a observação - novaims.unl.pt · indivíduos residentes a frequentar o 3º ciclo do ensino...
TRANSCRIPT
1
29
A observação da evolução nos
padrões espaciais e sociodemográficos
através dos self-organizing maps:
o caso da Área Metropolitana de
Lisboa – Norte
Roberto Henriques
introdução: a complexidade do fenómeno urbano e as novas ferramentas para a análise da informação disponível nas cidades A evolução das cidades, quer em termos de distribuição quer em termos de dimensão, tem recebido um grande interesse por investigadores. A existência de grandes cidades, de grande dispersão no tamanho, a notável estabilidade da hierarquia entre as cidades ao longo de décadas ou mesmo séculos, e o papel da urbanização no desenvolvimento económico são características particularmente interessantes no estudo da estrutura urbana de cidades em todo o mundo. A cidade é muitas vezes comparada a um organismo vivo. Ela está cheia de sistemas, processos, interações e simbioses tão complexos que dificultam o nosso entendimento sobre o funcionamento das mesmas. Neste sentido, as cidades são sistemas que podem ser analisadas a partir de várias perspetivas, sendo a demografia, morfologia ou funcionalidade os critérios mais comuns para a definição das suas próprias fronteiras. Neste sentido, o interesse específico será compreender a cidade com base em indicadores estatísticos, encontrando novas formas, mais inteligentes e capazes de incorporar novos dados que podem fornecer um retrato mais preciso da cidade. Com a proliferação de sensores capazes de registar todo a evolução de fenómenos, o aparecimento de plataformas eletrónicas massivas de dados sociais e a capacidade crescente na fusão e análise deste tipo de dados, cada vez mais a dinâmica das cidades pode ser avaliada numa resolução temporal e espaciais impossíveis até agora.Uma das fontes de dados para análise mais usada nestes casos são os dados dos censos, que se caracterizam por medir diversas perspetivas da cidade como a demografia, alojamentos e condição socioprofissional. Estas fontes de dados caracterizam-se normalmente por disponibilizar um grande número de variáveis descrevendo vários aspetos de uma determinada área. A análise feita a partir destes dados usa normalmente tabelas, gráficos, mapas, animações ou técnicas estatísticas mas muitas vezes a dimensão e o volume destes conjuntos de dados dificulta as tarefas de compreensão e extração de conhecimento das mesmas.Uma das técnicas particularmente interessantes para a análise de padrões e visualização de dados é chamada de mapas auto-organizáveis (ou originalmente self-organizing maps). Trata-se de uma técnica da família das redes neuronais que tem a grande vantagem de ser capaz de projetar para apenas duas dimensões, conceitos que geralmente
são caracterizados por muitas mais dimensões. Professor Auxiliar Convidado
SEGI-NOVA
Figura 1 Espaço de entrada e espaço de saída dos SOM
os mapas auto-organizáveis (SoM)Os SOMs foram propostos pela primeira vez por Tuevo Kohonen no início da década de 1980 (Kohonen, 2001), e seu principal objetivo é extrair e ilustrar a estrutura dos dados, através de um mapa resultante de um processo de aprendizagem não supervisionada (Kaski & Kohonen, 1996; Kaski, Nikkilä, & Kohonen, 1998). Os SOM são constituídos por um conjunto de neurónios que servirão para representar os dados originais o mais fielmente possível, sendo possível representar os neurónios num espaço bidimensional. Este facto permite que os SOM sejam normalmente utilizados como uma ferramenta de redução da dimensionalidade permitindo a projeção dos dados multidimensionais em apenas duas dimensões (Koua & Kraak, 2004). A grelha formada pelos neurónios é geralmente referida como o espaço de saída, em oposição ao espaço de entrada, que é o espaço original dos dados (Figura 1).Esta capacidade dos SOM de permitir ter uma ideia da estrutura dos dados através da observação do mapa, é possível principalmente devido à preservação das relações topológicas, ou seja, padrões que estão próximos no espaço de entrada serão mapeados, tanto quanto possível, para neurónios vizinhos no espaço de saída (R Henriques, Bacao, & Lobo, 2010; Roberto Henriques, Bacao, & Lobo, 2012). Existem várias formas de visualizar os SOM (Vesanto, 1999). Duas das ferramentas de visualização mais importantes são os planos das componentes (Kohonen, 2001) e as matrizes U (Ultsch & Siemon, 1990). Nos planos das componentes, cada neurónio é colorido de acordo com o peso de cada variável. As matrizes U são representações do espaço de saída que mostram as distâncias entre neurónios no espaço de entrada. Normalmente, uma escala de cinzas é usada para representar as distâncias, com a maior distância a ser representado com a cor preta e a menor com o branco.
31
Área Metropolitana de Lisboa Norte: evolução entre 2001 e 2011Na análise apresentada de seguida são usadas os dados do Censos de 2001 e 2011 (fonte: http://mapas.ine.pt/download/index2011.phtml) ao nível da freguesia, focando-se sobretudo em aspetos como a estrutura habitacional, nível de educação, tipologia familiar e emprego. A tabela que se apresenta de seguida lista as variáveis usadas para cada dos aspetos referidos.
Este mapa tem vários aspetos importantes que deverão ser considerados na sua leitura:- A proximidade entre duas freguesias representa a sua semelhança (de acordo com as variáveis usadas, ver Tabela 1).De forma oposta, quanto maior for a distância entre duas freguesias mais dissemelhantes estas serão. Exemplificando, as freguesias de Casal de Cambra e Frielas são muito semelhantes (na figura no topo esquerdo) enquanto das freguesias do Campo Grande e Castelo (na figura, no topo direito e fundo direito, respetivamente) são muito diferentes;- A intensidade do cinzento apresentado como fundo no mapa indica a presença de outliers (freguesias que são anormalmente diferentes da sua vizinhança). Assim, podemos ver claramente que a freguesia dos Mártires é um outlier.
Figura 2 Freguesias da AML-Norte
V i l a F r a n c a d e X i r aV i l a F r a n c a d e X i r a
M a f r aM a f r a
L o u r e sL o u r e s
C o l a r e sC o l a r e s
B u c e l a sB u c e l a s
B e l a sB e l a s
A l c a b i d e c h eA l c a b i d e c h e
Te r r u g e mTe r r u g e m
L o u s aL o u s a
C a s c a i sC a s c a i s
E n c a r n a ç ã oE n c a r n a ç ã o
I g r e j a N o v aI g r e j a N o v a
M i l h a r a d oM i l h a r a d o
V i a l o n g aV i a l o n g a
A z u e i r aA z u e i r aS a n t o I s i d o r oS a n t o I s i d o r o
F a n h õ e sF a n h õ e s
E s t o r i lE s t o r i l
S ã o J o ã o d a s L a m p a sS ã o J o ã o d a s L a m p a s
A l m a r g e m d o B i s p oA l m a r g e m d o B i s p o
E r i c e i r aE r i c e i r a
R i o d e M o u r oR i o d e M o u r o
C h e l e i r o sC h e l e i r o s
G r a d i lG r a d i l
P ê r o P i n h e i r oP ê r o P i n h e i r o
M a l v e i r aM a l v e i r a
S i n t r a ( S ã o M a r t i n h o )S i n t r a ( S ã o M a r t i n h o )
E n x a r a d o B i s p oE n x a r a d o B i s p o
B e n f i c aB e n f i c a
A l v e r c a d o R i b a t e j oA l v e r c a d o R i b a t e j o
S ã o D o m i n g o s d e R a n aS ã o D o m i n g o s d e R a n a
B a r c a r e n aB a r c a r e n a
C a c h o e i r a sC a c h o e i r a s
L u m i a rL u m i a r
M a r v i l aM a r v i l a
S ã o J o ã o d o s M o n t e sS ã o J o ã o d o s M o n t e sC a r v o e i r aC a r v o e i r a
S i n t r a ( S ã o P e d r o d e P e n a f e r r i m )S i n t r a ( S ã o P e d r o d e P e n a f e r r i m )
F r i e l a sF r i e l a s
M o n t e l a v a rM o n t e l a v a r
S o b r a l d a A b e l h e i r aS o b r a l d a A b e l h e i r a
S a n t o A n t ã o d o To j a lS a n t o A n t ã o d o To j a l
� n h o s� n h o s
S a n t o E s t ê v ã o d a s G a l �sS a n t o E s t ê v ã o d a s G a l �s
C a n e ç a sC a n e ç a s
C a s t a n h e i r a d o R i b a t e j oC a s t a n h e i r a d o R i b a t e j o
A l g u e i r ã o �M e m M a r t i n sA l g u e i r ã o �M e m M a r t i n s
S ã o J u l i ã o d o To j a lS ã o J u l i ã o d o To j a l
C a l h a n d r i zC a l h a n d r i z
C a r n a x i d eC a r n a x i d e
V e n d a d o P i n h e i r oV e n d a d o P i n h e i r o
P o r t o S a l v oP o r t o S a l v o
A g u a l v aA g u a l v a
F a m õ e sF a m õ e s C a m a r a t eC a m a r a t e
M i n aM i n a
� d i v e l a s� d i v e l a s
V e n t e i r aV e n t e i r a
S ã o B r �sS ã o B r �s
C a r n i d eC a r n i d e
P o n t i n h aP o n t i n h a
� u e l u z� u e l u z
P a r e d eP a r e d e
C a x i a sC a x i a sA j u d aA j u d a
S a n t a M a r i a d o s � l i v a i sS a n t a M a r i a d o s � l i v a i s
S a c a v �mS a c a v �m
A l c �n t a r aA l c �n t a r a
R a m a d aR a m a d a
S o b r a l i n h oS o b r a l i n h o
C a r c a v e l o sC a r c a v e l o s
S a n t a I r i a d e A z o i aS a n t a I r i a d e A z o i a
B o b a d e l aB o b a d e l a
M i l h a r a d oM i l h a r a d o
S i n t r a ( S a n t a M a r i a e S ã o M i g u e l )S i n t r a ( S a n t a M a r i a e S ã o M i g u e l )
A l g �sA l g �s
S ã o J o ã o d a Ta l h aS ã o J o ã o d a Ta l h a
C a c �mC a c �m
F o r t e d a C a s aF o r t e d a C a s a
S ã o M i g u e l d e A l c a i n ç aS ã o M i g u e l d e A l c a i n ç a
� u e i j a s� u e i j a s
B e a t oB e a t o
V i l a F r a n c a d o R o s �r i oV i l a F r a n c a d o R o s �r i o
C a m p o l i d eC a m p o l i d e
A l h a n d r aA l h a n d r a
B u r a c aB u r a c a
P a ç o d e A r c o sP a ç o d e A r c o s
� e i r a s e S ã o J u l i ã o d a B a r r a� e i r a s e S ã o J u l i ã o d a B a r r a
P �v o a d e S a n t a I r i aP �v o a d e S a n t a I r i a
M a s s a m �M a s s a m �D a m a i aD a m a i a
C h a r n e c aC h a r n e c a
P r a z e r e sP r a z e r e s
S ã o D o m i n g o s d e B e n f i c aS ã o D o m i n g o s d e B e n f i c a
S ã o J o ã oS ã o J o ã o
S a n t a M a r i a d e B e l �mS a n t a M a r i a d e B e l �m
A p e l a ç ã oA p e l a ç ã o
P o r t e l aP o r t e l aM i r a �S i n t r aM i r a �S i n t r a
P e n aP e n aA n j o sA n j o s
A l v a l a d eA l v a l a d e
S �S � S a n t o E s t ê v ã oS a n t o E s t ê v ã o
30
Tema Variável
Alojamentos
Alojamentos familiares clássicos de residência habitual com 1 ou 2 divisões
Alojamentos familiares clássicos de residência habitual com 3 ou 4 divisões
Alojamentos familiares clássicos de residência habitual com proprietário ocupante
Estrutura etária
Indivíduos residentes com idade entre 0 e 19 anos
Indivíduos residentes com idade entre 19 e 64 anos
Indivíduos residentes com idade superior a 65 anos
Nível de educação
Indivíduos residentes com o ensino secundário completo
Indivíduos residentes com o ensino pós-secundário
Indivíduos residentes com um curso superior completo
Indivíduos residentes a frequentar o 3º ciclo do ensino básico
Indivíduos residentes a frequentar o ensino secundário
Emprego
Indivíduos residentes empregados
Indivíduos residentes pensionistas ou reformados
Indivíduos residentes desempregados à procura do 1º emprego
Indivíduos residentes desempregados à procura de novo emprego
Indivíduos residentes sem atividade económica
Tabela 1Variáveis usadas
Figura 3Matriz U resultante do SOM usando os dados de 2001
No mapa da Figura 2 é apresentada a área de estudo constituída pelas freguesias da margem norte da Área Metropolitana de Lisboa (AML).Aplicando os SOM aos dados dos Censos de 2001 para as freguesias da AML Norte, obtemos a matriz U da Figura 3.
32
Figura 4Planos de componentes
32
Figura 5Matriz U com trajetórias relativas às alterações entre 2001 e 2011
Partindo da Figura 4 é possível avaliar a distribuição de cada uma das variáveis usadas originalmente, através da construção de uma camada que representa a variação de cada variável (plano de componentes). Assim, podemos avaliar a distribuição das variáveis Alojamentos com 1 ou 2 divisões, Alojamentos com 3 ou 4 divisões, Alojamentos com proprietário ocupante, residentes com idade entre 0 e 19 anos, residentes com idade entre 19 e 64 anos, residentes com idade superior a 65 anos, residentes com o ensino secundário completo, residentes com o ensino pós-secundário, residentes com um curso superior completo, residentes empregados, residentes pensionistas e residentes sem atividade económica. Para a escala de cores usada o azul representa valores mais baixos enquanto o vermelho representa os valores mais elevados. Analisando o plano da componente correspondente ao nº de Alojamentos com 1 ou 2 divisões, podemos verificar que na sua grande maioria esta variável apresenta um valor médio por freguesia baixo, existindo duas regiões (no topo ao centro e no fundo à esquerda) onde existe um aglomerado de freguesias com valor mais elevado. Analisando novamente a Figura 3, podemos verificar que algumas das freguesias representadas nessas zonas são a Reboleira (topo, centro) e o Castelo ou Santo Estevão (fundo, esquerdo).
Fazendo uma análise análoga para os dados de 2011 é então possível traçar evoluções ocorridas nos 10 anos. A matriz U apresentada na Figura 5 seguinte mostra a evolução das 5 freguesias estudadas que apresentaram uma maior alteração no seu perfil. São elas, Santa Maria dos Olivais, São Julião do Tojal, Madalena, Sacramento e Sé (estas 3 últimas, no centro histórico da cidade de Lisboa).Analisando em detalhe essas 5 freguesias para a década 2001-2011 podemos verificar com o auxílio das figuras 6-10 que todas se caracterizam por uma diminuição no número de alojamentos com 1 ou 2 divisões, uma diminuição no número de alojamentos com 3 ou 4 divisões, um aumento no número de residentes com ensino superior, no número de residentes empregados, aumento do número de pensionistas ou reformados e uma diminuição do número de residentes sem atividade económica. Podemos então, a partir daqui, construir um mapa da AML-Norte com as alterações nos perfis das freguesias em estudo. (Figura 11)
Focando a análise apenas na zona do centro histórico da cidade, e mais concretamente da Baixa de Lisboa, onde nos interessa analisar o perfil de recomposição, no sentido de perceber se são visíveis dinãmicas associáveis a processos de revitalização urbana, podemos obter o seguinte mapa de evolução (figura 12):
Figura 12 Seleção de algumas freguesias da zona da baixa de Lisboa para análise mais detalhada
Lapa
Sé
São Paulo
Mercês
Santos-o-Velho
São NicolauSanta Catarina
Santo Estêvão
MártiresMadalena
Santiago
Castelo
SacramentoEncarnaçãoSão Miguel
São Cristóvão e São Lourenço
Figura 11 Variação entre 2001 e 2011 para todas as freguesias da AML-Norte. As freguesias com variação mínima estão representadas a branco enquanto as freguesias com as maiores alterações estão representadas a azul-escuro.
35
Figura 6 Evolução da Madalena
Figura 7 Evolução do Sacramento
Figura 10 Evolução da Sé Figura 9 Evolução de São Julião do Tojal
Figura 8 Evolução de Santa Maria dos Olivais
3736
Figura 14 Evolução das freguesias da zona da baixa de Lisboa
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
CASTELO_2001 CASTELO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
ENCARNAÇÃO_2001 ENCARNAÇÃO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
LAPA_2001 LAPA_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
MADALENA_2001 MADALENA_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
MÁRTIRES_2001 MÁRTIRES_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
MERCÊS_2001 MERCÊS_2011
A partir desta seleção de freguesias podemos então tentar perceber na matriz U as principais alterações. (Figura 13)Neste mapa dois padrões genéricos principais são assinalados (setas a verde). Por um lado o aumento do nº de residentes ativos e com atividade económica (em baixo da direita para a esquerda) e por outro lado o aumento do nº de residentes com um maior nível de escolaridade (à direita de baixo para cima). Como pode ser ainda analisado, a maioria das freguesias da zona da baixa de Lisboa tem uma evolução positiva num destes dois fatores assinalados (Figura 14). Tal facto suporta a ideia de um certo “renascimento” ou revitalização das áreas mais antigas de cidades com um nº mais elevado de residentes ativos e com um nível de escolaridade maior.
ConclusõesAs cidades caracterizam-se por serem sistemas multidimensionais com inúmeros processos e simbioses complexas que dificultam o nosso entendimento sobre o funcionamento das mesmas. A análise de várias perspetivas e segundo vários atributos caracterizadores de uma cidade torna-se assim um processo vital na compreensão das mesmas. Esta tarefa é, nos dias de hoje, por um lado, facilitada com a proliferação de dados que são recolhidos, mas por outro lado, essa mesma quantidade de dados e a sua variabilidade tornam a tarefa de análise cada vez mais difícil. São necessárias novas ferramentas para análise de dados, e para análises espaciais de dados, em particular, ferramentas visuais podem ter um forte impacto na análise. Os SOM são um bom exemplo deste tipo de ferramentas. Neste artigo procurou-se que constituíssem a base para a análise das freguesias da AML Norte, usando os dados recolhidos no Censos 2001 e 2011. A utilização desta ferramenta permite evidenciar, de forma clara e simples, um conjunto de processos que reflectem inequivocamente várias das facetas do processo de revitalização do centro histórico da cidade, nomedamente na zona da Baixa e suas imediações.
Figura 13 Matriz U de algumas freguesias da zona da baixa de Lisboa
3938
Bibliografia
Henriques, R., Bacao, F., & Lobo, V. (2010). Artificial Intelligence in Geospatial Analysis: applications of Self-Organizing Maps in the context of Geographic Information Science. UNL, Lisboa. Retrieved from http://hdl.handle.net/10362/5723
Henriques, R., Bacao, F., & Lobo, V. (2012). Exploratory geospatial data analysis using the GeoSOM suite. Computers, Environment and Urban Systems, 36(3), 218–232. doi:10.1016/j.compenvurbsys.2011.11.003
Kaski, S., & Kohonen, T. (1996). Exploratory data analysis by the self-organizing map: structures of welfare and poverty in the world. In N. Apostolos-Paul, Yaser Refenes, Yaser Abu-Mostafa, John Moody, & A. Weigend (Eds.), Neural Networks in Financial Engineering (pp. 498–507). Singapore: World Scientific. Retrieved from http://www.cis.hut.fi/~sami/therest.html
Kaski, S., Nikkilä, J., & Kohonen, T. (1998). Methods for interpreting a self-organized map in data analysis. In M. Verleysen (Ed.), Proceedings of ESANN’98 , 6th European Symposium on Artificial Neural Networks (pp. 185–190). Bruges, Belgium: D-Facto. Retrieved from http://www.cis.hut.fi/~sami/therest.html
Kohonen, T. (2001). Self-Organizing Maps (3rd editio.). Berlin: Springer.
Koua, E., & Kraak, M.-J. (2004). Geovisualization to support the exploration of large health and demographic survey data. International Journal of Health Geographics, 3(1), 12. Retrieved from http://www.ij-healthgeographics.com/content/3/1/12
Ultsch, A., & Siemon, H. P. (1990). Kohonen´s self-organizing neural networks for exploratory data analysis. In Proceedings of the International Neural Network Conference (pp. 305–308). Paris: Kluwer.
Vesanto, J. (1999). SOM-based data visualization methods. Intelligent Data Analysis, 3, 111–126. Retrieved from http://www.ingentaconnect.com/content/els/1088467x/1999/00000003/00000002/art00013
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SÃO MIGUEL_2001 SÃO MIGUEL_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
SÃO NICOLAU_2001 SÃO NICOLAU_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SÉ_2001 SÉ_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SACRAMENTO_2001 SACRAMENTO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SANTA CATARINA_2001 SANTA CATARINA_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SANTIAGO_2001 SANTIAGO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SANTO ESTÊVÃO_2001 SANTO ESTÊVÃO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SANTOS-O-VELHO_2001 SANTOS-O-VELHO_2011
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
SÃO CRISTÓVÃO E SÃO LOURENÇO_2001 SÃO CRISTÓVÃO E SÃO LOURENÇO_2011
260