Demand: Nesta classe a demanda final é informada. A
Transcrição
Demand: Nesta classe a demanda final é informada. A
Demand: Nesta classe a demanda final é informada. A demanda para cada uso é a sua extensão total para cada ano. Class demand = PreComputedValues { attributes = {a,b,c} anualDemand = { {1895.75, 487.75, 435.5}, {1544.875, 456.906,455.84375}, Description Extensão de cada uso em cada ano. Cada linha na tabela representa a demanda para um ano. Potential: Estas classes calculam o potencial de mudança de cada célula para ser utilizado no componente de alocação. Class potential = LinearRegression { landUseDrivers = {...}, regressionData = { { const =, err=, betas = {...}, attributes ={...}, }, { const =, err =, betas = {...}, attributes ={...}, }, ... One table for each land use }, } Description Calcula o potencial de mudança de cada célula, baseado nos coeficientes da regressão linear. Usado para dados de uso da terra contínuos. Parâmetros: landUseDrivers: fatores de influência dos usos contidos no banco de dados. regressionData: tabela com os parâmetros de regressão para cada atributo em cada uso: const: constante da regressão linear error: erro estimado da regressão linear betas: betas da regressão linear para cada um dos fatores attributes: índice dos landUseDrivers (fatores) que foram usados na regressão Example: landUseDrivers = {slope, forest_reserves, connection_ports } betas = { 1.03, 0.42} attributes = {1,3} Significa que: slope beta = 1.03, connection_ports = 0.42 potential = LogisticRegression { landUseDrivers = {}, regressionData = { { { const =, betas = {...}, attributes ={...}, Calcula o potencial de mudança de cada célula, baseado nos coeficientes da regressão logística. Usado para dados de uso da terra discretos. Parâmetros: landUseDrivers: fatores de influência dos usos contidos no banco de dados. regressionData: tabela com os parâmetros de regressão para cada atributo em cada região. Portanto esta é uma tabela de dois elasticity =, }, { const =, betas = {...}, attributes ={...}, elasticity =, }, ... One set for each land use }, ... One set for each region }, } potential =NeighAttractionLogisticRegression { filename = "C:\\MyGAL.gal", landUseDrivers = {}, regressionData = { { { const =, betas = {...}, attributes ={...}, elasticity =, percNeighborsUse = }, { const =, betas = {...}, attributes ={...}, elasticity =, percNeighborsUse = }, ... One set for each land use }, }, } níveis. O primeiro nível representa a região e o Segundo os parâmetros para cada atributo. As regiões precisam ser definidas em um modelo externo, caso contrário é considerada apenas uma região. const: constante da regressão linear betas: betas da regressão linear para cada um dos fatores attributes: índice dos landUseDrivers (fatores) que foram usados na regressão elasticity: valor entre 0 e 1 onde quanto mais próximo de 1 maior a dificuldade de conversão para outros usos. Example: landUseDrivers = {slope, forest_reserves, connection_ports } betas = { 1.03, 0.42} attributes = {1,3} Means: slope beta = 1.03, connection_ports = 0.42 Calcula o potencial de mudança de cada célula baseado nos coeficientes da regressão logística considerando as células vizinhas. Pode ser usado quando o dado de uso é discreto. Parâmetros: filename: Arquivo GAL que contém a vizinhança. Se nenhum arquivo é definido uma vizinhança de Moore é criada. landUseDrivers: fatores de influência dos usos contidos no banco de dados. regressionData tabela com os parâmetros de regressão para cada atributo em cada região. Portanto esta é uma tabela de dois níveis. O primeiro nível representa a região e o Segundo os parâmetros para cada atributo. As regiões precisam ser definidas em um modelo externo, caso contrário é considerada apenas uma região. const: constante da regressão logística betas: betas da regressão logística para cada um dos fatores attributes: índice dos landUseDrivers (fatores) que foram usados na regressão elasticity: valor entre 0 e 1 onde quanto mais próximo de 1 maior a dificuldade de conversão para outros usos. percNeighborsUse: porcentagem de vizinhos com mesmo uso a partir da qual os vizinhos passam a influenciar o potencial. Example: landUseDrivers = {slope, forest_reserves, connection_ports } betas = { 1.03, 0.42} attributes = {1,3} Means: slope beta = 1.03, connection_ports = 0.42 potential = SpatialLagRegression { filename = "C:\\MyGAL.gal", landUseDrivers = {...}, regressionData = { { ro =, err=, betas = {...}, attributes ={...}, }, { ro =, err =, betas = {...}, attributes ={...}, }, ... One table for each land use }, } Calcula o potencial de mudança de cada célula, baseado nos coeficientes da regressão spatial lag. Usado para dados de uso da terra contínuos. filename: Arquivo GAL que contém a vizinhança. Se nenhum arquivo é definido uma vizinhança de Moore é criada. landUseDrivers: fatores de influência dos usos contidos no banco de dados. regressionData: uma tabela contend os parâmetros da regressão para cada atributo: ro: coeficiente auto regressive const: constante da regressão error: erro estimado da regressão betas: betas da regressão para cada um dos fatores attributes: índice dos landUseDrivers (fatores) que foram usados na regressão Example: landUseDrivers = {slope, forest_reserves, connection_ports } betas = { 1.03, 0.42} attributes = {1,3} Means: slope beta = 1.03, connection_ports = 0.42 Allocation: These classes allocate the land uses based on potential calculated for each cell. Class allocation = AllocationClueLike { isHierarchicallyCoupled = true, maxDifference =, maxIteration = , limForest =, maxChange =, minElasticity = allocationData = { { isLog = false, static = -1 Description Essa class epode ser usada quando os dados de uso da terra são contínuos. Parâmetros: isCoupled: se verdadeiro (true) imprime os passos do modelo durante a sua execução isLog: informa se o modelo faz parte de um modelo acoplado. isHierarchicallyCoupled: informa se o modelo considera mais de uma escala. maxDifference: máxima diferença permitida entre a demanda informada e a demanda alocada pelo modelo. }, { isLog = true, static = -1 }, ... One set for each use }, } allocation = AllocationCluesLike { maxIteration =, factorIteration =, maxDifference =, transitionMatrix = { { {0/1, 0/1, 0/1}, {0/1, 0/1, 0/1}, {0/1, 0/1, 0/1}, } }, } maxIteration: limite de iterações para tentar alocar uma determinada demanda. minLimitedLandUse: quantidade minima do uso que deve ser limitado em cada célula (0 - 1) maxChange: limite de mudança em cada célula (0 -1) minElasticity: valor inicial do parâmetro que controla o fator de oteração da alocação. allocationData: uma tabela com dois parâmetros de alocação para cada uso da terra: isLog: indica se a utilização de transformação logarítmica no valor do uso. static: Direção das mudanças no uso: -1: mudanças unidirecionais 0: estático, não são permitidas mudanças 1: mudanças bidirecionais Esta class epode ser utilizada quando os usos são discretos. Parâmetros: isCoupled: se verdadeiro (true) imprime os passos do modelo durante a sua execução isLog: informa se o modelo faz parte de um modelo acoplado. maxIteration: limite de iterações para tentar alocar uma determinada demanda. factorIteration: valor inicial do parâmetro que controla o fator de iteração da alocação. maxDifference: máxima diferença permitida entre a demanda informada e a demanda alocada pelo modelo. transitionMatrix: uma tabela com matrizes de transição para cada região. Cada posição em cada matriz indica se a transicão uso a x uso b é pérmitida (1) ou não (0). Framework: class that put the components together, executing the whole model. Model = TopDownLuccModel { name = "modelName" Starttime =, Endtime =, cs = CellularSpace {...} landUseTypes = {...} demand = ScenariosDemand {...} potential = LogisticRegressionModel{} allocation = AllocationCluesLike {...} save = { outputTheme = "OutputTheme", yearly = false, startTime: ano inicial considerado no modelo. endTime: ultimo ano da simulação cs: Espaço cellular do TerraME landUseTypes: usos contidos no banco de dados que serão considerados na simulação. Save: yearly: se verdadeiro (TRUE) salva os resultados de cada ano simulado. saveYears: especifica quais anos simulados devem ser salvos. Se yearly é verdadeiro todos os anos serão salvos mesmo que estejam selecionados anos específicos em saveYears. saveYears = {...}, saveAttrs = {...}, } } saveAttrs: atributos a serem salvos. Se o atributo passou por uma transformação logarítmica pode ser salva a variável transformada (variável carregada do banco de dados) ou sem transformação (variável carregada do banco de dados + sufixo "_area")