Análise Espacaial Dados Geograficos INPE

1
ANLISE ESPACIAL E GEOPROCESSAMENTO

=
Gilberto Cmara
Antnio Miguel Monteiro
Suzana Druck Fucks
Marilia S Carvalho=
1.1 INTRODUO
`= ~= = ~~= = ~= = = =
== ~= = = = ~= ~= ~~= ~= ~= =
= ~= = ~= ~= = I= ~= = ~I= =
~I==~I==~~I==~~=~K=q~===
=~=~~==~=I===~==~==
~=~=EpfdF==~====~=~K=b=
~= = ~= ~~= ~~= = ~= = ~= =
I===~~==~==~==~=~==
~~==~~K=m~~=~I=~~====~==~===~=
~= ~= E= = ~~= = FI= = = pfd= = ~~= =
~~= = ~~= = = ~= ~~= = ~= ~~=
=K==
=
^=~==~=~==~~==~I===
= ~= = ~= = = ~= ~= =
I====~W=
b~= ~= ~= = ~= = ~K= ^=
= = ~= = ~= ~= ~= = ~= = ~\=
b=~~==~~===\=b~==\=
s~==\=
a~J= ~= = = ~~= ~= ~~= ~=

= = K= o= = = = ~~= ~=
=~~==~~~=J~=~=~\=
d= ~= ~= ~= = = = = ~= = ~=
= ~= ~== ~~K=mJ= ~= ~= ~~= ~~= ~= ~=
==~=~=\==
a~J= ~~~= ~= = ~~= = = ~= ~~K= `=

= ~= ~= ~~= = I= ~I= ~= = =
~= ~= ~= = = ~~= ~= ~= ~~= = = =
~====~==~=~~\=
=
q= = ~= ~= ~= ~= ~= ~~= = ~=
K= ^= ~= ~= ^= b~~= = ~= ~= =
~~I= ~= = ~= ~= ~~= ~~= = = =
= = ~= ~K= l= ~I= ~= ~= ~= = ~= = ~= =
~===~=~K=b==~~====~~=
~= = ~= ~= K= mJ= ~~= = ~= ~=
~I= ~= = ~= = = = ~= ~~= = ~=
==~I=~=~~===K==
=
r= = I= = ~= = = ~= ~~=
~==~=~~~==~~===ufu==g=pK=b=
NURQI= ~= = i= ~= ~= ~= ~= = ~= ~~= ~=
~K= m= = ~~= = = = ~= ~~= ~=~K= a~=
=~=~~=J~W=~=~~J~=~=~~I=
~= ~== ~~= = ~~~= ~=~I= = ~= = =
= ~= ~K= l= ~~= Ec~= NJNF= ~~= ~= ~= = =
~~= ~= ~= = ~= ~= = ~= = ~~~= ~= ~I=
= ~~= ~~= ~= ~= = = _~= p= = = =
= ~= ~K= b= = ~~= ~= I=
~~= = ~= ~= ~= = ~= ~~= = = =
~~= = ~= ~= ~= ~= ~= E= ~~F= ~= ~I= = ~=
=~=~==I===~==~=~K=
b~==~=~=~==~=~=~~===~==
~~= ~~= = ~~= ~= = = I= = =
===~=~=~~K=
Figura 1-1 - Mapa de Londres com bitos por clera identificados por pontos e poos de
gua representados por cruzes.=
1.2 TIPOS DE DADOS EM ANLISE ESPACIAL
=
^= ~~= ~= ~~= ~~= ~~~= = ~= = ~=
~~=~====~W=
b= = m~= m~= J= = = ~~= =

~= ~~= = = ~~= = ~I=
~= = ~K= p= W= ~~= = I=
~==~I==~~===~K==
p=`~==J= ~~=~=~=====~~=
=~I===~=~==~=~K=
r~I====~==~==~~===
~~I= = = = ~~= I= I= I=
==K=
~==`~==q~~=^~~=J=~~J==~=~~=
~=~~=~~I====~~==~I===
~= = = ~= = ~~= = = =
=~K=m=~==~~I==~==~~==
~= = ~I= ~= ~~= = = ~=
E=I=~==~=~I=FK==
=
^= ~= ~= = ~~I= ~J= = = ~= = ~=
~~= ~= = ~= ~~= = = ~= K= b=
~= = ~I= ~= ~= ~~= = ~= = = = =
= ~~= ~= ~~= = ~= ~= = = =
~= = = ~= = ~~= ~~=
==K=b=~I====~====
~=~==~=~~I=~~~==~~=~==~=
= ~== = = ~~= = ~= ~== ~== ~=
~~====K==
=
k= ~= = ~= = ~= = I= = = = = = ~=
~= ~~= ~~= = = = K= `= ~= ~=
~~~~= = pI= = = = ~= ~= = ~~= =
I= ~= = = = ~= ~W= = = ~~I= = ~=
= = ~~J= = ~~= = ~= K= =
~= = ~= = = ~= ~= = J= = ~= ~=
= = ~= ~K= l= ~= = ~= = ~~= =
~= = = = ~~~= = I= ~= ~=
~= = ~= ~= ~= ~~I= = ~= = = = =
~K= m= I= = = ~= ~~= = I= =
~==~===I=~~===~==~=
= ~\= ^= ~= ~= = ~~= = = = ~= =
~~~==`~=OK=
=
`= I= ~=c~=NJO= ~= ~=~~= ~= ~= = ~=
~= ~~= = ~= = ~~= = ~~= ~= = m= Î=
==~==NVVSI=~~~==p=p~===`~=_~I=
~= cflòrwK= ^= ~~= = = EFI= = ~= =
=E~~F===E~F=~=~~=~=c~=NJO=E=~FK=
=~I=~~J=~==~~=~=~=~~I===
= ~~= = ~= ~~= ~= ~K= ^= = ~~=
~==~======~==~==
=~=~=====~=~=~=~~~K=
Figura 1-2 Distribuio de casos de mortalidade por causas externas em Porto Alegre em
1996 e estimador de intensidade.
=
m~~=~=~==I=====~==~=~=
====~=~~K=`=I=J=~===
==~~===~~==~==p~~=`~~~==~=~I==
=~~===~~=~=~=~~==~I==
=p=_I==fkmbI==~~=~=c~=NJPKK=
=
55,437 (%)
* Perfis
* Amostras
8,250
Figura 1-3 - Distribuio de perfis e amostras de solo em Santa Catarina (esquerda) e =

distribuio contnua estimada para a varivel saturao por bases (direita).
=
`= = = = ~~\= ^= = ~~~= ~= ~=
~~= = = = ~= = ~~= = X= ~= ~= ~=
~I= = ~= = = = ~= ~~I= = = ~=
~= ~= = ~~~= = ~~K= l= = ~I=
==~=~==~=P==QI====~~=
~=~=~~===~=~=~~K=b==~=~=
~= ~= ~~I= ~= = ~= = = = =
~~~I====~==~=~==
~= ~~=~= = = I= = ==~= = NKQ==
~K= `= ~= ~~= = ~= = = ~~= =
~= = ~= ~= E= = = FI= ~= = =
~~~= = = ~= ~~= ~~= = X= ~=
~I==~==~=~~~====~==
= ~K= a= = ~= = ~= ~~~= = ~= = =
~~= = ~= ~= ~~= = ~= J~K=
j= = ~= ~I= ~JI= ~= ~I= ~=
~~I=~=~==~J=~=~~====
~K=
=
k=~==~==~I=~==`~=RI==~=I=
=~=~I===~~=~~=~==I=
~~==~==~~~==K=b~=~==~=
~~= = = ~= = = = ~= ~=
~I= = ~I= ~~= ~= = = = K=
bI= ~= = ~= ~= = = ~~I= ~= =
= ~= ~= = ~~= = ~= = =
~~=E=F===EF====~=
~~~= = ~= = = = ~= ~= = ~=
~K= b= ~= = ~= ~= ~= = = _~I= =
= = = ~= = ~= ~~= = ~= ~=
= = ~= = ~~= = ~= = = ~= = ~=
~~==~=~=~==~=K=b=~=
I= ~= ~= ~~= ~~= ~~=~= ~= =
~= = ~K= k= ~I= ~= ~= ~~= = ~~= =
=====~=~~==~=~==
= ~= = = = = ~= ~= = ~= =
K==
=
`===~=~~==~I=J=~=c~=NJQ=
E~FI= = ~~= ~= = ~~= = = =
L= ~= = p= m~I= = ~= = ~~= ~=
K= ^~~= p~= Emr`LpmFK= l= ~= = L= ~=
~==~=~==~=~==VS===p=m~I=
= ~= = = = NVVNK= ^= ~= = ~~I= = = ~= =
~~= = = = = ~I= ~= ~= c~= NJQ==
E~FI==~=======~=~=~K=
Figura 1-4- Mapa de Excluso/Incluso Social de So Paulo (1991) e agrupamentos de =

excluso social (Zonas Leste e Sul) e incluso social (centro).=
=
1.3 REPRESENTAO COMPUTACIONAL DE DADOS GEOGRFICOS
=
l= = p~= = f~= d~= EpfdF= = ~~= ~~=
~= = ~~= = ~~= ~~= = ~= = ==
~~~=~=~===~==~===~I=
= I= ~~= ~= = = = ~= ~= =
~~K= k~= = ~~I= J= ~= = = pfd= = =
=I==~=~=c~=NJRW==
f~==X=
b~~==~==~X=
c==~====~X=
s~~==~X=
^~~= = ~= = ~= E~~= = ~==
~===~==~=FK==
=
b= = = ~~= = ~= ~K= ^= ~=
J~= = = = ~= = ~= = ~K= k= =
I= = pfd= = = ~= = ~= = ~=
~~= E~~I= I= ~I= ~~= = ~~FK= f~= ~=
~I= = ~= = ~= = ~~~= = ~= = ~=
~~K= `~~= ~I= = = = = = = ~I=
~= = = = ~=~I=~= == ~=
~====pfdK=
=
Interface
Entrada e Integr.
Dados
Consulta e Anlise
Espacial
Visualizao
Plotagem
Gerncia Dados
Espaciais
Banco de Dados
Geogrfico
==
Figura 1-5 - Arquitetura de Sistemas de Informao Geogrfica.
=
^=~~==~==~==~=~~====
J~~= E= ~~= ~FI= = ~= = ~= ~= =
~= = ~= Epd_aF= ~~I= = = a_^pb= = ^``bppI= ~~=
~~~= = ~= ~~= = ~= = = I= = ~=
=~~=~~=~~=~=~=~==K==
=
^= ~= ~~= = = J~~= = = ~= =
pd_a= ~~= = ~K= a= = = ~= = I= ~=
~~= = = ~~= ~I= ~= =
~= = = ~= = pd_a= ~~I= ~= =
~===K=k=~I===pd_a=~~==
= ~= ~= ~= ~I= = = = = = = =
~==~==~=K=f~JI==I==
= = = ~~= ~= ~~~= ~= = =
=~~I=~======~=~~=~=
~~= ~= ~K= b~= ~= ~= ~~= ~= = =
~= ~I= ~J= K= Î= = ~= ~= ~=
~~= = ~= = = = = = = ~~= ~I=
== = ==~= = ~= ~= ~~I=
~= = = = = J~~= = = ~= = ~~= ~=
~~~=~~=~=~==~K=
=
^= ~= ~= ~~= = ~= =
~~~W=
m= OaW= r=Oa= == ~= ~= EI=F= = ~~=

~~K= = r= = ~= = ~= = ~= = = I=
= = ~= ~= ~~= = ~~= ~I= ~~= ~=
c~=NJOK==
mW=r======~=~=EI=F==
~~=~~I==~=~=====~==
~= I= ~= ~= = ~~= = ~K= k~= ~=
~=I=~~==~=~==~=E==
~= = = = p= m~= ~= c~= NJQFX= = ~= ~= ~I=
~= = ~= = = = = ~~= = =
K=
^~W===~=~=EI=I=F==~==~=
EI= F= ~= ~= ~~= ~= = = ~= = ~= ~=
= ~= ~~= ~= ~~K= r~= ~= ~~=
=~~~=~=~~==~I===~==~=
I= = = ~K= l= = = ~~=
= = ~~= ~~= = ~= = ~= ~= = ~=
~=~~K==
d~=~W==~=~==~~===~~=~==
~=K=b~=~==~~~=~=~==~==
I= ~= ~= = ~~= ~I= ~= ~= ~=
~= = = ~= ~I= = = ~~= ~= ~=
=~==~K==
f~W==~=~==~~===~~=~==~=
= E~= ~= ~~= = M= = ORRFI= ~~= ~~=
~~K=b~=~==~~=~~=~~=~==~=
~=~K=l=~==~=~==~~=~~==
~= = ~~= ~= ~X= = ~= ~= =
~====~=~=~I=======
~=~=K=k~=~=~==pfdI==~=~=
= ~~= ~= ~= ~= ~= ~= = ~= E= = =
~===FI===~~==~~==
K= ^=c~=NJP= E~F= ~= ~= ~=~==~=
~=~~==~==p~~=`~~~K=
=
^= ~= ~~~= ~= I= ~~= = = =
~~~= ~= c~= NJS= = ~= ~= ~= = ~~= ~= c~= NJUK=
r~I= ~= ~= ~= = ~= = ~~~= ~=
~~= ~= ~= = ~I= = = ~~~= ~= ~= =
~~= ~~I= = ~= ~= = ~= E~~= vF= = =
E~~=uFK=
=
Figura 1-6 Geometrias: Ponto2D, Amostra e Polgono
=
=
Figura 1-7 Representao Geomtrica de Grade Regular
=
k= = J~~I= = ~= = = ~~= = =
~~=~=~==~=~~I==~=~==~=~=
= ~= = ~= ~= = ~= == ~K= `~~= ~=
~=~~==~=~=~~=~===X=~=~~=
===~~=~==~===I=~~=
= ~= = ~= ~= ~= ~= = = ~= = ~= ~=
~K==
=
`= ~= ~= = = = = ~= ~= = ~=
~~I= ~= ~= = ~~~~= = pfd= = ~~= ~= ~= ~=
~~~= ~= c~= NJUK= `~~= ~I= = = = = = I=
==~==I==~~=~~====
~===~==~~=~=~~===pd_a=~~K=
^= c~= NJU= ~= ~= ~~= = ~= ~= ~I= ~= =
~I=~~===K=`~~=~===~===
~~= ~= = = ~= = = = ~= = = ~= ~= ~~=
===~K=k=I=~=~==~=~~===
=~=qîelK==l====~~======
===~I===W=~===I===
~= ~~I= ~~= = ~I= ~= = ~= ~X= ~= =
~~====~===~=~~X=====
~~=~===~=~K=
=
Figura 1-8 - Estratgia dual para bancos de dados geogrficos.
=
k= ~= = I= = ~= = = ~~= ~= = pd_a=
~~I= = = ~~= ~~~= = = ~= ~= = =
==~=~=~~K=^~J====~~==~==~W=
~~= = = ~~= ~= = ~I= = = ~= ~= = =
~==~~=~==~=~~==~==~K==
=
m~~=~=I=~=~=~===~~=~~==~=
I= = = ~~~= = ~= = = pd_a= ~~K=
k=~I=~=~=~=~====~==~~==~~~=
= ~~I= ~~~= ~= = = = = = ~= = =
K=l===~==~=~=~====
~= ~~~= = = ~= = = K= b~= ~= = =
~~~=~=~=~~===~~=E=~==c~=NJPFK=
1.4 CONCEITOS BSICOS EM ANLISE ESPACIAL
a~=b~~=
=
r==~=~===~===~~==~=
~= ~~K= b~= = ~= = = t~= q= ~~= =
~= = ~= ~~W= ~= ~= ~= = ~~I= ~= ~= ~=
~==~=~==~=~=~K=lI==~~=k=
Ì= ~= ~= x~~z= = = = ~= ~= = = ~=
~=~~==~===~~=~==~=~~==~K=
=
d~~I=J=~~==~=~=~=~=~I=~=
~= ~~= = ~I= ~~= = = ~= ~= = = ~=
~K=l======\=p=~===
= = = ~I= = = = ~== ~= ~= ~~= ~=
~= K= l= = = ~= ~= = ~= = ~~= = =
= = ~I= ~= = = = ~= ~I= = ~=
~=~=~==~==~~K==
^~=b~~=
=
^= = ~~= = = = ~= ~~= = ~=
~~= ~~K= b= = = ~= = = ~= =
~I= ~= ~~= ~= = ~~= = ~= ~=
~~~K= ^= = ~= ~= = ~= ~= = ~= =
~~~= = ~= ~= ~= ~~~I= ~= = ~= = =
~K= m~~= = ~= ~~= ~~I= J= ~= =
~I= = ~~= ~= ~= ~W= ~= = ~~= ~=
~= ~~I= ~= ~= ~= ~~= = = ~= = ~=
~~= = = = K= l= ~= = ~~= ~~= =
~=~~==~=~~===~===
(d ) =
i =1
j =1
wij (d )ij =
ENJNF=
=
b==~=~=~===~=~~~==
= = = ~= ~K= a~~= ~= ~= I= ~= ~= = =
~=~==~=~~==~=~=~~~===I==
I=~===~~~==~===K=^=~==
=~=~==~==~=~=~~~I===
===~=~I===~====j~=~~=~I=
==~=R==I=~====
n
I=
w ( z
i =1 j =1
ij
( z
z )( z j z )
i
ENJOF=
z )2
i =1
= = = N= = ~= ~= ~= ~~~= ~= = = = = ~I= = M= ~=
K=l===~===~~~I===~=
PI===~==~~=~=~==~I===~=~=
=~==
(d ) =
1 N (d )
[ z ( xi ) z ( xi + d )]2 =
2 N ( d ) i=1
ENJPF=
=kEF=====~~=~~~=~=~=K==
=
b= ~= = ~I= = ~= = = = ~~= = =
~==~===~===~=~~=~~==
~= ~K= s~= ~= = == ~~= ~~= =
~= = ~= ~~= = ~= = = ~= =
~= ~= ~~I= ~= ~= ~= ~= = = =
~=~~I=======~=~~==~=
=~=~==~==~==~=~K==
f~=b~~=~~=a~=b~~=
=
=r~= ~= ~= ~= ~= ~~= = = ~=
~=~~====~=====~==
~==~~====~~K=b=~=~~~I=~=
~=~~=~=~=~=~===~K=a=~=~I=
= = = = ~~= ~= ~~= ~= ~~I= = = =
~= = = = = = = ~= = ~~= = =
~I= ~~= ~= ~= = ~= = = ~=
~K=
=
k~=~=~==~I=~=~=~=~~~==~==
~= ~~= = = = = = ~~= I= ~=
=~=~=~~====K==~=~==
~~= ~~I= = = ~~= ~= ~= ~= ~=
I== ~== == = ~=~= ~= =
~~==~=~=~~===~=~~===
~K= ^= = ~= = I= ~~= = ~~= = u = = ~= = A =
~= = 2 I= = ~= = = = ~= z = = = z (u ) = = = =
~~==== {Z (u ), u A} K== k= ~I= = = ~=
= = ~= ~~= = = I= ~= = = =
= = = = = ~= ~= L= I= =
=~=K=
b~~~==f~=
=
l=~==~===~=~=~~==
~= ~~J= ~= = = N= = O= K= b= = N= = = =
~=~I==I=~=~====~K=b==O===~=
~~==~=~===K=r==~=====
===~~~K=l===~=~====
=N==O===~I==~=~==~~I==~I===
~K= r= = = = I= ~= = ~I= ~= ~~=
==~=~======~===K=
=
r=== Z ====~==~===~=
~~= = Z (u ) = = ~= = ~= ~= = = = A I= = ~= =
=~=~==
E{Z (u)} = m =
ENJQF=
= ~= ~= = ~~= ~~= = ~= = = ~=
== h = u u =
C (h) = E{Z (u ) Z (u + h)} E{Z (u )}E{Z (u + h)} =
ENJRF=
=
a~= = = ~~= I= ~= = ~= ~~~=
= = ~~= ~= ~= = = = ~= ~~= =
~~= ~I= = = = ~= ~= ~=
~~=~~K=k~=~~=~~= C h I=== h ==~=
~ h =~=K=n~=~=~==~~I=~==~~=
=~=~I=~~=~~===~=I=~==~==
~~K=k=~===~=~=~~==~=~==~=~=
I=J= = = = = K= ^= ~=~= ~==
~~=~~===~~~==~===K=m=~=
= ~= ~~= ~= ~~~= ~= = ~= ~= =
~~=~~==~=~=~====~=
=K=
1.5 O PROCESSO DA ANLISE ESPACIAL

=
^= ~= ~~= = ~= = = = = =
~~= ~= ~~= = ~= ~= = = = ~= =
= ~= = ~~= ~~= = = K=
l= = ~= ~= ~= = = = = =
==~=~~==~=~~==~I==~=~~=
= ~~K= b~= ~== = ~==~= ~= =
I=~=~= ~~= EF== = = ~= ~= =
= I= ~= ~= = ~= ~= I= = ~=~= ~=
=~=~==~~K=^~=====
~= = = ~= ~I= = ~= ~= ~= = =
~==~==~K===
=
l= = ~= ~~= = ~= ~~= = =
~=W=~~=~I=~~=~====~K=
^====~=~~===~=~====
= ~= ~= = ~= = = = K= l== ~~= ~= ~=
~===I====~===~=
= = = = = = = I= ~~~= = ~= ~I=
==~K=
=
^= i~= ~= = ~= ~= ~= = ~~I= ~=
=~=~==K=l=~=~==~=~=
~~= = = I= = ~= ~~= ~~= K= ^= ~= =
~~==I========~~=~=
=I====~~~==~=~~K=k==~=
~=~=~====~=~~==_=
eI=^~~~I=`~I=q~==k~~K=l==~=~==
~~==~=~===~=~====~=~=
= I= = = OMM= = = = = ~= ~= = ~K=
b~I=~=~=~~=~=~=~~====
=~=~I=~J=~=~K=m==~I=~=~I=
~= = = = I= ~= ~= ~= = ~=
~= ~I= = = = = ~~= ~= = = ~~=
~=~=~==K=l=~==~I==~~==I==
=~~~=~=~=~=~~=====~K=
r~= ~= ~~= = ~= ~~I= ~~= = =
~~==~~==~==~K=`==W=
n~==~=========~~\==
=
k~= ~= ~= = = = ~= i~I= ~= ~~=
~==~=======~=~==~=~=
==~=~=~I=====~W=
l= = ~~= ~I= = = = = ~= = ~=
~=~=~==~==~=~==~=~~==~=
===~=~===E~~===FK=
l= = ~I= = = = = ~= ~= ~~= =
~~= = K= k= ~I= ~= ~= ~~~= = = = ~= =
= ~= E~= = ~~= = F= ~= = ~= = =
~~K=
b=~=~~I=~===~=~====\==
=
m~~= ~= = ~= ~== = = = = ~=
~= ~~= = ~= ~= = ~= = ~= ~==
~~==~==~~======
~= ~= ~~= ~= = = = = K= k= ~= =
==~~=~=~==~=~~===
==~==~K==
b= ~= = ~~= ~~= = = ~= ~=
~\==
=
^~= = I= ~~I= = ~= ~= ~K= =
== ~~= ~~== = ~= = = ~= I==
I==K=b~I==~==~=~=~==~==
==~===~=~===~=~=
~I==~~=~=~==~~==~=
=~~~==~K=^===~=~=~=~=
~= ~= = I= = = = ~= ~= = ~= ~=
~~= = ~= ~K= l= = = ~= = ~= =
~= = ~I= = I= ~= K= f= I= ~=
~= = = ~= = ~= I= = ~= ~~= =
~K= ^= = = = ~= = ~= ~= ~= = = =
~= ~= ~= ~= ~~K= k= ~I= ~J= =
==~~=~K==
r~= = ~= ~= ~= = = ~= = =
= = = = = = ~= ~= = =
~~= I= = = = = ~~= = = =
~~=~=K=
j=f~=
=
j~= = = ~= = ~~I= = = ~=
~= = ~~~= ~~= ~~= ~= ~= ~= ~~=
~K= ^= ~= = ~= ~~= = = ~= ~I= =
===~~=~=====~=~==
==~I=======~~K=n~=~==
~= ~~= = ~= ~= = ~= ~\= `~= = ~~= = =
= = = ~~= ~~= ~~=~I= = = = =
~==~I==~======~==
~= = = ~I= ~= = ~= ~= = ~=
~==~K=r~=~=~~======~=
~= = = ~= ~= ~= ~~~= ~K= m= = ~I=
= = I= ~= ~= ~= ~= =
~~==~K=^=~=~===~I==~==
===I=~==~======~=~=
~= = ~= ~= ~= = = ~~= ~= = =
==K=
m=~==
=
m= ~= = = = = = = =
~= = = = I= ~= ~~= = ~~= =
= ~= K= ^= ~~= = = = = = = I=
======~=~K=`~J==
= = = (u1 , u 2 ,........) ~= ~~= = A = =
~= K= m= I= = = = = = =
==~=~~=I=~J=~====~=
=~~====I==~I=~=J== A ==
~=~~==~K===
=
l= = ~= = ~= ~= = S = = A =
~~= = ~= ~~= E [N (S )] = = ~= ~~= C N (S i ), N S j I= =
N (S ) =~======pK=p===~=~=~=
( )]
~= ~~= = = ~= = ~= I= ~=
~~===~=~==~==~=~~==
= = ~K= b= ~= = = = ~~= = N (S ) = ~~=
~= ~= = du = = = = u I= ~= ~= = ~= K=
b~= ~~= =~~= ~= E~= =~= FI=
=~=X==
E [N (du )]
I=
du
(u ) = lim
du 0
ENJSF=
=
m~= = ~= = = = ~= ~= ~= ~I=
~=~=~=~ ui , u j ==~==~=
du == du j ===== u i == u j K==
(d (ui ), d (u j )) =
=
( )]
C N (dui ), N du j
du i , du j 0
dui , du j
lim
==
ENJTF=
n~= = = = = ~I= (u ) = = ~= ~= (u ) = X= =
~==I= u i , u j ==== ( h ) I== h =~=~===

= K= n~= = = = = ~I= = ~I= ~= ~=
~=~~=~==Î=~=~=~=~==~= ui , u j =
=~=~=~~== (u ) K=l==~==~~==
~=OK=
s~~=~=
=
l= = ~= = ~~= ~= ~= = =
= { Z (u ), u A, A 2 } I= = ~= = = = =
===~=~==K=^=~==~=~~===~=
z I=~~==== u === A I {z (u ), = 1,.., n} I=~J=
=~==~==~== z K=^=~===
= = = ~= = ~= ~= J~~~= = ~=
~= = ~= = ~I= = = = = ~= P= = Q=
= K= b= = ~= = = ~= = =
=~==~~K==
=
^= ~~= ~= = = = = = ~W= ~=
~==~=~=~K=k~=~I==~~== uo I==
~=~=~=~~~= Z ==~I= z (uo ) =~J==~I=
Z (u ) I= = = = ~= = = ~= = ~= ~= = ~~= ~~=
o
Z (uo ) = f (C , (n )) K= b= ~= ~~= ~~= ~=
~W= = = = = = = = = = ~=
===~K===
=
k~= ~= ~I= = = = ~= ~=
= ~~~= Z = ~~= = ~~= = = = =
= = ~K= `~~= ~~= ~= ~~~= =
~= ~= = ~= ~= ~~= = = =
= ~~~= ~K= d~= ~= ~~= = ~= =
~===~====~~~=~~~I= F (z ) I==~=
~==~~=~~=~~K===
=
^=~==~====~== z =~~=
= ~~= ~= ~I= z (u ) I= ~= = ~= ~= ~=
= ~= ~~~= ~~= ~= = ~~= = =

~=~=====~~~K=m~~====
~I=~=~==~=~I=~==~~I===
~= ~= = = = = = ~= ~= = ~=
I= = I= = = ~= ~= = ~= = ~= = ~=
~~==~~===~==~=~~K=k=I=
= = = = = = = ~I= ~~= =
~=P==QK=
s~~=~=
=
l= = ~= = ~~= ~= = = =
= = = ~= ~~= = ~~~= ~= ~= ~~=
=K=b=~===~=~=~=~==
= ~~= = I= ~= = = I= =
~I= ~~= = ~K= k= ~I= = = ~= ~~=
~~==I=~===~=~~==~K=l===~=
= ~= = ~= ~~= = = = = K= l=
==~~=~==~==~=R==K=
=
k= = = ~= ~J= = = ~= = =
I=~==Î======~=~~K=l===
=~=~=~==== {Z i : i = 1,..., n} I=
= = = = = ~= ~~~K= _~J= = ~=
~~= ~~= ~= = ~= ~= ~= Z = {Z1 , ..., Z n } I=
= ~~= ~= ~~~= = ~~~= ~= ~= ~= ~= = = ~=
=~==~~K=p====~I==~=~==
Z i = ~= ~= ~= ~= = = ~= ~= = ~~= =
~=~=~I==~=~==~~==~=~K=
1.6 CONCLUSES
=
b= ~= ~= = ~= = = ~= ~~= =
~= = = = ~= = = ~= = ~= ~=
~~K= l= = = = ~= = ^= b~~= =
~= = = = ~= q~~= NJNI= = = ~~= ~=
~~=~~==K=
Tabela 1-1
Tipos de Dados e Problemas em Anlise Espacial =
Tipos de Dados
Exemplo
Problemas Tpicos
Analise
Padres
Pontuais
de
Eventos
Localizados
Ocorrncia de
Doenas
Determinao de Padres
e Agregamentos
Anlise
Superfcies
de
Amostras de
Campo e
Matrizes
Depsitos
Minerais
Interpolao e Medidas de
Incerteza
Anlise de reas
Polgonos e
Atributos
Dados
Censitrios
Regresso e Distribuies
Conjuntas
=
=
m~~==~=I==~=~==~=~=
~=^=b~~====~==I=====~=
c~= NJVK= l= ~~= = = = = E= `~=
= pI= d~= = p~= m~F= = ~= = =
I= = = ~= ~= = ~~= = pfdK= b~= ~=
==~===~=~~==~K=^=~=
~= ~I= = = = = ~~= = = ~=
~~I= = = = = ~= = = ~~= = =
~I=~~====^=b~~K=l=~=
= = = ~= = = ~~= ~= ~= =
~~=~=~==K==
=
Domnios do Conhecimento
Teorias
Conceitos
Qualitativos
Modelos
Inferenciais
Hipteses
Testveis
Anlise
Espacial
=
Figura 1-9 Relao entre anlise espacial e as teorias disciplinares.
=
`= = = ~I= = ~= = = ~= ~=
~= ~I= = = = = = ~~= ~~= ~K= l=
= ~= = = = ~~= ~~= ~=
==~K=j~====~=~==
~~=E=~I=~~=~==~~=~F=~~=
~~= ~= ~= ~= ~K= k= ~I= = = ~= =
= = ~= ~= = = = = I= = ~~= = =
~===~=~=~=~=~~~K==
=
b~= = ~= ~= = = = ~= = ~= ~= ~=
^=b~~K=^=~=~~~==^=b~~===
~=~=====~~==~==~~==
= = = K= p= = = = = ~= J= ~=
~~W= = = = ~= = = d~= =
b~~= b~~= = ~= ~= = ~~= ~I= ~= ~=
~~= = = ~= E~~= ~F= = ~=
~=E~~=~F==~~K=
=
^=~==~===~=====
==~=~==~==~=~=~~=
=~=K=m~~=~=~=~==j=p~I==~==
~= ~~I= ~= ~= ~~= = ~= = = = =
~= == X= ~= ~~= = ~~= ~= ~=
~~= ~~~K= `= = = = pfd= = = ~= ~~I= =
~~~= ~~~= ~= ~= = ~~= = ~I= ~= = ~=
==~~====X==~~=~=~=~=
~= = ~I= ~= ~= = = = I= ~= =
=~=~=~~=~==I=~=~~==
~K= ^= ~= = ~= = = ~~= = = =
~= ~= ~= = ~= ~= ~~~= E= = ~=
~= = ~~= = ~F= = = ~~= E= = ~=
~==FK==
=
b~= ~~= = = = ~= = = ~~= ~=
~= = ^= b~~= = d~K= k= ~~~= =
==~~=~I=====~~=
= ~= ~~I= = = = = ~= ~= ~~= =
~K=b===~=====~====
~=~===~~===~~==K=
1.7 REFERNCIAS
=
l=J===~=~~I===~~=~==
=~=~~==I==p~~=a~~=^~==b~=
E_~=~=d~I=NVVRFK=p===~====K=q=
_~= ~= ~= ~= ~= ~~= = ~K= l= = =
= = ~= ~= = c~= = ~K= EOMMNFI= I= ~=
======_~==d~I==~=~=K=
m~~= = ~= I= = = = j~= ENVVRF= ~~= ~=
~= ~= I= ~= = ~= ~= ~= ~= = ~~=
~~K= b= mI= = = = = o~= ^= EOMMNF=
~=~==~~~~==J~==~I=~==
~= ~= ~= ~~= = ~= = = ~= ~~= ~= =
K=
=
m~~= = = = ~= ~~= ~= ~I= = = =
`=ENVVNF=~~=~=~~===~I==~==
= = ~~= ~K= r~= ~= ~= = ~~I=
= = = = = = = = = = f~= = p~~~=
ENVUVFK= ^= = ~= dpif_I= ~= ~= ~= ~= ~~= ~~= =
= = ~~= = ~~I= = = ~~= =
==a==g=ENVVOFK=
=
m~~=~==~=~=d~I====~=
`~~= = ~K= EOMMNF= = _= = ja= ENVVUFK= `= ~= =
~= = ~~= = pfdI= = = = J= ~= `~~=
ENVVTFI= = = = = = = = ~= =
~= pmofkdK= l= = = p~~= `~~~= = ~~= = ~~=
=_=EOMMNFK=^~==^=b~~=~~=~==~=
~==~==`~~=ENVVTFK=
Î=oK=EOMMNFK=b~~=b~~==^~==b~I=
b~I= p~K= _= eI= rcjdK= E= =
YKKKL~~[F=
_~I=qK=~=^K=d~=ENVVRFK=p~~=a~~=^~==b~K=iI=
i~K=
_I= pK= EOMMNF= d~= ^~= = q~~= =
f~W=l=`~==w~=m=~~=~=p~==b~=
=p~~=`~~~K=a~=Ej~==p~=oF==
f=k~~==m~=b~~I=p=g==`~K=
_I= mK^KX= jaI= oKX= m= = d~~= f~=
pK=lI=l=r=mI=NVVUK==
`~~I=dKX=a~K`KX=jI=^KjKX=aDÎ=gK`K=f==`~=~=
d~K=p=g==`~I=fkmbI=OMMN=EO~K=I=~==
~~~I===KKKLLFK=
`~~I= bK= ENVVTFK= aI= f~= = = = q= = =
m= = d~= = Eh~F= = p~= =
m~= = f~= d~~= EpmofkdFK=
a~= Ej~= = p~= oF= = f= k~~=

=m~=b~~I=p=g==`~K=
`~~I= jKpK= ENVVTF= ^~= = j= = ^= b~~= ~=
`~~~= = ~= = o= = p~K= q= = a~= =
b~~=
_~I=
`lmmbLrcogK=
EfW=
YKKKL~~[=FK=
Ì=kK=ENVVNF=p~==p~~=a~~K=Ì=g=tK=
aI=`K==^K=g=ENVVOFK=dpif_W=d~~=p~=i~=~=
=K=k=vI=l=r=mK=
c~I= ^KpKI= `K= _= ^= jKbK= `~= EOMMMFI= n~~=
d~I=iW=p~K=
f~I=jK==bK=p~~~=ENVUVFK=^=f==^=d~K==
k=vI=l=r=mI=NVUVK=
j~I= aK= ENVVRFK= d~= f~= pW= p=
^~K=iI=oK=
qI=bK=ENVUPFK=q=s~=a~==n~~=f~K=Ì=
`qI=d~=mK=
=
APNDICE
SOFTWARE PARA ANLISE ESPACIAL
=
^= ~~= = ~= = ~= ~= = =
= = ~~= ~= ~= = ~~= ~~I= ~=
= I= = ~= ~= = = ~= =
==~I=~=~=~==~=~=~~K=
^= = I= ~= = = ~= pfd= = = = ~=
~~K=j~=I=~=~==~=~~==~=
~= ~= ~= ~= = = = = ~~= ~= ~= = pfd=
==_~K=b==~=~~~=~=~=~I==
~==~~===~===~~==~==
~==~K==
=
m~~= ~= = I= = ~= = ~= = =
~= = ~= ~~= = ~= ~~= = = ~= =
~=~======~=~~K=a~~=~=
~=~~I=J=~=====~=~=~=~~==
~~= ~K= m~~= ~= = ~~~~I= ~J= ~=
~= ~= = K~J~KI= ~= = d= aI= = =
~===~===~K=
=
^==~~=~=~=I=J=~~===faofpf===
do^ppI==pfd==~I==~===~=dpq^q==
~= = ~~= ~= ~~K= s~J= = = ~=
q~~=NJPK=
TABELA 1-2
GSLIB Biblioteca para Geoestatstica
Descrio
Biblioteca para desenvolvimento de programas em geoestatstica,

escrita em Fortran 90
Autores
Clayton Deutsch e Andr Journel
Disponibilidade
Software livre em <www.gslib.com>
Funes
Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D

e 3D).
Estimao: krigeagem simples e ordinria, com modelo de tendncia,
co-krigagem, krigeagem por indicao, simulao seqencial
(gaussiana e por indicao), com suporte a variveis contnuas ou
categricas.
Aplicabilidade
Geoestatstica Linear (cap 3) e por Indicao (cap 4)
=
=TABELA 1-3
GSTAT Software para Geoestatstica
Descrio
Ambiente para desenvolvimento de programas em geoestatstica,

escrito em C. Possui interface com IDRISI e GRASS.
Autores
Edsger Predesma
Disponibilidade
Software livre em <www.gstat.org>
Funes
Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D

e 3D).
Estimao: krigeagem simples, ordinria e universal (com modelo de
tendncia), co-krigagem, krigeagem por indicao, simulao
seqencial (gaussiana e por indicao), com suporte a variveis
contnuas ou categricas.
Aplicabilidade
TABELA 1-4
ClusterSeer Clustering de Processos Pontuais=
Descrio
Programa para deteco de clusters (conglomerados) associados a

eventos
Autores
Godfrey Jacquez
Disponibilidade
Software comercial em <www.terraseer.com>
Funes
Deteco de Conglomerados Espaciais: testes focados (Diggle, Bithell,

Besag e Newell, Turnbull) e globais (Besag e Newell, funo K de
Ripley).
Deteco de Conglomerados Espao-Temporais (Kulldorff)
Aplicabilidade
Anlise de Eventos (cap 2)
=
TABELA 1-5
CrimeStat Anlise de Estatsticas Criminais=
Descrio
Software para anlise de eventos associados a criminalidade
Autores
Disponibilidade
Software livre em <www.icpsr.umich.edu/NACJD/crimestat.html>
Funes
Estatsticas descritivas: centro mdio, elipse dos desvios padres,

ndice I de Moran.
Deteco de conglomerados: funo K de Ripley, k-mdias e ndices
locais de Moran.
Estimador de densidade: kernel estimator.
Aplicabilidade
=
Anlise de Eventos (cap 2)
TABELA 1-5
SpaceStat Anlise Espacial de reas =
Descrio
Software para anlise espacial de reas, com nfase em tcnicas de

regresso espacial. Possui interface com ArcView.
Autor
Luc Anselin
Disponibilidade
Comercial em http://www.spacestat.com/
Funes
Anlise ExploratriaW=estatsticas descritivas, ndice I de Moran (global

e local), mapa de Moran, ndice C de Geary, com testes de hipteses
sobre autocorrelao espacial.
EstimaoW= Regresso por mnimos quadrados, e regresso espacial
com vrias tcnicas: modelos SAR (spatial lag e spatial error), com
incluso de heterocedasticidade.
Aplicabilidade
Anlise de reas (captulo 5)
=
TABELA 1-6
SPRING =
Descrio
Software de geoprocessamento de propsito geral, com funes de

processamento de imagens, modelagem de terreno, lgebra de mapas
e consulta a bancos de dados geogrficos. Possui interface com
SpaceStat e suas funes de geoestatstica utilizam a GSLIB.
Autores
Equipe da Diviso de Processamento de Imagens do INPE
Disponibilidade
Software livre em <www.dpi.inpe.br/spring>
Funes
de Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D
Anlise Espacial e 3D), ndice I de Moran (global e local), mapa de Moran, ndice C de
Geary, com testes de hipteses sobre autocorrelao espacial.
Deteco de conglomerados: funo K de Ripley, vizinho mais prximo
e ndices locais de Moran.
Estimador de densidade: kernel estimator.
Estimao: krigeagem simples e ordinria, krigeagem por indicao,
simulao seqencial (gaussiana e por indicao), com suporte a
variveis contnuas ou categricas.
Aplicabilidade
=
Anlise de eventos (cap 2), geoestatstica Linear (cap 3) e por

Indicao (cap 4), anlise de reas (cap 5).
TABELA 1-7
ArcGIS Geostatistical Analyst=
Descrio
Extenso do ArcGIS (software de geoprocessamento de propsito

geral)
Autores
Konstantin Krivoruchko e equipe da ESRI
Disponibilidade
Comercial em <www.esri.com>
Funes
de Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D
Anlise Espacial e 3D), anlise de tendncias
Estimao: krigeagem simples e ordinria, krigeagem por indicao,
co-krigagem e krigeagem disjuntiva
Aplicabilidade
=
=
2 ANLISE ESPACIAL DE EVENTOS

Gilberto Cmara
Marilia S Carvalho
2.1 INTRODUO
Neste captulo sero estudados os fenmenos expressos atravs de ocorrncias
identificadas como pontos localizados no espao, denominados processos pontuais.
So exemplos: localizao de crimes, ocorrncias de doenas, e localizao de
espcies vegetais. O objetivo destas anlises estudar a distribuio espacial destes
pontos, testando hipteses sobre o padro observado: se aleatrio, se apresentase em aglomerados ou se os pontos esto regularmente distribudos. O objeto de
interesse a prpria localizao espacial dos eventos em estudo.
O tipo de dado nestes estudos consiste em uma srie de coordenadas de pontos
(p1, p2, ...) dos eventos de interesse dentro da rea de estudo. O termo evento
refere-se a qualquer tipo de fenmeno localizvel no espao que, dentro de nossa
escala de investigao, possa estar associado a uma representao pontual.
Exemplos incluem:
Epidemiologia: residncia de casos de doenas
Sociologia: local de ocorrncia de ofensas criminais
Demografia: localizao de cidades
Biologia: localizao de espcies vegetais de interesse
Para ilustrar estes conceitos, considere a figura 2.1, que apresenta a distribuio
de 299 bitos de menores de um ano, registrados no ano de 1998, de crianas
nascidas no mesmo ano na cidade de Porto Alegre, Rio Grande do Sul, divididos
em neonatais (menores de 28 dias de nascidos) e posneonatais (entre 28 dias e um
ano). A anlise de padres neste tipo de dado pode ser utilizada como uma forma
de identificao de possveis reas com maior concentrao de mortes infantis, de
comparao entre os bitos nos dois grupos de idade, e de identificao de fatores
de risco associados a esta ocorrncia.
Os dados de distribuies pontuais tm as seguintes caractersticas:
A rea dos eventos no uma medida vlida apesar de em muitos casos

ocuparem espao. Mesmo na anlise do padro de distribuio de cidades estas
so consideradas como um ponto no espao do estudo.
Os pontos em geral no esto associados a valores, mas apenas ocorrncia

dos eventos considerados.
Em alguns estudos os pontos podem estar associados a atributos de

identificao, como no exemplo acima, em bitos neonatais e posneonatais.
Quando este atributo elemento do estudo, atravs da comparao da
distribuio espacial destes atributos, denomina-se processo pontual marcado.
Figura 2-1 - Distribuio espacial de mortalidade infantil neonatal e posneonatal

- em Porto Alegre em 1998.
Nosso interesse primrio ao analisar padres de distribuio de pontos

determinar se os eventos observados exibem algum padro sistemtico, em
oposio uma distribuio aleatria. Busca-se detectar a existncia de padro de
conglomerados espaciais (cluster), atravs da constatao de um nmero acima do
esperado de casos excessivamente prximos, considerando uma distribuio
estocstica, usualmente um processo de Poisson. Se um padro de eventos pontuais
apresentar desvios significativos do comportamento esperado para uma
distribuio de Poisson, isto indica a existncia de uma distribuio espacial
diferente da completa aleatoriedade, que merece ser objeto de maior anlise.
Anlise Espacial de Dados Geogrficos
2-2
2.2 CARACTERIZAO DE DISTRIBUIES DE PONTOS

Numa viso estatstica, processos pontuais so definidos como um conjunto de
pontos irregularmente distribudos em um terreno, cuja localizao foi gerada por
um mecanismo estocstico. Para sua caracterizao, este processo estocstico pode
ser descrito em termos dos efeitos de primeira ordem e efeitos de segunda ordem.
Os efeitos de primeira ordem, considerados globais ou de larga escala,
correspondem a variaes no valor mdio do processo no espao. Neste caso,
estamos interessados na intensidade do processo, isto , no nmero de eventos por
unidade de rea. Efeitos de segunda ordem, denominados locais ou de pequena
escala, representam a dependncia espacial no processo, proveniente da estrutura
de correlao espacial. Para medir a dependncia espacial, procuramos estimar o
relacionamento entre pares de eventos (por unidade de rea) no espao, o que
corresponde a uma aproximao do clculo da covarincia entre as variveis
aleatrias que representam cada evento1.
Considera-se um conjunto de pontos (u1 , u 2 ,........) numa determinada regio A
onde ocorreram eventos. O processo pontual modelado considerando subregies
S em A atravs de sua esperana E [N (S )] e a covarincia C N (Si ), N S j , onde
( )]
N (S ) denota o nmero de eventos em S. Sendo o objetivo da anlise estimar as
localizaes provveis de ocorrncia de determinados eventos, essas estatsticas

devem ser inferidas considerando o valor limite da quantidade de eventos por rea.
Este valor limite corresponde esperana de N (S ) para uma pequena regio
du em torno do ponto u , quando essa tende a zero. Essa esperana denominada
intensidade (propriedade de primeira ordem), sendo definida como
E [N (du )]
,
du
(u ) = lim
du 0
(2.1)
Propriedades de segunda ordem podem ser definidas da mesma forma,

considerando a intensidade conjunta ui , u j entre duas regies infinitesimais | du |
e du j que contm os pontos u i e u j .
(d (ui ), d (u j )) =
Quando o
( )]
C N (dui ), N du j
du i , du j 0
dui , du j
lim
(2.2)
processo estacionrio, (u ) uma constante, ou (u ) = ; se
tambm isotrpico, u i , u j se reduz ( h ) , sendo h a distncia entre os dois

pontos. Quando o processo no estacionrio, ou seja, a intensidade mdia varia
Vale relembrar a discusso do seo 1, onde caracterizamos os eventos no espao por um processo
estocstico, onde cada ocorrncia uma realizao de uma varivel aleatria distinta.
2-3
na regio A, a modelagem da estrutura de dependncia ui , u j deve incorporar a
variao de (u ) . A maior parte das tcnicas de anlise de distribuio de pontos

supe, explcita ou implicitamente, um comportamento estacionrio e isotrpico
do processo aleatrio subjacente aos eventos analisados.
No exemplo acima da mortalidade infantil, a ocorrncia dos bitos est
condicionada pela distribuio dos nascimentos. Alm disso, caractersticas
individuais da criana, tais como prematuridade e peso, so importantes
condicionantes do bito. possvel, entretanto, modelar estes eventos e detectar
reas de sobre-risco, considerando simultaneamente o padro de distribuio dos
nascimentos e bitos, e verificando a variao da intensidade do evento na regio e
a estrutura de correlao local.
A anlise estatstica dos padres de distribuies de pontos requer um modelo
terico de referncia, base para o desenvolvimento de mtodos formais que checam
a significncia dos resultados exploratrios. O modelo terico mais simples (e
bastante aplicado na prtica) conhecido como aleatoriedade espacial completa
(complete spatial randomness - CSR). Este modelo divide a regio de estudo A
em subreas Si e modela a distribuio de eventos pontuais como um processo
aleatrio
{Z i (ui ), ui S i : i = 1,..., n}
(2.3)
Neste caso, consideramos Zi(ui) como o nmero de eventos que ocorrem na

sub-rea Si. No modelo CSR, consideramos que as ocorrncias em cada sub-rea
so no-correlacionadas e homogneas, e esto associadas mesma distribuio de
probabilidade de Poisson. Numa viso intuitiva, pode-se considerar que a posio
dos eventos independente e de que os eventos tem igual probabilidade de
ocorrncia em toda a regio A.
Esta formulao nos permite estabelecer uma base de comparao entre uma
distribuio completamente aleatria (que seria gerada por um processo de
Poisson) e os dados coletados em campo. O procedimento mais usual para estimar
a probabilidade associada ao padro encontrado ser produzir uma simulao do
processo aleatrio na regio de estudo. Dado um nmero fixo de eventos medidos
em campo (denotado por n), determinamos o retngulo envolvente da regio A
(seja {(x,y) : x1 x x2, y1 y y2} ). Os eventos so gerados a partir de abscissas
x, obtidas de uma distribuio uniforme em (x1,x2) e de ordenadas y, obtidas de
uma distribuio uniforme em (y1,y2). Pontos que caem fora da regio so
rejeitados. Este processo repetido at que n eventos tenham sido obtidos na
regio.
Podemos gerar um conjunto de simulaes, para que possamos obter uma
base de comparao entre o comportamento de um processo aleatrio e a
distribuio dos eventos medidos. Os conceitos de CSR so utilizados para
2-4
caracterizar os efeitos de segunda ordem em distribuio de pontos, utilizando os

mtodos do vizinho mais prximo e da funo K, descritos a seguir. So tambm
utilizados para avaliao em vrios mtodos de deteco de aglomerados (clusters).
2.3 ESTIMADOR DE INTENSIDADE ("KERNEL ESTIMATION")

Uma alternativa simples para analisar o comportamento de padres de pontos
a estimar a intensidade pontual do processo em toda a regio de estudo. Para
isto, pode-se ajustar uma funo bi-dimensional sobre os eventos considerados,
compondo uma superfcie cujo valor ser proporcional intensidade de amostras
por unidade de rea. Esta funo realiza uma contagem de todos os pontos dentro
de uma regio de influncia, ponderando-os pela distncia de cada um
localizao de interesse, como mostrado na Figura 2-2.
Kernel k()
Largura
Figura 2-2 - Estimador de intensidade de distribuio de pontos.
A partir dos conceitos apresentados, suponha e u1,...,un so localizaes de n

eventos observados em uma regio A e que u represente uma localizao genrica
cujo valor queremos estimar. O estimador de intensidade computado a partir dos
m eventos {ui,...ui+m-1} contidos num raio de tamanho em torno de u e da
distncia d entre a posio e a i-sima amostra, a partir de funes cuja forma geral
:
(u ) =
k(
d (ui , u )
i =1
) , d (ui , u )
(2.4)
Este estimador chamado kernel estimator e seus parmetros bsicos so: (a)
um raio de influncia ( 0) que define a vizinhana do ponto a ser interpolado e
controla o "alisamento" da superfcie gerada; (b) uma funo de estimao com
propriedades de suavizao do fenmeno. O raio de influncia define a rea
centrada no ponto de estimao u que indica quantos eventos ui contribuem para a
estimativa da funo intensidade . Um raio muito pequeno ir gerar uma
superfcie muito descontnua; se for grande demais, a superfcie poder ficar muito
amaciada. No caso da funo de interpolao k(), comum usar funes de terceira
ou quarta ordem, como
2-5
k ( h) =
(1 h 2 )
(2.5)
ou o kernel gaussiano
k ( h) =
h2
exp 2
2
2
(2.6)
Nestes estimadores, h representa a distncia entre a localizao em que

desejamos calcular a funo e o evento observado. Com o uso desta funo de
quarta ordem (equao 2.5), o estimador de intensidade pode ser expresso como:
(u ) =
3 h2
2 1 i2
hi
(2.7)
O estimador de intensidade muito til para nos fornecer uma viso geral da
distribuio de primeira ordem dos eventos. Trata-se de um indicador de fcil uso
e interpretao. A figura 2.3 ilustra a aplicao do estimador de intensidade para o
caso de mortalidade por causas externas em Porto Alegre, com os dados de 1996.
A localizao dos homicdios (vermelho), acidentes de trnsito (amarelo) e
suicdios (azul) esta mostrada na figura 2.3 esquerda e o estimador de intensidade
dos homicdios apresentado na figura 2.3. A superfcie interpolada mostra um
padro de distribuio de pontos com uma forte concentrao no centro da cidade
e decrescendo em direo aos bairros mais afastados.
Figura 2.3: Distribuio de casos de mortalidade por causas externas em Porto Alegre em 1996 e
estimador de intensidade.
2-6
2.4 ESTIMADORES DE DEPENDNCIA ESPACIAL

Para a estimao de propriedades de segunda ordem do processo pontual, as
tcnicas mais utilizadas so o vizinho mais prximo e a funo K, descritos a seguir.
Mtodo do Vizinho Mais Prximo
O mtodo do vizinho mais prximo estima a funo de distribuio
cumulativa G ( h) baseado nas distncias h entre eventos em uma regio de anlise.
Esta funo de distribuio pode ser estimada empiricamente da seguinte forma:
#( d (ui , u j ) h)
G ( h) =
n
(2.8)
onde o valor normalizado acumulado para uma distncia h corresponde soma

dos vizinhos mais prximos de cada evento cuja distncia menor ou igual a h,
dividido pelo nmero de eventos na regio.
A plotagem dos resultados desta funo de distribuio cumulativa
emprica G ( h) pode ser usada como um mtodo exploratrio para se verificar se
existe evidncia de interao entre os eventos. Se esta plotagem apresentar um
crescimento rpido para pequenos valores de distncia, esta situao aponta para
interao entre os eventos caracterizando agrupamentos nestas escalas. Se esta
plotagem apresentar valores pequenos no seu incio, e s crescer rapidamente para
valores maiores de distncia, esta situao aponta para uma distribuio mais
regular. A Figura 2-4 mostra a funo G ( h) para os dados de mortalidade infantil
de Porto Alegre (figura 2.1), com distncia mnima de 0 km e distncia mxima de
1 km. Verifica-se que a curva mostra um crescimento acentuado para distncias at
500 m para depois se estabilizar, o que caracteriza agrupamento nesta faixa de
distncias.
Figura 2-4 Funo vizinho-mais-prximo para mortalidade infantil neonatal em Porto Alegre.
2-7
A anlise de vizinhana pode ser usada como mtodo formal para se comparar
estatsticamente a distribuio dos eventos observados com o que se esperaria na
hiptese da aleatoriedade espacial completa (CSR). Esta metodologia consiste em
se criar envelopes de simulao para a distribuio CSR, a fim de se acessar a
significncia dos desvios. Na hiptese de CSR, a funo de distribuio G(w) seria
dada por um processo de Poisson
G ( h) = 1 e h h 0
2
(2.9)
A estimao simulada para a distribuio G(w) assumindo-se CSR calculada

como
k
G ( h) =
G i (h)
i
(2.10)
onde G i ( h) , i=1,2..,k so funes de distribuio empricas, estimadas a partir de

k simulaes independentes dos n eventos, na hiptese de CSR (n eventos
independentes e uniformente distribudos). Para verificar a condio de
aleatoriedade, calculamos ainda os envelopes de simulao superior e inferior,
definidos como se segue:
U (h) = max{ G i (h)}, i = 1,..., k
L( h) = min { G i (h)}, i = 1,..., k
(2.11)
A plotagem da distribuio estimada G ( h) versus a distribuio simulada

G (h) , com a adio dos envelopes inferior e superior, permite medir a
significncia dos desvios relativo a aleatoriedade. Se a condio CSR for vlida

para os dados observados, o grfico da curva de G ( h) versus G (h) deve ser
praticamente linear com um ngulo de 45 graus. Se o dado apresenta tendncias
para agrupamentos, os traados no grfico estaro acima da linha de 45 graus, ao
passo que para padres de regularidade os traados ficaro abaixo da linha de 45
graus.
A Figura 2-5 mostra um exemplo de grfico mostrando o posicionamento da
distribuio e dos envelopes com relao a linha de 45 graus, para os dados
referentes mortalidade infantil neonatal em Porto Alegre. Neste caso percebe-se a
posio dos envelopes e da distribuio acima da linha de 45 graus, o que
caracteriza agrupamento para as distncias em anlise.
2-8
Figura 2-5 Grfico de G ( h) (estimado) versus G (h) (CSR), com envelopes superior e inferior,
para os dados de mortalidade neonatal em Porto Alegre
Embora o mtodo do vizinho mais prximo fornea uma indicao inicial da
distribuio espacial, ele considera apenas escalas pequenas. Para se ter informao
mais efetiva para o padro espacial em escalas maiores, o melhor mtodo a ser
utilizado o da funo K.
Funo K
A funo K, tambm denominada medida de momento de segunda ordem
reduzido, definida para o processo univariado como:
K(h) = E(# eventos contidos a uma distncia h de um evento arbitrrio) (2.12)
onde # est associado ao nmero de eventos, E() o operador de estimativa, e
a intensidade ou nmero mdio de eventos por unidade de rea, assumida
constante na regio. Uma estimativa de K(h) :
A
K (h) = 2
n
I h ( d ij )
j ,i j
wij
(2.13)
onde A a rea da regio, n o nmero de eventos observados, Ih(dij) uma funo

indicatriz cujo valor 1 se (dij) <= h e 0 em caso contrrio, e wij a proporco da
circunferncia do crculo centrado no evento i que est dentro da regio (correo
devido ao efeito de borda).
A funo K usada como ferramenta exploratria na comparao entre
estimativa emprica K (h) e a resultante de um processo de padro de pontos
2
espacial aleatrio K (h) . Para um processo aleatrio K(h) seria h . Portanto,

uma forma de comparar a estimativa K de um conjunto de dados observados com
2
h seria plotar a funo L (h) definida como:
2-9
L (h) =
K (h)
(2.14)
O grfico de L (h) em funo da distncia h indica atrao espacial entre

eventos ou agrupamentos para valores positivos, sendo o agrupamento mais forte
em picos positivos, e indica repulso espacial ou regularidade em pontos de valores
negativos. Uma abordagem similar do vizinho mais prximo pode ser feita para
se estimar a significncia dos desvios da distribuio L (h) em relao condio
de aleatoriedade (CSR). Os envelopes inferior e superior so construdos a partir
de k simulaes independentes de n eventos na regio A. Na anlise do grfico com
a distribuio e os envelopes, picos positivos na funo estimada L (h) que esto
acima do envelope superior evidenciam ocorrncia de agrupamento na escala
considerada, portanto, se todos os valores da funo L (h) estiverem acima do
envelope superior e com valores positivos, teremos agrupamentos em todas as
escalas. Depresses negativas na funo estimada L (h) que estiverem abaixo do
envelope inferior, evidenciam regularidade nessa escala, portanto, se todos os
valores de L (h) estiverem abaixo do envelope inferior e com valores negativos,
tem-se regularidade em todas as escalas.
A Figura 2-6 mostra o grfico da funo L (h) e dos envelopes de simulao
para o dado de Porto Alegre (Figura 2-1). Verifica-se valores positivos para a
funo L, estando os mesmos acima dos envelopes, o que caracteriza agrupamento
em todas as escalas de distncia.
Figura 2-6 Funo K com simulao para os dados de mortalidade neonatal em Porto Alegre.
2-10
2.5 PROCESSO PONTUAL MARCADO

Um das situaes mais importantes na anlise espacial de pontos a
possibilidade de comparao entre dois processos espaciais. Tipicamente, um dos
processos representa os casos em estudo, e o outro os casos de um processo
pontual que representa um conjunto de casos de controle. Por exemplo, num
estudo realizado por Peter Diggle na Inglaterra sobre cncer de laringe, foi
utilizado dados de cncer de pulmo como indicadores da distribuio espacial da
populao. Esta situao pode ser generalizada supondo dois processos pontuais, o
primeiro cujos casos localizam-se em (u1,u2,...,u1) e o segundo cujos casos esto nos
pontos (un+1,un+2,...,un+m). Cada tipo de evento pode ser modelado como uma
distribuio de Poisson, I e II, com intensidades 1(u) e 2(u). Define-se o risco na
localidade u como uma funo da razo entre 1 e 2. O objetivo da anlise
investigar a variao espacial desta razo na regio.
Se estimarmos a intensidade de cada processo atravs de uma funo kernel, a
razo entre as duas funes ser a intensidade do risco. E cada uma das funes
estudadas anteriormente pode ser adaptada para verificar a relao entre os pontos
do processo I com os pontos do processo II. Por exemplo, visando estudar a
disperso de duas espcies vegetais pode-se verificar a relao de cada ponto com o
vizinho mais prximo da outra espcie.
2.6 ESTUDOS CASO-CONTROLE

Considere-se um tipo de estudo onde temos dois tipos de eventos, por
exemplo recm-natos que morrem antes de completar um ano e os que sobrevivem
a esta idade. Sendo esta varivel do tipo binomial a resposta do estudo, dependente
de diversas covariveis tais como prematuridade, existncia de doenas na
gravidez, escolaridade da me, e incluindo sua localizao no espao, pode-se
modelar o processo utilizando o mtodo clssico de regresso logstica, prprio
para este tipo de distribuio. O que particulariza o contexto espacial a forma de
se incluir a localizao dos pontos no modelo. Diversas formas de estimar este
risco em cada localidade so possveis, entre as quais utilizar o mesmo kernel da
razo como um dos termos da regresso, que toma uma forma semi-paramtrica
abaixo:
logit( yi ) = xi + g( si ) ,
(2.15)
onde:
yi a varivel resposta, e tem a forma sim/no, zero/um (bitos/nascimentos),
a funo de ligao da regresso o logit, como usual para dados binomiais,
xi o vetor de covariveis,
2-11
o vetor de parmetros estimado pelo modelo, que no caso da regresso
g(si) a razo do estimador de intensidade kernel de casos e controles.
logstica a razo de chances (odds ratio) relacionada a cada covarivel,
O ganho deste tipo de modelagem possibilitar a estimativa da variao

espacial do risco, controlando pelos fatores conhecidos de variao de risco. Os
procedimentos de estimao dos parmetros destes modelos baseia-se em mtodos
iterativos usuais de modelos aditivos generalizados, onde se estima os parmetros
da regresso, e sobre os resduos estima-se a funo kernel, e assim sucessivamente
at que as estimativas no mais se alterem. O mtodo permite identificar reas de
sobre ou sub risco significativamente diferente da mdia global. A largura de banda
a ser utilizada importante, e pode ser definida atravs de mtodos automticos ou
selecionada pelo pesquisdor visando ajustar a uma conhecida estrutura espacial. No
estudo da mortalidade infantil em Porto Alegre (figura 2-1) os dados foram
analisados segundo esta proposta, incluindo como fatores de risco individuais: (a)
peso ao nascer, (b) semanas gestacionais, (c) sexo da criana, (d) (e) idade da me,
(f) grau de instruo da me, (g) tipo de gravidez e (h) tipo de parto, numa
regresso logstica cuja expresso :
p (s, x ) + sexo + peso + idade + inst + ges + grav + parto + g(s).
1
2
3
4
5
6
7
log
= 0
1 p ( s, x )
(2.16)
A interpretao dos resultados razoavelmente direta: os parmetros indicam a
razo de chances estimada pelo modelo (Quadro 2-1), da forma usual da regresso
logstica, e no mapa so apresentadas as reas onde a probabilidade de obter o
valor do kernel estimado est significativamente diferente da intensidade mdia
do processo. O algoritmo para estimar a largura de banda tima para os dados
utiliza validao cruzada de mnimos ponderados para o passo de regresso noparamtrica. No passo de suavizamento (Eq. 2.15) escolhe-se o valor de h que
minimiza:
wi {zi g 1( si )}
n
CV ( h ) =
i =1
(2.17)
onde g 1 ( s i ) a estimativa de g( s i ) construda com o valor de banda h usando

todos os dados com exceo do par (si, zi). Testa-se diferentes valores de h, sendo
escolhido o que minimiza o somatrio.
2-12
Quadro 1: Estimativas dos efeitos de covariveis utilizando o valor da banda

obtido por validao cruzada
Fator
Intercepto
Estimativa
Erro padro
P-valor
4,0717
0,9487
0,0000
Sexo
-0,3674
0,2713
0,1761
Peso ao nascer
-0,0018
0,0002
0,0000
Idade da me
-0,0131
0,0197
0,5059
Instruo da me
0,0718
0,2753
0,7942
Durao da gestao
1,1685
0,3737
0,0018
Tipo de gravidez
-0,2006
0,6558
0,7598
Tipo de parto
-0,5320
0,2838
0,0613
A figura 2-7 mostra os mapas de risco para a mortalidade infantil aps, includas as
co-variveis individuais da criana e da me. interessante observar que no centro
da cidade de Porto Alegre existe uma regio onde o risco da mortalidade
significativamente menor e outra onde maior. Quanto s variveis individuais,
somente foram significativas o peso ao nascer, que reconhecidamente a varivel
mais associada mortalidade neo-natal, e a durao da gestao, indicativo de
prematuridade. Alm de mapeamento do risco, importante avaliar se a superfcie
estimada varia significativamente na regio, ou seja, se existem evidncias
estatsticas suficientes para rejeitar a hiptese nula de risco constante na regio,
tendo-se controlado os fatores individuais de risco. Em termos do modelo, isso
equivale ao teste da hiptese H0: g(s)=0. Tambm de interesse a construo de
contornos de tolerncia que auxiliam na identificao de reas onde o risco
significativamente superior (ou inferior) mdia global. Ou seja, reconhecendo o
papel de um dado fator como um preditor importante da mortalidade infantil e
controlando-o, deseja-se identificar reas onde o risco significativamente mais
elevado, buscando orientar a interveno.
2-13
Figura 2-7. Mapas de risco para a mortalidade infantil, controlando para fatores individuais, com a
largura de banda estimada por validao cruzada, Porto Alegre, 1998
O teste global do risco e a identificao de reas de baixo e alto risco podem
ser feitos utilizando o mtodo de simulao Monte Carlo, seguindo os passos do
algoritmo abaixo:
1. Ajustando-se um modelo de regresso logstica convencional, para cada evento
caso ou controle estima-se a probabilidade ajustada pi . Ou seja, dadas as
covariveis daquele registro, qual a probabilidade ser um caso.
2. Fixando-se as localizaes de cada ponto, amostra-se m dos n indivduos (sem
reposio) com probabilidade proporcional a pi e estes so rotulados como
casos e os n-m restantes como controles.
3. Calcula-se uma nova estimativa de g(s), g 1 ( s ) , a estimativa centralizada em
~ ( s ) = g ( s ) g , onde g = n 1 n g ( s ) e a estatstica
torno da mdia g
1
1
1
1
1
i
n
i =1
2
t 1 = n 1 g~1 ( si ) .
i =1
4. Repete-se os passos 1 e 2 m vezes.

5. Constri-se uma superfcie de p-valores que para cada s fornece a proporo
~ ( s ) , j=1,,m, menores do que a estimativa original,
dos valores de g
j
~ (s).
digamos g
0
2-14
6. Adiciona-se os contornos de 0.05 e 0.95 da superfcie de p-valores ao mapa de

g~0 ( s ) como contornos de 90% de confiana para indicar reas de alto/baixo
risco.
7. Para o teste de hiptese, define-se k o nmero de tj>t0 (obtida a partir de
g~0 ( s ) ) e o nvel de significncia correspondente por p = ( k + 1 ) ( m + 1 ) .
2.7 REFERNCIAS
A referncia das tcnicas mais bsicas apresentadas neste captulo o livro de
Trevor Bailey, Spatial Data Analysis by Example (Bailey and Gattrel, 1995). As
tcnicas de caso-controle espacial foram desenvolvidas por Peter Diggle e
colaboradores, e a maior parte das rotinas e algoritmos est disponvel na pgina
da do Departamento de Matemtica e Estatstica da Universidade de Lancaster
(http://www.maths.lancs.ac.uk). O relatrio tcnico An S+ library on risk
estimation and cluster detection in case-control studies, de Jarner, M. F. and
Diggle, P. J., mostra as funes desenvolvidas e como us-las. Est disponvel em
http://www.maths.lancs.ac.uk/dept/stats/techabstracts02.html.
Os modelos aditivos generalizados, que servem de base para a extenso
espacial podem ser melhor estudados em HASTIE, T. J.; TIBSHIRANI, R. J.,
1990, Generalized Additive Models. London:Chapman and Hall. Um excelente
livro para estudar modelos de regresso o HOSMER, D. W.; LEMESHOW, S.,
1989, Applied Logistic Regression. New York:Wiley.
Os trabalho sobre mortalidade infantil em Porto Alegre foi publicado no
nmero especial dos Cadernos de Sade Pblica sobre o tema de estatsticas
espaciais em sade (volume 17(5), outubro-novembro 2001, 1251-1261),
disponvel na Internet (www.scielo.br).
1. DIGGLE, P. J., 1992. Point process modelling in environmental epidemiology.

Relatrio Tcnico MA92/70, Lancaster: Department of Mathematics and
Statistics, Lancaster University.
2. KELSALL, J. E.; DIGGLE, P. J. , 1995b. Non-parametric estimation of spatial
variation in relative risk. Statistics in Medicine, 14:2335-2342.
3. KELSALL, J. E.; DIGGLE, P. J., 1998. Spatial variation in risk of disease: a
nonparametric binary regression approach. Applied Statistics, 47:559-573.
2-15
ANLISE ESPACIAL DE SUPERFCIES

Eduardo Celso Gerbi Camargo
Suzana Druck Fucks
Gilberto Cmara
3.1 INTRODUO
No captulo anterior, apresentamos tcnicas de Anlise Espacial para eventos
discretos, associados a ocorrncias pontuais. Neste captulo, apresentamos tcnicas
para tratamento e anlise de dados de superfcies. De uma forma geral, estes dados
esto disponveis na forma de amostras pontuais, e para utiliz-los de forma efetiva
em um ambiente de Geoprocessamento, necessitamos de um procedimento de
interpolao, para gerar uma representao na forma de grade regular, como
ilustrado na Figura 3-1.
As amostras so valores representativos do fenmeno estudado, usualmente
obtidas a partir de levantamento de campo, e que apresentam consistncia de
metodologia e unidade. Conforme explicado no captulo 1, essas amostras podem
representam tanto variveis naturais (como teor de argila no solo) como
socioeconmicas (como taxa de homicdios).
Figura 3-1 Ilustrao do processo de interpolao: amostras (cruzes) e aproximao da

superfcie por uma grade regular (crculos).
Para gerar superfcies que aproximem o fenmeno estudado de forma realista,
necessrio modelar sua variabilidade espacial. Os modelos que objetivam gerar
superfcies a partir de procedimentos de interpolao, de forma geral, representam
a varivel em estudo como uma combinao da variabilidade em larga e pequena
escala. Esse enfoque, entretanto, no nico. Assim, pode-se tomar trs grandes
abordagens: Para tanto, pode-se tomar trs grandes abordagens:
Modelos determinsticos de efeitos locais: cada ponto da superfcie estimado

apenas a partir da interpolao das amostras mais prximas, utilizando funes
como inverso do quadrado da distncia. A suposio implcita que
predominam os efeitos puramente locais. Neste caso, no feita qualquer
hiptese estatstica sobre a variabilidade espacial. Estes interpoladores sero
apresentados na seo 3.2 deste captulo.
Modelos determinsticos de efeitos globais: a suposio implcita nesta classe de

interpoladores que, para a caracterizao do fenmeno em estudo, predomina
a variao em larga escala, e que a variabilidade local no relevante. Este
caso do interpoladores por superfcies de tendncia, apresentados na seo 3.3
deste captulo.
Modelos estatsticos de efeitos locais e globais (krigagem): cada ponto da

superfcie estimada apenas a partir da interpolao das amostras mais
prximas, utilizando um estimador estatstico. Esses procedimentos requerem
que a variabilidade local e global sejam modelada atravs de modelos
apresentados como
p
Z (x ) = j f j + (x )
j =1
Nesse caso E {Z ( x )} =
j =1
f j aonde j um conjunto de parmetros
desconhecidos e f j um conjunto de funes bsicas, em geral, polinomiais.

Esses estimadores apresentam propriedades de no ser tendenciosos e de
procurar minimizar os erros inferenciais. Eles podem ser estimados atravs de
procedimentos como a krigagem universal e as funes intrnsecas de ordem k
no abordadas nesse captulo.
Neste captulo, iremos dar nfase ao uso de tcnicas de krigagem ordinria, ou
seja a um caso particular desse modelo global em que p=1 e k=0 , aonde k
representa a ordem da funo f j ,e 1 igual a mdia local. A nfase nesse
procedimento devido s suas propriedades, sua grande importncia na modelagem
de fenmenos naturais e tambm porque esse capitulo objetiva procedimentos que
priorizam a interpolao espacial (predio). A modelagem de tendncias ou
variao em larga escala se faz necessria quando a etiologia de um fenmeno deve
ser estudada e aonde a estimao da tendncia importante na compreenso do
fenmeno. As tcnicas da krigagem so discutidas a partir da seo 3.4. Para a
comparao entre os interpoladores, foram utilizados dados da EMBRAPA Solos,
obtidos na Fazenda Canchim, em So Carlos - SP. Trata-se de amostragem de 85

observaes georreferenciadas coletadas no horizonte Bw (camada do solo com
profundidade mdia de 1m), conforme ilustra a Figura 3-2. Dentre as variveis
disponveis, selecionou-se para estudo o teor de argila, cujas estatsticas bsicas
amostrais so apresentadas na Tabela 3.1.
Figura 3-2- Disposio das amostras de teor de argila da Fazenda Canchim (EMBRAPA).
Tabela 3-1 - ESTATSTICAS DA AMOSTRA.

Nmero de observaes
85
Mdia
33,035
Varincia
288,034
Desvio Padro
16,972
Coeficiente de variao
0,514
Coeficiente de assimetria
0,214
Coeficiente de curtose
2,344
Quartil Inferior
10
Mediana
33
Quartil superior
43
O histograma das amostas mostra que a distribuio do teor de argila

levemente alongada direita. Neste caso, a distribuio dita ser positivamente
assimtrica, com coeficiente de assimetria de 0,214. Quanto ao grau de
achatamento, o coeficiente de curtose (2,344) indica que a distribuio
ligeiramente platicrtica. Dentre outros valores apresentados na Tabela 3-1, nota-se

que a mdia e a mediana, medidas que procuram caracterizar o centro da mesma
distribuio de freqncias, possuem valores prximos (33,035 e 33,0),
respectivamente. Assim sendo, a distribuio da varivel em estudo, pode ser
considerada aproximadamente simtrica.
3.2 MODELOS DETERMINSTICOS LOCAIS

Uma alternativa simples para gerar uma superfcie bidimensional a partir de
amostras pontuais ajustar uma funo bidimensional sobre os amostras
considerados, compondo uma superfcie cujo valor ser proporcional local
intensidade de amostras. A formulao geral para este tipo de interpolao :
n
wij z j
zi =
j =1
n
wij
(3.1)
j =1
onde: zi o valor de cota de um ponto i qualquer da grade, zj a cota de uma

amostra j vizinha do ponto i da grade e wij um fator de ponderao. A Figura 3-3
ilustra o procedimento de estimao.
Figura 3-3 Ilustrao do processo de interpolao por estimador local: (a) configurao original de
amostras; (b) grade regular superposta s amostras; (c) interpolao de um valor a partir dos
vizinhos; (d) grade regular resultante
Variaes desse esquema bsico so os interpoladores: (a) por vizinho mais

prximo; (b) por mdia simples; (c) por mdia ponderada; Nos trs primeiros
casos, considera-se uma regio em torno do ponto a ser interpolado como contendo
os pontos que influenciam na interpolao. A interpolao por vizinho mais
prximo definida pela escolha de apenas uma amostra vizinha para cada ponto da
grade. Este interpolador deve ser usado quando se deseja manter os valores de cotas
das amostras na grade, sem gerar valores intermedirios. A interpolao por mdia
simples considera o valor de cota z do elemento da grade igual a mdia aritmtica
dos valores de cota das amostras vizinhas. Neste caso considera-se que o fator de
ponderao wij igual a 1/n para qualquer amostra considerada. Na interpolao
por mdia ponderada o valor de cota de cada elemento da grade definido pela
mdia ponderada dos valores de cota das amostras vizinhas. A ponderao mais
usada na prtica o inverso da distncia euclidiana do ponto da grade amostra
considerada ou seja:
wij = 1 d ijk ,
(3.2)
onde: k o expoente da distncia, geralmente igual a 1 ou 2 e; dij o valor de

distncia da amostra j ao ponto i da grade, expresso por:
dij =
( xi x j ) 2 + ( yi y j ) 2
(3.3)
Uma comparao visual entre os resultados desses interpoladores mostrada na

Figura 3-4 para os dados do teor de argila da Fazenda Canchim. Os mapas ilustram
os defeitos tpicos dessas funes simples: as funes de vizinho mais prximo e
mdia simples tendem a produzir superfcies com variaes abruptas; no caso do
inverso do quadrado da distncia, os mximos locais tendem a ser muito
acentuados, formando picos artificiais.
Figura 3-4 - Comparao entre interpoladores de mdia mvel, para o mesmo conjunto de
amostras. direita, inverso do quadrado da distncia; no centro, mdia simples; esquerda,
vizinho mais prximo. Regies mais claras representam alto valores e vice-versa.
Um refinamento desses estimadores o uso de uma funo de ponderao mais
complexa que a mdia simples ou o inverso do quadrado da distncia. Esta classe de
estimadores descrita na literatura como kernel estimators, ou estimadores de
densidade no-paramtricos. Estes estimadores generalizam a idia de mdia mvel
local, ao supor que a densidade do fenmeno varia localmente de forma suave, sem
picos nem descontinuidades. Seu objetivo produzir superfcies mais suaves,
que se espera mais representativas de fenmenos naturais e socioeconmicos. Estes
estimadores so do mesmo tipo que os discutidos no captulo 2 para o caso de
eventos pontuais, agora generalizados para o caso de amostras.
Um kernel estimator um estimador cujos parmetros bsicos so: (a) um raio
de influncia que define a vizinhana do ponto a ser interpolado; (b) uma funo de
estimao com propriedades convenientes de suavizao do fenmeno. Para toda
posio zi cujo valor queremos estimar, o estimador de intensidade ser computado
a partir dos valores das amostras {z1,...zn} contidos num raio de tamanho , e da
distncia euclidiana dij entre a i-sima posio e a j-sima amostra (como expresso
na equao 3.3), a partir de funes do tipo
zi =
k( ij ) z j
j =1
n
k(
dij
, dij
(3.4)
j =1
Esta frmula uma generalizao da equao 3.1, na qual o cmputo dos pesos
wij foi substitudo por uma funo generalizada dependente da distncia. Exemplos
destas funes incluem o kernel gaussiano
k ( x, y, ) =
d 2
ij
exp
,
2 2
2
(3.5)
ou o kernel de quarta ordem

k ( x, y, ) =
d ij2 2
(1
)
(3.6)
Para ilustrar esta classe de estimadores, foram geradas duas superfcies a partir
das mesmas amostras usadas para produzir os mapas da Figura 3-4. A partir de um
kernel de quarta ordem (equao 3.6), foram gerados dois mapas mostrados na
Figura 3-5, com raios de busca de 500 e 1500 metros. A comparao entre os
mapas mostra a grande importncia de uma seleo apropriada do raio de busca no
uso de kernel estimators. No primeiro mapa predominam os efeitos locais, pelo uso
de um raio de busca reduzido; o segundo mapa evidencia melhor a distribuio do
fenmeno, pelo uso de um raio mais apropriado aos dados.
Em resumo, os kernel estimators so uma alternativa vivel a mtodos mais
sofisticados de interpolao, pois no requerem a parametrizao da estrutura de
correlao espacial (como no caso da geoestatstica). As superfcies interpoladas so
suaves e aproximam muitos fenmenos naturais e socioeconmicos. As
desvantagens destes estimadores so a forte dependncia no raio de busca e a
excessiva suavizao da superfcie, que pode em alguns casos esconder variaes
locais importantes.
Figura 3-5- Superfcies de teor de argila interpoladas por kernel de quarta ordem. esquerda, raio
de busca de 500m; direita, raio de busca de 1500m.
3.3 SUPERFCIES DE TENDNCIA

As superfcies de tendncia so interpoladores determinsticos globais. A
superfcie aproximada por um ajuste polinomial aos dados, atravs de um
processo de regresso mltipla entre os valores do atributo e as localizaes
geogrficas. Essa funo polinomial ento utilizada para estimar os valores dos
pontos em todas as localizaes de uma grade regular que aproxima a superfcie.
As superfcies de tendncia buscam modelar a variao espacial em larga escala
atravs de uma regresso mltipla entre os valores de atributo e as localizaes
geogrficas. A sada uma funo polinomial na qual o valor do atributo expresso
em funo das coordenadas da superfcie, expressas em duas ou trs dimenses.
Exemplos incluem equaes lineares do tipo:
z = 1 + 2 x + 3 y
(3.7)
e equaes quadrticas como:

w = 1 + 2 x + 3 y + 4 xy + 5 x 2 + 6 y 2
(3.8)
A suposio implcita nos interpoladores por superfcies de tendncia que,

para a caracterizao do fenmeno em estudo, predomina a variao em larga
escala, e que a variabilidade local no relevante. Neste modelo, a funo de
autocorrelao continua decaindo mesmo aps ultrapassar a distncia onde h
influncias locais; a covarincia no se estabiliza com a distncia e assim o
fenmeno analisado no-estacionrio.
Para o caso dos dados de teor de argila da Fazenda Canchim (acima descritos),
foi realizada uma anlise de tendncia usando uma regresso linear. Os ajustes
indicaram um coeficiente de determinao (R2 ajustado) de apenas 17,3%, o que
indica no haver efeitos espaciais significativos de larga escala. Deste modo, pode-se
esperar que estes dados sejam modelveis por interpoladores locais, sejam
determinsticos (seo 3.2) ou estocsticos (seo 3.4 e seguintes).
Um exemplo tpico de superfcies de tendncia o uso de dados de longitude,
latitude e altitude para estimar a distribuio de temperatura. Neste caso, o objetivo
foi estimar a distribuio de temperatura para o estado de Santa Catarina, para a
poca do plantio de soja, em intervalos de 10 dias (decndios). Partindo da poca
recomendada para semeadura e do ciclo de diferentes cultivares de soja,
determinou-se um perodo de anlise compreendido entre 11/10 e 20/05 (22
decndios), permitindo que cultivares com ciclos diferentes, semeadas dentro da
poca recomendada, tivessem todo o seu ciclo avaliado neste estudo. Foram
coletados dados de temperatura mdia diria e precipitao diria de 27 estaes
meteorolgicas monitoradas pela Empresa de Pesquisa Agropecuria e Extenso
Rural de Santa Catarina S. A. Epagri, com uma srie histrica de
aproximadamente cinco anos, mostrados na Figura 3-6.
Figura 3-6 Distribuio espacial das estaes monitoradas pela Epagri.

A partir dos dados dirios, foi calculada a mdia decendial. Esta mdia das 27
estaes foi utilizada no clculo de superfcies de tendncia a partir de uma equao
do tipo:
z ( x, y , h) = 1x+ 2 y + 3h + 4
(3.9)
onde z a temperatura calculada a partir da longitude (x), latitude (y) e

altitude (h). Para o primeiro decndio (11/10 a 20/10), os resultados esto
mostrados na Tabela 3.1. Na anlise dos coeficientes da regresso, mostrada na
Tabela 3.2, a relao entre as variveis independentes com a varivel dependente
(temperatura mdia decendial) foi verificada, inicialmente, pelo teste F e, depois,
pelo teste t de Student. Esta anlise indicou todos os coeficientes como

significativos. A normalidade dos resduos foi avaliada pelo teste de Keifer-Salmon,
e aceita a hiptese.
Tabela 3-2 - Coeficientes para Estimativa de Temperatura em Santa Catarina
(Decndio de 11/10 a 20/10).=
Valor
Teste F
Intercepto
9,475
7,169
Latitude
-0,447
0,169
-2,637
(idem)
Longitude
0,466
0,085
5,488
(idem)
Altitude
-0,005
0,000
-16,162
(idem)
R ajustado
Teste T p-valor Comentrios

Significativo
0,909
A grande vantagem das superfcies de tendncia sua simplicidade e facilidade

de clculo. No entanto, a suposio implcita do modelo, em negligenciar a
variabilidade local, no realista para a maior parte dos dados naturais.
Adicionalmente, os parmetros estimados so muito sensveis a valores extremos
(outliers). Apesar destes problemas, as superfcies de tendncia so teis para
remover efeitos de primeira ordem, quando a mdia varia de forma consistente no
espao. Outros usos importantes so a anlise dos resduos de estimao; tais
resduos tambm so bastante informativos, pois mostram a existncia de subregies que apresentam diferenas significativas na tendncia geral.
No exemplo apresentado, trata-se de uma situao favorvel, em que, em
funo do comportamento da temperatura, da poca do ano e das caractersticas do
estado de Santa Catarina, apenas a variao em larga escala foi capaz de produzir
estimativas acuradas. Esta situao no a mais usual. Na prtica, na maior parte
das vezes as variaes locais no podem ser ignoradas. Neste caso, ser preciso
modelar o comportamento da varivel e para isto, utiliza-se a abordagem
geoestatstica, descrita a seguir.
3.4 MODELOS ESTATSTICOS DE EFEITOS LOCAIS E GLOBAIS: KRIGAGEM

3.1.1
FUNDAMENTAO TERICA
A krigagem compreende um conjunto de tcnicas de estimao e predio de

superfcies baseada na modelagem da estrutura de correlao espacial. A hiptese
implcita no procedimento geoestatstico que o processo estudado estacionrio
(veja-se a definio de estacionariedade no captulo 1 do livro). Os passos num
estudo empregando tcnicas de krigagem incluem:
(a) anlise exploratria dos dados;
(b) anlise estrutural (modelagem da estrutura de correlao espacial);
(c) interpolao estatstica da superfcie.
O procedimento de interpolao chamado de krigagem em honra a Daniel
Krige, o pioneiro em introduzir o uso de mdias mveis para evitar a
superestimao sistemtica de reservas em minerao. O que diferencia a krigagem
de outros mtodos de interpolao a estimao de uma matriz de covarincia
espacial que determina os pesos atribudos s diferentes amostras, o tratamento da
redundncia dos dados, a vizinhana a ser considerada no procedimento inferencial
e o erro associado ao valor estimado. Alm disso, a krigagem tambm fornece
estimadores com propriedades de no tendenciosidade e eficincia.
A estrutura terica da krigagem est baseada no conceito de varivel
regionalizada, desenvolvida por Georges Matheron. Uma varivel regionalizada
uma varivel distribuda no espao (ou tempo) cujos valores so considerados como
realizaes de uma funo aleatria (ou processo aleatrio, ou campo aleatrio, ou
processo estocstico). Esta teoria permite incluir hipteses estatsticas em processos
espaciais locais. A variao espacial de uma varivel regionalizada pode ser expressa
pela soma de trs componentes: a) uma componente estrutural, associada a um
valor mdio constante ou a uma tendncia constante; b) uma componente aleatria,
espacialmente correlacionada; e c) um rudo aleatrio ou erro residual. Se o vetor x
representa uma posio em uma, duas ou trs dimenses, ento o valor da funo
aleatria Z, em x, dada por:
Z ( x ) =( x ) + ' ( x ) + ' '
(3.10)
onde:
(x) uma funo determinstica que descreve a componente estrutural de Z

em x;
(x) um termo estocstico correlacionado, que varia localmente;
um rudo aleatrio no correlacionado, com distribuio normal com

mdia zero e varincia 2.
Figura 3-7- Componentes de uma varivel regionalizada.

As Figura 3-7(a) e (b) ilustram as trs componentes principais da variao
espacial. A Figura 3.8(a) apresenta uma componente determinstica que possui um
comportamento regular (diferena entre os nveis mdios), enquanto a componente
determinstica na Figura 3.8(b) apresenta uma tendncia constante.
A hiptese mais simples sobre o comportamento da varivel regionalizada que
a mdia do fenmeno, (x), seja constante na regio de estudo, o que implica em
no haver variao significativa na larga escala. Esta hiptese d origem aos
interpoladores de Krigagem ordinria, discutida a seguir. No caso de se querer
modelar uma tendncia, h vrios mtodos disponveis: Krigagem Universal,
Funes Aleatrias Intrnsecas de Ordem k, no discutidos neste captulo.
Na hiptese da Krigagem ordinria, (x) constante e denotada por m. Deste
modo, o valor esperado da funo aleatria Z nas posies x e x + h so iguais a m.
Isto implica que o valor esperado da diferena entre os valores observados em x e x
+ h, separados por um vetor de distncia h, nulo:
E [Z(x) - Z(x+h)] = 0
(3.11)
Admite-se tambm que o fenmeno considerado seja estacionrio de segunda

ordem, isto , a covarincia entre dois pares quaisquer Z(x) e Z(x + h), separados
por um vetor distncia h, existe e depende somente de h. Ento:
C(h) = COV [ Z(x), Z(x+h)] = E[Z(x).Z(x+h)] m2
(3.12)
Adicionalmente, a estacionariedade da covarincia implica na estacionariedade

da varincia:
Var(Z(x)) = E [Z(x)- m]2 = E[Z2(x)] 2E[Z(x)].m + m2
(3.13)
Var(Z(x)) = E[Z2(x)] 2m.m + m2 = E[Z2(x)] m2 = C(0)
(3.14)
ou ainda
Deste modo, verifica-se que as hipteses de mdia constante e estacionariedade

da covarincia implicam que a determinao da funo C(h) suficiente para
caracterizar a varivel regionalizada. Isto quer dizer que, com base na Equao 3.10,
a funo C(h) permite caracterizar o termo estocstico (x). Para determinar C(h),
utiliza-se uma funo auxiliar, chamada de funo variograma 2(h), definida por:
2(h)= E[Z(x) - Z(x+h)]2
(3.15)
que pode ser desenvolvida em:

2(h)= E[Z2(x) -2 Z(x).Z(x+h) - Z2(x+h)]
(3.16)
2(h)= E[Z2(x)] -2 E[Z(x).Z(x+h)] - E[Z2(x+h)]
(3.17)
ou ainda
Da equao (3.14), obtm-se

E[Z2(x)] = E [Z2(x+h)] = C(0) + m2
(3.18)
e da equao (3.13) obtm-se

E[Z(x).Z(x+h)] = C(h) + m2
(3.19)
Substituindo as equaes (3.18) e (3.19) na equao (3.17), obtm-se:

2(h) = 2C(0) 2C(h) ou (h) = C(0) C(h)
(3.20)
onde:
(h) representa o semivariograma, que metade do variograma. A relao em

(3.20) indica que sob a hiptese de estacionariedade de 2a ordem, que a covarincia
e o semivariograma so formas alternativas de caracterizar a autocorrelao dos
pares Z(x) e Z(x+h) separados pelo vetor h.
3.1.2
DETERMINAO EXPERIMENTAL DO SEMIVARIOGRAMA
O semivariograma uma ferramenta bsica de suporte s tcnicas de

Krigeagem, pois permite representar quantitativamente a variao de um fenmeno
regionalizado no espao. O semivariograma pode ser calculado experimentalmente,
considerando o esquema de amostragem em duas dimenses mostrado na Figura
3-8, onde z(x) denota o valor de uma posio cujos componentes so (x1, y1), e
z(x+h) o valor da amostra numa posio cujos componentes so (x2 , y2), sendo h
um vetor distncia (mdulo e direo) que separa os pontos.
y
z(x1+h)
y2
h
y1
z(x1)
x1
x2
Figura 3-8 Amostragem em duas dimenses.

A determinao experimental do semivariograma, para cada valor de h,
considera todos os pares de amostras z(x) e z(x+h), separadas pelo vetor distncia h,
a partir da equao:
( h ) =
1 N( h )
[ z( xi ) z ( xi + h )] 2
2 N ( h ) i =1
(3.21)
onde:
(h) o semivariograma estimado e N(h) o nmero de pares de valores

medidos, z(x) e z(x+h), separados pelo vetor h. Esta frmula, entretanto, no
robusta. Podem existir situaes em que variabilidade local no constante e se
modifica ao longo da rea de estudo (heteroscedasticidade). Um caso particular
desse fato (denominado efeito proporcional) ocorre quando as distribuies so
assimtricas e a mdia se correlaciona com a varincia. O estimador de
semivariograma apresentado em (3.22) no resistente a esse efeito e apresenta
tendncias que impedem a estimao correta de seus parmetros. Para expresses
alternativas, deve-se consultar Cressie (1993).
Na prtica, pode-se fazer a hiptese adicional de que o fenmeno isotrpico

(com comportamento igual em todas as direes). Neste caso, a determinao
experimental do semivariograma depende apenas da distncia entre as amostras e
no da direo relativa entre elas. O tratamento da anisotropia (caso em que a
estrutura espacial do fenmeno varia conforme a direo) discutido no Apndice
deste captulo.
As hipteses de estacionariedade e mdia constante levam a postular um
comportamento idealizado para o semivariograma experimental, mostrado na
Figura 3-9. Espera-se que observaes mais prximas geograficamente tenham um
comportamento mais semelhante entre si do que aquelas separadas por maiores
distncias. Assim, o valor absoluto da diferena entre duas amostras z(x) e z(x+h)
deveria crescer medida que aumenta a distncia entre elas, at um valor na qual os
efeitos locais no teriam mais influncia.
Patamar (C)
^(h)
Efeito Pepita (Co)

Alcance (a)
Figura 3-9 Parmetros do variograma.
Os parmetros do semivariograma podem ser observados na Figura 3-9:
Alcance (a): distncia dentro da qual as amostras apresentam-se correlacionadas

espacialmente.
Patamar (C): o valor do semivariograma correspondente a seu alcance (a).

Deste ponto em diante, considera-se que no existe mais dependncia espacial
entre as amostras, porque a varincia da diferena entre pares de amostras (Var
[Z(x) - Z(x+h)]) torna-se aproximadamente constante.
Efeito Pepita (C0): idealmente, (0)=0. Entretanto, na prtica, medida que h

tende para zero, (h) se aproxima de um valor positivo chamado Efeito Pepita
(C0), que revela a descontinuidade do semivariograma para distncias menores
do que a menor distncia entre as amostras. O efeito pepita o valor da
semivarincia para a distncia zero e representa a componente da variabilidade

espacial que no pode ser relacionado com uma causa especfica (variabilidade
ao acaso). Parte desta descontinuidade pode ser tambm devida a erros de
medio, sendo impossvel quantificar se a maior contribuio provm dos erros
de medio ou da variabilidade de pequena escala no captada pela
amostragem.
3.1.3
MODELOS TERICOS
O grfico do semivariograma experimental, (h) , calculado atravs da Equao
(3.22), formado por uma srie de valores, conforme ilustra a Figura 3-9, sobre os
quais se objetiva ajustar uma funo. importante que o modelo ajustado
represente a tendncia de (h) em relao a h. Deste modo, as estimativas obtidas a
partir da krigagem sero mais exatas e, portanto mais confiveis.
O procedimento de ajuste no direto e automtico, como no caso de uma
regresso, por exemplo, mas sim interativo, pois nesse processo o intrprete faz um
primeiro ajuste e verifica a adequao do modelo terico. Dependendo do ajuste
obtido, pode ou no redefinir o modelo, at obter um que seja considerado
satisfatrio.
Os modelos aqui apresentados so considerados modelos bsicos, denominados
modelos isotrpicos. Esto divididos em dois tipos: modelos com patamar e
modelos sem patamar. Modelos do primeiro tipo so referenciados na geoestatstica
como modelos transitivos. Alguns dos modelos transitivos atingem o patamar (C)
assintoticamente. Para tais modelos, o alcance (a) arbitrariamente definido como a
distncia correspondente a 95% do patamar. Modelos do segundo tipo no atingem
o patamar, e continuam aumentanto enquanto a distncia aumenta. Tais modelos
so utilizados para modelar fenmenos que possuem capacidade infinita de
disperso. Os modelos transitivos mais utilizados so: modelo esfrico (Sph),
modelo exponencial (Exp) e modelo gaussiano (Gau). Estes modelos esto
apresentados na Figura 3-10 com o mesmo alcance (a).
(h)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C=1
0
0
Figura 3-10 Representao grfica de modelos transitivos normalizados.

Modelo Esfrico
O modelo esfrico um dos modelos mais utilizados e est representado na Figura
3-10. A equao normalizada deste modelo :
0
, | h |=0
3
| h |
| h |
0,5
Sph ( h ) =1,5
a , 0 <| h |a
a
1
, | h |>a
(3.22)
Modelo Exponencial
Um outro modelo bastante utilizado o modelo exponencial, o qual apresentado
na Figura 3-10. A equao normalizada deste modelo :
0 , | h |=0
xp( h )=
| h |
1exp a , | h |0
(3.23)
Este modelo atinge o patamar assintoticamente, com o alcance prtico definido

como a distncia na qual o valor do modelo 95% do patamar.
Modelo Gaussiano
O modelo gaussiano um modelo transitivo, muitas vezes usado para modelar
fenmenos extremamente contnuos. Sua formulao dada por:
0 , | h |=0
2
Gau( h )=
| h |
1exp , | h |0
a
(3.24)
Semelhante no modelo exponencial, o modelo gaussiano atinge o patamar

assintoticamente e o parmetro a definido como o alcance prtico ou distncia na
qual o valor do modelo 95% do patamar. O que caracteriza este modelo seu
comportamento parablico prximo origem, conforme a Figura 3-10 .
At este ponto foram apresentados os principais modelos bsicos normalizados,
os quais so utilizados para ajustar o semivariograma experimental. Na prtica, os
semivariogramas experimentais possuem valores de efeito pepita (Co) maior que
zero e valores de patamar (C) maiores que a unidade, conforme ilustrado na Figura
3-11.
(h)
Modelo Exponencial
Modelo Esfrico
Modelo Gaussiano
C1
C = Co + C1
C1 : Contribuio
do Modelo
Co
0
Figura 3-11 - Representao grfica de semivariogramas experimentais e modelos tericos.

Em resumo, os semivariogramas dos modelos transitivos bsicos so assim
definidos:
Modelo Esfrico de Semivariograma:
0
, | h |= 0
3 | h | 1 | h | 3
=C +C [ Sph (| h |) ] ,0 <| h |a
(h)=C +C
o 1 2 a 2 a o 1
,| h |>a
Co +C1
(3.25)
Modelo Exponencial de Semivariograma:
,| h |= 0
0
(h)=
| h |
C o + C 11exp a =C o + C 1 [ Exp (| h |)]
, | h | 0
(3.26)
Modelo Gaussiano de Semivariograma:
,| h |= 0
0
(h)=
| h |
+
1
exp
=C o + C1 [Gau (| h |)] ,| h | 0
C
C
1
o
a
(3.27)
Modelos Aninhados
Existem determinados fenmenos em que so necessrios modelos mais
complexos de semivariograma para explicar suas variaes espaciais. Estes modelos
so combinaes de modelos simples, denominados aninhados; em muitos casos, os
modelos aninhados so necessrios para explicar a variao de fenmenos
decorrentes da combinao de fatores independentes de formao. Por exemplo,
um modelo aninhado til em estudos de minerao e pesquisa de solo o duplo
esfrico, definido como:
3 | h | 1 | h |
C0 + C1 2 a 2 a = 1 (h) , 0 < | h | a1
1
1
(h)=
3 | h | 1 | h |
C0 + C 2 2 a 2 a = 2 (h) , a1 < | h | a 2
2
2
C + C + C
,| h | > a
1
2
2
0
0
,| h | = 0
(3.28)
onde,
a1 e C1 correspondem aos parmetros de alcance e contribuio,

respectivamente, do primeiro modelo esfrico ( 1 (h) ).
a2 e C2 correspondem aos parmetros de alcance e contribuio,

respectivamente, do segundo modelo esfrico ( 2 (h) ).
Este modelo mostrado na Figura 3-12, onde as linhas slida e pontihada

representam os modelos de ajuste terico ao semivariograma experimental.
(h)
C2
1 (h)
C1
C0
2 (h)
a1
a2
h
Figura 3-12 - Representao grfica de um modelo duplo esfrico.

Dependendo do fenmeno em estudo, outros modelos aninhados so
necessrios para caracterizar a variabilidade espacial.
3.5 KRIGAGEM
O termo krigagem derivado do nome Daniel G. Krige, que foi o pioneiro a
introduzir o uso de mdias mveis para evitar a superestimao sistemtica de
reservas de minerao. Inicialmente, o mtodo de krigagem foi desenvolvido para
solucionar problemas de mapeamentos geolgicos, mas seu uso expandiu-se com
sucesso no mapeamento de solos, mapeamento hidrolgico, mapeamento
atmosfrico e outros campos correlatos. A diferena entre a krigagem e outros
mtodos de interpolao a maneira como os pesos so atribudos s diferentes
amostras. No caso de interpolao linear simples, por exemplo, os pesos so todos
iguais a 1/N (N = nmero de amostras); na interpolao baseada no inverso do
quadrado das distncias, os pesos so definidos como o inverso do quadrado da
distncia que separa o valor interpolado dos valores observados. Na Krigeagem, o
procedimento semelhante ao de interpolao por mdia mvel ponderada, exceto
que aqui os pesos so determinados a partir de uma anlise espacial, baseada no
semivariograma experimental. Alm disso, a krigagem fornece, em mdia,
estimativas no tendenciosas e com varincia mnima1.
Estimativas no tendenciosas significam que, em mdia, a diferena entre valores

estimados e observados para o mesmo ponto deve ser nula; e varincia mnima
significa que estes estimadores possuem a menor varincia dentre todos os estimadores no
tendenciosos.
A krigagem engloba um conjunto de mtodos de estimao, incluindo

procedimentos estacionrios(krigagem simples e ordinria), no estacionrios
(krigagem universal, funoes intrinsicas de ordem k), univariados e multivariados (
co-krigeagem etc). Este captulo limita-se apresentao da krigagem ordinria,
descrita a seguir.
3.5.1.
KRIGEAGEM ORDINRIA
Considere uma superfcie sobre a qual se observe alguma propriedade do solo, Z,

em n pontos distintos, com coordenadas representadas pelo vetor x. Assim, tem-se
um conjunto de valores {z(xi), i=1, ..., n}, onde xi identifica uma posio em duas
dimenses representada pelos pares de coordenadas (xi, yi). Suponha que se objetive
estimar o valor de Z no ponto c. O valor desconhecido de Z(x0) pode ser estimado
a partir de uma combinao linear dos n valores observados, adicionado a um
parmetro 0 :
(3.29)
n
Z* ( x 0 ) =0 + i Z(x i )
i =1
Deseja-se um estimador no tendencioso, isto ,

EPKPMF
E [Z(x0) Z*(x0)] = 0
A relao acima impe que as duas mdias sejam iguais; assim aplicando-se a
Equao 3.34 em 3.35, obtm-se:
n
n
E [Z(x 0 )]=E 0 + i .Z(x i )m=0 + i m

i =1
i =1
(3.31)
A krigagem ordinria no requer o prvio conhecimento da mdia m. Neste

caso, para que a igualdade da Equao 3.36 seja satisfeita necessrio que
n
0 =0 e i =1 .Portanto, o estimador de Krigeagem ordinria :

i =1
Z * (x 0 ) = i Z ( x i ) , com
i =1
=1
(3.32)
i =1
Minimizando a varincia do erro (Var [Z(x0) Z*(x0)]) na condio de
i =1 ,
i =1
os pesos i so obtidos a partir do seguinte sistema de equaes, denominado

sistema de krigeagem ordinria:
n
j C( x i , x j ) = C( xi , x0 ) para i = 1, ..., n
j=1
n
j =1
j=1
(3.33)
onde,
C(xi, xj) e C(xi, x0) so, respectivamente, a semivarincia entre os pontos xi

e xj e entre os pontos xi e x0.
o multiplicador de Lagrange necessrio para a minimizao da

varincia do erro.
A correspondente varincia minimizada do erro, denominada varincia de

krigagem ordinria ( 2ko ), dada pela expresso
n
ko2 =Var[ Z ( x ) Z * ( x 0 )] = C( 0 ) i C( x i ,x 0 )
(3.34)
i =1
A krigagem ordinria um interpolador exato no sentido de que, quando as

equaes acima forem usadas, os valores interpolados iro coincidir com os valores
dos pontos amostrais. Alm disso, a varincia da krigagem ordinria, indicada na
equao (3.35), fornece informao importante sobre a confiabilidade dos valores
interpolados.
3.6 ESTUDO DE CASO

` Tomemos como exemplo a distribuio amostral apresentada na Figura 3-2,
cuja as estatsticas descritivas esto sumarizadas na Tabela 3-1. A anlise da
variabilidade espacial, do teor de argila, realizada com o auxlio do
semivariograma. Esta uma das etapas mais importantes, pois o modelo de
semivariograma escolhido representa a estrutura de correlao espacial a ser
utilizada nos procedimentos inferenciais de krigagem. O resultado apresentado na
Figura 3-13, mostra o semivariograma omnidirecional (caso isotrpico) e seu
modelo de ajuste.
(h)
Semivariograma Omnidirecional
390
Modelo Esferico
351
312
273
234
195
156
117
78
39
0
h
0
1000
2000
3000
4000
5000
Figura 3-13 Semivariograma omnidirecional e modelo esfrico

O modelo de ajuste, mostrado na Figura 3-13, tm os seguintes parmetros:
Estrutura tipo Esfrica, Efeito Pepita (Co) = 118,85; Contribuio (C1) = 230,89 e
Alcance (a) = 3989,20. O modelo terico, normalizado em relao ao alcance, leva
a seguinte notao:
h
( h ) = C o + C1 Sph =118,85 + 230,89 Sph
a
3989,20
(3.35)
Uma vez definido o modelo e validado o mesmo, a etapa seguinte refere-se

estimao de krigagem ordinria. Como resultado tm-se uma grade de valores
estimados e uma outra que refere-se varincia de krigagem. Ambas so convertidas
em superfcies e apresentadas na Figura 3-14. Na Figura 3-14 esquerda, regies
mais claras representam altos valores de teor de argila e vice-versa. Diferente dos
mtodos determinsticos (ver Figura 3-4), o uso da krigagem ordinria como
mtodo de interpolao espacial permitiu capturar e, portanto, representar com
mais qualidade, a variabilidade espacial inerente propriedade em estudo. Alm
disso, conforme ilustra a Figura 3-14 direita, a krigagem ordinria fornece a
varincia da estimativa (denominada varincia de krigagem). Tal informao pode
ser til para identificar regies onde a amostragem pode ser melhorada.
Figura 3-14 esquerda a superfcie do teor de argila e direita a varincia de krigagem.

Com algumas ressalvas, o mtodo da mdia ponderada pelo inverso do
quadrado da distncia, produz resultado que se assemelha ao resultado da krigagem
ordinria. O ponto crtico, porm, ocorre em regies onde h agrupamento
(clusters) de amostras. A krigagem ordinria, por utilizar intrinsecamente uma
estrutura de covarincia, consegue tratar redundncias (clusters), isto , atribuir
pesos adequados para os agrupamentos de amostras. Fato este no considerado nos
procedimentos determinsticos. Alm disso, na krigagem ordinria, a rea de
influncia na interpolao indicada pelo alcance; j nos procedimentos
determinsticos, como o mtodo da mdia ponderada pelo inverso do quadrado da
distncia, o raio de busca arbitrrio.
Os resultados produzidos pelos mtodos mdia simples e vizinho mais prximo,
so menos expressivos com relao aos demais. O mtodo da mdia simples produz
resultado que apresenta imbricao, principalmente na regio central da rea de
estudo. J o mtodo de inferncia relativo ao vizinho mais prximo, embora sendo
o que pior expressa a variabilidade espacial do fenmeno estudado, revela a rea de
influncia de cada ponto de observao. Tal informao de grande valia, como,
por exemplo, numa anlise preliminar para deteco de valores amostrais suspeitos.
Um outro fato que merece ateno, que os resultados apresentados na Figura
3-14 so oriundos de um modelo isotrpico. A suposio de isotropia, que rara
em fenmenos naturais, simplifica a modelagem por procedimentos geoestatsticos.
Se a anisotropia existe, deve ser detectada e modelada, afim de representar com
mais qualidade, a variabilidade espacial inerente propriedade em estudo. No
apndice ao Captulo, so apresentados alguns tpicos sobre anisotropia e uma

tcnica para a modelagem da mesma.
3.7 CONCLUSES
Conclui-se que possvel melhorar a distribuio espacial das variveis
ambientais significativamente quando procedimentos geoestatsticos so aplicados.
Ficou constatado que o teor de argila varia mais intensamente numa direo do que
em outra. Tal fato refere-se anisotropia da varivel em estudo. Muitos aspectos
particulares dos dados ficariam ocultos sem o uso de semivariogramas e da
modelagem da anisotropia, mostrando, por exemplo, a tendncia da distribuio
espacial nos dados de teor de argila. Informaes como estas no so apresentadas
quando se usam apenas parmetros estatsticos clssicos como mdias e varincias
ou ento, procedimentos determinsticos.
3.8 REFERNCIAS BIBLIOGRFICAS

A estrutura terica da geoestatstica est apresentadas na Teoria das Variveis
Regionalizadas, desenvolvida por Matheron (1971) e um artigo detalhado e terico
sobre geoestatstica escrito por Journel (1988). A referncia bsica sobre
geoestatstica, com um conjunto extensivo de exemplos o livro de Issaks e
Srivastava (1989). A descrio da GSLIB, uma das bibliotecas mais utilizadas para o
desenvolvimento de programas em geoestatstica, pode ser encontrada no livro de
Deutsch e Journel (1992). Com relao integrao entre geoestatstica e SIGs, o
leitor deve referir-se a Camargo (1997), que descreve o desenvolvimento de um
mdulo geoestatstico no ambiente SPRING. Referncias bsicas sobre mtodos de
interpolao so descritas por Burrough (1987). O exemplo de superfcies de
tendncia est baseado no trabalho de Bnisch (2001).
Bnisch, S. (2001) Geoprocessamento Ambiental com Tratamento de Incerteza: O
Caso do Zoneamento Pedoclimtico para a Soja no Estado de Santa Catarina.
Dissertao (Mestrado em Sensoriamento Remoto) Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos.
Burrough, P. (1987). Principles of geographical information systems for land
resources assessment. Oxford, Clarendon Press.
Camargo, E. (1997). Desenvolvimento, Implementao e Teste de Procedimentos
Geoestatsticos (Krigeagem) no Sistema de Processamento de Informaes
Georreferenciadas (SPRING). Dissertao (Mestrado em Sensoriamento
Remoto) Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos.
Deutsch, C. e A. Journel (1992). GSLIB: Geostatistical Software Library and users

guide. New York, Oxford University Press.
Issaks, M. e E. Srivastava (1989). An Introduction to Applied Geostatistics. New
York, Oxford University Press, 1989.
Journel, A. (1988). Fundamentals of geostatistics in five lessons. California,
Stanford Center for Reservoir Forecasting Applied Earth Sciences Department.
Matheron (1963, 1971). The theory of regionalized variables and its applications.
Paris, Les Cahiers du Centre de Morphologie Mathematique de Fontainebleu,
1971. 211p.
APNDICE
MODELAGEM DA ANISOTROPIA
A anisotropia uma caracterstica muito freqente nos elementos da natureza,
isto , a variabilidade ou distribuio espacial de tais elementos ocorre mais
intensamente numa direo e menos intensamente em outra direo. Tome como
exemplo o mapeamento do teor de zinco, dentro de uma regio de interesse,
pouco provvel que tal propriedade se espalhe igualmente em todas as direes.
Para lidar com a anisotropia, importante que o modelo proposto represente
bem a variabilidade espacial da propriedade em estudo. Procedimentos
determinsticos para este fim so limitados, porque no consideram a estrutura de
autocorrelao espacial bem como a anisotropia presente. Modelos mais adequados
para este objetivo vem sendo propostos e a geoestatstica engloba esses modelos.
TIPOS DE ANISOTROPIA
Antes de apresentar os tipos de anisotropia, necessrio mostrar as convenes
direcionais usadas na geoestatstica. Isto resumido conforme ilustra a Figura 3-15.
Figura 3-15 - Convenes direcionais usadas na geoestatstica.

Quando os semivariogramas experimentais direcionais apresentam diferenas
acentuadas, a distribuio denominada anisotrpica. Se a anisotropia observada
e refletida pelo mesmo Patamar (C) com diferentes Alcances (a) do mesmo
modelo, ento ela denominada Geomtrica, conforme ilustra a Figura 3-16. Existe
ainda um outro tipo de anisotropia em que os semivariogramas experimentais
direcionais apresentam os mesmos Alcances (a) e diferentes Patamares (C). Neste
caso, a anisotropia denominada zonal. Como a isotropia, a anisotropia zonal
tambm pouco presente nas variveis ambientais. O mais comum encontrar
combinaes da anisotropia Zonal e Geomtrica, denominada anisotropia
Combinada, conforme Figura 3-16. Na Figura 3-16, a1 e a2 esto relacionados s

direes de menor e maior continuidade espacial da varivel, respectivamente.
(h)
(h)
C1
C2
1
Co1
Co2
Co
a1
a2
a1
a2
Figura 3-16 esquerda Anisotropia Geomtrica e direita Anisotropia Combinada.
DETEO DA ANISOTROPIA
Existem vrias formas de detectar a anisotropia, por exemplo calculando-se os
semivariogramas experimentais direcionais em vrias direes, desenhando todos
num nico grfico, e visualmente avaliando suas similaridades. Outra forma,
atravs do esboo grfico de uma elipse (conhecido tambm como diagrama da
rosa), calculada atravs dos alcances obtidos em direes distintas.
A forma mais eficiente e direta de detectar a anisotropia atravs do mapa de
semivariograma, conhecido tambm como semivariograma de superfcie, que um
grfico, 2D, no qual obtm-se uma viso geral da variabilidade espacial da varivel
em estudo. Alm disso, sobre o mapa de semivariograma possvel detectar
rapidamente os eixos de anisotropia, isto , as direes de maior e menor
variabilidade espacial da varivel em anlise. A Figura 3-17 ilustra o mapa de
semivariograma aplicado aos dados da EMBRAPA Solos, obtidos na Fazenda
Canchim, em So Carlos - SP., conforme descritos na Seo 3.1. Os eixos maior e
menor, da elipse, correspondem s direes de maior e menor variabilidade espacial
do teor de argila respectivamente. O ngulo de anisotropia tomado da direo
norte, em sentido horrio, at o eixo maior; neste caso igual a 17 o.
Conseqentemente a direo de menor variabilidade 17o + 90 o = 107 o.
Obviamente que a exigncia de ortogonalidade entre os eixos, pode no
corresponder realidade, mas necessrio para modelagem dos semivariogramas
como ser visto mais adiante.
Figura 3-17 Mapa de Semivariograma do teor de argila.

MODELAGEM DA ANISOTROPIA
O princpio fundamental na modelagem de anisotropia (geomtrica, zonal ou
combinada), consiste em usar todas as estruturas presentes em todas as direes,
atribuindo um alcance infinito s inexistentes. Inicialmente identificam-se os eixos
de anisotropia, isto , os eixos de maior e de menor variabilidade espacial da
varivel em estudo. Isto realizado com auxlio do mapa de semivariograma
conforme descrito na seo anterior. Identificados os eixos de anisotropia,
calculam-se os dois semivariogramas experimentais direcionais, relativos s direes
de maior e menor variabilidade espacial da varivel em estudo, e procede-se o
ajuste dos mesmos. Estabelecidos os dois modelos, o passo seguinte combin-los
num modelo nico e consistente para todas as direes.
MODELAGEM DA ANISOTROPIA GEOMTRICA
Como dito anteriormente, se a anisotropia observada e refletida pelo
mesmo Patamar (C) com diferentes Alcances (a) do mesmo tipo de modelo, ento
ela denominada geomtrica. Considere o exemplo da Figura 3-18, as direes de
menor e maior variabilidade espacial so 0o e 90o respectivamente e os modelos de
ajustes so esfricos em ambas direes.
(h)
C=17
o
C1=15
90
Co=2
10
20
Figura 3-18 Exemplo de anisotropia geomtrica.

O modelo de semivariograma relativo direo 0o :
00 ( h ) = C o + C1 [Sph (h )]
(3.36)
O termo Sph (h) apenas uma notao representativa do modelo terico

esfrico normalizado, conforme apresentado na Seo 0. Lembre-se que h um
vetor, portanto seu mdulo pode ser decomposto; isto :
h=
(h ) + (h )
2
0o
(3.37)
90 o
A Figura 3-19 ilustra uma decomposio genrica para o vetor h.

Norte (0o)
|h
h0o
Leste (90o)
h90o
Figura 3-19 Decomposico genrica do vetor h.
Para direo de anlise em questo, 0o, o vetor h est sobre o eixo Norte,
portanto no possui componente na direo 90o; isto , para 0o => =90o (ver
na Figura 3-19), h0o = |h|.sen(90o) = | h | e h90o = | h |.cos(90o) = 0.
Normalizando 3.39 em relao ao alcance (a), tem-se:
2
h o h o
h
= 0 + 90
a
a a
(3.38)
Neste caso, como a componente
h 90o
a
sempre nula, podemos atribuir um
alcance infinito direo 90o. Assim, a equao 3.21 escrita da forma:

2
h o h o
h
= 0 + 90
a
a
(3.39)
O modelo normalizado do semivariograma relativo direo 0o definido

como:
00 ( h ) = C 0 + C1 Sph
2
2
h 00 h900
+
(3.40)
Substituindo os valores de C0, C1 e a, conforme Figura 3-18, tem-se:
00 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
10

(3.41)
De maneira anloga, o modelo de semivariograma relativo direo 90o :
900 ( h ) = 2 + 15 Sph
2
2
h 00 h900
+
20

(3.42)
Uma vez definidos os modelos relativos s direes de 0o e 90o, determina-se o

modelo nico e consistente para qualquer distncia e direo do vetor h. Das
Equaes 3.44 e 3.45, obtem- se o modelo nico que expresso atravs da seguinte
equao:
( h ) = 2 +15 Sph
2
2
h 00 h 900
+
10 20

(3.43)
A consistncia desse modelo verificada primeiro determinando-se os valores

das componentes h0o e h90o para um determinado vetor h. Em seguida, calcula-se o
valor de ( h). Por exemplo, deseja-se saber o valor de ( h) na direo 0o quando
|h| = alcance; isto , | h | = 10. Neste caso, as componentes h0o e h90o valem:
h0o = | h |.sen() = a.sen() = 10.sen(90o) = 10.
h90o = | h |.cos() = a.cos() = 10.cos(90o) = 0.
2
2
2
2
10 0
10 0
Sph(| h |) =1,5 + 0,5 + = 1
10 20
10 20
Seguindo, determina-se ( h):
( h ) = 2 +15 Sph
h 00 h900
+
10 20

= 2 + 15.[1] = 17
De maneira anloga, na direo 90o quando | h | = 20, temse que ( h) = 17.

E assim por diante, para uma direo qualquer quando | h | 0, tem-se que ( h)
= 2, que o Efeito Pepita.
MODELAGEM DA ANISOTROPIA COMBINADA
Neste caso, a anisotropia observada e refletida com diferentes Patamares (C)
e Alcances (a) do mesmo tipo de modelo, podendo ainda apresentar dois valores
distintos de Efeito Pepita (Co). O exemplo da Figura 3-20, referem-se aos
semivariogramas nas direes de maior e menor variabilidade espacial do teor de
argila, detectadas na Seo 0. Ambos semivariogramas foram ajustados com
modelos esfricos.
(h)
274
365
203
231
91
28
0
1677
2962
Figura 3-20 Anisotropia combinada referente ao teor de argila.

17 0 ( h ) = 91+ 274 Sph
2
2
h170 h107 0
2962 +
(3.44)
107 0 ( h ) = 28 + 203 Sph
2
2
h170 h107 0
+ 1677
(3.45)
Uma vez estabelecidos os modelos relativos s direes de mnima e mxima

continuidade espacial do fenmeno, procede-se modelagem da anisotropia
combinada. A modelagem da anisotropia combinada um caso mais complexo que
a modelagem da anisotropia geomtrica. A idia bsica dividir em faixas
convenientes o grfico de semivariograma, conforme ilustra a Figura 3-21, de
maneira que, em cada faixa reste somente a anisotropia geomtrica. Evidentemente
que esta tcnica exige o conhecimento e prtica com semivariogramas e modelagem
da anisotropia.
(h)
365
274
4 Faixa
203
231
3 Faixa
91
2a Faixa
28
1a Faixa
0
2962
1677
Figura 3-21 Definio das faixas para modelagem da anisotropia combinada.

Uma vez estabelecido de forma conveniente as faixas, a anisotropia combinada
decomposta graficamente, conforme ilustra a Figura 3-22, de modo que, cada
parcela represente somente a anisotropia geomtrica.
(h)
365
170
4
274
107
231
2a
203
170
63
3a
+
91
2
1a
28
0
2962
1677
71
140
~
~
170
1070
170
107 0
1677
2962
2962
~
~
1070
Figura 3-22 Decomposio da anisotropia combinada.
1677
A anisotropia combinada apresentada na Figura 3-22 decomposta da seguinte

forma:
A 1a parcela refere-se a um valor constante, o Efeito Pepita (C0= 28). O modelo
relativo a 1a parcela :
1 ( h) = C 0
(3.46)
Para estabelecer a anisotropia geomtrica na 2a parcela, necessrio empregar

um artifcio. Este consiste em utilizar um modelo esfrico com alcance muito
pequeno (). sto necessrio para modelar o segundo efeito pepita (91) relativo
direo de 17o. Com relao a outra direo, 107o, observa-se que parte do modelo
esfrico participa com uma pequena contribuio. Desta forma, a anisotropia
geomtrica caracterizada da seguinte forma: em ambas direes modelos esfricos
com contribuio 63 (91 - 28), alcance () para a direo 17o e alcance 1677m para
a direo 107o. O modelo nico e consistente de semivariograma relativo 2a
parcela :
2 ( h ) = 63 Sph
2
2
h170 h1070
+ 1677
(3.47)
Na 3a parcela, a anisotropia geomtrica obtida de forma direta. Isto , parte

de ambos modelos contribuem para a caracterizao da mesma. Conforme pode ser
visto na Figura 3-22, esta composta de uma estrutura esfrica com alcance de
1677m na direo 107o, uma estrutura esfrica com alcance de 2962m na direo
170 e ambas com contribuio de 140 (231 91). O modelo nico e consistente de
semivariograma relativo 3a parcela :
3 ( h ) = 140 Sph
h17 0 h107 0
2962 + 1677
(3.48)
Para estabelecer uma anisotropia geomtrica 4a parcela necessrio empregar

um outro artifcio. Observando a Figura 3-22, nota-se que no existe um modelo
associado direo 107o. O segredo ento , atribuir um alcance muito grande, , a
esta direo. Tal artifcio utilizado apenas para estabelecer a anisotropia
geomtrica. Isto no influencia em nada no modelo final a ser determinado. O
resultado disto uma estrutura esfrica com alcance na direo 17o de 2962m, uma
estrutura esfrica com alcance na direo 107o muito grande () e ambas estruturas
com contribuio de 71 (274 203). O modelo nico e consistente de
semivariograma relativo 4a parcela :
4 ( h ) = 90 Sph
2
2
h17 0 h107 0
2962 +
(3.49)
Finalmente, o modelo completo, (h), e consistente para qualquer distncia e

direo do vetor h, resume-se na soma das estruturas 1(h), 2(h), 3(h) e 4(h).
Ento,
( h) = 1(h) + 2(h) + 3(h) + 4(h)
( h ) = 28 + 63 Sph
+ 71 Sph
2
2
h17 0 h107 0
+
+ 140 Sph
1677
(3.50)
2
2
h17 0 h107 0
2962 + 1677 +
2
2
h17 0 h107 0
2962 +
(3.51)
A Tabela 3.3 sumariza os parmetros estruturais que compem o modelo

expresso na Equao (3.54), e sua consistncia verificada de maneira anloga ao
caso de anisotropia geomtrica, conforme descrita anteriormente.
Tabela 3.3 Sumarizao dos Parmetros Estruturais.
Nmero de Estruturas
3
Efeito Pepita
28
Primeira Estrutura Tipo: Esfrica
Contribuio
63
ngulo de anisotropia
Maior Alcance
Menor Alcance
Segunda Estrutura Tipo: Esfrica

140
Contribuio
Menor Alcance
1677 Maior Alcance
17o
1677
17o
2962
Terceira Estrutura Tipo: Esfrica

Contribuio
71
17o
Menor Alcance
2962 Maior Alcance
A etapa seguinte refere-se estimao de krigagem ordinria. Como resultado,

tm-se uma grade de valores estimados e uma outra que refere-se varincia de
krigagem. Ambas so convertidas em superfcies e apresentadas na Figura 3-23.
Figura 3-23 esquerda superfcie anisotrpica do teor de argila e direita a varincia de

krigeagem.
Analisando os resultados apresentados nas Figura 3-14 e Figura 3-23, observase que as diferenas na distribuio espacial do teor de argila so acentuadas. O
resultado oriundo do modelo anisotrpico, Figura 3-23, mostra que a varivel em
estudo possui uma tendncia maior de espalhamento na direo de
aproximadamente 17o (ngulo de anisotropia) e uma menor tendncia na direo
ortogonal (107o). Este fato, mostra a importncia da modelagem da anisotropia na
reconstruo da distribuio espacial do teor de argila, proporcionando resultados e
anlises mais representativas.
4
ANLISE ESPACIAL DE SUPERFCIES:
GEOESTATSTICA POR INDICAO
ENFOQUE
DA
Carlos Alberto Felgueiras

Suzana Druck
Antnio Miguel Vieira Monteiro
4.1 Introduo
Os procedimentos de krigagem ordinria apresentados no captulo anterior
(vide Seo 3.4) buscavam predies timas da varivel em estudo, em locais no
observados, minimizando a varincia do erro associado a essa estimativa. Neste
captulo, o foco ser na anlise de modelos de incerteza, ou seja, na inferncia das
distribuies de probabilidade para cada posio do espao considerado,
representadas pelos vetores x. Os novos procedimentos vo permitir a definio de
estimadores obtidos segundo a minimizao de outras funes de erro inferencial, e
no, como efetuado pela krigagem linear (vide Seo 3.5), um estimador baseado
apenas na minimizao da varincia do erro. Situaes em que a anlise da incerteza
relevante podem ser ilustradas na aplicao da krigagem nos estudos de reposio
de nutrientes nos solos. Neste caso, o que se deseja determinar a quantidade de
nutrientes que deve ser reposta nos solos de uma regio de maneira a maximizar a
produo e tornar mnimo os custos. O processo inferencial tem como objetivo
evidenciar os locais em que um determinado fator dos solos, Z(x), deficiente, ou
seja, os locais em que o valor estimado, Z ( x ) , seja igual ou abaixo de um valor
crtico, z lim , isto , quando Z ( x ) z lim .
Assim, o que interessa no inferir
exatamente um determinado valor, mas definir reas com maior probabilidade que
o evento ocorra, ou seja, reas onde a probabilidade do valor estimado Z ( x ) ser
menor ou igual a um limite z lim , definida por Prob Z ( x ) z lim , tem um valor
determinado.
Por outro lado, os erros inferenciais, que so a subestimao (estimar um valor
menor do que seria o valor real) ou, a sobre-estimao (estimar um valor maior do
que seria o valor real) vo produzir efeitos diferentes no processo produtivo.
Enquanto a subestimao pode levar a repor nutrientes onde no necessrio, e
contaminar os solos, a sobre-estimao pode conduzir a no repor nutrientes onde
necessrio e prejudicar a produtividade. Dessa forma, esses erros inferenciais no
podem ser tratados como se tivessem o mesmo impacto, e a minimizao de um, ou
de outro, ou de ambos, vai depender dos objetivos impostos pelo trabalho a ser
executado. Neste contexto, o estimador de krigagem linear obtido pela
4-1
minimizao da varincia (vide Seo 3.5), que considera equivalentes e simtricos

os impactos de subestimar ou sobre-estimar, seria insuficiente para apoiar as
decises necessrias a melhor soluo do problema.
Este captulo apresenta um conjunto de tcnicas que procura construir o
modelo de incerteza associado a uma determinada posio do espao, representada
pelo vetor x. O modelo a ser produzido condicionado a um conjunto de dados
geogrficos, coletados previamente a partir de suportes amostrais pontuais. Os
exemplos, utilizados para ilustrar os conceitos deste captulo, referem-se a
conjuntos amostrais obtidos no levantamento de solos executado na regio de
Canchim (vide Seo 3.4, Figura 4-1 e Tabela 4-1). No que segue, admite-se que o
leitor esteja familiarizado com os conceitos de krigagem apresentados no captulo 3
(Seo 3.4 a Seo 3.7).
4.2 Incertezas locais
A geoestatstica considera os valores de um atributo para cada posio x A
(uma regio da superfcie terrestre) como uma realizao de uma varivel aleatria
(VA), descrita como Z ( x ) . Isto significa que, na posio x, Z ( x ) pode assumir
diferentes valores para o atributo considerado, cada valor com uma probabilidade
de ocorrncia associada a ele. Uma VA Z ( x ) ordenada, contnua ou discreta,
caracterizada pela sua funo de distribuio de probabilidade acumulada, fdpa,
univariada, F ( x , z ) , definida como:
F ( x; z ) = Prob{Z ( x ) z}
(4.1)
Os procedimentos por indicao (tambm conhecidos por funes indicatriz)

esto interessados na modelagem da funo de distribuio univariada acumulada
condicionada (fdpac), isto , a funo de distribuio que pode ser construda
condicionada aos n dados amostrados, F ( x; z | (n )) , que dada por:
F ( x; z | (n )) = Prob{Z ( x ) z | (n )}
(4.2)
A F ( x; z | (n )) modela a incerteza da V.A. Z no local x , e uma vez estimada

essa funo de distribuio de probabilidade ela pode ser utilizada para:
produzir uma estimativa de valores do atributo em posies no

conhecidas;
modelar a incerteza dos valores para o atributo nas posies estimadas;
O enfoque tradicional, oferecido pela krigagem linear, para modelar a incerteza

em locais no amostrados , consiste em computar estimativas do valor desconhecido
z ( x ) e de sua respectiva varincia 2 ( x ) , e construir um intervalo de confiana do
tipo gaussiano, centrado em z ( x ) ,
4-2
Prob{Z ( x ) [z ( x ) 2 ( x ), z ( x ) + 2 ( x )]}
(4.3)
A construo deste tipo de intervalo de confiana fundamenta-se nas hipteses:
os erros locais de estimao tm distribuio gaussiana;
o intervalo de confiana pode ser construdo atravs da varincia

destes erros.
Essas hipteses so fortemente restritivas, uma vez que a distribuio local dos
erros pode apresentar severas assimetrias, principalmente quando o histograma das
amostras apresenta-se assimtrico, no se adequando a hiptese gaussiana sendo
implicitamente considerada. Por outro lado, a varincia obtida atravs da krigagem
linear depende unicamente da configurao geomtrica dos dados, e no do valor
de seu atributo naquela posio, e uma varincia com essas caractersticas pode no
ser adequada para representar as incertezas na estimativa de valor para o atributo,
principalmente em regies onde amostras prximas apresentam valores para seu
atributo, medido ou observado, muito discrepantes.
Um outro enfoque possvel considerar que primeiro necessrio modelar a
incerteza, ou seja inferir as distribuies de probabilidades locais, as distribuies
para cada ponto do espao a ser estudado, representado pelo vetor x. Uma vez
estabelecidas as funes, F ( x; z | (n )) , e s ento deduzir as estimativas timas para
cada ponto. Observe que o procedimento tradicional primeiro calcula a estimativa,
os valores estimados para os pontos no observados, e depois acrescenta o intervalo
de confiana, com base na varincia dos erros produzidos pelo estimador. A
modelagem da incerteza, sendo construda diretamente atravs da fdpac,
F ( x; z | (n )) , condiciona, por construo, essa fdpac aos dados amostrais, e produz
ento um modelo que independente de uma particular estimativa z ( x ) , obtida
com base em um particular estimador, no nosso caso o estimador por krigeagem

linear. Ficamos agora com o problema da inferncia desta funo de distribuio de
probabilidade acumulada condicionada para cada ponto do espao, da F ( x; z | (n )) .
Vamos abordar dois enfoques, mais presentes na literatura :
O multigaussiano, que estabelece o modelo de distribuio a ser

considerado priori;
O enfoque por indicao, que no estabelece nenhum modelo de

distribuio para os dados. A fdpac modelada de forma
aproximada pela sua discretizao numa srie de K cortes
zk , k = 1,....k .
O primeiro enfoque, o multigaussiano, o mais fcil de ser utilizado, mas

apresenta algumas restries importantes:
4-3
1. estabelece a hiptese multigaussiana para a distribuio multivariada que

no pode ser inteiramente verificada;
2. inadequada para fenmenos que apresentam uma expressiva
correlao em valores extremos da distribuio.
O enfoque por indicao pode ser considerado mais geral. No restringe o
fenmeno em estudo a ser representado por uma distribuio especfica. Deve ser
utilizado quando os dados no se ajustam a uma distribuio multigaussiana, ou
quando os valores extremos da distribuio das amostras apresentam significante
conectividade. Esse captulo, por essas razes, focaliza esse procedimento.
4.3 O Enfoque por Indicao
O enfoque por indicao est fundamentado na interpretao da probabilidade
condicional Prob{Z ( x ) [z ( x ) 2 ( x ), z ( x ) + 2 ( x )]} como uma esperana
condicional de uma varivel aleatria por indicao, I x , zk (n ) , considerada a

informao disponvel nas (n) amostras, isto :
F ( x; z k | (n )) = E{I ( x , zk ) | (n )}
k = 1,...,K
(4.4)
onde I ( x , z k (n )) = 1 se Z ( x ) zk e I ( x , z k (n )) = 0 se Z ( x ) > zk
A estimativa de krigagem de uma varivel por indicao, I x , zk (n ) , tambm

uma estimativa de sua esperana condicional. Portanto, as estimativas de
F ( x , zk (n )) , para k = 1,..., K , podem ser calculadas estimando-se o valor

i ( x , z k (n )) , que utiliza para sua estimativa os dados transformados para dados por
indicao, com valores 1 e 0.

Dessa forma, os procedimentos por indicao iniciam-se por uma
transformao no linear, chamada de codificao por indicao, que transforma
cada valor do conjunto amostral, z ( x ) , em valores por indicao, i( x , z k ) .
A codificao por indicao dos dados amostrais
Na distribuio de um conjunto de dados amostrais, um determinado nmero
de cortes K e seus respectivos valores de cortes z k , k = 1,....k , so definidos. A
codificao por indicao, se processa para cada valor de corte
conjunto amostral por indicao i( x , z k ) do tipo:
zk , e gera um
4-4
1,
i(x ; z k ) =
0 ,
se z ( x ) z k
(4.5)
se z ( x ) > z k
A codificao por indicao aplicada sobre todo conjunto amostral criando,

para cada valor de corte, um conjunto cujos valores so 0 ou 1. Os K valores de
corte, so definidos em funo do nmero de amostras e devem ser escolhidos de
tal forma que os K + 1 cortes contenham aproximadamente as mesmas frequncias.
Entretanto, existem algumas critrios para a escolha de K:
1. Os valores de k , devem ser representativos de toda a gama de valores
apresentados pelos dados.
2. Os valores de k devem destacar os pontos importantes da distribuio.
3. O nmero de cortes K no deve ser muito grande, o que demandaria grande
esforo computacional, mas principalmente no deve ser muito pequeno,
pois pode resumir aspectos relevantes da distribuio. Uma regra razovel
considerar que o valor de K no deve ser menor que cinco (5), nem maior
que quinze (15).
Se para um determinado conjunto de dados cujos valores variam no intervalo
[5, 43] podemos definir zk = 20, 30, 39 correspondentes respectivamente a trs
quantis de sua distribuio ( p = 0.25, 0.50, 0.75 ). A codificao associar a cada
valor amostral um vetor com 3 dados por indicao com valores 0 ou 1. Por
exemplo, se o valor amostral z (u j ) = 25.2 , ento o valor por indicao i u j ,20 = 0 e
( )
representa a probabilidade de Z u j assumir valores menores ou iguais a 20, dado
[( )
( )
que o valor de z (u j ) = 25,2 , Prob Z u j 20 z u j = 25.2 . Considerando os trs
valores de zk , o vetor por indicao seria representado como abaixo descrito:
{
{
{
}
}
}
0 i ( x j ,20 ) Prob Z (x j ) 20 z ( x j ) = 25.2

1 = i ( x ,30) Prob Z (x ) 30 z (x ) = 25.2
j
j

j
1 i ( x J ,39) Prob Z (x ) 39 z (x ) = 25.2

j
j
4.3.2 A variografia por indicao

A anlise de variografia se processa de forma semelhante a realizada na
krigeagem linear (vide Seo 3.5), considerando-se separadamente o conjunto de
valores por indicao para cada valor de corte, z k . Dessa forma, para cada valor de
corte z k um modelo de variograma deve ser estabelecido, o que corresponderia, no
exemplo anterior, ao ajuste de 3 modelos de semivariogramas a partir de 3
variogramas experimentais computados como:
4-5
I (h , z k ) =
N (h )
1
[i (h ; z k ) i (h + h ; z k )]2
2 N (h ) =1
(4.6)
Como os valores das variveis por indicao so 0 e 1, o variograma por

indicao , usualmente, bem comportado e resistente a valores extremos
("outliers"). Tambm as amostras de i (u , zk ) para cada zk so considerados como
amostras de uma distribuio Bernouilli cuja varincia mxima 0.25. Dessa forma
o efeito pepita somado ao patamar, que so aproximadamente iguais ao valor da
varincia, ter como valor mximo 0.25. Calcular os variogramas relativamente
simples, sendo a nica dificuldade prtica o nmero de variogramas a ser
modelados.
4.3.3 A estimao dos valores por indicao
Como mencionado anteriormente para cada valor de corte z k , k = 1,....k , a
F ( x , z k (n )) pode ser estimada atravs da combinao linear dos dados por
indicao i( x , z k ) . O estimador linear expresso em termos de VAs por indicao.

n(u )
n (u )
F ( x; z k | (n)) = ( x; z k )I ( x ; z k ) + 1 ( x; z k ) I ( x ; z k )
=1
=1
(4.7)
onde ( x ; z k ) o peso assinalado a cada dado convertido interpretado como uma

realizao de uma varivel aleatria por indicao. Se a mdia por indicao,
E[I ( x ; z k ) ] , considerada constante dentro da rea em estudo dois procedimentos
podem ser considerados, descritos a seguir.
Krigeagem por Indicao Simples
Neste caso a mdia por indicao conhecida e constante, isto :
E{I ( x ; z k )} = F ( z k )
(4.8)
e o preditor linear (4.6) ento rescrito,

n (u )
n( x )
FKS ( x; z k | (n)) = KS ( x; z k )I ( x ; z k ) + 1 KS ( x; z k ) F ( z k )
=1
=1
(4.9)
onde os pesos KS ( x , z k ) so determinados atravs do sistema de krigeagem

simples.
n (u )
( x; z )C (h ; z ) = C (h ; z )
=1
KS
= 1,2,...,n( x )
(4.10)
onde h o vetor de separao definido pelas posies x e x , h o vetor
definido entre as posies x , e a posio a ser estimada x0 , C I h ; z k ) a

4-6
autocovarincia definida por h e C I (h ; z k ) a autocovarincia definida por
h em z = z k . As autocovarincias so determinadas pelo modelo de variografia

terico definido pelo conjunto I para z = z k .
Krigeagem por Indicao Ordinria
A krigeagem por indicao ordinria permite considerar flutuaes locais da
mdia limitando seu domnio de estacionariedade a vizinhana local W ( x )
E {I ( x ; z k )} = constante mas desconhecida para x W ( x )

E {I ( x ; z k )} = F ( x ; z k ) estimado no domnio W ( x )
O estimador de krigeagem por indicao ordinria tem a seguinte expresso:
n( x )
n( x )
FKS ( x; z k | (n)) = KS ( x; zk )I ( x ; z k ) + 1 KS ( x; z k ) F ( x ; z k )
=1
=1
(4.11)
sendo que os pesos KS ( x , z k ) so obtidos pela soluo do seguinte sistema de

equaes de krigagem por indicao ordinria:
n ( x ) KO
( x; z k )C I (h ; z k ) + ( x; z k ) = C I (h ; z k )
=1
n ( x )
KO ( x; z ) = 1
=1
= 1,2,...,n( )
(4.12)
onde (x; zk ) o multiplicador de Lagrange.
A krigagem por indicao, simples ou ordinria, fornece, para cada valor de
corte z k , a melhor estimativa da esperana condicional da VA I ( x , z k ) , I ( x , z k ) .

Utilizando esta propriedade, e o teorema que estabelece que I ( x , z k ) = F ( x , z k )
pode-se calcular estimativas dos valores da fdpac de Z ( x ) para vrios valores de
z = zk , pertencentes ao domnio de
Z ( x ) . O conjunto dos valores das fdpacs,
estimados nos valores de corte, considerado uma aproximao discretizada da

fdpac real de Z ( x ) . Quanto maior a quantidade de valores de corte, melhor a
aproximao. A aproximao complementada pela definio de uma funo de
ajuste para a distribuio, que deve ser utilizada para se inferir a fdpac para valores
diferentes dos valores de corte. Um ajuste linear o mais simples de se definir,
porm funes de maior grau podem ser usadas.
4-7
4.3.4 Correo dos Desvios de Ordem

A aproximao da funo de distribuio apresenta alguns problemas,
conhecidos como desvios de relao de ordem, que devem ser corrigidos
automaticamente pelo procedimento. Os valores de probabilidades acumuladas
condicionadas, para cada valor de corte, so inferidos independentemente. Para que
esses valores de probabilidade constituam uma distribuio legtima, eles devem
verificar as seguintes relaes de ordem:
1. Os valores inferidos de F x , z k (n ) devem satisfazer a seguinte relao
0 F ( x; z k | (n )) 1 z k , k = 1,..., K
*
2. O valor estimado de F x , z k (n ) no deve ser maior do que a F x ; z k +1 (n )

quando zk zk +1 , ou seja F ( x; z k | (n )) F ( x; z k +1 | (n )) se z k z k +1
A primeira condio pode ser garantida quando todos os pesos do estimador

so positivos e somam 1. A krigeagem no garante que os pesos sejam todos
positivos. Por isso possvel a inferncia de valores da fdpac fora do intervalo [0,1].
A soluo para este problema ajustar os valores estimados para as bordas, ou seja,
valores negativos so mapeados para 0 e valores maiores que 1, para 1. A segunda
condio garantida com o uso de ponderadores positivos que somam 1, e com a
utilizao dos mesmos pesos de estimao para todos os valores de corte, o que no
pode ser garantido pela krigeagem por indicao. Portanto, estas inconsistncias
podem ocorrer e devem ser corrigidas. Um procedimento simples de correo
verificar pares de fdacs estimadas, em valores sucessivos de cortes, e ajust-los para
o valor mdio das duas, sempre que a relao de ordem,
F ( x; z k | (n )) F ( x; z k +1 | (n )) se z k z k +1 , no for satisfeita. A Figura 4-2 ilustra
os problemas e as solues das 2 condies acima descritas.
Figura 4-2 Correo dos desvios de relao de ordem
4-8
A Figura 4-3 e a Figura 4-4 que seguem buscam ilustrar as etapas descritas para
a obteno do modelo de incerteza para um conjunto amostral tomado
conceitualmente como variveis aleatrias.
Figura 4-3 Primeira etapa do processo de krigagem por Indicao
Figura 4-4 Segunda etapa do processo de krigagem por Indicao

4-9
4.4 Estimativa de incertezas locais
O conhecimento da fdpac, F x ; z k (n ) , em uma localizao x, possibilita a
estimativa direta da incerteza, sobre o valor no conhecido z k ( x ) , independente da
escolha de um estimador para z k ( x ) . Vamos ver agora como a incerteza pode ser
estimada quando adotamos o enfoque por indicao aqui apresentado.
Intervalos de probabilidade
A incerteza pode ser estimada atravs de intervalos de valores do atributo. A
probabilidade de um valor z k ( x ) estar dentro de um intervalo (a,b] qualquer,
chamado intervalo de probabilidade, computado como a diferena entre os valores
da fdpac para os limiares b e a, ou seja:
Prob{Z ( x ) (a,b ]| (n )} = F ( x ;b | (n )) F ( x ; a | (n ))
(4.13)
Um intervalo de probabilidade dado por Prob{Z ( x ) (a,b ]| (n )} = 0.7 , significa
que z ( x ) tem 70% de chance de estar dentro e, portanto, 30% de chance de estar
fora do intervalo (a, b]. Quando b = obtm-se a probabilidade de se exceder um
limiar a, ou seja:
Prob{Z ( x ) (a,+ ]| (n )} = Prob{Z ( x ) > a | (n)} = 1 F ( x ; a | (n ))
(4.14)
Esta probabilidade particularmente importante em aplicaes ambientais

focadas em medir os riscos de se exceder limites regulatrios. Para exemplificar a
utilizao dessas medidas de incerteza, numa situao real, considere o conjunto
amostral de altimetria de Canchim, apresentado na Figura 4-5. Esse conjunto
amostral foi utilizado como entrada para produo do mapa temtico de altimetria
e do mapa de incertezas apresentados na Figura 4-6 (a) e (b), respectivamente.
A classificao apresentada no mapa da Figura 4-6(a) foi obtida a partir dos
modelos de distribuio probabilstica inferidos pelo procedimento de krigeagem
por indicao condicionado s amostras de altimetria. Neste caso, foram definidas 3
faixas distintas de valores de altimetria, 3 classes, e para cada ponto desse mapa, as
probabilidades de pertinncia a cada um dos intervalos de valores, definidos para as
classes, foram calculadas pela formulao apresentada na equao 4.13. Para
classificao de cada ponto do mapa temtico de altimetria, utilizou-se o critrio de
mxima probabilidade, ou seja, atribuiu-se, a cada ponto do mapa, a classe de maior
probabilidade de ocorrncia nesse local. Os valores de incerteza apresentados na
Figura 4-6(b), mapa da direita, foram calculados a partir do valor da probabilidade
da classe que foi associada a cada ponto do mapa temtico de altimetria gerado.
Assim, calculou-se a incerteza como:
Inc( x ) = 1 Prob{z( x ) sk ( x ),k = 1, 2 ou 3}
(4.15)
onde s k ( x ) a classe atribuda a localizao ( x ) .

4-10
Figura 4-5 Distribuio espacial das amostras de altimetria na regio de Canchim
0.5
E~F
EF
0.0
Figura 4-6 Mapa temtico de altimetria (a) e respectivas medidas de incerteza (b)
4-11
Distncia interquantil
Uma medida mais robusta de espalhamento um intervalo interquantil. Por
exemplo, o intervalo interquartil, q R ( x ) definido por:
q R ( x ) = q0.75 ( x ) q 0.25 ( x ) = F 1 ( x ; 0.75 | (n )) F 1 ( x; 0.25 | (n ))
(4.16)
Para distribuies altamente assimtricas, uma medida mais robusta o

intervalo interquantil, que definido como a diferena entre dois quantis,
simtricos em relao a mediana. A partir da funo de distribuio acumulada
condicionada
inferida,
F ( x ; z (n )) , pode-se derivar vrios intervalos de
probabilidade tais como o intervalo 95%, [q 0.025 ; q 0.975 ] , tal que:
Prob{Z ( x ) [q0.025 ; q0.975 ]| (n )} = 0.95
(4.17)
com q 0.025 e q 0.975 sendo os quantis relativos aos valores de probabilidade da fdpac
2,5% e 97.5%, ou seja, F ( x ; q0.025 (n ) ) = 0.025 , e F ( x ; q0.975 (n ) ) = 0.975 . Os
valores do atributo, referentes aos quantis, so estimados a partir da funo de

ajuste e dos valores de corte usados na krigeagem por indicao. Um mapa de
incertezas obtido pelos valores de uma grade de intervalos interquartis, diferena
entre o primeiro e o terceiro quartil de altimetria, e estimados segundo a equao
4.16, est apresentado na Figura 4-7.
100.
5.05
Figura 4-7 Mapa de incertezas locais obtido a partir dos quartis, primeiro e terceiro, dos
modelos de distribuio probabilstica locais inferidos pela krigagem por indicao
4-12
Varincia condicional
Uma medida importante de espalhamento de uma distribuio a varincia
condicional que mede os desvios da fdpac em torno da mdia da distribuio,
z z k (u ) . Diferente das medidas de incerteza anteriormente descritas, esta necessita
da estimao da mdia da distribuio, isto , da definio desse estimador.
possvel obter-se uma estimativa da varincia da distribuio condicionada, 2 ( x ) ,
pela seguinte formulao:
( )( x ) = [z z ( x )] dF ( x; z | (n ))
2
K +1
Zk
][
2
z 'k z Z k ( x ) F ( x ; z k | (n )) F (u; z k 1 | (n ))
k =1
(4.18)
onde z z k o valor da mdia da classe (z k 1 , z k ] .

A Figura 4-8 apresenta um mapa de varincias para os valores de altimetria, da
regio de Canchim, obtidas pela equao 4.18.
99.0
7.8
Figura 4-8 Mapa de incertezas locais obtido a partir das varincias inferidas dos modelos de
distribuio probabilstica construdos pela krigeagem por indicao.
4-13
Entropia de Shannon
Uma medida de incerteza local, no relacionada a qualquer intervalo (a , b],
dada pela medida de entropia da funo de densidade de probabilidade local. Essa
medida definida como:
(4.19)
[ln f (x ; z (n ))] f (x ; z (n ))dz
onde f ( x ; z (n )) = F ( x ; z (n )) z a funo de distribuio de probabilidade. Na
H (x) =
prtica a amplitude de variao de z discretizada em K classes, que no se

interceptam, ( z k 1 , z k ], computando-se a probabilidade desses K intervalos como:
pk ( x ) = F ( x; z k | (n )) F ( x ; z k 1 | (n ))
(4.20)
A entropia para a distribuio condicional em x computada como:

K
H ( x ) [ln ( p k ( x ))] pk ( x ) 0 ,
k =1
p k 0
(4.21)
4.5 Estimadores timos para as Superfcies Interpoladas

O processo inferencial visa calcular uma estimativa do valor de z ( x ) atravs de
um estimador que caracterizado por uma determinada funo dos dados. Esse
estimador, no que concerne aos objetivos do processo inferencial, deve minimizar
algum tipo de erro que se deseja evitar, maximizando os acertos de interesse. Por
essa razo, um estimador dito timo quando minimiza perdas, isto , uma
particular funo dos erros inferenciais, L( ) , onde = z ( x ) z ( x ) . Entretanto,
minimizar L( ) significa conhecer z ( x ) , que desconhecido. Portanto, a idia

utilizar o modelo de incerteza definido para determinar a perda esperada, E[L( )] .
E[L( )] = E{L( ( x ))(n )}

+
= L( ( x )) dF ( x , z (n ))
(4.22)
Na prtica, a seguinte aproximao utilizada
K +1
E[L( )] L(z ( x ) z k ) F ( x , z k (n )) F ( x , z k 1 (n ))
k =1
(4.23)
Assim sendo a determinao de estimativas timas se processa em duas etapas:

1. A incerteza sobre o valor desconhecido z ( x ) inicialmente modelada pela
sua fdpac F x , z k (n ) ;
4-14
2. Desse modelo uma estimativa de z ( x ) obtida tal que minimiza E[L( )] .

Estimativa do valor esperado
A estimativa do valor esperado para cada valor espacial da distribuio
realizada a partir do de mnimos quadrados onde L[ (u )] = [ (u )]2 . Mostra-se que
essa funo minimizada quando z o valor esperado, z ( x ) = z E ( x ) . A estimativa

do valor esperado, z E ( x ) = E {Z ( x )} onde:
E[Z ( x )] = z f ( x ; z | (n ))dz = z dF ( x ; z | (n ))
(4.24)
obtida pela funo de densidade de probabilidade condicionada as n amostras,
f ( x , z k (n )) , e a partir dos K valores de corte, z k , pela aproximao:

K +1
E[Z ( x )] = z dF ( x ; z | (n )) z k F ( x ; z k (n )) F ( x ; z k 1 (n ))
k =1
(4.25)
A estimativa do valor esperado como definida em (4.25) e aquela obtida por

krigagem linear so ambas timas no sentido de minimizar varincias inferenciais,
entretanto produzem resultados diferentes. So diferentes porque, no caso do
enfoque aqui adotado, derivam de uma fdpac que depende dos valores dos dados.
Estimativa da mediana
O estimador de mnimos quadrados no a nica funo de otimizao de
erros possvel. Uma outra funo L( ( x )) pode tambm ser considerada. Podemos
tom-la como sendo dada pelo valor absoluto dos erros estimados L( ( x )) = ( x ) | .
Mostra-se que o valor de z que minimiza E [ L( ( x )) ] , quando L( ( x )) o
modulo de ( x ) , a mediana da distribuio q0.5 ( x ) , definida como:
q0.5 ( x ) = F 1 ( x; 0.5 | (n ))
(4.26)
A mediana inferida aplicando-se a funo de ajuste da distribuio sobre os

valores de corte com probabilidades acumuladas vizinhas ao valor 0.5. Para
distribuies com alto grau de assimetria, a mediana um estimador mais robusto
do que a mdia. Os mapas de mdia e mediana, dos dados de altimetria de
Canchim, esto mostrados na Figura 4-9.
4-15
Estimativa de quantis
A funo de perda considerada nos dois estimadores anteriormente definidos
no discriminava as diferenas de impacto dos erros de sub-estimao ou sobreestimao. Entretanto, existem situaes, como a descrita no incio desse captulo
(vide Seo 4.1), em que cada um desses erros produz diferentes impactos, e essas
diferenas devem ser tambm consideradas no processo inferencial. Assim, funes
de perdas assimtricas devem ser utilizadas
w1 ( x ) se ( x ) 0 sobrestima do
L[ ( x )] =
w2 ( x ) se ( x ) < 0 subestimado )
(4.27)
onde w1 e w2 so parmetros no negativos, e medem o relativo impacto de sub
ou sobre estimar. O estimador que minimiza essa funo L( ( x )) chamado de pquantil, e definido como:
z q = F 1 ( x ; p (n )) = q p ( x )
onde p =
w2
w1 + w
(4.28)
894.0
695.6
894.0
695.6
Figura 4-9 Mapas de mdia (a) e mediana (b) inferidos pelo procedimento por indicao,
para os dados de altimetria da regio de Canchim.
4-16
Considerando o exemplo de aplicao apresentado na introduo desse

captulo, seja w1 o impacto de sobre-estimar um determinado nutriente no solo, e
w2 o impacto de subestimar este mesmo nutriente. Vamos supor que se deseja
estimar z ( x ) de forma a reduzir o risco de comprometimento da produo, que

motivado pelos erros de sobre-estimao. Dessa forma, w1 > w2 e p < 0.5 , ou seja,
um estimador timo seria um quantil menor do que a mediana, onde p = 0.5 . Ou
ainda, se w1 = 0.9 e w2 = 0.1 , p = 0.1 . A estimativa tima seria considerando o
quantil de 10%.
4.6 Incertezas locais para atributos Categricos
O enfoque por indicao, semelhante quele aplicado aos dados com atributos
numricos, pode ser tambm aplicado a dados com atributos categricos, tambm
chamados dados temticos. O dado categrico aqui considerado como o dado
cujo atributo discreto e sem ordenao, para o qual no possvel um clculo de
distribuies acumuladas, a menos que se defina uma ordenao para os mesmos.
Um exemplo tpico de dados categricos o atributo textura do solo, cujas classes
so derivadas de atributos granulomtricos do solo. Outros exemplos podem ser:
tipos de rochas, classes de solo, etc. A metodologia geoestatstica, aqui apresentada,
utilizada para espacializao de dados categricos, baseia-se na krigeagem por
indicao e, equivale a um processo de classificao de dados categricos a partir de
amostras individuais. Os principais conceitos abordados aqui so exemplificados a
partir do mesmo conjunto de dados coletados na regio de Canchim (vide Seo
3.4, Figura 4-10 e Tabela 4-2).
O Enfoque por Indicao para Atributos Categricos
Considere-se um dado espacial cujo atributo categrico, podendo assumir K
classes, ou estados diferentes, s k , k = 1,..., K . Para cada posio ( x ) do espao, o
dado categrico pode ser representado por uma varivel aleatria S ( x ) que pode
assumir s
estados, cada um associado a uma probabilidade de ocorrncia. Os
procedimentos por indicao para atributos categricos baseiam-se na modelagem

da funo de distribuio de probabilidade condicionada, (fdpc), isto , a
modelagem da distribuio condicionada aos n dados amostrados, p( x; s k | (n )) ,
que definida como:
p( x; s k | (n )) = Prob{S ( x ) = s k | (n )}
(4.29)
A p( x; s k | (n )) modela a incerteza da varivel aleatria S no ponto ( x ) e, uma

vez estimada, essa funo de distribuio de probabilidade pode ser utilizada para:
classificar o atributo em posies no conhecidas;
4-17
modelar a incerteza das classificaes efetuadas.
Pela metodologia por indicao, a definio da fdpc depende, inicialmente, da

definio de um conjunto de valores de cortes para a varivel em questo. Para um
conjunto de amostras de uma varivel aleatria categrica qualquer, o nmero de
cortes K definido pela quantidade de classes que essa varivel pode assumir no seu
domnio. Neste caso, a codificao por indicao, se processa em valor de cortes
s k , e gera um conjunto amostral por indicao i ( x; s k ) do tipo:
se s ( x ) = s k
1,
i ( x; s k ) =
0,
se s ( x ) s k
(4.30)
A codificao por indicao aplicada sobre todo conjunto amostral criando,

para cada corte s k , um conjunto amostral por indicao, I ( x; s k | (n )) , cujos valores
so 0 ou 1. Cada probabilidade condicional p( x; s k | (n )) , tambm, a esperana
condicional da varivel aleatria por indicao I ( x; s k | (n )) , a saber:
p( x; s k | (n )) = E{I ( x ; s k (n ))}
(4.31)
onde I ( x; s k ) = 1 se S ( x ) = s k , e 0 (zero) caso contrrio .

Assim, a fdpc da varivel categrica S ( x ) pode ser modelada usando-se um
enfoque por indicao, semelhante quele aplicado s variveis de natureza
contnua. Para cada um dos K conjuntos I ( x; s k | (n )) , define-se um variograma
experimental, ajustado a posteriori por um modelo terico, que busca representar a
variabilidade espacial do conjunto de dados codificados por indicao sendo
considerados. Cada modelo de variograma terico, em conjunto com as amostras,
codificadas por indicao, usado para se estimar o valor da probabilidade
condicional [ p( x; sk | (n ))]* . O conjunto dessas probabilidades estimadas,
considerando-se os K valores de corte, determina uma aproximao discreta da fdpc
de S ( x ) . Essa fdpc deve, ainda, sofrer uma correo dos desvios de relao de
ordem para se garantir as relaes:
[ p( x; sk | (n))]* [0,1]
k = 1,...,K
(4.32)
[ p(u; s | (n ))]* = 1
k
(4.33)
k =1
ou seja, cada valor deve estar no intervalo [0,1] e a soma total desses valores deve
ser igual a1.
4-18
4.7 Classificadores para Atributos Categricos

No enfoque por indicao, os classificadores locais para atributos categricos
so definidos a partir da distribuio de probabilidade inferida para cada uma das
s k classes de S ( x ) . Em geral, esse classificador implementado segundo um
estimador de moda, que determina o valor de S ( x ) como sendo a classe com a
maior probabilidade inferida em ( x ) , ou seja:
S ( x ) = sk max ( x ) = sk ( x ) sse [ p( x ; sk | (n ))] > [ p( x; si | (n))] i = 1,...,K e k i
(4.34)
Uma variante do classificador de moda considera tambm a reproduo das
propores globais definidas a priori. O mapa da Figura 4-11 mostra o resultado de
uma classificao, pelo estimador de moda, a partir de um conjunto de amostras do
atributo textura do solo.
4.8 Medidas de incerteza para atributos Categricos
Apresentam-se, a seguir, dois procedimentos de medida de incertezas para
atributos categricos, a incerteza do classificador de moda e a incerteza por
entropia de Shannon.
A Incerteza do classificador de moda
A incerteza local
Inc( x )
pode ser definida como 1(um) menos a maior
probabilidade condicional, estimada em x para as diversas classes de corte sk :
Inc( x ) = 1 [ p( x ; sk max ( x ) | (n ))]
(4.35)
A Figura 4-12 mostra o mapa de incertezas locais do classificador de moda usado

na gerao do mapa da Figura 4-11. Analisando-se a classificao apresentada na
Figura 4-11 e o mapa de incertezas da Figura 4-12, observa-se que este ltimo mostra
um campo com variao proporcional ao comportamento do atributo na regio.
Nas regies de transio entre as classes, os valores de incerteza por moda
aumentam, com os valores mais baixos longe das transies, como ocorre
naturalmente com muitas propriedades naturais nas proximidades de zonas de
fronteira.
4-19
Arenoso
Mdio
Argiloso
Muito
Figura 4-11 Mapa de valores de textura do solo inferidos, pelo valor de moda, a partir do
procedimento de krigeagem por indicao
0.71
0.0
Figura 4-12 Mapa de incerteza por moda estimado a partir do procedimento de krigeagem por
indicao usado para inferir o mapa da Figura 4-11
4-20
Incerteza por entropia de Shannon

Outra medida da incerteza local Inc(x) a entropia de Shannon das
probabilidades condicionais das diversas classes de corte sk , definida como:
K
Inc ( x ) = H ( x ) ln[ p ( x ; s k | (n ))] [ p ( x ; s k | (n ))] 0
(4.36)
k =1
A entropia de Shannon maximizada para distribuies uniformes, ou seja,

quando as probabilidades de ocorrncia das classes se igualam. Assim, os valores de
incerteza por entropia de Shannon so maiores onde existe uma confuso maior
entre as classes consideradas. Isto pode ser observado no mapa de incertezas da
Figura 4-13.
1.38
0.0
Figura 4-13 Mapa de incerteza por entropia de Shannon estimado a partir do procedimento
de krigeagem por indicao usado para inferir o mapa da Figura 4-11
Comparando-se os mapas das Figura 4-12 e Figura 4-13, pode-se analisar as

diferenas existentes entre o mapa de incertezas por moda e o mapa de incertezas
por entropia. As diferenas so mais aparentes nas regies onde vrias classes se
confundem. Este um resultado esperado, uma vez que, nestas regies a
4-21
distribuio de probabilidade das variveis aleatrias est mais prxima de uma

distribuio uniforme, quando ento a incerteza medida pela entropia tem seus
valores maximizados. A incerteza por moda mostra um crescimento a partir da
parte central de uma classe em direo as zonas de transio. Os valores mximos
de incerteza por moda aparecem nas bordas entre as classes e, no tm influncia do
nmero de classes prximos as bordas. Dependendo da aplicao, o especialista
responsvel por decidir sobre qual medida de incerteza estar trabalhando. Quando
a confuso entre classes importante deve-se optar pela incerteza por entropia.
Caso o interesse seja somente nas transies entre as classes, a incerteza por moda
deve ser priorizada.
Concluses
Apresentamos neste captulo a formalizao do procedimentos geoestatsticos
da krigagem por indicao. Estes procedimentos servem no apenas para produzir
uma predio de valores sobre uma superfcie, mas essencialmente como uma
poderosa ferramenta para produzir modelos de incertezas locais para dados
geogrficos que compartilham uma base de informaes Estes dados so sempre
usados em conjunto com outros para produzir novas informaes, atravs de
operaes e transformaes. Os procedimentos da geoestatstica, em seu enfoque
por indicao, nos permitem produzir informaes espaciais qualificadas por uma
mtrica de confiana nas informaes representadas naqueles suportes, os mapas.
Temos a possibilidade concreta de produzir e operar com os mapas e suas barras
de erro. Podemos ainda ressaltar as seguintes caractersticas, especficas do
procedimento de krigagem por indicao:
a krigagem por indicao no paramtrica. No considera nenhum tipo de

distribuio de probabilidade a priori para a varivel aleatria. Ao invs disso,
ela possibilita a construo de uma aproximao discretizada da fdpac. Os
valores de probabilidades discretizados podem ser usados diretamente para se
estimar valores caractersticos da distribuio, tais como: quantis, valor
esperado e varincia. Portanto, ela no se restringe a modelagem de atributos
com distribuies simtricas como, por exemplo, a gaussiana;
a krigagem por indicao fornece uma metodologia nica para espacializao,

com estimativa de incertezas, para atributos espaciais tanto de natureza temtica
quanto numrica;
diferentemente da krigagem linear, que estima a varincia do erro de estimao

em funo do estimador e da distribuio geomtrica das amostras, a krigagem
por indicao possibilita a estimativa de incertezas, utilizando a funo de
distribuio acumulada condicionada da VA que representa o atributo,
independentemente do estimador;
4-22
a krigagem por indicao pode ser usada para modelar atributos com alta
variabilidade espacial sem a necessidade de se filtrar amostras cujos valores
esto muito distantes de uma tendncia (outliers);
a krigagem por indicao permite melhorar a qualidade de estimao com o uso

de amostras indiretas, retiradas de fontes auxiliares, que so acrescidas ao
conjunto amostral do atributo, as amostras diretas.
No entanto, os procedimentos de krigagem por indicao apresentam tambm

alguns problemas, alm das probabilidades negativas e funes acumuladas invlidas
j mencionados. Este procedimento requer, do especialista, um alto grau de
interatividade para a definio da quantidade e dos valores de corte a serem
utilizados. Tambm, exige que seja definido um variograma para cada valor de
corte considerado.
A ferramenta geoestatstica de krigagem utilizada para inferir valores de
atributos, em posies no observadas, e tambm incertezas associadas aos valores
inferidos. Mostrou-se que a krigagem por indicao tem aplicao mais geral,
principalmente porque no supe nenhum tipo de distribuio de probabilidade a
priori e pode ser usado com atributos numricos e temticos. Por exemplo, a
krigagem por indicao permite a inferncia de valores temticos e, portanto, pode
ser considerada um classificador estocstico, que fornece estimativas de incertezas
associadas aos valores das classes atribudos a cada ponto do espao. Apresentou-se,
ainda, alternativas para estimativas de incertezas que devem ser escolhidas de
acordo com a natureza do atributo, que est sendo modelado, e tambm de acordo
com os objetivos de uma aplicao.
Salienta-se que os procedimentos geoestatsticos por indicao incluem
tambm os simuladores estocsticos, que no foram abordados neste captulo.
Tambm no foi abordado o uso de informao indireta para a melhora das
inferncias. Estes tpicos so de extrema relevncia para o contexto do uso efetivo
da geoestatstica em anlise de dados geogrficos e devero ser considerados em
futuras edies. Mesmo no mtodo por indicao algumas limitaes da krigeagem
permanecem uso dos dados para estimar o variograma e predizer a incerteza,
deficincia na extrapolao, ou seja, avaliar a incerteza fora dos dados. Novas
generalizaes comeam a surgir, tomando como base a teoria dos campos
aleatrios espao-temporais.
4-23
REFERNCIAS BIBLIOGRFICAS
A estrutura terica da geoestatstica em seu enfoque por indicao est bem
apresentada em Goovaerts (1997) e em Isaaks e Srivastava (1989). Algoritimos
implementados e explicaes didticas sobre como operar a Krigeagem por
indicao pode ser encontrada no livro de Deutsch e Journel (1992). Com relao
integrao entre geoestatstica e SIGs e modelagem e tratamento de incertezas em
SIG, o leitor deve referir-se a Felgueiras C. A. (1999), Felgueiras et al (1999) e
Heuvelink (1998). As questes sobre medidas de entropia podem ser apreciadas no
clssico Shannon, and Weaver (1949). Para uma discusso sobre diferentes medidas
de incerteza no enfoque por indicao veja Soares(1992). Referente a modelagem
espao-temporal, deve-se consultar o artigo de Kyriakidis e Journel (1999) e o livro
do George Christakos (2000). Referncias bsicas sobre os dados da Fazenda
Canchim podem ser encontrados em Calderano Filho et al. (1996). Estes dados
tambm esto disponveis no site do livro (www.dpi.inpe.br/gilberto/livro/analise).
Calderano Filho, B.; Fonseca, O. O. M.; Santos, H. G. e Lemos A. L..

Levantamento Semidetalhado dos Solos da Fazenda Canchim So Carlos - SP. Rio
de Janeiro, EMBRAPA- CNPS, 1996. 261p.
Christakos, G. Modern Spatiotemporal Geostatistics; IAMG Studies no. 6, Oxford
University Press, 2000
.Deutsch e Journel (1992). GSLIB: Geostatistical Software Library and users guide.
New York, Oxford University Press, 1992. 339p.
Felgueiras C. A. Modelagem Ambiental com Tratamento de Incertezas em Sistemas
de Informao Geogrfica: O Paradigma Geoestatstico por Indicao. Tese
(Doutorado em Computao Aplicada) Instituto Nacional de Pesquisas Espaciais,
So Jos dos Campos, Publicado em http://www.dpi.inpe.br/teses/carlos/, 1999.
Felgueiras C. A., Monteiro A. M. V., Fuks S. D. and E. C. G. Camargo. Inferncias
e Estimativas de Incertezas Utilizando Tcnicas de Krigeagem No Linear [CDROM]. In: V Congresso e Feira para Usurios de Geoprocessamento da Amrica
Latina, 7, Salvador, 1999. Anais. Bahia, GisBrasil99. Seo de Palestras TcnicoCientficas.
Goovaerts, P. Geostatistics for Natural Resources Evaluation. New York, Oxford
University Press, 1997. 481p.;
Isaaks E. H. and Srivastava R. M. An Introduction to Applied Geostatistics, Oxford
University Press, 1989. 560p.
Kyriakidis, P. C. e Journel, A. G. Geostatistical Space-Time Models: A Review.
Mathematical Geology, Vol. 31, No. 6, 1999
4-24
Heuvelink G. B. M. Error Propagation in Environmental Modeling with GIS,

Bristol, Taylor and Francis Inc, 1998.
Shannon, C. E. e Weaver, W. The Mathematical Theory of Communication.
Urbana, The University of Illinois Press, 1949. 117p.
Soares, A. Geoestatistical Estimation of Multi-Phase Structures. Mathematical
Geology, 24(2):140-160, 1992.
4-25
ANLISE ESPACIAL DE REAS
Gilberto Cmara
Marilia S Carvalho
Oswaldo Gonalves Cruz
Virginia Correa
5.1 INTRODUO
Este captulo discute mtodos de anlise de dados espaciais cuja
localizao est associada a reas delimitadas por polgonos. Este caso ocorre
com muita freqncia quando lidamos com eventos agregados por
municpios, bairros ou setores censitrios, onde no se dispe da localizao
exata dos eventos, mas de um valor por rea. Alguns desses indicadores so
contagens, como o caso da maior parte das variveis coletadas no censo:
por exemplo, o IBGE fornece, para cada setor censitrio, o nmero de chefes
de famlia em cada uma das faixas de renda consideradas. Diversos
indicadores de sade tambm so deste tipo: o Ministrio e Secretarias de
Sade organizam e disponibilizam dados de bitos, partos, doenas
transmissveis por municpio. Utilizando duas contagens bitos e
populao, por ex. taxas de densidade de ocorrncia, como taxas de
mortalidade ou incidncia so estimados. Outros indicadores bastante teis
so: (a) propores, como percentual de adultos analfabetos; (b) mdias,
como renda mdia do chefe da famlia por setor censitrio; e (c) medianas,
como mediana etria em homens.
A forma usual de apresentao de dados agregados por reas o uso
de mapas coloridos com o padro espacial do fenmeno. A Figura 5-1
mostra a distribuio espacial do ndice de excluso social1 para os 96
distritos da cidade de So Paulo, para os dados do censo de 1991. Verificase que 2/3 dos 96 distritos de So Paulo estavam abaixo dos ndices
mnimos de incluso social em 1991. Uma forte polarizao centro-periferia
claramente perceptvel no mapa, que apresenta duas grandes regies de
excluso social, as zonas Sul e Leste da cidade. Na zona Leste, nota-se um
gradiente do ndice de excluso/incluso social, que piora medida que nos
afastamos do centro. Na zona Sul, a descontinuidade do ndice mais
O ndice de excluso/incluso social uma medida agregada das disparidades

socioeconmicas, que varia de 1 a +1, onde o valor 0 (zero) indica o um nvel bsico de
incluso social.
abrupta, e verificamos a existncia de distritos com altos ndices de

excluso/incluso social prximos a reas excludas.
==
Figura 5-1 ndice de Excluso/Incluso Social dos Bairros da Cidade de So Paulo para os
dados de 1991, com 96 distritos agrupados por sextis.
Grande parte dos usurios limita seu uso de SIG a essas operaes de
visualizao, tirando concluses intuitivas. Mas possvel ir muito alm.
Quando visualizamos um padro espacial, muito til traduzi-lo em
consideraes objetivas: o padro que observamos aleatrio ou apresenta
uma agregao definida? Esta distribuio pode ser associada a causas
mensurveis? Os valores observados so suficientes para analisar o fenmeno
espacial a ser estudado? Existem agrupamentos de reas com padres
diferenciados dentro da regio de estudo?
Para abordar estas questes, este captulo apresenta um conjunto de
tcnicas de anlise espacial de dados agregados por reas. O primeiro passo
escolher o modelo inferencial a ser utilizado. A hiptese mais comum supor
que as reas so diferenciadas, e que cada uma delas possui uma identidade
prpria. Do ponto de vista estatstico, isto implica em que cada rea
apresenta uma distribuio de probabilidade distinta das demais, o chamado
modelo espacial discreto. A alternativa supor que o fenmeno estudado
apresenta continuidade espacial, formando uma superfcie, o chamado
modelo espacial contnuo estudado no captulo anterior. Neste caso, as reas
so consideradas apenas um suporte para coleta de dados, e o modelo
inferencial desconsidera os limites de cada rea. A produo de superfcies a
partir de dados de rea ser discutida no final deste captulo.
A questo de agregao de contagens em reas levanta ainda problemas
conceituais importantes: Pode-se estimar comportamentos individuais a
partir de dados agregados? Em que medida a comportamento dos
ld
agregados reflete mais do que a soma dos indivduos? Qual o erro cometido
ao estimar indicadores onde as contagens so muito pequenas? Neste
captulo, aps a apresentao dos modelos adequados anlise de dados
agregados por reas sero abordados os conceitos bsicos da anlise
espacial, para dados agregados por rea.
5.2 MODELOS DE DISTRIBUIO DE DADOS EM REAS

O modelo de distribuio mais utilizado para dados de rea o modelo
de variao espacial discreta. Considere-se a existncia de um processo
estocstico Z i , i = 1,..., n , onde Z i a realizao do processo espacial na
rea i e n o total de reas Ai. O objetivo principal da anlise construir
uma aproximao para a distribuio conjunta de variveis aleatrias
Z = {Z 1 , ..., Z n } , estimando sua distribuio.
De forma semelhante ao modelo de eventos pontuais discutido no
captulo 2, considere-se Z i como a varivel aleatria que descreve a
contagem, indicador ou taxa associada rea Ai. Dispomos de um valor
observado zi , correspondente contagem na i-sima rea. A hiptese mais
comum supor que a varivel aleatria Z i , que descreve o nmero de
ocorrncias em cada rea pode ser associada a uma distribuio de
probabilidade de Poisson. Tal hiptese justifica-se por ser esta a distribuio
estatstica mais adequada a fenmenos que envolvem contagens de eventos,
como o caso na maioria dos dados agregados por reas. Evidentemente
outras distribuies podem ser mais adequadas, dependendo da varivel a ser
analisada. Taxas podem ser modeladas utilizando a distribuio normal, pois
ainda que esta admita valores negativos, evidentemente impossveis neste
tipo de indicador, as propriedades da distribuio normal podem ser
adequadas.
A alternativa hiptese de variao espacial discreta supor que os
dados apresentam variao espacial contnua. Considera-se um processo
estocstico { Z ( x ), x A, A 2 } , cujos valores podem ser conhecidos em
todos os pontos da rea de estudo. Neste caso, as contagens agregadas
devem ser transformadas em taxas ou indicadores, pois o que varia
continuamente no espao so as taxas e no as contagens. A estimao deste
processo estocstico pode ser feita como descrito nos captulos 3 e 4 deste
livro. O uso de modelos espaciais contnuos ser discutido na seo 5.8.
ld
5.3 PROBLEMAS DE ESCALA E A RELAO REA-INDIVDUO

Um dos problemas bsicos com dados agregados por rea que, para
uma mesma populao estudada, a definio espacial das fronteiras das
reas afeta os resultados obtidos. As estimativas obtidas dentro de um
sistema de unidades de rea so funo das diversas maneiras que estas
unidades podem ser agrupadas; pode-se obter resultados diferentes
simplesmente alterando as fronteiras destas zonas. Este problema
conhecido como problema da unidade de rea modificvel.
Em muitos dos estudos envolvendo dados de rea, o dado agregado a
nica fonte disponvel, porm o objeto de estudo diz respeito a
caractersticas e relacionamentos individuais. Alguns destes estudos
procuram estabelecer relaes de causa-efeito entre diferentes medidas,
como o uso de modelos de regresso; um exemplo clssico correlacionar
anos de estudo do chefe de famlia e sua renda, que usualmente apresenta
forte correlao. Note-se, no entanto, que devido aos efeitos de escala e de
agregao de reas, os coeficientes de correlao podem ser inteiramente
diferentes no indivduo e nas reas. Este fenmeno, nas cincias sociais e na
epidemiologia, chamado de falcia ecolgica.
Considere um conjunto de indivduos onde so medidas duas
caractersticas de cada um dos indivduos, conforme estimado na Figura
5-2. Uma regresso considerando todos os indivduos (linha negra do
quadro esquerda) resulta em coeficiente positivo de 0,1469. Esses
indivduos pertencem a grupos distintos, separando cada grupo conforme o
atributo cor, obtm-se correlao negativa, variando entre 0,5 e 0,8.
Utilizando as mdias de cada grupo (linha negra do quadro direita), o
coeficiente vai a 0,99. importante observar que cada modelo mede um
aspecto diferente e que no h modelo correto. No primeiro caso, pode-se
dizer que sem informaes que permitam separar os indivduos nos grupos
coloridos, as variveis se relacionam positivamente. No ltimo exemplo, o
interesse do estudo o efeito da variao na mdia de uma varivel sobre a
mdia da outra, nos grupos. So perguntas diferentes, e modelos diferentes.
ld
Figura 5-2 Modelos de regresso: indivduos, indivduos em estratos diferentes e grupos.

Para ilustrar o problema das mudanas de unidade de anlise, estudouse os dados de censo de Belo Horizonte para o ano de 1991, em duas
escalas: os setores censitrios e as unidades de planejamento (UP),
mostradas na Figura 5-2. Os setores censitrios foram utilizados pelo IBGE
para o censo de 1991, e as unidades de planejamento correspondem a
agregamentos de reas utilizados pela prefeitura de Belo Horizonte.
Figura 5-3. Setores censitrios ( esquerda) e Unidades de Planejamento ( direita) para o

municpio de Belo Horizonte.
A partir das variveis do censo, foram computadas 1000 correlaes
entre pares de variveis, tanto por setor censitrio como por UP. Por
exemplo, tomou-se as variveis nmero de chefes de famlia com
rendimento entre 0,5 e 1 salrio mnimo e nmero de chefes de famlia
com 1 a 3 anos de estudo e computou-se a correlao para o caso de
setores censitrios (0,79) e para o caso de UP (0,96). Os resultados,
mostrados na q~~=RJN, indicam que as correlaes nos setores censitrios
so significativamente menores que as correlaes por unidades de
planejamento. Nada menos que 773 correlaes so menores para os
A
ld
setores censitrios que para as UPs. Apenas 40 (4%) tem o comportamento

oposto. Em algumas situaes, ocorre inclusive mudana de sinal, isto ,
variveis correlacionadas negativamente no nvel dos setores censitrios
passam a ser correlacionadas positivamente. Verifica-se que a reduo de
escala (reas maiores) tende a homogeneizar os dados, reduzir a flutuao
aleatria e reforar correlaes que, assim, aparentam ser mais fortes que
em reas menores.
Os resultados acima indicam que no se pode afirmar que qualquer
escala seja a certa, mas apenas qual dos modelos melhor serve ao que se
deseja esclarecer: correlaes mais fracas e maior flutuao aleatria, porm
com mais homogeneidade interna, ou mais fortes com o vis ocasionado
por desconsiderar a disperso e a heterogeneidade em torno da mdia nas
grande reas. Como regra geral, quanto mais desagregado o dado, maior a
flexibilidade na escolha de modelos; pois agregar em regies maiores fcil,
mas desagregar impossvel.
Tabela 5-1
CORRELAES ENTRE PARES DE VARIVEIS SEGUNDO
DIFERENTES UNIDADES DE REAS SETOR CENSITRIO E UNIDADE DE
PLANEJAMENTO - PARA O CENSO DE 1991 EM BELO HORIZONTE
Correlao por Setor Censitrio
Correlaes por Unidade de Planejamento

-0,4/-0,2
-0,2/0,0
0,0/0,2
0,2/0,4
0,4/0,6
0,6/0,8
0,8/1,0
Pares
-0,8/-0,6
-0,6/-0,4
11
33
-0,4/-0,2
23
14
11
10
70
-0,2/0,0
27
34
13
21
112
0,0/0,2
42
75
32
55
207
0,2/0,4
17
44
50
68
181
0,4/0,6
10
42
110
168
0,6/0,8
75
101
0,8/1,0
112
123
Totais
45
38
114
187
159
449
1000
Na prtica, por razes de confidencialidade, os dados individuais muito

raramente esto disponveis. O que fazer ento? Uma possibilidade
trabalhar com os Uma possibilidade trabalhar com os dadosna maior escala
A
ld
espacial possvel, usualmente denominadas micro-reas, por exemplo, setores

censitrios. E utilizar tcnicas de agregao ou de otimizao combinatria
para obter regies mais agregadas, mas que preservem o fenmeno estudado
da melhor forma possvel. Deste modo, deve-se reconhecer que o problema
da escala um efeito inerente aos dados agregados por reas. Ele no pode
ser removido e no pode ser ignorado. Para minimizar seu impacto com
relao a esses estudos, deve-se procurar utilizar a melhor escala de
levantamento de dados disponvel e utilizar tcnicas que permitam tratar a
flutuao aleatria, sempre buscando critrios de agregao dos dados que
sejam consistentes com os objetivos do estudo.
5.4
ANLISE EXPLORATRIA
As tcnicas de anlise exploratria aplicadas a dados espaciais so

essenciais ao desenvolvimento das etapas da modelagem estatstica espacial,
em geral sensvel ao tipo de distribuio, presena de valores extremos e
ausncia de estacionariedade. As tcnicas empregadas so, em geral,
adaptaes das ferramentas usuais. Assim, se na investigao de valores
extremos se utiliza ferramentas grficas como histogramas ou boxplots, na
anlise espacial importante tambm investigar outliers no s no conjunto
dos dados mas tambm em relao aos vizinhos. Alm disso, a noestacionariedade do processo espacial na regio de estudo tambm deve ser
investigada, nos seus vrios aspectos: variao na mdia (primeira ordem), na
varincia e na covarincia espacial.
Visualizao de Dados
A forma mais simples e intuitiva de anlise exploratria a visualizao
de valores extremos nos mapas. Vale ressaltar que o uso de diferentes pontos
de corte da varivel induz a visualizao de diferentes aspectos. Os SIGs
dispem usualmente de trs mtodos de corte de varivel: intervalos iguais,
percentis e desvios padres. No caso de intervalos iguais, em que os valores
mximo e mnimo so divididos pelo nmero de classes. Se a varivel tem
um distribuio muito concentrada de um lado, este corte deixa apenas um
nmero muito pequeno de reas nas classes da perna mais longa da
distribuio; como resultado, a maior parte das reas ser alocada a uma ou
duas cores. O uso de percentis para definao de classes obriga a alocao
dos polgonos em quantidades iguais pelas cores; isto pode mascarar
diferenas significativas em valores extremos e dificultar a identificao de
reas crticas. Finalmente, o uso de desvios padres, no qual a distribuio da
varivel apresentada em gradaes de cores diferentes para valores acima e
abaixo da mdia, faz a suposio da normalidade da distribuio da varivel;
esta hiptese pouco realista no caso de variveis censitrias em pases de
A
ld
grande desigualdade social com o Brasil. Em resumo, parte importante da

anlise exploratria experimentar diferentes pontos de corte da varivel na
visualizao dos mapas.
As diferentes tcnicas de visualizao esto ilustradas no exemplo a
seguir, em que mostramos a distribuio espacial do indicador que mede a
proporo de recm-natos que nasce em boas condies de sade (ndice de
APGAR) para os bairros do Rio de Janeiro, no ano de 1994. Foram geradas
duas visualizaes, ambas com 5 pontos de corte e 5 cores. Na Figura 5-4,
utilizou-se quintis; na Figura 5-5, cinco classes de igual tamanho. Como a
distribuio da varivel no simtrica, quando se divide em classes de
amplitudes iguais as de valores mais baixos (ou piores), assinaladas em
vermelho ficam reduzidas a poucas reas, enquanto que na diviso em
quintis, por definio, um quinto das reas ficar em cada classe. A pergunta
ento : o que se deseja mostrar? Certamente o responsvel pela assistncia
peri-natal da regio no ficar satisfeito visualizando um quinto dos bairros
como sendo de alto risco. Por outro lado, como as reas onde o ndice
mais baixo tm populao pequena, a confiabilidade dos valores encontrados
pode ser efeito apenas da flutuao aleatria descrita anteriormente. Vale a
pena ento olhar mapas? Claro que sim, da mesma forma como olhamos
histogramas e box-plots, e procurando sempre ver a distribuio utilizando
diferentes pontos de corte. Os SIGs em geral tem uma forma padro, mas
dezenas de possibilidades podem e devem ser exploradas.
Figura 5-4 Distribuio do ndice de APGAR, agrupada em quintis.
ld
Figura 5-5 - Distribuio do ndice de APGAR, agrupada em classes de igual amplitude.

Outra questo interessante a comparao de mapas. Supondo a
distribuio espacial de um indicador em diferentes anos: como visualizar a
evoluo temporal? Certamente os pontos de corte da varivel nos diferentes
perodos devem ser os mesmos. Observe na Figura 5-4 a evoluo temporal
da mortalidade por homicdios para os trinios 79-81 e 90-92, no Estado do
Rio de Janeiro. A apresentao dos quintis da distribuio conjunta dos
indicadores permite visualizar bem o espalhamento desta doena.
Figura 5-6 Mortalidade por homicdios no Rio de Janeiro, para os trinios 79-81 e 80-92.
A
ld
Grficos de Mdias e Medianas

Os grficos de mdias e medianas segundo linhas e colunas permitem
explorar simultaneamente a presena de tendncia (no-estacionariedade de
primeira ordem), e no-estacionariedade de segunda ordem, onde a varincia
e a covarincia entre vizinhos no se mantm constante. Para construir estes
grficos, utiliza-se as coordenadas dos centrides das reas, aproximando-as
para um espaamento regular de forma a montar uma matriz. Calcula-se
ento as mdias e as medianas do indicador ao longo das linhas (eixo LesteOeste) e colunas (eixo Norte-Sul) desta matriz. Esta tcnica permite
identificar a flutuao das medidas ao longo de duas direes, sugerindo a
presena de valores discrepantes quando a diferena entre estas grande, e a
tendncia ao longo de uma direo quando os valores variam suavemente.
o = Mediana
x = Mdia
Eixo Leste-Oeste
Eixo Norte-Sul
RENDA
x
x
oo
o
o
xo x
x
x
o
30
o
x
o
x o
o
x
o
x xx
o
x x
o
x x
o
o
-1
10
o
x
o
x
xoo
x
oo o x o
x
xx
xo
x
x
x xo
xx
o
xo o
oo o
xx x
o
o
x o
oo
o
xx o
x oo
x
o
x
linhas
x
o
o
x
20
30
o
x
o
x
o
40
ox o
xo
x o
ox
ox
x o ox x o
x xo
o xo x
ox
ox
o
x
ox
x
o x
o
x x
o
x
x
o
oo xx
x
o
x
o
x
o
xo
10
x
o
ox
o
x
o
x
o
x
o
0
RENDA
40
x
o
20
S-N
L-O
x
o
-1
xo
x
ox
oo
x
o
RENDA
colunas
x
o
o
xx
x
x
10
o
xx
o
o
x
o
x o
xx
xx ox x
x
oo
oo
o
20
o
x
o
x x
o
30
o x
x
xo o
x
o o
xx x oo o
x
o
x
o
x
o
30
xo
x
o
x o
x
o
xo
o
40
o
x
o
x
o
20
o
x
o
x
o
oxx
x
linhas
o
x o
xo
x o
x
o
x x o
o x x
x
o
ox
o
x
o
40
colunas
x
o
x
o
0.2
x
ox
o
x
10
o
xo
x
0.4
0.6
o
xo
o
x x xo
xx
o o
o
xo
x
o
x
0.2
ESCOLARIDADE
0.8
ESCOLARIDADE
ox
x oo x
o
x o
x
x o
x
o
x
o
o
x x
o
x
o
x
o
x
o
x
o
x
o
0.4
xoo
x
o
0.6
ESCOLARIDADE
Figura 5-7 Mdias e medianas para escolaridade e renda na Ilha do Governador.
ld
Na Figura 5-7, apresenta-se o resultado desta tcnica aplicada a dois

indicadores socioeconmicos do censo 1991 renda mdia do chefe da
famlia e proporo de chefes de famlia com escolaridade igual ou superior
ao segundo grau para setores censitrios da Ilha do Governador, no Rio de
Janeiro. Esta composta por 225 setores censitrios, cujos centrides esto
assinalados no primeiro quadro da figura: observe que nas extremidades do
mapa a quantidade de pontos muito pequena, e, consequentemente,
qualquer medida nesta rea ser pouco robusta.
No eixo Norte-Sul (colunas) pode-se observar que a renda mdia do
chefe da famlia apresenta tendncia varivel, bem menor no centro da
regio. A mesma coisa acontece para escolaridade, embora com maior
flutuao. No eixo Leste-Oeste (linhas), tambm parece haver algum
deslocamento para valores mais altos no sentido leste, mas o descolamento
de mdias (x) e medianas (o) sugere a presena de valores extremos dos
indicadores. A variao na mdia dos indicadores na regio est,
aparentemente, dividida entre as duas direes analisadas, e pode-se explorar
melhor a tendncia atravs da rotao dos eixos de referncia.
Anlise de Autocorrelao Espacial
Outra etapa da anlise exploratria visa identificar a estrutura de
correlao espacial que melhor descreva os dados. A idia bsica estimar a
magnitude da autocorrelao espacial entre as reas. Neste caso, as
ferramentas utilizadas so o ndice global de Moran, o ndice de Geary e o
variograma. Quando se dispe de grande nmero de reas, resultantes por
exemplo de escalas espaciais detalhadas, a natureza dos processos envolvidos
tal que muito provvel a existncia de diferentes regimes de correlao
espacial em diferentes sub-regies. Para evidenciar estes regimes espaciais,
pode-se utilizar os indicadores locais de autocorrelao espacial e o mapa de
espalhamento de Moran, descritos tambm nesta seo. Todas estas
estatsticas dependem da definio de vizinhana adotada, discutida a seguir.
Matrizes de Proximidade Espacial
Para estimar a variabilidade espacial de dados de rea, uma ferramenta
bsica a matriz de proximidade espacial, tambm chamada matriz de
vizinhana. Dado um conjunto de n reas {A1,..,An}, construmos a matriz
W(1) (n x n), onde cada um dos elementos wij representa uma medida de
proximidade entre Ai e Aj. Esta medida de proximidade pode ser calculada a
partir de um dos seguintes critrios:
wij = 1, se o centride de Ai est a uma determinada distncia de Aj; caso

contrrio wij = 0
ld
wij = 1, se Ai compartilha um lado comum com Aj , caso contrrio wij =

0
wij = lij/li, onde lij o comprimento da fronteira entre Ai e Aj e li o

permetro de Ai
Como a matriz de proximidade utilizada em clculos de indicadores

na fase de anlise exploratria, muito til normalizar suas linhas, para que
a soma dos pesos de cada linha seja igual a 1. Isto simplifica muito vrios
clculos de ndices de autocorrelao espacial, como se ver a seguir. A
Figura 5-8 ilustra um exemplo simples de matriz de proximidade espacial,
em que os valores dos elementos da matriz refletem o critrio de adjacncia e
foram normalizados.
A
B
C
D
E
A
B
C
D
E
0
0,5
0
0,5
0
0,25
0
0,25 0,25 0,25
0
0,5
0
0
0,5
0,33 0,33
0
0
0,33
0
0,33 0,33 0,33
0
Figura 5-8- Matriz de proximidade espacial de primeira ordem, normalizada pelas linhas.
A idia da matriz de proximidade espacial pode ser generalizada para
vizinhos de maior ordem (vizinhos dos vizinhos). Com critrio anlogo ao
adotado para a matriz de vizinhana de primeira ordem, pode-se construir as
matrizes W(2), ..., W(n). Por exemplo, na Figura 5-6, as reas A e C so
vizinhas na matriz de proximidade espacial de ordem 2. No que segue, por
simplicidade, os coeficientes da matriz de primeira ordem so designados
simplesmente por wij, e os das matrizes de ordem k por wij(k) e que essas
matrizes esto normalizadas por linhas.
Mdia Mvel Espacial
Uma forma simples de explorar a variao da tendncia espacial dos
dados calcular a mdia dos valores dos vizinhos. Isto reduz a variabilidade
espacial, pois a operao tende a produzir uma superfcie com menor
flutuao que os dados originais. A mdia mvel i associada ao atributo zi,
relativo i-sima rea, pode ser calculada a partir dos elementos wij da
matriz normalizada de proximidade espacial W(1), tomando-se simplesmente
a mdia dos vizinhos:
A
ld
i =
wij zi
j =1
(5.1.)
A Figura 5-9 ilustra o uso do estimador de mdia mvel para o

percentual de idosos (mais de 70 anos) para os 96 distritos da cidade de So
Paulo. Estes dados so indicadores da grande disparidade social da cidade,
com uma grande variao entre o centro (onde a proporo de idosos chega
a 8%) com a periferia (onde h vrias regies com menos de 1%). O valor
mximo do percentual de idosos de 8,2% e o mnimo de 0,8%, com um
desvio padro de aproximadamente 2%. Com a mdia local, h um
alisamento: o valor mnimo de 1% e o mximo reduzido a 6,8%. Pode-se
notar, ao comparar os dois mapas da Figura 5-9, que a mdia mvel local
fornece uma viso das grandes tendncias do fenmeno em estudo e no caso
do percentual de idosos, mostra um forte gradiente centro-periferia.
Figura 5-9- Distribuio dos idosos na cidade de So Paulo (censo de 1991). esquerda,
apresentao dos valores por distribuio estatstica. direita, mdia mvel local.
Indicadores Globais de Autocorrelao Espacial: ndices de Moran e Geary
Um aspecto fundamental da anlise exploratria espacial a
caracterizao da dependncia espacial, mostrando como os valores esto
correlacionados no espao. Neste contexto, as funes utilizadas para estimar
quanto o valor observado de um atributo numa regio dependente dos
valores desta mesma varivel nas localizaes vizinhas so a autocorrelao
espacial e o variograma. O ndice global de Moran I, a expresso da
autocorrelao considerando apenas o primeiro vizinho:
ld
wij ( zi z )( z j z )
I=
i =1 j =1
( zi z ) 2
i =1
(5.2.)
Na equao acima, n o nmero de reas, zi o valor do atributo

considerado na rea i, z o valor mdio do atributo na regio de estudo e
wij os elementos da matriz normalizada de proximidade espacial. Neste caso
a correlao ser computada apenas para os vizinhos de primeira ordem no
espao, conforme estabelecido pelos pesos wij. O mesmo clculo feito para
matrizes de proximidade de maior ordem permite estimar a funo de
autocorrelao para cada ordem de vizinhana (ou lag).
n
I(k ) =
n wij( k ) ( zi z )( z j z )
i =1 j =1
( zi z )
(5.3.)
2
i =1
De uma forma geral, o ndice de Moran presta-se a um teste cuja

hiptese nula de independncia espacial; neste caso, seu valor seria zero.
Valores positivos (entre 0 e +1) indicam para correlao direta e negativos,
(entre 0 e 1) correlao inversa. Uma vez calculado, importante
estabelecer sua validade estatstica. Em outras palavras, ser que os valores
medidos representam correlao espacial significativa? Para estimar a
significncia do ndice, ser preciso associar a este uma distribuio
estatstica, sendo mais usual relacionar a estatstica de teste distribuio
normal. Outra possibilidade, sem pressupostos em relao distribuio, e
abordagem mais comum um teste de pseudo-significncia. Neste caso, so
geradas diferentes permutaes dos valores de atributos associados s
regies; cada permutao produz um novo arranjo espacial, onde os valores
esto redistribudos entre as reas. Como apenas um dos arranjos
corresponde situao observada, pode-se construir uma distribuio
emprica de I, como mostrado na Figura 5-10. Se o valor do ndice I medido
originalmente corresponder a um extremo da distribuio simulada, ento
trata-se de valor com significncia estatstica.
No caso do ndice excluso/incluso social em So Paulo, apresentado
na Figura 5-1, o ndice global de Moran medido 0,642. Uma pseudodistribuio com 100 valores est mostrada na Figura 5-10. Neste caso, o valor
de significncia associado de 5,23, o que nos leva a rejeitar a hiptese nula
(no correlao entre as regies), com significncia de 99,5%. Pode-se dizer
ento que a excluso social em So Paulo apresenta forte estrutura espacial,
ld
parte variao ampla, ou tendncia, parte dependncia espacial entre

vizinhos.
Figura 5-10 Exemplo de distribuio simulada para o ndice de Moran.
A hiptese implcita do clculo do ndice de Moran a estacionariedade

de primeira e segunda ordem, e o ndice perde sua validade ao ser calculado
para dados no estacionrios Quando existir no-estacionariedade de
primeira ordem (tendncia), os vizinhos tendero a ter valores mais
parecidos que reas distantes, pois cada valor comparado mdia global,
inflacionando o ndice. Da mesma forma, se a varincia no constante, nos
locais de maior varincia o ndice ser mais baixo, e vice-versa. Quando o
dado no-estacionrio, a funo de autocorrelao continua decaindo
mesmo aps ultrapassar a distncia onde h influncias locais. Algumas
variaes deste modelo so o teste C de Geary e o teste Ipop. O primeiro (C
de Geary) difere do teste I de Moran por utilizar a diferena entre os pares,
enquanto que Moran utiliza a diferena entre cada ponto e a mdia global.
Assim, o indicador C de Geary assemelha-se ao variograma, e o I de Moran
ao correlograma.
n
C=
( n 1)
wij ( zi z j )2
i =1
j =1
i =1
j =1
i =1
wij zi
(5.4.)
2
O teste Ipop tambm utilizado para detectar desvios de uma

distribuio espacial aleatria, porm incorpora a variao da populao nas
reas. Assim, sensvel ocorrncia de aglomerado intra-rea ou seja, a
ocorrncia de elevado nmero de casos numa pequena populao de um
nico municpio alm dos aglomerados entre reas, onde municpios com
muitos casos so adjacentes. Portanto o ndice Ipop pode ser decomposto em
ld
um componente intra-reas e outro inter-reas, que podem ser apresentados

sob forma percentual nos resultados. A hiptese nula (H0) assume que a
variao geogrfica do nmero de casos segue a variao geogrfica do
tamanho da populao, sendo particularmente til quando a populao das
reas no homognea.
m m
N
Ipop =
W==
k==
==
=
u=
==
==
w==
=
==
i =1
i =1
wij (ei di )(e j d j ) N(1 2b )wijei Nb wiidi

i =1 j =1
m m
i =1 j =1
i =1
(X 2 di d j wij X di wii )b (1 b )
=
=
=
=
=
=
=
=
==
=
(5.5.)
k==~==
k=~==~==~=~=~K=
k==~=~=~==
m==~=~=~==EZLkF=
m~=~==~=~=~=
q~~=~=~=~=~==
m==~=~=~==EZLkF=
a~==~=~~=u==~=~==u=
m=~==~===~=~====
m~~=~=EkLuF=
A tabela 5.2 apresenta os resultados dos testes de aglomerado espacial

para a mortalidade por homicdios no Estado do Rio. Observe que o grau de
significncia do teste Ipop maior que o Moran, e que aproximadamente
metade da agregao deve-se a fatores intra-municipais. Ou seja, alm de
municpios prximos apresentarem padres semelhantes, existe um excesso
de casos dentro dos municpios violentos, que ultrapassa o esperado em
funo da populao.
TABELA 5.2
RESULTADOS DOS TESTES DE AGLOMERADOS ESPACIAIS:
HOMICDIOS NO RIO DE JANEIRO, 90-92
ld
Moran I
Ipop
Indicador
0,5861
0,00015
p-valor
7,5091
88,9238
% entre reas
54,3
% intra reas
45,7
Variograma
De maneira anloga ao apresentado no captulo 3, podemos utilizar o
variograma como indicador da dependncia espacial. Para tanto, associamos
o valor nico do atributo de cada rea a um ponto, usualmente o centro
geomtrico ou populacional do polgono. Com base nestas localizaes,
calcula-se a funo variograma. Note-se quando o dado no-estacionrio,
tambm o variograma no se estabiliza, mas continua crescendo sempre com
a distncia. Como exemplo de uso do variograma para dados de rea, a
Figura 5-11 ilustra o ndice de Desenvolvimento Humano IDH para o
estado de So Paulo, calculado pelo IPEA, com base no censo de 1991. A
Figura 5-12 apresenta o variograma do IDH, computado a partir dos
centride de cada municpio.
Figura 5-11- IDH para So Paulo (censo de 1991)
Figura 5-12 Variograma experimental do IDH para So Paulo (censo de 1991). Passo de
amostragem: 40 km (tolerncia : 20 km).
ld
O que mostra o variograma da Figura 5-10? No eixo dos X,

apresentam-se as distncias entre os municpios, e no eixo Y, a mdia do
quadrado das diferenas do IDH, para municpios separados por faixas de
distncia, com intervalos de 40 km e tolerncia de 20 km. Assim, o primeiro
ponto calcula a diferena de IDH entre os municpios cuja distncia entre os
centros seja de 20 a 60 Km, e assim por diante, at a distncia de 400 km. O
grfico evidencia uma forte dependncia espacial entre os indicadores de
qualidade de vida dos municpios de So Paulo. Trata-se de um resultado dos
processos de ocupao do estado, que seguiram perspectivas regionais. A
partir da lgica de expanso do caf do sculo XIX, observa-se hoje uma
regio de forte produo agrcola situada ao longo do eixo da rodovia
Anhanguera, a predominncia da pecuria na regio do Oeste Paulista, e
uma forte concentrao industrial na regio metropolitana de So Paulo, no
ABC e no mdio Vale do Paraba. Assim, todos os processos histricos
apontam para uma dependncia espacial no desenvolvimento econmico no
estado.
Para considerar um exemplo adicional, considere-se o estudo sobre
mortalidade por homicdios na regio Sudeste. que so a causa de mais de
20% dos bitos dos homens entre 15 e 45 anos no Brasil. A Figura 5-13
ilustra a distribuio espacial da mortalidade por homicdios, usando como
indicador o logaritmo do coeficiente de mortalidade especfico , por 100.000
residentes do mesmo grupo etrio. Entendendo o processo da violncia
como o de uma "epidemia" da modernidade, que se "propaga" no espao,
uma simples observao visual permite identificar uma elevada ocorrncia de
mortes violentas no RJ, com uma tendncia espacial capital-interior. No caso
de ES e SP, h uma concentrao prxima da capital e grandes cidades. No
entanto, em MG, as reas mais violentas situam-se longe das regies
metropolitanas, o que indica um padro espacial distinto. Adicionalmente,
h uma marcada transio na fronteira entre MG e RJ, indicando uma
mudana nas condies de disseminao da "epidemia da violncia". Cabe
lembrar que foi utilizado o logaritmo do indicador, dado ser a distribuio
do mesmo bastante concentrada em torno de valores muito baixos, com
uma grande cauda a direita.
ld
Figura 5-13 - Mortalidade por homicdos, regio Sudeste do Brasil

O correlograma da Figura 5-14 apresenta a autocorrelao espacial
entre os municpios de cada estado, expressa atravs da funo definida pela
equao 5.3. O grfico indica a existncia de uma forte tendncia espacial no
RJ, pois a funo de autocorrelao no se estabiliza com a distncia, mas
continua decrescente, ao contrrio de MG, que no apresenta dependncia
espacial marcante. Em outras palavras, no RJ, se o municpio vizinho ao seu
violento, altamente provvel que a sua cidade tambm o seja; todo o
estado apresenta uma estrutura de violncia regionalizada, e a violncia decai
no interior do estado. Em MG, esta padro no observado: a violncia
parece flutuar aleatoriamente.
RJ
MG
Autocorrelao
0.6
0.4
0.2
0.0
-0.2
100
200
300
400
500
600 0
100
200
300
400
500
600
distncia entre pares
Figura 5-14. Correlograma da mortalidade por homicdios nos estados do Sudeste.
Diagrama de Espalhamento de Moran

O diagrama de espalhamento de Moran uma maneira adicional de
visualizar a dependncia espacial. Construdo com base nos valores
A
ld
normalizados (valores de atributos subtrados de sua mdia e divididos pelo

desvio padro), permite analisar o comportamento da variabilidade espacial.
A idia comparar os valores normalizados do atributo numa rea com a
mdia dos seus vizinhos, construindo um grfico bidimensional de z (valores
normalizados) por wz (mdia dos vizinhos), que dividido em quatro
quadrantes, como mostrado na Figura 5-15 para o ndice de
excluso/incluso social de So Paulo, censo de 1991. Os quadrantes podem
ser interpretados como:
Q1 (valores positivos, mdias positivas) e Q2 (valores negativos, mdias

negativas): indicam pontos de associao espacial positiva, no sentido
que uma localizao possui vizinhos com valores semelhantes.
Q3 (valores positivos, mdias negativas) e Q4 (valores negativos, mdias

positivas): indicam pontos de associao espacial negativa, no sentido
que uma localizao possui vizinhos com valores distintos.
0,8
0,6
0,4
Q4
Q1
Q2
Q3
WZ
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
-0,5
0,0
0,5
1,0
1,5
Z = 0,642*WZ
Figura 5-15 Diagrama de Espalhamento de Moran para o ndice de excluso/incluso

social de So Paulo, censo de 1991.
O diagrama de espalhamento de Moran corrobora os resultados
apresentados, onde indicamos que o ndice global de Moran para o
indicador de excluso/incluso social para os distritos de So Paulo
apresentava valor estatisticamente significativo. Como mostrado na Figura
5-15, a maior parte dos distritos de So Paulo est localizado nos quadrantes
Q1 e Q2, que apresentam associao espacial positiva. Os pontos localizados
nos quadrantes Q3 e Q4 podem ser vistos como regies que no seguem o
mesmo processo de dependncia espacial das demais observaes.
Evidentemente, o diagrama reflete a estrutura espacial nas duas escalas de
anlise: vizinhana e tendncia.
ld
O ndice de Moran I equivalente ao coeficiente de regresso linear que

indica a inclinao da reta de regresso () de wz em z. Para o caso dos
dados apresentados na Figura 5-15, este coeficiente igual a 0,642, o mesmo
valor calculado aplicando-se a frmula da equao 5.3. O diagrama de
espalhamento de Moran tambm pode ser apresentado na forma de um
mapa temtico bidimensional, no qual cada polgono apresentado
indicando-se seu quadrante no diagrama de espalhamento, como ilustra a
Figura 5-16, em que mostramos o mapa do espalhamento do ndice de
Moran para o ndice de excluso/incluso social da cidade de So Paulo em
1991. Nesta figura, Alto-Alto, Baixo-Baixo, Alto-Baixo e Baixo-Alto
indicam, respectivamente, os quadrantes Q1, Q2, Q3 e Q4, mostrados na
Figura 5-15. Nota-se uma forte polarizao centro-periferia e observa-se que
os distritos localizados nos quadrantes Q3 e Q4 (indicados pela cor azul)
podem ser entendidos como regies de transio entre o centro da cidade
(que tende a apresentar valores positivos do ndice de excluso/incluso
social) e as duas grandes periferias de So Paulo (zona Sul e zona Leste).
Figura 5-16 Mapa de Espalhamento de Moran para o ndice de excluso/incluso
social da cidade de So Paulo, censo 1991

Indicadores Locais de Associao Espacial
Os indicadores globais de autocorrelao espacial, como o ndice de
Moran, fornecem um nico valor como medida da associao espacial para
todo o conjunto de dados, o que til na caracterizao da regio de estudo
como um todo. Quando lidamos com grande nmero de reas, muito
provvel que ocorram diferentes regimes de associao espacial e que
apaream mximos locais de autocorrelao espacial, onde a dependncia
espacial ainda mais pronunciada. Assim, muitas vezes desejvel examinar
padres em maior detalhe. Para tanto, preciso utilizar indicadores de
associao espacial que possam ser associados s diferentes localizaes de
uma varivel distribuda espacialmente. Os indicadores locais produzem um
A
ld
valor especfico para cada rea, permitindo assim a identificao de

agrupamentos. O ndice local de Moran pode ser expresso para cada rea i a
partir dos valores normalizados zi do atributo como:
n
zi
wij z j
j =1
n
Ii =
z 2j
(5.6.)
j =1
A significncia estatstica do uso do ndice de Moran local computada

de forma similar ao caso do ndice global. Para cada rea, calcula-se o ndice
local, e depois permuta-se aleatoriamente o valor das demais reas, at obter
uma pseudo-distribuio para a qual possamos computar os parmetros de
significncia.Uma vez determinada a significncia estatstica do ndice local
de Moran, til gerar um mapa indicando as regies que apresentam
correlao local significativamente diferente do resto do dados. Estas regies
podem ser vistas como "bolses" de no-estacionariedade, pois so reas com
dinmica espacial prpria e que merecem anlise detalhada. Para o caso do
ndice de excluso/incluso social da cidade de So Paulo (censo de 1991),
esse mapa (Figura 5-17) mostra claramente os agregados de pobreza e de
riqueza na cidade. Na zona Leste e na zona Sul de So Paulo h regies
crticas, onde o agravamento das condies sociais resulta numa degradao
significativa das condies de vida.
Figura 5-17 Indicador de autocorrelao espacial para o ndice de excluso/incluso

social de So Paulo (censo de 1991). Apenas os valores com significncia maior que 95%
esto mostrados.
ld
5.5 ESTIMAO DE INDICADORES:

A seo 5.3 apresentou o problema de agregao de contagens em reas,
com a recomendao final de utilizar a melhor resoluo espacial disponvel.
Na prtica, o uso desta estratgia requer um tratamento adicional nos dados,
principalmente nos casos de pequenas reas em que calculamos taxas sobre
um universo populacional reduzido. Para entender melhor o problema,
considere-se a Figura 5-18 que apresenta um mapa temtico com a
mortalidade infantil dos bairros do Rio de Janeiro, em 1994. Neste mapa, o
Rio est dividido em 148 bairros, e a taxa de mortalidade infantil anual para
cada bairro, expressa o nmero de bitos de menores de 1 ano, por mil
nascidos vivos.
Figura 5-18 - Taxa total de mortalidade infantil por mil nascidos vivos no Rio de
Janeiro, em 1994.
Numa primeira leitura, este mapa choca pelas altas taxas de mortalidade
de vrios bairros, com 15 bairros apresentando uma taxa maior que 40
bitos por mil nascidos, e 2 casos com taxas acima de 100 por mil nascidos.
Um observador desatento poderia concluir que todos estes bairros
apresentam um grave problema social. Na realidade, muitos destes valores
extremos ocorrem nos bairros com pequenas populaes, pois a diviso da
cidade utilizada esconde enormes diferenas na populao em risco, variando
de 15 at 7500 crianas por bairro. Por exemplo, considere uma regio com
15 crianas nascidas e nenhuma morte, o que aparentemente indicaria uma
situao ideal. Se apenas uma criana morre neste ano, a taxa passa de 0 por
mil para 66 por mil !
Tais problemas so tpicos de recobrimentos espaciais sobre divises
poltico-administrativas, onde se analisam reas com valores muito distintos
de populao em risco. Vrios estudos tm mostrado que em divises
polticas como bairros e municpios apresentam relaes inversas de rea e
populao, isto , os maiores bairros em populao tendem a ter menores
A
ld
reas, e vice-versa. Por isso mesmo, freqentemente o que mais chama a

ateno num mapa temtico de taxas, que so os valores extremos, muitas
vezes so resultado de um nmero reduzidssimo de observaes, sendo
portanto menos confivel, ou seja, apenas flutuao aleatria .
Para suavizar a flutuao aleatria, considera-se que a taxa estimada
pela diviso simples entre contagem de bitos e de populao taxa
observada apenas uma realizao de um processo no observado, e que
tanto menos confivel quanto menor a populao. Assim, prope-se reestimar uma taxa mais prxima do risco real ao qual a populao est
exposta. A primeira providncia fazer um grfico que expresse a taxa em
funo da populao em risco, como mostrado na Figura 5-19.
Figura 5-19 Taxa de mortalidade infantil no Rio de Janeiro em 1994 em funo do

nmero de nascimentos por bairro.
No caso do Rio, a taxa mdia de mortalidade infantil da cidade, em
1994, foi de 21 bitos por mil nascidos. Neste grfico, observa-se que os
bairros com maior populao apresentam taxas prximas da mdia da
cidade. Conforme diminui a populao em risco, aumenta muito a flutuao
da taxa medida, formando o que j foi denominado de efeito funil. Nos
bairros de menor populao, esta variao oscilou de 0 a quase 130 por mil.
razovel supor que as taxas das diferentes regies esto
autocorrelacionadas, e levar em conta o comportamento dos vizinhos para
estimar uma taxa mais realista para as regies de menor populao. Esta
formulao sugere o uso de tcnicas de estimao bayesiana. Nesse contexto,
considera-se que a taxa real i associada a cada rea no conhecida, e
dispomos de uma taxa observada ti = zi ni , onde ni o nmero de pessoas
observadas, zi o nmero de eventos na i-sima rea.
ld
A idia do estimador bayesiano supor que a taxa i uma varivel

aleatria, que possui uma mdia i e uma varincia i2 . Pode ser
demonstrado que o melhor estimador bayesiano dado por uma combinao
linear entre a taxa observada e a mdia i :
i = wi ti + ( 1 wi ) i ,
(5.7.)
O fator wi dado por:

wi =
i2
(5.8.)
i2 + i ni
O peso wi tanto menor quanto menor for a populao em estudo da

i-sima rea e reflete o grau de confiana a respeito de cada taxa. Para o caso
de populaes reduzidas, a confiana na taxa observada diminui e a
estimativa da taxa se aproxima de nosso modelo a priori (ou seja, se
aproxima de ). Regies com populaes muito baixas tero uma correo
maior, e regies populosas tero pouca alterao em suas taxas. Logo i ser
estimado, quando n for pequeno, com maior peso da mdia da vizinhana.
Neste ponto, deve-se observar que a formulao bayesiana requer as
mdias e varincias i e i2 para cada uma das reas. A abordagem mais
simples para tratar
bayesiano emprico.
varivel aleatria i
mdias e varincias
a estimao destes parmetros o chamado estimador

Este estimador parte da hiptese que a distribuio da
a mesma para todas as reas; isto implica que todas as
so iguais. Pode-se ento estimar i e i2 diretamente a
partir dos dados. Neste caso, calcula-se i a partir das taxas observadas:
yi
ni
(5.9.)
E estima-se a varincia i2 a partir da varincia das taxas observadas

com relao mdia estimada:
ni (ti ) 2
=
ni
(5.10.)
As regies tero suas taxas re-estimadas aplicando-se uma mdia

ponderada entre o valor medido e a taxa mdia global, em que o peso da
mdia ser inversamente proporcional populao da regio. Ao aplicarmos
esta correo s taxas de mortalidade infantil do Rio de Janeiro, observamos
que h uma reduo significativa nos valores extremos. Por exemplo, a
Cidade Universitria (Ilha do Fundo), onde nasceram 13 crianas em 1994,
apresentou uma taxa aparente de 76 por mil nascidos vivos e uma taxa
ld
corrigida de 36 por mil. Bairros com pouca populao no grupo de risco

apresentaram redues semelhantes, enquanto que bairros mais populosos
mantiveram as taxas originalmente medidas. A comparao entre a taxa
primria e o valor estimado est apresentada na Figura 5-18. Em resumo,
preciso extremo cuidado ao produzir mapas temticos, especialmente em
~= = ~~= ~~= ~= = ~= = ~=
K=
Figura 5-18. Comparao entre a taxa de mortalidade infantil observada e a taxa estimada
pelo mtodo bayesiano emprico.

O estimador bayesiano emprico pode ser generalizado para incluir
efeitos espaciais. Neste caso, a idia fazer a estimativa bayesiana
localmente, convergindo em direo a uma mdia local e no a uma mdia
global. Basta aplicar o mtodo anterior em cada rea considerando como
regio a sua vizinhana. Isto equivalente a supor que as taxas da
vizinhana da rea i possuem mdia i e varincia i2 comuns. Neste caso,
pode-se falar em estimativa bayesiana emprica local. A seguir, apresenta-se a
deteco de hansenase em Recife (Figura 5-20) onde foi utilizado esse mtodo
local para estimar a taxa da doena nos bairros da cidade. Atravs do mapa
corrigido foi possvel indicar bairros prioritrios para a atuao da
vigilncia epidemiolgica por apresentarem valores altos mesmo aps
suavizao do indicador.
ld
N
W
E
S
Coef. Deteco 93-97
Alisamento Bayesiano
Emprico
0
0 - 2.28
2.28 - 4.63
4.63 - 8.79
8.79 - 144.33
1.07 2.53 4.35 5.83 8.43 -
2.53
4.35
5.83
8.43
13.59
Figura 5-20 - Taxas de deteco mdia de hansenase em menores de 15 anos, perodo

1993-1997, por bairro do Recife, e taxas estimadas atravs de alisamento bayesiano.
Como apresentado acima, o estimador bayesiano emprico parte da

hiptese que a distribuio da varivel aleatria i a mesma para todas as
reas e que as mdias e varincias i e i2 para cada uma das reas so iguais.
Deve-se lembrar que esta hiptese nem sempre realista, pois em estatsticas
socioeconmicas (como no caso dos dados de sade discutidos) as
caractersticas das populaes estudadas so muito heterogneas. Deste
modo, em muitos casos desejvel fazer a hiptese de que cada rea tem seu
prprio padro (e os i e 2i so distintos); isto implica em estimar a
distribuio conjunta Z = {Z1 , ..., Z n } das variveis aleatrias.
primeira vista, a estimativa da distribuio conjunta pode parecer
impossvel, dado que est disponvel para anlise apenas uma amostra de
cada uma das variveis aleatrias, ou seja, sabe-se apenas o valor coletado em
cada unidade de rea. Entretanto, os estimadores bayesianos completos (full
Bayes) tornaram possvel resolver o problema, atravs da utilizao de
tcnicas de simulao baseadas em MCMC Markov Chain Monte Carlo
para a inferncia dos parmetros de interesse. Em funo da complexidade
de formulao, este livro no aborda os estimadores bayesianos baseados em
MCMC. O leitor deve referir-se bibliografia no final do captulo para
maiores detalhes.
ld
5.6 MODELOS DE REGRESSO

Um dos tipos de estudos mais comuns com dados de rea o uso de
modelos de regresso. Um modelo de regresso uma ferramenta estatstica
que utiliza o relacionamento existente entre duas ou mais variveis de
maneira que uma delas possa ser descrita ou o seu valor estimado a partir das
demais. Na situao dos dados espaciais, quando est presente a
autocorrelao espacial, as estimativas do modelo devem incorporar esta
estrutura espacial, uma vez que a dependncia entre as observaes altera o
poder explicativo do modelo. A significncia dos parmetros usualmente
superestimada, e a existncia de variaes em larga escala pode at mesmo
induzir a presena de associaes esprias.
Neste livro, no ser feita uma descrio detalhada dos modelos
tradicionais de regresso, disponvel em diversos livros consagrados, mas
apenas ser apresentado um breve resumo, necessrio ao entendimento dos
modelos de regresso espacial. O objetivo geral de uma anlise de regresso
linear quantificar a relao linear entre uma varivel dependente e um
conjunto de variveis explicativas, conforme expresso na equao matricial:
Y = X + , ~ N(0, 2 ) ou
.. X 1k 1 0 1
.. X 2k 1 1 2
..
.. .. + ..

..
.. .. ..
.. X nk 1 k 1 n
Y1 1 X 11
Y 1 X
21
2
.. = .. ..

.. .. ..
Yn 1 X n1
(5.11.)
(5.12.)
onde Y a varivel dependente, composta de um vetor (n x 1) de

observaes tomadas em cada um das n reas, X uma matriz (n x k) com k1 variveis explicativas tambm tomadas nas n reas, vetor (k x 1) com os
coeficientes de regresso, e um vetor (n x 1) de erros aleatrios, ou
resduos.
Tipicamente, quando se faz uma anlise de regresso, procura-se
alcanar dois objetivos: (a) encontrar um bom ajuste entre os valores preditos
pelo modelo e os valores observados da varivel dependente; (b) descobrir
quais da variveis explicativas contribuem de forma significativa para este
relacionamento linear. Para tanto, a hiptese padro que as observaes
no so correlacionadas, e, consequentemente, que os resduos i do modelo
tambm so independentes e no-correlacionados com a varivel
dependente, tem varincia constante, e apresentam distribuio normal com
mdia zero.
ld
No entanto, no caso de dados espaciais, onde est presente a

dependncia espacial, muito pouco provvel que a hiptese padro de
observaes no correlacionadas seja verdadeira. No caso mais comum os
resduos continuam apresentando a autocorrelao espacial presente nos
dados, que pode se manifestar por diferenas regionais sistemticas nas
relaes do modelo, ou ainda por uma tendncia espacial contnua.
A investigao dos resduos da regresso em busca de sinais de estrutura
espacial o primeiro passo em uma regresso espacial. As ferramentas usuais
de anlise grfica e o mapeamento de resduos, podem dar as primeiras
indicaes de que os valores observados esto mais correlacionados do que
seria esperado sob uma condio de independncia. Neste caso, utilizar os
testes de autocorrelao espacial Moran e Geary nos resduos da
regresso informa sobre sua presena. Em caso de existir autocorrelao,
deve-se especificar um modelo que considere a interferncia causada pela
mesma.
No restante desta seo, apresentamos vrios tipos de modelos de
regresso que permitem incorporar efeitos espaciais, desde aqueles que
tratam a estrutura espacial de forma global (como um nico parmetro) at
modelos em que os parmetros variam continuamente no espao.
Modelos com Efeitos Espaciais Globais
A incluso explcita de efeitos espaciais em modelos de regresso pode
ser feita de diferentes formas. A classe de modelos de regresso espacial mais
simples, chamados de modelos com efeitos espaciais globais, supe que
possvel capturar a estrutura de correlao espacial num nico parmetro,
que adicionado ao modelo de regresso tradicional. Neste caso, tem-se
duas alternativas para tratar a autocorrelao global em um modelo de
regresso. Na primeira, a autocorrelao espacial ignorada atribuda
varivel dependente Y. Esta abordagem denominada como modelo espacial
autoregressivo misto (Spatial AutoRegressive SAR ou ainda como spatial
lag model), dado que se considera a dependncia espacial atravs da adio
ao modelo de regresso de um novo termo na forma de uma relao espacial
para a varivel dependente. Formalmente isto expresso como:
Y = WY + X + ,
(5.13.)
onde W a matriz de proximidade espacial, e o produto WY expressa a

dependncia espacial em Y e o coeficiente espacial autoregressivo. A
hiptese nula para a no existncia de autocorrelao que = 0. A idia
bsica neste modelo incorporar a autocorrelao espacial como
componente do modelo. Em termos de componentes individuais, este
modelo pode ser expresso como
ld
yi =
wij y j +
xi i + i
j
i =1
(5.14.)
O segundo tipo de modelo de regresso espacial com parmetros globais

considera que os efeitos espaciais so um rudo, ou perturbao, ou seja,
fator que precisa ser removido. Neste caso, os efeitos da autocorrelao
espacial so associados ao termo de erro e o modelo pode ser expresso por:
Y = X + ,
= W + ,
(5.15.)
onde W a componente do erro com efeitos espaciais, o coeficiente

autoregressivo e a componente do erro com varincia constante e no
correlacionada. A hiptese nula para a no existncia de autocorrelao
que = 0, ou seja, o termo de erro no espacialmente correlacionado. Este
modelo tambm chamado de modelo do erro espacial (spatial error model
ou ainda Conditional AutoRegressive - CAR).
A partir da equao 5.15, pode-se mostrar que o modelo de erro
espacial pode tambm ser expresso como:
Y WY = X WX +
(5.16.)
( I W )Y = ( I W ) X +
(5.17.)
ou ainda como
o que pode ser visto como uma regresso no-espacial nas variveis
filtradas
Y * = ( I W )Y , X * = ( I W ) X
(5.18.)
Na prtica, a distino entre os dois tipos de modelos de regresso

espacial com parmetros globais difcil pois, apesar da diferena nas suas
motivao, eles so muito prximos em termos formais. Estes modelos esto
includos em ambientes de estatstica espacial avanados, como nos softwares
SpaceSat, S-Plus e R, esse de domnio pblico. Nas referncias no final do
captulo, o leitor poder encontrar indicaes sobre como tais modelos
podem ser estimados e sobre testes de hipteses sobre seu comportamento.
Os modelos de regresso espacial com efeitos globais partem do
princpio de que o processo espacial subjacente aos dados analisados
estacionrio. Isto implica que os padres de autocorrelao espacial
existentes nos dados podem ser capturados num nico parmetro. Na
prtica, para conjuntos de dados censitrios de mdio e grande porte, a
natureza dos processos espaciais tal que diversos padres de associao
espacial podem estar presentes. Esta hiptese, que pode ser verificada, por
ld
exemplo, pelos indicadores locais de autocorrelao espacial, est na origem

aos modelos cujos parmetros variam no espao, discutidos a seguir.
Modelos de Regresso com Efeitos Espaciais Locais
(a) Caso Discreto Modelos de Regresso com Regimes Espaciais
Quando o processo espacial no-estacionrio, os coeficientes de
regresso precisam refletir a heterogeneidade espacial. Para tanto, h duas
grandes alternativas: (a) modelar a tendncia espacial de forma contnua,
com parmetros variantes no espao; (b) modelar a variao espacial de
forma discreta, ao dividir o espao em sub-regies estacionrias, chamadas
de regimes espaciais.
A idia de regimes espaciais dividir a regio de estudo em sub-regies,
cada uma com seu padro espacial prprio, e realizar regresses em
separado, uma para cada regio. As observaes so classificadas em dois ou
mais subconjuntos, a partir de uma varivel por indicao, a saber:
Y1 = X 11 + 1 , ind = 1
(5.19.)
Y2 = X 2 2 + 2 , ind = 2
(5.20.)
Apesar de cada regime possuir os seus prprios valores de coeficientes,

estes valores so estimados conjuntamente, ou seja, todo o conjunto de
observaes disponvel utilizado na regresso. Para a determinao dos
regimes espaciais, as tcnicas de anlise exploratria apresentadas no incio
do captulo so muito teis, especialmente o mapa de espalhamento de
Moran e os indicadores locais de autocorrelao espacial.
Na prtica, para os dados scio-econmicos tpicos de cidades
brasileiras, o modelo de regimes espaciais tende a apresentar resultados
melhores que os modelos de regresso simples ou de regresso espacial com
efeitos globais. Isto ocorre em funo das fortes desigualdades sociais no
Brasil, que ocasionam descontinuidades abruptas nos fenmenos estudados,
como no caso do recorte entre favelas e reas ricas, como freqente nas em
nossas grandes cidades.
Modelos de Regresso com Efeitos Espaciais Locais
(b) Modelos de Regresso com Efeitos espaciais contnuos
Esta classe de modelos procura modelar fenmenos no-estacionrios.
Diferentemente do modelo por regimes espaciais, os efeitos espaciais so
modelados de forma contnua, com duas hipteses: (a) a existncia de uma
variao suave em larga escala, sem efeitos locais significativos ou (b) a
existncia de variaes locais contnuas, sem uma forte tendncia global. O
primeiro caso corresponde s superfcies de tendncia, descritas no captulo 3
deste livro, resumidas no que segue para convenincia de leitura. O modelo
A
ld
de superfcies de tendncia considera um processo espacial onde o valor da

varivel uma funo polinomial de sua posio no espao. O modelo de
regresso mltipla utilizando notao vetorial :
Y ( s) = X (s) + (s )
(5.21.)
onde, Y(s) varivel aleatria representando o processo no ponto s,

X(s) tendncia (ou seja, o valor mdio (s)),
(s) erro aleatrio com mdia zero e varincia 2
O vetor x(s) consiste em p funes das coordenadas espaciais (s1, s2), do
ponto amostrado s. Para uma superfcie de tendncia linear apenas (1, s1,
s2), para quadrtica (1, s1, s2, s12, s22, s1.s2), e assim sucessivamente. o
vetor (p+1) de parmetros a ser ajustado. O pressuposto bsico deste
modelo supe que os erros tm varincia constante e so independentes em
cada local, consequentemente, a covarincia zero: no h efeitos de
segunda ordem presentes no processo. Neste contexto, feito o ajuste do
modelo por mnimos quadrados ordinrios. O modelo de superfcies de
tendncia til sobretudo como uma primeira aproximao do fenmeno,
pois na prtica, so limitados os casos em que a variao espacial pode ser
expressa desta forma. No entanto, os resduos destes modelos so muito
informativos sobre a natureza das variaes locais.
No caso de modelos de variaes locais contnuas, idia ajustar um
modelo de regresso a cada ponto observado, ponderando todas as demais
observaes como funo da distncia a este ponto. Desta forma, sero feitos
tantos ajustes quantas observaes existirem e o resultado ser um conjunto
de parmetros, sendo que cada ponto considerado ter seus prprios
coeficientes de ajuste. Estes parmetros podem ser apresentados visualmente
para identificar como se comportam espacialmente os relacionamentos entre
variveis. Esta tcnica denominada geographically weighted regression
(GWR ou regresso ponderada espacialmente). Para aplicar o modelo GWR,
o modelo padro de regresso reescrito na forma:
Y ( s) = ( s ) X + ,
(5.22.)
onde, Y(s) a varivel aleatria representando o processo no ponto s, e

(s) indica que os parmetros so estimados no ponto s. Para estimar os
parmetros deste modelo, a soluo padro por mnimos quadrados para o
caso no-espacial, dada por
= ( X T X) 1 X T Y
(5.23.)
=~~~=~====~=~W=
( s) = ( X T W (s) X ) 1 X T W (s)Y
ld
(5.24.)
O ajuste local feito de forma a garantir uma influncia maior dos

pontos mais prximos, de forma semelhante aos estimadores de densidade
por kernel, discutidos no captulo 2 do livro. Um exemplo o uso de uma
funo gaussiana, do tipo
wij ( s, ) =
d 2
ij
exp
2
2
2
1
(5.25.)
onde representa o raio de influncia considerado, e dij a distncia entre a

localizao considerada e o j-simo ponto. Pode-se fazer testes de hipteses
para verificar se as variaes espaciais tm significado estatstico ou so
aleatrias. Para maiores detalhes sobre o modelo GWR, o leitor deve referirse bibliografia no final do captulo.
Diagnstico de Modelos com Efeitos Espaciais
A anlise grfica dos resduos o primeiro passo para avaliar a
qualidade do ajuste da regresso. Mapear os resduos uma etapa importante
no diagnstico do modelo, buscando indcios de ruptura dos pressupostos de
independncia. Uma alta concentrao de resduos positivos (ou negativos)
numa parte do mapa um bom indicador da presena de autocorrelao
espacial. Para um teste quantitativo, o mais comum utilizar o ndice I de
Moran sobre os resduos.
Como os estimadores e os diagnsticos tradicionais de regresso no
levam em conta os efeitos espaciais, as inferncias, como por exemplo as
indicaes de qualidade de ajuste baseadas em R2(coeficiente de
determinao), sero incorretas. Estas conseqncias so similares s que
acontecem quando uma varivel explicativa significativa omitida do
modelo de regresso. Quando se quer comparar um ajuste obtido por um
modelo de regresso padro, com um ajuste obtido por um dos modelos cuja
especificao considera a autocorrelao espacial, uma medida como o R2
no mais confivel.
O mtodo mais usual de seleo de modelos de regresso baseia-se nos
valores de mxima verossimilhana dos diferentes modelos, ponderando pela
diferena no nmero de parmetros estimados. Nos modelos com estrutura
de dependncia espacial ou temporal - utilizam-se os critrios de
informao onde a avaliao do ajuste penalizada por uma funo do
nmero de parmetros. Cabe observar que necessrio ainda levar em conta
o nmero de parmetros independentes ao se incluir funes espaciais nos
modelos. Para cada nova varivel em modelo de regresso, acrescenta-se um
parmetro.
ld
Usualmente a comparao de modelos feita utilizando o logaritmo da

mxima verossimilhana, que o que possui melhor ajuste para os dados
observados. O critrio de informao de Akaike (AIC) expresso por:
AIC= 2 * LIK +2k
(5. 26.)
onde LIK o log de verossimilhana maximizado e k o nmero de

coeficientes de regresso. Segundo este critrio, o melhor modelo o que
possui menor valor de AIC. Diversos outros critrios de informao esto
disponveis, a maior parte dos quais so variaes do AIC, com mudanas na
forma de penalizao de parmetros ou observaes.
Exemplo Ilustrativo
Como exemplo ilustrativo das tcnicas de regresso espacial, estudou-se
o relacionamento entre renda e longevidade na cidade de So Paulo, para os
dados do Censo de 1991. Tratam-se de duas das trs variveis utilizadas para
compor o IDH (ndice de desenvolvimento humano) da ONU. A varivel
dependente a ser explicada denotada por PERIDOSO (percentual de
pessoas com mais de 70 anos por distrito de So Paulo) e a varivel
independente indicada por PERREN20 (percentual de chefes de famlia
com renda de mais de 20 salrios mnimos mensais). A distribuio espacial
destas variveis est mostrados na Figura 5-21.
Figura 5-21. Percentual de idosos ( esquerda) e de chefes de famlia com renda

maior que 20 SM mensais ( direita) para os distritos de So Paulo (1991).
Foram comparados trs modelos de regresso: o modelo padro noespacial, o modelo autoregressivo (spatial lag) e o modelo em regimes
espaciais. No caso dos regimes espaciais foram consideradas trs regies da
ld
cidade (centro, periferia e a transio centro-periferia). O modelo padro

expresso como:
PERIDOSO = 0 + 1 PERREN20 +
(5. 27.)
Utilizando-se a matriz de vizinhana W dos distritos, o modelo spatial

lag pode ser expresso como:
PERIDOSO = 0 + 1 PERREN20 + W(PERIDOSO) +
(5. 28.)
Considerando-se trs regies da cidade, o modelo de regimes espaciais

pode ser expresso como
PERIDOSO_1 = 10 + 11 PERREN20_1, reg=1
(5. 29.)
(5. 30.)
(5. 31.)
Os resultados destes modelos de regresso so apresentados na Tabela

5-3. No modelo de regresso tradicional, a relao entre renda e longevidade
em So Paulo muito reduzida, o que d suporte a idia do IDH de que
tratam-se de dimenses complementares da desenvolvimento humano. No
entanto, quando os efeitos espaciais so levados em conta, verifica-se que a
existncia de real dependncia entre os dois fatores. Na Figura 5-22,
apresenta-se a distribuio espacial dos resduos da regresso para os
modelos de mnimos quadrados e spatial lag. Uma anlise visual dos resduos
da regresso tradicional indica uma prevalncia de resduos positivos no
centro da cidade e resduos negativos na periferia, principalmente nas Zonas
Leste e Sul. Os resultados numricos confirmam esta anlise, pois o ndice de
Moran dos resduos altamente significativo. Com relao ao desempenho
global, as medidas R2 so indicadores limitados e devem ser encaradas com
cuidados, e deve-se preferir as medidas baseadas em verossimilhana (LIK,
AIC). Neste caso, o modelo spatial lag teve um desempenho muito superior
ao modelo padro. Este efeito esperado, pela existncia de um ndice de
Moran significativo nos resduos, que capturado no coeficiente de efeito
espacial ().
Os regimes espaciais escolhidos para So Paulo so mostrados na Figura
5-23, bem como os resduos da regresso considerando estes regimes. Da
anlise visual dos resduos, verifica-se a no-existncia de forte tendncia
espacial, o que evidenciado pelo baixo ndice de Moran dos mesmos,
indicado na Tabela 5-3. No geral, o modelo de regimes espaciais apresentou
o melhor desempenho, por qualquer dos critrios (R2, LIK e AIC). O
resultado reflete a forte polarizao centro-periferia da cidade de So Paulo,
e compatvel com estudos que mostram os resultados da violncia urbana
nas taxas de mortalidade, especialmente de homens dos 15 aos 25 anos.
ld
Tabela 5-3
Resultados da Regresso para Longevidade e Renda em So Paulo, 1991
Regresso MMQ
R2 ajustado
Log verossimilhana
AIC (Crterio de Inf. Akaike)
ndice de Moran dos resduos
Spatial Lag
Regimes
Espaciais
0,280
0,586
0,80
-187,92
-150,02
-124,04
379,84
306,51
260,09
0,620
0,020
Figura 5-22- Resduos da regresso por mnimos quadrados ( esquerda) e resduos

da regresso com o modelo spatial lag ( direita).
Figura 5-23 Regimes espaciais para os distritos de So Paulo ( esquerda) e resduos

da regresso por regimes espaciais ( esquerda).
ld
5.7 ESTIMAO DE MODELOS CONTNUOS A PARTIR DE DADOS DE REA

As sees anteriores apresentaram tcnicas de anlise espacial de dados
de rea tomando por base o modelo de variao espacial discreta, onde cada
rea modelada respeitando seus limites, adjacncias e vizinhana. Nesta
seo, considera-se o modelo de variao espacial contnua, que supe um
2
processo estocstico { Z ( x ), x A, A } , cujos valores podem ser
conhecidos em todos os pontos da rea de estudo. A idia de modelos

contnuos para dados socioeconmicos decorre do fato que os levantamentos
censitrios muitas vezes impem limites de reas a partir de critrios
puramente operacionais, que no tm relao direta com o fenmeno
modelado. Este fato leva idia de dissolver os limites das reas em
superfcies contnuas, de forma a modelar melhor a real continuidade de, por
exemplo, setores censitrios em regies urbanas densamente povoadas.
No caso de estimadores de superfcies, as principais alternativas so o
uso de tcnicas no-paramtricas e o uso de interpoladores geoestatsticos,
descritos nos captulos 3 deste livro e que so brevemente resumidos no que
segue.
Estimador de Intensidade No-Paramtrico
De forma similar como no caso de superfcies, podemos utilizar o
estimador de intensidade (kernel estimator) para nos fornecer uma primeira
aproximao da distribuio espacial do fenmeno ou varivel. Neste caso,
quando os valores observados representam uma medida mdia como taxa
de mortalidade ou renda per capita, podemos utilizar um estimador que nos
permitiria calcular o valor do atributo por unidade de rea. Para toda
posio (x;y) cujo valor queremos estimar, o estimador de intensidade ser
computado a partir dos valores {z1,...,zn} contidos num raio de tamanho , a
partir da equao
n
zi =
k( ij ) z j
j =1
n
k(
dij
, dij
(5. 32.)
j =1
Na equao acima, a funo () um interpolador no-paramtrico, que

pode ser, por exemplo, um kernel gaussiano, como apresentado nos captulos
2 e 3 deste livro, onde o leitor poder encontrar uma discusso mais
aprofundada sobre os estimadores de intensidade no-paramtricos. Um
exemplo do estimador de intensidade para taxas pode ser visto na Figura 522, onde so apresentados os dados de mortalidade por homicdios para o
Estado do Rio de Janeiro, para o trinio 90-92 interpolados pelo estimador
A
ld
de intensidade, que nos d uma idia da distribuio espacial da varivel

estudada. Na Figura 5-24(a) apresentado um mapa com os valores de
indicadores de taxa de mortalidade, agregados por municpio. Na Figura
5-24(b), apresentamos o resultado do estimador de intensidade, que nos d
uma idia melhor da distribuio espacial da varivel estudada.
Quando as observaes nas reas representam contagens, como as
obtidas pelo censo, o estimador de kernel apresentado acima no
apropriado. Um valor mdio de um atributo como nmero de domiclios
precrios no faria sentido, e deve-se pensar em termos de nmero de
domiclios precrios por unidade de rea. Neste caso, pode-se utilizar o
numerador da equao (5.32), dividido pela rea do crculo definido pelo
raio de busca:
zi =
ij
k( ) z j , d ij
2
(5.33.)
j =1
(a)
(b)
Figura 5-24 (a) Mortalidade por homicdios no RJ (1990-1992). Mapa temtico com
valores por municpio. (b) Superfcie obtida por estimador de intensidade no-paramtrico
ld
Uso de Interpoladores Geoestatsticos

No captulo 3, apresenta-se a teoria bsica da geoestatstica, cuja
motivao tradicional est associada a dados do meio fsico como medidas de
teor mineral ou de poluio. No caso da krigagem ordinria, a hiptese
subjacente que os dados apresentam distribuio gaussiana, e neste caso as
propriedades timas dos estimadores (como a mnima varincia do
resultado) so garantidas. Para o caso de dados socioeconmicos ou de sade
coletiva, a hiptese da normalidade dos dados muito raramente realista,
sendo mais comum supor uma distribuio de Poisson, por se tratar de
contagens de eventos. No entanto, as propriedades timas do estimador de
krigagem e sua ampla disponibilidade em diferentes sistemas de informao
geogrfica fazem com que seja importante investigar seu uso para dados
socioeconmicos. Neste caso, a primeira providncia investigar quo
aproximados da distribuio normal se apresentam os dados; se for
necessrio, pode-se aplicar transformaes apropriadas (com a transformao
logartmica) para simetrizar a distribuio emprica e assim aproximar-se
da distribuio normal. Para considerar uma situao concreta, Figura 5-25
apresenta a distribuio da taxa de homicdios por 100 mil habitantes, para
os 96 distritos de So Paulo em 1996, acompanhada do grfico de
probabilidade normal, que indica o quanto estes dados se aproximam de uma
distribuio gaussiana. Da anlise dos dois dados, e considerando-se ainda
que a mdia (43,6) suficientemente prxima da mediana (39,3), e como o
teste de normalidade de Shapiro-Wilk indica um valor de 0,9653 (p-valor de
0,012), a hiptese de normalidade no pode ser rejeitada e permite aplicar
uma interpolador de krigagem.
14
12
Freqncia
10
8
6
4
2
90
10
0
80
70
60
50
40
30
20
10
Taxa de homicdios
Figura 5-25. Distribuio da taxa de homicdios por 100 mil habitantes para So Paulo em
1996. direita: frequncia relativa; esquerda: grfico de probabilidade normal.
ld
Com base nestas hipteses, e com o objetivo de entender os padres

espao-temporais em So Paulo, utilizou-se a krigagem ordinria para
produzir superfcies das taxas de homicdio para os 96 distritos de So Paulo
para os anos de 1996 e 1999 (a distribuio de taxas de 1999 apresentou
padres semelhantes que a de 1996). Para tal, o conjunto de pontos obtido
pela associao do valor do parmentro de cada rea, ao seu centride, foi
tomado como uma amostra, usada para computar um variograma que
modelou a estrutura de correlao espacial. A superfcie obtida est
apresentada na Figura 5-26 e mostra uma queda significativa nas reas com
as menores taxas de homicdios (menos que 30 mortes por 100,000 pessoas)
em 1999 com relao a 1996. Como as reas de menor taxa de homicdio
correspondem s reas mais ricas da cidade (compare com as figuras 5.1), o
resultado mostra um espalhamento espacial do crime, com a violncia
ocupando progressivamente toda a cidade.
Taxa Homicdios
(por 100,000)
Figura 5-26. Superfcies estimadas para as taxas de homicdio em So Paulo em 1996

(esquerda) e 1999 (direita).
5.8 COMENTRIOS FINAIS

Este captulo mostrou que as tcnicas de anlise espacial podem ampliar
consideravelmente a capacidade de compreender os padres espaciais
associados a dados de rea, especialmente quando se trata de indicadores
sociais, que apresentam autocorrelao espacial global e local. Tcnicas
exploratrias como os indicadores de Moran e os mapas de espalhamento de
Moran so muito teis para mostrar as agregaes espaciais e indicar reas
prioritrias em termos de poltica pblica. Mtodos de estimao bayesiana
ld
para taxas permitem a correo de efeitos associados a pequenas populaes.

Modelos de regresso espacial permitem estabelecer as relaes entre as
variveis, levando em conta os efeitos espaciais; neste caso, o poder
explicativo dos modelos pode ter ganhos significativos. A gerao de
superfcies um maneira eficiente de apreenso visual dos padres espaciais.
Em resumo, estudiosos de dados scio-econmicos podem se beneficiar
substancialmente das tcnicas deste captulo.
5.9 REFERNCIAS
A referncia bsica para a maior parte das tcnicas apresentadas neste
captulo o livro de Trevor Bailey, Spatial Data Analysis by Example
(Bailey and Gattrel, 1995) e uma discusso geral sobre os modelos de
distribuio para dados espaciais apresentada em Diggle (2001). A
homepage de Peter Diggle (www.maths.lancs.ac.uk/~diggle) contm material
relevante sobre estatstica espacial.
No caso dos modelos de regresso espacial, o software SpaceStat de Luc
Anselin, e a documentao associada (Anselin, 1992) apresenta em detalhe os
modelos de regresso com efeitos globais (spatial lag e spatial error), e o
modelo de regimes espaciais. O SpaceStat foi utilizado para computar os
modelos no exemplo apresentado no captulo. Os trabalhos de Luc Anselin
no campo de indicadores locais de autocorrelao espacial (Anselin, 1995;
Anselin, 1996) tambm so referncias importantes. O stio do SpaceStat
www.spacestat.com.
O modelo de regresso GWR (geographically weighted regression) foi
idealizado por A.Stewart Fotheringham, e est descrito em seu livro
Quantitative Geography (Fotheringham et al., 2000) e outros trabalhos
(Fotheringham et al., 1996) (Brunsdon et al., 1996). Maiores informaes
podem ser encontradas no stio http://www.ncl.ac.uk/~ngeog/GWR/.
A discusso sobre o problema dos efeitos de escala e a chamada falcia
ecolgica deve muito aos trabalhos de Stan Openshaw; como exemplo,
veja-se Openshaw (1997). Seus trabalho sobre o uso de tcnicas de
otimizao combinatria para obter regies mais agregadas, tambm so
muito importantes (Openshaw and Alvanides, 1999).
A questo da gerao de superfcies a partir de dados socioeconomicos
deve muito aos trabalhos de David Martin, em seu livro Geographic
Information Systems: Socioeconomic Applications (Martin, 1995) e seus
trabalhos sobre os dados censitrios no Reino Unido (Martin, 1996; Martin,
1998).
ld
Os estimadores bayesianos empricos foram inicialmente propostos em

(Marshall, 1991). Uma discusso geral sobre o assunto, incluindo uma
discusso sobre os estimadores bayesianos completos, pode ser encontrada
no excelente trabalho de Renato Assuno (Assuno, 2001) ou na reviso
abrangente de Trevor Bailey, publicada nos Cadernos de Sade Pblica
(Bailey, 2001).
Os dados de So Paulo do censo de 1991 foram extrados do trabalho
"Mapa de Excluso/Incluso Social na Cidade de So Paulo", coordenado
pela prof. Aldaza Sposati, da PUC/SP (Sposati, 1996). As taxas de homicdio
para os distritos de So Paulo em 1996 e 1999 foram produzidas pela
Fundao SEADE e a gerao de superfcies por krigeagem foi feita por Jos
Luiz Rodriguez Yi.
Os dados do censo de Belo Horizonte para o ano de 1991 foram
cedidos pela PRODABEL, e o estudo do problema das mudanas de unidade
de anlise foi realizado por Taciana Dias e Maria Piedade Oliveira.
Os dados de mortalidade infantil para a cidade do Rio de Janeiro foram
organizados pela FIOCRUZ e esto apresentados no trabalho de Eleonora
DOrsi e Marilia Carvalho (D'rsi & Carvalho, 1998). Os dados do estudo
sobre mortalidade por homicdios na Regio Sudeste tambm foram
publicados pela equipe da FIOCRUZ, e podem ser acessados nas pginas
e
pessoais
dos
autores:
http://www.procc.fiocruz.br/~marilia/
www.procc.fiocruz.br/~oswaldo/.
O nmero especial dos Cadernos de Sade Pblica sobre o tema de
estatsticas espaciais em sade (volume 17(5), outubro-novembro 2001),
disponvel na Internet (www.scielo.br) representa um bom ponto de partida
sobre o tema, com vrios estudos relevantes.
1. ANSELIN, L. SpaceStat tutorial: a workbook for using SpaceStat in the
analysis of spatial data. Santa Barbara, NCGIA (National Center for
Geographic Information and Analysis), 1992.
2. ANSELIN, L. Local indicators of spatial association - LISA. Geographical
Analysis v.27, p.91-115, 1995.
3. ANSELIN, L. The Moran scatterplot as ESDA tool to assess local
instability in spatial association. In: M. Fisher, H. J. Scholten and D.
Unwin (ed). Spatial Analytical Perspectives on GIS. London, Taylor &
Francis, 1996. v., p.111-126.
4. ASSUNO, R. Estatstica Espacial com Aplicaes em Epidemiologia,
Economia e Sociologia. So Carlos, SP, UFScar, 2001. Disponvel na
homepage www.est.ufmg.br/~assuncao.
ld
5. BAILEY, T. Spatial Statistics Methods in Health. Cadernos de Sade

Pblica v.17, n.5,, 2001.
6. BAILEY, T. and A. GATTREL. Spatial Data Analysis by Example.
London, Longman, 1995.
7. BRUNSDON, C. A.S. FOTHERINGHAM AND M.E. CHARLTON,
Geographically Weighted Regression: A Method for Exploring Spatial
Nonstationarity. Geographical Analysis, 28(4), 281-298, 1996.
8. CRUZ, O. C. Homicdios no Estado do Rio de Janeiro: anlise da
distribuio espacial e sua evoluo. Dissertao de mestrado/Faculdade
de sade Pblica-USP, 1996.
WLL~~~KKKL~LLJK=
9. DIGGLE, P. Spatial statistics in the biomedical science: future directions.
Lancaster, Lancaster University, 2001.
10. D'RSI, E. and M. S. CARVALHO. Perfil de Nascimentos no Municpio
do Rio de Janeiro - Uma Anlise Espacial. Cadernos de Sade Pblica
v.14, n.1, p.367-379, 1998.
11. FOTHERINGHAM, A.S., C. BRUNSDON AND M.E. CHARLTON,
2000, Quantitative Geography, London: Sage
12. FOTHERINGHAM, A.S., M.E. CHARLTON AND C. BRUNSDON,
The Geography of Parameter Space: An Investigation into Spatial NonStationarity. International Journal of Geographic Information Systems,
10: 605-627, 1996.
13. GELMAN, A., CARLIN, J.B., STERN, H.S., RUBIN, D.B. (1995)
Bayesian Data Analysis Chapman & Hall/CRC.
14. GILKS, W.R., RICHARDSON, S., SPIEGELHALTER, D.J. (orgs) (1998),
Markov Chain Monte Carlo in Practice, Chapman & Hall.
15. MARSHALL, R. Mapping disease and mortality rates using empirical
Bayes estimators. Applied Statistics v.40, p.283-294, 1991.
16. MARTIN, D. Geographic Information
Applications. London, Routledge, 1995.
Systems:
Socioeconomic
17. MARTIN, D. An assessment of surface and zonal models of population.

International Journal of Geographical Information Systems v.10, p.973989, 1996.
18. MARTIN, D. Optimizing census geography: the separation of collection
and output geographies. International Journal of Geographical
Information Science v.12, p.673-685, 1998.
ld
19. OPENSHAW, S. Developing GIS-relevant zone-based spatial analysis

methods. In: P. Longley and M. Batty (ed). Spatial Analysis: Modelling
in a GIS Environment. New York, John Wiley, 1997. v., p.55-73.
20. OPENSHAW, S. and S. ALVANIDES. Applying Geocomputation to the
analysis of spatial distributions. In: P. A. Longley, Goodchild, M. F.,
Maguire, D. J. and Rhind, D. W (ed). Geographical Information
Systems: Principles, Techniques, Management and Applications.
Chichester, Wiley, 1999. v., p.267-282.
21. SPOSATI, A. Mapa de Excluso/Incluso Social de So Paulo. So Paulo,
EDUC, 1996.
ld
8
MODELAGEM DINMICA E GEOPROCESSAMENTO
Bianca Maria Pedrosa
Gilberto Cmara
8.1
INTRODUO
Historicamente, a tecnologia de Geoprocessamento enfatizou a representao de

fenmenos espaciais no computador de forma esttica. Isto se deve ao fato de que a
principal abstrao utilizada em Sistemas de Informao Geogrficas (GIS) o mapa.
No entanto, um significativo conjunto de fenmenos espaciais, tais como escoamento de
gua da chuva, planejamento urbano e disperso de sementes, entre outros, so
inerentemente dinmicos e as representaes estticas comumente utilizadas em GIS
no os capturam de forma adequada. Deste modo, um dos grandes desafios da Cincia
da Informao Espacial o desenvolvimento de tcnicas e abstraes que sejam capazes
de representar adequadamente fenmenos espao-temporais dinmicos.
O uso de modelos temporais em GIS vem sendo investigado com afinco na
literatura recente (Worboys 1995). Neste trabalho, estaremos dando nfase a
abordagem de representao da dinmica espao-temporal por autmatos celulares.
Nesta abordagem o espao representado atravs de um array de clulas em que cada
clula pode assumir diferentes estados ao longo do tempo. O tempo varia em intervalos
discretos e o estado de todas as clulas muda simultaneamente em funo do seu prprio
estado, do estado das demais clulas em sua vizinhana e de acordo com um conjunto
especfico de regras de transio (Engelen 1995).
Neste trabalho, ser abordado os requisitos necessrios as abordagens utilizadas
para desenvolver sistemas espaciais dinmicos, os conceitos computacionais e
geogrficos envolvidos e algumas das aplicaes de Modelagem dinmica em
Geoprocessamento.
No captulo 2 sero apresentados os princpios bsicos para representar os
principais componentes de um modelo espacial dinmico. No captulo 3 sero
abordados os conceitos bsicos e os principais aspectos computacionais envolvidos na
modelagem dinmica de processos fsicos. Ser apresentado tambm um exemplo de
modelagem utilizando o aplicativo PCRaster. No captulo 4 sero apresentados dois
exemplos de aplicaes computacionais para modelagem dinmica de processos
urbanos, o Citylife e o modelo Multi-escala.
1
8.2
PRINCPIOS BSICOS
A atual gerao de GIS configura uma tecnologia estabelecida para armazenar,

organizar, recuperar e modificar informaes sobre a distribuio espacial de recursos
naturais, dados geo-demogrficos, redes de utilidade pblica e muitos outros tipos de
dados localizveis na superfcie da terra. Nesta rea, um dos principais desafios para os
prximos anos transformar estes sistemas, essencialmente estticos, em ferramentas
capazes de prover representaes realistas de processos espao-temporais.
A
modelagem de grande quantidade de processos fsicos, em aplicaes como
Geomorfologia, Estudos Climticos, Dinmica Populacional e Impacto Ambiental,
requer que os GIS tenham capacidade de representar os tipos de processos dinmicos
encontrados em estudos de sistemas fsicos e scio-econmicos.
Neste contexto, a Modelagem Dinmica (Burrough 1998) procura transcender as
limitaes atuais da tecnologia de Geoprocessamento, fortemente baseada numa viso
esttica, bidimensional do mundo. O objetivo dos modelos dinmicos em GIS
realizar a simulao numrica de processos dependentes do tempo, como nos modelos
hidrolgicos, que simulam o fluxo e transporte de gua. Na definio de Burrough, um
modelo espacial dinmico uma representao matemtica de um processo do mundo
real em que uma localizao na superfcie terreste muda em resposta a variaes nas
foras dirigidas.
Tipicamente, GIS so desenvolvidos a partir de suposies pr-estabelecidas
quanto a homogeneidade, uniformidade e universalidade das propriedades de seus
principais componentes, que incluem o espao e as relaes espaciais, o tempo e o
modelo matemtico que descreve o fenmeno. Entretanto, para modelar processos
dinmicos em GIS com o nvel necessrio de realismo, estas suposies rgidas tm que
ser flexibilizadas de tal forma que o sistema seja capaz de representar (Couclelis 1997):
O espao como uma entidade no homognea tanto nas suas propriedades
quanto na sua estrutura.
As vizinhanas como relaes no estacionrias
As regras de transio como regras no universais.
A variao do tempo como um processo regular ou irregular.
O sistema como um ambiente aberto a influncias externas.
regular
irregular
uniforme
no uniforme
estacionria
no estacionria
universal
no universal
Estrutura
Espao
Propriedades
Vizinhana
Funo de Transio
1 2
regularidade
irregularidade
fechado
aberto
Tempo
Sistema
Figura 8.1 Requisitos para modelagem dinmica em GIS (fonte: Couclelis, 1997)
Na figura 8.1 esto representados os requisitos mencionados acima. A

regularidade do espao diz respeito a forma como ele distribudo e pode ser regular,
isto , divido em parte iguais, ou irregular, distribudo de forma diferenciada. As
vizinhanas, que geralmente so concebidas como tendo a mesma configurao para
todo ponto no espao, deve superar esta estacionaridade e poder ser representada com
diferentes configuraes em diferentes pontos do espao. Por exemplo, em determinado
ponto uma clula pode ter vizinhana 4 e em outro vizinhana 8. O sistema deve
permitir que mais de uma funo de transio possa ser aplicada, permitir que o tempo
seja representado em intervalos variveis (meses, anos) e suportar a incluso de
variveis externas.
Para implementar sistemas espaciais dinmicos com as caractersticas
mencionadas acima, alguns princpios bsicos relativos aos principais elementos destes
sistemas devem ser considerados. Entre estes elementos destacam-se a questo da
representao do espao e do tempo, o modelo dinmico a ser utilizado para a
representao do fenmeno espacial e a abordagem computacional para implementar
estes princpios de forma integrada e consistente. Nas sees seguintes, discutiremos
cada um destes elementos.
3
8.2.1
O Espao
O espao o conceito chave na geografia e, por extenso, na Cincia da

Informao Espacial. Tradicionalmente, os gegrafos fazem uma distino entre os
conceitos de espao absoluto e espao relativo.
Espao absoluto, tambm chamado Cartesiano ou Newtoniano, um container
de coisas e eventos, uma estrutura para localizar pontos, trajetrias e objetos. Espao
relativo, ou Leibnitziano, o espao constitudo pelas relaes espaciais entre coisas e
eventos (Couclelis 1997).
Santos (1996) refere-se a distino entre espao absoluto e espao relativo como
o espao dos fixos e o espao dos fluxos. Em termos de representaes
computacionais pode-se, de forma aproximada, traduzir estes conceitos como a
distino entre as representaes associadas a recobrimentos planares (mapas de
polgonos e matrizes) e representaes associadas a conectividade (grafos). Um caso
tpico de medida realizada no espao absoluto so os ndices de auto-correlao
espacial. Neste caso, um dos instrumentos bsicos a matriz de proximidade espacial,
cujo clculo usualmente feito em funo de distncia euclidiana entre objetos ou da
existncia de uma fronteira entre eles. Na Figura 8.2 est representado um mapa
temtico e sua respectiva matriz de proximidade, definida com base nas fronteiras
existentes entre os objetos.
B
C
Figura 8.2 Um mapa poligonal e sua matriz de proximidade
Em muitos fenmenos geogrficos, os objetos estabelecem relaes entre si que

independem das relaes espaciais tpicas como as relaes topolgicas, direcionais e de
distncia. Estes fenmenos geralmente incluem relaes como fluxo de pessoas ou
materiais, conexes funcionais de influncia, comunicao e acessibilidade, entre outras
(Couclelis 1999). Um exemplo de fenmeno em que a dimenso espacial requer o
4
conceito de espao relativo o caso de fluxo de pessoas pela rede de transporte

metrovirio de uma cidade. O fluxo de pessoas a partir de uma mesma origem tem
diferentes destinos, Figura 8.3, e a relao entre a origem e destino estabelecida com
base em relaes de conectividade e acessibilidade.
Figura 8.3 Mapa do Fluxo de Pessoas em uma rede de transporte

Couclelis (1997) prope a idia de espao prximo, como uma extenso dos
conceitos de espao absoluto e relativo. No espao prximo o conceito chave a
vizinhana associada noo de proximidade, que conduzem tambm ao conceito de
proximidade funcional ou influncia. O conceito de vizinhana facilmente visualizado
em representaes matriciais do espao. Algumas operaes espaciais disponveis em
GIS como filtros espaciais, por exemplo, utilizam a noo de espao prximo de forma
limitada. No filtro espacial, o estado de uma clula ( um pixel de uma imagem)
modificado com base nos estados das demais clulas em sua vizinhana, definida
atravs de uma mscara. A seguir apresentado um exemplo de filtro espacial e o
estado de uma clula qualquer antes (Figura 8.4b) e aps (Figura 8.4c) a aplicao do
filtro espacial.
a) Mscara
b) estado da clula central antes do filtro c)estado da clula central aps o filtro
Figura 8.4 Exemplo de Filtro espacial
A abstrao fundamental na maior parte dos GIS atuais o conceito de mapa,

fortemente relacionado com noes cartogrficas e portanto, do espao absoluto Em
processos dinmicos a noo de espao relativo e prximo so fundamentais para
estabelecer e representar fluxos e conexes entre entidades do sistema.
8.2.2
O Tempo
Conceitualmente, pode-se representar o tempo atravs de diferentes estruturas,

definidas, principalmente, com base em trs aspectos da representao temporal:
granularidade, variao e ordem no tempo (Figura 5).
Ordem no tempo
Variao Temporal
Granularidade
linear
discreto
instante
ramificado
contnuo
intervalo
ciclco
perodo
Figura 5 - Estruturas temporais (fonte: Worboys, 1998)
A ordem temporal refere-se ao modo como o tempo flui. Neste caso, pode-se
assumir que o tempo flui de forma linear, ramificada ou cclica. No tempo linear
considera-se que o tempo flui seqencialmente, ou seja, existe uma ordem de
precedncia entre os pontos no tempo, de tal forma que cada ponto tenha apenas um
sucessor e um antecessor.
No tempo ramificado mltiplos pontos podem ser os
sucessores ou antecessores imediatos de um mesmo ponto. O tempo cclico utilizado
para modelar eventos e processos recorrentes (Edelweiss and Oliveira 1994).
Com relao variao temporal duas possibilidades podem ser consideradas:
tempo contnuo e discreto. Uma varivel temporal contnua usada em processos que
demandam medidas de tempo com nveis arbitrrios de preciso. Por exemplo, a
expanso da rea de desmatamento de uma floresta entre dois instantes de tempo
medidos pode ser interpolada. A Figura 6 apresenta mapas de uma rea desmatada em
dois instantes t e t. Se necessrio, pode-se gerar um novo mapa para representar a rea
desmatada entre os instantes t e t porque este processo contnuo no tempo.
Figura 6 rea Desmatada da floresta em dois instantes t e t

6
Uma varivel temporal discreta usada quando o tempo medido em certos

pontos ou intervalos e a variao descontnua entre estes pontos. Uma delimitao de
lotes de um cadastro imobilirio pode ocupar uma posio num instante t e outra num
instante t, mas no faz sentido dizer que a delimitao ocupou alguma posio
intermediria entre t e t. Na figura 7, no instante t existem 4 lotes em uma rea
residencial, no instante t os lotes 2 e 3 so unidos formando um novo lote 5.
1
5
4
Figura 7 Delimitao de lotes de um cadastro imobilirio em dois instantes t e t

Associado ao conceito de variao temporal discreta, existe o conceito de
Chronos. Um chronon a menor durao de tempo suportada por um sistema e pode
variar em diferentes aplicaes (Edelweiss and Oliveira 1994).
A granularidade temporal de um sistema est diretamente relacionada com a
durao de um chronon. As diferentes granularidades de um sistema temporal
conduzem definio de instante e intervalo de tempo. Um instante de tempo
representa um ponto particular no tempo, um intervalo o tempo decorrido entre dois
instantes e um perodo consiste de uma seqncia de intervalos de tempo .
Em sistemas computacionais, representa-se o tempo em pelo menos duas
dimenses:
tempo vlido (valid time) - corresponde ao tempo em que um evento ocorre

no domnio da aplicao.
tempo de transao (transaction time) corresponde ao tempo em que

transaes acontecem dentro do sistema de informao (Worboys 1995).
Adicionalmente, existe o conceito de tempo definido pelo usurio, consistindo

de propriedades definidas explicitamente pelos usurios em um domnio temporal e
manipuladas pelo programa de aplicao (Edelweiss and Oliveira 1994).
A incorporao da dimenso temporal em um sistema de informao no se
restringe apenas questo da representao do tempo, mas inclui tambm questes
relativas a sua recuperao. Um GIS temporal deve ser capaz de recuperar informaes
atravs de consultas definidas sobre critrios temporais, como por exemplo:
Quais rodovias do Brasil foram recuperadas
permitem uma velocidade superior a 100km/h ?
a partir de 1980
e agora
Qual rio teve a maior taxa de poluio entre 1970 e 1985?

7
Quais as cidades em que a cobertura vegetal aumentou em pelo menos 5%

durante os ltimos 5 anos?
Para resolver consultas como as relacionadas acima, um GIS tem que prover um
conjunto de operadores e funes que permitam a avaliao de relacionamentos como
os de precedncia, sobreposio, igualdade e pertinncia entre dois intervalos de tempo
(Figura 8).
Predicado
Exemplo
a precedes b
a meets b
a overlaps b
a contains b
a equals b
instante
intervalo a
intervalo b
temp
Figura 8 Predicados temporais (fonte: Voigtmann, 1996)
Para exemplificar consultas envolvendo predicados como os apresentados na

Figura 8, utilizaremos uma linguagem de
consulta temporal especialmente
desenvolvida para aplicaes em geoprocessamento, chamada T/OOGQL (Voigtmann
1996). Esta linguagem uma extenso ao SQL (Structured Query Language) com
suporte para tipos de dados espaciais e temporais.
Quanto aos operadores espaciais, a linguagem T/OOGQL oferece os clssicos
cross, overlap, touch e in, entre outros. Quanto aos aspectos temporais, a linguagem
T/OOGQL trabalha com os conceitos de timestamp (definio explcita de tempo
associada a uma informao), tempo vlido e tempo transacional, e oferece as seguintes
funes:
Funo
Descrio
First(), Last()
retorna o primeiro e ltimo timestamp associado a um

atributo, objeto ou relacionamento
FirstValue(), LastValue()
retorna o primeiro e ltimo valor associado a um

atributo, objeto ou relacionamento
Begin(), End()
retorna o incio e o fim de um timestamp
Period(b,f), Period(d)
retorna um perodo tendo incio b e final f ou um

perodo de durao d
Day(), Month(), Year()
construtores de timestamps para descrever um dia, ms

ou ano
date(), time(), datetime()
construtores de timestamps para descrever uma data,

hora ou data e hora
years(n), months(n), days(n)
retorna um intervalo de tempo com a durao de n dias,

n meses ou n anos
Figura 9 Funes Temporais do T/OOGQL

A seguir, demonstraremos o uso da linguagem T/OOGQL em alguns exemplos
de consultas que envolvem tanto operadores temporais quanto espaciais:
1. Quais rodovias do Brasil foram recuperadas a partir de 1980 e agora permitem uma
velocidade >= 100km/h ?
select snapshot r
from railroad r, state s
where
s.name=Brasil and (r cross s or r in s) and

r.max_speed>=100 and
Begin( Year(1980) ) vt_precedes r.max_speed
2. Qual rio teve a maior taxa de poluio entre 1970 e 1985?

query_time:Period (Begin (Year(1970)), End(Year(1985)))
select
r.name
from
river r
where
exists rp in r.pollution:
rp.max_pollution(query_time) >=max (select
max_pollution (query_time) from river_pollution)
9
3. Quais as cidades em que a cobertura vegetal aumentou em pelo menos 5% durante

os ltimos 5 anos?
select c.name
from
city c
where
c.vegetation.coverage(Wood,c.geometry,now)
>= min(c.vegetation.coverage(Wood,c.geometry,
Period(now-years(5)),now)))+5
Nas consultas apresentadas acima, as clusulas select, from e where so

similares s de qualquer linguagem baseada em SQL. Os prefixos vt e tt so
abreviaes para tempo vlido e tempo de transao, respectivamente. As palavra
reservada Snapshot, presente na clusula select da primeira consulta, tem o mesmo
significado da Linguagem TSQL2 (uma extenso temporal para a linguagem SQL2), ou
seja, gera um resultado de consulta instntaneo, sem timestamps associados (Voigtmann
1996).
8.3
MODELOS
Modelos espaciais dinmicos descrevem a evoluo de padres espaciais de um

sistema ao longo do tempo. Segundo Lambin(1994) um modelo deve responder as
seguintes questes:
Quais variveis ambientais e culturais contribuem para explicar o fenmeno

e quais so os processos ecolgicos e scio-econmicos existentes por trs
do fenmeno?
Como o processo evolui?
Onde ocorrem os fenmenos?
Estas questes chaves podem ser identificadas como as clssicas Porque,

Quando e Onde. Um modelo que responde a estas questes capaz de descrever
quantitativamente um fenmeno e prever sua evoluo, integrando suas escalas
temporal e espacial.
10
8.3.1
Tipos de modelos
Um modelo constitudo de pelo menos trs elementos: variveis,

relacionamentos e processos. Ao se construir um modelo, dependendo do objetivo,
pode-se dar nfase a um ou outro destes elementos. Nesta viso, os modelos podem ser
classificados em empricos e de sistemas.
Modelos empricos focalizam os
relacionamentos entre as variveis do modelo, a partir da suposio de que os
relacionamentos observados no passado continuaro no futuro. Modelos de sistemas so
descries matemticas de processos complexos que interagem entre si, enfatizando as
interaes entre todos os componentes de um sistema (Lambin 1994).
Modelos
Empricos
Cadeias
Logsticos
Sistema
Regresso
Simulao
Dinmico
Figura 8.10 Tipos de modelos

8.3.1.1 Modelos Empricos
Os modelos empricos, em sua dimenso procedural, possuem trs componentes
chaves: uma configurao inicial, uma funo de mudana e uma configurao de sada.
A configurao inicial de um modelo dinmico pode ser obtida atravs de dados
histricos do fenmeno em estudo, chamados de sries temporais. Neste caso, equaes
diferenciais (totais ou parciais) que incluem pelo menos um termo derivado no tempo
podem ser utilizadas para representar o modelo e o processo classificado como
determinstico. Quando variveis aleatrias so utilizadas para explicar um sistema o
processo classificado como estocstico-probabilstico.
Modelos empricos so caracterizados pela simplicidade dos modelos
matemticos empregados e pelo nmero reduzido de variveis envolvidas. Este
modelos so eficientes em fazer predies, embora apresentem limitaes em abordar a
evoluo espacial e identificar os aspectos causais do sistema. A seguir, sero
apresentados trs modelos empricos: cadeias de markov, modelos logsticos de difuso
e modelos de regresso.
11
Cadeias de Markov
Cadeias de Markov so modelos matemticos para descrever processos

estocsticos e podem denotadas por:
(t+1)= Pn.(t)
onde (t) o estado do sistema no tempo t, (t+1) o estado do sistema aps o
intervalo t+1 e Pn so os estados passveis de acontecer, que so representados em
matrizes de possibilidades de transio. Essas matrizes de transio representam a
possibilidade de um determinado estado i permanecer o mesmo ou mudar para o estado
j durante o intervalo de tempo t->t+1. As probabilidades de transio so usualmente
derivadas de amostras relativas a um certo intervalo de tempo. Cadeias de Markov de
1a ordem assumem que o estado futuro do sistema depende apenas do seu estado
presente e das possibilidades de transio, sendo independente da trajetria que o levou
aquele estado (estados em um tempo t-1). Este modelo no ignora o passado, mas
assume que toda a informao do passado est concentrada no presente estado do
sistema. Desta forma, as interaes so instantneas, sendo irrelevante o tempo de
permanncia das variveis em cada estado (Soares Filho 1998).
Outra caracterstica das cadeias de Markov que as probabilidades de transio no
mudam com o tempo, o que o caracteriza como um processo estacionrio.
As principais vantagens das cadeias de Markov so a simplicidade operacional e
matemtica do modelo aliadas a facilidade com que podem ser aplicadas a dados
provenientes de sensoriamento remoto e implementadas em GIS. Outra grande
vantagem o fato de no necessitar de grande quantidade de dados antigos para prever
o futuro.
As principais limitaes das cadeias de markov incluem o fato do modelo no explicar o
fenmeno (Porque) e ser limitado na resposta espacial (Onde), entretanto o modelo pode
pode fazer predies (Quando) desde que os processos sejam estacionrios. Alm
disto, o modelo no suporta de imediato a incluso de variveis exgenas como
variveis scio-econmicas ou outras foras dirigidas, embora esta limitao possa ser
superada. Em (Lambin 1994) so apresentadas vrias abordagens para superar as
principais limitaes de cadeias de Markov em modelagem dinmica.
12
Modelos logsticos de Difuso

Modelos logsticos so utilizados para descrever matematicamente fenmenos
em que as variveis inicialmente apresentam variaes em um ritmo lento, depois o
ritmo de variaes se intensifica, voltando a reduzir-se at que o nvel de saturao seja
atingido. Este modelo leva em conta as interaes temporais entre as variveis do
sistema, podendo ser expresso por:
dP/dt = r P [ (U - P) / U]
onde P a varivel de um fenmeno de crescimento ao longo do tempo t, como
aumento da populao, por exemplo; r a taxa de crescimento e U uma funo de
crescimento (Lambin 1994). Dentre os modelos baseados em funes logsticas
destacam-se os modelos de difuso. Tais modelos enfatizam a velocidade do processo e
permitem a incluso de variveis relacionadas s causas do fenmeno.
Os principais elementos de um modelo espacial de difuso so (Soares Filho
1998):
meio ambiente (isotrpico ou heterogneo)
tempo (contnuo ou discretizado)
item a ser difundido (material, pessoas, informao, doena)
locais de origem
locais de destino
caminhos a serem percorridos
Estes elementos interagem entre si atravs de um mecanismo em que pode-se

identificar quatro estgios:
Estgio inicial neste estgio tem incio o processo de difuso.
Estgio de difuso tem incio o processo de espalhamento
Estgio de condensao diminui o ritmo do espalhamento.
Estgio de saturao ocorre a desacelerao ou encerramento do processo

de difuso.
O processo de espalhamento em modelos de difuso pode se dar por expanso

ou realocao. Nos modelos de difuso por expanso a informao ou material se
espalha de uma regio para outra, permanecendo na regio original. Nos modelos de
difuso por realocao os objetos se movem para novas regies, abandonando as rea
originais (Soares Filho 1998). Modelos de difuso no explicam as causas de um
fenmeno, embora possam integrar variveis ecolgicas e scio-econmicas. Sua maior
contribuio est na predio do comportamento futuro do fenmeno. Quanto
dimenso espacial, o modelo em si no a incorpora, mas ela pode ser introduzida atravs
da integrao deste modelo com um GIS (Lambin 1994).
13
Modelos de Regresso
O objetivo dos modelos de regresso estabelecer relaes estatsticas entre um
fenmeno em estudo e as variveis independentes, chamadas foras dirigidas, que
exercem influncia sobre ele. Sendo assim, o modelo suporta a incluso de variveis
exgenas como as scio-econmicas. Isto contribui para o entendimento do fenmeno
em estudo, mas insuficiente para explic-lo, pois a identificao de um relacionamento
estatstico entre duas variveis por si s no estabelece um relacionamento causal entre
elas. Por exemplo, pode-se identificar atravs de um modelo de regresso que o
crescimento populacional tem relao com o crescimento do desmatamento de uma
determinada regio, entretanto, o modelo de regresso no explica os mecanismos que
ligam estas variveis (Lambin 1994).
Matematicamente, o modelo estabelece um relacionamento linear
variveis dependentes e independentes atravs da expresso:
entre as
y= a0 + a1 x1 + a2x2 + ... + aixi + E

onde:
y = mudana ocorrida em um determinado tempo
xi = variveis independentes (foras dirigidas)
Ai = Coeficientes de regresso dos relacionamentos
E = Componente de erro
Em modelos de regresso a dimenso temporal considerada, mas a distribuio

espacial do fenmeno no abordada, limitao esta que pode ser superada se o modelo
for combinado com GIS. Outra limitao deste modelo que ele se aplica apenas a
processos estacionrios (Lambin 1994).
Um exemplo de modelo de regresso o implementado por Reis e Margulis
(1991) para modelar o desmatamento da Amaznia em funo da densidade espacial das
atividades econmicas da regio. Neste modelo, num primeiro estgio, reas
desmatadas so relacionadas com a densidade populacional, reas cultivadas, distncia
de centros urbanos e proximidade de rodovias, entre outras variveis. Num segundo
estgio, o modelo relaciona o crescimento de determinadas atividades (colonizao,
cultivo, pecuria) entre 1980 e 1985 com a densidade destas atividades em 1980,
obtendo assim o padro de crescimento espacial de cada atividade. Ento, partindo da
suposio de que este padro espacial de crescimento ir se manter no futuro, o modelo
faz projees sobre a tendncia de desmatamento para o perodo de 1985-2000 (Lambin
1994).
14
8.3.2
Modelos de Sistemas
Modelos de sistemas procuram descrever o sistema como um todo, isto ,

tentam representar as interaes entre todos os seus componentes. Uma caracterstica
chave destes modelos a eficincia com que abordam a dimenso espacial,
implementando conceitos como as relaes de vizinhana e suportando o uso
combinado de mltiplas escalas. A seguir, descreveremos as caractersticas de gerais de
duas classes de modelos de sistema: os modelos de simulao de ecossistemas e os
modelos de simulao dinmica espacial.
Modelos de Simulao de Ecossistemas
Modelos de Ecossistemas so projetados para imitar o comportamento de um
sistema, enfatizando as interaes entre todos os seus componentes. Estes modelos so
baseados na composio de ecossistemas complexos em um nmero de equaes
diferenciais (Lambin 1994). A construo de um modelo de simulao requer que os
principais aspectos que afetam o fenmeno estejam bem integrados, que seus
relacionamentos funcionais estejam bem representados e que o modelo possa predizer
os impactos ecolgicos e econmicos das mudanas ao longo do tempo.
Estes modelos so adequados para representar processos no estacionrios, mas
apresentam limitaes quanto ao aspecto espacial, pois tratam o espao como uma
entidade homognea (Lambin 1994).
Modelos de Simulao Dinmica Espacial
Modelos de Simulao Dinmica Espacial baseiam-se em modelos de
ecossistemas com extenses para acomodar a heterogeneidade espacial e processos
humanos de tomada de deciso.
Uma abordagem para desenvolver modelos de simulao dinmica espacial
representar o espao como uma matriz de clulas e aplicar as equaes matemticas a
cada uma das clulas da matriz, simultaneamente.
Cada clula do modelo est
conectada com suas clulas vizinhas, de tal forma que possvel estabelecer um fluxo
entre clulas adjacentes. Isto simplifica sobremaneira o mecanismo de predies do
sistema porque por exemplo, se uma clula tem trs vizinhos com estado x, altamente
provvel que o estado desta clula venha a ser x tambm. Entretanto, este raciocnio
simplista pode ser aperfeioado em regras de transio. Outro aperfeioamento desse
modelo a possibilidade de incorporar processos de tomada de decises. Modelos que
incorporam este mecanismo so chamados modelos baseados em regras. As regras de
tomada de deciso so representadas atravs de abstraes muito semelhantes quelas
que ocorrem na mente humana.
Um exemplo de modelo com as funcionalidades mencionadas acima o DELTA
(Dynamic Ecological Land Tenure Analisys), um sistema desenvolvido para integrar
15
aspectos scio-econmicos da colonizao amaznica e aspectos ecolgicos do

desmatamento e da liberao de carbono no Estado de Rondnia.
O DELTA consiste em trs submodelos integrados que simulam,
respectivamente, a difuso da colonizao, mudana do uso do solo e liberao de
carbono. Os submodelos so examinados em diferentes escalas, o que caracteriza o
modelo como muit-escala. Alm disto, o modelo considerado a playing game tool,
pois no se restringe a fazer predies, mas sim a servir como instrumento para
responder what if questions (Lambin 1994).
Para finalizar, um resumo das caractersticas chaves de cada tipo de modelo,
segundo o potencial de cada um deles para responder as perguntas porque, quando e
onde apresentado a seguir:
Modelo
Porqu
Cadeias de
no pode explicar a razo pode

predizer
a
de um fenmeno por ser evoluo de processos
processo estocstico
e estacionrios
no suportar a incluso de
variveis exgenas
pode
predizer
distribuies
espaciais
de
elementos
do
modelo
se
for
combinado com GIS
Logstico de
Difuso
permite a incluso de
poucas
variveis
exgenas, entretanto um
modelo descritivo, no
suportando investigaes
exploratrias
suporta a dimenso
temporal,
podendo
predizer a evoluo
de processos no
estacionrios
pode
predizer
distribuies
espaciais
de
elementos
do
modelo
se
for
combinado com GIS
Regresso
contribui para identificar pode

predizer
a
foras
direcionadoras, evoluo de processos
entretanto so modelos estacionrios
descritivos, no sendo
capaz de estabelecer
relaes causais entre as
variveis
no so modelos
espaciais, entretanto
podem
ser
combinados
com
GIS
Markov
Simulao de modelo exploratrio que

descries
Ecossistemas requer
funcionais dos sistemas
ecolgicos
Simulao
Espacial
Dinmica
Quando
pode
formular
cenrios de mudanas
futuras no uso do
solo,
baseado nos
parmetros do modelo
requer modelos funcionais pode

predizer
espacialmente definidos
mudanas temporais
no uso do solo,
baseado
nos
parmetros do modelo
Onde
apresenta
dificuldades
representao
espacial
na
pode
predizer
evoluo de padres
espaciais
em
processos
determinsticos
16
8.3.3
Autmatos Celulares
Em 1982 John Conway apresentou o Jogo da Vida (The Game of Life),

demonstrando que regras muito simples quando aplicadas repetidamente sobre estados
aleatrios, produzem resultados semelhantes forma como certos sistemas evoluem no
mundo real. No Jogo da Vida o espao representado como uma grade de clulas,
algumas das quais esto vivas e outras mortas. Dado um estado inicial aleatrio, a cada
gerao, novas clulas nascem e algumas morrem. O que determina o estado de uma
clula sua vizinhana que, neste caso, definida por quatro clulas adjacentes. Uma
clula viva morre se tiver duas ou trs clulas vizinhas vivas. Por outro lado, uma
clula morta renasce, se tiver trs clulas vizinhas vivas. Este sistema deu grande
popularidade aos conceitos de
autmatos celulares, que foram inicialmente
apresentados por John Von Newmann (Roy, 1996) .
Nos ltimos anos, os conceitos de autmatos celulares tem sido utilizados para
modelar fenmenos fsicos e urbanos (Batty 1999, Burrough, 1998; Roy, 1996;
Engelen, 1995; Cmara, 1996). Nesta abordagem o espao representado por um
mosaico de clulas, geralmente de tamanhos e formatos idnticos (regular tesselations).
Algumas das formas mais simples utilizadas para representar clulas em autmatos
celulares so apresentadas na figura 8.12.
Figura 8.12 Representaes de clulas em autmatos celulares (fonte: Cmara,

1996)
Sobre cada clula de um autmato celular so aplicadas regras de transio.

Regras de transio determinam quando e porque o estado de uma clula se altera e
podem ser qualitativas ou quantitativas.
Para ilustrar como se d o mecanismo de aplicao das regras de transio,
apresentaremos um exemplo simples baseado em (Cmara 1996). Neste exemplo, uma
clula pode assumir dois estados (branco e preto) e sua vizinhana definida sobre duas
clulas adjacentes. As regras de transio especificam que o estado de uma clula num
instante t+1 igual ao dos seus vizinhos no instante t, se estes vizinhos tiverem os
estados iguais; caso contrrio, o estado da clula permanece o mesmo. Para entender o
exemplo necessrio identificar os componentes bsicos do autmato celular clssico,
que so:
17
espao euclidiano, dividido em um array de clulas
uma vizinhana de tamanho e formato definidos (Figura 13a)
um conjunto de estados discretos (Figura 13b)
um conjunto de regras de transio (Figura 13c)
um conjunto de intervalos de tempo, com atualizao simultnea das clulas

(Figura 13d)
a) vizinhana
c) regras de transio
d) exemplo
b) estados
instante t
instante t+1
Figura 8.13 Exemplo de autmato celular (Fonte: Cmara,1966)
A dinmica de aplicao das regras de transio em um autmato celular
semelhante a de um filtro espacial. Desta forma, todas as clulas so avaliadas e,
quando for o caso, modificadas para um novo estado. Na figura 13 d, a primeira clula
da segunda linha do autmato tem, no instante t, o estado branco e suas vizinhas
possuem estados diferentes (uma branca e outra preta). Neste caso o estado da clula
permanece o mesmo (1a regra de transio). Seguindo o mesmo mecanismo, a segunda
clula da segunda linha, tem no instante t o estado preto e suas vizinhas tem ambas o
estado branco, logo o estado desta clula sofre uma transio para branco (2a regra de
transio). O processo segue este mecanismo para as demais clulas at que todas
tenham sido avaliadas.
No exemplo acima, pode-se observar que as mudanas geradas por autmatos
celulares so estritamente locais, isto , baseadas nas vizinhanas de cada clula. Nesta
perspectiva, pode-se dizer que sua aplicao eficiente em processos em que a ordem
global emerge de aes locais e descentralizadas (Batty 2000).
18
8.4
MODELAGEM DINMICA DE PROCESSOS FSICOS
Na seo anterior foram apresentados os princpios bsicos relativos aos

principais componentes de um modelo espacial dinmico. Estes modelos so utilizados
para explicar a ocorrncia de um fenmeno, seu padro espacial e sua evoluo ao
longo do tempo, respondendo assim s questes chaves porque, onde e quando,
respectivamente. Dentre as diversas aplicaes da modelagem espao-temporal
podemos identificar dois grandes grupos de processos: os fsicos e os de planejamento
urbano. Estes grupos possuem variveis e comportamentos diferenciados que exigem
diferentes abordagens de implementao. Nesta seo focalizaremos alguns aspectos
computacionais presentes em modelagem dinmica de processos fsicos e
apresentaremos um exemplo de modelagem dinmica utilizando o aplicativo PCRaster.
8.4.1
Aspectos Computacionais
Fenmenos fsicos tais como o escoamento da gua da chuva e a difuso de

plantas, encontrados na hidrologia e ecologia, respectivamente, so exemplos de
fenmenos com alto ndice de variao do estado da superfcie ao longo do tempo. A
complexidade dos modelos dinmicos depende da dimenso em que tais modelos
operam, 2 ou 3D, e dos equacionamentos matemticos que utiliza . O mais simples dos
modelos dinmicos chamado modelo pontual sem memria. Neste modelo, o estado
de uma clula modificado apenas pela varivel fornecida como entrada para esta
clula em um determinado instante t (Figura 14a). As demais clulas, bem como o
estado desta clula em instantes anteriores no afetam o estado da clula naquele
momento. Sendo assim, o estado de uma clula num processo pontual sem memria
uma funo matemtica operando na varivel de entrada da clula no instante t (Figura
14b).
Si(t) = (Ij(t))
a)
b)
Figura 14 Clula cujo estado depende apenas da varivel de entrada (I) (fonte:
Burrough, 1998)
19
Processos pontuais com memria referem-se a processos em que o estado de uma

clula no instante t+1 retm informaes sobre seu estado no instante t. A memria da
clula determinada por uma funo g operando no estado inicial da clula (Figura
15b). Um exemplo clssico para ilustrar o caso de processos pontuais com memria o
caso da gua da chuva no solo. Quando o solo no consegue mais absorver gua deve
ocorrer algum transporte de material. Neste caso esta distribuio de material pode ser
feita verticalmente, isto , das clulas superiores para as inferiores (fluxo gravitacional
Darcys law) , como mostra a Figura 15a.
I
Si ( t+1 ) = g ( Si ( t ) )+ ( Ij )
b)
a)
S1
F
S2
Figura 15 Clula com adjacncia vertical (fonte: Burrough, 1998)

Outra forma possvel de transporte de material, considerando ainda o exemplo da gua
da chuva no solo, atravs da adjacncia lateral (processo de disperso), Figura 16a.
Neste caso existem mais variveis envolvidas, o estado de uma clula depende do seu
estado anterior, do fluxo de material e das entradas naquele intervalo de tempo (Figura
16b).
I1
a)
S1
I2
I3
S2
F1
F2
b)
Si(t+1)=g(Si(t)+ (Ii)) + Fin(t)
Figura 16 Clula com adjacncia horizontal (fonte: Burrough, 1998)

As clulas podem tambm ser conectadas por ligaes topolgicas (Figura 17). Estas
ligaes geralmente so baseadas em aspectos fsicos do transporte de material. No
caso da gua de chuva, uma boa orientao para modelar o fluxo de material de clula
para clula conhecer a topologia do terreno.
Para que o fluxo de material de clula para clula possa ser computado a partir da
topologia do terreno necessrio modelar esta topologia em uma forma
computacionalmente apropriada. As redes Local Drain Direction (LDD), Figura 18,
apresentam uma estrutura de dados computacional que viabiliza a interao entre as
clulas. Nesta estrutura, que corresponde a um array de clulas (cellarray), cada clula
20
possui um atributo que indica a direo de fluxo. Esta direo pode ser para um dos
seus oito vizinhos, considerando o espao 2D.
I1
I
I
F
S
F
S3
Figura 17 Clulas com adjacncia direcionada pela topologia (fonte: Burrough, 1998)
Para gerar a rede LDD existem vrios algoritmos dentre os quais o D8
(Deterministic algorithm) destaca-se pela sua simplicidade (Burrough and McDonnel
1998). Neste algoritmo, a direo do fluxo determinada pela direo mais inclinada
dentro de uma janela 3x3 de clulas. Numa rede LDD existem dois tipos de clulas
upstream e target. A clula target a clula para onde todo o fluxo direcionado. As
demais clulas so chamadas upstream.
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cu
Cg
Cu
Cu
Cu
Figura 18 Local Drain Direction (fonte: Burrough, 1998)

O material pode fluir por uma rede LDD a partir de diferentes funes, tais como:
fluxo acumulado - calcula o novo estado dos atributos de uma clula, somando o
valor original da clula mais a soma acumulada de todos as clulas upstream, cujo
fluxo passa por esta clula;
capacidade de transporte de uma clula - limita o fluxo de clula para clula a uma
atributo de capacidade de transporte fornecido em valores absolutos;
frao de transporte - limita o fluxo sobre a rede a um parmetro que controla a

proporo de material que pode fluir por cada clula.
21
valor limite modifica o acmulo de fluxo sobre a rede limitando o transporte de

valores superiores a um determinado limite mnimo por clula.
valor de disparo permite o fluxo de material apenas se um valor de disparo for

excedido.
8.4.2
PCRaster
Para demonstrar a aplicabilidade dos conceitos vistos nas sees anteriores,

apresentaremos um exemplo de fenmeno fsico que requer modelagem dinmica para
ser representado. Para modelar este fenmeno utilizaremos um aplicativo chamado
PCRaster.
PCRaster um toolkit para modelagem dinmica que opera no modo matricial
(Raster) e oferece um conjunto de ferramentas para anlise espacial e temporal, funes
para disperso espacial e transporte sobre redes topolgicas e um conjunto de metdos
geoestatsticos para interpolao e simulao espacial. No PCRaster os resultados
podem ser exibidos de forma dinmica em 2 ou 3D. Para ilustrar o uso do PCRaster
utilizaremos como exemplo um caso de escoamento de gua da chuva em uma Bacia.
Para modelar este processo necessrio fornecer como entradas para o sistema o
Modelo Numrico do Terreno (MNT) e as sries temporais com os dados de
precipitao pluviomtrica. A partir do MNT (Figura 20) gerada a rede LDD, que a
rede de drenagem por onde a gua excedente flui. A gua excedente toda a gua que
no foi infiltrada, por j ter excedido a capacidade de infiltrao da clula. Para
determinar o padro espacial do processo de infiltrao, um mapa de solos da rea em
estudo tem que ser fornecido. A partir destes dados, o programa executado e gera um
conjunto de mapas resultantes (Figura 19).
d) Mapa de solos
a) MNT
rain in two rain areas for 1993, time = 1: november; time =

12: october
3
model time
rain (mm/month) in rain area 1, id = 1
rain (mm/month) in rain area 2, id = 2
1
74
75
2
71
71
3
74
76
4
58
59
5
40
40
6
40
42
7
45
47
c) TSS
b) LDD
PROGRAMA PCRASTER
e)mapas resultantes
Figura 19 Esquema simplificado das entradas e sadas do PCRaster

22
As sries temporais so arquivos ascii, contendo dados armazenados de forma

tabular (Figura 21). Os dados fornecidos na sries temporais so utilizados para
calcular o novo estado das clulas. Uma das funes de fluxo de material, comentadas
na seo anterior, selecionada pelo usurio para calcular o fluxo de gua de clula
para clula.
Figura 20 - MNT da rea de estudo
rain in two rain areas

1: november; time = 12:
3
model time
rain (mm/month) in rain
rain (mm/month) in rain
1
74
75
2
71
71
3
74
76
4
58
59
5
40
40
6
40
42
7
45
47
8
62
64
9
80
78
10
80
85
11
75
79
12
67
69
for 1993, time =

october
area 1, id = 1
area 2, id = 2
Figura 21 Srie temporal dos ndices

pluviomtricos
Um programa PCRaster (arquivos .mod) organizado em cinco sees: binding,
areamap, timer, initial e dynamic. A seo binding onde so definidas as ligaes
entre as variveis do programa e os arquivos. Estas ligaes tem dupla direo, tanto
podem determinar que as variveis sero gravadas nos arquivos especificados (caso em
que executado um comando report na seo dynamic), quanto podem apenas indicar
que as variveis recebero valores provenientes dos arquivos especificados. Depois, na
seo areamap, deve ser definido o formato geral dos mapas do modelo. Todos os
mapas utilizados em um modelo devem ter o mesmo tamanho, localizao geogrfica e
resoluo. Na seo timer, o domnio de tempo do modelo definido atravs de uma
declarao que fornece os tempos inicial e final da execuo do modelo, bem como o
intervalo ou passo em que este tempo deve variar ao longo da execuo do modelo. A
seo initial utilizada para inicializar as variveis do programa. Esta seo
executada antes da primeira execuo da seo dynamic. A seo dynamic a parte
principal de um programa PCRaster. Descreve as mudanas temporais das variveis ou
mapas do modelo. A principal caracterstica desta seo ser iterativa, isto ,
repetida, do incio ao final, para todo o intervalo de tempo definido na seo timer.
A seguir apresentado um exemplo de programa PCRaster para calcular a precipitao
da bacia, de nosso exemplo.
23
# model for simulation of rainfall

# one timeslice represents one month
binding
RainTimeSeries=rain12.tss;#
#
Precip=rain;
#
#
RainAreas=rainarea.map;
#
timeseries with rainfall (mm) per month

for two rain areas
reported maps with precipitation,
rain is suffix of filenames
map with two rain areas
areamap
clone.map;
timer
1 12 1;
initial
# this section is empty
dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);
Figura 22 Programa PCRaster para calcular a precipitao
No programa acima, na seo binding as variveis dos programas foram

associadas
a
arquivos
do
Banco
de
dados.
A
declarao
RainTimeSeries=rain12.tss; especifica que ser utilizada a srie temporal
armazenada no arquivo rain12.tss (Figura 21). Depois, na declarao Precip=rain;
definido que o nome dos mapas de precipitao resultantes sero gravados em
arquivos nomeados por rain0000.xxx(onde xxx varia de 001 a 012, porque a
precipitao ser calculada para 12 meses, conforme definido na seo timer). Na
seo timer especificado 1 12 1, que significa que o programa deve executar a
seo dynamic 12 vezes, a varivel que controla estas repeties comea com o valor
1 e incrementada no passo 1. Na seo dynamic, a precipitao calculada atravs
da expresso report Precip = timeinputscalar (RainTimeSeries,
RainAreas); onde: Timeinputscalar uma funo que requer dois
parmetros: a srie temporal e o mapa sobre o qual deve ser calculada a precipitao.
Depois de calculada a preciptao , pode-se facilmente estender o programa
anterior para calcular a precipitao total em m3/s. Para isto, basta incluir na seo
dynamic a seguinte expresso:
report VolumePrecip=maptotal(Precip)*(cellarea()/2628);
onde 1/2628 o fator de converso da rea celular (Km2) e Precip(mm/month) para

m3/s.
24
Nesta instruo a operao maptotal calcula a soma dos valores das clulas em
Precip. Esta soma multiplicada pela rea de uma clula do mapa (cellArea()) e
dividida pelo fator de converso para m3/s.
Para calcular a precipitao efetiva, a evapo-transpirao deve ser includa no
modelo. Assumindo que as condies do solo no influenciam na taxa de evapotranspirao, pode-se calcular a evaporao para um ms (Evap, mm/ms) atravs da
expresso:
Evap=K * EvapRef
onde:
EvapRef uma referncia , um padro da superfcie do solo durante o ms em

questo. Existe um valor diferente para cada ms e para cada classe de uso do solo.
K um coeficiente constante no tempo para uma classe de uso do solo.

Depois, calcula-se a preciptao excedente, atravs da expresso:
PrecipSurplus = Precip Evap;
Se a precipitao excedente for positiva em um ms, ser adicionada ao solo.

Se a quantidade mxima de gua no solo for atingida, a parte restante do excedente no
ser mais adicionada no solo. Esta quantidade chamada gua excedente no solo e
ser escoada para o subsolo. Quando a precipitao excedente for negativa, a
quantidade de gua no solo ser subtrada, em valores absolutos, pela precipitao
excedente naquele ms.
Depois de calculada o balano de gua no solo, pode-se estender o modelo para
para modelar o escoamento de gua na rea em estudo. Isto feito com o mapa de
direo de drenagem local (local drain direction map ldd ).
Uma funo de transporte de material tem que ser selecionada. Neste exemplo
vamos utilizar a funo de fluxo acumulado, que no PCRaster implementada com o
nome de accuflux e tem a seguinte sintaxe:
Resultfluxmap = accuflux(lddmap, materialmap);
onde: lddmap a rede ldd (Figura 23),

materialmap um mapa do material
a ser transportado e Resultfluxmap o mapa resultante. Na Figura 8.24 apresentada a
seo dynamic do programa PCRaster que implementa o modelo descrito.
25
Figura 23 - LDD
dynamic
# precipitation
report Precip=timeinputscalar(RainTimeSeries,RainAreas);
# total volume precipitation over study area, in cubic metres per second
report VolumePrecip=maptotal(Precip)*(cellarea()/2628);
# reference evapotranspiration
EvapRef=timeinputscalar(EvapRefTimeSeries,1);
# evapotranspiration
report Evap=K*EvapRef;
# precipitation surplus
report PrecipSurplus=Precip-Evap;
# intermediate soilwater content: soilwater plus precipitation surplus
Soilwater=Soilwater+PrecipSurplus;
# soil water surplus (mm/month)
report SoilwaterSurplus=max(Soilwater-MaxSoilwater,0);
# soilwater content, no saturation
report Soilwater=min(Soilwater,MaxSoilwater);
# discharge in mm/month
DischargeMM=accuflux(Ldd,SoilwaterSurplus);
# discharge in metres3/second
report Discharge=DischargeMM*(cellarea()/2628);
Figura 24 Seo dynamic de programa PCRaster para escoamento da gua da

chuva
26
8.5
MODELAGEM DINMICA DE PROCESSOS URBANOS
Na modelagem dinmica de processos urbanos, os autmatos celulares so

usualmente utilizados para modelar o uso do solo. Tradicionalmente, autmatos
celulares so implementados segundo critrios estritamente locais, isto , a dinmica de
aplicao das regras de transio baseiam-se principalmente na vizinhana de uma
clula. Entretanto, em muitos casos de processos urbanos, a funo de transio deve
levar em conta diferentes fatores, incluindo: os efeitos da vizinhana, a qualidade do
solo (fator ambiental), as taxas demogrficas da regio (fator social), a demanda por
uma determinada atividade econmica e o comportamento dos agentes econmicos.
Nesta seo, para representar a modelagem dinmica de processos urbanos
sero apresentadas duas aplicaes diferentes. A primeira consiste numa aplicao
baseada nos princpios bsicos de autmatos celulares, proposta por (Roy and Snickars
1996). A segunda aplicao, chamada Modelo Multi-Escala Integrado (Engelen 1995),
apresenta uma estrutura sofisticada, capaz de integrar as variveis scio-econmicas e
ambientais de sistemas urbanos.
8.5.1
Citylife
Numa tentativa de estudar a aplicabilidade de autmatos celulares na dinmica

urbana, (Roy and Snickars 1996) implementou o Citylife, baseado no The Game of life.
No Citylife o espao representado como uma grade regular de clulas em que cada
clula representa uma unidade do espao ocupada por alguma atividade urbana tpica,
como por exemplo: rea verde, residencial e trabalho. A partir de um estado inicial e
um conjunto de regras de transio, o sistema cresce e evolui espacialmente.
Cada clula no sistema tem uma atratividade para cada tipo de atividade urbana
definida pela funo:
Ai(k) = b(k,l)*ai(l)
onde: b(k,l) um coeficiente que indica a probabilidade de uma clula do tipo
k se transformar em uma clula tipo l (Tabela 1).
ai (l) acessibilidade da clula i para clulas contendo uma atividade do tipo l.
Definida pela funo:
ai(k) = exp (- (k) * dij(k))*xj(k)/N(k)
j
onde: xj(k) = 1 se a clula j utilizada para a atividade k, 0 caso contrrio;

dij(k) = distncia da clula i para a clula j para uma atividade do tipo k
(k) = coeficiente de acessibilidade para uma atividade do tipo k
N(k) = nmero de clulas contendo uma atividade do tipo k, onde j
xj(k)=N(k)
27
Dado um estado inicial, o sistema aloca novas clulas para cada uma das
atividades disponveis. O nmero de clulas a ser alocado para cada atividade depende
do nmero de clulas do estado inicial. Assim, por exemplo se no estado inicial so
alocadas duas clulas para reas verdes, duas clulas para rea de trabalho e quatro
clulas para reas residenciais (Figura 25 a), ento a cada gerao o sistema alocar
mais duas clulas para reas verdes, mais duas clulas para reas de trabalho e quatro
clulas adicionais para rea residenciais. O critrio para seleo de uma clula a sua
atratividade para a atividade, ser selecionada a clula com maior atratividade (Ai(k)).
b
rea verde
rea residencial
rea de trabalho
c
Figura 25 Citylife a) estado inicial b)aps 10 geraes c) aps 20 geraes
(fonte: Roy and Snickars 1996).
O mecanismo de expanso do Citylife considerado evolucionrio (estado

futuro do sistema depende da trajetria seguida) e baseado na competio entre as
clulas (Roy and Snickars 1996).
Para o exemplo apresentado na Figura 25 adotou-se o seguintes coeficientes de
interao entre as atividades:
28
Verde ResidencialTrabalho
Verde
Residencial
Trabalho
Tabela 1 Coeficientes de probabilidade
Uma restrio do citylife considerar que uma vez que uma clula for ocupada
por uma atividade ela permanecer nesta atividade. Desta forma, este sistema adota um
modelo dinmico espacial de difuso por expanso e no de realocao.
29
8.5.2
Modelo Multi-Escala Integrado
Como j mencionado, fatores scio-econmicos so inerentes ao planejamento

urbano. Na literatura recente, verifica-se uma tendncia de propostas de extenses ao
modelo de autmato celular clssico, visando integrar fatores ambientais e scioeconmicos, para representar a dinmica espacial de fenmenos urbanos.
Entre estas propostas destaca-se a de Engelen (1995), que apresenta uma
estrutura de modelagem dinmica e de suporte a deciso capaz de operar em uma
variedade de escalas. Esta estrutura constituda de dois nveis denominados macro e
micro escalas. Na macro escala esto representadas as variveis ecolgicas e scioeconmicas que afetam o sistema como um todo. A micro escala representa a dimenso
espacial do modelo. Estas escalas interagem intensivamente entre si e com um Bando
de Dados Geogrfico, a partir do qual obtm os dados necessrios para as simulaes
(Figura 26).
A macro escala possui trs componentes representando os subsistemas natural,
econmico e social. Estes sub-modelos esto conectados atravs de uma rede de
influncia mtua e recproca. O subsistema natural representa condies ambientais
tais como temperatura, precipitao e poluio. O subsistema social inclui dados
demogrficos como nascimentos, morte e migrao. O subsistema econmico
fortemente determinado pelas mudanas ocorridas no subsistema natural e pelas
demandas sociais. Neste sentido, ele pode gerar demandas como, por exemplo, a
necessidade por mais clulas residenciais quando a populao aumenta.
A micro escala consiste em um autmato celular sobre o qual so aplicadas
regras de transio para calcular as mudanas no uso do solo.
Para ilustrar o uso deste modelo, consideraremos dados de um estudo para
analisar os impactos de mudanas climticas em uma ilha do Caribe. Estes dados esto
disponveis na homepage do RIKS (Research Institute for Knowledge Systems
www.riks.nl ).
Neste exemplo, a macro escala inclui no subsistema natural apenas mudanas
climticas, no subsistema social inclui dados relativos a populao, nascimentos e
mortes e no subsistema econmico as demandas geradas a partir da interao deste
subsistema com os demais (Figura 27).
30
Figura 26 Integrao entre o Modelo Multi-Escala e GIS fonte:(Engelen 1995) .
31
Figura 27 A macro escala (fonte: Engelen 1995)
As condies climticas (climate) do modelo so definidas a partir de variveis

ambientais tais como temperatura, precipitao e nvel do mar, e das relaes de
influncia existentes entre elas.
Figura 28 O Subsistema Natural
A Figura 28 mostra que variaes na temperatura e no nvel do mar afetam as

demais variveis. Estas relaes de influncia so tambm expressas de forma explcita,
atravs de grficos e tabelas e podem ser manipulados pelo usurio de forma
independente e interativa. Esta funcionalidade caracteriza este modelo como um
32
modelo exploratrio, pois permite que o usurio avalie um fenmeno a partir de

diferentes cenrios (what if questions).
Figura 29 Os componentes do clima
As variveis sociais, de forma anloga s naturais, podem ser manipuladas de

forma interativa e independente. Entretanto, as variveis econmicas so geradas a
partir do comportamento dos subsistemas natural e social. Para o clculo destas
variveis so utilizados coeficientes para medir o crescimento populacional e da oferta
de empregos, por exemplo, e determinar o espao necessrio (demanda do solo) para
acomodar as atividades
econmicas (turismo, indstrias) afetadas por estes
coeficientes.
Figura 30 Subsistemas Social e Econmico

33
Na micro escala, cada estado de clula representa uma categoria de uso do solo
(Figura 31). Os estados so divididos em duas categorias: funes e feies. Funes
so usos do solo ativos, tais como residencial, floresta, comercial. Em princpio, uma
clula funo pode mudar para qualquer um dos estados possveis. Feies so usos do
solo fixos, tais como rios, parques e aeroportos. Embora as feies no estejam sujeitas
s mudanas geradas pelas regras de transio do autmato celular, eventualmente elas
podem ser convertidas atravs de um processo especial ou uma interveno exgena.
Feies aparecem como argumentos das regras e podem afetar a transio de clulas
vizinhas. Assim, por exemplo, a existncia de um parque pode influenciar a transio
de clulas vizinhas em clulas residenciais (White and Engelen 1997).
Figura 31 A micro escala
A demanda do solo para as vrias atividades fornecida pela macro escala, de acordo
com um mecanismo baseado em trs classes de prioridades. As regras de prioridade um
so intervenes do usurio como, por exemplo, a incluso de um aeroporto. As regras
de prioridade dois so regidas pelo subsistema natural e geram certas transies
diretamente, sem interferncia do autmato celular. Por exemplo, se o nvel do mar
sobe, clulas com baixa elevao so convertidas em praias ou mangues (White and
Engelen 1997). As regras de prioridade trs se aplicam s clulas ativas (funes).
Para cada clula ativa calculado um vetor de potencialidades, em que cada
potencialidade representa o grau de atrao de uma clula para uma determinado estado
(z). O potencial (Pz) de uma clula depende de trs fatores:
a adequabilidade da clula para a atividade z (Sz)
efeito agregado das clulas na vizinhana (Nz)
uma pertubao estocstica (z )

34
Estes fatores se relacionam da seguinte forma:
P z = S z N z + z
O efeito agregado da vizinhana (Nz) leva em considerao principalmente a localizao
das clulas. A vizinhana de uma clula uma regio circular com um nmero varivel
de clulas, organizadas em zonas de distncias. Assim, a frmula para calcular o efeito
agregado de vizinhana consiste em:
Nz=
Ld,i Wz,y,d
onde:
Wz,y,d
Ld,i
parmetro de peso aplicado a clulas no estado y na distncia d
ndice das clulas na zona de distncia d

1 se a clula i na distncia d est no estado y; 0, caso contrrio.
A regra de transio estabelece que cada clula ativa convertida para o estado para o
qual seu potencial maior, mas at que a demanda por clulas deste estado seja
atendida. Depois deste ponto, nenhuma outra clula convertida para este estado. Os
potenciais para tal estado so ignorados nas converses subsequentes.
Os resultados das simulaes so apresentados de forma dinmica na tela do
computador, isto , o usurio acompanha todas as transies. Na Figura 32, so
apresentados os resultados de uma simulao para 40 anos em que se trabalhou com
dois cenrios. No primeiro cenrio, Figura 32 a, assumiu-se que no haveria mudanas
climticas, ou seja, a temperatura e o nvel do mar se manteriam ao longo do tempo. No
segundo cenrio, Figura 32 b, considerou-se que a temperatura aumentaria em 2C e o
nvel do mar em +20cm. Em ambos os casos partiu-se da configurao inicial
apresentada na Figura 31 e considerou-se que a populao apresentaria um crescimento
de 2% ao ano e um nmero total de 11000 vagas de empregos, distribudas em
diferentes atividades.
35
Figura 32 Simulaes a) sem mudanas climticas b) com mudanas

climticas
Na Figura 32 b, simulada com o cenrio de mudanas climticas, pode-se observar uma

reduo da rea das praias e mangue, como conseqncia do aumento do nvel do mar.
8.6
CONSIDERAES FINAIS
Este capitulo teve por objetivo apresentar os principais conceitos e aspectos

computacionais envolvidos em sistemas de modelagem espacial dinmica. Na
dimenso conceitual, verificou-se que cada um dos elementos chaves de um modelo
dinmico, tais como espao, tempo e modelo matemtico permitem diferentes
representaes computacionais. A escolha de uma forma de representao para um
destes elementos afeta os demais, uma vez que as escalas de todos os elementos devem
ser integradas.
No contexto computacional, foi explorado a soluo baseada em autmatos celulares.
No estudo desta abordagem de implementao, verificou-se que processos fsicos e
urbanos possuem mecanismos distintos para aplicao de regras de transio. Enquanto
os processos fsicos podem ser descritos por modelos determinsticos, os processos
urbanos so caracterizados como processos estocsticos e so altamente influenciados
por variveis exgenas. Nos processos fsicos, pode-se considerar a topologia do
terreno, o que, apesar das crticas ao modo como as redes de drenagem LDD so
geradas (discretizao do fluxo em 45o, introduo de artefatos, (Burrough and
McDonnel 1998)), produz padres espaciais coerentes com os que acabam se
desenvolvendo naturalmente no mundo real. Quanto modelagem de processos
urbanos, sistemas como os desenvolvidos pelo RIKS (www.riks.nl) apresentam grande
flexibilidade para a incluso de variveis que aumentam a preciso das predies,
36
entretanto, so sistemas de estrutura complexa, de difcil entendimento e

implementao.
No existe uma soluo nica para modelar fenmenos espaciais dinmicos. A soluo
ideal para cada caso deve ser buscada tentando responder o porque, onde e quando de
cada fenmeno, atravs da integrao das escalas temporal e espacial articulada com o
modelo matemtico definido para descrever o fenmeno e prever sua evoluo.
Cadeias de Markov, modelos logsticos de Difuso e Regresso so eficientes em
modelar processos estacionrios mas so desprovidos de funcionalidades especficas
para a representao espacial.
Entretanto, estes modelos utilizam equaes
matemticas simples e requerem poucos dados, alm de serem compatveis com o
formato de dados oriundos de fontes de sensoriamento remoto e, como conseqncia,
facilmente implementados em GIS.
Modelos de Sistemas so classificados como modelos exploratrios, porque fornecem
condies para que vrias simulaes possam ser investigadas a partir de diferentes
cenrios. Entretanto, estes modelos requerem um profundo nvel de conhecimento do
fenmeno em estudo e acabam por se tornar sistemas altamente especializados, no
podendo ser aplicados a outras classes de fenmenos.
Diferentes modelos servem a diferentes propsitos, logo eles no so excludentes, mas
sim complementares. Nesta perspectiva, Lambin (1994) sugere que ao se construir um
modelo deve-se faz-lo de forma gradual, comeando por Cadeias de Markov, que so
os mais simples, e ir incorporando novos elementos (variveis exgenas) e funces
(determinsticas) ao projeto.
A dimenso espacial deve ser tambm introduzida de forma gradual, comeando com as
relaes espaciais mais elementares como as de vizinhana, refinando continuamente,
de forma a contemplar a noo de espao relativo e suporte a representaes em
mtiplas escalas.
Modelos espaciais dinmicos construdos com esta viso de projeto devem ser capazes
de representar de forma realista os fenmenos dinmicos encontrados na natureza,
superando as limitaes dos modelos atuais, baseados em concepes limitadas quanto
s representaes do espao, do tempo e dos processos.
37
Referncias Bibliogrficas
Batty, M. (1999). Modeling urban dynamics through GIS-based cellular automata.

Computers, Environment and Urban Systems 23: 205-233.
Batty, M. (2000). GeoComputation Using Cellular Automata. GeoComputation. S.
Openshaw and R. J. Abrahart, Taylor&Francis: 95-126.
Burrough, P. (1998). Dynamic Modelling And Geocomputation. Geocomputation: A
Primer. P. Longley, M. Batty and R. McDonnel. London, John Wiley & Sons.
Burrough, P. and R. McDonnel (1998). Principles of Geographical Information
Systems. Oxford, OUP.
Cmara, A. S. (1996). Spatial Simulation Modelling. Spatial Analytical Perspectives on
GIS. M. Fisher. London, Taylor & Francis: 213-218.
Couclelis, H. (1997). From Cellular Automata to Urban Models: New Principles for
Model Development and Implementation. Environment and Planning B: Planning and
Design 24: 165-174.
Couclelis, H. (1999). Space, Time, Geography. Geographical Information Systems. P.
Longley, M. Goodchild, D. Maguire and D. Rhind. New York, John Wiley: 29-38.
Edelweiss, N. and J. P. M. Oliveira (1994). Modelagem de Aspectos Temporais de
Sistemas de Informao. Recife, UFPE-DI.
Engelen, G. (1995). Using Cellular Automata for Integrated Modelling of Socioenvironmental Systems. Environmental Monitoring and Assessment 34: 203-214.
Lambin, E. F. (1994). Modeling Deforestation Processes - A Review, Trees series B:
Research Report . European Commission, Luxembourg.
Reis, E. J. and S. Margulis (1991). Options for Slowing Amazon Jungle Clearing.
Global warming: economic policy responses. R. Dornbusch and J. M. Poterba.
Cambridge, The MIT Press: 335-375.
Roy, G. G. and F. Snickars (1996). Citylife: A study of cellular automata in urban
dynamics. Spatial Analytical Perspectives on GIS. M. Fisher. London, Taylor &
Francis: 213-218.
Santos, M. (1996). A Natureza do Espao: Tcnica e Tempo, Razo e Emoo. So
Paulo, HUCITEC.
Soares Filho, B. S. (1998). Modelagem dinmica de paisagem de uma regio de
fronteira de colonizao amaznica. Escola Politcnica. So Paulo, Universidade de So
Paulo.
Voigtmann, A. B., L.; Hinrichs K.H. (1996). Temporal Extensions for an ObjectOriented Geo-Data_Model. Spatial Data Handling - 1996 (SDH'96).
38
White, R. and G. Engelen (1997). Cellular Automata as the Basis of Integrated

Dynamic Regional Modelling. Environment and Planning B: Planning and Design 24:
165-174.
Worboys, M. F. (1995). GIS - A Computing Perspective. Bristol, PA, Taylor & Francis
Inc.
39

Análise Espacaial Dados Geograficos INPE

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análise Espacaial Dados Geograficos INPE

Enviado por

Direitos autorais:

Formatos disponíveis

1

ANLISE ESPACIAL E GEOPROCESSAMENTO

a~J= ~= = = ~~= ~= ~~= ~=

a~J= ~~~= ~= = ~~= = = ~= ~~K= `=

b= = m~= m~= J= = = ~~= =

Figura 1-3 - Distribuio de perfis e amostras de solo em Santa Catarina (esquerda) e =

Figura 1-4- Mapa de Excluso/Incluso Social de So Paulo (1991) e agrupamentos de =

m= OaW= r=Oa= == ~= ~= EI=F= = ~~=

C (h) = E{Z (u ) Z (u + h)} E{Z (u )}E{Z (u + h)} =

1.5 O PROCESSO DA ANLISE ESPACIAL

~==I= u i , u j ==== ( h ) I== h =~=~===

Z (uo ) = f (C , (n )) K= b= ~= ~~= ~~= ~=

= ~= ~~~= ~~= ~= = ~~= = =

a~= Ej~= = p~= oF= = f= k~~=

Biblioteca para desenvolvimento de programas em geoestatstica,

Clayton Deutsch e Andr Journel

Software livre em <www.gslib.com>

Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D

Geoestatstica Linear (cap 3) e por Indicao (cap 4)

Ambiente para desenvolvimento de programas em geoestatstica,

Software livre em <www.gstat.org>

Anlise Exploratria: estatsticas descritivas, clculo de variograma (2D

Geoestatstica Linear (cap 3) e por Indicao (cap 4)

Programa para deteco de clusters (conglomerados) associados a

Software comercial em <www.terraseer.com>

Deteco de Conglomerados Espaciais: testes focados (Diggle, Bithell,

Anlise de Eventos (cap 2)

Software para anlise de eventos associados a criminalidade

Software livre em <www.icpsr.umich.edu/NACJD/crimestat.html>

Estatsticas descritivas: centro mdio, elipse dos desvios padres,

Anlise de Eventos (cap 2)

Software para anlise espacial de reas, com nfase em tcnicas de

Anlise ExploratriaW=estatsticas descritivas, ndice I de Moran (global

Anlise de reas (captulo 5)

Software de geoprocessamento de propsito geral, com funes de

Equipe da Diviso de Processamento de Imagens do INPE

Software livre em <www.dpi.inpe.br/spring>

Anlise de eventos (cap 2), geoestatstica Linear (cap 3) e por

Extenso do ArcGIS (software de geoprocessamento de propsito

Konstantin Krivoruchko e equipe da ESRI

Geoestatstica Linear (cap 3) e por Indicao (cap 4)

2 ANLISE ESPACIAL DE EVENTOS

Epidemiologia: residncia de casos de doenas

Sociologia: local de ocorrncia de ofensas criminais

Demografia: localizao de cidades

Biologia: localizao de espcies vegetais de interesse

A rea dos eventos no uma medida vlida apesar de em muitos casos

Os pontos em geral no esto associados a valores, mas apenas ocorrncia

Em alguns estudos os pontos podem estar associados a atributos de

Figura 2-1 - Distribuio espacial de mortalidade infantil neonatal e posneonatal

Nosso interesse primrio ao analisar padres de distribuio de pontos

Anlise Espacial de Dados Geogrficos

2.2 CARACTERIZAO DE DISTRIBUIES DE PONTOS

N (S ) denota o nmero de eventos em S. Sendo o objetivo da anlise estimar as

localizaes provveis de ocorrncia de determinados eventos, essas estatsticas

Propriedades de segunda ordem podem ser definidas da mesma forma,

e du j que contm os pontos u i e u j .

processo estacionrio, (u ) uma constante, ou (u ) = ; se

tambm isotrpico, u i , u j se reduz ( h ) , sendo h a distncia entre os dois

Anlise Espacial de Dados Geogrficos

na regio A, a modelagem da estrutura de dependncia ui , u j deve incorporar a

variao de (u ) . A maior parte das tcnicas de anlise de distribuio de pontos

Neste caso, consideramos Zi(ui) como o nmero de eventos que ocorrem na

caracterizar os efeitos de segunda ordem em distribuio de pontos, utilizando os

Z (uo ) = f (C , (n )) K= b= ~= = = ~=

= ~= ~= = ~= = ~~= = =