Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, Proximidade e Interpolação

1,036 views 180 slides Nov 11, 2017
Slide 1
Slide 1 of 180
Slide 1
1
Slide 2
2
Slide 3
3
Slide 4
4
Slide 5
5
Slide 6
6
Slide 7
7
Slide 8
8
Slide 9
9
Slide 10
10
Slide 11
11
Slide 12
12
Slide 13
13
Slide 14
14
Slide 15
15
Slide 16
16
Slide 17
17
Slide 18
18
Slide 19
19
Slide 20
20
Slide 21
21
Slide 22
22
Slide 23
23
Slide 24
24
Slide 25
25
Slide 26
26
Slide 27
27
Slide 28
28
Slide 29
29
Slide 30
30
Slide 31
31
Slide 32
32
Slide 33
33
Slide 34
34
Slide 35
35
Slide 36
36
Slide 37
37
Slide 38
38
Slide 39
39
Slide 40
40
Slide 41
41
Slide 42
42
Slide 43
43
Slide 44
44
Slide 45
45
Slide 46
46
Slide 47
47
Slide 48
48
Slide 49
49
Slide 50
50
Slide 51
51
Slide 52
52
Slide 53
53
Slide 54
54
Slide 55
55
Slide 56
56
Slide 57
57
Slide 58
58
Slide 59
59
Slide 60
60
Slide 61
61
Slide 62
62
Slide 63
63
Slide 64
64
Slide 65
65
Slide 66
66
Slide 67
67
Slide 68
68
Slide 69
69
Slide 70
70
Slide 71
71
Slide 72
72
Slide 73
73
Slide 74
74
Slide 75
75
Slide 76
76
Slide 77
77
Slide 78
78
Slide 79
79
Slide 80
80
Slide 81
81
Slide 82
82
Slide 83
83
Slide 84
84
Slide 85
85
Slide 86
86
Slide 87
87
Slide 88
88
Slide 89
89
Slide 90
90
Slide 91
91
Slide 92
92
Slide 93
93
Slide 94
94
Slide 95
95
Slide 96
96
Slide 97
97
Slide 98
98
Slide 99
99
Slide 100
100
Slide 101
101
Slide 102
102
Slide 103
103
Slide 104
104
Slide 105
105
Slide 106
106
Slide 107
107
Slide 108
108
Slide 109
109
Slide 110
110
Slide 111
111
Slide 112
112
Slide 113
113
Slide 114
114
Slide 115
115
Slide 116
116
Slide 117
117
Slide 118
118
Slide 119
119
Slide 120
120
Slide 121
121
Slide 122
122
Slide 123
123
Slide 124
124
Slide 125
125
Slide 126
126
Slide 127
127
Slide 128
128
Slide 129
129
Slide 130
130
Slide 131
131
Slide 132
132
Slide 133
133
Slide 134
134
Slide 135
135
Slide 136
136
Slide 137
137
Slide 138
138
Slide 139
139
Slide 140
140
Slide 141
141
Slide 142
142
Slide 143
143
Slide 144
144
Slide 145
145
Slide 146
146
Slide 147
147
Slide 148
148
Slide 149
149
Slide 150
150
Slide 151
151
Slide 152
152
Slide 153
153
Slide 154
154
Slide 155
155
Slide 156
156
Slide 157
157
Slide 158
158
Slide 159
159
Slide 160
160
Slide 161
161
Slide 162
162
Slide 163
163
Slide 164
164
Slide 165
165
Slide 166
166
Slide 167
167
Slide 168
168
Slide 169
169
Slide 170
170
Slide 171
171
Slide 172
172
Slide 173
173
Slide 174
174
Slide 175
175
Slide 176
176
Slide 177
177
Slide 178
178
Slide 179
179
Slide 180
180

About This Presentation

Aula da disciplina de Informática Aplicada ao Planejamento Territorial, UFABC, 10 de novembro de 2017
Gravação de aula em: https://www.youtube.com/watch?v=-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb


Slide Content

Análise de Eventos Pontuais
I
NFORMÁTICA APLICADA AO
PLANEJAMENTO TERRITORIAL
Vitor Vieira Vasconcelos
[email protected]
CS3406 -Informática Aplicada ao Planejamento Territorial novembro de 2016
Aula 6

Conteúdo
Análisede EventosPontuais
•Centrosmédiose DistânciaPadrão
•Padrõesde agregação
•Mapasde kernel
•Mapasde proximidade
Interpolação
•Métodoslocais
•Métodosglobais

LeituraPrévia
Capítulos
2 -Análisede EventosPontuais
3 -Análisesde SuperfíciesporGeoestatística 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/

Bases de dados pontuais
Ocorrênciade Espécies(Global)
◦http://www.gbif.org/occurrence/search
Queimadas(Américado 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
Lançamentosimobiliários, escolase equipamentosde saúde
(RegiãoMetropolitanade São Paulo)
◦http://www.fflch.usp.br/centrodametropole/716
InfraestruturaUrbana e ÁreasContaminadas(Municípiode São Paulo)
http://geosampa.prefeitura.sp.gov.br/
http://dados.prefeitura.sp.gov.br/ca/dataset/areas-contaminadas/resource/93908e9d-002e-461b-bdb8-
3fab485b3302

Construçãode Bases de dados pontuais
•Geocodificaçãode 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

Análisede EventosPontuais
Ponto e raiomédio
Padrõesde Agregação
Mapasde kernel

7
Estatísticade eventospontuais
Incêndiosflorestaisem
2003 emSan Diego
Perguntas
Ondeé a localizaçãomedia
dos incêndios?
Quãodispersoselessão?
Ondevocêcolocariauma
estaçãode bombeiros?
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/

(0,0)
(300,250)
(550,200)
(500,350)
(400,500)
(380,650)
(480,620)
(580,700)
O que podemos fazer?
Preparação
Plotaras coordenadas
de cadaincêndio
florestal
X
Y
(600, 0)
(0, 763)
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/

(0,0)
Centro médio
Calcularo centromédio
Centro médiode X:
Centro médiode 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/

10
DistânciaPadrão
)()(
)()(
2
2
2
2
22
c
i
c
i
D
cici
D
Y
n
Y
X
n
X
S
n
YYXX
S
−+−=
−+−
=
∑∑
∑∑
Definição
Computação
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/
A distânciapadrãomededispersão
Distânciamédiaaocentromédio
Similar aodesviopadrão
Fórmula

DistânciaPadrão
Incêndios X X
2
Y Y
2
#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 X
2
1513700 Soma de Y
2
1771900
52.208)14.467
7
1771900
()71.455
7
1513700
(
22
=−+−=
71.455=
C
X 14.467=
CY
)()(
2
2
2
2
c
i
c
i
D
Y
n
Y
X
n
X
S −+−=
∑∑

DistânciaPadrão
(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
S
D=208.52
Li, A. 2015. Spatial Statistics and Analysis Methods. GEOG 104. San Diego University. Em: http://slideplayer.com/slide/5777801/

Centro médioe distânciapadrão
ponderados
E se osincêndiosde maioráreativessemmaior
influênciano centromédio?


=
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/

49.428
86
36850
===


i
ii
wc
f
Yf
Y
E se osincêndiosde maioráreativessemmaior
influênciano centromédio?
Centro M édioPonderado
Incêndio f(Area) X
if
iX
i (Area*X)Y
i f
iY
i(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
iiXf∑ ii
Yf∑
16.476
86
40950
===

∑i
ii
wcf
Xf
X

15
DistânciaPonderada
Incêndiosf
i(Area)X
i X
i
2 f
i X
i
2 Y
i Y
i
2 f
iY
i
2
#1 5 58033640016820007004900002450000
#2 20 38014440028880006504225008450000
#3 5 48023040011520006203844001922000
#4 10 40016000016000005002500002500000
#5 20 50025000050000003501225002450000
#6 1 30090000 90000 25062500 62500
#7 25 550302500756250020040000 1000000
86 19974500 18834500
∑if
2
i
Xf
i∑
2
ii
Yf∑
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 −+−=



DistânciaPonderada
(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
Distânciapadrão
=208.52
Distânciapadrão
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
AnáliseFinal
(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
Distânciapadrão
= 208.52
Distânciapadrão
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/

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.
Elipsede DistânciaPadrão

Padrõesde Agregação
Agrupado Normal
Aleatório Regular

Padrõesde Agregação
ESRI. AverageNearestNeighbor(Spatial Statistics)

Padrõesde Agregação
Consideraçãoda áreatotal de estudo
Concentrado Disperso
ESRI. Multi-Distance Spatial Cluster Analysis (Ripley's K Function)

Vizinhomaispróximo
h = distância
# = númerode eventos
d(u
i,u
j) = distânciaentre ospontosu
ie u
j
n = total de pontos

Vizinhomaispróximo
Distribuiçãoaleatória
Distribuiçãoreal
Distribuição
concentrada
Distribuição
regular

Vizinhomaispróximo
FREIRE, F.H.M. 2009. Introduçãoà estatísticaespacial. Observatóriodas Metrópoles. Em:
http://www.observatoriodasmetropoles.ufrj.br/download/aulasanalise-espacial.pdf
Concentrado
Regular

FunçãoK de Ripley
Ripley, B.D.Modellingspatial patterns.J. R. Stat. Soc. Series B Stat. Methodol.1977; 39:172–192
d = distância
A = áreade estudo
K(i,j) = peso
-> se a distância< “d”, então peso é um, senãoo peso é zero
n= númerototal de pontosnaáreade estudo
Maisrobustoque o método do
VizinhomaisPróximo

FunçãoK de Ripley
ESRI. How Multi-Distance Spatial Cluster Analysis: Ripley's k-function (Spatial Statistics) works
Simulado
RealPenseno
monitoramentode cães
selvagens
-Escalamicro: oscães
da mesmamatilha
estãopróximos
-Escalamacro: as
matilhasse mantém
emterritórios
regularmente
espaçados

-3
-1
1
3
02468101214161820
L(d)
Distância (m)
agrupado
aleatório
disperso
FunçãoK de Ripley
Envelope
superior
Envelope
inferior

distância
L(d)
agrupamento
segregação
aleatório
FunçãoK de Ripley

FunçãoK de Ripley
Ocorrência da árvoreBeilschmiediaem uma floresta tropical
Kyriakidis, P. 2015. Point Patterns : HypothesisTesting. UniversityofCalifornia
Em: http://rstudio-pubs-static.s3.amazonaws.com/5292_2b2fae3795a144b2a4b486fd2fc6fc57.html

FunçãoK de Ripley Bivariada
Vizinhançaentre pontosde camadasdiferentes
Lu, P., Bai, S., & Casagli, N. (2014). Investigatingspatial patternsofpersistentscattererinterferometrypoint
targetsandlandslideoccurrencesin theArno River Basin.Remote Sensing, 6(8), 6817- 6843.
∑∑
==
=
1 2
1121
12
)(
n
i
n
j
ijij
kw
nn
A
dK

Localizaçãode 6 espéciesde árvores(Lansing Database)
Kyriakidis, P. 2015. Point Patterns : HypothesisTesting. UniversityofCalifornia
Em: http://rstudio-pubs-static.s3.amazonaws.com/5292_2b2fae3795a144b2a4b486fd2fc6fc57.html
FunçãoK de Ripley Bivariada

Análisede Lacunaridade
Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarityindices as measures of
landscape texture.Landscape ecology,8(3), 201-211.

Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarityindices as measures of
landscape texture.Landscape ecology,8(3), 201-211.
Aleatório
diferentes
padrõesde
lacunas
Análisede Lacunaridade

Plotnick, R. E., Gardner, R. H., & O'Neill, R. V. (1993). Lacunarityindices as measures of
landscape texture.Landscape ecology,8(3), 201-211.
Análisede Lacunaridade
Análisede transectoslineares

Extendendoospadrõesde agregação
Padrõesde agregaçãoem
3 dimensões(cubo)
4 oumaisdimensões
Espaciais, mistasounão-espaciais

AtividadePrática–PadrõesPontuais
•Localizaçãode poçosnaregiãodo Grande ABC
oFonte: Sistema SIAGAS
•Abriro Qgise adicionaras seguintescamadas:
opocos_todos_abc.shp Localizaçãodos poçosregistrados
opocos_dados_abc.shp Poçoscom dados de vazão
ocetesb.shp AgênciaAmbientalda CETESB ABC
oabc_municipios.shp Municípiosda regiãoda grandeABC paulista
•Obs: Vamostrabalharsemprecom projeçãoUTM,
para realizaroscálculosde distânciaemmetros

AtividadePrática–PadrõesPontuais

AtividadePrática–PadrõesPontuais
•Clique no menu “Processar” -> “Opções”
•Na JanelaOpçõesde processamento, verificarse a extensão“R
scripts” estáatividadae apontandopara as respectivaspastas

AtividadePrática–PadrõesPontuais
•Clique no menu “Processar” -> “Caixade Ferramentas
•Na Caixade Ferramentas, selecione“R scripts” -> “Tools” ->
“Get R scripts from on-line scripts collection”

AtividadePrática–PadrõesPontuais
•Na janela“Obterscripts e modelos”, váem“Não
Instalados”, marque a função“G function” e clique em
“OK”
•Repitao procedimento, clicandoem“Atualizável” e “Ok”

AtividadePrática–PadrõesPontuais
•Váem“R scripts” -> “Point pattern analysis” -> “G function”

AtividadePrática–PadrõesPontuais
•Selecionea camada“pocos_todos_abc”
•Escolhaum nomee pasta para gravar a saídae pressione“Run”

AtividadePrática–PadrõesPontuais
•Qualé o padrãode agregaçãopela funçãoG (vizinhomaispróximo)?

AtividadePrática–PadrõesPontuais
•Seráque a AgênciaAmbientalda CETESB estábem
localizadaemrelaçãoaospoçosexistentes?
•Na caixade ferramenta,
selecione“Saga” ->
“Geostatistics” ->
“Spatial point pattern
analysis”

AtividadePrática–PadrõesPontuais
•Em“Points”, selecionea
camada
“pocos_todos_abc”
•Escolhao local de gravação
para osarquivosde:
•centromédio(mean centre)
•distânciapadrão
(standard distance)
•caixaenvolvente(bounding box)
•Clique em“Run”

AtividadePrática–PadrõesPontuais
•Avaliea localizaçãoda CETESB emrelaçãoaospoços
Centro Médio
CETESB

AtividadePrática–PadrõesPontuais
•Na caixade ferramentas, selecione“GeoalgoritmosQGIS”
-> “Ferramentasde análisevetorial” -> “Coordenadas
médias”

AtividadePrática–PadrõesPontuais
•Escolhaa camada“pocos_dados_abc”
•No campo de peso, escolha“vazao_esta” (vazãode
estabilização)
•Escolhaum
nomee pasta
para a saída
•“Run”

AtividadePrática–PadrõesPontuais
•Avaliea localizaçãoda CETESB emrelaçãoaospoços
Centro Médio
CETESB
Centro MédioPonderado

AtividadePrática–PadrõesPontuais
•No menu “Complementos”, clique em“Gerenciare
InstalarComplementos”
•Instaleo complemento“Standard Deviational Ellipse”

AtividadePrática–PadrõesPontuais
•No menu “Vetor”, selecione
“Standard Deviational ellipse”
•Escolhaa camada
“pocos_todos_abc”
•Desmarquea opção
“selected features only”
•Marque as correções
“sqrt(2) correction” e
“DF correction”

AtividadePrática–PadrõesPontuais
•Analiseo resultadode saída
Centro Médio
CETESB
Centro MédioPonderado

AtividadePrática–PadrõesPontuais
•Selecionenovamente“Vetor”
-> “Standard Deviational ellipse”
•Escolhaa camada
“pocos_dados_abc”
•Marque “Use weights” e selecione
“vazao_esta”
•Desmarquea opção
“selected features only”
•Marque as correções
“sqrt(2) correction” e
“DF correction”

AtividadePrática–PadrõesPontuais
•Analiseo resultadode saída
Centro Médio
CETESB
Centro MédioPonderado

Mapasde Kernel
Mapade Pontosde Focosde Queimada
Mapade 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/

Mapasde Kernel
CÂMARA, Gilberto; CARVALHO, Marilia Sá. Análise espacial de eventos.Em: Análise espacial de dados
geográficos. Embrapa Cerrados, Planaltina, p. 53- 122, 2004.

Mapasde 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

Mapasde Kernel
Concentraçãode IncêndiosurbanosConcentraçãode Hidrantes
Comparaçãode 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.

Mapasde Kernel
Quandovale a pena utilizá-los?
•Quandoa concentraçãode pontosemumamapa
fazcom que sua visualizaçãofique confusa
•Ex: Mapade pontosde queimada
•Para estimara possibilidadede encontrarum certo
eventono espaço, dada umaamostrade pontos
inicial
•Ex: Como Neymar deve sercomportarno próximojogo?

Mapasde Kernel
Tiposde respostamapeada
•Densidade:
focosde queimada/ km
2
•Probabilidade:
chance (%) da leoaTata serencontradaemum pontodo parque
•Qualitativa: Baixa/ Média/ Alta
Escondeinformaçõesdo leitor
5-10 hab/km
2
1-5 hab/km
2
0.1-1 hab/km
2
Alta
Média
Baixa
50%
50 a 90%
90 a 100%

Mapasde Kernel
Pixel do rasterpeso do pontopara o pixel do raster
Ponto distânciado dopixel do raster atéo ponto

Mapasde Kernel
Amberg, B. 2008. A Range of Different Kernels. Em: https://commons.wikimedia.org/wiki/File:Kernels.svg

Mapasde 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.

Somandoo kernel de cadaponto
Mapas de Kernel

Mapas de Kernel
Somandoo
kernel de cada
ponto

Mapasde Kernel
Alterandoo Raiodo Kernel

DiferentesRaios
para o Kernel
Fowler, H.G. 2013. Amostragemporpontos. Ecologiade Populações.
Em: http://pt.slideshare.net/popecologia/amostragem-pontual

Mapade Kernel
E então, qualraiode Kernel escolher ?
•1ª abordagem: Que padrãovocêqueranalisar?
•Transiçõesgraduais Raiosmaiores
•Pequenosagrupamentos Raiosmenores
•2ª abordagem: Vocêquerum mapainformativo
•O raioque mostrea maiordiferenciaçãoespacialentre as áreas
•Um bominícioseriatestarum raioigualà distânciapadrão
•Mapasde Kernel Adaptativo
•3ª abordagem: Vocêquerum mapaválido
•Casosejamadicionadosmaisdados, o padrão deveficarsemelhante
•Métodosde Estimaçãode Kernel

Adaptadode: 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
Mapade Kernel
Kernel adaptativopornúmerode vizinhos

Estimaçãode Kernel
ValidaçãoCruzada:
Escolhera distânciaH
que minimize:
onde ĝ
−1
( s
i) é a estimativa de g( s
i) construída com o valor de
banda h usando todos os dados com exceção do par (s
i, z
i)
Softwares:
•Crimestat
•Kernel Density Estimation (R)
•Home Range Tools (ArcGis)
•Animove(Qgis)

Estimaçãode Kernel
Áreade
Vida da
LeoaTata
95%
50%
MACFARLANE, K. 2014. LionessHF012 “Tata”. Kalahari Lion Research . Em:
http://www.kalaharilionresearch.org/2014/07/23/lioness-hf012-tata/

Estimaçãode Kernel
95%
50%
95%
50%
Áreade vidae territórios
de espécimese 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

Estimaçãode Kernel
Probabilidade
de roubos
comerciaisem
Vancouver
Couch, Paul (2007), Crime Geography and GIS:
A Break and Enter Crime Analysis of Ottawa,
Ontario Using CrimeStat, Crime GIS

Mapasde Kernel
Mapasde Razãode Kernel
•Eventos/ População
População
(centróidesde polígonos)
Eventos
(pontos)

Mapasde Kernel
Assaltosa carrosemBaltimore em1996
LEVINE, N. 2013. CrimeStatIV. The National Institute of Justice. Washington DC.

Mapasde Kernel
PopulaçãoemBaltimore em1990
LEVINE, N. 2013. CrimeStatIV. The National Institute of Justice. Washington DC.

Mapasde Kernel
Razãoentre Assaltosa Carroe População
LEVINE, N. 2013. CrimeStatIV. The National Institute of Justice. Washington DC.

Prática–Mapasde Kernel
•Abrao TerraView4.2.2
http://vigilancia.saude.mg.gov.br/index.php/download/instalador-terraview-windows-v-4-2-2/
•No menu “Arquivo”, escolha“Banco de Dados”
•Escolhaa opção“Criar”
•Escolhao
diretórioe o
nomedo
banco de
dados

Prática–Mapasde Kernel
•No menu arquivo , escolha“ImportarDados”
•Selecioneo arquivo“pocos_todos_abc.shp” e aperte“Ok”
•Repitao procedimentopara osarquivos:
•“pocos_dados_abc.shp”
•“abc_paulista_utm.shp”
(Populaçãoporsetorescensitários)
•Movatodasas camadaspara umasó
vista e clique no ícone“Desenhar”

Prática–Mapasde Kernel
•Visualização
•No menu “Análise”,
selecione“Mapade Kernel”

Prática–Mapasde Kernel
•Em“Regiãode
Suporte”, selecione
“Grade sobrea região”
•Em“Opçõesde Grade”,
selecione“250” para
“Númerode colunas” e
“abc_paulista_utm”
comotema”
•Emresultados,
selecioneum nome
•Emeventos-> tema,
selecione
“pocos_todos_abc”
•Desmarquea opção
“adaptativo”
•“Executar”

Prática–Mapasde Kernel

Prática–Mapasde Kernel
•Visualização
•Repitao procedimentocom um raiode
“2e+003”,“8e+003” e adaptativo, com
diferentesnomespara o plano , na opção
“Resultados”
Kernel 2+003e Kernel 8+003e Adaptativo

Prática–Mapade Kernel
•Gere maisum mapade kernel, mas agora selecionando“pocos_dados_abc”
•Marque a opção“Com atributo”, e selecionea coluna“VAZAO_ESTA”
•“Executar”

Prática–Mapasde Kernel
•No menu “Análise”, clique em“Razãode Kernel”
•Em“Regiãode Suporte, selecionea opção“SemGrade”
•Selecioneos
mesmos
parâmetros
anterioresdo
últimomapade
kernel

Prática–Mapasde Kernel
•Na aba “Conjuntode Dados 2”, selecione“Área” emEventos
•Selecioneo tema“abc_paulista_utm”
•Marque a opção“Com Atributo”
•Escolhaa coluna“POP2010”

Prática–Mapasde Kernel
Visualizaçãodo mapa
de Razãode Kernel

Prática–Mapasde Kernel
•Clique com o botão
direitosobrea
camada
“abc_paulista_utm” e
selecione“Salvar
Temapara Arquivo”

Prática–Mapasde Kernel
•Selecioneo formato“Shapefile”
•Clique em“Arquivo” e escolhaa pasta e o nomedo
arquivoa sergravado
•“Executar

Prática–Mapasde Kernel
•Clique com o botãodireitodo mouse sobreum dos mapasde
kernel “raster” e selecione“SalvarTemapara Arquivo”
•Escolhao Formato
“Geo Tiff”
•Clique em“Arquivo”
e selecionea pasta
e o nome do arquivo
com extensão“.tif”
•Parâmetrosdo Raster -> M
•“Executar

Mapasde Proximidade
Pontos Linhas Polígonos
Innovative GIS. 2005. Calculating Effective Distance and Connectivity. Em: http://www.innovativegis.com/basis/mapanalysis/topic25/topic25.htm

Mapasde Proximidade
Proximidadecom
BarreirasAbsolutas
Proximidadecom Barreiras
Relativas(atrito)
Proximidadecom Barreiras
Relativase Absolutas
Innovative GIS. 2005. Calculating Effective Distance and Connectivity. Em: http://www.innovativegis.com/basis/mapanalysis/topic25/topic25.htm

Mapade 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

Mapade Proximidade
Distânciaa
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

Mapasde Proximidade
Distânciada Mancha UrbanaDistânciada MalhaViária
Modelagemde mudançasno usodo solo
ALMEIDA, R.M. 2016. InferênciaespacialusandoQGIS. Em: http://qgisnapratica.blogspot.com.br/

Mapade Proximidadeoude Kernel?
Visualmentesemelhantes
Distânciae densidadeestãoinversamenterelacionadas
Ambassãoadequadospara análiseexploratória
Diferenças:
Mapade Kernel Mapade Proximidade
Focoemdensidade(ocorrência/km
2
) Focoemdistância(km
2
)
Maisflexibilidade
(ajustede kernel e raio )
Maissimples
(menossuposiçõessobreo fenômeno)
Podesercalibradapara previsões Podeserajustadapara barreirase atrito

Prática–Mapade Proximidade
•Decreto Estadual nº 32.955/91, que dispõe sobre a
preservação dos depósitos naturais de águas
subterrâneas do Estado
oPerímetroImediatode Proteçãosanitáriade poços: 10 metros
oPerímetrode alertade poluição: dependeda velocidadede fluxo
do aquífero(50 dias)
•InstitutoGeológico. RoteiroOrientativopara Delimitação
de Áreasde Proteçãode Poços. 2010.
oPerímetrosde Alertavariamde 30 a 100 metros, dependendodo
tipode aquífero
oNa regiãodo Grande ABC, perímetrosvariamde 30 a 60 metros

•No QGis, adicioneas camadas“pocos_todos_abc.shp” e
“abc_municipios.shp”
•Clique com o botãodireitodo mouse sobrea camada
“pocos_todos_abc.shp” e selecione“Abrirtabelade
atributos”
•Clique no ícone“Abrircalculadorade campos”
Prática–Mapade Proximidade

•Crieum novo campo, com nome “um” e valor = 1
Prática–Mapade Proximidade

•Verifiquese a colunafoicriadacom osvalorescorretos
•Clique no íconepara gravaras alteraçõesnacamada
•Clique no íconepara fechara edição
Prática–Mapade Proximidade

•Processar- > Caixade Ferramentas-> SAGA-> Raster Creation Tools
-> Rasterize
Prática–Mapade Proximidade

Prática–Mapade Proximidade
•Selecionea camada
“pocos_todos_abc”
•Selecioneo atributo“um”
•Em“Output extent”, clique
nasreticênciase selecione
“Use camada/ extensãoda
tela”
•Em“Grid”, selecionea pasta
e o nomedoarquivode
saída
•“Run”

Prática–Mapade Proximidade
•Menu Raster-> Análise-> Proximidade (Distância Raster )
•Escolhao arquivoraster com ospontosdo poçose o arquivode saída“.tif”
•Selecione“Valores” = 1 e “Ok”

Prática–Mapade Proximidade
•Duplo clique na
camada, aba “ Estilo”
•Tipode
Renderização:
“Banda simples-
falsa-cor”
•Cor: Spectral
•Modo: Quartil
•Clique em
“Classificar”
•Clique em“Aplicar”
e OK

Prática–Mapade Proximidade
•Visualização

Interpolação
Como estimarum parâmetropara o qualnão
háinformaçãoespacialdisponível?

Interpolação
Solução1 –Usaro valor do ponto maispróximo

Interpolação
Solução2 –Usara médiade todososdados

Interpolação
Solução3 –Usara médiaponderadapela distância

Interpolação
A interpolaçãotransformadados pontuaisemcamposcontínuos
Temperatura média anual em Portugal
Estações metereológicasRasterIntepolado
Temperatura
(ºC)
8
10
12
14
16
18

Interpolação
Exato: o valor interpolado semprecoincide com o do ponto
Aproximado: osvaloresinterpoladosse aproximamaosdos pontos
InterpoladorExato InterpoladorAproximado

Interpolação
Temperatura
(ºC)
8
10
12
14
16
18
•Interpoladores graduais
Geram uma superfície contínua
•Interpoladores abruptos
Geram uma superfície discreta
Interpolador
gradual
Interpolador
abrupto

Interpolação
Locais: usadados apenasde N vizinhosmaispróximos
Globais: usadados de todos ospontos
BÉLA, M. 2010. Spatial Analysis4, Digital elevationmodeling. University of West Hungary Faculty of Geoinformatics. Em:
http://www.tankonyvtar.hu/en/tartalom/tamop425/0027_SAN4/index.html

Interpolação
•Triangulação: gerampolígonosoucurvasde nível
•Reticulação: geramum arquivoraster
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
•Determinísticos:um valor únicopara cadapixel no espaço
•Geoestatísticos:utilizadados de autocorrelação espacial
entre ospontose geradados quantoà
incertezade predição(desviopadrão)
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

Interpolação
Contínua
Com
barreiras

Interpolação
Métodosdiscretos
Polígonosde Thiessen,
Polígonosde Voronoi,
VizinhomaisPróximo,
AlocaçãoEuclideana
d/2
d/2

Interpolação
Métodosdiscretos
Muitoutilizadospara estatísticaszonais
Exemplo: precipitaçãoemumabaciahidrográfica

Interpolação
Triangulação
LANDIM, P. M. B. (2000).
Introdução aos métodos de
estimação espacial para
confecção de mapas.Rio
Claro: UNESP.

Interpolação
Triangulação
http://matplotlib.org/examples/pylab_examples/triinterp_demo.html

Interpolação
Polígonosde
Voronoie
Triangulaçãode
Deulanaysão
técnicas
complementares
nageometria

Interpolação
Triangulação
•A interpolaçãose limitaà áreaamostrada
•Osvaloresinterpoladosestarãosempreentre o
máximoe o mínimodos valoresamostrados
•Nemsempreproduzresultadossuaves
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas.Rio Claro: UNESP.

Interpolação
MédiasMóveis
MADDEN, M. 2009. Manual ofGeographicInformationSystems,American
Societyfor Photogrammetry, Bethesda, Maryland, USA

Interpolação
MédiasMóveis
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies.Em: Análise espacial de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
Teorde Argilana
FazendaChanchim

Interpolação
Valor Uniforme Kernel (linear)

Interpolação
VizinhoNatural
-Médiade N vizinhosmaispróximos
Vizinhonatural Médiasmóveis

Interpolação
Vizinhosnaturais
ALBRECHT, J. 2005. GeographicInformationScience. Em:
http://www.geography.hunter.cuny.edu/~jochen/GTECH361/lectures/lecture10 /
1º -Polígonosde Voronoi 2º -Com o novo ponto
Ponto a interpolar
3º -Cálculoponderado

Interpolação
Inversoda Distância
W
ijpeso da amostra jno ponto i da grade
k é o expoente da distância,
d
ijé o valor de distância da amostra j ao ponto i da grade
Exemplopara 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.

Interpolação
Efeitodo expoente:
-0: resultadoanálogoa vizinhosnaturaisoumédiasmóveis
-Baixos(0-2): destacamanomaliaslocais
-2: inversodo quadradoda distância, o mais usado
-Altos: (3-5): suavizamanomaliaslocais
-≥ 10: estimativaspoligonais(planas)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas.Rio Claro: UNESP.

Interpolação
Efeitodo expoente:
-0: resultadoanálogoa vizinhosnaturaisoumédiasmóveis
-Baixos(0-2): destacamanomaliaslocais
-2: inversodo quadradoda distância, o mais usado
-Altos: (3-5): suavizamanomaliaslocais
-≥ 10: estimativaspoligonais(planas)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas.Rio Claro: UNESP.

Interpolação
Brusilovskiy, E. 2009. Spatial Interpolation : a briefintroduction. Business Intelligence Solutions.
Em: http://www.bisolutions.us/A-Brief-Introduction-to-Spatial-Interpolation.php

Interpolação
Diferentesexpoentespara a ponderação de inversoda distância
https://commons.wikimedia.org/wiki/File:Shepard_interpolation_2.png

Interpolação
Expoentemaisadequadopodesercalibradoporvalidaçãocruzada
(Geostatistical Analyst Toolbox –ArcGis)
Etapasda ValidaçãoCruzada:
1.Retira1 dos pontos
2.Usaosdemaispontospara estimaro valor no local do ponto retirado
3.Comparacom o valor do pontoretirado
4.Repetepara todosospontose todos
oscoeficientes
5.O coeficienteque produziro menor
errogeralé 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

Interpolação
Inversoda Distância
Características:
•Destacaanomaliaslocais-> geraefeitomira(olhode
búfalo)
oDeve-se justificarse o fenômeno modeladopossuiesseefeito
(exemplo: pontosde contaminação)
•Valoressempreentre o máximoe o mínimodas
amostras
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas.Rio Claro: UNESP.

Interpolação
Vizinhomaispróximo Médiasmóveis
Inversodo Quadrado
da Distância
Teorde argilanossolos
da FazendaChanchim
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies.Em: Análise espacial de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.

Interpolação
Polinômios–Superfíciesde tendência
1ª Ordem: Z = a + bX + cY
2ª Ordem:Z = a + bX + cY+ dXY+ eX
2
+ fY
2
3ª Ordem:Z= a + bX+ cY+ dXY+ eX
2
+ fY
2
+gXY
2
+hX
2
Y+iX
3
+jY
3
Onde:
Z é o valor estimadonacélula
X e Y sãoas coordenadasgeográficas
a…j sãooscoeficientesque melhor
se ajustamaosdados
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

Interpolação
Polinômios–Superfíciesde tendência
•Podeserestimadopara alémda áreaamostrada
oQuantomaislongeda áreaamostrada, menora confiabilidade
•Estimavaloresacimae abaixodo conjuntoamostrado
•Valoresnãocoincidemexatamentecom ospontos
amostrados
oPode-se gravaro resíduosnospontosamostrados
Osresíduospodemserinterpoladosporoutro métodoe somadosà
superfíciede tendência
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas.Rio Claro: UNESP.

Interpolação
Spline
Agrupasuperfíciespor
polinômiosajustadospara
diversosgruposvizinhosde
pontos
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/How_
radial_basis_functions_work/00310000002p000000/

Interpolação
Spline
Imagine umacapade borracha(elástica) sendocolocada
sobreospontosamostrados
•Pode-se ajustarum coeficientede “elasticidade”
•Pode-se calibraressecoeficienteporvalidaçãocruzada
Regularized Spline and Radial Basis Function
DEMPSEY,C. 2013. Statistical surfaces in GIS.
Em:
https://www.gislounge.com/statistical-surfaces- in-gis/

Interpolação
Spline
•Interpoladorexato
•Gera valoresacimaouabaixodos amostrados(topose vales)
•Curvassuaves
oNãoadequadopara dados com variaçõesbruscas
DEMPSEY,C. 2013. Statistical surfaces in GIS.
Em: https://www.gislounge.com/statistical-surfaces- in-gis/

Usar mapa de Kernelou 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

QGIS -Interpolaçãode Dados
•Abriro QGIS Desktop com GRASS
•InstalarComplementode Interpolação
•Abrircamadas: pluviometricas_sbc_utm.shpe sbc_setores_2010_pop.shp

Interpolaçãode Dados
•Processar-> Caixade Ferramentas
•GeoalgoritmosQGIS -> Ferramentasde GeometriaVetorial-> Polígonosde Voronoi

Interpolaçãode Dados

Interpolaçãode Dados

Interpolaçãode Dados
Raster-> Interpolação
◦Métodode interpolação-> TIN
◦Definirpelaextensãoatual

Interpolaçãode Dados

Interpolaçãode Dados
•Abrao arquivo“pluviometricas_tin_shp”
•Clique com o botãodireitonacamadae selecione“Propriedades”
•Selecioneo Sistema de Referência
“SIRGAS 2000_UTM 23S”

Interpolaçãode Dados

•Processar-> Caixade Ferramentas
•GeoalgoritmosQGIS -> Saga ->
Raster Creation Tools -> Natural Neighbour
•Use camada/ extensãoda tela
•Escrevaa pasta e localizaçãodo raster (tif)

Interpolaçãode Dados

Interpolaçãode Dados
Raster-> Interpolação
◦Métodode Interpolação= Peso peloinversoda distância(IDW)
◦CoeficienteP = 4
◦Definirpelaextensãoatual

Interpolaçãode Dados

Interpolaçãode Dados
Façaa interpolaçãode inversoda distânciacom ospesos
1, 2 e 10
Compare osresultados
K=4
K=2K=1 K = 10

Práticade Interpolação
Superfíciesde TendênciaporRegressãoPolinomial
•Menu Processar-> Caixade Ferramentas
•SAGA -> Geostatistics-> Polynomial Regression

Práticade
Interpolação
•“Points” ->
“Pluviométricas_sbc_utm”
•“Attribute” -> “Isoietas_P”
•“Polynom” ->
“Simple planar surface”
•“Output extent” - >
“Use camada/
extensãoda tela”
•Escolhaum nomee pasta para
osarquivosde resíduose para
o raster (Grid) a sergerado
Z = a + bX + cY

Práticade Interpolação
•Clique com o botãodireitosobre
a camadade pontosde resíduos,
e mandeexibira tabelade
atributos

Práticade
Interpolação
•“Points” ->
“Pluviométricas_sbc_utm”
•“Attribute” -> “Isoietas_P”
•“Polynom” ->
“Quadratic surface”
•“Output extent” - >
“Use camada/
extensãoda tela”
•Escolhaum nomee pasta para
osarquivosde resíduose para
o raster (Grid) a sergerado
Z = a + bX+ cY+ dXY+ eX
2
+ fY
2

Práticade Interpolação
•Dêdoiscliques
sobrea camada
raster de tendência
quadráticae
escolhaa aba
“Estilo
•“Tipode
Renderização” ->
“Banda Simples
Falsa Cor”
•5 Classes
•“Classificar”,
“Aplicar’, e “OK”

Práticade Interpolação

Interpolaçãode Dados
Interpolação“Spline
Processar-> Caixade Ferramentas-> ComandosGRASS GIS 7-> Vector->
v.surf.rst

Interpolaçãode Dados

ExtraçãoZonal de Atributos
•InstalarcomplementoEstatísticaporZona
•Raster-> EstatísticaporZonas
•Escolhao raster do Spline e o shapefile “sbc_setores_2010.shp”

Práticade Interpolação
•Dêdoiscliques
sobrea camada
spline e escolhaa
aba “Estilo
•“Tipode
Renderização” ->
“Banda Simples
Falsa Cor”
•5 Classes
•“Classificar”,
“Aplicar’, e “OK”

Práticade Interpolação

•Exibir -> Decorações - > Grade
Práticade Interpolação

Seta de Norte
Escala

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

Práticade Interpolação

•Complementos -> Gerenciar e Instalar Complementos
•Instalar e ativar o complemento QGis2threejs
Prática–Mapade Proximidade

•Menu “WEB” – QGis2threejs -> QGis2threejs
•Selecione o raster splinecomo “DEM Layer”
Prática–Mapade Proximidade

•World -> Vertical exaggeration= 10
Prática–Mapade Proximidade

Prática–Mapade Proximidade

Pensandotudojunto
GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014.
Em: https://mgimond.github.io/Spatial/

Análisede eventospontuais
•Exercício individual
•Selecioneum temaà suaescolhae analiseas variáveiscom a
técnicasde kernel, proximidadeouinterpolação
•Utilize o QGis , TerraView, ArcGis e/ououtros programas
•Façaum relatóriotextual de no mínimo 1 página, de acordo
com o modelo de trabalhoe atividadesexplicadonaprimeira
aula
•Entregaaté17 de novembro (Sexta-Feira)
Exercícios

Modelode Atividades
Introdução
◦Apresentaçãodo problemade pesquisa
◦Objetivos
Metodologia
◦Áreade estudo
◦Variáveisestudadas
◦Técnicasutilizadas
◦Produtosgerados
Discussão
◦Interpretaçãodo padrãoespacial
Conclusões
Referências
Resultados: Mapase outabelas