O documento discute análise de agrupamentos, um método estatístico para classificar observações em grupos homogêneos com base em suas similaridades. Aborda medidas de similaridade, métodos de agrupamento como hierárquico e k-médias, e práticas no SPSS e QGIS para visualizar os resultados espacialmente.
Aula da disciplina de Cartografia e Geoprocessamento, UFABC, São Bernardo do Campo, 8 de março de 2017
Apresentação disponível em: https://youtu.be/emFr1xBgWaU
Este documento apresenta uma introdução ao uso de dados de sensoriamento remoto no ambiente R para estudos ambientais. Ele descreve fontes de imagens de satélite como Landsat e MODIS, técnicas de manipulação e visualização de imagens, índices espectrais e classificação espectral. Além disso, fornece links para tutoriais e materiais de apoio.
Representação de dados espaciais
Dados espaciais como modelos
Dependência espacial
Inferência espacial
Estruturação de bases de dados espaciais
Prática no QGIS
Portais de dados espaciais
Gravação de aula disponível em: https://youtu.be/5ac-zciebgE
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Vitor Vieira Vasconcelos
O documento apresenta uma introdução ao uso do software QGIS para análises multicritérios espaciais. Inclui preparação de dados espaciais e atributos, análise exploratória de dados, estatísticas descritivas, distribuições de frequência, estatísticas por categorias e correlação entre variáveis para inferência estatístico-espacial.
Aula de Métodos e Técnicas de Análise da Informação para o Planejamento, UFABC, 8 de agosto de 2017
Gravação de aula disponível em: https://youtu.be/8AHJ8PfUg30
Bases de dados disponívem em: https://app.box.com/s/usbad42g9op1coew9n6fw17lqlq5b3t1
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Abril de 2019, Universidade Federal do ABC, Santo André - SP.
Base de dados disponível em: https://app.box.com/s/kqwpbxgvagtl9ygsodaat380nqjn1mp2
Gravação de aula disponível em: https://youtu.be/te1VN9iVFcM
Este documento apresenta uma introdução ao uso de dados espaciais no programa R, abordando tópicos como formatos de dados espaciais, conversão entre formatos, reprojetação de sistemas de coordenadas, junção de dados tabulares e espaciais, visualização de dados espaciais e exportação de mapas. O documento também fornece referências bibliográficas e tutoriais online sobre análise espacial em R.
Este documento discute a análise de regressão espacial. A regressão é uma técnica estatística que analisa a relação entre variáveis, onde uma variável resposta pode ser explicada por outras variáveis preditoras. Quando se trabalha com dados espaciais, é importante verificar se há dependência espacial entre as observações, pois isso pode violar pressupostos dos modelos de regressão tradicionais. Existem várias abordagens para incorporar efeitos espaciais nos modelos de regressão, como modelos globais com parâmetros espaciais ou modelos
Aula da disciplina de Cartografia e Geoprocessamento, UFABC, São Bernardo do Campo, 8 de março de 2017
Apresentação disponível em: https://youtu.be/emFr1xBgWaU
Este documento apresenta uma introdução ao uso de dados de sensoriamento remoto no ambiente R para estudos ambientais. Ele descreve fontes de imagens de satélite como Landsat e MODIS, técnicas de manipulação e visualização de imagens, índices espectrais e classificação espectral. Além disso, fornece links para tutoriais e materiais de apoio.
Representação de dados espaciais
Dados espaciais como modelos
Dependência espacial
Inferência espacial
Estruturação de bases de dados espaciais
Prática no QGIS
Portais de dados espaciais
Gravação de aula disponível em: https://youtu.be/5ac-zciebgE
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Vitor Vieira Vasconcelos
O documento apresenta uma introdução ao uso do software QGIS para análises multicritérios espaciais. Inclui preparação de dados espaciais e atributos, análise exploratória de dados, estatísticas descritivas, distribuições de frequência, estatísticas por categorias e correlação entre variáveis para inferência estatístico-espacial.
Aula de Métodos e Técnicas de Análise da Informação para o Planejamento, UFABC, 8 de agosto de 2017
Gravação de aula disponível em: https://youtu.be/8AHJ8PfUg30
Bases de dados disponívem em: https://app.box.com/s/usbad42g9op1coew9n6fw17lqlq5b3t1
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Abril de 2019, Universidade Federal do ABC, Santo André - SP.
Base de dados disponível em: https://app.box.com/s/kqwpbxgvagtl9ygsodaat380nqjn1mp2
Gravação de aula disponível em: https://youtu.be/te1VN9iVFcM
Este documento apresenta uma introdução ao uso de dados espaciais no programa R, abordando tópicos como formatos de dados espaciais, conversão entre formatos, reprojetação de sistemas de coordenadas, junção de dados tabulares e espaciais, visualização de dados espaciais e exportação de mapas. O documento também fornece referências bibliográficas e tutoriais online sobre análise espacial em R.
Este documento discute a análise de regressão espacial. A regressão é uma técnica estatística que analisa a relação entre variáveis, onde uma variável resposta pode ser explicada por outras variáveis preditoras. Quando se trabalha com dados espaciais, é importante verificar se há dependência espacial entre as observações, pois isso pode violar pressupostos dos modelos de regressão tradicionais. Existem várias abordagens para incorporar efeitos espaciais nos modelos de regressão, como modelos globais com parâmetros espaciais ou modelos
Este documento descreve a prática de regressão espacial no software GeoDa e GWR. Inicialmente, é realizada uma regressão clássica no GeoDa para identificar problemas de autocorrelação espacial. Em seguida, são estimados modelos de regressão espacial ("Spatial Error" e "Spatial Lag") para lidar com essa autocorrelação. Por fim, é estimado um modelo de regressão geograficamente ponderada (GWR) no software GWR para capturar a heterogeneidade espacial.
Aula de Informática Aplicada ao Planejamento Territorial - IPT, UFABC, 4 de novembro de 2016.
Apresentação disponível em: https://youtu.be/-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
Aula 01 noções de cartografia e geoprocessamento42549299272
Este documento fornece uma introdução aos conceitos de cartografia e geoprocessamento. Em três frases ou menos, resume:
O documento discute os conceitos básicos de geoprocessamento, SIGs e cartografia, incluindo projeções, sistemas de coordenadas e representações espaciais. É apresentado o software ArcGIS e discutida a importância do geoprocessamento para recursos hídricos.
Este documento apresenta uma aula sobre análise de pontos no ambiente R. Ele discute medidas centrográficas como centro médio e distância padrão, e mostra como calculá-las e visualizá-las usando pacotes como aspace e spatstat. Também fornece referências sobre livros e tutoriais online para aprendizado adicional sobre análise espacial de dados.
O documento descreve os principais conceitos e métodos da bioestatística, incluindo estatística descritiva para resumir dados, inferência estatística para generalizar resultados amostrais, e planejamento de pesquisas para coleta e análise de dados. É apresentado como uma matéria fundamental para realizar trabalhos de conclusão que envolvam coleta e análise de dados.
1) O documento discute modelagem variográfica e geoestatística, que quantifica a autocorrelação espacial entre pontos de amostragem e como isso pode ser usado para estimar valores em pontos não amostrados.
2) A geoestatística se baseia na hipótese de que pontos mais próximos estão mais relacionados do que pontos distantes, e o variograma descreve matematicamente essa relação entre variância e distância.
3) A krigagem usa a autocorrelação espacial representada no variograma para estim
Aula da disciplina de Cartografia e Geoprocessamento Aplicada ao Planejamento Territorial, UFABC, março de 2017.
Gravação da aula disponível em: https://youtu.be/2kuHpSv6mmM
O documento discute sistemas de coordenadas geodésicas e o Sistema Geodésico Brasileiro. Apresenta os principais sistemas de referência adotados no Brasil, como Córrego Alegre, Astro Chuá, SAD-69 e SIRGAS 2000, e explica que o SGB é composto por redes altimétricas, gravimétricas e planimétricas. Também aborda o conceito de DATUM e origem do DATUM Altimétrico.
Este documento apresenta um material didático sobre estatística experimental para medicina veterinária. Ele contém 12 aulas sobre diferentes tópicos estatísticos como estatística descritiva, testes de significância, delineamentos experimentais e análise de dados. Após cada aula, há exercícios práticos relacionados ao tema para que os alunos possam aplicar os conceitos aprendidos.
Aula da disciplina de Epidemiologia de Doenças Transmissíveis, Universidade Federal do Maranhão, novembro de 2020.
Gravação de aula disponível em: https://youtu.be/luaLQzok59U
Disciplina de Dados Espaciais para Estudos Ambientais, UFABC, Santo André, fevereiro de 2019.
Dados de aula disponíveis em: https://app.box.com/s/05wzmkktgy73ps23h8j9su14e5pm8fy7
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Jullho de 2017
Apresentação disponível em: https://youtu.be/Lo7wr_tqiK4
Bases de dados disponíveis em: https://app.box.com/s/2p9mw751ld2u9rz0ueglf49p1v94e8pv
Este documento apresenta informações sobre interpolação e geoestatística no QGIS para análise multicriterial. Ele introduz o professor Vitor Vasconcelos e seus contatos, apresenta os objetivos e conteúdos da aula sobre interpolação, incluindo métodos como triangulação, vizinho natural, inverso da distância e regressão polinomial.
1) O documento introduz o uso de dados espaciais no R para estudos ambientais, apresentando os principais formatos, conversões e visualizações de dados espaciais no R.
2) É ensinado como importar, projetar e visualizar dados espaciais vetoriais e de malha no R, utilizando pacotes como sf, rgdal e raster.
3) Também é mostrado como relacionar dados espaciais com tabelas de atributos usando juntas no pacote dplyr.
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Vitor Vieira Vasconcelos
O documento discute técnicas de análise espacial de eventos pontuais, incluindo cálculo de centro médio e distância padrão, análise de padrões de agregação, funções K de Ripley e análise de lacunaridade. Vários exemplos e aplicações são apresentados para ilustrar como essas técnicas podem ser usadas para entender a distribuição espacial de fenômenos.
QGIS 2.4: Sistemas de Referência de Coordenadas (SRC)Jorge Santos
Este documento discute sistemas de referência de coordenadas (SRC) no QGIS 2.4, incluindo sistemas de coordenadas geográficas e planas, modelos da Terra, e códigos EPSG utilizados no Brasil. O documento explica como trabalhar com projeções no QGIS e resolver problemas relacionados a falta de referência espacial.
1) A amostragem e coleta de solo é importante para avaliar a fertilidade do solo e determinar a melhor forma de adubar, evitando gastos desnecessários.
2) As amostras devem ser coletadas antes do plantio em diferentes áreas do terreno, de forma a representar adequadamente a variabilidade do solo.
3) Após a coleta, as amostras devem ser identificadas e enviadas rapidamente para análise no laboratório.
Aula da disciplina de Métodos e Técnicas de Análise da Informação para o Planejamento, Universidade Federal do ABC (UFABC), São Bernardo do Campo - SP, agosto de 2019
Gravação de aula disponível em: https://youtu.be/x7vZc-juuVY
Bases de dados disponíveis em: https://app.box.com/s/04py9qq5e2yumx6f2ivx5dpkddeotn0w
Este documento resume os principais pontos da análise de clusters. Apresenta os conceitos-chave da análise de clusters como a agrupação de objetos similares em clusters e a medição da distância entre objetos. Detalha as etapas como selecionar variáveis, escolher uma medida de distância e algoritmos de agregação. Demonstra como obter análises de clusters no SPSS, incluindo resultados como dendogramas e centróides.
Este documento descreve a prática de regressão espacial no software GeoDa e GWR. Inicialmente, é realizada uma regressão clássica no GeoDa para identificar problemas de autocorrelação espacial. Em seguida, são estimados modelos de regressão espacial ("Spatial Error" e "Spatial Lag") para lidar com essa autocorrelação. Por fim, é estimado um modelo de regressão geograficamente ponderada (GWR) no software GWR para capturar a heterogeneidade espacial.
Aula de Informática Aplicada ao Planejamento Territorial - IPT, UFABC, 4 de novembro de 2016.
Apresentação disponível em: https://youtu.be/-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
Aula 01 noções de cartografia e geoprocessamento42549299272
Este documento fornece uma introdução aos conceitos de cartografia e geoprocessamento. Em três frases ou menos, resume:
O documento discute os conceitos básicos de geoprocessamento, SIGs e cartografia, incluindo projeções, sistemas de coordenadas e representações espaciais. É apresentado o software ArcGIS e discutida a importância do geoprocessamento para recursos hídricos.
Este documento apresenta uma aula sobre análise de pontos no ambiente R. Ele discute medidas centrográficas como centro médio e distância padrão, e mostra como calculá-las e visualizá-las usando pacotes como aspace e spatstat. Também fornece referências sobre livros e tutoriais online para aprendizado adicional sobre análise espacial de dados.
O documento descreve os principais conceitos e métodos da bioestatística, incluindo estatística descritiva para resumir dados, inferência estatística para generalizar resultados amostrais, e planejamento de pesquisas para coleta e análise de dados. É apresentado como uma matéria fundamental para realizar trabalhos de conclusão que envolvam coleta e análise de dados.
1) O documento discute modelagem variográfica e geoestatística, que quantifica a autocorrelação espacial entre pontos de amostragem e como isso pode ser usado para estimar valores em pontos não amostrados.
2) A geoestatística se baseia na hipótese de que pontos mais próximos estão mais relacionados do que pontos distantes, e o variograma descreve matematicamente essa relação entre variância e distância.
3) A krigagem usa a autocorrelação espacial representada no variograma para estim
Aula da disciplina de Cartografia e Geoprocessamento Aplicada ao Planejamento Territorial, UFABC, março de 2017.
Gravação da aula disponível em: https://youtu.be/2kuHpSv6mmM
O documento discute sistemas de coordenadas geodésicas e o Sistema Geodésico Brasileiro. Apresenta os principais sistemas de referência adotados no Brasil, como Córrego Alegre, Astro Chuá, SAD-69 e SIRGAS 2000, e explica que o SGB é composto por redes altimétricas, gravimétricas e planimétricas. Também aborda o conceito de DATUM e origem do DATUM Altimétrico.
Este documento apresenta um material didático sobre estatística experimental para medicina veterinária. Ele contém 12 aulas sobre diferentes tópicos estatísticos como estatística descritiva, testes de significância, delineamentos experimentais e análise de dados. Após cada aula, há exercícios práticos relacionados ao tema para que os alunos possam aplicar os conceitos aprendidos.
Aula da disciplina de Epidemiologia de Doenças Transmissíveis, Universidade Federal do Maranhão, novembro de 2020.
Gravação de aula disponível em: https://youtu.be/luaLQzok59U
Disciplina de Dados Espaciais para Estudos Ambientais, UFABC, Santo André, fevereiro de 2019.
Dados de aula disponíveis em: https://app.box.com/s/05wzmkktgy73ps23h8j9su14e5pm8fy7
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Jullho de 2017
Apresentação disponível em: https://youtu.be/Lo7wr_tqiK4
Bases de dados disponíveis em: https://app.box.com/s/2p9mw751ld2u9rz0ueglf49p1v94e8pv
Este documento apresenta informações sobre interpolação e geoestatística no QGIS para análise multicriterial. Ele introduz o professor Vitor Vasconcelos e seus contatos, apresenta os objetivos e conteúdos da aula sobre interpolação, incluindo métodos como triangulação, vizinho natural, inverso da distância e regressão polinomial.
1) O documento introduz o uso de dados espaciais no R para estudos ambientais, apresentando os principais formatos, conversões e visualizações de dados espaciais no R.
2) É ensinado como importar, projetar e visualizar dados espaciais vetoriais e de malha no R, utilizando pacotes como sf, rgdal e raster.
3) Também é mostrado como relacionar dados espaciais com tabelas de atributos usando juntas no pacote dplyr.
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Vitor Vieira Vasconcelos
O documento discute técnicas de análise espacial de eventos pontuais, incluindo cálculo de centro médio e distância padrão, análise de padrões de agregação, funções K de Ripley e análise de lacunaridade. Vários exemplos e aplicações são apresentados para ilustrar como essas técnicas podem ser usadas para entender a distribuição espacial de fenômenos.
QGIS 2.4: Sistemas de Referência de Coordenadas (SRC)Jorge Santos
Este documento discute sistemas de referência de coordenadas (SRC) no QGIS 2.4, incluindo sistemas de coordenadas geográficas e planas, modelos da Terra, e códigos EPSG utilizados no Brasil. O documento explica como trabalhar com projeções no QGIS e resolver problemas relacionados a falta de referência espacial.
1) A amostragem e coleta de solo é importante para avaliar a fertilidade do solo e determinar a melhor forma de adubar, evitando gastos desnecessários.
2) As amostras devem ser coletadas antes do plantio em diferentes áreas do terreno, de forma a representar adequadamente a variabilidade do solo.
3) Após a coleta, as amostras devem ser identificadas e enviadas rapidamente para análise no laboratório.
Aula da disciplina de Métodos e Técnicas de Análise da Informação para o Planejamento, Universidade Federal do ABC (UFABC), São Bernardo do Campo - SP, agosto de 2019
Gravação de aula disponível em: https://youtu.be/x7vZc-juuVY
Bases de dados disponíveis em: https://app.box.com/s/04py9qq5e2yumx6f2ivx5dpkddeotn0w
Este documento resume os principais pontos da análise de clusters. Apresenta os conceitos-chave da análise de clusters como a agrupação de objetos similares em clusters e a medição da distância entre objetos. Detalha as etapas como selecionar variáveis, escolher uma medida de distância e algoritmos de agregação. Demonstra como obter análises de clusters no SPSS, incluindo resultados como dendogramas e centróides.
O documento descreve a aplicação do método de classificação k-Nearest Neighbors na base de dados Iris, introduzindo os conceitos-chave do método e apresentando resultados da classificação das flores Iris usando quatro atributos morfológicos.
Análise de Clusters - White Paper ELOGroupEloGroup
O documento discute a análise de clusters, um método estatístico multivariado que agrupa objetos de acordo com suas similaridades. O método possui etapas como definição de objetivos, seleção e processamento de dados, transformação, interpretação e validação dos resultados. A análise de clusters é útil para redução de dados e geração de hipóteses sobre padrões nos dados.
O documento discute análise de clusters, incluindo:
1) Medidas de similaridade e dissimilaridade como distância euclidiana e correlação que podem ser usadas para agrupar objetos em clusters;
2) Métodos hierárquicos como aglomerativo e divisivo que formam clusters de maneira progressiva;
3) Critérios como vizinho mais próximo e mais distante para determinar quais objetos são agrupados em cada etapa.
O documento apresenta uma introdução ao clustering em 4 passos: 1) escolha dos objetos e atributos, 2) padronização dos dados, 3) cálculo da similaridade e clusterização e 4) validação dos clusters formados. O clustering é uma técnica estatística para identificar agrupamentos de dados de acordo com seu grau de semelhança.
O documento discute a análise de resultados de estudos de card sorting. A análise de cluster é uma técnica estatística para agrupar itens com base na frequência com que os participantes os colocam juntos. Embora ferramentas online facilitem a coleta de dados, a interpretação envolve julgamento do pesquisador. Dados inválidos devem ser excluídos antes da análise.
O documento apresenta uma introdução ao algoritmo de agrupamento K-means, descrevendo seus principais passos: (1) seleção aleatória inicial dos centroides, (2) atribuição dos pontos aos centroides mais próximos, (3) recalculo dos centroides. O exemplo ilustra estas etapas com um conjunto de pontos, convergindo os centroides após várias iterações.
O documento discute técnicas de agrupamento de sequências biológicas, incluindo K-Means, K-Means++, método do cotovelo e um algoritmo híbrido. Ele também apresenta um projeto open-source para agrupar sequências usando essas técnicas e mede a acurácia em diferentes conjuntos de dados.
O documento discute o método de agrupamento K-means. Ele explica as iterações do K-means, como escolher o número de grupos K e critérios para avaliar a qualidade de um agrupamento, como pureza.
Este documento apresenta uma dissertação de mestrado sobre clusterização baseada em algoritmos fuzzy. O trabalho propõe duas novas distâncias adaptativas para o algoritmo fuzzy c-means e avalia seu desempenho em comparação com outras abordagens. Os resultados experimentais indicam que as novas versões do algoritmo fuzzy c-means com distâncias adaptativas geralmente apresentam melhor desempenho do que métodos similares disponíveis na literatura.
Clusterização é uma técnica de agrupamento não supervisionado que explora semelhanças entre padrões para agrupá-los em categorias. Existem algoritmos hierárquicos e iterativos para realizar a clusterização. K-means é um algoritmo de clusterização que minimiza a distância entre os dados e os centros dos clusters.
Clusterização é uma técnica de agrupamento não supervisionado que explora semelhanças entre padrões para agrupá-los em categorias. Existem algoritmos hierárquicos e iterativos para realizar a clusterização. K-means é um algoritmo de clusterização que minimiza a distância entre os dados e os centros dos clusters.
Clusterização é uma técnica de agrupamento não supervisionado que explora semelhanças entre padrões para agrupá-los em categorias. Existem algoritmos hierárquicos e iterativos para realizar a clusterização. K-means é um algoritmo de clusterização que minimiza a distância entre os dados e os centros dos clusters.
One of the biggest dilemmas faced by decision-making systems is to determine an efficient means to produce classifiers from data base regarding the processing time and the form of simple symbolic representation understandable that facilitates the analysis of the problem in question. In this brief report we will discuss a very popular tool in knowledge discovery in databases process and thus aid in making decisions: the Decision Trees.
Análise multivariada aplicada à pesquisaCarlos Moura
O documento apresenta um índice detalhado sobre análise multivariada, incluindo conceitos básicos, estatísticas descritivas, distância, álgebra matricial, matriz de dados, análise de estrutura de covariância, discriminação e classificação, agrupamento, distribuição normal multivariada e comparação de vetores médios. O documento fornece uma introdução abrangente aos principais tópicos e métodos da análise multivariada.
1) O documento descreve vários métodos de aprendizagem automática, incluindo aprendizagem supervisionada como K-NN, árvores de decisão e aprendizagem não supervisionada como aprendizagem competitiva e mapas topológicos.
2) Nos métodos de aprendizagem supervisionada, ID3 usa entropia e ganho de informação para construir árvores de decisão, enquanto K-NN atribui novas instâncias à classe dos vizinhos mais próximos.
3) Nos métodos não supervisionados, a aprendizagem
1) O documento descreve vários métodos de análise de agrupamentos usados para classificar dados em grupos distintos com base em similaridades.
2) Os principais métodos discutidos incluem agrupamentos hierárquicos, métodos de partição, métodos com origem arbitrária e métodos por similaridade mútua.
3) Diferentes coeficientes de similaridade e distância podem ser usados para medir a proximidade entre dados, com o objetivo de agrupá-los de forma significativa.
Classificação de imagens não supervisionada - KMEANS e ISODATAAndré Andrade
O documento descreve técnicas de classificação não supervisionada de imagens, incluindo os métodos Isodata e K-Means. A classificação agrupa pixels com características espectrais semelhantes em "clusters" ou classes. Estes métodos agrupam pixels de forma estatística sem necessidade de dados de treinamento, o que fornece uma visão exploratória das classes presentes na imagem.
O documento discute os principais conceitos e técnicas estatísticas, incluindo estatística descritiva, amostragem, distribuição de frequência, medidas de tendência central e dispersão, probabilidade, distribuições de probabilidade e correlação. É dividido em 12 seções que cobrem esses tópicos, com cada seção incluindo exemplos ilustrativos e exercícios.
Similaire à Análise de Agrupamentos e Regionalização (20)
Relationships among socioeconomic affluence, yard management, and biodiversityVitor Vieira Vasconcelos
1) The study examined the relationships between socioeconomic factors, yard management practices, and biodiversity in residential yards in Gainesville, Florida.
2) A survey of 102 homeowners found that higher socioeconomic affluence (e.g. larger house size, value, land area) increased natural resource consumption like water and fertilizer use in yards.
3) However, yard biodiversity did not clearly increase with socioeconomic affluence and seemed more related to yard maintenance styles and cultural preferences. Professional yard maintenance was linked to lower reported plant diversity in back yards.
4) Spatial patterns in neighborhoods partially overlapped with socioeconomic patterns and influenced yard biodiversity and management.
O documento apresenta o jogo Fishbanks, uma simulação de gerenciamento de pesca. O jogo coloca os participantes no papel de empresas pesqueiras que competem entre si explorando três áreas de pesca (porto, águas costeiras e profundas) sujeitas a variações nas populações de peixes e capturas. O objetivo é maximizar o patrimônio líquido no fim do jogo por meio de estratégias de aquisição de barcos, alocação entre áreas e gestão dos custos e receitas da pesca.
Este documento discute regimes de apropriação de recursos naturais e bens de uso comum no Brasil. Ele explica que regimes de propriedade refletem as relações humanas com a natureza e podem ser sustentáveis ou não. O documento também descreve casos relevantes de bens de uso comum no Brasil, incluindo pesca, unidades de conservação, terras devolutas e terras indígenas.
O documento discute recursos comuns e a tragédia dos comuns. Apresenta o conceito de recursos comuns como aqueles que pertencem a todos os usuários e são de difícil controle de acesso. Explica a "tragédia dos comuns" como a situação em que o interesse individual de cada usuário leva ao esgotamento do recurso comum, contrariando o interesse coletivo de longo prazo. Discute estratégias como propriedade privada, regulação coletiva e valoração econômica para evitar esse problema.
Este documento discute as interações entre sistemas naturais e sociais por meio da ecologia humana, do conceito de capital natural e da modelagem de sistemas. Apresenta diferentes abordagens como a escola de ecologia humana de Chicago e a economia ecológica, além de tipos de capital como natural, humano e social. Explora também a modelagem sistêmica de relações ecológicas e o uso sustentável de recursos comuns.
Disciplina da Planejamento e Política Ambiental. Universidade Federal do ABC - UFABC, setembro de 2020.
Gravação de aula disponível em: https://youtu.be/KZOpbdhA-6A
Disciplina de Planejamento e Política Ambiental. Universidade Federal do ABC - UFABC. Setembro de 2020.
Gravação de aula disponível em: https://youtu.be/zFWhgfCITFI
Este documento apresenta as bases teóricas e conceituais do planejamento e política ambiental. Aborda a história destas áreas desde a Grécia Antiga, conceitos como ecologia, ecossistema e teoria dos sistemas, e marcos do pensamento ambiental como a Conferência de Estocolmo. Também define os conceitos de política, gestão, planejamento e gerenciamento ambiental e discute onde ocorre o planejamento ambiental.
O documento discute conceitos e abordagens de planejamento territorial, apresentando: 1) Os objetivos e escalas de atuação do planejamento territorial, como definir onde investir recursos de forma a reduzir desigualdades; 2) Os diferentes métodos e ferramentas de planejamento, como zoneamento ambiental e planos diretores; 3) A importância da participação social no processo de planejamento.
Este documento discute mapeamento participativo e coremática. Resume conceitos como cartografia social, mapeamento colaborativo e insurgente. Explica como coremática usa formas geométricas para interpretar qualitativamente territórios. Descreve como coremática pode ser usada em mapeamentos participativos para expressar dinâmicas espaciais. Finalmente, relata uma atividade prática de mapeamento colaborativo online usando ferramentas digitais.
O documento discute cartografia social e mapeamento participativo, comparando cartografias oficiais e sociais em diferentes casos como planejamento de ocupação do solo, manejo de recursos naturais, disputas territoriais e formação de identidades. Apresenta exemplos de mapeamentos colaborativos em favelas e assentamentos e cartografias insurgentes que contestam grupos dominantes.
Aula da disciplina de Território e Sociedade, Universidade Federal do ABC - UFABC, São Bernardo do Campo - SP, maio de 2020.
Gravação de aula disponível em: https://youtu.be/LXI3hpxYYIw
O documento discute os conflitos fundiários no Brasil, abordando tópicos como a geração de escassez artificial de terras, os conceitos de direito de propriedade, a reforma agrária e os movimentos de habitação urbana e rural. Apropriação indevida de terras, grilagem e falta de cumprimento da função social da propriedade são apontados como causas de conflitos que envolvem movimentos sociais como o MST e o MTST.
Este documento discute conflitos territoriais no Brasil, abordando conceitos como transterritorialidade, territórios de exceção e ondas de difusão espacial. Apresenta exemplos de disputas por território entre facções criminosas no Rio de Janeiro e analisa como grandes eventos esportivos impactaram a ocupação do solo urbano. Explora também relações territoriais de povos indígenas e a evolução da economia e do uso da terra ao longo da história brasileira.
Este documento descreve a história da Chácara da Baronesa, localizada entre Santo André e São Bernardo do Campo. A área foi originalmente um haras no século XX, mas passou por diferentes usos desde então, incluindo um conjunto habitacional planejado. Atualmente, a área é um parque estadual, porém existem conflitos sobre ocupações irregulares e questões ambientais. O documento analisa as relações de poder sobre este território ao longo do tempo.
O documento discute os conceitos de território, povo, nação, soberania e nacionalismo. Aborda exemplos como a situação de Puerto Rico, os povos curdos e palestinos, e os conflitos étnicos na África. Argumenta que as abordagens de governo baseadas em redes, ao invés de fronteiras, podem promover mais cooperação entre cidades no futuro.
O documento discute padrões de segregação e interação territorial em três dimensões: 1) Segregação territorial em diferentes escalas espaciais como bairros, cidades e estados; 2) Desenvolvimento desigual e combinado no capitalismo gerando assimetrias regionais; 3) Expansão urbana e processos de segregação e gentrificação nas cidades.
Aula da disciplina de Território e Sociedade, Universidade Federal do ABC (UFABC), São Bernardo do Campo, março de 2020.
Gravação de aula disponível em: https://youtu.be/T-ZMro0pOW0
Aula da disciplina de Uso de dados espaciais em estudos ambientais, Universidade Federal do ABC (UFABC), março de 2020.
Gravação de aula disponível em: https://youtu.be/ap7IcO2Icgs
Base de dados disponíveis em: https://app.box.com/s/qf2hsg4b2uontvrawbk3el4fg9cxjufg
1) O documento discute conceitos relacionados a território, sociedade, ambiente e representações de espaço.
2) Aborda a relação entre seres humanos e ambiente, assim como conceitos de paisagem, lugar, região e não-lugar.
3) Discutem-se representações e sentimentos ligados a paisagens, como a do Cristo Redentor no Rio de Janeiro.
REGULAMENTO DO CONCURSO DESENHOS AFRO/2024 - 14ª edição - CEIRI /UREI (ficha...Eró Cunha
XIV Concurso de Desenhos Afro/24
TEMA: Racismo Ambiental e Direitos Humanos
PARTICIPANTES/PÚBLICO: Estudantes regularmente matriculados em escolas públicas estaduais, municipais, IEMA e IFMA (Ensino Fundamental, Médio e EJA).
CATEGORIAS: O Concurso de Desenhos Afro acontecerá em 4 categorias:
- CATEGORIA I: Ensino Fundamental I (4º e 5º ano)
- CATEGORIA II: Ensino Fundamental II (do 6º ao 9º ano)
- CATEGORIA III: Ensino Médio (1º, 2º e 3º séries)
- CATEGORIA IV: Estudantes com Deficiência (do Ensino Fundamental e Médio)
Realização: Unidade Regional de Educação de Imperatriz/MA (UREI), através da Coordenação da Educação da Igualdade Racial de Imperatriz (CEIRI) e parceiros
OBJETIVO:
- Realizar a 14ª edição do Concurso e Exposição de Desenhos Afro/24, produzidos por estudantes de escolas públicas de Imperatriz e região tocantina. Os trabalhos deverão ser produzidos a partir de estudo, pesquisas e produção, sob orientação da equipe docente das escolas. As obras devem retratar de forma crítica, criativa e positivada a população negra e os povos originários.
- Intensificar o trabalho com as Leis 10.639/2003 e 11.645/2008, buscando, através das artes visuais, a concretização das práticas pedagógicas antirracistas.
- Instigar o reconhecimento da história, ciência, tecnologia, personalidades e cultura, ressaltando a presença e contribuição da população negra e indígena na reafirmação dos Direitos Humanos, conservação e preservação do Meio Ambiente.
Imperatriz/MA, 15 de fevereiro de 2024.
Produtora Executiva e Coordenadora Geral: Eronilde dos Santos Cunha (Eró Cunha)
1. ANÁLISE DE AGRUPAMENTOS
(Cluster Analysis)
Vitor Vieira Vasconcelos
BH1350 – Métodos e Técnicas de Análise da Informação para o Planejamento
Agosto de 2016
2. Análise de Agrupamentos
Medidas de similaridade
Métodos de agrupamento
Em árvore (hierárquico)
Médias K
Prática no SPSS e QGIS
Regionalização
Método Skater
Prática no Terraview
HAIR; BLACK; BABIN; ANDERSON; TATHAM. Análise Multivariada de Dados. 6ª ed., 2009.
Conteúdo
3. HAIR; BLACK; BABIN; ANDERSON; TATHAM. Análise
Multivariada de Dados. 6ª ed., 2009.
Capítulo 9 – Análise de Agrupamentos
Referência Principal
4. É uma técnica analítica pra identificar subgrupos
significativos de entidades homogêneas
(pessoas/objetos/lugares).
O objetivo é classificar uma amostra de entidades
em um número menor de grupos mutuamente
excludentes, com base nas similaridades entre as
entidades.
Busca por uma estrutura “natural” entre as
observações com base em um perfil multivariado.
HAIR; BLACK; BABIN; ANDERSON; TATHAM. Análise Multivariada de Dados. 6ª ed., 2009.
ANÁLISE DE AGRUPAMENTOS
5. Os agrupamentos resultantes de entidades devem
exibir elevada homogeneidade interna (dentro
dos agrupamentos) e elevada heterogeneidade
externa (entre agrupamentos).
ANÁLISE DE AGRUPAMENTOS
Idealmente, os
objetos dentro de um
agrupamento estarão
próximos quando
representados
graficamente, e
diferentes
agrupamentos estarão
distantes.
7. 1. Classificar os setores censitários de acordo com as
diferentes dimensões de justiça/injustiça ambiental.
2. Classificar os municípios de SP em função das diferentes
dimensões de violência contra a mulher
3. Classificar os bairros do ABC de acordo com a
quantidade/perfil dos lançamentos residenciais
4. Classificar os distritos de SP de acordo com as variáveis de
infraestrutura e entorno dos domicílios
5. …
Exemplos “inspirados” nos trabalhos
propostos pelos alunos
8. Conjunto de variáveis que representam as
características usadas para comparar objetos da
análise de agrupamentos. Deve ser especificado pelo
analista.
Variável Estatística de Agrupamento
10. Características da Análise
de Agrupamentos
1. É descritiva, não-teórica e não-inferencial
2. Sempre criará agrupamentos, independente da
existência real de alguma estrutura dos dados
3. Variedade de vias e critérios para a definição dos grupos,
o que possibilita a obtenção de soluções diferentes
4. Não é generalizável, pois é totalmente dependente das
variáveis usadas como base para a medida de
similaridade
12. 1. Medição de Similaridade
Agrupamentos são grupos de objetos semelhantes.
Precisamos, portanto, definir uma medida do grau de
similaridade/dissimilaridade entre os objetos.
É possível medir similaridade, por exemplo, de acordo com a
distância euclidiana entre cada par de observações.
13. 1. Medição de Similaridade
• Medidas de proximidade
o Distância Euclidiana (ou Euclidiana Quadrática)
o Log da Verossimilhança (logLikelihood)
Pode incluir variáveis categóricas
• Medidas de Padrões
o Coeficiente de correlação “r” de Pearson
14. 2. Formação de Agrupamentos
Definida a medida de similaridade a ser adotada,
precisamos formar agrupamentos com base na
similaridade de cada par de observações.
Esse procedimento deve determinar a pertinência a
grupo de cada observação para cada conjunto de
agrupamentos formados
15. 2. Formação de Agrupamentos
• Ligação entre grupos (otimizar proximidade)
• Método Ward (agrupamentos com números
similares de casos)
16. 3. Número de Agrupamentos
DILEMA
Menor nr. de agrupamentos &
Menor homogeneidade interna nos grupos
VS.
Maior nr. de agrupamentos &
Maior homogeneidade interna nos grupos
17. Qual o melhor número de agrupamentos?
Regra do Cotovelo
18. Métodos de Agrupamento
1. Agrupamento em árvore (tree clustering): método
aglomerativo hierárquico
2. K-médias (k-means): método não hierárquico por
repartição
3. Duas etapas: 1º Método -> 2º Método
19. Agrupamento em Árvore
Considere as seguintes observações:
Variável de
Agrupamento
Observação
A B C D E F G
Variável 1 (V1) 3 4 4 2 6 7 6
Variável 2 (V2) 2 5 7 7 6 7 4
21. 0
2
4
6
8
0 2 4 6 8
V2
V1
D C
E
F
A
B
G
Agrupamento em Árvore
Como medimos similaridade?
Neste exemplo, utilizaremos a
distância euclidiana (linha reta)
entre cada par de observações
22. Matriz de Proximidade de Distâncias
Euclidianas entre Observações
Observação
A B C D E F G
A -
B 3,162 -
C 5,099 2,000 -
D 5,099 2,828 2,000 -
E 5,000 2,236 2,236 4,123 -
F 6,403 3,606 3,000 5,000 1,414 -
G 3,606 2,236 3,606 5,000 2,000 3,162 -
23. Matriz de Proximidade de Distâncias
Euclidianas entre Observações
Observação
A B C D E F G
A -
B 3,162 -
C 5,099 2,000 -
D 5,099 2,828 2,000 -
E 5,000 2,236 2,236 4,123 -
F 6,403 3,606 3,000 5,000 1,414 -
G 3,606 2,236 3,606 5,000 2,000 3,162 -
Menor Distância,
Maior Similaridade
24. Agrupamento em Árvore
(1) Identificar as observações mais próximas (E e F) e
combiná-las em um agrupamento
28. Métodos de Agrupamento
1. Agrupamento em árvore (tree clustering): método
aglomerativo hierárquico
2. K-médias (k-means): método não hierárquico por
repartição
3. Duas etapas: 1º Método -> 2º Método
29. K-MÉDIAS
Gera k diferentes grupos com a maior distinção possível
entre eles.
Parte de k-conjuntos aleatórios e move os objetos entre
estes conjuntos com o objetivo de:
(1) Minimizar a variabilidade dentro dos conjuntos
(2) Maximizar a variabilidade entre conjuntos
33. Métodos de Agrupamento
1. Agrupamento em árvore (tree clustering): método
aglomerativo hierárquico
2. K-médias (k-means): método não hierárquico por
repartição
3. Duas etapas: 1º Método -> 2º Método
34. Agrupamentos em duas
etapas
Exemplo:
1. Análise de Agrupamento Hierárquica
2. Usa pontos centrais dos agrupamentos da análise
hierárquica para criar os primeiros conjuntos de médias K
3. Realiza as modificações aleatórias para tentar:
• Minimizar a variabilidade dentro dos conjuntos
• Maximizar a variabilidade fora dos conjuntos
35. Grupos de Entropia
• Grupos com poucos elementos, bastante diferentes
do restante da amostra
• Úteis para análise de valores atípicos
46. Refazer análise hierárquica com método de ligação entre
grupos
Análise de Cluster Hierárquica
47. Analisar -> Relatórios -> Resumos de Caso
Análise de Cluster Hierárquica
48. Analisar -> Relatórios -> Resumos de Caso
Análise de Cluster Hierárquica
49. Refazer análise hierárquica com método Ward e
intervalo por correlação de Pearson
Análise de Cluster Hierárquica
50. Análise de Cluster Hierárquica
Correlação de Pearson nos Agrupamentos
Par de
correlação
Renda
X
Rede2
Renda
X
Consumo
Rede2
X
Consumo
Total 0.436 0.601 0.633
Agrupamento
1 0.662 0.74 0.807
2 0.891 0.934 0.856
3 0.934 0.781 0.791
4 0.664 0.863 0.704
5 0.730 0.858 0.927
51. Refazer análise hierárquica com método Ligação entre
grupos e intervalo por correlação de Pearson
Análise de Cluster Hierárquica
52. Análise hierárquica com método Ligação entre grupos e
intervalo por correlação de Pearson
Análise de Cluster Hierárquica
Par de
correlação
Renda
X
Rede2
Renda
X
Consumo
Rede2
X
Consumo
Agrupamento
1 0.690 0.742 0.861
2 0.892 0.958 0.877
3 0.947 0.832 0.775
4 0.646 0.836 0.693
5 0.858 0.804 0.770
Total 0.436 0.601 0.633
54. Análise de Cluster Hierárquica
R2 B1 Renda
(padronizado)
B2 Rede2
(padronizado)
Geral 0.53 0.402 0.458
Agrupamento
1 0.78 0.293 0.665
2 0.693 0.954 -0.129*
3 0.921 0.863 0.106
4 0.671 0.541 0.306
5 0.739 0.666 0.263
Regressão pelos Agrupamentos de Correlação de
Pearson, Método Ligação entre grupos
* Não significativo a 95% de confiança
55. Refazer análise hierárquica para distância euclidiana
quadrática incluindo coordenadas geográficas X e Y com
variáveis
Análise de Cluster Hierárquica
Consumo
Renda
Rede
X
Y
60%
40%
56. 1º Passo: Criar os scores Z das váriáveis
Analisar > Estatísticas Descritivas > Descritivas
K-MÉDIAS
63. Podemos exportar, no formato .csv ou .dbf (Dbase IV), os
resultados salvos na tabela.
Em seguida, podemos juntar esta tabela ao shapefile
(União) no QGIS e visualizar os grupos espacialmente
Visualização dos
agrupamentos
64. 1º - Visualizar mapa para Análise Hierárquica
Método Ward – Distância Euclideana ao Quadrado
Visualização dos agrupamentos
66. 2º - Visualizar mapa para Análise Hierárquica
Ligação entre grupos– Distância Euclideana ao Quadrado
Visualização dos agrupamentos
67. Análise Hierárquica - Distância Euclideana ao Quadrado
Ligação
entre
grupos
Método
Ward
68. 3º - Visualizar mapa para Médias K
Visualização dos agrupamentos
69. Hierárquico X Médias K
Distância
entre
grupos
Hierárquico
Método Ward
Distância
Euclideana ao
Quadrado
Médias K
70. 4º - Visualizar mapa para Cluster de 2 Etapas
Visualização dos agrupamentos
71. Hierárquico X Duas etapas
2 Etapas
Hierárquico
Método Ward
Distância
Euclideana ao
Quadrado
72. 5º - Visualizar mapa para análise hierárquica
Método Ward – Distância Euclideana Quadrática
Incluindo Coordenadas X e Y
Visualização dos agrupamentos
74. 6º - Visualizar mapa para análise hierárquica
Método Ward – Correlação de Pearson
Visualização dos agrupamentos
75. Correlação de Pearson
Par de
correlação
Renda
X
Rede2
Renda
X
Consumo
Rede2
X
Consumo
Agrupamento
1 0.662 0.74 0.807
2 0.891 0.934 0.856
3 0.934 0.781 0.791
4 0.664 0.863 0.704
5 0.730 0.858 0.927
Total 0.436 0.601 0.633
76. 7º - Visualizar mapa para análise hierárquica
Método de Ligação entre Grupos – Correlação de Pearson
Visualização dos agrupamentos
77. Par de
correlação
Renda
X
Rede2
Renda
X
Consumo
Rede2
X
Consumo
Agrupamento
1 0.690 0.742 0.861
2 0.892 0.958 0.877
3 0.947 0.832 0.775
4 0.646 0.836 0.693
5 0.858 0.804 0.770
Total 0.436 0.601 0.633
Par de
correlação
Renda
X
Rede2
Renda
X
Consumo
Rede2
X
Consumo
Agrupamento
1 0.662 0.74 0.807
2 0.891 0.934 0.856
3 0.934 0.781 0.791
4 0.664 0.863 0.704
5 0.730 0.858 0.927
Total 0.436 0.601 0.633
Correlação de Pearson
Ligação
entre
grupos
Método
Ward
78. Gravar dados no Shapefile
Clique com o botão direito na camada e selecione
“salvar como…”
80. Método Skater
Técnica:
Minimizar a variabilidade entre os agrupamentos, mas
mantendo a contiguidade de todos os elementos em cada
agrupamento
Resultado:
Regiões relativamente homogêneas espacialmente contínuas
Regionalização
82. Inicialmente associa-se "custos" às arestas
Os "custos" são calculados em função da similaridade
entre os geo-objetos
Depois são eliminadas as arestas de menor "custo"
89. • ICV80: Índice de Condição de Vida geral, no ano de 1980.
• DEM80: Defasagem escolar média (em anos) entre crianças de 7 a 14
anos, no ano de 1980.
• TRAB80: Porcentagem de crianças de 10 a 14 anos que trabalham, no
ano de 1980.
• AAGU80: Abastecimento adequado de água, no ano de 1980.
• TANALF80: Taxa de analfabetismo da população de 15 anos ou mais
(%), no ano de 1980.
• MANOS80: Número médio de anos de estudo (pop. de 25 anos ou
mais, no ano de 1980).
• ESP80: Esperança de vida ao nascer (em anos), no ano de 1980.
• TMI80: Taxa de mortalidade infantil (por mil nascidos vivos), no ano
de 1980.
• RENDA80: Renda familiar per capita média (Cr$1000 de 01/09/91), no
ano de 1980.
• POBRES80: Proporção de pobres (P0), no ano de 1980.
Regionalização
90. Análise -> Skater
Grupos: 10
Escolher atributos em
Plan.1 que terminem em
“80_P” (variáveis
padronizadas do ano
1980)
Regionalização
93. Para alterar a legenda
do mapa, clicar com
botão direito do mouse
sobre o tema a ser
visualizado e escolher
“Editar Legenda…”
Regionalização
94. 1- Escolher o atributo
“ska”, com precisão = 1
2- Selecione “Aplicar”
3- Selecione “Ok”
Regionalização
95. Repetir a análise para o
anos de 1991
Selecione o tema
“Metrop_1991”
Análise -> Skater
Grupos: 10
Nome da Coluna: ska91
Escolher atributos em
Plan.2 que terminem em
“91_P” (variáveis
padronizadas do ano 1991)
Regionalização
97. Para salvar os mapas, vá em:
Arquivo -> Salvar Tela de visualização ->Arquivo
Regionalização
98. Análise de 1980 com método de
agregação por população
Selecione o tema
“Metrop_1980”
Análise -> Skater
Grupos: 100.000 hab
Atributo: Plan1->Pop1980
Nome da Coluna: ska80pop
Escolher atributos em Plan.1
que terminem em “80_P”
(variáveis padronizadas do ano
1980)
Regionalização
100. Análise de 1980 com método de
agregação por população
Selecione o tema
“Metrop_1991”
Análise -> Skater
Grupos: 100.000 hab
Atributo: Plan2->TOTAL_91
Nome da Coluna: ska91pop
Escolher atributos em Plan.2
que terminem em “91_P”
(variáveis padronizadas do ano
1991)
Regionalização
102. Para salvar os mapas, vá em:
Arquivo -> Salvar Tela de visualização ->Arquivo
Regionalização
103. Exercício
Realize as seguintes análises de agrupamento para
os dados do seu trabalho de curso:
- Método Ward
- Distância Euclideana ao Quadrado
- Correlação de Pearson
- Escolha um número de agrupamentos com base
na heterogeneidade dos grupos
- Realize a regressão para cada um dos
agrupamentos de correlação de Pearson
- Exporte os resultados do SPSS para sua base de
dados do QGIS e gere os dois mapas de
agrupamento
- Interprete os resultados