Mestrado em Tecnologias de Informação Geográfica

Ambiente, SIG e Modelação Espacial

2017/2018

Unidade 2: Modelação Espacial Preditiva em SIG

Luis Henrique Magalhaes e Silva

1. Introdução

O artigo tenta resolver um exercício proposto em sala de aula que é conseguir

identificar a presença de uma fenómeno em uma área de Portugal, isto é, detectar a
presença e ausência de vestígios arqueológicos usando variáveis explicadas e
explicativas.
Os modelos preditivos estão orientados em uma lógica dedutiva, com
determinados conjuntos de valores ou variáveis para os quais conhecemos a sua
distribuição e o que necessita identificar é como essas variáveis conseguem explicar a
distribuição de um determinado fenômeno e o padrão em termos espaciais. Com base
em uma amostra desse fenômeno.
Esses processos seguem em uma lógica de correlação estatísticas, multivariada,
para explicar a distribuição de uma determina variável. No caso das correlações
estatísticas estão estabelecidos entre essa análise do nível uni variada, variada ou
multivariada.
Portanto, no exercício vigente a componente espacial não tem relevância e sim
os valores que estão a serem relacionados. Porque aqui a distribuição espacial é o
objetivo fundamental da análise, é importante analisar a partir da distribuição do
fenômeno como vai se comportar sob determinada área para além daquela que se tem
informação. Essa análise baseia-se nesse princípio da modelação da relação que existe
das variáveis explicativas e explicadas.
Os resultados obtidos no trabalho serão probabilísticos e terão um certo grau de
erro associado. Para além desses aspectos, existe o conceito de colinearidade espacial.
Que tem haver com a lei de proximidade espacial. Onde dois fenômenos que estão perto
tem maior colinearidade em relação aqueles que estão mais afastados.
A seguir foi defino na sala de aula alguns passos. O primeiro deles foi determinar
quais seriam as variáveis explicadas e explicativas a partir de um conhecimento prévio
da área em questão como trabalhos de campos.
 01- Definição das variáveis explicativas e explicadas
Dois tipos de variáveis:
A explicada (Arte Rupestre) e a explicativa (distancia a rede de agua, insolação, relevo,
exposição, declive).
Variáveis explicativas adotadas:
Declive; exposição; insolação (usando intervalo de 10 dias a cada uma hora no ano de
2017), distância a rede de água e o modelo digital de elevação.

02- Construção das variáveis explicativas

2.1- Declive

2.2 - Exposição
2.3 - Distância a rede de água
Foi feito uma hierarquização das linhas de água de forma que quebra todas as conexões das
linhas formando arcos e nós.

Valores menores do que 2.

Valores maiores que 2.

2.4 - Insolação

2.5 - DEM
3.0 - Implementação do Modelo e Avaliação dos Resultados

Modelo GAM(1 a 5 )

Modelo Random Forest Model

Modelo Tree Model

Curva Rock para o modelo GAM_1

Curva Rock para o modelo GAM_2

Curva Rock para o modelo GAM_3

Curva Rock para o modelo GAM_4

Curva Rock para o modelo GAM_5

 Curva Rock para o Modelo Random Forest Model

Curva Rock para o Tree Model

Para tanto em termos de avalição dos resultados esperados o que se consegue prever
aos resultados finais dos modelos estudados é que mostrem áreas em que tem uma maior
probabilidade do fenômeno acontecer e áreas em que há menor chance de acontecer.

No exercício consideramos uma área de treino em que se incluiu os dois aspectos de

pontos com e ausência de fenômeno, pois são assim que os modelos estudados se baseiam para
fazer uma análise final. Assim com base nos elementos de treino foi executado um ajustamento
do modelo para se obter os resultados pretendidos.

Os resultados foram distribuídos em uma área em um determinado fenômeno com

diferentes probabilidades de ocorrência. Assim com base na localização conhecida dos vestígios
arqueológicos é possível produzir mapas para áreas aos quais não se tem informação em função
das características que tem influência no comportamento espacial.

Em relação aos resultados observa-se que existe uma clara discrepância entre os
modelos sendo que o melhor resultado foi o modelo GAM, pois obteve uma maior área abaixo
da curva rock. Em termos de validação do modelo ao aplica-lo existe uma chance de 63% do
resultado produzido de estar certo.

Para a avaliação é muito notório que os resultados obtidos pelo programa deram valores
abaixo da expectativa pelo tomador de decisão, as variáveis não responderam bem. Porém, o
mecanismo foi desenvolvido com certo grau de lógica.