QGIS Análise Multicritério

INTRODUÇÃO AO QGIS PARA ANÁLISE MULTICRITERIAL
ANÁLISE EXPLORATÓRIA ESTATÍSTICO ESPACIAL,
MAPAS DE KERNEL E PROXIMIDADE
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
CS3406 - Informática Aplicada ao Planejamento Territorial novembro de 2016
Aula 6
Outubro de 2018, Brasília
1

Quem sou eu?
• Professor de Dinâmicas Ecossistêmicas Aplicadas ao
Planejamento Territorial - Universidade Federal do ABC
• Canal do YouTube:
• Informática Aplicada ao Planejamento Territorial
https://www.youtube.com/playlist?list=PLBvhnPO-uwWIkXCCh_bY6jGaQO6mjTP9f
• Cartografia e Geoprocessamento
https://www.youtube.com/playlist?list=PLBvhnPO-uwWI3XRQaC62j6vN37S-YzStf
• Métodos e Técnicas de Tratamento da Informação para o Planejamento
https://www.youtube.com/playlist?list=PLBvhnPO-uwWLL42TUaDLPV3TMr_ajtg7r
• Planejamento e Política Ambiental
https://www.youtube.com/playlist?list=PLBvhnPO-uwWJ6uDJWoM4_6I0tt_SZCpyR
• Slides de aula:
https://pt.slideshare.net/vitor_vasconcelos/presentations 2

Contatos
 Nome: Vitor Vieira Vasconcelos
 Email: vitor.vasconcelos@ufabc.edu.br, vitor.v.v@gmail.com
 Telefones:
 31-99331-1593 (Tim – Whatsapp)
 11-96603-6153 (Claro)
 Skype: amfeadan / Vitor Vieira Vasconcelos (amfeadan@outlook.com)
 Facebook: https://www.facebook.com/vitor.vieiravasconcelos?fref=ts
 Linkedin: http://br.linkedin.com/pub/vitor-vieira-vasconcelos/29/338/574
 Currículo Lattes: http://lattes.cnpq.br/8151243279050980
 Academia: https://ufabc-br.academia.edu/VitorVasconcelos
 Research Gate: https://www.researchgate.net/profile/Vitor_Vasconcelos2
 Scribd: http://pt.scribd.com/amfeadan
 Google scholar: http://scholar.google.com.br/citations?user=k8Y-3xYAAAAJ&hl=pt-BR
3

Bases de Dados
• Slides de aula
https://app.box.com/v/tcuqgis
ou
http://bit.do/tcuqgis
• Arquivos Iniciais
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
ou
http://bit.do/tcuinicial
• Arquivos intermediários
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
ou
http://bit.do/tcuintermediario
4

Google Trends - https://trends.google.com.br
Brasil – 2004 até 2018

Mundo – 2004 até 2018

Mundo – últimos 30 dias até 7/10/2018

Objetivos
•Aprender a fazer análises de inferência
estatístico-espacial
•Aprender a manipular bases de dados de
pontos
•Realizar inferência estatística de pontos
para raster
8

Conteúdo
•Análise Exploratória
•Inferência Estatística
•Inferência Espacial
•Mapas de Kernel (calor)
•Mapas de Proximidade
9

Preparação dos dados no QGis
• Dados de aula:
 Base de municípios do IBGE para Minas Gerais
ftp://geoftp.ibge.gov.br/organizacao_do_territorio/malhas_territoriais/malhas_municipais/municipio_2017/UFs/MG/
 Dados do censo 2010 por município –
Atlas do Desenvolvimento Humano
http://atlasbrasil.org.br/2013/pt/consulta/
10

• Vamos alterar as
configurações de
formato numérico
11

• Alterar formatos de data, hora ou número
12

• Formato:
Português (Brasil)
• Configurações
adicionais...
13

• Mudar o símbolo
decimal para
vírgula ,
• Mudar o Símbolo
de Agrupamento
de Dígitos para
ponto .
• Mudar o separador
de lista para ponto
e vírgula ;
14

• Menu Configurações -> Opções
• Se alterar o idioma,
é preciso reiniciar o QGis

Preparação de Dados no QGis
• Abrir o QGis Desktop 2.18.24 com Grass 7.4.1
• Menu Projeto -> Salvar Como...
• Escolha o nome e pasta para gravar o projeto
16

Preparação dos dados no QGIS
• Menu “Camada” -> Adicionar camada -> Vetorial
• Ou ícone:
17

• Adicione o arquivo 31MUE250GC_SIR.shp
18

• Clicar com o botão direito do mouse sobre a
camada e escolher “Abrir tabela de atributos”
• Ou ícone
19

• Clique com o botão direito do mouse na camada ->
Propriedades
• Ou dê um duplo clique na camada
21

• Aba “Geral”
• Codificação da fonte de dados “UTF-8”
22

• Ou ícone
23

• Abrir o QGis Desktop 2.18.24 com Grass 7.4.1
• Ou ícone:
25

• Adicione o arquivo 31MEE250GC_SIR.shp
26

• Clique com o botão direito do mouse na camada
31MEE250GC_SIR -> Propriedades
28

• Aba “Geral”
• Codificação da fonte de dados “UTF-8”
29

• Ou ícone
30

• Menu Vetor -> Geometrias -> Centroides de Polígonos
32

• Ou menu “Processar” -> Caixa de Ferramentas
• Na janela “Caixa de Ferramentas”, digitar “centroides”
• Escolher “Geoalgoritmos QGIS” -> Ferramentas de
geometria vetorial -> Centroides de polígonos
33

• Camada de entrada: 31MUE250GC_SIR.shp
• Escolha a pasta e o nome do arquivo de saída, com
extensão .shp
• Run
34

• Ou ícone
36

• Menu Vetor -> Gerenciar dados
-> Unir atributos pela posição
38

• Camada vetorial
alvo: Centroides
• Unir camada
vetorial:
31MEE250GC_SIR
• Predicado
geométrico:
Intersecta
• Camada unida:
Nome (extensão
.shp) e pasta
39

• Ou ícone
40

31MUE250GC_SIR -> Propriedades
42

• Aba “Uniões” -> “+”
43

• Unir camadas:
Camada Unida
• Unir campo:
CD_GEOCMU
• Campo alvo:
CD_GEOCMU
• Escolha que
campos estão
unidos:
NM_MESO e
CD_GEOCME
• Prefixo do
campo
personalizado:
Vazio
44

• Ou ícone
46

• Abrir o arquivo “AtlasBrasil_consulta.xls” no
Calc (Libre Office)
48

Atlas do Desenvolvimento Humano
• Disponível em: http://atlasbrasil.org.br/2013/pt/consulta/
• Calculado a partir do Censo de 2010
• Dados por município:
• População total
• Renda per capita
• % da população vulnerável à pobreza
(< R$255,00 per capita mensal)
• Índice de Gini
• Esperança de vida ao nascer
• Taxa de analfabetismo (25 anos ou mais)
• % da população com banheiro e água encanada
• Índice de Desenvolvimento Humano (IDH)
49

• Grave em formato “Texto CSV”
51

• Grave em formato “Texto CSV”
52

• Conjunto de caracteres: UTF-8
• Delimitador de campo: ; (ponto e vírgula)
• OK
53

• Ou ícone:
54

• Ou ícone
56

31MUE250GC_SIR -> Propriedades
58

• Aba “Uniões” -> “+”
59

• Unir camadas:
AtlasBrasi_Consulta
• Unir campo:
Código
• Campo alvo:
NM_MUNICIP
• Escolha que
campos estão
unidos:
Todos menos “Código
e Espacialidades”
• Prefixo do campo
personalizado:
Vazio
60

• Ou ícone
62

Análise Exploratória
• Como se comportam os nossos dados?
• Contagem
• Medidas de centralidade
Média
Mediana
Moda
• Medidas de dispersão
Desvio padrão
Erro padrão (margem de erro)
Valores discrepantes
64

Análises Estatísticas Básicas
• Menu Vetor -> Analisar ->
Estatísticas básicas para campos numéricos
65

Estatísticas
Processar ->
Caixa de Ferramentas ->
Geoalgoritmos QGIS ->
Ferramentas de Tabela
de Vetor ->
Estatísticas Básicas
para Campos Numéricos
66

• Entrar com camada vetorial: 31MUE250GC_SIR
• Campo para calcular as estatísticas:
Rendar per capita 2010
• Estatísticas: escolher pasta e nome (extensão “html”
67

Distribuições de Frequências
HISTOGRAMA: Gráfico com os valores observados no eixo
horizontal, com barras mostrando quantas vezes cada valor
ocorreu no conjunto de dados
Útil para avaliar as propriedades de um conjunto de valores
Moda
Escore que ocorre mais
frequentemente no
conjunto de dados
Frequência
Valores
69

• Complementos -> Gerenciar e Instalar Complementos
70

• Instalar o complemento “Statist”
71

Vetor -> Statist -> Statist
72

75

• Instalar o complemento “Group stats”
76

• Clique com o botão direito na camada 31MUE250GC_SIR
• Salvar como...
77

• Formato: GeoPackage (.gpkg)
 É o formato recomendado pelo Open Geospatial Consortium
(OGC) para camadas vetoriais e raster
 Escolha uma pasta e nome
 Ok
78

Estatísticas – Plugin “Group Stats”
Vetor -> Group Stats -> GroupStats
Quantos elementos em cada classe? (COUNT)
Qual a média de uma variável em cada classe? (AVERAGE)
79

Estatísticas
por Categorias
Processar ->
Caixa de Ferramentas ->
Geoalgoritmos QGIS ->
Ferramentas de tabela
do vetor ->
Estatísticas por Categorias
84

Estatísticas
por Categorias
• Entrar com
camada vetorial ->
municípios_mg
• Campo para calcular
as estatísticas ->
Renda per capita 2010
• Campo com
as categorias ->
NM_MESO
85

• Aba Geral
• Codificação da fonte de dados -> UTF-8
87

• Clique com o botão direito na camada
“Estatísticas por categoria” -> Abrir tabela de atributos
88

Metodologia de
pesquisa quantitativa
Dados
Observação Inicial
(Perguntas: Será que…?)
Formulação de
Teoria/Hipóteses
Identificação de Variáveis
Coleta de Dados para
Testar Hipóteses
Formulação de
Teoria/Hipóteses
Conclusões Análise dos Dados
Corrobora/Refuta
Hipóteses
(Re)formula Teoria
90

Método científico para tirar conclusões sobre os
parâmetros da população a partir da coleta,
tratamento e análise dos dados de uma amostra
recolhida dessa população
Inferência Estatística
91

Modelos
Representações simplificadas de um objeto, estrutura, ideia ou sistema.
Estas representações atendem a algum propósito!!!
São menores, menos detalhados, menos complexos,
ou tudo isso junto…
Yi = β0 + Xi β1
93

Modelos nos auxiliam na
representação e compreensão de
alguns aspectos do mundo real…
Ferramentas importantes para
análises de dados que subsidiem
processos de tomada de decisão
94

Inferência Estatística se
resumindo a uma equação…
Saídai = (Modeloi) + erroi
Ou seja, os dados que observamos podem ser
previstos pelo modelo que escolhemos para
ajustar os dados mais um erro
95

Fontes de erro e incerteza
•Amostragem
Enviesada
Pequena (dados instáveis)
•Dados faltantes enviesados
•Erro de mensuração
•Erro no processamento de dados
•Erro nas relações do modelo
•Erro na análise dos dados
96

Correlacionando variáveis
DIAGRAMA DE
DISPERSÃO:
Gráfico que
coloca o escore
de cada
observação em
uma variável
contra seu escore
em outra
97

Gráficos de Dispersão
(Scatter plot)
98

Forma da correlação
Linear Não linear Não Linear
99

• Opções -> Mostrar também os complementos experimentais
100

• Aba “Tudo”
• Buscar -> qscatter
• Instalar complemento
101

• Aba Uniões -> “+”
103

(Plugin QScatter)
106

(Plugin QScatter)
107

• Seta para baixo ao lado do ícone
• Selecionar todas as feições
108

• Clique no ícone de seleção:
• Selecione o noroeste de Minas Gerais
112

GEODA
http://geodacenter.github.io/
115

Análise Exploratória com Geoda
• Abra o programa Geoda
116

• Clique no ícone “Abrir”:
• Escolha o formato geopackage (*.gpkg)
117

• Selecione o arquivo “municipios_mg.gpkg”
• Na janela seguinte, selecione a camada “municípios_mg”
• Ok
118

• Escolha a Renda per capita e clique OK
122

• Menu “Explore” -> Histogram
124

• Escolha como variável o Índice de Gini
125

• Clique e arraste o cursor para selecionar as três classes
de maior índice de Gini (maior desigualdade)
127

Diagrama de Caixas e Bigodes
(boxplot)
129

Explorando Dados – Box Plot
3º Quartil
Média
Mediana
1º Quartil
Mínimo
Máximo
Limite superior
1,5 x Distância Interquartil, acima do 3º Quartil
Valor discrepante
Limite muito superior
3 x Distância Interquartil
Valor muito discrepante
Limite inferior
1,5 x Distância Interquartil abaixo do 1º Quartil
Distância
Interquartil
1,5
Distância
Interquartil
1,5
Distância
Interquartil
3
Distância
Interquartil
130

• Menu Explore -> Boxplot
• Selecione a variável “Taxa de Analfabetismo”
131

• Selecione os valores discrepantes superiores
133

O meu namorado
pode vir comigo?
Eu não sou seu
namorado!
É com certeza.
Eu estou ficando
casualmente com
muitas pessoas
Mas você fica comigo o
dobro do que com qualquer
um, eu sou claramente um
valor discrepante
A sua matemática é
irrefutável
Encare – Eu sou a
sua cara metade
estatisticamente
significativa
135

Outliers – Valores Discrepantes
É um padrão linear com valores
discrepantes... mas por alguma razão
eu estou muito feliz com os dados
EfeitodoTratamento(y)
Dose (x)
136

• Menu Explore -> Scatter Plot
137

• Escolha as variáveis “Taxa de analfabetismo” para X,
e “Esperança de Vida ao Nascer” para Y
138

Reta imaginária que passa através
da concentração de pontos
Regressão
140

onde:
Yi é o valor da variável resposta na i-ésima observação
β0 e β1 são parâmetros;
Xi é o valor da variável preditora na i-ésima observação
ξi é o termo de erro aleatório
Regressão Linear Simples
Saídai = (Modeloi) + erroi
Lembrando:
141

Yi
ξi
X
Y
β0
β1
Coeficiente
angular
Inclinação
Populacional
Intercepto
Populacional
Erro
Aleatório
Variável Preditora
Variável
Resposta Yi=β0+β1Xi +εi
Regressão Linear Simples
142

MEU HOBBY: EXTRAPOLAÇÃO
Número
de
Maridos
Como você pode ver,
pelo fim do mês você
terá mais que quatro
dúzias de maridos.
É melhor
pedir um
desconto por
atacado para
bolos de
casamento.
143

Coeficiente de Correlação de
Pearson
Mede a associação entre duas variáveis
Valor entre -1 e +1
r = +1  duas variáveis estão perfeitamente
correlacionadas de forma positiva (se uma aumenta, a
outra aumenta proporcionalmente)
r = -1  relacionamento negativo perfeito (se uma
aumenta, a outra diminui em valor proporcional)
r = 0  indica ausência de relacionamento linear
144

Coeficiente de Correlação de
Pearson
1 0,9 0,5 0 -0,5 -0,9 -1
145

Temos dois casos extremos:
R2 = 1 todas as observações caem na linha de
regressão ajustada. A variável preditora X explica
toda a variação nas observações.
R2 = 0 Não existe relação linear em Y e X. A variável
X não ajuda a explicar a variação dos Yi .
Coeficiente de Determinação
146

Coeficiente de Determinação
147

Dados
Observação Inicial
(Perguntas: Será que…?)
Formulação de
Teoria/Hipóteses
Identificação de Variáveis
Coleta de Dados para
Testar Hipóteses
Formulação de
Teoria/Hipóteses
Conclusões Análise dos Dados
Corrobora/Refuta
Hipóteses
(Re)formula Teoria
Pesquisa quantitativa
149

Para testar a validade de um modelo,
estabelecemos uma hipótese (nula) de que o
modelo não explica os atributos na população
HIPÓTESES
Hipótese Experimental (H1)  Geralmente
corresponde a uma “previsão” feita pela pesquisador
(existe uma correlação na população)
Hipótese Nula (H0)  O efeito previsto não existe
(não existe uma correlação na população)
Tornou-se convenção na análise estatística
iniciar o estudo pelo teste da hipótese nula
150

Para confirmar ou rejeitar nossas hipóteses:
Calculamos a probabilidade de que o efeito
observado (no nosso caso, a correlação) ocorreu por
acaso:
À medida que a probabilidade do “acaso” diminui,
confirmamos que a hipótese nula pode ser rejeitada e
que a hipótese experimental é correta
151

E quando podemos considerar que um resultado é
genuíno, ou seja, não é fruto do acaso?
Há sempre um risco de considerarmos um
efeito verdadeiro, quando, de fato, não o
é (ERRO TIPO I).
Para Ronald Fisher, somente quando a
probabilidade de algo acontecer por
acaso é igual ou menor a 5% (<0,05),
podemos aceitar que é um resultado
estatisticamente significativo.
O valor da probabilidade de cometer um
erro do tipo I num teste de hipóteses é
conhecido como NÍVEL DE SIGNIFICÂNCIA e
é representado pela letra α
Os níveis de significância mais utilizados são de 5%, 1% e 0,1% 152

 ESTATÍSTICA TESTE: mede se um modelo é uma
representação razoável do que está acontecendo.
 Calcula a probabilidade da hipótese ser correta (valor p)
Estatísticas teste
Se nosso modelo é bom, esperamos que a variância
explicada por ele seja maior do que a variância que
ele não pode explicar
154

Quanto maior a estatística teste, menor a probabilidade
de que nossos resultados sejam fruto do acaso.
Quando esta probabilidade (valor p) cai para abaixo de
0,05 (Critério de Fisher), aceitamos isso como uma
confiança suficiente para assumir que a estatística teste
é assim grande porque nosso modelo explica um
montante suficiente de variações para refletir o que
realmente está acontecendo no mundo real
(a população)
Estatísticas teste
155

Quanto maior a estatística teste, menor a probabilidade
de que nossos resultados sejam fruto do acaso.
Ou seja,
Rejeitamos nossa hipótese nula e
aceitamos nossa hipótese experimental
Estatísticas teste
156

Hipótese Nula Hipótese Experimental
Estatísticas teste
REJEITA!
157

• Clique e arraste o cursor para selecionar a parte
norte de Minas Gerais
160

• Menu Explore -> Scatter Plot Matrix
• Escolha as variáveis: Renda per capita, Taxa de Analfabetismos e
Esperança de vida ao nascer, selecionando-as a apertando o botão
162

Yi=β0+β1Xi1 + β2Xi2 +…+ βpXip + εi
Yi é o valor da variável resposta na i-ésima observação
β0, …, βp são parâmetros
Xi1 ,…,Xip são os valores das variáveis preditoras na i-ésima observação
ξi é o termo de erro aleatório
Regressão Linear Múltipla
X1 X2 Y
9 3 54
7 1 35
5 4 42
11 8 74
8 9 65
2 1 15 164

β0
Plano de Regressão
•
(1,33;1,67)
E(Yi) = 20,00
Yi
•
εi
Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html
Superfície de Resposta:
Função de Regressão na Regressão Linear
Múltipla
165

Parâmetro β1 indica a mudança na resposta média
E(Y) por unidade de acréscimo em X1 quando X2 é
mantido constante.
Da mesma forma, β2 indica a mudança na resposta
média por unidade de aumento em X2 quando X1 é
mantido constante.
“Ceteris Paribus”
Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html
Significado dos Coeficientes de regressão:
β0, β1, β2,.., βp
166

Por exemplo,
este é o cachorro Hottie
Hottie é um cachorro bonzinho
quando vai caminhar, CETERIS
PARIBUS
Hottie é um cachorro
bonzinho quando
vai caminhar,
desde que...
O Sol permanece brilhando, e
nenhum esquilo atravesse o seu caminho
167

• Menu Regression -> Regression
168

• Selecione “Esperança de Vida” como “Dependent Variable”
• Selecione “Taxa de Analfabetismo” e “Renda per capita” como
“Covariates”
• Selecione “Pred. Val. Res.”
169

Regressão simples da Taxa de Analfabetismo sobre Esperança de Vida
170

• Aperte “Save to Table”
171

• Aperte o ícone “Table”
173

Os problemas com os quais
lidamos no Planejamento Territorial
dizem respeito a algum
LUGAR NO ESPAÇO
Precisamos analisar dados espaciais
para melhor compreender estes
problemas
174

O que diferencia um Dado de um
Dado Espacial ?
LOCALIZAÇÃO !
Dado Espacial  Geometria
Dados Espaciais são Especiais!
175

Dependência espacial
• “as coisas mais próximas se parecem mais entre si
do que as mais distantes” – Waldo Tobler
Mapa de inclusão/exclusão social em São Paulo
 Auto-correlação espacial
(grau de dependência espacial)
176

Dependência espacial
• Qual dos mapas ao lado tem
maior autocorrelação
espacial?
177

• Menu “Space” -> Spatial Correlogram
178

• Variável ->
Renda per capita
• Distância ->
Arc Distance
• Apply
179

Mais semelhantes
Mais diferentes
180

Mais semelhantes
Mais diferentes
181

• Grave o projeto • Feche o projeto
182

Inferência espacial
•Pontos
•Superfícies Contínuas
•Polígonos (variação discreta)
183

• Pontos
• Padrões de agregamento: probabilidade de ocorrência
Casos de Mortalidade em Porto Alegre em 1996 e estimador de intensidade
184

• Superfícies contínuas
• Geoestatística: interpolação por krigagem
Interpolação dos atributos de solo (saturação por bases) de Santa Catarina
185

• Polígonos
• Variação discreta: regressão espacial
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil:
Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
186

Mapas de Kernel
Mapa de Pontos de Focos de Queimada Mapa de kernel de Focos de Queimada
Kazmierczak, M. 2015. Queimadas em Cana-de-Açúcar: Monitoramento e Prevenção. MundoGeo. Em:
http://mundogeo.com/blog/2015/09/28/queimadas-em-areas-de-cana-de-acucar-monitoramento-e-prevencao-2/
187

Mapas de Kernel
CÂMARA, Gilberto; CARVALHO, Marilia Sá. Análise espacial de eventos. Em: Análise espacial de dados
geográficos. Embrapa Cerrados, Planaltina, p. 53-122, 2004.
188

Mapas de Kernel
ODDI, G. 2014. Mapa de calor: como atuam os candidatos ao meio-campo ofensivo da seleção de Felipão. ESPN. Em:
http://espn.uol.com.br/post/388493_mapa-de-calor-como-atuam-os-candidatos-ao-meio-campo-ofensivo-da-selecao-de-felipao
189

Mapas de Kernel
Concentração de Incêndios urbanos Concentração de Hidrantes
Comparação de Zonas Quentes e Frias
SANTOS, L.S. 2014. Geoprocessamento aplicado a gestão e análise das ocorrências de incêndios urbanos no
centro histórico de Belém-PA - 2009 a 2011. Faculdade Internacional de Curitiba.
190

Mapas de Kernel
 Quando vale a pena utilizá-los?
• Quando a concentração de pontos em uma
mapa faz com que sua visualização fique
confusa
 Ex: Mapa de pontos de queimada
• Para estimar a possibilidade de encontrar um
certo evento no espaço, dada uma amostra de
pontos inicial
 Ex: Como Neymar deve ser comportar no próximo
jogo?
191

Mapas de Kernel
Tipos de resposta mapeada
• Densidade:
 focos de queimada / km2
• Probabilidade:
 chance (%) da leoa Tata ser encontrada em um ponto do parque
• Qualitativa: Baixa / Média / Alta
 Esconde informações do leitor
5-10 hab/km2
1-5 hab/km2
0.1-1 hab/km2
Alta
Média
Baixa
50%
50 a 90%
90 a 100%
192

Mapas de Kernel
Pixel do raster peso do ponto para o pixel do raster
Ponto distância do do pixel do raster até o ponto
193

Mapas de Kernel
Amberg, B. 2008. A Range of Different Kernels. Em: https://commons.wikimedia.org/wiki/File:Kernels.svg194

Mapas de Kernel
BERGAMASCHI, R. B. SIG Aplicado a segurança no trânsito - Estudo de Caso no município de Vitória – ES.
Universidade Federal do Espírito Santo – UFES, 2010.
195

Somando o kernel de cada ponto
Mapas de Kernel
196

Mapas de Kernel
Somando o
kernel de cada
ponto
197

Mapas de Kernel
Alterando o Raio do Kernel
198

• Diferentes raios
para o Kernel
Fowler, H.G. 2013. Amostragem por pontos. Ecologia de Populações.
Em: http://pt.slideshare.net/popecologia/amostragem-pontual
199

Mapa de Kernel
 E então, qual raio de Kernel escolher?
• 1ª abordagem: Que padrão você quer analisar?
 Transições graduais Raios maiores
 Pequenos agrupamentos Raios menores
• 2ª abordagem: Você quer um mapa informativo
 O raio que mostre a maior diferenciação espacial entre as áreas
 Um bom início seria testar um raio igual à distância média entre os
pontos
• 3ª abordagem: Você quer um mapa válido
 Como o fenômeno se dispersa?
o Quão longe as pessoas se deslocam para um estabelecimento?
o Qual é raio de dispersão de um poluente?
 Caso sejam adicionados mais dados, o padrão deve ficar
semelhante
200

Estimação de Kernel
Área de
Vida da
Leoa Tata
95%
50%
MACFARLANE, K. 2014. Lioness HF012 “Tata”. Kalahari Lion Research. Em: http://www.kalaharilionresearch.org/2014/07/23/lioness-
hf012-tata/
201

95%
50%
95%
50%
Área de vida e territórios
de espécimes e espécies
de peixes
95%
50%
95%50%
Recife de Coral Lover’s Point,
Monterey peninsula, Califórnia
FREIWALD, J. 2009. Causes and consequences of the movement of
temperate reef fishes. PhD dissertation. University of California
202

Probabilidade
de roubos
comerciais em
Vancouver
Couch, Paul (2007), Crime Geography and GIS:
A Break and Enter Crime Analysis of Ottawa,
Ontario Using CrimeStat, Crime GIS
203

“municípios_mg” -> Abrir tabela de atributos
204

• Abra a calculadora de campos
205

• Nome do novo campo: pop_vulnerável
• Abrir a aba “Campos e Valores”
206

• Clicando no nome das variáveis, digite a fórmula abaixo:
"População total 2010" * ("% de vulneráveis à pobreza 2010" / 100)
207

• Verifique se a coluna “pop_vulneravel” foi criada e está
com os valores corretos
• Clique para salvar e para fechar o modo de edição
208

“municípios_mg” e selecione “Propriedades
• Ou duplo clique na camada
209

• Aba Estilo -> Graduado
• Coluna: pop_vulneravel
• Cor da declividade: “Nova cor da gradiente”
210

• Gradiente de Azul para Vermelho
211

• Classes: 7
• Modo: Quantil
• Classificar
• Aparar
213

• Menu Vetor -> Geometrias -> Centroides em Polígonos
215

• Camada de entrada -> municípios_mg
• Centroides: escolha pasta
• Nome: municípios_mg_pontos (Geopackage .gpkg)
216

criada e selecione “Renome”
• Renomeie para “municipios_pontos”
217

• Clique com o botão direito do mouse
sobre a camada e escolha
Salvar Como...
218

• Formato: GeoPackage
• File name: escolher pasta e nome (extensão .gpkg)
• SRC ->
Selecionar EPSG: 31983 – SIRGAS 2000 / UTM zone 23S
219

Selecionar
EPSG: 31983
SIRGAS 2000
UTM zone 23S
220

• Menu “Complementos” ->
Gerenciar e Instalar Complementos
• Instale e habilite o complemento “Mapa de Calor”
221

• Menu “Raster” -> Mapa de Calor -> Mapa de Calor
222

• Menu “Complementos” ->
Gerenciar e Instalar Complementos
• Instale e habilite o complemento “Value Tool”
227

• Enable
• Passe o mouse sobre a área
do mapa e veja os valores
interativamente
228

• Refaça o mapa de kernel, mas agora com raio de
100.000 metros
• Renomeie o raster de saída
• Mantenha o tamanho da célula em 1.000 metros e os
demais parâmetros
229

Comparação dos Raios de Kernel
60.000 metros 100.000 metros
231

• Menu “Camada” -> Vetorial
• Ou ícone
• Adicione a camada “unidades_acolhimento.gpkg
Dados do Censo SUAS 2017
https://aplicacoes.mds.gov.br/snas/vigilancia/index2.php
232

• Novo mapa de kernel
• Nomeie o raster de saída para acolhimento.tif
• Raio: 60.000
• Tamanho da célula: 1.000
• Usar peso a partir de um campo: capacidade_unidade_acolhimento
233

• Clique com o botão direito na
camada “Acolhimento” e escolha
“Propriedades”
• Ou dê um duplo clique na
camada
234

Mapa de Calor
População vulnerável
Mapa de Frio
Capacidade de
Atendimento
236

Mapas Razão de Kernel
Eventos / População
População
(centróides de polígonos)
Eventos
(pontos)
237

Mapas de Razão de Kernel
Assaltos a carros em Baltimore em 1996
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC. 238

População em Baltimore em 1990
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
239

Razão entre Assaltos a Carro e População
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
240

• Menu “Raster” -> Calculadora Raster
241

Pessoas em situação
de vulnerabilidade à
pobreza, por vaga
em Unidade de
Acolhimento
245

248
• Desmarque as demais
camadas, exceto as duas
abaixo, na ordem mostradda

Mapas de Proximidade
Pontos Linhas Polígonos
Innovative GIS. 2005. Calculating Effective Distance and Connectivity. Em: http://www.innovativegis.com/basis/mapanalysis/topic25/topic25.htm
249

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
250

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
251

Distância da Mancha Urbana Distância da Malha Viária
Modelagem de mudanças no uso do solo
ALMEIDA, R.M. 2016. Inferência espacial usando QGIS. Em: http://qgisnapratica.blogspot.com.br/252

• Menu “Projeto”
-> Propriedades do Projeto
253

• Aba “SRC”
• Escolha a projeção SIRGAS 2000 / UTM zone 23S
EPSG: 31983
254

• Abra a calculadora de campos
256

• Crie um novo campo, com nome “um” e valor = 1
257

• Verifique se a coluna foi criada com os valores corretos
• Clique no ícone para gravar as alterações na camada
• Clique no ícone para fechar a edição
258

• Processar-> Caixa de Ferramentas-> SAGA
-> Raster Creation Tools -> Rasterize
259

• Shapes: unidades_acolhimento
• Attribute: um
• Preferred Target Grid Type:
Integer (1 byte)
• Output extent:
“Use camada/extensão da tela”
• Cellsize: 1000
• Rasterized: escolha pasta e
nomeie para
“acolhimento_pontos.tif”
260

• Processar -> Caixa de Ferramentas
• SAGA -> Raster tools -> Proximity raster
261

• Features: Rasterized
• Distance: escolha a pasta
e nome (extensão .tif)
• Desmarque
“Direction” e “Allocation”
262

• Menu “Raster” -> “Extrair” -> “Recorte”
263

Mapa de Proximidade ou de Kernel?
 Visualmente semelhantes
 Distância e densidade estão inversamente relacionadas
 Ambas são adequados para análise exploratória
 Diferenças:
Mapa de Kernel Mapa de Proximidade
Foco em densidade (ocorrência/km2) Foco em distância (km2)
Mais flexibilidade
(ajuste de kernel e raio, uso de pesos)
Mais simples
(menos suposições sobre o fenômeno)
Pode ser calibrada para previsões Pode ser ajustada para atrito
268

• Distância média observada
 média da distância entre os pontos
• Distância média esperada
 média da distância esperada se os pontos fossem distribuídos aleatoriamente no
espaço
• Índice de Vizinho mais Próximo:
 Distância média observada / esperada
 Se < 1, o espaçamento é mais aglomerado
 Se > 1, o espaçamento é mais regular (disperso)
• Z – Score
 Versão “padronizada” da “Distância Média Observada – Esperada”
 Próximo à 2, o espaçamento é mais regular
 Próximo a -2, o espaçamento é mais aglomerado 271

Agrupado Aleatório Regular
• Distância média observada
 média da distância entre os pontos
• Distância média esperada
 média da distância esperada se os pontos fossem distribuídos aleatoriamente no
espaço
• Índice de Vizinho mais Próximo:
 Distância média observada / esperada
 Se < 1, o espaçamento é mais aglomerado
 Se > 1, o espaçamento é mais regular (disperso)
• Z – Score
 Versão “padronizada” da “Distância Média Observada – Esperada”
 Próximo à 2, o espaçamento é mais regular
 Próximo a -2, o espaçamento é mais aglomerado 272

• Menu “Vetor” -> Analisar -> Matriz de Distâncias
273

278
• Clique duas vezes
no cabeçalho da
coluna
“Distância”, para
ordenar os
municípios da
maior para a
menor distância a
um centro de
acolhimento

Pensando tudo junto
GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014.
Em: https://mgimond.github.io/Spatial/
Efeitos de
1ª ordem
Características
que variam de
lugar para lugar
devido a
mudanças em
uma propriedade
subjacente
Efeitos de
2ª ordem
Características
que variam de
lugar para lugar
devido a
interações entre
os elementos
280

Para se aprofundar mais no conteúdo
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/
281

Obrigado!
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
282

QGIS Análise Multicritério

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à QGIS Análise Multicritério

Similaire à QGIS Análise Multicritério (20)

Plus de Vitor Vieira Vasconcelos

Plus de Vitor Vieira Vasconcelos (20)

Dernier

Dernier (20)

QGIS Análise Multicritério