Em alguns casos, os dados não são contínuos (altitude, inclinação, distância…), mas discretos, ou seja, constituídos por classes.
Cada pixel corresponde então a uma categoria: um tipo de solo, um uso do solo, um nível de risco, etc.
Essas rasters “categóricas” são muito frequentes na análise espacial, mas apresentam um problema:
como integrá-las em uma análise multicritério difusa, uma vez que não contêm valores numéricos contínuos?
É aí que entra o módulo Classes → Fuzzy do plugin FuzzyAttributes (versão 2).
O princípio
Em vez de trabalhar diretamente com as classes (1, 2, 3… ou “floresta”, “urbano”, “água”), procuramos expressar para cada uma delas em que medida satisfaz um determinado critério.
Exemplos:
- Para um critério “zonas favoráveis à infiltração”,
- solos arenosos → satisfação 0,9
- solos argilosos → satisfação 0,3
- áreas urbanas → satisfação 0,1
- Para um critério “risco de erosão”,
- declives acentuados → 0,8
- florestas → 0,2
O resultado é um raster difuso, no qual cada pixel assume um valor entre 0 e 1, representando o grau de satisfação do critério.
Etapas no plugin FuzzyAttributes
- Menu: Classes → Fuzzy
- Selecione um raster categórico (monobanda, do tipo inteiro).
- O plugin lê os valores únicos presentes na camada.
- Para cada classe, insira o grau de pertencimento difuso (entre 0 e 1).
Você também pode carregar uma tabela de correspondência a partir de um arquivo CSV existente. - Escolha um nome para o raster difuso de saída (por exemplo, fzy_classes.tif).
- Clique em Criar raster difuso.
Boas práticas
- A coerência depende do critério estudado: uma mesma classe pode ser favorável em uma análise e desfavorável em outra.
- Evite valores absolutos 0 e 1, a menos que tenha certeza absoluta: a lógica difusa permite expressar nuances.
- Documente suas correspondências: elas podem ser registradas em um arquivo CSV ou em uma tabela do GeoPackage para serem reutilizadas.
Um exemplo concreto
Objetivo:
Criar um mapa de adequação para a instalação de colmeias a partir do raster CORINE Land Cover.
Princípio:
Cada tipo de ocupação do solo (floresta, pastagem, zona agrícola, urbana, etc.) recebe um grau de satisfação entre 0 e 1, de acordo com seu interesse apícola.
Etapa 1: Fonte dos dados
Você pode baixar o raster CLC diretamente aqui:
https://land.copernicus.eu/pan-european/corine-land-cover/clc2018
Formatos disponíveis: GeoTIFF, resolução de 100 m.
Em seguida, você pode recortá-lo de acordo com a área de estudo (por exemplo, a Córsega).
Etapa 2: Correspondência das classes
Aqui está uma tabela de correspondência de exemplo para a avaliação apícola:
| Código CLC | Denominação simplificada | Grau de adequação apícola (μ) | Justificativa |
|---|---|---|---|
| 111–142 | Áreas urbanas/artificializadas | 0.1 | Muito baixo, poucos recursos florais naturais |
| 211–244 | Áreas agrícolas (culturas, mosaicos agrícolas) | 0.6 | Presença de prados e culturas melíferas possíveis |
| 311–313 | Florestas (folhosas, coníferas, mistas) | 0.8 | Ricas em espécies melíferas, dependendo da estação |
| 321–324 | Vegetação natural (matagais, matorrais, etc.) | 0.9 | Muito favorável, floração prolongada, poucas perturbações |
| 331–335 | Espaços abertos, praias, zonas rochosas | 0.3 | Poucas flores, condições difíceis |
| 411–423 | Zonas húmidas | 0.4 | Ambientes instáveis, por vezes ricos mas frágeis |
| 511–523 | Massas de água / mar | 0.0 | Evidentemente não propício |
Étape 3 : Transformation floue
Avec le plugin FuzzyAttributes → module Classes → Fuzzy :
1-Charger le raster CLC (reclassé ou original).
2-Définir la table de correspondance ci-dessus (codes et μ).
3-Générer le raster flou fzy_corine.tif.
4-Visualiser : les zones favorables (μ proches de 1) apparaîtront plus claires.
Étape 4 : Interprétation
- On obtient une carte continue de convenance apicole, au lieu d’un patchwork de classes rigides.
- Elle peut ensuite être combinée avec d’autres critères flous :
- proximité de l’eau (besoin d’abreuvement)
- altitude / pente
- distance aux routes (accessibilité)
- absence de cultures traitées
Une agrégation floue de ces critères produira une carte multicritère d’implantation optimale des ruches.
En résumé
Transformer un raster de classes en raster flou, c’est passer d’une logique “catégorique” à une logique “graduelle” — on quitte le “tout ou rien” pour représenter le degré de pertinence de chaque classe vis-à-vis d’un objectif.
