20 Modelagem de Cenários Paisagísticos
20.1 E se…?
Em todos os capítulos anteriores, analisamos a paisagem como ela é (diagnóstico) ou como ela foi (detecção de mudanças). Agora avançamos para a pergunta mais desafiadora e mais útil para o planejamento territorial: como a paisagem será se tomarmos determinadas decisões? Essa é a pergunta da modelagem de cenários.
Cenários não são previsões. Uma previsão afirma “isso vai acontecer”. Um cenário afirma “se as condições A, B e C se mantiverem, então a paisagem provavelmente evoluirá desta forma”. A diferença é fundamental. Prever o futuro com precisão é impossível em sistemas complexos como paisagens, onde incontáveis variáveis (preços de commodities, políticas públicas, inovações tecnológicas, eventos climáticos extremos, decisões individuais de milhares de proprietários) interagem de formas imprevisíveis. Cenários, por outro lado, são explorações estruturadas de futuros possíveis que permitem avaliar as consequências de decisões alternativas antes que essas decisões sejam tomadas. São, em essência, “laboratórios virtuais” onde podemos testar políticas sem implementá-las, desmatar sem derrubar uma árvore, restaurar sem plantar uma muda.
20.2 Tipos de cenários
Os cenários paisagísticos podem ser classificados em três tipos principais, conforme seu objetivo e sua construção, sintetizados na Figura 20.1.
A Figura 20.1 mostra que cenários são construídos como “narrativas quantificáveis”. O cenário tendencial projeta as taxas históricas de mudança para o futuro, assumindo que as condições atuais (legislação, fiscalização, mercados, tecnologia) se manterão inalteradas. É o cenário de referência contra o qual os demais são comparados. O cenário otimista (ou de conservação) simula os efeitos de políticas específicas, como o cumprimento integral do Código Florestal (restauração de todas as APPs e Reservas Legais deficitárias), a implementação de corredores ecológicos, a ampliação de áreas protegidas ou a adoção generalizada de práticas agrícolas sustentáveis. O cenário pessimista (ou de desregulação) simula os efeitos de uma flexibilização das proteções ambientais, como a redução de APPs, a anistia de desmatamentos ilegais ou a eliminação de reservas legais, explorando o limite inferior do que pode acontecer com a paisagem.
A comparação entre cenários permite quantificar o “custo da inação” (quanta biodiversidade e quais serviços serão perdidos se o cenário tendencial se concretizar) e o “benefício da ação” (quanta biodiversidade e quais serviços serão preservados ou recuperados se o cenário otimista for implementado). Essa quantificação é essencial para informar decisões políticas, pois traduz consequências abstratas (“perda de conectividade”) em números concretos (“redução de 35% na área de habitat conectado” ou “aumento de 42% na carga de sedimentos nos reservatórios”).
20.3 Modelos computacionais para cenários
A construção de cenários paisagísticos utiliza modelos de mudança de uso do solo (land use change models), cuja estrutura lógica foi introduzida no Capítulo 13. Nesta seção, aprofundamos as abordagens mais utilizadas e suas vantagens e limitações.
Os modelos de autômatos celulares, como o Dinamica EGO (Soares-Filho et al., 2006), discretizam o território em células (pixels), calculam a probabilidade de transição de cada célula com base em variáveis explanatórias (distância a estradas, declividade, proximidade a áreas já desmatadas, tipo de solo, aptidão agrícola) e simulam as transições ao longo do tempo aplicando regras de vizinhança (contágio espacial). O Dinamica EGO é particularmente popular em estudos amazônicos e permite simular cenários complexos que combinam desmatamento, regeneração, expansão urbana e conversão entre tipos de uso. A calibração é feita comparando um mapa simulado com um mapa observado para uma data conhecida, ajustando os parâmetros até que a simulação reproduza os padrões observados com acurácia aceitável.
Os modelos baseados em regressão utilizam regressão logística, redes neurais, florestas aleatórias (random forests) ou outros algoritmos de machine learning para estimar a probabilidade de transição de cada pixel em função de variáveis preditoras. A vantagem sobre autômatos celulares puros é a flexibilidade na incorporação de variáveis e a capacidade de detectar relações não-lineares (no caso de machine learning). A limitação é que dependem fortemente da representatividade dos dados de treinamento e podem falhar em extrapolar para condições fora do domínio de calibração.
Os modelos baseados em agentes (Agent-Based Models, ABMs) simulam as decisões de atores individuais (agricultores, pecuaristas, empresários, governos) que interagem entre si e com o ambiente. Cada agente possui regras de decisão (quando desmatar, quando abandonar, quando intensificar) que dependem de variáveis econômicas (preço da terra, preço de commodities), sociais (imitação de vizinhos, normas culturais) e institucionais (regulação, fiscalização, acesso a crédito). Os ABMs são os mais realistas em termos de representação dos processos decisórios humanos que dirigem as mudanças de uso do solo, mas são também os mais complexos de parameterizar e validar.
20.4 Validação de cenários
Um cenário, por definição, descreve um futuro que ainda não aconteceu, o que levanta a questão: como saber se o cenário é confiável? A validação é feita de duas formas complementares.
A validação retrospectiva (hindcast) utiliza dados do passado. O modelo é calibrado com dados de um período anterior (ex: 1990–2000) e utilizado para simular a paisagem em uma data conhecida (ex: 2010). O mapa simulado para 2010 é então comparado com o mapa real de 2010, e a concordância (medida por métricas como acurácia global, índice Kappa e figura de mérito de Pontius) indica a capacidade preditiva do modelo. Se o modelo reproduz bem as mudanças passadas, há maior confiança de que pode projetar tendências futuras, embora essa extrapolação seja sempre condicional à manutenção dos processos modelados.
A análise de sensibilidade identifica quais variáveis de entrada têm maior influência sobre os resultados. Se o cenário muda drasticamente quando uma variável é alterada em 10%, essa variável é crítica e merece atenção especial na calibração e na coleta de dados. Se o cenário é robusto (muda pouco com variações nos parâmetros), os resultados são mais confiáveis independentemente de imprecisões nos dados de entrada.
20.5 Cenários e tomada de decisão
A utilidade dos cenários está em sua capacidade de informar decisões concretas. A Tabela 20.1 apresenta um exercício hipotético para uma bacia de 50.000 ha no Cerrado baiano, comparando três cenários ao longo de 20 anos.
| Variável | Cenário Tendencial | Cenário Conservação | Cenário Desregulação |
|---|---|---|---|
| Vegetação nativa remanescente (%) | 28 → 22% | 28 → 35% | 28 → 15% |
| Área agrícola (%) | 55 → 63% | 55 → 50% | 55 → 70% |
| Conectividade (IIC) | 0,42 → 0,28 | 0,42 → 0,55 | 0,42 → 0,12 |
| Carga de sedimentos (t/ano) | 12.000 → 18.500 | 12.000 → 9.200 | 12.000 → 28.000 |
| Carbono sequestrado (Mg C) | -45.000 | +82.000 | -185.000 |
| Custo de tratamento de água (R$/ano) | 1,2M → 1,8M | 1,2M → 0,9M | 1,2M → 3,2M |
A Tabela 20.1, embora hipotética, ilustra como cenários transformam trade-offs abstratos em números comparáveis. O cenário de conservação reduz a área agrícola em 5 pontos percentuais, mas economiza R$ 900.000 por ano em tratamento de água, sequestra 82.000 toneladas de carbono (com valor potencial no mercado de créditos), aumenta a conectividade em 31% e reduz a carga de sedimentos em 23%. O cenário de desregulação aumenta a área agrícola em 15 pontos percentuais, mas triplica o custo de tratamento de água, emite 185.000 toneladas de carbono e reduz a conectividade a um nível criticamente baixo. Essas comparações permitem que tomadores de decisão avaliem, de forma informada, se os ganhos agrícolas de curto prazo compensam os custos ambientais e econômicos de médio e longo prazo.
20.6 Incerteza e comunicação
Todo cenário carrega incertezas, e comunicar essas incertezas de forma honesta é uma responsabilidade ética do cientista da paisagem. As incertezas se originam de múltiplas fontes. Os dados de entrada (mapas de uso, variáveis biofísicas) contêm erros de classificação e resolução limitada. Os modelos simplificam a realidade (nenhum modelo captura toda a complexidade de uma paisagem real). As premissas dos cenários (taxas de desmatamento, eficácia da fiscalização, preços de commodities) são pressupostos, não certezas. E eventos imprevisíveis (wildcards), como uma pandemia, uma disrupção tecnológica ou uma mudança radical de governo, podem alterar completamente as trajetórias.
A comunicação de cenários deve, portanto, sempre apresentar resultados como intervalos (não pontos únicos), acompanhados das premissas que os sustentam e das condições sob as quais poderiam ser invalidados. Cenários são ferramentas de exploração, não profecias. Seu valor reside em estruturar o pensamento sobre o futuro, explicitar trade-offs e consequências, e fornecer uma base racional (não emocional) para a tomada de decisão sobre a paisagem.
DicaPara aprofundar
O Dinamica EGO (dinamicaego.com) é gratuito e inclui tutoriais para construção de cenários de mudança de uso do solo. Experimente calibrar um modelo simples para uma paisagem de seu interesse, utilizando dois mapas de uso do solo de datas diferentes (disponíveis no MapBiomas). O exercício de construir, validar e projetar um cenário, mesmo simplificado, desenvolve a intuição sobre as possibilidades e limitações da modelagem paisagística e prepara o estudante para o projeto integrador do Capítulo 21.