Identificação de conjuntos de dados proxy para limites urbanos: uma nova perspectiva para o planejamento de infraestrutura

Introdução

O ponto de partida do planejamento de infraestrutura é frequentemente a definição de "cidade". No entanto, os limites urbanos não existem naturalmente — são construções artificiais, dependentes dos conjuntos de dados e das premissas adotadas. Um artigo de opinião recentemente publicado na *Nature Cities* (Van Migerode et al., 2026) sistematiza os conjuntos de dados proxy utilizados para identificar limites urbanos, incluindo distribuição populacional, área construída e luzes noturnas, e propõe um quadro de seleção orientado por objetivos. Para analistas de infraestrutura, financiadores de projetos e planejadores regionais, esse quadro tem implicações práticas profundas: diferentes definições de limites alteram diretamente as avaliações sobre demanda de infraestrutura, alocação de capital e conectividade regional.

Espectro de conjuntos de dados proxy

Os pesquisadores geralmente utilizam três tipos de conjuntos de dados proxy para delimitar limites urbanos:

• Conjuntos de dados populacionais: como dados populacionais globais em grade (ex.: WorldPop, GPW), que enfatizam densidade e aglomeração populacional. Vantagem: diretamente relacionados à dimensão social da urbanização, mas suscetíveis a influências de limites administrativos e qualidade do censo.
• Conjuntos de dados de área construída: baseados em imagens de sensoriamento remoto (ex.: MODIS, Landsat) para extrair superfícies impermeáveis, refletindo a expansão física. Adequados para análise de mudanças no uso do solo, mas podem ignorar áreas de baixa densidade ou assentamentos informais.
• Conjuntos de dados de luzes noturnas: como DMSP/OLS, VIIRS, que capturam a intensidade da atividade humana. Vantagem: relacionados à atividade econômica, mas apresentam problemas como super saturação e baixa resolução espacial.

Cada conjunto de dados implica um conceito diferente de "cidade": os dados populacionais enfatizam "pessoas", os de área construída enfatizam "coisas", e os de luzes noturnas enfatizam "atividades". Essas diferenças fazem com que uma mesma região possa ser incluída ou excluída dos limites urbanos, afetando assim as análises subsequentes.

Quadro de seleção orientado por objetivos

• Os autores propõem que a escolha do conjunto de dados proxy deve ser baseada na finalidade da aplicação, e não na busca de um limite "correto". Por exemplo:
• Para avaliar o efeito de ilha de calor urbana, os dados de área construída podem ser mais adequados (Yang et al., 2023);
• Para estudar a aglomeração econômica, os dados de luzes noturnas ou sinais de telefonia móvel são mais eficazes (Dingel et al., 2021; Dong et al., 2024);
• Para planejar a alocação de recursos para prevenção de desastres, os dados populacionais são mais críticos (MacManus et al., 2021).Para investimento em infraestrutura, este quadro significa:

1. Financiamento de projetos: Ao avaliar projetos de infraestrutura urbana, as instituições financeiras devem definir claramente como é delimitada a "área urbana" atendida pelo projeto. Diferentes fronteiras resultam em diferentes exposições ao risco e expectativas de retorno. 2. Corredores de desenvolvimento regional: Ao planejar corredores de transporte ou redes de energia, a continuidade das fronteiras determina o traçado do corredor. Dados de luzes noturnas podem revelar conexões econômicas reais que cruzam fronteiras administrativas, enquanto dados populacionais podem reforçar divisões administrativas. 3. Construção no Sul Global: Muitas cidades em desenvolvimento carecem de dados administrativos de alta qualidade, tornando conjuntos de dados proxy a única opção. No entanto, aplicar métodos de países de alta renda sem reflexão pode subestimar a densidade populacional de assentamentos informais, levando a um planejamento de infraestrutura insuficiente.

Dos dados à decisão: reflexão de casos

Suponha que uma agência internacional de desenvolvimento planeje investir em um corredor ferroviário em uma região de rápida urbanização na África. Usar dados populacionais pode limitar a fronteira urbana ao núcleo de alta densidade, sugerindo estações concentradas no centro da cidade; enquanto usar dados de luzes noturnas pode revelar zonas industriais suburbanas de baixa densidade, mas com atividade econômica intensa, sugerindo a extensão da linha. Essas duas decisões impactarão significativamente a alocação de capital do projeto, a previsão de demanda de passageiros e o modelo financeiro.

Da mesma forma, na expansão de cidades portuárias, dados de área construída refletem com precisão a ocupação física, mas não capturam os fluxos de deslocamento. Se o planejamento de estradas de acesso ao porto depender apenas de dados de área construída, pode negligenciar a pressão do tráfego entre regiões.

Implicações para pesquisadores de infraestrutura

Este estudo nos lembra: as fronteiras urbanas não são fatos objetivos, mas ferramentas analíticas. Analistas de infraestrutura, ao citar qualquer dado sobre "área urbana", "taxa de urbanização" ou "população urbana", devem questionar o conjunto de dados proxy subjacente. Caso contrário, números estatísticos aparentemente precisos podem mascarar desvios conceituais fundamentais.

Direções futuras incluem: combinar múltiplas fontes de dados (como sinais de telefonia móvel + imagens de alta resolução) para melhorar a precisão, e desenvolver definições padronizadas de fronteiras para categorias específicas de infraestrutura (por exemplo, fronteiras urbanas orientadas ao transporte).

Conclusão

A identificação das fronteiras urbanas é uma questão aparentemente básica, mas crucial no planejamento de infraestrutura. O trabalho de Van Migerode et al. oferece uma lógica de seleção prática, permitindo que pesquisadores façam escolhas fundamentadas de acordo com necessidades específicas. Para a comunidade global de infraestrutura, aceitar essa incerteza e gerenciá-la ativamente ajudará a direcionar o fluxo de capital de forma mais eficiente, reduzir erros de julgamento e apoiar a expansão urbana sustentável.