O objetivo deste estudo pautou-se em analisar o desempenho de um modelo baseado em Cadeias de Markov e Autômatos Celulares para predizer o uso e ocupação da terra em ambientes sujeitos à desertificação. A área de estudo corresponde à bacia hidrográfica do rio Vieira, Montes Claros, Minas Gerais, delimitada a partir de um conjunto de dados SRTM. Foram utilizados os softwares ArcGIS 10.0 e o Idrisi Selva. Uma análise temporal das classes de uso da terra foi realizada. As imagens do satélite TM/LANDSAT-5, datadas de 26 de agosto de 1990, 9 de setembro de 1995, 22 de setembro de 2000 e 18 de julho de 2005 foram classificadas em quatro classes de uso e ocupação da terra: Área urbana, Vegetação, Área agrícola/Pastagem e Solo exposto. Foi calculado o índice Kappa no software Idrisi. As matrizes de Markov, que descrevem as probabilidades de transição entre as mudanças de uso da terra, foram derivadas para os seguintes pares de imagens: 1990-2005, 1995-2005, 2000-2005 e 1995-2000, utilizados para predizer o uso e ocupação da terra para os respectivos anos: 2005, 2010, 2015 e 2020. O modelo CA_Markov do Idrisi foi aplicado a cada um destes pares, a fim de proporcionar uma descrição espacial das mudanças de uso e ocupação da terra estimadas pela Cadeia de Markov. Em seguida, os resultados foram comparados com as imagens anteriormente classificadas dos anos correspondentes, utilizando o índice Kappa como indicador de mudança. Uma análise quantitativa para cada classe de uso e ocupação da terra na área de estudo apontou que tanto a Área urbana e como o Solo exposto tiveram um aumento constante ao longo dos anos, enquanto que a Vegetação e Área agrícola/Pastagem apresentaram tendência de redução. Os resultados de Autômatos Celulares devem ser avaliados separadamente daqueles da Cadeia de Markov. Esta última mostrou-se eficiente na predição quantitativa das mudanças de uso da terra. Em relação aos Autômatos Celulares, pôde-se perceber um desempenho mediano na espacialização das classes. Especificamente, no que se refere à desertificação, o emprego do modelo CA_Markov foi eficaz para estimar a área total da classe de maior suscetibilidade a este processo, o Solo exposto; entretanto, mostrou-se ineficiente em sua espacialização. Mesmo com as ressalvas relacionadas ao desempenho dos Autômatos Celulares, pode-se considerar como boa a capacidade geral de predição do modelo CA_Markov.
The foremost objective of this study was to a analyze the performance of a Markov Chain/Cellular Automata model for predicting land use/land cover changes in environments subjected to desertification. The study area is the Vieira river basin, located in Montes Claros, state of Minas Gerais, Brazil, bounded from a SRTM dataset. A temporal analysis of land use/land cover changes and the classifications overall accuracy, measured by the Kappa index, was held in ArcGIS 10 and Idrisi Selva software. A set of Landsat-5 TM images, for Aug.1990, Sep.1995, Sep.2000 and Jul.2005 were classified into 4 classes of land use/land cover: Urban Area, Forest, Cropland/Pasture, and Bare Soil. The Markov matrices, which describe the transition probabilities between land use changes, were derived for the following pair of images: 1995-2000, 2000-2005, 1995-2005, 1995-2000, and then used to forecast land use for these respective years: 2005, 2010, 2015 and 2020. The CA_Markov model from Idrisi was applied to each one of these pairs in order to provide a spatial depiction of the land use changes estimated by the Markov Chain model. Next, the results were compared to the previously classified images from the corresponding years, using the Kappa index as change indicator. A quantitative temporal analysis for each land use/land cover class in the study area pointed out that both Urban Area and Bare Soil classes faced a steady increase over the years, while Forest and Cropland/Pasture presented an opposite trend. Results from Cellular Automata should be evaluated separately from those of the Markov Chain model. The latter proved to be efficient in the quantitative prediction of changes in land use/land cover. Regarding the Cellular Automata it was possible to notice an average performance in the spatial distribution of classes. Specifically, with regard to desertification, the use of CA_Markov model was effective to estimate the total area of the most susceptible class to this process, the Bare soil, however, was inefficient in its spatialization. Even with the caveats relating to the performance of Cellular Automata can be considered as good overall capacity prediction CA_Markov model.
