Indicador SDG 11.3.1

fundo

Nota

Fonte: UN-Habitat (2019) Indicador SDG 11.3.1 Módulo de Treinamento: Eficiência do Uso da Terra. Programa das Nações Unidas para o Assentamento Humano (UN-Habitat), Nairobi.

Os assentamentos humanos, em todas as suas diversas formas, apropriam-se da terra de maneiras variadas. Assim como os organismos vivos, os assentamentos urbanos (cidades) evoluem, transformam, adaptam, inovam e mudam com as tendências emergentes. Os assentamentos urbanos expandem, encolhem, densificam, intensificam, envelhecem e, às vezes, suas funções migram para áreas mais propícias à sua sobrevivência. Todas essas tendências nos assentamentos urbanos estão intimamente associadas a fatores como mudanças na população, potencial econômico e produtividade, condições físicas e sociais predominantes, presença de políticas facilitadoras, entre outras coisas.

Um país que maximiza os muitos benefícios associados à urbanização é aquele que é capaz de entender, medir e prever as tendências de crescimento de suas áreas urbanas; e, por sua vez, colocar em prática as ações / intervenções necessárias para explorar os benefícios desse crescimento, minimizando os desafios igualmente diversos associados à urbanização não planejada. O planejamento pró-ativo - que é um pré-requisito importante para a urbanização sustentável - requer que as autoridades municipais e outros atores relevantes prevejam a direção do crescimento de uma cidade e / ou modelem esse crescimento, fornecendo as instalações, serviços e políticas e aspectos legais necessários. estruturas antes do desenvolvimento. Isso resulta em crescimento planejado e eqüitativo, em que a maioria dos moradores da cidade tem acesso aos serviços básicos, oportunidades econômicas e sociais e onde a sustentabilidade ambiental prevalece. No centro de tudo isso está a necessidade de geração e disseminação de dados atualizados e precisos sobre tendências de crescimento em cidades e assentamentos urbanos.

** A meta 11.3 visa melhorar a urbanização inclusiva e sustentável e a capacidade de planejamento e gestão de assentamentos humanos participativos, integrados e sustentáveis em todos os países até 2030 **. Para monitorar o progresso rumo à consecução da meta 11.3, a ONU estabeleceu o indicador 11.3.1, que mede a eficiência com que as cidades utilizam a terra, que é medida como uma relação entre a taxa em que as cidades consomem terras de acordo com a taxa de crescimento de suas populações. ** Evidências empíricas mostram que cidades que são compactas usam terras de forma mais eficiente e estão em melhor posição para fornecer bens públicos e serviços básicos a um custo menor **. Essas cidades podem consumir menos energia, gerenciar melhor os resíduos e têm maior probabilidade de maximizar os benefícios associados à economia da aglomeração. Por outro lado, cidades em expansão (cidades não-compactas) experimentam maior demanda por mobilidade; aumento do consumo de energia; degradação ambiental; aumento do custo de prestação de serviços básicos per capita (por exemplo, água, saneamento, drenagem); aumento do custo da infraestrutura per capita; redução nas economias de aglomeração; e diminuição da produtividade urbana.

Ao medir a taxa em que as cidades consomem terras em relação à sua taxa de crescimento populacional, as autoridades municipais e os tomadores de decisão podem projetar a demanda por bens e serviços públicos, identificar novas áreas de crescimento e influenciar proativamente o desenvolvimento urbano sustentável. Isso é necessário para fornecer infraestrutura, serviços e comodidades adequados para a melhoria das condições de vida para todos. A geração e disseminação de dados sobre este indicador é, portanto, não apenas crucial para entender a dinâmica do crescimento urbano e a formulação de políticas e diretrizes informadas, mas também está no centro da promoção da urbanização sustentável.

Justificativa para o monitoramento

Nota

Fonte: UN-Habitat (2019) Indicador SDG 11.3.1 Módulo de Treinamento: Eficiência do Uso da Terra. Programa das Nações Unidas para o Assentamento Humano (UN-Habitat), Nairobi.

Compreender como uma cidade / área urbana se expande espacialmente em relação a sua taxa de mudança populacional é fundamental para determinar, entre outras coisas, a natureza do crescimento dos assentamentos humanos (formal versus informal) e a velocidade de conversão de terras periféricas para funções urbanizadas. Esses dois elementos têm implicações significativas na demanda e no custo da prestação de serviços, bem como na preservação e conservação ambiental.

Para alcançar o desenvolvimento sustentável, os países precisam entender a rapidez com que suas áreas urbanas estão crescendo e em qual direção. Isso não apenas os ajudará a entender as tendências de crescimento e atenderá efetivamente à demanda por serviços básicos, mas também ajudará a criar políticas que incentivem o uso otimizado de terras urbanas, protegendo efetivamente outros usos da terra (ambientes naturais, fazendas, etc.). Além disso, a conquista de uma urbanização inclusiva e sustentável requer que os recursos sejam utilizados de uma maneira que possa acomodar o crescimento populacional da migração e do aumento natural, preservando as áreas ambientalmente sensíveis do desenvolvimento.

A finalidade de monitorar o progresso em relação ao indicador de ODS 11.3.1 é, portanto, fornecer informações necessárias e oportunas para os tomadores de decisão e partes interessadas, a fim de acelerar o progresso em direção a uma urbanização inclusiva e sustentável. ** Cumprir a meta 11.3 até 2030 exige, no mínimo, desacelerar a expansão urbana e, se possível, assegurar que a compactividade das cidades seja mantida ou aumentada com o tempo **.

Indicador e necessidades de dados

O indicador 11.3.1 é definido como a razão ** entre a taxa de consumo da terra e a taxa de crescimento da população ** (Figura 1). Para calcular este indicador, são necessárias informações sobre a extensão urbana e população em pelo menos dois momentos no tempo, e ainda mais se estivermos interessados em avaliar a mudança no indicador ao longo do tempo.

../_images/sdg11_equations.png

Figura 1: O indicador de objetivo de desenvolvimento sustentável (SDG) 11.3.1 é calculado como a razão entre a taxa anual de consumo da terra (ALCR) e a taxa anual de crescimento populacional (APGR) entre os tempos 1 e 2. Ln: logaritmo natural, Urb: área urbana, pop: população, t: tempo em anos.

Avaliando mudanças no SDG 11.3.1. ao longo do tempo requer uma quantidade significativa de informação, uma vez que requer conhecer a extensão urbana e a contagem populacional por vários anos. Os dados de observação da Terra nos permitem estimar a extensão da área construída dentro de uma cidade e, em seguida, usar algoritmos de análise espacial estimam a extensão dos diferentes elementos dentro do ambiente urbano (por exemplo, edifícios, espaços abertos, corpos de água etc.). Em | trends.earth | Adotamos o fluxo de trabalho abaixo (Figura 2) para facilitar o processo. Fazendo uso dos supercomputadores do Google Earth Engine, do arquivo completo do Landsat entre 1997 e 2019 e do conjunto de dados do GMIS (Brown de Colstoun et al 2017), | Trends.Earth | computou uma série de índices de superfície impermeáveis globalmente disponíveis em resolução de 30m para informar sobre a extensão urbana para os anos 2000, 2005, 2010 e 2015. Combinada com dados de entrada e população do usuário, a ferramenta calcula SDG 11.3.1 tanto na forma de mapas e tabelas para facilitar a interpretação e a geração de relatórios.

../_images/sdg11_data_needs.png

Figura 2: Fluxo de trabalho de Trends.Earth para computação SDG 11.3.1. Os índices globais de superfície impermeável de 30m foram pré-calculados e estão disponíveis para os usuários explorarem no ` Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> _, onde o usuário define a extensão acumulada simplesmente atribuindo uma série de limites.

Consumo de terra

Para estimar o consumo de terrenos em | trends.earth |, uma série temporal pré-computada de indicadores de superfície impermeável está disponível globalmente a uma resolução de 30 m. Na seção abaixo, você aprenderá como os indicadores foram computados e algumas recomendações sobre como usá-los para calcular o indicador para o SDG 11.3.1.

Do ISI ao construído

Para estimar a área ocupada por superfícies impermeáveis em uma cidade, precisamos converter o índice de superfície impermeável contínua (ISI) em um mapa binário que separa áreas construídas daquelas não construídas. Este processo é feito definindo uma série de valores de limiar no `Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> `_, que varia por região.

../_images/sdg11_thresholds.png

Figure 5: In Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> `_ o usuário tem controle sobre como a conversão do Índice de Superfície Impervious contínuo (ISI, à direita) para o mapa da área construída binária (construído à esquerda) ocorrerá para sua cidade de interesse.

Em | trends.earth | o usuário precisa definir 3 valores limiares que serão usados pela ferramenta para estimar a área construída para a área de interesse. Esses limites são:

  • ** Índice de superfície impermeável (ISI, 0-100) **: Este é um índice que varia entre 0 e 100, com valores mais altos sendo indicativos de uma maior porcentagem de superfície impermeável nos 30 m pixels. Definir o valor limite do ISI como inferior significará que o conjunto de dados da sua área construída final incluirá áreas com baixa densidade de construção, geralmente encontradas nas periferias das cidades. Definir este valor mais alto fará com que a avaliação se concentre nos centros urbanos de alta densidade.
  • ** Índice de Luzes Noturnas (NTL, 0-100) **: O índice de superfície impermeável pode, em alguns casos, apresentar valores altos para áreas cobertas de solo ou rochas secas nuas, uma vez que esses tipos de superfícies têm propriedades espectrais semelhantes às de superfícies impermeáveis feitas pelo homem. Para filtrar essas áreas, usamos luzes noturnas, removendo áreas com altas luzes ISI e baixas noturnas presentes fora dos limites da cidade. A falta de uma série temporal de luzes noturnas consistentemente calibradas para o período de tempo considerado (2000-2015) significa que não podemos mascarar o ano com o ano correspondente, por isso usamos VIIRS Nighttime Day / Night Composites Version 1 para o ano de 2015 (NOA, 2019). Definir o valor do limite de NTL como inferior significará que o conjunto de dados da sua área construída final incluirá áreas com baixa densidade de luz, geralmente encontradas nas periferias das cidades. Definir este valor mais alto fará com que a avaliação se concentre nos centros urbanos de alta densidade.
  • ** Índice de Freqüência da Água (WFI, 0-100) **: A presença de água é uma característica muito dinâmica do ambiente costeiro ou fluvial, em alguns casos a água inundará áreas terrestres e em outros, humanos invadirão corpos d'água para ocupar espaço. Para capturar algumas dessas dinâmicas, integramos na ferramenta um conjunto de dados de frequência de água (Pekel et al 2016). Ao ajustar o limiar de frequência da água, o usuário pode optar por destacar essas áreas dinâmicas da água da terra. Definir o valor limite da frequência da água como inferior significa que o conjunto de dados da sua área construída final será considerado como coberto por áreas de água com menores frequências de água ao longo da série temporal, como rios ou lagos intermitentes. Ajustar este valor mais alto restringirá os corpos d'água a áreas com alta frequência de ocorrência de água (ou seja, rios e lagos permanentes).
../_images/sdg11_urban_mapper.png

Figure 6: In Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> `_ o usuário define uma série de limites para ir do Índice de Superfície Impermeável contínuo (ISI, à direita) para o mapa da área construída binária (construído à esquerda).

Teste de consistência

Ao classificar dados de sensoriamento remoto em produtos derivados, como o índice de superfície impermeável calculado por | trends.earth |, ocorrem erros de omissão e comissão. Uma das vantagens da análise de séries temporais é que as imagens de diferentes anos podem ser usadas para identificar inconsistências na análise. Por essa razão, as camadas ISI de 1998 e 2018 foram computadas nesta análise, para adicionar pontos de dados pré e pós para filtrar possíveis erros nas classificações das séries de 2000 a 2015.

Os limites definidos na seção anterior (ISI, NTL e WFR) são aplicados a cada uma das camadas individuais de 1998, 2000, 2005, 2010, 2015 e 2018, gerando uma série de mapas binários. Os seis mapas binários são posteriormente combinados em um conjunto de dados de séries temporais que contém informações sobre a natureza de cada pixel para cada ano como &quot;construído&quot; ou &quot;não construído&quot;. Uma regra principal é aplicada posteriormente a essa série:

  • Um pixel é considerado construído somente se 50% ou mais dos pontos de dados após a primeira detecção integrada identificar a mesma área que o construído. Para esses pixels, a primeira detecção como construída será considerada o ano de conversão. Áreas com menos de 50% construídas após a primeira detecção serão consideradas como erros na classificação e, consequentemente, não serão construídas. Reconhecemos que, ao aplicar essa regra, estamos limitando a capacidade do conjunto de dados de detectar transições de construídas para não construídas. No entanto, dada a baixa probabilidade de que essa transição ocorra em ambientes urbanos, nos sentimos à vontade para fazer essa suposição. Inspeção visual dos resultados suportam a abordagem.

Teste global

Trends.Earth provides through the Urban Mapper and the QGIS plug-in access to the global 30m time series of impervious surface indices. It is important however understand that the dataset has its limitations, and user’s input and control is needed to assess changes in indicator SDG 11.3.1 accurately. To test the performance of the indicator, we run the analysis on 224 cities globally (200 national capitals + 24 large cities in the Unites States of America, Figure 7). Using the Urban Mapper and visually comparing the product to very high spatial resolution images, we were able to define the thresholds appropriate for each city (ISI, NTL, and WFI) and also assess the quality of the product in a scale from 0 to 5. The results show that for 83% of the cities assessed Trends.Earth data can be used for estimating indicator SDG 11.3.1. The biggest limitation remains in small island states (for which no training data was available), hyper arid areas, and areas with low image availability.

  1. ** Nenhum dado **: Cidades para as quais não há dados de treinamento disponíveis para construir o conjunto de dados de superfície impermeável. Essas cidades representam 6,2% da amostra avaliada.
  2. ** Inutilizável **: Cidades para as quais os resultados estão disponíveis, mas devido à baixa disponibilidade de imagens Landsat impediu a produção de um produto de boa qualidade. Esses resultados não devem ser usados para calcular o indicador SDG 11.3.1. Essas cidades representam 0,9% da amostra avaliada.
  3. ** Problemática **: Cidades com resultados de uso potencial para entender melhor os padrões espaciais de expansão da área construída, mas com erros significativos. Esses resultados não devem ser usados para calcular o indicador SDG 11.3.1. Essas cidades representam 4,0% da amostra avaliada.
  4. ** Alguns problemas **: as cidades com resultados mostrando alguns problemas que confundem superfícies de solo descobertas com área construída podem ser usadas para o cálculo do SDG 11.3.1 após a inspeção detalhada dos dados. Essas cidades representam 6,2% da amostra avaliada.
  5. ** Pequenos problemas **: Cidades com dados de alta qualidade, mas com a presença de algumas pequenas áreas de confusão. Esses dados podem ser usados para calcular o SDG 11.3.1. Essas cidades representam 12,5% da amostra avaliada.
  6. ** Alta qualidade **: Cidades com dados de alta qualidade que mostram uma concordância perfeita entre a área construída usando dados do Trends.Earth e imagens de alta resolução disponíveis no Google Earth, alta confiança para estimar o SDG 11.3.1. Essas cidades representam 70,1% da amostra avaliada.
../_images/sdg11_map_cities_score.png

`Figura 7: Após o teste em 224 grandes cidades ao redor do mundo, os resultados mostram que, para 83% das cidades avaliadas, os dados do Trends.Earth podem ser usados para estimar o indicador SDG 11.3.1. A maior limitação permanece nos pequenos estados insulares (para os quais não há dados de treinamento disponíveis), áreas hiperáridas e áreas com baixa disponibilidade de imagens.

../_images/sdg11_map_cities_isi.png ../_images/sdg11_map_cities_ntl.png ../_images/sdg11_map_cities_wfr.png

Figura 8: Distribuição espacial dos parâmetros de limiar selecionados para a amostra de 224 cidades testadas. Parte superior: Indicador de área de superfície impermeável, meio: indicador de luzes nocturnas e fundo: indicador de frequência de água. ».

A partir da análise de 224 cidades globalmente, pudemos estimar o intervalo de parâmetros mais comumente usados. Os valores mais utilizados foram: ** ISI = 30, NTL = 10, WFR = 25 **. Esses eram os parâmetros padrão definidos no `Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> `_ e plugin QGIS, mas é importante lembrar que, para cada cidade, uma inspeção cuidadosa do dataset deve ser realizada, a fim de encontrar o conjunto de parâmetros que melhor funcionem para cada site.

../_images/sdg11_thresholds_histograms.png

`Figura 9: Distribuição de frequência dos parâmetros limiares selecionados para a amostra de 224 cidades testadas. Esquerda: Indicador de área de superfície impermeável, meio: indicador de luzes nocturnas e direito: indicador de frequência de água. ».

Zonas urbanas

A extensão urbana é a área proposta de estudo que compreende a área construída e o espaço aberto urbanizado da cidade, juntamente com áreas adicionadas pela análise de proximidade (UN-Habitat, 2019). O UN-Habitat sugere a classificação da área de interesse nas 6 classes seguintes, a fim de identificar a área que será usada na estimativa da taxa anual de consumo da terra (Figura 1):

As áreas construídas serão classificadas com base na densidade dentro de um raio de 500 m de cada pixel:

  1. Urbano:&gt; 50% construído no raio de 500 m.
  2. Suburbano: 25 a 50% de ocupação no raio de 500 m.
  3. Rural: &lt;25% construídos no raio de 500 m.

As áreas não construídas serão consideradas espaços abertos (OS), e serão classificadas da seguinte forma:

  1. Fringe espaço aberto: espaço aberto &lt;100 m de áreas urbanas e suburbanas.
  2. Espaço aberto capturado: espaço aberto totalmente cercado por espaço aberto de franja.
  3. Espaço aberto rural: Todos os outros espaços abertos.

Em | trends.earth |, adicionamos ao esquema acima, diferenciando a terra do espaço aberto da água, uma vez que os usos que os cidadãos podem fazer de cada espaço são muito diferentes.

  1. Franja espaço aberto - água: Franja espaço aberto coberto por água
  2. Espaço aberto capturado - água: Espaço aberto capturado coberto por água
  3. Espaço rural aberto - água: Espaço aberto rural coberto por água

A extensão urbana é determinada pela área combinada das classes 1, 2, 4, 5, 7 e 8 (urbano, suburbano e periférico e espaço aberto capturado).

../_images/sdg11_urban_area_qgis.png

Figura 10: Resultado da análise do SDG 11.3.1 mostrando os diferentes elementos que compõem o espaço urbano.

Com essa informação, podemos agora estimar as taxas de expansão urbana ao longo do tempo para os períodos 2000-2005, 2010 e 2010-2015 necessários para estimar a taxa anual de consumo da terra.

Crescimento populacional

Nota

Fonte: UN-Habitat (2019) Indicador SDG 11.3.1 Módulo de Treinamento: Eficiência do Uso da Terra. Programa das Nações Unidas para o Assentamento Humano (UN-Habitat), Nairobi.

Uma vez que as áreas urbanizadas tenham sido definidas, o próximo passo é estabelecer quantas pessoas vivem dentro dessas áreas para cada ano de análise. Esta informação é então usada para calcular a taxa de crescimento da população anualizada. A estimativa do número de pessoas que vivem dentro de cada área de serviço pode ser obtida por meio de duas abordagens amplas:

  1. ** Uso de dados de alta resolução dos escritórios nacionais de estatística (NSOs) **: Nesta opção, os dados do censo são usados para agregar o número de pessoas que vivem em todos os domicílios dentro dos limites urbanos. As projecções e extrapolações também podem ser facilmente realizadas com base nas características do agregado familiar para anos de relatório específicos. O processo é muito mais fácil onde as unidades de recenseamento dinâmico são usadas para identificar a área urbanizada, particularmente porque estas estão bem alinhadas com a arquitetura de dados da população oficial. Esta opção fornece os dados populacionais mais precisos e autoritários para o cálculo do indicador e é altamente incentivada.
  2. ** Uso da população em grade **: Nesta opção, é feita uma grade populacional distribuindo a população para toda a unidade administrativa ou da área do censo. Atributos como a presença de áreas habitáveis (classes de uso da terra) podem ser usados para distribuir a população, de modo que as células da grade em trilhas de terra não desenvolvida ou em áreas industriais terão menos população do que áreas residenciais de alta densidade. Na grade resultante, cada célula da grade terá um valor único, que depende de fatores como a população total dentro da unidade administrativa / de recenseamento envolvente e o número e / ou quantidade das classes de uso da terra habitáveis. A Figura 5 ilustra a lógica geral das redes populacionais usando apenas uma classe de uso da terra - as áreas construídas. A grade da população deve sempre cobrir uma área maior do que os limites urbanos definidos. Uma vez criadas as redes populacionais, a estimativa da população que vive dentro dos limites urbanos pode então ser alcançada pela agregação de populações das células da grade fechadas. Na ausência de dados de alta resolução dos NSOs, esta opção produz melhores estimativas para a população, embora dados de entrada de alta qualidade e análise de vários níveis sejam essenciais para uma maior precisão dos dados. Conjuntos de dados globais representando populações em redes de 1km² e 250m estão disponíveis (por exemplo, GPWv4, GHS-POP, WorldPop); a maioria assume distribuição igualitária da população para as classes habitáveis (por exemplo, áreas construídas). Esta abordagem é proposta para o cálculo do indicador em que os dados de alta resolução dos serviços nacionais de estatística não estão disponíveis ou são de fácil acesso.