100\). O fluxo suprido por \(F_2\) é minimizado para \(20.000 / (400^2) = 20.000 / 160.000 = 0.125\). O consolidado resulta em \(PROX = 100.125\). Note a assimetria brutal: por ser mais massivo e próximo, \(F_1\) fornece esmagadora robustez ao sistema, mitigando a chance e o custo energético da travessia interespecífica da fauna entre manchas. Valores baixos se traduziriam em cenários onde \(F_0\) estaria isolado ou ladeado apenas por fragmentos irrisórios em perímetros limítrofes operacionais, desestabilizando fluxos genéticos locais. O raio restritivo deve ser condicionado especificamente pelas taxas de vagilidade faunística ou limites hidrocinéticos, sublinhando que métricas numéricas flutuantes provêm de vetores biológicos reais e auditáveis.
9.7 Uso e abuso de métricas
Li e Wu (2004) alertaram para quatro armadilhas no uso de métricas da paisagem que, se não forem reconhecidas e mitigadas, comprometem a validade das análises.
A primeira armadilha é a redundância. Muitas métricas são altamente correlacionadas (por exemplo, NP e PD, AREA_MN e AREA_CV, PROX e ENN) e o cálculo de dezenas de índices produz informação repetida que infla artificialmente a aparência de completude analítica. Análises de correlação ou componentes principais devem preceder a seleção para identificar grupos de métricas redundantes e selecionar um representante de cada grupo. Uuemaa et al. (2009) demonstraram que 6–8 métricas são tipicamente suficientes para capturar mais de 90% da variância na estrutura da paisagem.
A segunda armadilha é a dependência escalar, já discutida no Capítulo 4. Métricas calculadas em grãos diferentes não são diretamente comparáveis, e a sensibilidade à escala varia entre métricas (NP é altamente sensível, PLAND é relativamente estável, SHDI é moderadamente sensível).
A terceira armadilha é a ausência de significado ecológico quando métricas são calculadas sem hipótese sobre o processo de interesse. Calcular 50 métricas e buscar correlações post hoc com dados de biodiversidade é uma prática estatisticamente inflacionária e ecologicamente vazia, pois não permite distinguir causalidade de correlação espúria.
A quarta armadilha é a sensibilidade a erros de classificação, pois manchas pequenas erroneamente classificadas inflam o número de fragmentos e distorcem métricas de forma e isolamento, como discutido no Capítulo 8.
9.8 Modelos neutros e validação de padrões
Um desafio complementar ao uso criterioso de métricas reside na capacidade de distinguir padrões ecologicamente estruturados de padrões gerados por processos aleatórios. Gardner et al. (1987) propuseram os modelos neutros da paisagem (neutral landscape models) como ferramenta para essa distinção. Um modelo neutro gera paisagens sintéticas nas quais as manchas são distribuídas aleatoriamente (ou com regras espaciais simples, como correlação de vizinhança), sem qualquer processo ecológico ou antrópico subjacente. As métricas calculadas sobre essas paisagens aleatórias fornecem uma distribuição nula (null distribution) contra a qual os valores observados na paisagem real podem ser comparados estatisticamente.
O procedimento consiste em gerar um conjunto (tipicamente 100 a 1000) de paisagens neutras com a mesma proporção de habitat (\(PLAND\)) e a mesma extensão da paisagem real, calcular as métricas de interesse para cada paisagem simulada e verificar se os valores observados caem fora do intervalo de confiança da distribuição nula. Se o número de manchas (\(NP\)) na paisagem real é significativamente maior do que nas paisagens neutras com mesma proporção de habitat, há evidência de que um processo de fragmentação (antrópico ou natural) está operando além do esperado pela distribuição aleatória de cobertura. Inversamente, se o índice de agregação (\(AI\)) observado é significativamente maior que o esperado pelo modelo neutro, há indicação de que processos de autocorrelação espacial (sucessão, dispersão limitada, planejamento fundiário) estão concentrando a cobertura.
With e King (1997) ampliaram a aplicação dos modelos neutros ao demonstrarem que a teoria da percolação, derivada da física estatística, prevê limiares críticos de conectividade em paisagens aleatórias, limiares esses que podem ser usados como referência para avaliar se a paisagem real está acima ou abaixo do limiar de percolação para a proporção de habitat observada. Em paisagens binárias (habitat/não-habitat) geradas aleatoriamente, o limiar de percolação ocorre em \(PLAND \approx 59.28\%\), valor no qual surge, pela primeira vez, um agrupamento contínuo (cluster) de habitat que atravessa toda a extensão da paisagem. A comparação desse limiar teórico com a conectividade observada na paisagem real permite inferir se a configuração espacial está ecologicamente comprometida (fragmentação abaixo do limiar) ou preservada (conectividade acima do limiar).
A aplicação de modelos neutros não substitui a análise ecológica direta (correlação com dados de biodiversidade, modelagem de processos), mas fornece uma linha de base estatística essencial que distingue padrões merecedores de investigação causal de artefatos da composição da paisagem. Em paisagens brasileiras altamente convertidas, como fragmentos de Mata Atlântica com \(PLAND\) entre 5% e 25%, o teste contra modelos neutros frequentemente revela que a agregação residual de floresta em topos de morro e ao longo de cursos d’água é significativamente superior à esperada por distribuição aleatória, indicando o efeito combinado da topografia, da legislação de APPs e do histórico de uso.
DicaBoas práticas na seleção de métricas
A seleção de métricas deve seguir três princípios. Primeiro, cada métrica deve ser justificada por um processo ecológico específico (PLAND para disponibilidade de habitat, ENN para isolamento, CORE para funcionalidade interior, PROX para contexto de vizinhança). Segundo, o conjunto selecionado deve ser parcimonioso (5 a 10 métricas) e de baixa redundância, verificado por análise de correlação. Terceiro, a sensibilidade à escala e aos erros de classificação deve ser avaliada por análise de sensibilidade (Gustafson, 1998).
9.9 Software para cálculo de métricas
O software FRAGSTATS (McGarigal et al., 2012) permanece como referência para cálculo de métricas em rasters categóricos, com interface gráfica e mais de 100 métricas implementadas. Alternativas de código aberto incluem o pacote landscapemetrics em R (compatível com o tidyverse, totalmente reprodutível, com funções para verificação e visualização de métricas), o plugin LecoS em QGIS (integrado à interface de geoprocessamento), o módulo r.li do GRASS GIS (cálculo eficiente para grandes rasters em ambiente multiescalar) e a biblioteca PyLandStats em Python (integrada com GeoPandas, NumPy e rasterio).
A convergência para plataformas em nuvem (Google Earth Engine, Microsoft Planetary Computer) permite calcular métricas para milhares de paisagens simultaneamente, viabilizando estudos macro-ecológicos que relacionam estrutura da paisagem a variáveis climáticas, socioeconômicas e de biodiversidade em escala continental. A implementação de métricas em GEE requer codificação customizada (não há pacote nativo de métricas de paisagem), mas oferece acesso direto a catálogos petabyte-escala de dados classificados (MapBiomas, ESA WorldCover, Copernicus Global Land Cover).