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")