O documento discute técnicas de análise espacial de eventos pontuais, incluindo cálculo de centro médio e distância padrão, análise de padrões de agregação, funções K de Ripley e análise de lacunaridade. Vários exemplos e aplicações são apresentados para ilustrar como essas técnicas podem ser usadas para entender a distribuição espacial de fenômenos.
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, Proximidade e Interpolação
1. Análise de Eventos Pontuais
INFORMÁTICA APLICADA AO
PLANEJAMENTO TERRITORIAL
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
CS3406 - Informática Aplicada ao Planejamento Territorial novembro de 2016
Aula 6
2. Conteúdo
Análise de Eventos Pontuais
• Centros médios e Distância Padrão
• Padrões de agregação
• Mapas de kernel
• Mapas de proximidade
Interpolação
• Métodos locais
• Métodos globais
3. Leitura Prévia
Capítulos
2 - Análise de Eventos Pontuais
3 - Análises de Superfícies por Geoestatística Linear
DRUCK, S.; CARVALHO, M. S.; CÂMARA, G.;
MONTEIRO, A.V.M (eds). Análise Espacial de Dados
Geográficos. Brasília: EMBRAPA, 2004. Disponível
em: http://www.dpi.inpe.br/gilberto/livro/analise/
4. Bases de dados pontuais
Ocorrência de Espécies (Global)
◦ http://www.gbif.org/occurrence/search
Queimadas (América do Sul)
◦ http://www.dpi.inpe.br/proarco/bdqueimadas/
Cavernas (Nacional)
◦ http://www.icmbio.gov.br/cecav/canie.html
Dados de poços – SIAGAS (Nacional)
◦ http://siagasweb.cprm.gov.br/layout/pesquisa_complexa.php
Lançamentos imobiliários, escolas e equipamentos de saúde
(Região Metropolitana de São Paulo)
◦ http://www.fflch.usp.br/centrodametropole/716
Infraestrutura Urbana e Áreas Contaminadas (Município de São Paulo)
http://geosampa.prefeitura.sp.gov.br/
http://dados.prefeitura.sp.gov.br/ca/dataset/areas-contaminadas/resource/93908e9d-002e-461b-bdb8-
3fab485b3302
5. Construção de Bases de dados pontuais
• Geocodificação de bases de dados com endereços
QGis -> Complemento MMQGis
https://youtu.be/3K_5SwDSopY
https://www.slideshare.net/vitor_vasconcelos/geocodificao-de-endereos
• Centro médio de polígonos ou linhas
QGis ->
http://www.andersonmedeiros.com/centroides-quantum-gis/
https://youtu.be/rjs2fghCNrY
6. Análise de Eventos Pontuais
Ponto e raio médio
Padrões de Agregação
Mapas de kernel
7. 7
Estatística de eventos pontuais
Incêndios florestais em
2003 em San Diego
Perguntas
Onde é a localização media
dos incêndios?
Quão dispersos eles são?
Onde você colocaria uma
estação de bombeiros?
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
9. (0,0)
Centro médio
Calcular o centro médio
Centro médio de X:
Centro médio de Y:
X
#6 (300,250)
#7(550,200)
#5 (500,350)
#4 (400,500)
#2 (380,650)
#3 (480,620)
#1 (580,700)
Y
n
y
Y
n
x
X
C
C
∑
∑
=
=
−
−
14,467
7
)200250350500620650700(
71,455
7
)300550500400480380580(
=
++++++
=
=
++++++
=
C
C
Y
X
(600, 0)
(0, 763)
(456,467)
Centro médio
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
11. Distância Padrão
Incêndios X X2 Y Y2
#1 580 336400 700 490000
#2 380 144400 650 422500
#3 480 230400 620 384400
#4 400 160000 500 250000
#5 500 250000 350 122500
#6 300 90000 250 62500
#7 550 302500 200 40000
Soma de X2 1513700 Soma de Y2 1771900
52.208)14.467
7
1771900
()71.455
7
1513700
( 22
=−+−=
71.455=CX 14.467=CY
)()( 2
2
2
2
c
i
c
i
D Y
n
Y
X
n
X
S −+−=
∑∑
12. Distância Padrão
(0,0)
X
#6 (300,250)
#7(550,200)
#5 (500,350)
#4 (400,500)
#2 (380,650)
#3 (480,620)
#1 (580,700)
Y
(600, 0)
(0, 763)
(456,467)Centro médio
SD=208.52
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
13. Centro médio e distância padrão
ponderados
E se os incêndios de maior área tivessem maior
influência no centro médio?
∑
∑=
i
ii
wc
f
Xf
X
∑
∑=
i
ii
wc
f
Yf
Y
)()(
)()(
2
2
2
2
22
wc
i
ii
wc
i
ii
WD
i
wciiwcii
WD
Y
f
Yf
X
f
Xf
S
f
YYfXXf
S
−+−=
−+−
=
∑
∑
∑
∑
∑
∑∑
Definição
Computação
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
14. 49.428
86
36850
===
∑
∑
i
ii
wc
f
Yf
Y
E se os incêndios de maior área tivessem maior
influência no centro médio?
Centro Médio Ponderado
Incêndio f(Area) Xi fiXi (Area*X) Yi fiYi (Area*Y)
#1 5 580 2900 700 3500
#2 20 380 7600 650 13000
#3 5 480 2400 620 3100
#4 10 400 4000 500 5000
#5 20 500 10000 350 7000
#6 1 300 300 250 250
#7 25 550 13750 200 5000
86 40950 36850∑ if ii Xf∑ iiYf∑
16.476
86
40950
===
∑
∑
i
ii
wc
f
Xf
X
15. 15
Distância Ponderada
Incêndios fi(Area) Xi Xi
2 fi Xi
2 Yi Yi
2 fiYi
2
#1 5 580 336400 1682000 700 490000 2450000
#2 20 380 144400 2888000 650 422500 8450000
#3 5 480 230400 1152000 620 384400 1922000
#4 10 400 160000 1600000 500 250000 2500000
#5 20 500 250000 5000000 350 122500 2450000
#6 1 300 90000 90000 250 62500 62500
#7 25 550 302500 7562500 200 40000 1000000
86 19974500 18834500∑ if 2
i
Xfi∑ 2
iiYf∑
33.202)49.428
86
18834500
()16.476
86
19974500
( 22
=−+−=
)()( 2
2
2
2
wc
i
ii
wc
i
ii
WD Y
f
Yf
X
f
Xf
S −+−=
∑
∑
∑
∑
16. Distância Ponderada
(0,0)
X
#6 (300,250)
#7(550,200)
#5 (500,350)
#4 (400,500)
#2 (380,650)
#3 (480,620)
#1 (580,700)
Y
(600, 0)
(0, 763)
(456,467)Centro médio
Distância padrão
=208.52
Distância padrão
ponderada =202.33
(476,428)Centro médio
ponderado
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
17. 17
Análise Final
(0,0)
X
#6 (300,250)
#7(550,200)
#5 (500,350)
#4 (400,500)
#2 (380,650)
#3 (480,620)
#1 (580,700)
Y
(600, 0)
(0, 763)
(456,467)Centro médio
Distância padrão
= 208.52
Distância padrão
ponderada = 202.33
(476,428)Centro médio
ponderado
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
18. The Pennsylvania State University (2007). Geography 586 Geographic Information
Analysis. Point Pattern Analysis, Lesson 4, Project 4. The Pennsylvania State
University World Campus Certificate Program in GIS.
Elipse de Distância Padrão
24. Vizinho mais próximo
FREIRE, F.H.M. 2009. Introdução à estatística espacial. Observatório das Metrópoles. Em:
http://www.observatoriodasmetropoles.ufrj.br/download/aulasanalise-espacial.pdf
Concentrado Regular
25. Função K de Ripley
Ripley, B.D. Modelling spatial patterns. J. R. Stat. Soc. Series B Stat. Methodol. 1977; 39: 172–192
d = distância
A = área de estudo
K(i,j) = peso -> se a distância < “d”, então peso é um, senão o peso é zero
n = número total de pontos na área de estudo
Mais robusto que o método do
Vizinho mais Próximo
26. Função K de Ripley
ESRI. How Multi-Distance Spatial Cluster Analysis: Ripley's k-function (Spatial Statistics) works
Simulado
Real
Pense no
monitoramento de cães
selvagens
- Escala micro: os cães
da mesma matilha
estão próximos
- Escala macro: as
matilhas se mantém
em territórios
regularmente
espaçados
27. -3
-1
1
3
0 2 4 6 8 10 12 14 16 18 20
L(d)
Distância (m)
agrupado
aleatório
disperso
Função K de Ripley
Envelope
superior
Envelope
inferior
29. Função K de Ripley
Ocorrência da árvore Beilschmiedia em uma floresta tropical
Kyriakidis , P. 2015. Point Patterns: Hypothesis Testing. University of California
Em: http://rstudio-pubs-static.s3.amazonaws.com/5292_2b2fae3795a144b2a4b486fd2fc6fc57.html
30.
31. Função K de Ripley Bivariada
Vizinhança entre pontos de camadas diferentes
Lu, P., Bai, S., & Casagli, N. (2014). Investigating spatial patterns of persistent scatterer interferometry point
targets and landslide occurrences in the Arno River Basin. Remote Sensing, 6(8), 6817-6843.
∑∑= =
=
1 2
1 121
12 )(
n
i
n
j
ijij kw
nn
A
dK
32. Localização de 6 espécies de árvores (Lansing Database)
Kyriakidis , P. 2015. Point Patterns: Hypothesis Testing. University of California
Em: http://rstudio-pubs-static.s3.amazonaws.com/5292_2b2fae3795a144b2a4b486fd2fc6fc57.html
Função K de Ripley Bivariada
33.
34. Análise de Lacunaridade
Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarity indices as measures of
landscape texture. Landscape ecology, 8(3), 201-211.
35. Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarity indices as measures of
landscape texture. Landscape ecology, 8(3), 201-211.
Aleatório
diferentes
padrões de
lacunas
Análise de Lacunaridade
36. Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarity indices as measures of
landscape texture. Landscape ecology, 8(3), 201-211.
Análise de Lacunaridade
Análise de transectos lineares
37. Extendendo os padrões de agregação
Padrões de agregação em
3 dimensões (cubo)
4 ou mais dimensões
Espaciais, mistas ou não-espaciais
38. Atividade Prática – Padrões Pontuais
• Localização de poços na região do Grande ABC
oFonte: Sistema SIAGAS
• Abrir o Qgis e adicionar as seguintes camadas:
o pocos_todos_abc.shp Localização dos poços registrados
o pocos_dados_abc.shp Poços com dados de vazão
o cetesb.shp Agência Ambiental da CETESB ABC
o abc_municipios.shp Municípios da região da grande ABC paulista
• Obs: Vamos trabalhar sempre com projeção UTM,
para realizar os cálculos de distância em metros
40. Atividade Prática – Padrões Pontuais
• Clique no menu “Processar” -> “Opções”
• Na Janela Opções de processamento, verificar se a extensão “R
scripts” está atividada e apontando para as respectivas pastas
41. Atividade Prática – Padrões Pontuais
• Clique no menu “Processar” -> “Caixa de Ferramentas
• Na Caixa de Ferramentas, selecione “R scripts” -> “Tools” ->
“Get R scripts from on-line scripts collection”
42. Atividade Prática – Padrões Pontuais
• Na janela “Obter scripts e modelos”, vá em “Não
Instalados”, marque a função “G function” e clique em
“OK”
• Repita o procedimento, clicando em “Atualizável” e “Ok”
44. Atividade Prática – Padrões Pontuais
• Selecione a camada “pocos_todos_abc”
• Escolha um nome e pasta para gravar a saída e pressione “Run”
45. Atividade Prática – Padrões Pontuais
• Qual é o padrão de agregação pela função G (vizinho mais próximo)?
46. Atividade Prática – Padrões Pontuais
• Será que a Agência Ambiental da CETESB está bem
localizada em relação aos poços existentes?
• Na caixa de ferramenta,
selecione “Saga” ->
“Geostatistics” ->
“Spatial point pattern
analysis”
47. Atividade Prática – Padrões Pontuais
•Em “Points”, selecione a
camada
“pocos_todos_abc”
•Escolha o local de gravação
para os arquivos de:
• centro médio (mean centre)
• distância padrão
(standard distance)
• caixa envolvente (bounding box)
•Clique em “Run”
48. Atividade Prática – Padrões Pontuais
• Avalie a localização da CETESB em relação aos poços
Centro Médio
CETESB
49. Atividade Prática – Padrões Pontuais
• Na caixa de ferramentas, selecione “Geoalgoritmos QGIS”
-> “Ferramentas de análise vetorial” -> “Coordenadas
médias”
50. Atividade Prática – Padrões Pontuais
• Escolha a camada “pocos_dados_abc”
• No campo de peso, escolha “vazao_esta” (vazão de
estabilização)
• Escolha um
nome e pasta
para a saída
• “Run”
51. Atividade Prática – Padrões Pontuais
• Avalie a localização da CETESB em relação aos poços
Centro Médio
CETESB
Centro Médio Ponderado
52. Atividade Prática – Padrões Pontuais
• No menu “Complementos”, clique em “Gerenciar e
Instalar Complementos”
• Instale o complemento “Standard Deviational Ellipse”
53. Atividade Prática – Padrões Pontuais
• No menu “Vetor”, selecione
“Standard Deviational ellipse”
• Escolha a camada
“pocos_todos_abc”
• Desmarque a opção
“selected features only”
• Marque as correções
“sqrt(2) correction” e
“DF correction”
54. Atividade Prática – Padrões Pontuais
• Analise o resultado de saída
Centro Médio
CETESB
Centro Médio Ponderado
55. Atividade Prática – Padrões Pontuais
• Selecione novamente “Vetor”
-> “Standard Deviational ellipse”
• Escolha a camada
“pocos_dados_abc”
• Marque “Use weights” e selecione
“vazao_esta”
• Desmarque a opção
“selected features only”
• Marque as correções
“sqrt(2) correction” e
“DF correction”
56. Atividade Prática – Padrões Pontuais
• Analise o resultado de saída
Centro Médio
CETESB
Centro Médio Ponderado
57. Mapas de Kernel
Mapa de Pontos de Focos de Queimada Mapa de kernel de Focos de Queimada
Kazmierczak, M. 2015. Queimadas em Cana-de-Açúcar: Monitoramento e Prevenção. MundoGeo. Em:
http://mundogeo.com/blog/2015/09/28/queimadas-em-areas-de-cana-de-acucar-monitoramento-e-prevencao-2/
58. Mapas de Kernel
CÂMARA, Gilberto; CARVALHO, Marilia Sá. Análise espacial de eventos. Em: Análise espacial de dados
geográficos. Embrapa Cerrados, Planaltina, p. 53-122, 2004.
59. Mapas de Kernel
ODDI, G. 2014. Mapa de calor: como atuam os candidatos ao meio-campo ofensivo da seleção de Felipão. ESPN. Em:
http://espn.uol.com.br/post/388493_mapa-de-calor-como-atuam-os-candidatos-ao-meio-campo-ofensivo-da-selecao-de-felipao
60. Mapas de Kernel
Concentração de Incêndios urbanos Concentração de Hidrantes
Comparação de Zonas Quentes e Frias
SANTOS, L.S. 2014. Geoprocessamento aplicado a gestão e análise das ocorrências de incêndios urbanos no
centro histórico de Belém-PA - 2009 a 2011. Faculdade Internacional de Curitiba.
61. Mapas de Kernel
Quando vale a pena utilizá-los?
•Quando a concentração de pontos em uma mapa
faz com que sua visualização fique confusa
• Ex: Mapa de pontos de queimada
•Para estimar a possibilidade de encontrar um certo
evento no espaço, dada uma amostra de pontos
inicial
• Ex: Como Neymar deve ser comportar no próximo jogo?
62. Mapas de Kernel
Tipos de resposta mapeada
• Densidade:
focos de queimada / km2
• Probabilidade:
chance (%) da leoa Tata ser encontrada em um ponto do parque
• Qualitativa: Baixa / Média / Alta
Esconde informações do leitor
5-10 hab/km2
1-5 hab/km2
0.1-1 hab/km2
Alta
Média
Baixa
50%
50 a 90%
90 a 100%
63. Mapas de Kernel
Pixel do raster peso do ponto para o pixel do raster
Ponto distância do do pixel do raster até o ponto
64. Mapas de Kernel
Amberg, B. 2008. A Range of Different Kernels. Em: https://commons.wikimedia.org/wiki/File:Kernels.svg
65. Mapas de Kernel
BERGAMASCHI, R. B. SIG Aplicado a segurança no trânsito - Estudo de Caso no município de Vitória – ES.
Universidade Federal do Espírito Santo – UFES, 2010.
69. Diferentes Raios
para o Kernel
Fowler, H.G. 2013. Amostragem por pontos. Ecologia de Populações.
Em: http://pt.slideshare.net/popecologia/amostragem-pontual
70. Mapa de Kernel
E então, qual raio de Kernel escolher?
• 1ª abordagem: Que padrão você quer analisar?
• Transições graduais Raios maiores
• Pequenos agrupamentos Raios menores
• 2ª abordagem: Você quer um mapa informativo
• O raio que mostre a maior diferenciação espacial entre as áreas
• Um bom início seria testar um raio igual à distância padrão
• Mapas de Kernel Adaptativo
• 3ª abordagem: Você quer um mapa válido
• Caso sejam adicionados mais dados, o padrão deve ficar semelhante
• Métodos de Estimação de Kernel
71. Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The
Analysis of Spatially Varying Relationships, Chichester: Wiley.
LARGURA DE BANDA
FUNÇÃO DE PONDERAÇÃO
Mapa de Kernel
Kernel adaptativo por número de vizinhos
72. Estimação de Kernel
Validação Cruzada:
Escolher a distância H
que minimize:
onde ĝ−1 ( si ) é a estimativa de g( si ) construída com o valor de
banda h usando todos os dados com exceção do par (si, zi)
Softwares:
• Crimestat
• Kernel Density Estimation (R)
• Home Range Tools (ArcGis)
• Animove (Qgis)
73. Estimação de Kernel
Área de
Vida da
Leoa Tata
95%
50%
MACFARLANE, K. 2014. Lioness HF012 “Tata”. Kalahari Lion Research. Em:
http://www.kalaharilionresearch.org/2014/07/23/lioness-hf012-tata/
74. Estimação de Kernel
95%
50%
95%
50%
Área de vida e territórios
de espécimes e espécies
de peixes
95%
50%
95%50%
Recife de Coral Lover’s Point,
Monterey peninsula, Califórnia
FREIWALD, J. 2009. Causes and consequences of the movement of
temperate reef fishes. PhD dissertation. University of California
75. Estimação de Kernel
Probabilidade
de roubos
comerciais em
Vancouver
Couch, Paul (2007), Crime Geography and GIS:
A Break and Enter Crime Analysis of Ottawa,
Ontario Using CrimeStat, Crime GIS
76. Mapas de Kernel
Mapas de Razão de Kernel
• Eventos / População
População
(centróides de polígonos)
Eventos
(pontos)
77. Mapas de Kernel
Assaltos a carros em Baltimore em 1996
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
78. Mapas de Kernel
População em Baltimore em 1990
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
79. Mapas de Kernel
Razão entre Assaltos a Carro e População
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
80. Prática – Mapas de Kernel
• Abra o TerraView 4.2.2
http://vigilancia.saude.mg.gov.br/index.php/download/instalador-terraview-windows-v-4-2-2/
• No menu “Arquivo”, escolha “Banco de Dados”
• Escolha a opção “Criar”
• Escolha o
diretório e o
nome do
banco de
dados
81. Prática – Mapas de Kernel
• No menu arquivo, escolha “Importar Dados”
• Selecione o arquivo “pocos_todos_abc.shp” e aperte “Ok”
• Repita o procedimento para os arquivos:
• “pocos_dados_abc.shp”
• “abc_paulista_utm.shp”
(População por setores censitários)
• Mova todas as camadas para uma só
vista e clique no ícone “Desenhar”
82. Prática – Mapas de Kernel
• Visualização
• No menu “Análise”,
selecione “Mapa de Kernel”
83. Prática – Mapas de Kernel
• Em “Região de
Suporte”, selecione
“Grade sobre a região”
• Em “Opções de Grade”,
selecione “250” para
“Número de colunas” e
“abc_paulista_utm”
como tema”
• Em resultados,
selecione um nome
• Em eventos -> tema,
selecione
“pocos_todos_abc”
• Desmarque a opção
“adaptativo”
• “Executar”
85. Prática – Mapas de Kernel
• Visualização
• Repita o procedimento com um raio de
“2e+003”, “8e+003” e adaptativo, com
diferentes nomes para o plano, na opção
“Resultados”
Kernel 2+003e Kernel 8+003e Adaptativo
86. Prática – Mapa de Kernel
• Gere mais um mapa de kernel, mas agora selecionando “pocos_dados_abc”
• Marque a opção “Com atributo”, e selecione a coluna “VAZAO_ESTA”
• “Executar”
87. Prática – Mapas de Kernel
• No menu “Análise”, clique em “Razão de Kernel”
• Em “Região de Suporte, selecione a opção “Sem Grade”
• Selecione os
mesmos
parâmetros
anteriores do
último mapa de
kernel
88. Prática – Mapas de Kernel
• Na aba “Conjunto de Dados 2”, selecione “Área” em Eventos
• Selecione o tema “abc_paulista_utm”
• Marque a opção “Com Atributo”
• Escolha a coluna “POP2010”
89. Prática – Mapas de Kernel
Visualização do mapa
de Razão de Kernel
90. Prática – Mapas de Kernel
• Clique com o botão
direito sobre a
camada
“abc_paulista_utm” e
selecione “Salvar
Tema para Arquivo”
91. Prática – Mapas de Kernel
• Selecione o formato “Shapefile”
• Clique em “Arquivo” e escolha a pasta e o nome do
arquivo a ser gravado
• “Executar
92. Prática – Mapas de Kernel
• Clique com o botão direito do mouse sobre um dos mapas de
kernel “raster” e selecione “Salvar Tema para Arquivo”
• Escolha o Formato
“Geo Tiff”
• Clique em “Arquivo”
e selecione a pasta
e o nome do arquivo
com extensão “.tif”
• Parâmetros do Raster -> M
• “Executar
93.
94.
95. Mapas de Proximidade
Pontos Linhas Polígonos
Innovative GIS. 2005. Calculating Effective Distance and Connectivity. Em: http://www.innovativegis.com/basis/mapanalysis/topic25/topic25.htm
96. Mapas de Proximidade
Proximidade com
Barreiras Absolutas
Proximidade com Barreiras
Relativas (atrito)
Proximidade com Barreiras
Relativas e Absolutas
Innovative GIS. 2005. Calculating Effective Distance and Connectivity. Em: http://www.innovativegis.com/basis/mapanalysis/topic25/topic25.htm
97. Mapa de Proximidade
Distância a
serviços
urbanos
CUPOLO, S. 2010. Law Enforcemet:
Washington DC. Module 8.
http://seancgeoginfosyst.blogspot.com.br/2010/07/module-8-law-enforcemet-washington-dc.html
98. Mapa de Proximidade
Distância a
serviços
urbanos
UNICEF. 2015. Doro Camp, Distance from School. Em:
http://reliefweb.int/map/south-sudan/south-sudan-maban-county-upper-nile-state-doro-camp-distance-school-december-2015
99. Mapas de Proximidade
Distância da Mancha Urbana Distância da Malha Viária
Modelagem de mudanças no uso do solo
ALMEIDA, R.M. 2016. Inferência espacial usando QGIS. Em: http://qgisnapratica.blogspot.com.br/
100. Mapa de Proximidade ou de Kernel?
Visualmente semelhantes
Distância e densidade estão inversamente relacionadas
Ambas são adequados para análise exploratória
Diferenças:
Mapa de Kernel Mapa de Proximidade
Foco em densidade (ocorrência/km2) Foco em distância (km2)
Mais flexibilidade
(ajuste de kernel e raio)
Mais simples
(menos suposições sobre o fenômeno)
Pode ser calibrada para previsões Pode ser ajustada para barreiras e atrito
101. Prática – Mapa de Proximidade
• Decreto Estadual nº 32.955/91, que dispõe sobre a
preservação dos depósitos naturais de águas
subterrâneas do Estado
oPerímetro Imediato de Proteção sanitária de poços: 10 metros
oPerímetro de alerta de poluição: depende da velocidade de fluxo
do aquífero (50 dias)
• Instituto Geológico. Roteiro Orientativo para Delimitação
de Áreas de Proteção de Poços. 2010.
oPerímetros de Alerta variam de 30 a 100 metros, dependendo do
tipo de aquífero
oNa região do Grande ABC, perímetros variam de 30 a 60 metros
102. • No QGis, adicione as camadas “pocos_todos_abc.shp” e
“abc_municipios.shp”
• Clique com o botão direito do mouse sobre a camada
“pocos_todos_abc.shp” e selecione “Abrir tabela de
atributos”
• Clique no ícone “Abrir calculadora de campos”
Prática – Mapa de Proximidade
103. • Crie um novo campo, com nome “um” e valor = 1
Prática – Mapa de Proximidade
104. • Verifique se a coluna foi criada com os valores corretos
• Clique no ícone para gravar as alterações na camada
• Clique no ícone para fechar a edição
Prática – Mapa de Proximidade
105. • Processar-> Caixa de Ferramentas-> SAGA-> Raster Creation Tools
-> Rasterize
Prática – Mapa de Proximidade
106. Prática – Mapa de Proximidade
• Selecione a camada
“pocos_todos_abc”
• Selecione o atributo “um”
• Em “Output extent”, clique
nas reticências e selecione
“Use camada/extensão da
tela”
• Em “Grid”, selecione a pasta
e o nome doarquivo de
saída
• “Run”
107. Prática – Mapa de Proximidade
• Menu Raster-> Análise-> Proximidade (Distância Raster)
• Escolha o arquivo raster com os pontos do poços e o arquivo de saída “.tif”
• Selecione “Valores” = 1 e “Ok”
108. Prática – Mapa de Proximidade
• Duplo clique na
camada, aba “Estilo”
•Tipo de
Renderização:
“Banda simples-
falsa-cor”
• Cor: Spectral
• Modo: Quartil
• Clique em
“Classificar”
• Clique em “Aplicar”
e OK
114. Interpolação
A interpolação transforma dados pontuais em campos contínuos
Temperatura média anual em Portugal
Estações metereológicas Raster Intepolado
Temperatura
(ºC)
8
10
12
14
16
18
115. Interpolação
Exato: o valor interpolado sempre coincide com o do ponto
Aproximado: os valores interpolados se aproximam aos dos pontos
Interpolador Exato Interpolador Aproximado
117. Interpolação
Locais: usa dados apenas de N vizinhos mais próximos
Globais: usa dados de todos os pontos
BÉLA, M. 2010. Spatial Analysis 4, Digital elevation modeling. University of West Hungary Faculty of Geoinformatics. Em:
http://www.tankonyvtar.hu/en/tartalom/tamop425/0027_SAN4/index.html
118. Interpolação
• Triangulação: geram polígonos ou curvas de nível
• Reticulação: geram um arquivo raster
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados, Planaltina, 2004
119. Interpolação
• Determinísticos: um valor único para cada pixel no espaço
• Geoestatísticos: utiliza dados de autocorrelação espacial
entre os pontos e gera dados quanto à
incerteza de predição (desvio padrão)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados, Planaltina, 2004
Interpolação Desvio Padrão
(incerteza)Estimação da
autocorrelação espacial
126. Interpolação
Triangulação
• A interpolação se limita à área amostrada
• Os valores interpolados estarão sempre entre o
máximo e o mínimo dos valores amostrados
• Nem sempre produz resultados suaves
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
128. Interpolação
Médias Móveis
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
Teor de Argila na
Fazenda Chanchim
131. Interpolação
Vizinhos naturais
ALBRECHT, J. 2005. Geographic Information Science. Em:
http://www.geography.hunter.cuny.edu/~jochen/GTECH361/lectures/lecture10/
1º - Polígonos de Voronoi 2º - Com o novo ponto
Ponto a interpolar
3º - Cálculo ponderado
132. Interpolação
Inverso da Distância
Wij peso da amostra j no ponto i da grade
k é o expoente da distância,
dij é o valor de distância da amostra j ao ponto i da grade
Exemplo para K=2
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
133. Interpolação
Efeito do expoente:
- 0: resultado análogo a vizinhos naturais ou médias móveis
- Baixos (0-2): destacam anomalias locais
- 2: inverso do quadrado da distância, o mais usado
- Altos: (3-5): suavizam anomalias locais
- ≥ 10: estimativas poligonais (planas)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
134. Interpolação
Efeito do expoente:
- 0: resultado análogo a vizinhos naturais ou médias móveis
- Baixos (0-2): destacam anomalias locais
- 2: inverso do quadrado da distância, o mais usado
- Altos: (3-5): suavizam anomalias locais
- ≥ 10: estimativas poligonais (planas)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
135. Interpolação
Brusilovskiy, E. 2009. Spatial Interpolation: a brief introduction. Business Intelligence Solutions.
Em: http://www.bisolutions.us/A-Brief-Introduction-to-Spatial-Interpolation.php
137. Interpolação
Expoente mais adequado pode ser calibrado por validação cruzada
(Geostatistical Analyst Toolbox – ArcGis)
Etapas da Validação Cruzada:
1. Retira 1 dos pontos
2. Usa os demais pontos para estimar o valor no local do ponto retirado
3. Compara com o valor do ponto retirado
4. Repete para todos os pontos e todos
os coeficientes
5. O coeficiente que produzir o menor
erro geral é escolhido
Chang, K.T. 2006. Kriging. Using Geostatistical Analyst, ESRI. Introduction to
Geographic Information Systems. Em:
https://www.yumpu.com/en/document/view/21394397/kriging/31
138. Interpolação
Inverso da Distância
Características:
• Destaca anomalias locais -> gera efeito mira (olho de
búfalo)
o Deve-se justificar se o fenômeno modelado possui esse efeito
(exemplo: pontos de contaminação)
• Valores sempre entre o máximo e o mínimo das
amostras
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
139. Interpolação
Vizinho mais próximo Médias móveis
Inverso do Quadrado
da Distância
Teor de argila nos solos
da Fazenda Chanchim
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
140. Interpolação
Polinômios – Superfícies de tendência
1ª Ordem: Z = a + bX + cY
2ª Ordem: Z = a + bX + cY + dXY+ eX2+ fY2
3ª Ordem: Z= a + bX + cY + dXY+ eX2+ fY2+gXY2+hX2Y+iX3+jY3
Onde:
Z é o valor estimado na célula
X e Y são as coordenadas geográficas
a…j são os coeficientes que melhor
se ajustam aos dados
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
DEMPSEY,C. 2013. Statistical surfaces in GIS. Em: https://www.gislounge.com/statistical-surfaces-in-gis/
1ª ordem
2ª ordem
3ª ordem
141. Interpolação
Polinômios – Superfícies de tendência
• Pode ser estimado para além da área amostrada
o Quanto mais longe da área amostrada, menor a confiabilidade
• Estima valores acima e abaixo do conjunto amostrado
• Valores não coincidem exatamente com os pontos
amostrados
o Pode-se gravar o resíduos nos pontos amostrados
Os resíduos podem ser interpolados por outro método e somados à
superfície de tendência
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP.
142. Interpolação
Spline
Agrupa superfícies por
polinômios ajustados para
diversos grupos vizinhos de
pontos
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/How_
radial_basis_functions_work/00310000002p000000/
143. Interpolação
Spline
Imagine uma capa de borracha (elástica) sendo colocada
sobre os pontos amostrados
• Pode-se ajustar um coeficiente de “elasticidade”
• Pode-se calibrar esse coeficiente por validação cruzada
Regularized Spline and Radial Basis Function
DEMPSEY,C. 2013. Statistical surfaces in GIS.
Em: https://www.gislounge.com/statistical-surfaces-in-gis/
144. Interpolação
Spline
• Interpolador exato
• Gera valores acima ou abaixo dos amostrados (topos e vales)
• Curvas suaves
o Não adequado para dados com variações bruscas
DEMPSEY,C. 2013. Statistical surfaces in GIS.
Em: https://www.gislounge.com/statistical-surfaces-in-gis/
145. Usar mapa de Kernel ou Interpolação?
Base de pontos
Vazão extraída por poços
Atendimentos por hospital
Precipitação
Valor roubado por assalto
Área queimada por incêndio
Mapa de Kernel
Impacto no aquífero
Densidade de casos por
região
X
Maior prejuízo por área
Regiões mais danificadas
Interpolação
Melhor lugar para furar poços
Porte dos hospitais
Precipitação média
Melhor faturamento por
assalto
Regiões onde incêndios se
espalham mais facilmente
146. QGIS - Interpolação de Dados
• Abrir o QGIS Desktop com GRASS
• Instalar Complemento de Interpolação
• Abrir camadas: pluviometricas_sbc_utm.shp e sbc_setores_2010_pop.shp
147. Interpolação de Dados
• Processar -> Caixa de Ferramentas
• Geoalgoritmos QGIS -> Ferramentas de Geometria Vetorial -> Polígonos de Voronoi
152. Interpolação de Dados
• Abra o arquivo “pluviometricas_tin_shp”
• Clique com o botão direito na camada e selecione “Propriedades”
• Selecione o Sistema de Referência
“SIRGAS 2000_UTM 23S”
154. • Processar -> Caixa de Ferramentas
• Geoalgoritmos QGIS -> Saga ->
Raster Creation Tools -> Natural Neighbour
• Use camada/extensão da tela
• Escreva a pasta e localização do raster (tif)
156. Interpolação de Dados
Raster-> Interpolação
◦ Método de Interpolação = Peso pelo inverso da distância (IDW)
◦ Coeficiente P = 4
◦ Definir pela extensão atual
158. Interpolação de Dados
Faça a interpolação de inverso da distância com os pesos
1, 2 e 10
Compare os resultados
K=4
K=2K=1 K = 10
159. Prática de Interpolação
Superfícies de Tendência por Regressão Polinomial
• Menu Processar -> Caixa de Ferramentas
• SAGA -> Geostatistics -> Polynomial Regression
160. Prática de
Interpolação
• “Points” ->
“Pluviométricas_sbc_utm”
• “Attribute” -> “Isoietas_P”
• “Polynom” ->
“Simple planar surface”
• “Output extent” ->
“Use camada/
extensão da tela”
• Escolha um nome e pasta para
os arquivos de resíduos e para
o raster (Grid) a ser gerado
Z = a + bX + cY
161. Prática de Interpolação
• Clique com o botão direito sobre
a camada de pontos de resíduos,
e mande exibir a tabela de
atributos
162. Prática de
Interpolação
• “Points” ->
“Pluviométricas_sbc_utm”
• “Attribute” -> “Isoietas_P”
• “Polynom” ->
“Quadratic surface”
• “Output extent” ->
“Use camada/
extensão da tela”
• Escolha um nome e pasta para
os arquivos de resíduos e para
o raster (Grid) a ser gerado
Z = a + bX + cY + dXY+ eX2+ fY2
163. Prática de Interpolação
• Dê dois cliques
sobre a camada
raster de tendência
quadrática e
escolha a aba
“Estilo
• “Tipo de
Renderização” ->
“Banda Simples
Falsa Cor”
• 5 Classes
• “Classificar”,
“Aplicar’, e “OK”
167. Extração Zonal de Atributos
• Instalar complemento Estatística por Zona
• Raster-> Estatística por Zonas
• Escolha o raster do Spline e o shapefile “sbc_setores_2010.shp”
168. Prática de Interpolação
• Dê dois cliques
sobre a camada
spline e escolha a
aba “Estilo
• “Tipo de
Renderização” ->
“Banda Simples
Falsa Cor”
• 5 Classes
• “Classificar”,
“Aplicar’, e “OK”
172. Prática de Interpolação
• Importe o shapefile abc_municípios_utm.shp
• Dê um duplo clique na camada, e na aba “Estilo”, mude o preenchimento para transparente
178. Pensando tudo junto
GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014.
Em: https://mgimond.github.io/Spatial/
179. Análise de eventos pontuais
• Exercício individual
• Selecione um tema à sua escolha e analise as variáveis com a
técnicas de kernel, proximidade ou interpolação
• Utilize o QGis, TerraView, ArcGis e/ou outros programas
• Faça um relatório textual de no mínimo 1 página, de acordo
com o modelo de trabalho e atividades explicado na primeira
aula
• Entrega até 17 de novembro (Sexta-Feira)
Exercícios
180. Modelo de Atividades
Introdução
◦ Apresentação do problema de pesquisa
◦ Objetivos
Metodologia
◦ Área de estudo
◦ Variáveis estudadas
◦ Técnicas utilizadas
◦ Produtos gerados
Discussão
◦ Interpretação do padrão espacial
Conclusões
Referências
Resultados: Mapas e ou tabelas