EuPTHUAp0430-50272015000100002

Modelação predictiva da vegetação natural potencial do concelho de Loures

I. INTRODUÇÃO 1. Vegetação Natural potencial (VNP) e os Modelos de Distribuição de Espécies (SDM) A Vegetação natural Potencial (VNP) materializa o estádio de máximo desen­volvimento da vegetação num dado habitat, que ocorreria num determinado território e suas envolventes se não existisse qualquer influência humana (Tüxen, 1956; Westhoff e van der Maarel, 1978; Bredenkamp et al., 1998). A VNP define-se através de comunidades vegetais que atingiram o seu máximo ecológico estável, estando em equilíbrio com as condições do biótopo (Neto et al., 2008).

Assim, a série de vegeta­ção compreende o tipo de vegetação representativo da etapa madura ou cabeça de série, as comunidades iniciais ou subseriais que a substituem, bem como os espaços ocupados pelas comunidades existentes e os factores mesológicos que configuram os seus habitats naturais (Rivas-Martinez et al.,1999). No entanto, deve ser salientado que a sua permanência como VNP persiste até que essas condições se alterem, ou seja, apenas se estas condições permanecerem inalteradas a comunidade manterá a sua estrutura, composição e funcionamento interno (Ricotta et al., 2000; Neto et al., 2008; Mucina, 2010; Loidi e Fernandéz‐González, 2012). Recentemente, a modelação da VNP tem registado avanços significativos com o desenvolvimento de diversos mode­los e softwarecom grande capacidade de processamento. A sua determinação revela­-se especialmente importante na reconstituição da vegetação natural após acção antró­pica, tendo em conta o carácter predictivo associado ao conceito (Zampieri e Lionello, 2008; Neto et al., 2008). Com base no cariz relativamente determinístico do processo de sucessão ecológica e na sua relação com os principais factores ambientais – climá­ticos, geomorfológicos e edáficos – é possível modelar e prever a vegetação potencial para uma determinada área, através da análise da comunidade vegetal actualmente presente e do conhecimento das séries de vegetação desse território.

Durante a última década, a europa tem vindo a assistir a uma crescente conscien­cialização sobre a importância da cartografia da VNP e sua utilidade como uma ferramenta para apoiar as actuais estratégias de Ordenamento e Planeamento do território (Bohn et al., 2003; Cross, 2006; Capelo et al., 2007; Zampieri e Lionello; 2008, Neto et al., 2008; Mucina, 2010). Os mapas de distribuição da VNP, e também de distribuição potencial de habitats e de espécies, representam um importante con­tributo para as florestas, agricultura, recursos hídricos, Conservação da natureza e Ordenamento do território. Ricotta et al. (2002) considera que os mapas de distri­buição da VNP representam uma alternativa ecológica significativa para os modelos neutros de paisagem, especialmente quando a avaliação dos efeitos da estrutura da paisagem sobre os processos ecológicos está em causa.

Guisan e Zimmermann (2000), por outro lado, assumem que os modelos predic­tivos foram desenvolvidos para abranger aspectos tão diversos como a Biogeografia, gestão e restauro de habitats, gestão de espécies invasoras, modelação de comunida­des e ecossistemas, predição dos efeitos das alterações climáticas nas espécies e ecossistemas e, deste modo, a distribuição potencial de uma espécie ou comunidade constitui claramente o primeiro passo na investigação aplicada.

Nos últimos anos tem-se verificado um aumento crescente da utilização de méto­dos estatísticos (análise de regressão e outros), de inteligência artificial (machine learning) ou baseado em regras (rule-based) com interligação às tecnologias de infor­mação geográfica, com o intuito de modelar espacialmente as distribuições de espé­cies ou comunidades em função de dados biológicos e ambientais (Gutierres, 2014).

Esta prática é usualmente conhecida como Modelação de Distribuição de espécies (SDM), podendo também ser referida como modelação do nicho ecológico de Hutchinsoni, bioclimática, ambiental ou de adequabilidade de habitat (Gutierres, 2014).

O desenvolvimento de um SDM é suportado em dados de ocorrências de espécies ou comunidades (podendo ser presença ou presença/ausência) e variáveis ambientais (predictivas) que se julga influenciar a adequabilidade do habitat, e consequentemente a espécie ou comunidade (Ferrier et al., 2002a,b; Hirzel et al., 2002; Franklin et al., 2005; Phillips et al., 2009; Mücher et al., 2009).

Diversos autores (e.g. Guisan e Zimmermann, 2000; Austin et al., 2006) aler­tam que a escolha das variáveis preditivas tem uma forte influência no desempenho dos SDM. Actualmente tem sido destacada a importância de uma melhor e mais precisa definição das relações dos gradientes directos (variáveis proximais com efeito fisiológico directo, tal como o teor de água, luz, nutrientes) com a distribuição das espécies ou comunidades, diferenciadas das variáveis predictivas indirectas (variáveis distais, sem efeito fisiológico directo, tal como a altitude, declive e expo­sição) a integrar no processo de modelação.

Barry e Elith (2006) acrescentam que os estudos actuais de modelação não são susceptíveis de incluírem um conjunto signi­ficativo de variáveis predictivas proximais (espacializadas). Neste sentido, é reco­mendado o estabelecimento de modelos conceptuais que expressem as relações das distribuições bióticas com as variáveis predictivas distais, devendo ser seleccionadas as variáveis mais apropriadas em função dos dados de base disponíveis, para que os modelos apresentem níveis de erro aceitáveis. Contudo, é necessário ter em conta que os modelos com múltiplas variáveis predictivas poderão apresentar problemas de autocorrelação espacial, dependência espacial (escalas globais versus escalas locais) e ainda de multicolinearidade, pelo facto destas variáveis representarem variáveis indirectas (distais), e não variáveis directas (proximais) relacionadas com a adequabilidade ou abundância de espécies ou comunidades (Lennon, 2002; Miller e Franklin, 2002; Diniz-filho et al., 2003; Segurado et al., 2006; Miller et al., 2007; Dormann et al., 2007; Osborne et al., 2007; Zhang et al., 2008).

A área de estudo foi seleccionada em virtude da diversidade litológica, pedoló­gica e topográfica presente, o que determina a ocorrência de uma grande diversidade de séries de vegetação com comunidades vegetais importantes para protecção e con­servação, incluídas no anexo I da Directiva Habitats. Deste modo, dada a disponibi­lidade de informação cartográfica e bases de dados, justifica-se o interesse do desen­volvimento da modelação predictiva da VNP neste território exíguo. O outro factor de selecção está relacionado com a crescente necessidade de disponibilização de cartografia predictiva da VNP a escalas de grande detalhe, baseadas em abordagens de modelação que possibilitem a integração de observações directas de comunidades vegetais, e uma interpretação da distribuição local da VNP ao longo de gradientes ambientais (Franklin, 2009). McPherson et al. (2006) e Bustamante e Seoane (2004) descrevem a limitação da aplicabilidade de mapas de distribuição de pequena reso­lução publicados em atlas ou guias de campo (caso da Carta da VNP da europa na escala 1:2 500 000 produzida pelo Institute für Bundesamt fur Naturschutz (BfN)(Bohn et al., 2003) ou da Carta da VNP para Portugal Continental à escala 1:1 000 000 (Capelo et al., 2007)) no Ordenamento e Planeamento do território à escala local. Acresce o facto dos factores ambientais que controlam a distribuição das espécies e comunidades se modificarem em função da escala, o que torna difícil a sua redução (downscaling) e a sua aplicabilidade em pequenas áreas. Ao invés, o carácter predic­tivo do SDM permite a obtenção da distribuição das espécies, comunidades e ade­quabilidade de habitat, podendo ainda este modelo integrar e responder a impactos de mudanças ambientais, quer sejam motivadas por alterações climáticas ou devido às dinâmicas de transformação do uso e ocupação do solo (Wu e Smeins, 2000; Gibson et al., 2004; Rushton et al., 2004; Araújo et al., 2005a; Burgman et al., 2005; Wisz et al., 2008). Portanto, é fundamental definir o padrão e a escala de análise (Elton, 1927; Scott et al., 2002), em que o objectivo poderá basear-se apenas na caracterização geral dos factores que determinam a distribuição e ocorrência das espécies e comunidades proveniente de cartografia de referência a uma escala regio­nal ou global ou, por outro lado, no desenvolvimento de cartografia predictiva desde a escala local à global assente em diferentes técnicas de modelação (Cumming, 2000; Segurado e Araújo, 2004; Thuiller et al., 2004; araújo et al., 2005b). No pre­sente estudo, assume-se que o conceito da VNP é fortemente determinado por múl­tiplos factores bióticos e abióticos e a sua utilização visa a inferência ecológica das relações séries de vegetação-variáveis ambientais com recurso a SDM.

Neste sentido, o presente estudo tem o objectivo principal de produzir a carta da VNP do concelho de Loures, tal como depreender os gradientes ecológicos asso­ciados às séries de vegetação, com recurso à aplicação de várias técnicas de modela­ção predictiva em ambiente SIG. Constitui ainda objectivo testar o efeito de selecção das variáveis predictivas no processo de modelação da VNP, de forma a definir modelos parcimoniosos e que utilizem o conjunto mais apropriado de variáveis. Deste modo, pretende-se contribuir para a definição de modelos calibrados de adequabilidade das séries de vegetação baseados em regras de decisão, comparar e testar diferentes alternativas metodológicas e fornecer orientações para a investi­gação da VNP a escalas de pormenor.

2. A área de estudo (Concelho de Loures) A área de estudo desta análise corresponde ao concelho de Loures. Pertencente à Área Metropolitana de Lisboa, situa-se na margem direita do estuário do tejo a norte da cidade de Lisboa (fig._1).

Com uma área de aproximadamente 169 km², o concelho de Loures apresenta grande diversidade morfológica. No sector norte e noroeste predominam as áreas de maior altitude (de 200 a 400 m) e forte declive, devido à existência de vales fortemente encaixados por onde escoam o rio trancão e seus afluentes. No sector sul e sudeste situam-se as áreas mais planas, destacando-se a várzea de Loures e a frente ribeirinha do tejo. Esta diversidade morfológica constitui um importante factor explicativo da distribuição da vegetação uma vez que determina a distribuição das áreas de erosão, acumulação e escoamento de água, assim como a diversidade de microclimas. De acordo com Magalhães et al .

(2002), podem-se definir três situações morfológicas distintas no concelho de Loures: a) Zonas adjacentes às linhas de água – áreas planas correspondentes a solos aluvionares; b) Cabeços – áreas mais expostas aos ventos e à erosão hídrica; e c) encostas – zonas situadas entre as áreas adjacentes às linhas de água e os cabeços, caracterizadas por uma forte erosão hídrica e, consequentemente, uma menor profundidade do solo.

Ao situar-se na bacia ceno-antropozóica do tejo, esta área “apresenta uma enorme variedade de materiais de enchimento que vão do Oligocénico até à actualidade. As dife­rentes formações litológicas exibem afloramentos superficiais, com extensão e carac­terísticas variáveis. O mosaico de comunidades vegetais está condicionado pela natureza dos sedimentos que constituem as várias formações litológicas, sobretudo no que respeita à granulometria dos materiais e à coesão das partículas.” (Neto et al., 2007: 202).

Em termos biogeográficos, de acordo com Costa et al. (1998) e Rivas-Martínez (2007), o concelho de Loures insere-se nas seguintes unidades biogeográficas: reino Holártico, região Mediterrânea, sub-região Mediterrânea Ocidental, Província Lusitano-Andalusa Litoral, subprovíncia Divisório Portuguesa-Sadense, sector Divi­sório Português, subsector Divisório Português setentrional e Distrito estremenho Português, apenas na parte norte (freguesia de Bucelas) e subsector Divisório Portu­guês Meridional e Distrito Olissiponense na restante área de estudo.

Do ponto de vista bioclimático, de acordo com Rivas-Martínez et al. (2011) e nos mapas de zonamento de Monteiro-Henriques (2010), o concelho de Loures encontra-se no Macrobioclima Mediterrâneo pluviestacional-oceânico, nos andares termo/mesomediterrâneo de ombrótipo sub-húmido a húmido.

Deste modo, em termos de vegetação climatófila domina o cercal de carvalho­- cerquinho pertencente à associação Arisaro simorrhini-Quercetum broteroi (Vila- Vi­çosa, 2012). Em termos de diagnose este cercal corresponde à série mediterrânea plu­viestacional, termo a mesomediterrânea, hiperoceânica a euoceânica, sub-húmida superior a húmida basófila e calcária, dominada por Quercus broteroi(Vila-Viçosa, op.cit.). Este bosque climácico contacta catenalmente com zambujais de Viburno tini­-Oleetum sylvestrissobre solos calcários margosos de carácter vértico, sujeitos a fen­dilhamento no período seco. Em posição edafoxerófila, contacta com azinhais de Lonicero implexae- Quercetum rotundifoliaee com o sobreiral de Asparagoaphylli-Quercetum suberis, que ocorre sobre arenitos e solos basálticos. Este contacta ainda com associações edafo-higrófilas dos salgueirais de Clematido campaniflorae- Salice­tum neotrichae(Costa et al.,2010).A vegetação ripícola é constituída essencialmente por freixiais de Irido foetidissimae-Fraxinetum angustifoliae (Costa et al., 2012).

Neste território dominam ainda as Permaséries rupícolas da comunidade termo a mesomediterrânea, sub-húmida a húmida, de gretas largas do Divisório Português e do arrabidense associadas a rochas calcárias (Sileno longiciliae- Antirrhinetum linkiani); a comunidade mesomediterrânea e luso-extremadurense, que atinge o Oeste-estremenho de forma empobrecida (Asplenio ceterach- Cheilanthetum acrosti­cae); a comunidade mesomediterrânea, de fendas estreitas de calcários do Divisório Português e do arrabidense (Narcisso calcicolae- Asplenietum rutae-murariae) e a comunidade de rochas calcárias planas do sudoeste da Península ibérica (Sedetum micrantho-sediformis).

Relativamente aos biótopos de salgados destaca-se a presença das comunidades halofíticas Spartinetum maritimae, Halimiono portulacoidis-Salicornietum patulaee Holoschoeno-Juncetum acuti.A primeira caracteriza-se por ser uma comunidade hidrófila, pioneira, mono ou pauciespecífica, dominada por Spartina maritima, e que se instala em sedimentos marinhos ou fluvio-marinhos, mais ou menos finos, saturados na maré baixa e sujeitos à influência diária das marés.

A comunidade de Halimiono portulacoidis-Salicornietum patulae caracteriza-se por ser uma associação mediterrâ­nea, cuja sinecologia está associada a locais planos arenosos ou limosos saturados dos níveis baixos dos sapais inundados diariamente, caracterizada pela presença de Salicornia Ramosissima, Suaeda AlbescensePuccinellia Iberica (Costa et al., 2012).

II. METODOLOGIA A modelação espacial da distribuição da VNP do concelho de Loures, baseou­-se num conjunto de variáveis predictivas, consideradas representativas das caracte­rísticas biofísicas presentes no território estudado e em dados de distribuição de comunidades vegetais. Sobre estes conjuntos de dados geográficos foi aplicado um conjunto de ferramentas de análise exploratória e de modelação (estatística machine learninge rule-based), que possibilitaram a criação de modelos predictivos SDM ao nível da comunidade, e por sua vez, a determinação da VNP.

1. Amostragem Os levantamentos das presenças das comunidades vegetais foram efectuados directamente no terreno com recurso a um GPS com correcção diferencial, com base na carta da vegetação actual disponibilizada pela Câmara Municipal (CM) de Loures e ainda com recurso a foto-interpretação de ortofotomapas de 2005 (DGT).

Os pontos de presença foram determinados segundo a amostragem baseada na alocação aleatória proporcional de amostras entre estratos (também conhecida por pro­portional random-stratified sampling) (Ruxton e Colegrave, 2006; Theobald, 2007).

Os pontos de ausência, igualmente determinados por uma amostragem aleatória estratificada, correspondem às áreas sociais onde existe uma menor probabilidade (ou mesmo ausência) de se encontrarem comunidades vegetais inseridas na dinâmica serial das respectivas séries de vegetação. Na alocação das pseudo-ausências para cada série de vegetação foram ainda consideradas as áreas onde se observam condi­ções abióticas extremas entre os biogeossistemas em que se integram as respectivas séries de vegetação, como por exemplo, biótopos halofíticos versus biótopos calcí­colas. Foi adoptada uma prevalência com valor 1 isto é, mesma quantidade de dados de presença e ausência (quadro I), por produzir um equilíbrio ideal entre erros de omissão e comissão nos modelos SDM (Jiménez-Valverde et al., 2009).

2. Selecção das variáveis predictivas O hipervolume de Hutchinson sugere a existência de múltiplos factores deter­minantes na distribuição das espécies e comunidades, constituindo um dos principais aspectos a considerar na operacionalização do SDM (Biondi et al., 2004; Franklin, 2009; Monteiro-Henriques, 2010). As variáveis ambientais a integrar neste tipo de modelos são um dos principais factores passíveis de condicionar o seu desempenho (Hirzel e Le Lay, 2008; Franklin, 2009).

As variáveis predictivas integradas nos modelos SDM geralmente incluem uma mistura de variáveis contínuas e categóricas, não sendo expectável que as relações entre estas e a variável resposta sejam lineares, sendo deste modo, passível a ocor­rência de interacções entre variáveis (Franklin, 2009). A mesma autora adverte que estes factores deverão ser considerados na formulação estatística do SDM.

Neste sentido, as variáveis predictivas seleccionadas resultam do modelo con­ceptual da VNP e da disponibilidade de cartografia de base (curvas de nível (1:10 000) (DGT), carta geológica (1:25 000), carta de solos (1:25 000) (DGADR) e carta de vege­tação actual (1:25 000) (CM Loures). estes dados de base foram integrados em formato matricial (com uma resolução de 5 m) e modelados nos softwaresArcgis 10 (ESRI) e Sagagis, tendo sido determinadas as variáveis predictivas consideradas explicativa se necessárias para a modelação da VNP: altitude, Declive, exposição, Índice topo­gráfico de Humidade, Sky View Factor, solos, geologia e Distância ao Tejoii.

Convém salientar que nas ciências geobotânicas tem sido amplamente reconhecida a importância da edafologia e geologia como factores que controlam os padrões de distribuição das comunidades vegetais (Neto, 2002; Blasi et al., 2004, 2005; Capelo et al., 2007; Monteiro-Henriques, 2010; Biondi et al., 2011; Costa et al., 2012; Portela­-Pereira, 2013). Contudo, em função da escala de análise adoptada, que requer uma maior diferenciação territorial, é vista como fundamental a incorporação adicional de variáveis morfométricasiii para melhor aferição dos gradientes ecológicos (curvas de resposta) e da adequação óptima das séries de vegetação (Perring, 1959; Moore et al., 1991; Mackey, 1993; Franklin, 1995, 2009; Lane et al., 1998; Franklin et al., 2000; Hutchinson e Gallant, 2000; Wilson e Gallant, 2000; Pausas e Austin, 2001; Jetz e Rahbek, 2002; Shriner et al., 2002; Pausas et al., 2003). Por outro lado, van Manen et al. (2002) e Fleishman et al. (2002) evidenciam a proximidade a cursos de água como um factor importante na análise da adequabilidade de habitat. Austin et al. (2006) acrescentam que a selecção das variáveis predictivas tem bastante importância na per­formance do SDM. Neste contexto, apesar de Franklin (2009) e Biondi et al. (2011) sugerirem a utilização da radiação solar potencial na modelação da vegetação, por se tratar de uma variável que exprime um gradiente directo e reflecte o efeito combinado do declive e da exposição no regime térmico/hídrico, optou-se por testar o efeito sepa­rado destas duas variáveis (de gradiente indirecto) (McCune, 2007; Franklin, 2009).

Por outro lado, a exclusão de variáveis predictivas deverá incidir sobre as variáveis menos correlacionadas com a variável de resposta, podendo estas relações serem deter­minadas mediante uma análise exploratória.

Alternativamente poderá ser considerada a aplicação de métodos de normalização numa das variáveis auto-correlacionadas (Leathwick et al., 2005; Franklin, 2009). No entanto, apesar de ser reconhecida a utili­dade da normalização de variáveis predictivas, não se trata de um procedimento comum no SDM (Elith e Leathwick, 2009), apesar de também se admitir que algumas ferramen­tas de modelação são beneficiadas com a normalização das variáveis (Rocha, 2012).

Porém, dados os pressupostos dos modelos SDM (Franklin, 2009), não foram aplicados procedimentos de normalização das variáveis utilizadas no desenvolvimento do modelo da VNP do concelho de Loures. A análise exploratória das variáveis predictivas desem­penha um papel fundamental na modelação adoptada (classification-then-modelling), em particular a análise Canónica de Correspondências (CCA) e a Correlação de Pearson (Ferrier et al., 2002b).

Modelos predictivos baseados em análises de ordenação restritas revelam maior performance quando aplicados ao nível da comunidade, em que é con­templada a diversidade de espécies de múltiplas comunidades vegetais, (Ohmann e Spies, 1998; Legendre e Legendre, 1998; Guisan et al., 1999; Dirnbock et al., 2003).

Neste sentido, a análise CCA define a dispersão máxima dos dados de espécies ou comunidades, em que os eixos da ordenação estão restritos a ser combinações lineares de variáveis ambientais, sendo possível observar a variação contínua na composição das comunidades e relacionar esta variação com gradientes ambientais (Franklin, 2009). A CCA é uma técnica de análise multivariada ou de ordenação, que incorpora regressão múltipla, na qual os eixos são extraídos não só tendo em conta a maximização da inércia (variância) explicada, mas também de modo a que a sua correlação com outro conjunto de variáveis ambientais predictivas seja também maximizada (Ter Braak, 1988). A van­tagem da CCA sobre os demais métodos é que pode ser utilizada para detectar a inter­-relação das comunidades vegetais com os factores ambientais e ainda estudar os casos específicos da resposta de espécies às variáveis predictivas (Kent e Ballard, 1988).

As variáveis predictivas excluídas do processo de modelação deverão ser aquelas que estão fortemente correlacionadas entre si e menos correlacionadas com a variável de resposta. Deste modo, o grau e força da relação entre as variáveis predictivas pode ser determinado mediante análises exploratórias, que expressam as correspondências entre cada variável (independente) e resposta das comunidades (dependente). Antes ou durante a selecção do modelo, as variáveis predictivas podem ser testadas para avaliar a existência e grau de correlação entre as variáveis predictivas (problemas de multico­linearidade) e entre as variáveis predictivas (factores ambientais) e a variável depen­dente (séries de vegetação).

Os métodos baseados na ordenação CCA são sensíveis à colinearidade entre variáveis e, portanto, a inserção de variáveis redundantes leva à introdução de ruído no modelo e a interpretações erradas. Deste modo, poderão ser eliminadas as variáveis que apresentem multicolinearidade (factor de variância-expansão (VIF) ≥ 10 e R≥0,9). A determinação da significância para o conjunto das variáveis predictivas desenvolve­-se com o teste de simulação de Monte Carlo (9999 simulações).

Como a colinearidade significa que as variáveis independentes são correla­cionadas, esta pode ser igualmente detectada através da matriz de correlação entre as variáveis. Assim, de forma a prevenir a ocorrência de multicolinearidade entre variáveis, foi calculada uma matriz de coeficientes de correlação de Pearson entre as variáveis independentes (Rocha, 2012). A ordenação CCA foi efectuada pelo método de análise por gradiente directo no software CanOCO for Windows 4.5, tendo sido consideradas 774 ocorrências, correspondentes a 6 séries de vegetação e 8 variáveis predictivas. A natureza e a força das relações entre cada variável predictiva e as séries de vegetação foram ainda exploradas com recurso à Correlação de Pearson no softwareSPSS 19 (IBM).

3. Modelação da VNP Tendo por base o modelo conceptual da VNP, com a base de dados espaciais e com a possibilidade de integração de um vasto conhecimento empírico, aplicou-se a abordagem classification-then-modelling(fig._2).

As etapas metodológicas desta estratégia de modelação consistem, numa pri­meira fase, na análise exploratória das variáveis predictivas e na ligação ou estabe­lecimento de relações entre os dados georreferenciados das comunidades com as variá­veis predictivas, sendo necessário extrair para uma matriz de dados os valores das localizações das comunidades e das variáveis independentes (Franklin, 1995). Poste­riormente, foram aplicados métodos baseados em algoritmos estatísticos (Modelos Lineares generalizados - GLM, machine learning (Máxima entropia - Maxent), redes neuronais artificiais (RNA), Máquinas de suporte Vetorial (SVM) e rule-based (al­goritmo genético para Produção de um Conjunto de regras - GARP), que descrevem/ integram as relações entre as ocorrências e as variáveis predictivas (Franklin, 1998, 2009; Guisan et al., 1999; Rocha, 2012).

Foram utilizadas cinco técnicas de modelação com o objectivo de determinar quais os modelos que produzem um melhor ajustamento entre a variável dependente e variáveis independentes, e que podem ser eficazmente utilizados para fazer a represen­tação espacial contínua das séries de vegetação em apreciação (quadro II). Vários estu­dos demonstraram que os modelos testados responderam satisfatoriamente à análise de padrões e distribuição de espécies e comunidades vegetais, nomeadamente: o modelo Maxent, aplicado com sucesso por Elith et al.

(2006) e Phillips e Dudík (2008); o modelo GARP por Stockwell e Peters (1999); o modelo SVM por Guo et al. (2005) e Drake et al. (2006); os modelos GLM por Guisan e Zimmermann (2000) e Guisan et al. (2002) e as RNA por Hilbert e van Den Muyzenberg (1999), Hilbert e Ostendorf (2001) e Linderman et al. (2004).

Considerando que, na modelação da ocorrência potencial das séries de vegetação, não foram utilizadas verdadeiras ausências mas sim pseudo-ausências, foi adoptada a designação de mapas de localização adequada (habitat suitability map) (Hirzel et al., 2002; Phillips et al., 2009).

De forma a testar o efeito de selecção das variáveis predictivas no processo de modelação das séries de vegetação e a garantir modelos parcimoniosos, foram testados dois cenários de modelação: 1) com o total de variáveis predictivas e de acordo com a estratégia de modelação aplicada; 2) com as variáveis significativas resultantes da aná­lise de correlação de Pearson.

4. Validação dos Modelos A avaliação dos SDM baseia-se na sua performance predictiva, e é conside­rada a medida mais importante no processo de validação, durante o qual é fre­quente dividir os dados (Guisan e Zimmerman, 2000), com uma parte utilizada para calibrar o modelo, designados dados de treino, e outra para validar as predi­ções, designados dados de validação ou teste (Smith, 1994; Miller e Franklin, 2002). Na modelação predictiva da VNP aplicou-se um rácio de dados de treino e teste de 70:30 (Franklin, 2002; Phillips et al., 2006; Gutierres et al., 2011). Em termos de medidas estatísticas de avaliação da capacidade predictiva, a análise da curva ROC (Receiver Operating Characteristic) constituiu um importante método na medição e especificação de problemas no desempenho dos modelos. Permitiu avaliar a sensibilidade da superfície criada pelo modelo, ou seja, uma represen­tação gráfica dos pares sensibilidade (taxa dos verdadeiros positivos) e especifici­dade (taxa dos falsos positivos). A área abaixo da curva (AUC), delimitada pela união de todos os pares sensibilidade/especificidade, é encarada como uma medi­ção da performance do modelo, independentemente do threshold (linha de corte das respostas de adequabilidade devolvidas pelo modelo) seleccionado para repre­sentar o modelo final da VNP.

Para além da avaliação individual da AUC dos SDM individuais de cada série de vegetação, procedeu-se à aferição da fracção correctamente classificada da carto­grafia predictiva da VNP (decorrente dos dois cenários de modelação e com poste­rior aplicação de valores de threshold do tipo Maximum training sensitivity plus specificity) com a cartografia oficial da VNP da CM Loures (escala 1:25 000), sendo apresentada sob a forma de tabela de contingência. FOI igualmente determinada a qualidade do mapa como um todo sem ter em consideração a qualidade das classes individuais (Precisão global: PG).

III. RESULTADOS Na ordenação CCA das séries de vegetação e das variáveis predictivas, observou- se que o eixo 1, com valor próprio 0,327, apresenta um peso relativo superior ao eixo 2, cujo valor próprio é 0,311 (fig._3). Nesta análise, destaca-se um gradiente de altitude e Humidade, em que os extremos correspondem a séries de vegetação com as seguintes condições: baixa altitude, Índice topográfico de Humidade elevado e menores valores de Sky View Factor (geosérie ripícola), no quadrante I; e altitude elevada, declives elevados e Índice topográfico de Humi­dade baixo (Arisaro simorrhini-Quercetum broteroi), e ainda a elevados valores de Sky View Factor (Viburno tini-Oleetum sylvestris), no quadrante III.

Relativamente ao solo, geologia e Distância ao tejo, do quadrante II para o IV, verifica-se a sua enorme influência na ocorrência e composição particular das séries de vegetação, em que num dos extremos destes gradientes ecológicos (menor Distância ao tejo, ocorrência de aluviões e solos com elevada salinidade) pode observar-se a presença do GeopermaSIGmetum Halófitico. No extremo oposto deste gradiente observa-se um aumento da distância ao tejo (áreas mais interiores e de maior altitude do concelho de Loures), presença de arenitos e solos basálticos (Asparago aphylli-Quercetum suberis) e ainda de afloramentos rochosos com calcários (GeopermaSIGmetum Rupícola).

Deste modo, numa primeira fase, tendo em consideração a inexistência de Multicolinearidade (VIF < 10), auto-correlação (R < 0,9) e inter-relação com as séries de vegetação, foram utilizadas as 8 variáveis predictivas no primeiro cenário de modelação da VNP.

Numa segunda fase, resultante da análise de correlação foram seleccionadas as variáveis com maior significância e correlação com as séries de vegetação, que foram incorporadas no segundo cenário de modelação da VNP (quadro_III).

Todos os modelos foram comparados segundo o valor de AUC, quer entre as várias séries de vegetação, quer entre os modelos desenvolvidos pelas diferentes técnicas. Observa-se, no quadro_IV, que para todas as séries de vegetação os modelos Maxent, GLM e SVM apresentam melhor desempenho predictivo face aos restantes (valores médios de AUC > 0.85). Deste modo, as omissões sobre as amostras de validação ajustam-se bem à taxa de omissão prevista, o que significa um bom desem­penho dos modelos e que a AUC gerada foi maior do que o valor aleatório (0,5), o que também é revelador de um bom desempenho dos modelos.

No presente estudo os modelos do tipo machine learning baseados em dados de presença (Maxent e SVM) apresentam uma performance predictiva mais ele­vada face aos modelos de presença-ausência. São técnicas com elevado ajusta­mento, devido à implementação de funções de respostas não lineares e aplicação de funções mais complexas ao nível de separação das classes das variáveis predic­tivas (Phillips e Dudík, 2008).

A elevada performance do modelo Maxent na modelação da VNP baseia-se nas seguintes características: a) a probabilidade de distribuição é definida mate­maticamente e, portanto, a formulação do modelo é relativamente transparente; b) permite considerar interacções entre as variáveis predictivas; c) permite consi­derar transformações polinomiais dos preditores; d) permite avaliar a influência de cada variável predictiva na distribuição final da VNP; e e) apresenta um desem­penho relativamente bom com amostras pequenas. No entanto apresenta as seguintes desvantagens: a) não possui procedimentos de selecção de variáveis predictivas; b) podem ocorrer fragilidades ao lidar com amostras enviesadas (rocha, 2012).

O modelo SVM apresenta igualmente uma alta performance predictiva como resultado de conferir suporte às tarefas de regressão e classificação e con­seguir lidar com múltiplas variáveis contínuas e categóricas. Segundo Rocha (2012), a SVM é “um classificador binário que procura um hiperplano óptimo como uma função de decisão num espaço de dimensões maiores”. Acresce ainda a vantagem da possibilidade de definição das designadas variáveis soltas (ou variáveis de folga) no processo de treino, em que os padrões de treino não sepa­ráveis linearmente no espaço de características podem ser tratados. Por último, a SVM recorre a um algoritmo de treino iterativo, que é utilizado para minimizar uma função de erro.

Apesar de ser reconhecida melhor eficiência das técnicas de modelação baseadas em dados de presença-ausência (Brotons et al., 2004; Franklin, 2009; Palialexis et al., 2011), no presente estudo apenas o modelo GLM corrobora esta tendência.

O GLM apresenta as seguintes vantagens: a) considera interacções entre variáveis e relações não lineares entre as variáveis predictivas e de resposta; b) permite analisar a influência que cada preditor tem no padrão de distribuição da VNP; c) o algoritmo apresenta numerosas derivações para a resolução de pro­blemas tais como a auto-correlação espacial, preditores correlacionados e amostra­gem de enviesamento amostral e d) as medidas de incerteza na estimativa dos coeficientes de regressão e análise residual permitem investigar as fontes e a dis­tribuição espacial dos erros do modelo.

No entanto, apresenta algumas desvanta­gens: a) os procedimentos de selecção de variáveis (Critério de informação de akaike - AIC) não seleccionam com a frequência desejável o modelo com a exac­tidão potencial mais alta. b) permite determinar a importância relativa de cada variável na capacidade predictiva do modelo da VPN; e c) a distribuição predita é extremamente sensível à relação entre a presença e a ausência de ocorrências nos dados (Rocha, 2012).

Deste modo, a boa performance predictiva do GLM na modelação da VNP advém do facto de se tratar de um modelo de regressão linear com elevada capaci­dade predictiva, em virtude da sua flexibilidade para todos os tipos de dados e das funções de ligação que utiliza para relacionar as variáveis independentes (tanto contínuas como categóricas). E ainda pelo facto de se terem utilizado equilibra­damente as quantidades de ausências e de presença para simular a prevalência esti­mada das séries de vegetação na área de estudo.

Relativamente às RNA, apesar de ser descrita como uma técnica de mode­lação adequada para modelos ecológicos complexos não lineares, ficou aquém dos resultados esperados. As RNA apresentam a vantagem de não requererem uma compreensão a priori das relações entre as variáveis predictivas. Contudo, elas são sensíveis à composição do conjunto de dados e à formação inicial dos parâmetros da rede (Özesmi et al., 2006). Existem numerosos tipos de algoritmos de apren­dizagem específicos para determinados modelos de redes neuronais, que diferem entre si principalmente pelo modo como os pesos atribuídos à rede são modi­ficados. Deste modo, a pior performance predictiva na modelação da VNP estará relacionada com os padrões de treino colocados na entrada da rede neuronal, que conduziu a um problema de aprendizagem da rede. Trata-se portanto de um modelo que requer a reiniciação do processo, compreensão das dificuldades (caixa-negra) e correcção das falhas.

Por último, o modelo GARP obteve igualmente uma performance inferior ao potencial expectável para a modelação da VNP. Esta técnica é descrita como um algoritmo de aprendizagem máquina para desenvolver um conjunto de regras. O GARP procura iterativamente correlações não-aleatórias entre as presenças e as ausências (pseudo-ausências geradas pelo algoritmo) e os factores predictivos.

No entanto apresenta diversas desvantagens: a) gera pseudo-ausências e não per­mite que sejam substituídas; b) os mapas predictivos não são determinísticos. As saídas vão ser diferentes em diferentes execuções do GARP, mesmo que sejam utilizados os mesmos dados de ocorrência; c) é difícil de interpretar (caixa-ne­gra); d) há tendência para erros de comissão; e e) não possui procedimentos de selecção de variáveis.