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.
1. 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
2. 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
4. 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
5. Google Trends - https://trends.google.com.br
Brasil – 2004 até 2018
6. Google Trends - https://trends.google.com.br
Mundo – 2004 até 2018
7. Google Trends - https://trends.google.com.br
Mundo – últimos 30 dias até 7/10/2018
8. 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
10. 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
14. • 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
15. • Menu Configurações -> Opções
• Se alterar o idioma,
é preciso reiniciar o QGis
16. 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
17. Preparação dos dados no QGIS
• Menu “Camada” -> Adicionar camada -> Vetorial
• Ou ícone:
17
32. • Menu Vetor -> Geometrias -> Centroides de Polígonos
32
33. • Ou menu “Processar” -> Caixa de Ferramentas
• Na janela “Caixa de Ferramentas”, digitar “centroides”
• Escolher “Geoalgoritmos QGIS” -> Ferramentas de
geometria vetorial -> Centroides de polígonos
33
34. • Camada de entrada: 31MUE250GC_SIR.shp
• Escolha a pasta e o nome do arquivo de saída, com
extensão .shp
• Run
34
44. • 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
48. • Abrir o arquivo “AtlasBrasil_consulta.xls” no
Calc (Libre Office)
48
49. 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
60. • 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
66. Estatísticas
Processar ->
Caixa de Ferramentas ->
Geoalgoritmos QGIS ->
Ferramentas de Tabela
de Vetor ->
Estatísticas Básicas
para Campos Numéricos
66
67. • Entrar com camada vetorial: 31MUE250GC_SIR
• Campo para calcular as estatísticas:
Rendar per capita 2010
• Estatísticas: escolher pasta e nome (extensão “html”
67
69. 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
77. • Clique com o botão direito na camada 31MUE250GC_SIR
• Salvar como...
77
78. • Formato: GeoPackage (.gpkg)
É o formato recomendado pelo Open Geospatial Consortium
(OGC) para camadas vetoriais e raster
Escolha uma pasta e nome
Ok
78
79. 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
85. 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
90. 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
91. 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
93. 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
94. 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
95. 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
96. 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
130. 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
131. • Menu Explore -> Boxplot
• Selecione a variável “Taxa de Analfabetismo”
131
135. 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
136. 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
141. 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
143. 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
144. 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
146. 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
149. 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
150. 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
151. 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
152. 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
154. 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
155. 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
156. 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
162. • 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
164. 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
165. 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
166. 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
167. 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
169. • Selecione “Esperança de Vida” como “Dependent Variable”
• Selecione “Taxa de Analfabetismo” e “Renda per capita” como
“Covariates”
• Selecione “Pred. Val. Res.”
169
174. 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
175. O que diferencia um Dado de um
Dado Espacial ?
LOCALIZAÇÃO !
Dado Espacial Geometria
Dados Espaciais são Especiais!
175
176. 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
184. • Pontos
• Padrões de agregamento: probabilidade de ocorrência
Casos de Mortalidade em Porto Alegre em 1996 e estimador de intensidade
Inferência espacial
184
185. • Superfícies contínuas
• Geoestatística: interpolação por krigagem
Interpolação dos atributos de solo (saturação por bases) de Santa Catarina
Inferência espacial
185
186. • 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.
Inferência espacial
186
187. 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
188. 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
189. 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
190. 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
191. 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
192. 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
193. 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
194. Mapas de Kernel
Amberg, B. 2008. A Range of Different Kernels. Em: https://commons.wikimedia.org/wiki/File:Kernels.svg194
195. 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
199. • Diferentes raios
para o Kernel
Fowler, H.G. 2013. Amostragem por pontos. Ecologia de Populações.
Em: http://pt.slideshare.net/popecologia/amostragem-pontual
199
200. 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
201. 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
202. Estimação de Kernel
95%
50%
95%
50%
Área de vida e territórios
de espécimes e espécies
de peixes
95%
50%
95%50%
Recife de Coral Lover’s Point,
Monterey peninsula, Califórnia
FREIWALD, J. 2009. Causes and consequences of the movement of
temperate reef fishes. PhD dissertation. University of California
202
203. Estimação de Kernel
Probabilidade
de roubos
comerciais em
Vancouver
Couch, Paul (2007), Crime Geography and GIS:
A Break and Enter Crime Analysis of Ottawa,
Ontario Using CrimeStat, Crime GIS
203
204. • Clique com o botão direito na camada
“municípios_mg” -> Abrir tabela de atributos
204
227. • Menu “Complementos” ->
Gerenciar e Instalar Complementos
• Instale e habilite o complemento “Value Tool”
227
228. • Enable
• Passe o mouse sobre a área
do mapa e veja os valores
interativamente
228
229. • 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
232. • 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
233. • 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
234. • Clique com o botão direito na
camada “Acolhimento” e escolha
“Propriedades”
• Ou dê um duplo clique na
camada
234
237. Mapas Razão de Kernel
Eventos / População
População
(centróides de polígonos)
Eventos
(pontos)
237
238. 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
239. População em Baltimore em 1990
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
Mapas de Razão de Kernel
239
240. Razão entre Assaltos a Carro e População
LEVINE, N. 2013. CrimeStat IV. The National Institute of Justice. Washington DC.
Mapas de Razão de Kernel
240
248. 248
• Desmarque as demais
camadas, exceto as duas
abaixo, na ordem mostradda
249. 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
250. 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
252. 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
257. • Crie um novo campo, com nome “um” e valor = 1
257
258. • 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
268. 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
271. • 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
272. 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
280. 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
281. 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