Professional Documents
Culture Documents
1.1 INTRODUO
`= ~= = ~~= = ~= = = =
== ~= = = = ~= ~= ~~= ~= ~= =
= ~= = ~= ~= = I= ~= = ~I= =
~I==~I==~~I==~~=~K=q~===
=~=~~==~=I===~==~==
~=~=EpfdF==~====~=~K=b=
~= = ~= ~~= ~~= = ~= = ~= =
I===~~==~==~==~=~==
~~==~~K=m~~=~I=~~====~==~===~=
~= ~= E= = ~~= = FI= = = pfd= = ~~= =
~~= = ~~= = = ~= ~~= = ~= ~~=
=K==
=
^=~==~=~==~~==~I===
= ~= = ~= = = ~= ~= =
I====~W=
b~= ~= ~= = ~= = ~K= ^=
= = ~= = ~= ~= ~= = ~= = ~\=
b=~~==~~===\=b~==\=
s~==\=
d= ~= ~= ~= = = = = ~= = ~=
= ~= ~== ~~K=mJ= ~= ~= ~~= ~~= ~= ~=
==~=~=\==
~= ~= ~= = = ~~= ~= ~= ~~= = = =
~====~==~=~~\=
=
q= = ~= ~= ~= ~= ~= ~~= = ~=
K= ^= ~= ~= ^= b~~= = ~= ~= =
~~I= ~= = ~= ~= ~~= ~~= = = =
= = ~= ~K= l= ~I= ~= ~= ~= = ~= = ~= =
~===~=~K=b==~~====~~=
~= = ~= ~= K= mJ= ~~= = ~= ~=
~I= ~= = ~= = = = ~= ~~= = ~=
==~I=~=~~===K==
=
r= = I= = ~= = = ~= ~~=
~==~=~~~==~~===ufu==g=pK=b=
NURQI= ~= = i= ~= ~= ~= ~= = ~= ~~= ~=
~K= m= = ~~= = = = ~= ~~= ~=~K= a~=
=~=~~=J~W=~=~~J~=~=~~I=
~= ~== ~~= = ~~~= ~=~I= = ~= = =
= ~= ~K= l= ~~= Ec~= NJNF= ~~= ~= ~= = =
~~= ~= ~= = ~= ~= = ~= = ~~~= ~= ~I=
= ~~= ~~= ~= ~= = = _~= p= = = =
= ~= ~K= b= = ~~= ~= I=
~~= = ~= ~= ~= = ~= ~~= = = =
~~= = ~= ~= ~= ~= ~= E= ~~F= ~= ~I= = ~=
=~=~==I===~==~=~K=
b~==~=~=~==~=~=~~===~==
~~= ~~= = ~~= ~= = = I= = =
===~=~=~~K=
Figura 1-1 - Mapa de Londres com bitos por clera identificados por pontos e poos de
gua representados por cruzes.=
1.2 TIPOS DE DADOS EM ANLISE ESPACIAL
=
^= ~~= ~= ~~= ~~= ~~~= = ~= = ~=
~~=~====~W=
p=`~==J= ~~=~=~=====~~=
=~I===~=~==~=~K=
r~I====~==~==~~===
~~I= = = = ~~= I= I= I=
==K=
~==`~==q~~=^~~=J=~~J==~=~~=
~=~~=~~I====~~==~I===
~= = = ~= = ~~= = = =
=~K=m=~==~~I==~==~~==
~= = ~I= ~= ~~= = = ~=
E=I=~==~=~I=FK==
=
^= ~= ~= = ~~I= ~J= = = ~= = ~=
~~= ~= = ~= ~~= = = ~= K= b=
~= = ~I= ~= ~= ~~= = ~= = = = =
= ~~= ~= ~~= = ~= ~= = = =
~= = = ~= = ~~= ~~=
==K=b=~I====~====
~=~==~=~~I=~~~==~~=~==~=
= ~== = = ~~= = ~= ~== ~== ~=
~~====K==
=
k= ~= = ~= = ~= = I= = = = = = ~=
~= ~~= ~~= = = = K= `= ~= ~=
~~~~= = pI= = = = ~= ~= = ~~= =
I= ~= = = = ~= ~W= = = ~~I= = ~=
= = ~~J= = ~~= = ~= K= =
~= = ~= = = ~= ~= = J= = ~= ~=
= = ~= ~K= l= ~= = ~= = ~~= =
~= = = = ~~~= = I= ~= ~=
~= = ~= ~= ~= ~~I= = ~= = = = =
~K= m= I= = = ~= ~~= = I= =
~==~===I=~~===~==~=
= ~\= ^= ~= ~= = ~~= = = = ~= =
~~~==`~=OK=
=
`= I= ~=c~=NJO= ~= ~=~~= ~= ~= = ~=
~= ~~= = ~= = ~~= = ~~= ~= = m= ^I=
==~==NVVSI=~~~==p=p~===`~=_~I=
~= cfl`orwK= ^= ~~= = = EFI= = ~= =
=E~~F===E~F=~=~~=~=c~=NJO=E=~FK=
=~I=~~J=~==~~=~=~=~~I===
= ~~= = ~= ~~= ~= ~K= ^= = ~~=
~==~======~==~==
=~=~=====~=~=~=~~~K=
Figura 1-2 Distribuio de casos de mortalidade por causas externas em Porto Alegre em
1996 e estimador de intensidade.
=
m~~=~=~==I=====~==~=~=
====~=~~K=`=I=J=~===
==~~===~~==~==p~~=`~~~==~=~I==
=~~===~~=~=~=~~==~I==
=p=_I==fkmbI==~~=~=c~=NJPKK=
=
55,437 (%)
* Perfis
* Amostras
8,250
~~=E=F===EF====~=
~~~= = ~= = = = ~= ~= = ~=
~K= b= ~= = ~= ~= ~= = = _~I= =
= = = ~= = ~= ~~= = ~= ~=
= = ~= = ~~= = ~= = = ~= = ~=
~~==~=~=~==~=K=b=~=
I= ~= ~= ~~= ~~= ~~=~= ~= =
~= = ~K= k= ~I= ~= ~= ~~= = ~~= =
=====~=~~==~=~==
= ~= = = = = ~= ~= = ~= =
K==
=
`===~=~~==~I=J=~=c~=NJQ=
E~FI= = ~~= ~= = ~~= = = =
L= ~= = p= m~I= = ~= = ~~= ~=
K= ^~~= p~= Emr`LpmFK= l= ~= = L= ~=
~==~=~==~=~==VS===p=m~I=
= ~= = = = NVVNK= ^= ~= = ~~I= = = ~= =
~~= = = = = ~I= ~= ~= c~= NJQ==
E~FI==~=======~=~=~K=
f~==X=
b~~==~==~X=
c==~====~X=
s~~==~X=
^~~= = ~= = ~= E~~= = ~==
~===~==~=FK==
=
b= = = ~~= = ~= ~K= ^= ~=
J~= = = = ~= = ~= = ~K= k= =
I= = pfd= = = ~= = ~= = ~=
~~= E~~I= I= ~I= ~~= = ~~FK= f~= ~=
~I= = ~= = ~= = ~~~= = ~= = ~=
~~K= `~~= ~I= = = = = = = ~I=
~= = = = ~=~I=~= == ~=
~====pfdK=
=
Interface
Entrada e Integr.
Dados
Consulta e Anlise
Espacial
Visualizao
Plotagem
Gerncia Dados
Espaciais
Banco de Dados
Geogrfico
==
Figura 1-5 - Arquitetura de Sistemas de Informao Geogrfica.
=
^=~~==~==~==~=~~====
J~~= E= ~~= ~FI= = ~= = ~= ~= =
~= = ~= Epd_aF= ~~I= = = a_^pb= = ^``bppI= ~~=
~~~= = ~= ~~= = ~= = = I= = ~=
=~~=~~=~~=~=~=~==K==
=
^= ~= ~~= = = J~~= = = ~= =
pd_a= ~~= = ~K= a= = = ~= = I= ~=
~~= = = ~~= ~I= ~= =
~= = = ~= = pd_a= ~~I= ~= =
~===K=k=~I===pd_a=~~==
= ~= ~= ~= ~I= = = = = = = =
~==~==~=K=f~JI==I==
= = = ~~= ~= ~~~= ~= = =
=~~I=~======~=~~=~=
~~= ~= ~K= b~= ~= ~= ~~= ~= = =
~= ~I= ~J= K= ^I= = ~= ~= ~=
~~= = ~= = = = = = = ~~= ~I=
== = ==~= = ~= ~= ~~I=
~= = = = = J~~= = = ~= = ~~= ~=
~~~=~~=~=~==~K=
=
^= ~= ~= ~~= = ~= =
~~~W=
mW=r======~=~=EI=F==
~~=~~I==~=~=====~==
~= I= ~= ~= = ~~= = ~K= k~= ~=
~=I=~~==~=~==~=E==
~= = = = p= m~= ~= c~= NJQFX= = ~= ~= ~I=
~= = ~= = = = = ~~= = =
K=
^~W===~=~=EI=I=F==~==~=
EI= F= ~= ~= ~~= ~= = = ~= = ~= ~=
= ~= ~~= ~= ~~K= r~= ~= ~~=
=~~~=~=~~==~I===~==~=
I= = = ~K= l= = = ~~=
= = ~~= ~~= = ~= = ~= ~= = ~=
~=~~K==
d~=~W==~=~==~~===~~=~==
~=K=b~=~==~~~=~=~==~==
I= ~= ~= = ~~= ~I= ~= ~= ~=
~= = = ~= ~I= = = ~~= ~= ~=
=~==~K==
f~W==~=~==~~===~~=~==~=
= E~= ~= ~~= = M= = ORRFI= ~~= ~~=
~~K=b~=~==~~=~~=~~=~==~=
~=~K=l=~==~=~==~~=~~==
~= = ~~= ~= ~X= = ~= ~= =
~====~=~=~I=======
~=~=K=k~=~=~==pfdI==~=~=
= ~~= ~= ~= ~= ~= ~= = ~= E= = =
~===FI===~~==~~==
K= ^=c~=NJP= E~F= ~= ~= ~=~==~=
~=~~==~==p~~=`~~~K=
=
^= ~= ~~~= ~= I= ~~= = = =
~~~= ~= c~= NJS= = ~= ~= ~= = ~~= ~= c~= NJUK=
r~I= ~= ~= ~= = ~= = ~~~= ~=
~~= ~= ~= = ~I= = = ~~~= ~= ~= =
~~= ~~I= = ~= ~= = ~= E~~= vF= = =
E~~=uFK=
=
Figura 1-6 Geometrias: Ponto2D, Amostra e Polgono
=
=
Figura 1-7 Representao Geomtrica de Grade Regular
=
k= = J~~I= = ~= = = ~~= = =
~~=~=~==~=~~I==~=~==~=~=
= ~= = ~= ~= = ~= == ~K= `~~= ~=
~=~~==~=~=~~=~===X=~=~~=
===~~=~==~===I=~~=
= ~= = ~= ~= ~= ~= = = ~= = ~= ~=
~K==
=
`= ~= ~= = = = = ~= ~= = ~=
~~I= ~= ~= = ~~~~= = pfd= = ~~= ~= ~= ~=
~~~= ~= c~= NJUK= `~~= ~I= = = = = = I=
==~==I==~~=~~====
~===~==~~=~=~~===pd_a=~~K=
^= c~= NJU= ~= ~= ~~= = ~= ~= ~I= ~= =
~I=~~===K=`~~=~===~===
~~= ~= = = ~= = = = ~= = = ~= ~= ~~=
===~K=k=I=~=~==~=~~===
=~=q^ielK==l====~~======
===~I===W=~===I===
~= ~~I= ~~= = ~I= ~= = ~= ~X= ~= =
~~====~===~=~~X=====
~~=~===~=~K=
=
Figura 1-8 - Estratgia dual para bancos de dados geogrficos.
=
k= ~= = I= = ~= = = ~~= ~= = pd_a=
~~I= = = ~~= ~~~= = = ~= ~= = =
==~=~=~~K=^~J====~~==~==~W=
~~= = = ~~= ~= = ~I= = = ~= ~= = =
~==~~=~==~=~~==~==~K==
=
m~~=~=I=~=~=~===~~=~~==~=
I= = = ~~~= = ~= = = pd_a= ~~K=
k=~I=~=~=~=~====~==~~==~~~=
= ~~I= ~~~= ~= = = = = = ~= = =
K=l===~==~=~=~====
~= ~~~= = = ~= = = K= b~= ~= = =
~~~=~=~=~~===~~=E=~==c~=NJPFK=
1.4 CONCEITOS BSICOS EM ANLISE ESPACIAL
a~=b~~=
=
r==~=~===~===~~==~=
~= ~~K= b~= = ~= = = t~= q= ~~= =
~= = ~= ~~W= ~= ~= ~= = ~~I= ~= ~= ~=
~==~=~==~=~=~K=lI==~~=k=
`I= ~= ~= x~~z= = = = ~= ~= = = ~=
~=~~==~===~~=~==~=~~==~K=
=
d~~I=J=~~==~=~=~=~=~I=~=
~= ~~= = ~I= ~~= = = ~= ~= = = ~=
~K=l======\=p=~===
= = = ~I= = = = ~== ~= ~= ~~= ~=
~= K= l= = = ~= ~= = ~= = ~~= = =
= = ~I= ~= = = = ~= ~I= = ~=
~=~=~==~==~~K==
^~=b~~=
=
^= = ~~= = = = ~= ~~= = ~=
~~= ~~K= b= = = ~= = = ~= =
~I= ~= ~~= ~= = ~~= = ~= ~=
~~~K= ^= = ~= ~= = ~= ~= = ~= =
~~~= = ~= ~= ~= ~~~I= ~= = ~= = =
~K= m~~= = ~= ~~= ~~I= J= ~= =
~I= = ~~= ~= ~= ~W= ~= = ~~= ~=
~= ~~I= ~= ~= ~= ~~= = = ~= = ~=
~~= = = = K= l= ~= = ~~= ~~= =
~=~~==~=~~===~===
(d ) =
i =1
j =1
wij (d )ij =
ENJNF=
=
b==~=~=~===~=~~~==
= = = ~= ~K= a~~= ~= ~= I= ~= ~= = =
~=~==~=~~==~=~=~~~===I==
I=~===~~~==~===K=^=~==
=~=~==~==~=~=~~~I===
===~=~I===~====j~=~~=~I=
==~=R==I=~====
n
I=
w ( z
i =1 j =1
ij
( z
z )( z j z )
i
ENJOF=
z )2
i =1
= = = N= = ~= ~= ~= ~~~= ~= = = = = ~I= = M= ~=
K=l===~===~~~I===~=
PI===~==~~=~=~==~I===~=~=
=~==
(d ) =
1 N (d )
[ z ( xi ) z ( xi + d )]2 =
2 N ( d ) i=1
ENJPF=
=kEF=====~~=~~~=~=~=K==
=
b= ~= = ~I= = ~= = = = ~~= = =
~==~===~===~=~~=~~==
~= ~K= s~= ~= = == ~~= ~~= =
~= = ~= ~~= = ~= = = ~= =
~= ~= ~~I= ~= ~= ~= ~= = = =
~=~~I=======~=~~==~=
=~=~==~==~==~=~K==
f~=b~~=~~=a~=b~~=
=
=r~= ~= ~= ~= ~= ~~= = = ~=
~=~~====~=====~==
~==~~====~~K=b=~=~~~I=~=
~=~~=~=~=~=~===~K=a=~=~I=
= = = = ~~= ~= ~~= ~= ~~I= = = =
~= = = = = = = ~= = ~~= = =
~I= ~~= ~= ~= = ~= = = ~=
~K=
=
k~=~=~==~I=~=~=~=~~~==~==
~= ~~= = = = = = ~~= I= ~=
=~=~=~~====K==~=~==
~~= ~~I= = = ~~= ~= ~= ~= ~=
I== ~== == = ~=~= ~= =
~~==~=~=~~===~=~~===
~K= ^= = ~= = I= ~~= = ~~= = u = = ~= = A =
~= = 2 I= = ~= = = = ~= z = = = z (u ) = = = =
~~==== {Z (u ), u A} K== k= ~I= = = ~=
= = ~= ~~= = = I= ~= = = =
= = = = = ~= ~= L= I= =
=~=K=
b~~~==f~=
=
l=~==~===~=~=~~==
~= ~~J= ~= = = N= = O= K= b= = N= = = =
~=~I==I=~=~====~K=b==O===~=
~~==~=~===K=r==~=====
===~~~K=l===~=~====
=N==O===~I==~=~==~~I==~I===
~K= r= = = = I= ~= = ~I= ~= ~~=
==~=~======~===K=
=
r=== Z ====~==~===~=
~~= = Z (u ) = = ~= = ~= ~= = = = A I= = ~= =
=~=~==
E{Z (u)} = m =
ENJQF=
= ~= ~= = ~~= ~~= = ~= = = ~=
== h = u u =
ENJRF=
=
a~= = = ~~= I= ~= = ~= ~~~=
= = ~~= ~= ~= = = = ~= ~~= =
~~= ~I= = = = ~= ~= ~=
~~=~~K=k~=~~=~~= C h I=== h ==~=
~ h =~=K=n~=~=~==~~I=~==~~=
=~=~I=~~=~~===~=I=~==~==
~~K=k=~===~=~=~~==~=~==~=~=
I=J= = = = = K= ^= ~=~= ~==
~~=~~===~~~==~===K=m=~=
= ~= ~~= ~= ~~~= ~= = ~= ~= =
~~=~~==~=~=~====~=
=K=
n~==~=========~~\==
=
k~= ~= ~= = = = ~= i~I= ~= ~~=
~==~=======~=~==~=~=
==~=~=~I=====~W=
l= = ~~= ~I= = = = = ~= = ~=
~=~=~==~==~=~==~=~~==~=
===~=~===E~~===FK=
l= = ~I= = = = = ~= ~= ~~= =
~~= = K= k= ~I= ~= ~= ~~~= = = = ~= =
= ~= E~= = ~~= = F= ~= = ~= = =
~~K=
b=~=~~I=~===~=~====\==
=
m~~= ~= = ~= ~== = = = = ~=
~= ~~= = ~= ~= = ~= = ~= ~==
~~==~==~~======
~= ~= ~~= ~= = = = = K= k= ~= =
==~~=~=~==~=~~===
==~==~K==
b= ~= = ~~= ~~= = = ~= ~=
~\==
=
^~= = I= ~~I= = ~= ~= ~K= =
== ~~= ~~== = ~= = = ~= I==
I==K=b~I==~==~=~=~==~==
==~===~=~===~=~=
~I==~~=~=~==~~==~=
=~~~==~K=^===~=~=~=~=
~= ~= = I= = = = ~= ~= = ~= ~=
~~= = ~= ~K= l= = = ~= = ~= =
~= = ~I= = I= ~= K= f= I= ~=
~= = = ~= = ~= I= = ~= ~~= =
~K= ^= = = = ~= = ~= ~= ~= = = =
~= ~= ~= ~= ~~K= k= ~I= ~J= =
==~~=~K==
r~= = ~= ~= ~= = = ~= = =
= = = = = = ~= ~= = =
~~= I= = = = = ~~= = = =
~~=~=K=
j=f~=
=
j~= = = ~= = ~~I= = = ~=
~= = ~~~= ~~= ~~= ~= ~= ~= ~~=
~K= ^= ~= = ~= ~~= = = ~= ~I= =
===~~=~=====~=~==
==~I=======~~K=n~=~==
~= ~~= = ~= ~= = ~= ~\= `~= = ~~= = =
= = = ~~= ~~= ~~=~I= = = = =
~==~I==~======~==
~= = = ~I= ~= = ~= ~= = ~=
~==~K=r~=~=~~======~=
~= = = ~= ~= ~= ~~~= ~K= m= = ~I=
= = I= ~= ~= ~= ~= =
~~==~K=^=~=~===~I==~==
===I=~==~======~=~=
~= = ~= ~= ~= = = ~~= ~= = =
==K=
m=~==
=
m= ~= = = = = = = =
~= = = = I= ~= ~~= = ~~= =
= ~= K= ^= ~~= = = = = = = I=
======~=~K=`~J==
= = = (u1 , u 2 ,........) ~= ~~= = A = =
~= K= m= I= = = = = = =
==~=~~=I=~J=~====~=
=~~====I==~I=~=J== A ==
~=~~==~K===
=
l= = ~= = ~= ~= = S = = A =
~~= = ~= ~~= E [N (S )] = = ~= ~~= C N (S i ), N S j I= =
N (S ) =~======pK=p===~=~=~=
( )]
~= ~~= = = ~= = ~= I= ~=
~~===~=~==~==~=~~==
= = ~K= b= ~= = = = ~~= = N (S ) = ~~=
~= ~= = du = = = = u I= ~= ~= = ~= K=
b~= ~~= =~~= ~= E~= =~= FI=
=~=X==
E [N (du )]
I=
du
(u ) = lim
du 0
ENJSF=
=
m~= = ~= = = = ~= ~= ~= ~I=
~=~=~=~ ui , u j ==~==~=
du == du j ===== u i == u j K==
(d (ui ), d (u j )) =
=
( )]
C N (dui ), N du j
du i , du j 0
dui , du j
lim
==
ENJTF=
n~= = = = = ~I= (u ) = = ~= ~= (u ) = X= =
=~=~=~~== (u ) K=l==~==~~==
~=OK=
s~~=~=
=
l= = ~= = ~~= ~= ~= = =
= { Z (u ), u A, A 2 } I= = ~= = = = =
===~=~==K=^=~==~=~~===~=
z I=~~==== u === A I {z (u ), = 1,.., n} I=~J=
=~==~==~== z K=^=~===
= = = ~= = ~= ~= J~~~= = ~=
~= = ~= = ~I= = = = = ~= P= = Q=
= K= b= = ~= = = ~= = =
=~==~~K==
=
^= ~~= ~= = = = = = ~W= ~=
~==~=~=~K=k~=~I==~~== uo I==
~=~=~=~~~= Z ==~I= z (uo ) =~J==~I=
Z (u ) I= = = = ~= = = ~= = ~= ~= = ~~= ~~=
o
~W= = = = = = = = = = ~=
===~K===
=
k~= ~= ~I= = = = ~= ~=
= ~~~= Z = ~~= = ~~= = = = =
= = ~K= `~~= ~~= ~= ~~~= =
~= ~= = ~= ~= ~~= = = =
= ~~~= ~K= d~= ~= ~~= = ~= =
~===~====~~~=~~~I= F (z ) I==~=
~==~~=~~=~~K===
=
^=~==~====~== z =~~=
= ~~= ~= ~I= z (u ) I= ~= = ~= ~= ~=
Tabela 1-1
Tipos de Dados e Problemas em Anlise Espacial =
Tipos de Dados
Exemplo
Problemas Tpicos
Analise
Padres
Pontuais
de
Eventos
Localizados
Ocorrncia de
Doenas
Determinao de Padres
e Agregamentos
Anlise
Superfcies
de
Amostras de
Campo e
Matrizes
Depsitos
Minerais
Interpolao e Medidas de
Incerteza
Anlise de reas
Polgonos e
Atributos
Dados
Censitrios
Regresso e Distribuies
Conjuntas
=
=
m~~==~=I==~=~==~=~=
~=^=b~~====~==I=====~=
c~= NJVK= l= ~~= = = = = E= `~=
= pI= d~= = p~= m~F= = ~= = =
I= = = ~= ~= = ~~= = pfdK= b~= ~=
==~===~=~~==~K=^=~=
~= ~I= = = = = ~~= = = ~=
~~I= = = = = ~= = = ~~= = =
~I=~~====^=b~~K=l=~=
= = = ~= = = ~~= ~= ~= =
~~=~=~==K==
=
Domnios do Conhecimento
Teorias
Conceitos
Qualitativos
Modelos
Inferenciais
Hipteses
Testveis
Anlise
Espacial
=
Figura 1-9 Relao entre anlise espacial e as teorias disciplinares.
=
`= = = ~I= = ~= = = ~= ~=
~= ~I= = = = = = ~~= ~~= ~K= l=
= ~= = = = ~~= ~~= ~=
==~K=j~====~=~==
~~=E=~I=~~=~==~~=~F=~~=
~~= ~= ~= ~= ~K= k= ~I= = = ~= =
= = ~= ~= = = = = I= = ~~= = =
~===~=~=~=~=~~~K==
=
b~= = ~= ~= = = = ~= = ~= ~= ~=
^=b~~K=^=~=~~~==^=b~~===
~=~=====~~==~==~~==
= = = K= p= = = = = ~= J= ~=
~~W= = = = ~= = = d~= =
b~~= b~~= = ~= ~= = ~~= ~I= ~= ~=
~~= = = ~= E~~= ~F= = ~=
~=E~~=~F==~~K=
=
^=~==~===~=====
==~=~==~==~=~=~~=
=~=K=m~~=~=~=~==j=p~I==~==
~= ~~I= ~= ~= ~~= = ~= = = = =
~= == X= ~= ~~= = ~~= ~= ~=
~~= ~~~K= `= = = = pfd= = = ~= ~~I= =
~~~= ~~~= ~= ~= = ~~= = ~I= ~= = ~=
==~~====X==~~=~=~=~=
~= = ~I= ~= ~= = = = I= ~= =
=~=~=~~=~==I=~=~~==
~K= ^= ~= = ~= = = ~~= = = =
~= ~= ~= = ~= ~= ~~~= E= = ~=
~= = ~~= = ~F= = = ~~= E= = ~=
~==FK==
=
b~= ~~= = = = ~= = = ~~= ~=
~= = ^= b~~= = d~K= k= ~~~= =
==~~=~I=====~~=
= ~= ~~I= = = = = ~= ~= ~~= =
~K=b===~=====~====
~=~===~~===~~==K=
1.7 REFERNCIAS
=
l=J===~=~~I===~~=~==
=~=~~==I==p~~=a~~=^~==b~=
E_~=~=d~I=NVVRFK=p===~====K=q=
_~= ~= ~= ~= ~= ~~= = ~K= l= = =
= = ~= ~= = c~= = ~K= EOMMNFI= I= ~=
======_~==d~I==~=~=K=
m~~= = ~= I= = = = j~= ENVVRF= ~~= ~=
~= ~= I= ~= = ~= ~= ~= ~= = ~~=
~~K= b= mI= = = = = o~= ^= EOMMNF=
~=~==~~~~==J~==~I=~==
~= ~= ~= ~~= = ~= = = ~= ~~= ~= =
K=
=
m~~= = = = ~= ~~= ~= ~I= = = =
`=ENVVNF=~~=~=~~===~I==~==
= = ~~= ~K= r~= ~= ~= = ~~I=
= = = = = = = = = = f~= = p~~~=
ENVUVFK= ^= = ~= dpif_I= ~= ~= ~= ~= ~~= ~~= =
= = ~~= = ~~I= = = ~~= =
==a==g=ENVVOFK=
=
m~~=~==~=~=d~I====~=
`~~= = ~K= EOMMNF= = _= = ja= ENVVUFK= `= ~= =
~= = ~~= = pfdI= = = = J= ~= `~~=
ENVVTFI= = = = = = = = ~= =
~= pmofkdK= l= = = p~~= `~~~= = ~~= = ~~=
=_=EOMMNFK=^~==^=b~~=~~=~==~=
~==~==`~~=ENVVTFK=
^I=oK=EOMMNFK=b~~=b~~==^~==b~I=
b~I= p~K= _= eI= rcjdK= E= =
YKKKL~~[F=
_~I=qK=~=^K=d~=ENVVRFK=p~~=a~~=^~==b~K=iI=
i~K=
_I= pK= EOMMNF= d~= ^~= = q~~= =
f~W=l=`~==w~=m=~~=~=p~==b~=
=p~~=`~~~K=a~=Ej~==p~=oF==
f=k~~==m~=b~~I=p=g==`~K=
_I= mK^KX= jaI= oKX= m= = d~~= f~=
pK=lI=l=r=mI=NVVUK==
`~~I=dKX=a~K`KX=jI=^KjKX=aD^I=gK`K=f==`~=~=
d~K=p=g==`~I=fkmbI=OMMN=EO~K=I=~==
~~~I===KKKLLFK=
`~~I= bK= ENVVTFK= aI= f~= = = = q= = =
m= = d~= = Eh~F= = p~= =
m~= = f~= d~~= EpmofkdFK=
=
APNDICE
SOFTWARE PARA ANLISE ESPACIAL
=
^= ~~= = ~= = ~= ~= = =
= = ~~= ~= ~= = ~~= ~~I= ~=
= I= = ~= ~= = = ~= =
==~I=~=~=~==~=~=~~K=
^= = I= ~= = = ~= pfd= = = = ~=
~~K=j~=I=~=~==~=~~==~=
~= ~= ~= ~= = = = = ~~= ~= ~= = pfd=
==_~K=b==~=~~~=~=~=~I==
~==~~===~===~~==~==
~==~K==
=
m~~= ~= = I= = ~= = ~= = =
~= = ~= ~~= = ~= ~~= = = ~= =
~=~======~=~~K=a~~=~=
~=~~I=J=~=====~=~=~=~~==
~~= ~K= m~~= ~= = ~~~~I= ~J= ~=
~= ~= = K~J~KI= ~= = d= aI= = =
~===~===~K=
=
^==~~=~=~=I=J=~~===faofpf===
do^ppI==pfd==~I==~===~=dpq^q==
~= = ~~= ~= ~~K= s~J= = = ~=
q~~=NJPK=
TABELA 1-2
GSLIB Biblioteca para Geoestatstica
Descrio
Autores
Disponibilidade
Funes
Aplicabilidade
=
=TABELA 1-3
GSTAT Software para Geoestatstica
Descrio
Autores
Edsger Predesma
Disponibilidade
Funes
Aplicabilidade
TABELA 1-4
ClusterSeer Clustering de Processos Pontuais=
Descrio
Autores
Godfrey Jacquez
Disponibilidade
Funes
Aplicabilidade
=
TABELA 1-5
CrimeStat Anlise de Estatsticas Criminais=
Descrio
Autores
Disponibilidade
Funes
Aplicabilidade
=
TABELA 1-5
SpaceStat Anlise Espacial de reas =
Descrio
Autor
Luc Anselin
Disponibilidade
Comercial em http://www.spacestat.com/
Funes
Aplicabilidade
=
TABELA 1-6
SPRING =
Descrio
Autores
Disponibilidade
Funes
de Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D
Anlise Espacial e 3D), ndice I de Moran (global e local), mapa de Moran, ndice C de
Geary, com testes de hipteses sobre autocorrelao espacial.
Deteco de conglomerados: funo K de Ripley, vizinho mais prximo
e ndices locais de Moran.
Estimador de densidade: kernel estimator.
Estimao: krigeagem simples e ordinria, krigeagem por indicao,
simulao seqencial (gaussiana e por indicao), com suporte a
variveis contnuas ou categricas.
Aplicabilidade
=
TABELA 1-7
ArcGIS Geostatistical Analyst=
Descrio
Autores
Disponibilidade
Comercial em <www.esri.com>
Funes
de Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D
Anlise Espacial e 3D), anlise de tendncias
Estimao: krigeagem simples e ordinria, krigeagem por indicao,
co-krigagem e krigeagem disjuntiva
Aplicabilidade
=
=
2.1 INTRODUO
Neste captulo sero estudados os fenmenos expressos atravs de ocorrncias
identificadas como pontos localizados no espao, denominados processos pontuais.
So exemplos: localizao de crimes, ocorrncias de doenas, e localizao de
espcies vegetais. O objetivo destas anlises estudar a distribuio espacial destes
pontos, testando hipteses sobre o padro observado: se aleatrio, se apresentase em aglomerados ou se os pontos esto regularmente distribudos. O objeto de
interesse a prpria localizao espacial dos eventos em estudo.
O tipo de dado nestes estudos consiste em uma srie de coordenadas de pontos
(p1, p2, ...) dos eventos de interesse dentro da rea de estudo. O termo evento
refere-se a qualquer tipo de fenmeno localizvel no espao que, dentro de nossa
escala de investigao, possa estar associado a uma representao pontual.
Exemplos incluem:
Para ilustrar estes conceitos, considere a figura 2.1, que apresenta a distribuio
de 299 bitos de menores de um ano, registrados no ano de 1998, de crianas
nascidas no mesmo ano na cidade de Porto Alegre, Rio Grande do Sul, divididos
em neonatais (menores de 28 dias de nascidos) e posneonatais (entre 28 dias e um
ano). A anlise de padres neste tipo de dado pode ser utilizada como uma forma
de identificao de possveis reas com maior concentrao de mortes infantis, de
comparao entre os bitos nos dois grupos de idade, e de identificao de fatores
de risco associados a esta ocorrncia.
Os dados de distribuies pontuais tm as seguintes caractersticas:
2-2
( )]
E [N (du )]
,
du
(u ) = lim
du 0
(2.1)
(d (ui ), d (u j )) =
Quando o
( )]
C N (dui ), N du j
du i , du j 0
dui , du j
lim
(2.2)
Vale relembrar a discusso do seo 1, onde caracterizamos os eventos no espao por um processo
estocstico, onde cada ocorrncia uma realizao de uma varivel aleatria distinta.
2-3
{Z i (ui ), ui S i : i = 1,..., n}
(2.3)
2-4
Kernel k()
Largura
Figura 2-2 - Estimador de intensidade de distribuio de pontos.
(u ) =
k(
d (ui , u )
i =1
) , d (ui , u )
(2.4)
Este estimador chamado kernel estimator e seus parmetros bsicos so: (a)
um raio de influncia ( 0) que define a vizinhana do ponto a ser interpolado e
controla o "alisamento" da superfcie gerada; (b) uma funo de estimao com
propriedades de suavizao do fenmeno. O raio de influncia define a rea
centrada no ponto de estimao u que indica quantos eventos ui contribuem para a
estimativa da funo intensidade . Um raio muito pequeno ir gerar uma
superfcie muito descontnua; se for grande demais, a superfcie poder ficar muito
amaciada. No caso da funo de interpolao k(), comum usar funes de terceira
ou quarta ordem, como
Anlise Espacial de Dados Geogrficos
2-5
k ( h) =
(1 h 2 )
(2.5)
ou o kernel gaussiano
k ( h) =
h2
exp 2
2
2
(2.6)
(u ) =
3 h2
2 1 i2
hi
(2.7)
O estimador de intensidade muito til para nos fornecer uma viso geral da
distribuio de primeira ordem dos eventos. Trata-se de um indicador de fcil uso
e interpretao. A figura 2.3 ilustra a aplicao do estimador de intensidade para o
caso de mortalidade por causas externas em Porto Alegre, com os dados de 1996.
A localizao dos homicdios (vermelho), acidentes de trnsito (amarelo) e
suicdios (azul) esta mostrada na figura 2.3 esquerda e o estimador de intensidade
dos homicdios apresentado na figura 2.3. A superfcie interpolada mostra um
padro de distribuio de pontos com uma forte concentrao no centro da cidade
e decrescendo em direo aos bairros mais afastados.
Figura 2.3: Distribuio de casos de mortalidade por causas externas em Porto Alegre em 1996 e
estimador de intensidade.
2-6
(2.8)
Figura 2-4 Funo vizinho-mais-prximo para mortalidade infantil neonatal em Porto Alegre.
Anlise Espacial de Dados Geogrficos
2-7
A anlise de vizinhana pode ser usada como mtodo formal para se comparar
estatsticamente a distribuio dos eventos observados com o que se esperaria na
hiptese da aleatoriedade espacial completa (CSR). Esta metodologia consiste em
se criar envelopes de simulao para a distribuio CSR, a fim de se acessar a
significncia dos desvios. Na hiptese de CSR, a funo de distribuio G(w) seria
dada por um processo de Poisson
G ( h) = 1 e h h 0
2
(2.9)
G ( h) =
G i (h)
i
(2.10)
(2.11)
2-8
Figura 2-5 Grfico de G ( h) (estimado) versus G (h) (CSR), com envelopes superior e inferior,
para os dados de mortalidade neonatal em Porto Alegre
Embora o mtodo do vizinho mais prximo fornea uma indicao inicial da
distribuio espacial, ele considera apenas escalas pequenas. Para se ter informao
mais efetiva para o padro espacial em escalas maiores, o melhor mtodo a ser
utilizado o da funo K.
Funo K
A funo K, tambm denominada medida de momento de segunda ordem
reduzido, definida para o processo univariado como:
K(h) = E(# eventos contidos a uma distncia h de um evento arbitrrio) (2.12)
onde # est associado ao nmero de eventos, E() o operador de estimativa, e
a intensidade ou nmero mdio de eventos por unidade de rea, assumida
constante na regio. Uma estimativa de K(h) :
A
K (h) = 2
n
I h ( d ij )
j ,i j
wij
(2.13)
2-9
L (h) =
K (h)
(2.14)
Figura 2-6 Funo K com simulao para os dados de mortalidade neonatal em Porto Alegre.
2-10
logit( yi ) = xi + g( si ) ,
(2.15)
onde:
xi o vetor de covariveis,
2-11
(2.16)
A interpretao dos resultados razoavelmente direta: os parmetros indicam a
razo de chances estimada pelo modelo (Quadro 2-1), da forma usual da regresso
logstica, e no mapa so apresentadas as reas onde a probabilidade de obter o
valor do kernel estimado est significativamente diferente da intensidade mdia
do processo. O algoritmo para estimar a largura de banda tima para os dados
utiliza validao cruzada de mnimos ponderados para o passo de regresso noparamtrica. No passo de suavizamento (Eq. 2.15) escolhe-se o valor de h que
minimiza:
wi {zi g 1( si )}
n
CV ( h ) =
i =1
(2.17)
2-12
Intercepto
Estimativa
Erro padro
P-valor
4,0717
0,9487
0,0000
Sexo
-0,3674
0,2713
0,1761
Peso ao nascer
-0,0018
0,0002
0,0000
Idade da me
-0,0131
0,0197
0,5059
Instruo da me
0,0718
0,2753
0,7942
Durao da gestao
1,1685
0,3737
0,0018
Tipo de gravidez
-0,2006
0,6558
0,7598
Tipo de parto
-0,5320
0,2838
0,0613
A figura 2-7 mostra os mapas de risco para a mortalidade infantil aps, includas as
co-variveis individuais da criana e da me. interessante observar que no centro
da cidade de Porto Alegre existe uma regio onde o risco da mortalidade
significativamente menor e outra onde maior. Quanto s variveis individuais,
somente foram significativas o peso ao nascer, que reconhecidamente a varivel
mais associada mortalidade neo-natal, e a durao da gestao, indicativo de
prematuridade. Alm de mapeamento do risco, importante avaliar se a superfcie
estimada varia significativamente na regio, ou seja, se existem evidncias
estatsticas suficientes para rejeitar a hiptese nula de risco constante na regio,
tendo-se controlado os fatores individuais de risco. Em termos do modelo, isso
equivale ao teste da hiptese H0: g(s)=0. Tambm de interesse a construo de
contornos de tolerncia que auxiliam na identificao de reas onde o risco
significativamente superior (ou inferior) mdia global. Ou seja, reconhecendo o
papel de um dado fator como um preditor importante da mortalidade infantil e
controlando-o, deseja-se identificar reas onde o risco significativamente mais
elevado, buscando orientar a interveno.
2-13
Figura 2-7. Mapas de risco para a mortalidade infantil, controlando para fatores individuais, com a
largura de banda estimada por validao cruzada, Porto Alegre, 1998
O teste global do risco e a identificao de reas de baixo e alto risco podem
ser feitos utilizando o mtodo de simulao Monte Carlo, seguindo os passos do
algoritmo abaixo:
1. Ajustando-se um modelo de regresso logstica convencional, para cada evento
caso ou controle estima-se a probabilidade ajustada pi . Ou seja, dadas as
covariveis daquele registro, qual a probabilidade ser um caso.
2. Fixando-se as localizaes de cada ponto, amostra-se m dos n indivduos (sem
reposio) com probabilidade proporcional a pi e estes so rotulados como
casos e os n-m restantes como controles.
3. Calcula-se uma nova estimativa de g(s), g 1 ( s ) , a estimativa centralizada em
~ ( s ) = g ( s ) g , onde g = n 1 n g ( s ) e a estatstica
torno da mdia g
1
1
1
1
1
i
n
i =1
2
t 1 = n 1 g~1 ( si ) .
i =1
~ (s).
digamos g
0
2-14
2.7 REFERNCIAS
A referncia das tcnicas mais bsicas apresentadas neste captulo o livro de
Trevor Bailey, Spatial Data Analysis by Example (Bailey and Gattrel, 1995). As
tcnicas de caso-controle espacial foram desenvolvidas por Peter Diggle e
colaboradores, e a maior parte das rotinas e algoritmos est disponvel na pgina
da do Departamento de Matemtica e Estatstica da Universidade de Lancaster
(http://www.maths.lancs.ac.uk). O relatrio tcnico An S+ library on risk
estimation and cluster detection in case-control studies, de Jarner, M. F. and
Diggle, P. J., mostra as funes desenvolvidas e como us-las. Est disponvel em
http://www.maths.lancs.ac.uk/dept/stats/techabstracts02.html.
Os modelos aditivos generalizados, que servem de base para a extenso
espacial podem ser melhor estudados em HASTIE, T. J.; TIBSHIRANI, R. J.,
1990, Generalized Additive Models. London:Chapman and Hall. Um excelente
livro para estudar modelos de regresso o HOSMER, D. W.; LEMESHOW, S.,
1989, Applied Logistic Regression. New York:Wiley.
Os trabalho sobre mortalidade infantil em Porto Alegre foi publicado no
nmero especial dos Cadernos de Sade Pblica sobre o tema de estatsticas
espaciais em sade (volume 17(5), outubro-novembro 2001, 1251-1261),
disponvel na Internet (www.scielo.br).
2-15
3.1 INTRODUO
No captulo anterior, apresentamos tcnicas de Anlise Espacial para eventos
discretos, associados a ocorrncias pontuais. Neste captulo, apresentamos tcnicas
para tratamento e anlise de dados de superfcies. De uma forma geral, estes dados
esto disponveis na forma de amostras pontuais, e para utiliz-los de forma efetiva
em um ambiente de Geoprocessamento, necessitamos de um procedimento de
interpolao, para gerar uma representao na forma de grade regular, como
ilustrado na Figura 3-1.
As amostras so valores representativos do fenmeno estudado, usualmente
obtidas a partir de levantamento de campo, e que apresentam consistncia de
metodologia e unidade. Conforme explicado no captulo 1, essas amostras podem
representam tanto variveis naturais (como teor de argila no solo) como
socioeconmicas (como taxa de homicdios).
escala. Esse enfoque, entretanto, no nico. Assim, pode-se tomar trs grandes
abordagens: Para tanto, pode-se tomar trs grandes abordagens:
Z (x ) = j f j + (x )
j =1
Nesse caso E {Z ( x )} =
j =1
Figura 3-2- Disposio das amostras de teor de argila da Fazenda Canchim (EMBRAPA).
85
Mdia
33,035
Varincia
288,034
Desvio Padro
16,972
Coeficiente de variao
0,514
Coeficiente de assimetria
0,214
Coeficiente de curtose
2,344
Quartil Inferior
10
Mediana
33
Quartil superior
43
wij z j
zi =
j =1
n
wij
(3.1)
j =1
Figura 3-3 Ilustrao do processo de interpolao por estimador local: (a) configurao original de
amostras; (b) grade regular superposta s amostras; (c) interpolao de um valor a partir dos
vizinhos; (d) grade regular resultante
wij = 1 d ijk ,
(3.2)
( xi x j ) 2 + ( yi y j ) 2
(3.3)
Figura 3-4 - Comparao entre interpoladores de mdia mvel, para o mesmo conjunto de
amostras. direita, inverso do quadrado da distncia; no centro, mdia simples; esquerda,
vizinho mais prximo. Regies mais claras representam alto valores e vice-versa.
Um refinamento desses estimadores o uso de uma funo de ponderao mais
complexa que a mdia simples ou o inverso do quadrado da distncia. Esta classe de
estimadores descrita na literatura como kernel estimators, ou estimadores de
densidade no-paramtricos. Estes estimadores generalizam a idia de mdia mvel
local, ao supor que a densidade do fenmeno varia localmente de forma suave, sem
picos nem descontinuidades. Seu objetivo produzir superfcies mais suaves,
que se espera mais representativas de fenmenos naturais e socioeconmicos. Estes
estimadores so do mesmo tipo que os discutidos no captulo 2 para o caso de
eventos pontuais, agora generalizados para o caso de amostras.
Um kernel estimator um estimador cujos parmetros bsicos so: (a) um raio
de influncia que define a vizinhana do ponto a ser interpolado; (b) uma funo de
estimao com propriedades convenientes de suavizao do fenmeno. Para toda
posio zi cujo valor queremos estimar, o estimador de intensidade ser computado
a partir dos valores das amostras {z1,...zn} contidos num raio de tamanho , e da
distncia euclidiana dij entre a i-sima posio e a j-sima amostra (como expresso
na equao 3.3), a partir de funes do tipo
zi =
k( ij ) z j
j =1
n
k(
dij
, dij
(3.4)
j =1
Esta frmula uma generalizao da equao 3.1, na qual o cmputo dos pesos
wij foi substitudo por uma funo generalizada dependente da distncia. Exemplos
destas funes incluem o kernel gaussiano
k ( x, y, ) =
d 2
ij
exp
,
2 2
2
(3.5)
d ij2 2
(1
)
(3.6)
Para ilustrar esta classe de estimadores, foram geradas duas superfcies a partir
das mesmas amostras usadas para produzir os mapas da Figura 3-4. A partir de um
kernel de quarta ordem (equao 3.6), foram gerados dois mapas mostrados na
Figura 3-5, com raios de busca de 500 e 1500 metros. A comparao entre os
mapas mostra a grande importncia de uma seleo apropriada do raio de busca no
uso de kernel estimators. No primeiro mapa predominam os efeitos locais, pelo uso
de um raio de busca reduzido; o segundo mapa evidencia melhor a distribuio do
fenmeno, pelo uso de um raio mais apropriado aos dados.
Em resumo, os kernel estimators so uma alternativa vivel a mtodos mais
sofisticados de interpolao, pois no requerem a parametrizao da estrutura de
correlao espacial (como no caso da geoestatstica). As superfcies interpoladas so
suaves e aproximam muitos fenmenos naturais e socioeconmicos. As
desvantagens destes estimadores so a forte dependncia no raio de busca e a
excessiva suavizao da superfcie, que pode em alguns casos esconder variaes
locais importantes.
Figura 3-5- Superfcies de teor de argila interpoladas por kernel de quarta ordem. esquerda, raio
de busca de 500m; direita, raio de busca de 1500m.
z = 1 + 2 x + 3 y
(3.7)
(3.8)
Para o caso dos dados de teor de argila da Fazenda Canchim (acima descritos),
foi realizada uma anlise de tendncia usando uma regresso linear. Os ajustes
indicaram um coeficiente de determinao (R2 ajustado) de apenas 17,3%, o que
indica no haver efeitos espaciais significativos de larga escala. Deste modo, pode-se
esperar que estes dados sejam modelveis por interpoladores locais, sejam
determinsticos (seo 3.2) ou estocsticos (seo 3.4 e seguintes).
Um exemplo tpico de superfcies de tendncia o uso de dados de longitude,
latitude e altitude para estimar a distribuio de temperatura. Neste caso, o objetivo
foi estimar a distribuio de temperatura para o estado de Santa Catarina, para a
poca do plantio de soja, em intervalos de 10 dias (decndios). Partindo da poca
recomendada para semeadura e do ciclo de diferentes cultivares de soja,
determinou-se um perodo de anlise compreendido entre 11/10 e 20/05 (22
decndios), permitindo que cultivares com ciclos diferentes, semeadas dentro da
poca recomendada, tivessem todo o seu ciclo avaliado neste estudo. Foram
coletados dados de temperatura mdia diria e precipitao diria de 27 estaes
meteorolgicas monitoradas pela Empresa de Pesquisa Agropecuria e Extenso
Rural de Santa Catarina S. A. Epagri, com uma srie histrica de
aproximadamente cinco anos, mostrados na Figura 3-6.
z ( x, y , h) = 1x+ 2 y + 3h + 4
(3.9)
Teste F
Intercepto
9,475
7,169
Latitude
-0,447
0,169
-2,637
(idem)
Longitude
0,466
0,085
5,488
(idem)
Altitude
-0,005
0,000
-16,162
(idem)
R ajustado
0,909
FUNDAMENTAO TERICA
(3.10)
onde:
(3.11)
(3.12)
(3.13)
(3.14)
ou ainda
(3.15)
(3.16)
(3.17)
ou ainda
(3.18)
(3.19)
(3.20)
onde:
3.1.2
y
z(x1+h)
y2
h
y1
z(x1)
x1
x2
( h ) =
1 N( h )
[ z( xi ) z ( xi + h )] 2
2 N ( h ) i =1
(3.21)
onde:
Patamar (C)
^(h)
MODELOS TERICOS
O grfico do semivariograma experimental, (h) , calculado atravs da Equao
(3.22), formado por uma srie de valores, conforme ilustra a Figura 3-9, sobre os
quais se objetiva ajustar uma funo. importante que o modelo ajustado
represente a tendncia de (h) em relao a h. Deste modo, as estimativas obtidas a
partir da krigagem sero mais exatas e, portanto mais confiveis.
O procedimento de ajuste no direto e automtico, como no caso de uma
regresso, por exemplo, mas sim interativo, pois nesse processo o intrprete faz um
primeiro ajuste e verifica a adequao do modelo terico. Dependendo do ajuste
obtido, pode ou no redefinir o modelo, at obter um que seja considerado
satisfatrio.
Os modelos aqui apresentados so considerados modelos bsicos, denominados
modelos isotrpicos. Esto divididos em dois tipos: modelos com patamar e
modelos sem patamar. Modelos do primeiro tipo so referenciados na geoestatstica
como modelos transitivos. Alguns dos modelos transitivos atingem o patamar (C)
assintoticamente. Para tais modelos, o alcance (a) arbitrariamente definido como a
distncia correspondente a 95% do patamar. Modelos do segundo tipo no atingem
o patamar, e continuam aumentanto enquanto a distncia aumenta. Tais modelos
so utilizados para modelar fenmenos que possuem capacidade infinita de
disperso. Os modelos transitivos mais utilizados so: modelo esfrico (Sph),
modelo exponencial (Exp) e modelo gaussiano (Gau). Estes modelos esto
apresentados na Figura 3-10 com o mesmo alcance (a).
(h)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C=1
0
0
0
, | h |=0
3
| h |
| h |
0,5
Sph ( h ) =1,5
a , 0 <| h |a
a
1
, | h |>a
(3.22)
Modelo Exponencial
Um outro modelo bastante utilizado o modelo exponencial, o qual apresentado
na Figura 3-10. A equao normalizada deste modelo :
0 , | h |=0
xp( h )=
| h |
1exp a , | h |0
(3.23)
0 , | h |=0
2
Gau( h )=
| h |
1exp , | h |0
a
(3.24)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C1
C = Co + C1
C1 : Contribuio
do Modelo
Co
0
0
, | h |= 0
3 | h | 1 | h | 3
=C +C [ Sph (| h |) ] ,0 <| h |a
(h)=C +C
o 1 2 a 2 a o 1
,| h |>a
Co +C1
(3.25)
,| h |= 0
0
(h)=
| h |
C o + C 11exp a =C o + C 1 [ Exp (| h |)]
, | h | 0
(3.26)
,| h |= 0
0
(h)=
| h |
+
1
exp
=C o + C1 [Gau (| h |)] ,| h | 0
C
C
1
o
a
(3.27)
Modelos Aninhados
Existem determinados fenmenos em que so necessrios modelos mais
complexos de semivariograma para explicar suas variaes espaciais. Estes modelos
so combinaes de modelos simples, denominados aninhados; em muitos casos, os
modelos aninhados so necessrios para explicar a variao de fenmenos
decorrentes da combinao de fatores independentes de formao. Por exemplo,
um modelo aninhado til em estudos de minerao e pesquisa de solo o duplo
esfrico, definido como:
3 | h | 1 | h |
C0 + C1 2 a 2 a = 1 (h) , 0 < | h | a1
1
1
(h)=
3 | h | 1 | h |
C0 + C 2 2 a 2 a = 2 (h) , a1 < | h | a 2
2
2
C + C + C
,| h | > a
1
2
2
0
0
,| h | = 0
(3.28)
onde,
(h)
C2
1 (h)
C1
C0
2 (h)
a1
a2
h
3.5 KRIGAGEM
O termo krigagem derivado do nome Daniel G. Krige, que foi o pioneiro a
introduzir o uso de mdias mveis para evitar a superestimao sistemtica de
reservas de minerao. Inicialmente, o mtodo de krigagem foi desenvolvido para
solucionar problemas de mapeamentos geolgicos, mas seu uso expandiu-se com
sucesso no mapeamento de solos, mapeamento hidrolgico, mapeamento
atmosfrico e outros campos correlatos. A diferena entre a krigagem e outros
mtodos de interpolao a maneira como os pesos so atribudos s diferentes
amostras. No caso de interpolao linear simples, por exemplo, os pesos so todos
iguais a 1/N (N = nmero de amostras); na interpolao baseada no inverso do
quadrado das distncias, os pesos so definidos como o inverso do quadrado da
distncia que separa o valor interpolado dos valores observados. Na Krigeagem, o
procedimento semelhante ao de interpolao por mdia mvel ponderada, exceto
que aqui os pesos so determinados a partir de uma anlise espacial, baseada no
semivariograma experimental. Alm disso, a krigagem fornece, em mdia,
estimativas no tendenciosas e com varincia mnima1.
KRIGEAGEM ORDINRIA
n
Z* ( x 0 ) =0 + i Z(x i )
i =1
E [Z(x0) Z*(x0)] = 0
A relao acima impe que as duas mdias sejam iguais; assim aplicando-se a
Equao 3.34 em 3.35, obtm-se:
n
n
(3.31)
Z * (x 0 ) = i Z ( x i ) , com
i =1
=1
(3.32)
i =1
i =1 ,
i =1
n
j C( x i , x j ) = C( xi , x0 ) para i = 1, ..., n
j=1
n
j =1
j=1
(3.33)
onde,
ko2 =Var[ Z ( x ) Z * ( x 0 )] = C( 0 ) i C( x i ,x 0 )
(3.34)
i =1
(h)
Semivariograma Omnidirecional
390
Modelo Esferico
351
312
273
234
195
156
117
78
39
0
h
0
1000
2000
3000
4000
5000
h
( h ) = C o + C1 Sph =118,85 + 230,89 Sph
a
3989,20
(3.35)
3.7 CONCLUSES
Conclui-se que possvel melhorar a distribuio espacial das variveis
ambientais significativamente quando procedimentos geoestatsticos so aplicados.
Ficou constatado que o teor de argila varia mais intensamente numa direo do que
em outra. Tal fato refere-se anisotropia da varivel em estudo. Muitos aspectos
particulares dos dados ficariam ocultos sem o uso de semivariogramas e da
modelagem da anisotropia, mostrando, por exemplo, a tendncia da distribuio
espacial nos dados de teor de argila. Informaes como estas no so apresentadas
quando se usam apenas parmetros estatsticos clssicos como mdias e varincias
ou ento, procedimentos determinsticos.
APNDICE
MODELAGEM DA ANISOTROPIA
A anisotropia uma caracterstica muito freqente nos elementos da natureza,
isto , a variabilidade ou distribuio espacial de tais elementos ocorre mais
intensamente numa direo e menos intensamente em outra direo. Tome como
exemplo o mapeamento do teor de zinco, dentro de uma regio de interesse,
pouco provvel que tal propriedade se espalhe igualmente em todas as direes.
Para lidar com a anisotropia, importante que o modelo proposto represente
bem a variabilidade espacial da propriedade em estudo. Procedimentos
determinsticos para este fim so limitados, porque no consideram a estrutura de
autocorrelao espacial bem como a anisotropia presente. Modelos mais adequados
para este objetivo vem sendo propostos e a geoestatstica engloba esses modelos.
TIPOS DE ANISOTROPIA
Antes de apresentar os tipos de anisotropia, necessrio mostrar as convenes
direcionais usadas na geoestatstica. Isto resumido conforme ilustra a Figura 3-15.
(h)
C1
C2
1
Co1
Co2
Co
a1
a2
a1
a2
DETEO DA ANISOTROPIA
Existem vrias formas de detectar a anisotropia, por exemplo calculando-se os
semivariogramas experimentais direcionais em vrias direes, desenhando todos
num nico grfico, e visualmente avaliando suas similaridades. Outra forma,
atravs do esboo grfico de uma elipse (conhecido tambm como diagrama da
rosa), calculada atravs dos alcances obtidos em direes distintas.
A forma mais eficiente e direta de detectar a anisotropia atravs do mapa de
semivariograma, conhecido tambm como semivariograma de superfcie, que um
grfico, 2D, no qual obtm-se uma viso geral da variabilidade espacial da varivel
em estudo. Alm disso, sobre o mapa de semivariograma possvel detectar
rapidamente os eixos de anisotropia, isto , as direes de maior e menor
variabilidade espacial da varivel em anlise. A Figura 3-17 ilustra o mapa de
semivariograma aplicado aos dados da EMBRAPA Solos, obtidos na Fazenda
Canchim, em So Carlos - SP., conforme descritos na Seo 3.1. Os eixos maior e
menor, da elipse, correspondem s direes de maior e menor variabilidade espacial
do teor de argila respectivamente. O ngulo de anisotropia tomado da direo
norte, em sentido horrio, at o eixo maior; neste caso igual a 17 o.
Conseqentemente a direo de menor variabilidade 17o + 90 o = 107 o.
Obviamente que a exigncia de ortogonalidade entre os eixos, pode no
corresponder realidade, mas necessrio para modelagem dos semivariogramas
como ser visto mais adiante.
(h)
C=17
o
C1=15
90
Co=2
10
20
00 ( h ) = C o + C1 [Sph (h )]
(3.36)
h=
(h ) + (h )
2
0o
(3.37)
90 o
|h
h0o
Leste (90o)
h90o
Figura 3-19 Decomposico genrica do vetor h.
Para direo de anlise em questo, 0o, o vetor h est sobre o eixo Norte,
portanto no possui componente na direo 90o; isto , para 0o => =90o (ver
na Figura 3-19), h0o = |h|.sen(90o) = | h | e h90o = | h |.cos(90o) = 0.
Normalizando 3.39 em relao ao alcance (a), tem-se:
2
h o h o
h
= 0 + 90
a
a a
(3.38)
h 90o
a
h o h o
h
= 0 + 90
a
a
(3.39)
00 ( h ) = C 0 + C1 Sph
2
2
h 00 h900
+
(3.40)
00 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
10
(3.41)
900 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
20
(3.42)
( h ) = 2 +15 Sph
2
2
h 00 h 900
+
10 20
(3.43)
10 0
10 0
Sph(| h |) =1,5 + 0,5 + = 1
10 20
10 20
( h ) = 2 +15 Sph
h 00 h900
+
10 20
= 2 + 15.[1] = 17
(h)
274
365
203
231
91
28
0
1677
2962
2
2
h170 h107 0
2962 +
(3.44)
2
2
h170 h107 0
+ 1677
(3.45)
(h)
365
274
4 Faixa
203
231
3 Faixa
91
2a Faixa
28
1a Faixa
0
2962
1677
365
170
4
274
107
231
2a
203
170
63
3a
+
91
2
1a
28
0
2962
1677
71
140
~
~
170
1070
170
107 0
1677
2962
2962
~
~
1070
1677
1 ( h) = C 0
(3.46)
2 ( h ) = 63 Sph
2
2
h170 h1070
+ 1677
(3.47)
3 ( h ) = 140 Sph
h17 0 h107 0
2962 + 1677
(3.48)
estrutura esfrica com alcance na direo 107o muito grande () e ambas estruturas
com contribuio de 71 (274 203). O modelo nico e consistente de
semivariograma relativo 4a parcela :
4 ( h ) = 90 Sph
2
2
h17 0 h107 0
2962 +
(3.49)
( h ) = 28 + 63 Sph
+ 71 Sph
2
2
h17 0 h107 0
+
+ 140 Sph
1677
(3.50)
2
2
h17 0 h107 0
2962 + 1677 +
2
2
h17 0 h107 0
2962 +
(3.51)
17o
1677
17o
2962
17o
Menor Alcance
4
ANLISE ESPACIAL DE SUPERFCIES:
GEOESTATSTICA POR INDICAO
ENFOQUE
DA
4.1 Introduo
Os procedimentos de krigagem ordinria apresentados no captulo anterior
(vide Seo 3.4) buscavam predies timas da varivel em estudo, em locais no
observados, minimizando a varincia do erro associado a essa estimativa. Neste
captulo, o foco ser na anlise de modelos de incerteza, ou seja, na inferncia das
distribuies de probabilidade para cada posio do espao considerado,
representadas pelos vetores x. Os novos procedimentos vo permitir a definio de
estimadores obtidos segundo a minimizao de outras funes de erro inferencial, e
no, como efetuado pela krigagem linear (vide Seo 3.5), um estimador baseado
apenas na minimizao da varincia do erro. Situaes em que a anlise da incerteza
relevante podem ser ilustradas na aplicao da krigagem nos estudos de reposio
de nutrientes nos solos. Neste caso, o que se deseja determinar a quantidade de
nutrientes que deve ser reposta nos solos de uma regio de maneira a maximizar a
produo e tornar mnimo os custos. O processo inferencial tem como objetivo
evidenciar os locais em que um determinado fator dos solos, Z(x), deficiente, ou
seja, os locais em que o valor estimado, Z ( x ) , seja igual ou abaixo de um valor
crtico, z lim , isto , quando Z ( x ) z lim .
exatamente um determinado valor, mas definir reas com maior probabilidade que
o evento ocorra, ou seja, reas onde a probabilidade do valor estimado Z ( x ) ser
menor ou igual a um limite z lim , definida por Prob Z ( x ) z lim , tem um valor
determinado.
Por outro lado, os erros inferenciais, que so a subestimao (estimar um valor
menor do que seria o valor real) ou, a sobre-estimao (estimar um valor maior do
que seria o valor real) vo produzir efeitos diferentes no processo produtivo.
Enquanto a subestimao pode levar a repor nutrientes onde no necessrio, e
contaminar os solos, a sobre-estimao pode conduzir a no repor nutrientes onde
necessrio e prejudicar a produtividade. Dessa forma, esses erros inferenciais no
podem ser tratados como se tivessem o mesmo impacto, e a minimizao de um, ou
de outro, ou de ambos, vai depender dos objetivos impostos pelo trabalho a ser
executado. Neste contexto, o estimador de krigagem linear obtido pela
Anlise Espacial de Dados Geogrficos
4-1
F ( x; z ) = Prob{Z ( x ) z}
(4.1)
F ( x; z | (n )) = Prob{Z ( x ) z | (n )}
(4.2)
4-2
Prob{Z ( x ) [z ( x ) 2 ( x ), z ( x ) + 2 ( x )]}
(4.3)
Essas hipteses so fortemente restritivas, uma vez que a distribuio local dos
erros pode apresentar severas assimetrias, principalmente quando o histograma das
amostras apresenta-se assimtrico, no se adequando a hiptese gaussiana sendo
implicitamente considerada. Por outro lado, a varincia obtida atravs da krigagem
linear depende unicamente da configurao geomtrica dos dados, e no do valor
de seu atributo naquela posio, e uma varincia com essas caractersticas pode no
ser adequada para representar as incertezas na estimativa de valor para o atributo,
principalmente em regies onde amostras prximas apresentam valores para seu
atributo, medido ou observado, muito discrepantes.
Um outro enfoque possvel considerar que primeiro necessrio modelar a
incerteza, ou seja inferir as distribuies de probabilidades locais, as distribuies
para cada ponto do espao a ser estudado, representado pelo vetor x. Uma vez
estabelecidas as funes, F ( x; z | (n )) , e s ento deduzir as estimativas timas para
cada ponto. Observe que o procedimento tradicional primeiro calcula a estimativa,
os valores estimados para os pontos no observados, e depois acrescenta o intervalo
de confiana, com base na varincia dos erros produzidos pelo estimador. A
modelagem da incerteza, sendo construda diretamente atravs da fdpac,
F ( x; z | (n )) , condiciona, por construo, essa fdpac aos dados amostrais, e produz
4-3
F ( x; z k | (n )) = E{I ( x , zk ) | (n )}
k = 1,...,K
(4.4)
onde I ( x , z k (n )) = 1 se Z ( x ) zk e I ( x , z k (n )) = 0 se Z ( x ) > zk
zk , e gera um
4-4
1,
i(x ; z k ) =
0 ,
se z ( x ) z k
(4.5)
se z ( x ) > z k
( )
[( )
( )
{
{
{
}
}
}
4-5
I (h , z k ) =
N (h )
1
[i (h ; z k ) i (h + h ; z k )]2
2 N (h ) =1
(4.6)
F ( x; z k | (n)) = ( x; z k )I ( x ; z k ) + 1 ( x; z k ) I ( x ; z k )
=1
=1
(4.7)
E{I ( x ; z k )} = F ( z k )
(4.8)
FKS ( x; z k | (n)) = KS ( x; z k )I ( x ; z k ) + 1 KS ( x; z k ) F ( z k )
=1
=1
(4.9)
( x; z )C (h ; z ) = C (h ; z )
=1
KS
= 1,2,...,n( x )
(4.10)
4-6
FKS ( x; z k | (n)) = KS ( x; zk )I ( x ; z k ) + 1 KS ( x; z k ) F ( x ; z k )
=1
=1
(4.11)
n ( x ) KO
( x; z k )C I (h ; z k ) + ( x; z k ) = C I (h ; z k )
=1
n ( x )
KO ( x; z ) = 1
=1
= 1,2,...,n( )
(4.12)
z = zk , pertencentes ao domnio de
4-7
0 F ( x; z k | (n )) 1 z k , k = 1,..., K
*
4-8
A Figura 4-3 e a Figura 4-4 que seguem buscam ilustrar as etapas descritas para
a obteno do modelo de incerteza para um conjunto amostral tomado
conceitualmente como variveis aleatrias.
4-9
escolha de um estimador para z k ( x ) . Vamos ver agora como a incerteza pode ser
estimada quando adotamos o enfoque por indicao aqui apresentado.
Intervalos de probabilidade
A incerteza pode ser estimada atravs de intervalos de valores do atributo. A
probabilidade de um valor z k ( x ) estar dentro de um intervalo (a,b] qualquer,
chamado intervalo de probabilidade, computado como a diferena entre os valores
da fdpac para os limiares b e a, ou seja:
Prob{Z ( x ) (a,b ]| (n )} = F ( x ;b | (n )) F ( x ; a | (n ))
(4.13)
que z ( x ) tem 70% de chance de estar dentro e, portanto, 30% de chance de estar
fora do intervalo (a, b]. Quando b = obtm-se a probabilidade de se exceder um
limiar a, ou seja:
(4.14)
(4.15)
4-10
0.5
E~F
EF
0.0
Figura 4-6 Mapa temtico de altimetria (a) e respectivas medidas de incerteza (b)
4-11
Distncia interquantil
Uma medida mais robusta de espalhamento um intervalo interquantil. Por
exemplo, o intervalo interquartil, q R ( x ) definido por:
(4.16)
inferida,
(4.17)
com q 0.025 e q 0.975 sendo os quantis relativos aos valores de probabilidade da fdpac
100.
5.05
Figura 4-7 Mapa de incertezas locais obtido a partir dos quartis, primeiro e terceiro, dos
modelos de distribuio probabilstica locais inferidos pela krigagem por indicao
Anlise Espacial de Dados Geogrficos
4-12
Varincia condicional
Uma medida importante de espalhamento de uma distribuio a varincia
condicional que mede os desvios da fdpac em torno da mdia da distribuio,
z z k (u ) . Diferente das medidas de incerteza anteriormente descritas, esta necessita
da estimao da mdia da distribuio, isto , da definio desse estimador.
possvel obter-se uma estimativa da varincia da distribuio condicionada, 2 ( x ) ,
pela seguinte formulao:
( )( x ) = [z z ( x )] dF ( x; z | (n ))
2
K +1
Zk
][
2
z 'k z Z k ( x ) F ( x ; z k | (n )) F (u; z k 1 | (n ))
k =1
(4.18)
99.0
7.8
Figura 4-8 Mapa de incertezas locais obtido a partir das varincias inferidas dos modelos de
distribuio probabilstica construdos pela krigeagem por indicao.
4-13
Entropia de Shannon
Uma medida de incerteza local, no relacionada a qualquer intervalo (a , b],
dada pela medida de entropia da funo de densidade de probabilidade local. Essa
medida definida como:
(4.19)
[ln f (x ; z (n ))] f (x ; z (n ))dz
onde f ( x ; z (n )) = F ( x ; z (n )) z a funo de distribuio de probabilidade. Na
H (x) =
pk ( x ) = F ( x; z k | (n )) F ( x ; z k 1 | (n ))
(4.20)
H ( x ) [ln ( p k ( x ))] pk ( x ) 0 ,
k =1
p k 0
(4.21)
= L( ( x )) dF ( x , z (n ))
(4.22)
K +1
E[L( )] L(z ( x ) z k ) F ( x , z k (n )) F ( x , z k 1 (n ))
k =1
(4.23)
sua fdpac F x , z k (n ) ;
4-14
E[Z ( x )] = z f ( x ; z | (n ))dz = z dF ( x ; z | (n ))
(4.24)
E[Z ( x )] = z dF ( x ; z | (n )) z k F ( x ; z k (n )) F ( x ; z k 1 (n ))
k =1
(4.25)
q0.5 ( x ) = F 1 ( x; 0.5 | (n ))
(4.26)
4-15
Estimativa de quantis
A funo de perda considerada nos dois estimadores anteriormente definidos
no discriminava as diferenas de impacto dos erros de sub-estimao ou sobreestimao. Entretanto, existem situaes, como a descrita no incio desse captulo
(vide Seo 4.1), em que cada um desses erros produz diferentes impactos, e essas
diferenas devem ser tambm consideradas no processo inferencial. Assim, funes
de perdas assimtricas devem ser utilizadas
w1 ( x ) se ( x ) 0 sobrestima do
L[ ( x )] =
w2 ( x ) se ( x ) < 0 subestimado )
(4.27)
ou sobre estimar. O estimador que minimiza essa funo L( ( x )) chamado de pquantil, e definido como:
z q = F 1 ( x ; p (n )) = q p ( x )
onde p =
w2
w1 + w
(4.28)
894.0
695.6
894.0
695.6
Figura 4-9 Mapas de mdia (a) e mediana (b) inferidos pelo procedimento por indicao,
para os dados de altimetria da regio de Canchim.
4-16
assumir s
p( x; s k | (n )) = Prob{S ( x ) = s k | (n )}
(4.29)
4-17
se s ( x ) = s k
1,
i ( x; s k ) =
0,
se s ( x ) s k
(4.30)
p( x; s k | (n )) = E{I ( x ; s k (n ))}
(4.31)
[ p( x; sk | (n))]* [0,1]
k = 1,...,K
(4.32)
[ p(u; s | (n ))]* = 1
k
(4.33)
k =1
ou seja, cada valor deve estar no intervalo [0,1] e a soma total desses valores deve
ser igual a1.
4-18
(4.34)
Uma variante do classificador de moda considera tambm a reproduo das
propores globais definidas a priori. O mapa da Figura 4-11 mostra o resultado de
uma classificao, pelo estimador de moda, a partir de um conjunto de amostras do
atributo textura do solo.
4.8 Medidas de incerteza para atributos Categricos
Apresentam-se, a seguir, dois procedimentos de medida de incertezas para
atributos categricos, a incerteza do classificador de moda e a incerteza por
entropia de Shannon.
A Incerteza do classificador de moda
A incerteza local
Inc( x )
(4.35)
4-19
Arenoso
Mdio
Argiloso
Muito
Figura 4-11 Mapa de valores de textura do solo inferidos, pelo valor de moda, a partir do
procedimento de krigeagem por indicao
0.71
0.0
Figura 4-12 Mapa de incerteza por moda estimado a partir do procedimento de krigeagem por
indicao usado para inferir o mapa da Figura 4-11
Anlise Espacial de Dados Geogrficos
4-20
(4.36)
k =1
1.38
0.0
Figura 4-13 Mapa de incerteza por entropia de Shannon estimado a partir do procedimento
de krigeagem por indicao usado para inferir o mapa da Figura 4-11
4-21
4-22
a krigagem por indicao pode ser usada para modelar atributos com alta
variabilidade espacial sem a necessidade de se filtrar amostras cujos valores
esto muito distantes de uma tendncia (outliers);
4-23
REFERNCIAS BIBLIOGRFICAS
A estrutura terica da geoestatstica em seu enfoque por indicao est bem
apresentada em Goovaerts (1997) e em Isaaks e Srivastava (1989). Algoritimos
implementados e explicaes didticas sobre como operar a Krigeagem por
indicao pode ser encontrada no livro de Deutsch e Journel (1992). Com relao
integrao entre geoestatstica e SIGs e modelagem e tratamento de incertezas em
SIG, o leitor deve referir-se a Felgueiras C. A. (1999), Felgueiras et al (1999) e
Heuvelink (1998). As questes sobre medidas de entropia podem ser apreciadas no
clssico Shannon, and Weaver (1949). Para uma discusso sobre diferentes medidas
de incerteza no enfoque por indicao veja Soares(1992). Referente a modelagem
espao-temporal, deve-se consultar o artigo de Kyriakidis e Journel (1999) e o livro
do George Christakos (2000). Referncias bsicas sobre os dados da Fazenda
Canchim podem ser encontrados em Calderano Filho et al. (1996). Estes dados
tambm esto disponveis no site do livro (www.dpi.inpe.br/gilberto/livro/analise).
4-24
4-25
Gilberto Cmara
Marilia S Carvalho
Oswaldo Gonalves Cruz
Virginia Correa
5.1 INTRODUO
Este captulo discute mtodos de anlise de dados espaciais cuja
localizao est associada a reas delimitadas por polgonos. Este caso ocorre
com muita freqncia quando lidamos com eventos agregados por
municpios, bairros ou setores censitrios, onde no se dispe da localizao
exata dos eventos, mas de um valor por rea. Alguns desses indicadores so
contagens, como o caso da maior parte das variveis coletadas no censo:
por exemplo, o IBGE fornece, para cada setor censitrio, o nmero de chefes
de famlia em cada uma das faixas de renda consideradas. Diversos
indicadores de sade tambm so deste tipo: o Ministrio e Secretarias de
Sade organizam e disponibilizam dados de bitos, partos, doenas
transmissveis por municpio. Utilizando duas contagens bitos e
populao, por ex. taxas de densidade de ocorrncia, como taxas de
mortalidade ou incidncia so estimados. Outros indicadores bastante teis
so: (a) propores, como percentual de adultos analfabetos; (b) mdias,
como renda mdia do chefe da famlia por setor censitrio; e (c) medianas,
como mediana etria em homens.
A forma usual de apresentao de dados agregados por reas o uso
de mapas coloridos com o padro espacial do fenmeno. A Figura 5-1
mostra a distribuio espacial do ndice de excluso social1 para os 96
distritos da cidade de So Paulo, para os dados do censo de 1991. Verificase que 2/3 dos 96 distritos de So Paulo estavam abaixo dos ndices
mnimos de incluso social em 1991. Uma forte polarizao centro-periferia
claramente perceptvel no mapa, que apresenta duas grandes regies de
excluso social, as zonas Sul e Leste da cidade. Na zona Leste, nota-se um
gradiente do ndice de excluso/incluso social, que piora medida que nos
afastamos do centro. Na zona Sul, a descontinuidade do ndice mais
Figura 5-1 ndice de Excluso/Incluso Social dos Bairros da Cidade de So Paulo para os
dados de 1991, com 96 distritos agrupados por sextis.
Grande parte dos usurios limita seu uso de SIG a essas operaes de
visualizao, tirando concluses intuitivas. Mas possvel ir muito alm.
Quando visualizamos um padro espacial, muito til traduzi-lo em
consideraes objetivas: o padro que observamos aleatrio ou apresenta
uma agregao definida? Esta distribuio pode ser associada a causas
mensurveis? Os valores observados so suficientes para analisar o fenmeno
espacial a ser estudado? Existem agrupamentos de reas com padres
diferenciados dentro da regio de estudo?
Para abordar estas questes, este captulo apresenta um conjunto de
tcnicas de anlise espacial de dados agregados por reas. O primeiro passo
escolher o modelo inferencial a ser utilizado. A hiptese mais comum supor
que as reas so diferenciadas, e que cada uma delas possui uma identidade
prpria. Do ponto de vista estatstico, isto implica em que cada rea
apresenta uma distribuio de probabilidade distinta das demais, o chamado
modelo espacial discreto. A alternativa supor que o fenmeno estudado
apresenta continuidade espacial, formando uma superfcie, o chamado
modelo espacial contnuo estudado no captulo anterior. Neste caso, as reas
so consideradas apenas um suporte para coleta de dados, e o modelo
inferencial desconsidera os limites de cada rea. A produo de superfcies a
partir de dados de rea ser discutida no final deste captulo.
A questo de agregao de contagens em reas levanta ainda problemas
conceituais importantes: Pode-se estimar comportamentos individuais a
partir de dados agregados? Em que medida a comportamento dos
ld
agregados reflete mais do que a soma dos indivduos? Qual o erro cometido
ao estimar indicadores onde as contagens so muito pequenas? Neste
captulo, aps a apresentao dos modelos adequados anlise de dados
agregados por reas sero abordados os conceitos bsicos da anlise
espacial, para dados agregados por rea.
ld
ld
ld
-0,2/0,0
0,0/0,2
0,2/0,4
0,4/0,6
0,6/0,8
0,8/1,0
Pares
-0,8/-0,6
-0,6/-0,4
11
33
-0,4/-0,2
23
14
11
10
70
-0,2/0,0
27
34
13
21
112
0,0/0,2
42
75
32
55
207
0,2/0,4
17
44
50
68
181
0,4/0,6
10
42
110
168
0,6/0,8
75
101
0,8/1,0
112
123
Totais
45
38
114
187
159
449
1000
ld
5.4
ANLISE EXPLORATRIA
ld
ld
Figura 5-6 Mortalidade por homicdios no Rio de Janeiro, para os trinios 79-81 e 80-92.
A
ld
o = Mediana
x = Mdia
Eixo Leste-Oeste
Eixo Norte-Sul
RENDA
x
x
oo
o
o
xo x
x
x
o
30
o
x
o
x o
o
x
o
x xx
o
x x
o
x x
o
o
-1
10
o
x
o
x
xoo
x
oo o x o
x
xx
xo
x
x
x xo
xx
o
xo o
oo o
xx x
o
o
x o
oo
o
xx o
x oo
x
o
x
linhas
x
o
o
x
20
30
o
x
o
x
o
40
ox o
xo
x o
ox
ox
x o ox x o
x xo
o xo x
ox
ox
o
x
ox
x
o x
o
x x
o
x
x
o
oo xx
x
o
x
o
x
o
xo
10
x
o
ox
o
x
o
x
o
x
o
0
RENDA
40
x
o
20
S-N
L-O
x
o
-1
xo
x
ox
oo
x
o
RENDA
colunas
x
o
o
xx
x
x
10
o
xx
o
o
x
o
x o
xx
xx ox x
x
oo
oo
o
20
o
x
o
x x
o
30
o x
x
xo o
x
o o
xx x oo o
x
o
x
o
x
o
30
xo
x
o
x o
x
o
xo
o
40
o
x
o
x
o
20
o
x
o
x
o
oxx
x
linhas
o
x o
xo
x o
x
o
x x o
o x x
x
o
ox
o
x
o
40
colunas
x
o
x
o
0.2
x
ox
o
x
10
o
xo
x
0.4
0.6
o
xo
o
x x xo
xx
o o
o
xo
x
o
x
0.2
ESCOLARIDADE
0.8
ESCOLARIDADE
ox
x oo x
o
x o
x
x o
x
o
x
o
o
x x
o
x
o
x
o
x
o
x
o
x
o
0.4
xoo
x
o
0.6
ESCOLARIDADE
ld
ld
A
B
C
D
E
A
B
C
D
E
0
0,5
0
0,5
0
0,25
0
0,25 0,25 0,25
0
0,5
0
0
0,5
0,33 0,33
0
0
0,33
0
0,33 0,33 0,33
0
Figura 5-8- Matriz de proximidade espacial de primeira ordem, normalizada pelas linhas.
A idia da matriz de proximidade espacial pode ser generalizada para
vizinhos de maior ordem (vizinhos dos vizinhos). Com critrio anlogo ao
adotado para a matriz de vizinhana de primeira ordem, pode-se construir as
matrizes W(2), ..., W(n). Por exemplo, na Figura 5-6, as reas A e C so
vizinhas na matriz de proximidade espacial de ordem 2. No que segue, por
simplicidade, os coeficientes da matriz de primeira ordem so designados
simplesmente por wij, e os das matrizes de ordem k por wij(k) e que essas
matrizes esto normalizadas por linhas.
Mdia Mvel Espacial
Uma forma simples de explorar a variao da tendncia espacial dos
dados calcular a mdia dos valores dos vizinhos. Isto reduz a variabilidade
espacial, pois a operao tende a produzir uma superfcie com menor
flutuao que os dados originais. A mdia mvel i associada ao atributo zi,
relativo i-sima rea, pode ser calculada a partir dos elementos wij da
matriz normalizada de proximidade espacial W(1), tomando-se simplesmente
a mdia dos vizinhos:
A
ld
i =
wij zi
j =1
(5.1.)
Figura 5-9- Distribuio dos idosos na cidade de So Paulo (censo de 1991). esquerda,
apresentao dos valores por distribuio estatstica. direita, mdia mvel local.
Indicadores Globais de Autocorrelao Espacial: ndices de Moran e Geary
Um aspecto fundamental da anlise exploratria espacial a
caracterizao da dependncia espacial, mostrando como os valores esto
correlacionados no espao. Neste contexto, as funes utilizadas para estimar
quanto o valor observado de um atributo numa regio dependente dos
valores desta mesma varivel nas localizaes vizinhas so a autocorrelao
espacial e o variograma. O ndice global de Moran I, a expresso da
autocorrelao considerando apenas o primeiro vizinho:
ld
wij ( zi z )( z j z )
I=
i =1 j =1
( zi z ) 2
i =1
(5.2.)
I(k ) =
n wij( k ) ( zi z )( z j z )
i =1 j =1
( zi z )
(5.3.)
2
i =1
ld
C=
( n 1)
wij ( zi z j )2
i =1
j =1
i =1
j =1
i =1
wij zi
(5.4.)
2
ld
N
Ipop =
W==
k==
==
=
u=
==
==
w==
=
==
i =1
i =1
m m
i =1 j =1
i =1
(X 2 di d j wij X di wii )b (1 b )
=
=
=
=
=
=
=
=
==
=
(5.5.)
k==~==
k=~==~==~=~=~K=
k==~=~=~==
m==~=~=~==EZLkF=
m~=~==~=~=~=
q~~=~=~=~=~==
m==~=~=~==EZLkF=
a~==~=~~=u==~=~==u=
m=~==~===~=~====
m~~=~=EkLuF=
ld
Moran I
Ipop
Indicador
0,5861
0,00015
p-valor
7,5091
88,9238
% entre reas
54,3
% intra reas
45,7
Variograma
De maneira anloga ao apresentado no captulo 3, podemos utilizar o
variograma como indicador da dependncia espacial. Para tanto, associamos
o valor nico do atributo de cada rea a um ponto, usualmente o centro
geomtrico ou populacional do polgono. Com base nestas localizaes,
calcula-se a funo variograma. Note-se quando o dado no-estacionrio,
tambm o variograma no se estabiliza, mas continua crescendo sempre com
a distncia. Como exemplo de uso do variograma para dados de rea, a
Figura 5-11 ilustra o ndice de Desenvolvimento Humano IDH para o
estado de So Paulo, calculado pelo IPEA, com base no censo de 1991. A
Figura 5-12 apresenta o variograma do IDH, computado a partir dos
centride de cada municpio.
Figura 5-12 Variograma experimental do IDH para So Paulo (censo de 1991). Passo de
amostragem: 40 km (tolerncia : 20 km).
ld
ld
MG
Autocorrelao
0.6
0.4
0.2
0.0
-0.2
100
200
300
400
500
600 0
100
200
300
400
500
600
ld
0,8
0,6
0,4
Q4
Q1
Q2
Q3
WZ
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
-0,5
0,0
0,5
1,0
1,5
Z = 0,642*WZ
ld
ld
zi
wij z j
j =1
n
Ii =
z 2j
(5.6.)
j =1
ld
Figura 5-18 - Taxa total de mortalidade infantil por mil nascidos vivos no Rio de
Janeiro, em 1994.
Numa primeira leitura, este mapa choca pelas altas taxas de mortalidade
de vrios bairros, com 15 bairros apresentando uma taxa maior que 40
bitos por mil nascidos, e 2 casos com taxas acima de 100 por mil nascidos.
Um observador desatento poderia concluir que todos estes bairros
apresentam um grave problema social. Na realidade, muitos destes valores
extremos ocorrem nos bairros com pequenas populaes, pois a diviso da
cidade utilizada esconde enormes diferenas na populao em risco, variando
de 15 at 7500 crianas por bairro. Por exemplo, considere uma regio com
15 crianas nascidas e nenhuma morte, o que aparentemente indicaria uma
situao ideal. Se apenas uma criana morre neste ano, a taxa passa de 0 por
mil para 66 por mil !
Tais problemas so tpicos de recobrimentos espaciais sobre divises
poltico-administrativas, onde se analisam reas com valores muito distintos
de populao em risco. Vrios estudos tm mostrado que em divises
polticas como bairros e municpios apresentam relaes inversas de rea e
populao, isto , os maiores bairros em populao tendem a ter menores
A
ld
ld
i = wi ti + ( 1 wi ) i ,
(5.7.)
i2
(5.8.)
i2 + i ni
partir dos dados. Neste caso, calcula-se i a partir das taxas observadas:
yi
ni
(5.9.)
ni (ti ) 2
=
ni
(5.10.)
ld
ld
N
W
E
S
Alisamento Bayesiano
Emprico
0
0 - 2.28
2.28 - 4.63
4.63 - 8.79
8.79 - 144.33
2.53
4.35
5.83
8.43
13.59
ld
Y = X + , ~ N(0, 2 ) ou
.. X 1k 1 0 1
.. X 2k 1 1 2
..
.. .. + ..
..
.. .. ..
.. X nk 1 k 1 n
Y1 1 X 11
Y 1 X
21
2
.. = .. ..
.. .. ..
Yn 1 X n1
(5.11.)
(5.12.)
ld
Y = WY + X + ,
(5.13.)
ld
yi =
wij y j +
xi i + i
j
i =1
(5.14.)
Y = X + ,
= W + ,
(5.15.)
Y WY = X WX +
(5.16.)
( I W )Y = ( I W ) X +
(5.17.)
ou ainda como
o que pode ser visto como uma regresso no-espacial nas variveis
filtradas
Y * = ( I W )Y , X * = ( I W ) X
(5.18.)
ld
Y1 = X 11 + 1 , ind = 1
(5.19.)
Y2 = X 2 2 + 2 , ind = 2
(5.20.)
ld
Y ( s) = X (s) + (s )
(5.21.)
Y ( s) = ( s ) X + ,
(5.22.)
= ( X T X) 1 X T Y
(5.23.)
=~~~=~====~=~W=
( s) = ( X T W (s) X ) 1 X T W (s)Y
ld
(5.24.)
d 2
ij
exp
2
2
2
1
(5.25.)
ld
(5. 26.)
ld
(5. 27.)
(5. 28.)
(5. 29.)
(5. 30.)
(5. 31.)
ld
Tabela 5-3
Resultados da Regresso para Longevidade e Renda em So Paulo, 1991
Regresso MMQ
R2 ajustado
Log verossimilhana
AIC (Crterio de Inf. Akaike)
ndice de Moran dos resduos
Spatial Lag
Regimes
Espaciais
0,280
0,586
0,80
-187,92
-150,02
-124,04
379,84
306,51
260,09
0,620
0,020
ld
zi =
k( ij ) z j
j =1
n
k(
dij
, dij
(5. 32.)
j =1
ld
ij
k( ) z j , d ij
2
(5.33.)
j =1
(a)
(b)
Figura 5-24 (a) Mortalidade por homicdios no RJ (1990-1992). Mapa temtico com
valores por municpio. (b) Superfcie obtida por estimador de intensidade no-paramtrico
ld
Freqncia
10
8
6
4
2
90
10
0
80
70
60
50
40
30
20
10
Taxa de homicdios
Figura 5-25. Distribuio da taxa de homicdios por 100 mil habitantes para So Paulo em
1996. direita: frequncia relativa; esquerda: grfico de probabilidade normal.
ld
Taxa Homicdios
(por 100,000)
ld
5.9 REFERNCIAS
A referncia bsica para a maior parte das tcnicas apresentadas neste
captulo o livro de Trevor Bailey, Spatial Data Analysis by Example
(Bailey and Gattrel, 1995) e uma discusso geral sobre os modelos de
distribuio para dados espaciais apresentada em Diggle (2001). A
homepage de Peter Diggle (www.maths.lancs.ac.uk/~diggle) contm material
relevante sobre estatstica espacial.
No caso dos modelos de regresso espacial, o software SpaceStat de Luc
Anselin, e a documentao associada (Anselin, 1992) apresenta em detalhe os
modelos de regresso com efeitos globais (spatial lag e spatial error), e o
modelo de regimes espaciais. O SpaceStat foi utilizado para computar os
modelos no exemplo apresentado no captulo. Os trabalhos de Luc Anselin
no campo de indicadores locais de autocorrelao espacial (Anselin, 1995;
Anselin, 1996) tambm so referncias importantes. O stio do SpaceStat
www.spacestat.com.
O modelo de regresso GWR (geographically weighted regression) foi
idealizado por A.Stewart Fotheringham, e est descrito em seu livro
Quantitative Geography (Fotheringham et al., 2000) e outros trabalhos
(Fotheringham et al., 1996) (Brunsdon et al., 1996). Maiores informaes
podem ser encontradas no stio http://www.ncl.ac.uk/~ngeog/GWR/.
A discusso sobre o problema dos efeitos de escala e a chamada falcia
ecolgica deve muito aos trabalhos de Stan Openshaw; como exemplo,
veja-se Openshaw (1997). Seus trabalho sobre o uso de tcnicas de
otimizao combinatria para obter regies mais agregadas, tambm so
muito importantes (Openshaw and Alvanides, 1999).
A questo da gerao de superfcies a partir de dados socioeconomicos
deve muito aos trabalhos de David Martin, em seu livro Geographic
Information Systems: Socioeconomic Applications (Martin, 1995) e seus
trabalhos sobre os dados censitrios no Reino Unido (Martin, 1996; Martin,
1998).
ld
ld
Systems:
Socioeconomic
ld
ld
8
MODELAGEM DINMICA E GEOPROCESSAMENTO
Bianca Maria Pedrosa
Gilberto Cmara
8.1
INTRODUO
8.2
PRINCPIOS BSICOS
regular
irregular
uniforme
no uniforme
estacionria
no estacionria
universal
no universal
Estrutura
Espao
Propriedades
Vizinhana
Funo de Transio
1 2
regularidade
irregularidade
fechado
aberto
Tempo
Sistema
Figura 8.1 Requisitos para modelagem dinmica em GIS (fonte: Couclelis, 1997)
8.2.1
O Espao
B
C
a) Mscara
b) estado da clula central antes do filtro c)estado da clula central aps o filtro
8.2.2
O Tempo
Ordem no tempo
Variao Temporal
Granularidade
linear
discreto
instante
ramificado
contnuo
intervalo
ciclco
perodo
A ordem temporal refere-se ao modo como o tempo flui. Neste caso, pode-se
assumir que o tempo flui de forma linear, ramificada ou cclica. No tempo linear
considera-se que o tempo flui seqencialmente, ou seja, existe uma ordem de
precedncia entre os pontos no tempo, de tal forma que cada ponto tenha apenas um
sucessor e um antecessor.
No tempo ramificado mltiplos pontos podem ser os
sucessores ou antecessores imediatos de um mesmo ponto. O tempo cclico utilizado
para modelar eventos e processos recorrentes (Edelweiss and Oliveira 1994).
Com relao variao temporal duas possibilidades podem ser consideradas:
tempo contnuo e discreto. Uma varivel temporal contnua usada em processos que
demandam medidas de tempo com nveis arbitrrios de preciso. Por exemplo, a
expanso da rea de desmatamento de uma floresta entre dois instantes de tempo
medidos pode ser interpolada. A Figura 6 apresenta mapas de uma rea desmatada em
dois instantes t e t. Se necessrio, pode-se gerar um novo mapa para representar a rea
desmatada entre os instantes t e t porque este processo contnuo no tempo.
5
4
a partir de 1980
e agora
Predicado
Exemplo
a precedes b
a meets b
a overlaps b
a contains b
a equals b
instante
intervalo a
intervalo b
temp
Funo
Descrio
First(), Last()
FirstValue(), LastValue()
Begin(), End()
Period(b,f), Period(d)
r.name
from
river r
where
exists rp in r.pollution:
rp.max_pollution(query_time) >=max (select
max_pollution (query_time) from river_pollution)
9
city c
where
c.vegetation.coverage(Wood,c.geometry,now)
>= min(c.vegetation.coverage(Wood,c.geometry,
Period(now-years(5)),now)))+5
8.3
MODELOS
10
8.3.1
Tipos de modelos
Empricos
Cadeias
Logsticos
Sistema
Regresso
Simulao
Dinmico
11
Cadeias de Markov
(t+1)= Pn.(t)
onde (t) o estado do sistema no tempo t, (t+1) o estado do sistema aps o
intervalo t+1 e Pn so os estados passveis de acontecer, que so representados em
matrizes de possibilidades de transio. Essas matrizes de transio representam a
possibilidade de um determinado estado i permanecer o mesmo ou mudar para o estado
j durante o intervalo de tempo t->t+1. As probabilidades de transio so usualmente
derivadas de amostras relativas a um certo intervalo de tempo. Cadeias de Markov de
1a ordem assumem que o estado futuro do sistema depende apenas do seu estado
presente e das possibilidades de transio, sendo independente da trajetria que o levou
aquele estado (estados em um tempo t-1). Este modelo no ignora o passado, mas
assume que toda a informao do passado est concentrada no presente estado do
sistema. Desta forma, as interaes so instantneas, sendo irrelevante o tempo de
permanncia das variveis em cada estado (Soares Filho 1998).
Outra caracterstica das cadeias de Markov que as probabilidades de transio no
mudam com o tempo, o que o caracteriza como um processo estacionrio.
As principais vantagens das cadeias de Markov so a simplicidade operacional e
matemtica do modelo aliadas a facilidade com que podem ser aplicadas a dados
provenientes de sensoriamento remoto e implementadas em GIS. Outra grande
vantagem o fato de no necessitar de grande quantidade de dados antigos para prever
o futuro.
As principais limitaes das cadeias de markov incluem o fato do modelo no explicar o
fenmeno (Porque) e ser limitado na resposta espacial (Onde), entretanto o modelo pode
pode fazer predies (Quando) desde que os processos sejam estacionrios. Alm
disto, o modelo no suporta de imediato a incluso de variveis exgenas como
variveis scio-econmicas ou outras foras dirigidas, embora esta limitao possa ser
superada. Em (Lambin 1994) so apresentadas vrias abordagens para superar as
principais limitaes de cadeias de Markov em modelagem dinmica.
12
locais de origem
locais de destino
Modelos de Regresso
O objetivo dos modelos de regresso estabelecer relaes estatsticas entre um
fenmeno em estudo e as variveis independentes, chamadas foras dirigidas, que
exercem influncia sobre ele. Sendo assim, o modelo suporta a incluso de variveis
exgenas como as scio-econmicas. Isto contribui para o entendimento do fenmeno
em estudo, mas insuficiente para explic-lo, pois a identificao de um relacionamento
estatstico entre duas variveis por si s no estabelece um relacionamento causal entre
elas. Por exemplo, pode-se identificar atravs de um modelo de regresso que o
crescimento populacional tem relao com o crescimento do desmatamento de uma
determinada regio, entretanto, o modelo de regresso no explica os mecanismos que
ligam estas variveis (Lambin 1994).
Matematicamente, o modelo estabelece um relacionamento linear
variveis dependentes e independentes atravs da expresso:
entre as
14
8.3.2
Modelos de Sistemas
Porqu
Cadeias de
pode
predizer
distribuies
espaciais
de
elementos
do
modelo
se
for
combinado com GIS
Logstico de
Difuso
permite a incluso de
poucas
variveis
exgenas, entretanto um
modelo descritivo, no
suportando investigaes
exploratrias
suporta a dimenso
temporal,
podendo
predizer a evoluo
de processos no
estacionrios
pode
predizer
distribuies
espaciais
de
elementos
do
modelo
se
for
combinado com GIS
Regresso
no so modelos
espaciais, entretanto
podem
ser
combinados
com
GIS
Markov
Quando
pode
formular
cenrios de mudanas
futuras no uso do
solo,
baseado nos
parmetros do modelo
Onde
apresenta
dificuldades
representao
espacial
na
pode
predizer
evoluo de padres
espaciais
em
processos
determinsticos
16
8.3.3
Autmatos Celulares
a) vizinhana
c) regras de transio
d) exemplo
b) estados
instante t
instante t+1
Figura 8.13 Exemplo de autmato celular (Fonte: Cmara,1966)
A dinmica de aplicao das regras de transio em um autmato celular
semelhante a de um filtro espacial. Desta forma, todas as clulas so avaliadas e,
quando for o caso, modificadas para um novo estado. Na figura 13 d, a primeira clula
da segunda linha do autmato tem, no instante t, o estado branco e suas vizinhas
possuem estados diferentes (uma branca e outra preta). Neste caso o estado da clula
permanece o mesmo (1a regra de transio). Seguindo o mesmo mecanismo, a segunda
clula da segunda linha, tem no instante t o estado preto e suas vizinhas tem ambas o
estado branco, logo o estado desta clula sofre uma transio para branco (2a regra de
transio). O processo segue este mecanismo para as demais clulas at que todas
tenham sido avaliadas.
No exemplo acima, pode-se observar que as mudanas geradas por autmatos
celulares so estritamente locais, isto , baseadas nas vizinhanas de cada clula. Nesta
perspectiva, pode-se dizer que sua aplicao eficiente em processos em que a ordem
global emerge de aes locais e descentralizadas (Batty 2000).
18
8.4
8.4.1
Aspectos Computacionais
Si(t) = (Ij(t))
a)
b)
Figura 14 Clula cujo estado depende apenas da varivel de entrada (I) (fonte:
Burrough, 1998)
19
Si ( t+1 ) = g ( Si ( t ) )+ ( Ij )
b)
a)
S1
F
S2
a)
S1
I2
I3
S2
F1
F2
b)
possui um atributo que indica a direo de fluxo. Esta direo pode ser para um dos
seus oito vizinhos, considerando o espao 2D.
I1
I
I
F
S
F
S3
Figura 17 Clulas com adjacncia direcionada pela topologia (fonte: Burrough, 1998)
Para gerar a rede LDD existem vrios algoritmos dentre os quais o D8
(Deterministic algorithm) destaca-se pela sua simplicidade (Burrough and McDonnel
1998). Neste algoritmo, a direo do fluxo determinada pela direo mais inclinada
dentro de uma janela 3x3 de clulas. Numa rede LDD existem dois tipos de clulas
upstream e target. A clula target a clula para onde todo o fluxo direcionado. As
demais clulas so chamadas upstream.
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cg
Cu
Cu
Cu
fluxo acumulado - calcula o novo estado dos atributos de uma clula, somando o
valor original da clula mais a soma acumulada de todos as clulas upstream, cujo
fluxo passa por esta clula;
capacidade de transporte de uma clula - limita o fluxo de clula para clula a uma
atributo de capacidade de transporte fornecido em valores absolutos;
21
8.4.2
PCRaster
d) Mapa de solos
a) MNT
c) TSS
b) LDD
PROGRAMA PCRASTER
e)mapas resultantes
area 1, id = 1
area 2, id = 2
areamap
clone.map;
timer
1 12 1;
initial
# this section is empty
dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);
24
Nesta instruo a operao maptotal calcula a soma dos valores das clulas em
Precip. Esta soma multiplicada pela rea de uma clula do mapa (cellArea()) e
dividida pelo fator de converso para m3/s.
Para calcular a precipitao efetiva, a evapo-transpirao deve ser includa no
modelo. Assumindo que as condies do solo no influenciam na taxa de evapotranspirao, pode-se calcular a evaporao para um ms (Evap, mm/ms) atravs da
expresso:
Evap=K * EvapRef
onde:
25
Figura 23 - LDD
dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);
# total volume precipitation over study area, in cubic metres per second
report VolumePrecip=maptotal(Precip)*(cellarea()/2628);
# reference evapotranspiration
EvapRef=timeinputscalar(EvapRefTimeSeries,1);
# evapotranspiration
report Evap=K*EvapRef;
# precipitation surplus
report PrecipSurplus=Precip-Evap;
# intermediate soilwater content: soilwater plus precipitation surplus
Soilwater=Soilwater+PrecipSurplus;
# soil water surplus (mm/month)
report SoilwaterSurplus=max(Soilwater-MaxSoilwater,0);
# soilwater content, no saturation
report Soilwater=min(Soilwater,MaxSoilwater);
# discharge in mm/month
DischargeMM=accuflux(Ldd,SoilwaterSurplus);
# discharge in metres3/second
report Discharge=DischargeMM*(cellarea()/2628);
26
8.5
Citylife
Dado um estado inicial, o sistema aloca novas clulas para cada uma das
atividades disponveis. O nmero de clulas a ser alocado para cada atividade depende
do nmero de clulas do estado inicial. Assim, por exemplo se no estado inicial so
alocadas duas clulas para reas verdes, duas clulas para rea de trabalho e quatro
clulas para reas residenciais (Figura 25 a), ento a cada gerao o sistema alocar
mais duas clulas para reas verdes, mais duas clulas para reas de trabalho e quatro
clulas adicionais para rea residenciais. O critrio para seleo de uma clula a sua
atratividade para a atividade, ser selecionada a clula com maior atratividade (Ai(k)).
b
rea verde
rea residencial
rea de trabalho
c
Figura 25 Citylife a) estado inicial b)aps 10 geraes c) aps 20 geraes
(fonte: Roy and Snickars 1996).
28
Verde ResidencialTrabalho
Verde
Residencial
Trabalho
Uma restrio do citylife considerar que uma vez que uma clula for ocupada
por uma atividade ela permanecer nesta atividade. Desta forma, este sistema adota um
modelo dinmico espacial de difuso por expanso e no de realocao.
29
8.5.2
30
31
32
Na micro escala, cada estado de clula representa uma categoria de uso do solo
(Figura 31). Os estados so divididos em duas categorias: funes e feies. Funes
so usos do solo ativos, tais como residencial, floresta, comercial. Em princpio, uma
clula funo pode mudar para qualquer um dos estados possveis. Feies so usos do
solo fixos, tais como rios, parques e aeroportos. Embora as feies no estejam sujeitas
s mudanas geradas pelas regras de transio do autmato celular, eventualmente elas
podem ser convertidas atravs de um processo especial ou uma interveno exgena.
Feies aparecem como argumentos das regras e podem afetar a transio de clulas
vizinhas. Assim, por exemplo, a existncia de um parque pode influenciar a transio
de clulas vizinhas em clulas residenciais (White and Engelen 1997).
A demanda do solo para as vrias atividades fornecida pela macro escala, de acordo
com um mecanismo baseado em trs classes de prioridades. As regras de prioridade um
so intervenes do usurio como, por exemplo, a incluso de um aeroporto. As regras
de prioridade dois so regidas pelo subsistema natural e geram certas transies
diretamente, sem interferncia do autmato celular. Por exemplo, se o nvel do mar
sobe, clulas com baixa elevao so convertidas em praias ou mangues (White and
Engelen 1997). As regras de prioridade trs se aplicam s clulas ativas (funes).
Para cada clula ativa calculado um vetor de potencialidades, em que cada
potencialidade representa o grau de atrao de uma clula para uma determinado estado
(z). O potencial (Pz) de uma clula depende de trs fatores:
P z = S z N z + z
O efeito agregado da vizinhana (Nz) leva em considerao principalmente a localizao
das clulas. A vizinhana de uma clula uma regio circular com um nmero varivel
de clulas, organizadas em zonas de distncias. Assim, a frmula para calcular o efeito
agregado de vizinhana consiste em:
Nz=
Ld,i Wz,y,d
onde:
Wz,y,d
Ld,i
A regra de transio estabelece que cada clula ativa convertida para o estado para o
qual seu potencial maior, mas at que a demanda por clulas deste estado seja
atendida. Depois deste ponto, nenhuma outra clula convertida para este estado. Os
potenciais para tal estado so ignorados nas converses subsequentes.
Os resultados das simulaes so apresentados de forma dinmica na tela do
computador, isto , o usurio acompanha todas as transies. Na Figura 32, so
apresentados os resultados de uma simulao para 40 anos em que se trabalhou com
dois cenrios. No primeiro cenrio, Figura 32 a, assumiu-se que no haveria mudanas
climticas, ou seja, a temperatura e o nvel do mar se manteriam ao longo do tempo. No
segundo cenrio, Figura 32 b, considerou-se que a temperatura aumentaria em 2C e o
nvel do mar em +20cm. Em ambos os casos partiu-se da configurao inicial
apresentada na Figura 31 e considerou-se que a populao apresentaria um crescimento
de 2% ao ano e um nmero total de 11000 vagas de empregos, distribudas em
diferentes atividades.
35
8.6
CONSIDERAES FINAIS
37
Referncias Bibliogrficas
39