INTRODUÇÃO AO QGIS PARA ANÁLISE MULTICRITERIAL

Interpolação e Geoestatística
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
Outubro de 2018, Brasília

CS3406 - Informática Aplicada ao Planejamento Territorial 1 2016

novembro de
Aula 6
 Quem sou eu?
• Professor de Dinâmicas Ecossistêmicas Aplicadas ao
Planejamento Territorial - Universidade Federal do ABC
• Canal do YouTube:
• Informática Aplicada ao Planejamento Territorial
https://www.youtube.com/playlist?list=PLBvhnPO-uwWIkXCCh_bY6jGaQO6mjTP9f
• Cartografia e Geoprocessamento
https://www.youtube.com/playlist?list=PLBvhnPO-uwWI3XRQaC62j6vN37S-YzStf
• Métodos e Técnicas de Tratamento da Informação para o Planejamento
https://www.youtube.com/playlist?list=PLBvhnPO-uwWLL42TUaDLPV3TMr_ajtg7r
• Planejamento e Política Ambiental
https://www.youtube.com/playlist?list=PLBvhnPO-uwWJ6uDJWoM4_6I0tt_SZCpyR

• Slides de aula:
https://pt.slideshare.net/vitor_vasconcelos/presentations 2
 Contatos
 Nome: Vitor Vieira Vasconcelos
 Email: vitor.vasconcelos@ufabc.edu.br, vitor.v.v@gmail.com
 Telefones:
 31-99331-1593 (Tim – Whatsapp)
 11-96603-6153 (Claro)
 Skype: amfeadan / Vitor Vieira Vasconcelos (amfeadan@outlook.com)
 Facebook: https://www.facebook.com/vitor.vieiravasconcelos?fref=ts
 Linkedin: http://br.linkedin.com/pub/vitor-vieira-vasconcelos/29/338/574
 Currículo Lattes: http://lattes.cnpq.br/8151243279050980
 Academia: https://ufabc-br.academia.edu/VitorVasconcelos
 Research Gate: https://www.researchgate.net/profile/Vitor_Vasconcelos2
 Scribd: http://pt.scribd.com/amfeadan
 Google scholar: http://scholar.google.com.br/citations?user=k8Y-3xYAAAAJ&hl=pt-BR
3
 Bases de Dados
• Slides de aula
https://app.box.com/v/tcuqgis
ou
http://bit.do/tcuqgis
• Arquivos Iniciais
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
ou
http://bit.do/tcuinicial
• Arquivos intermediários
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
ou
http://bit.do/tcuintermediario
4
Google Trends - https://trends.google.com.br
Brasil – 2004 até 2018
Google Trends - https://trends.google.com.br
Mundo – 2004 até 2018
Google Trends - https://trends.google.com.br
Mundo – últimos 30 dias até 7/10/2018
 Objetivos
• Aprender a fazer análises de inferência
estatístico-espacial
• Aprender a manipular bases de dados de
pontos
• Realizar inferência estatística de pontos
para raster

8
 Conteúdo
• Interpolação
• Geoestatística

9
 Interpolação

Como estimar um parâmetro para o qual não

há informação espacial disponível?
10
 Interpolação
• Solução 1 – Usar o valor do ponto mais próximo

11
 Interpolação
• Solução 2 – Usar a média de todos os dados

12
 Interpolação
• Solução 3 – Usar a média ponderada pela distância

13
 Interpolação
• A interpolação transforma dados pontuais em campos contínuos
Temperatura média anual em Portugal

Temperatura
(ºC)
8
10
12
14
16
18

Estações metereológicas Raster Intepolado

14
 Interpolação
Interpolador Exato Interpolador Aproximado

Exato: o valor interpolado sempre coincide com o do ponto

Aproximado: os valores interpolados se aproximam aos dos pontos
15
 Interpolação
• Interpoladores graduais
 Geram uma superfície contínua Interpolador Interpolador
gradual abrupto

• Interpoladores abruptos
 Geram uma superfície discreta
Temperatura
(ºC)
8
10
12
14
16
18

16
 Interpolação

Locais: usa dados apenas de N vizinhos mais próximos

Globais: usa dados de todos os pontos
BÉLA, M. 2010. Spatial Analysis 4, Digital elevation modeling. University of West Hungary Faculty of Geoinformatics. Em: 17
http://www.tankonyvtar.hu/en/tartalom/tamop425/0027_SAN4/index.html
 Interpolação
• Triangulação: geram polígonos ou curvas de nível

• Reticulação: geram um arquivo raster

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 18
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados, Planaltina, 2004
 Interpolação
• Determinísticos: um valor único para cada pixel no espaço

• Geoestatísticos: utiliza dados de autocorrelação espacial

entre os pontos e gera dados quanto à
incerteza de predição (desvio padrão)
Interpolação Desvio Padrão
Estimação da (incerteza)
autocorrelação espacial

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 19
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados, Planaltina, 2004
 Interpolação
• Contínua

• Com barreiras

20
 Interpolação
Métodos discretos
Polígonos de Thiessen,
Polígonos de Voronoi,
Vizinho mais Próximo,
Alocação Euclideana

d/2
d/2

21
 Interpolação
Métodos discretos
Muito utilizados para estatísticas zonais
Exemplo: precipitação em uma bacia hidrográfica

22
 QGis - Interpolação de Dados
• Menu “Camada” -> Adicionar camada -> Vetorial

• Ou ícone:

23
• Abrir arquivo “estacoes_clima.gpkg”

24
• Estações climatológicas do WordClim
https://databasin.org/datasets/15a31dec689b4c958ee491ff30fcce75
• Dados de Elevação (SRTM), Pluviosidade (WordClim) e
Temperatura (WordClim) disponíveis no portal AMBDATA
do INPE: http://www.dpi.inpe.br/Ambdata/

25
26
27
28
29
• Processar -> Caixa de Ferramentas
• Geoalgoritmos QGIS -> Ferramentas de Geometria
Vetorial -> Polígonos de Voronoi

30
31
Região do Buffer

32
33
34
Polígonos de Voronoi

35
 Interpolação
Triangulação

LANDIM, P. M. B. (2000).
Introdução aos métodos de
estimação espacial para
confecção de mapas. Rio 36
Claro: UNESP.
 Interpolação
Triangulação

37
http://matplotlib.org/examples/pylab_examples/triinterp_demo.html
 Interpolação
Triangulação

• A interpolação se limita à área amostrada

• Os valores interpolados estarão sempre entre o

máximo e o mínimo dos valores amostrados

• Nem sempre produz resultados suaves

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 38
• Habilite o complemento de Interpolação

39
40
• Camadas vetoriais: estacoes_clima
• Atributo de interpolação: chuva
• Adicionar
• Arquivo de saída: escolha pasta e nome
• Definir pela extensão atual
• Clique no quadrado no canto superior direito da janela

41
42
TIN

43
 Interpolação

Polígonos de
Voronoi e
Triangulação de
Deulanay são
técnicas
complementares
na geometria

44
• Menu “Camada” -> Adicionar Camada -> Vetorial

• Abra o arquivo “chuva_tin.shp”

45
46
 Interpolação
Vizinho Natural
Média de N vizinhos mais próximos

47
 Interpolação
1º - Polígonos de Voronoi 2º - Com o novo ponto
Vizinhos naturais

3º - Cálculo ponderado

Ponto a interpolar

ALBRECHT, J. 2005. Geographic Information Science. Em: 48

http://www.geography.hunter.cuny.edu/~jochen/GTECH361/lectures/lecture10/
• Caixa de Ferramentas -> SAGA
-> Raster Creation Tools -> Natural Neighbour

49
50
Vizinho Natural

51
 Interpolação
Inverso da Distância

• Wij peso da amostra j no ponto i da grade

• k é o expoente da distância,
• dij é o valor de distância da amostra j ao ponto i da grade

Exemplo para K=2

CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial52
de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
 Inverso da Distância

Efeito do expoente:
- 0: resultado análogo a vizinhos naturais ou médias móveis
- Baixos (0-2): destacam anomalias locais
- 2: inverso do quadrado da distância, o mais usado
- Altos: (3-5): suavizam anomalias locais
- ≥ 10: estimativas poligonais (planas)
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 53
 Inverso da Distância

Concentração de ouro nos locais

Brusilovskiy, E. 2009. Spatial Interpolation: a brief introduction. Business Intelligence Solutions. 54

Em: http://www.bisolutions.us/A-Brief-Introduction-to-Spatial-Interpolation.php
 Inverso da Distância
Diferentes expoentes para a ponderação de inverso da distância

https://commons.wikimedia.org/wiki/File:Shepard_interpolation_2.png 55
 Teor de argila nos solos
da Fazenda Chanchim
Interpolação
Inverso do Quadrado
Polígonos de Voronoi Vizinho Natural da Distância

CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial56
de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
 Inverso da Distância
Características:

• Destaca anomalias locais

-> gera efeito mira (olho de búfalo)
o Deve-se justificar se o fenômeno modelado possui esse efeito
(exemplo: pontos de contaminação)
• Valores sempre entre o máximo e o mínimo das
amostras

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 57
 Inverso da Distância
• Raster-> Interpolação
• Método de Interpolação = Peso pelo inverso da distância (IDW)
• Coeficiente P = 2
• Definir pela extensão atual

58
Inverso da Distância

59
 Inverso da Distância
 Faça a interpolação de inverso da distância com os
pesos 1, 4 e 10
 Compare os resultados
K=2

K=1 K=4 K = 10

60
 Interpolação
Polinômios – Superfícies de tendência

1ª Ordem: Z = a + bX + cY
2ª Ordem: Z = a + bX + cY + dXY+ eX2+ fY2
3ª Ordem: Z= a + bX + cY + dXY+ eX2+ fY2+gXY2+hX2Y+iX3+jY3

Onde: 1ª ordem
Z é o valor estimado na célula
X e Y são as coordenadas geográficas
a…j são os coeficientes que melhor
se ajustam aos dados 2ª ordem

3ª ordem

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 61
DEMPSEY,C. 2013. Statistical surfaces in GIS. Em: https://www.gislounge.com/statistical-surfaces-in-gis/
 Interpolação
Polinômios – Superfícies de tendência

• Pode ser estimado para além da área amostrada

o Quanto mais longe da área amostrada, menor a confiabilidade

• Estima valores acima e abaixo do conjunto amostrado

• Valores não coincidem exatamente com os pontos

amostrados
o Pode-se gravar o resíduos nos pontos amostrados
 Os resíduos podem ser interpolados por outro método e somados à
superfície de tendência
LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 62
• Caixa de Ferramentas -> Polynomial Regression

63
Regressão Polinomial Z = a + bX + cY

• “Points” ->
“estacoes_clima”
• “Attribute” -> “chuva”
• “Polynom” ->
“Simple planar surface”
• “Output extent” ->
“Use camada/
extensão da tela”
• Cellsize = 1000
• Escolha um nome e pasta
para os arquivos de
resíduos e para o raster
(Grid) a ser gerado
(extensão .tif) e para os
resíduos (extensão .shp)

64
 Regressão Polinomial
• Clique com o botão direito sobre
a camada de pontos de resíduos,
e mande exibir a tabela de
atributos

65
Regressão Polinomial
Z = a + bX + cY + dXY+ eX2+ fY2

• “Points” ->
“estacoes_clima”
• “Attribute” -> “chuva”
• “Polynom” ->
“quadratic surface”
• “Output extent” ->
“Use camada/
extensão da tela”
• Cellsize = 1000
• Escolha um nome e pasta
para os arquivos de
resíduos e para o raster
(Grid) a ser Gerado
(extensão .tif) e para os
resíduos (extensão .shp)
66
67
• Clique com o botão direito sobre a última camada
quadrática e escolha “Renome”
• Renomeie a camada para “quadratico”

68
 Interpolação

Spline
Agrupa superfícies por
polinômios ajustados para
diversos grupos vizinhos de
pontos

http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/How_ 69
radial_basis_functions_work/00310000002p000000/
 Interpolação
Spline
Imagine uma capa de borracha (elástica) sendo colocada
sobre os pontos amostrados
• Pode-se ajustar um coeficiente de “elasticidade”
• Pode-se calibrar esse coeficiente por validação cruzada
 Regularized Spline and Radial Basis Function

DEMPSEY,C. 2013. Statistical surfaces in GIS. 70

Em: https://www.gislounge.com/statistical-surfaces-in-gis/
 Interpolação
Spline
• Interpolador exato
• Gera valores acima ou abaixo dos amostrados (topos e vales)
• Curvas suaves
o Não adequado para dados com variações bruscas

DEMPSEY,C. 2013. Statistical surfaces in GIS. 71

Em: https://www.gislounge.com/statistical-surfaces-in-gis/
 Spline
• Processar-> Caixa de Ferramentas-> Comandos GRASS GIS 7->
Vector-> v.surf.bspline

72
73
Spline

74
 Interpolação
Krigagem
Permite incorporar três fatores:
• Tendências gerais: polinômios
• Flutuações locais: autocorrelação espacial
• Ruído: mudanças aleatórias independentes do espaço
Autocorrelação espacial - Lei de Tobler

“No mundo, todas as coisas se parecem, mas coisas mais

próximas são mais parecidas que aquelas mais distantes”
(Waldo Tobler, 1970)

DEMPSEY,C. 2013. Statistical surfaces in GIS. Em: https://www.gislounge.com/statistical-surfaces-in-gis/ 75

TOBLER, W. R. (1970). A computer movie simulating urban growth in the Detroit region. Economic Geography, 46(2): 234-240.
 Variograma

C = Variância
C0 = Efeito Pepita
C+C0 = Patamar
A = Alcance
SANTOS, Carlos Eduardo dos y BIONDI, João Carlos. Utilização de elipsoide de anisotropia variográfica como indicador cinemático em maciços rochosos
fragmentados por falhas: o exemplo do depósito de asbestos crisotila cana brava (Minaçu, GO). Geol. USP, 2011, vol.11, n.3, pp. 65-77.
76
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados,
 Variograma
C = Variância
C0 = Efeito Pepita
C+C0 = Patamar
A = Alcance

SANTOS, C. E., BIONDI, J. C. Utilização de elipsoide de anisotropia variográfica como indicador cinemático em maciços rochosos fragmentados por falhas: o exemplo do
77
depósito de asbestos crisotila cana brava (Minaçu, GO). Geol. USP, 2011, vol.11, n.3, pp. 65-77.
CRUZ-CARDENAS, G. et al . Distribución espacial de la riqueza de especies de plantas vasculares en México. Rev. Mex. Biodiv., México , v. 84, n. 4, p. 1189-1199, 2013 .
 Variograma

C0 = Efeito Pepita
Variação ao acaso
Fatores não relacionados ao espaço
Erros de Amostragem
A = Alcance
Distância até onde ocorre autocorrelação espacial
CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial de dados geográficos. Embrapa Cerrados, 78
Planaltina, 2004.
Variograma

79
 Variograma
Ajustando um variograma

As classes de distância
(grade) podem ser
selecionadas por
otimização

http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Components_of_geostatistical_models/003100000034000000/ 80
 Variograma
Ajustando um variograma

https://www.e-education.psu.edu/geog486/node/1878 81
 Variograma
Nem todo variograma chega no patamar de estabilização

IDH no Estado de São Paulo

Variância
Distância
82
 Teor de argila nos solos
Interpolação da Fazenda Chanchim
Krigagem Variância da Krigagem

CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial83
de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
 Teor de argila nos solos
Interpolação da Fazenda Chanchim

Inverso do Quadrado
Vizinho mais próximo Vizinho natural da Distância

CAMARGO, E.C.G., FUCKS, S.D., CÂMARA, G. Análise espacial de superfícies. Em: Análise espacial84
de
dados geográficos. Embrapa Cerrados, Planaltina, 2004.
 Comparando técnicas
Vizinhos naturais Inverso da Distância

Spline Krigagem

ESRI. Surface creation and analysis. Em: 85

http://resources.esri.com/help/9.3/arcgisengine/java/gp_toolref/geoprocessing/surface_creation_and_analysis.htm
 Contaminação por Cádmio
Pontos de amostragem Triangulação linear Inverso do quadrado da distância

Polinômio de 1º Grau Polinômio de 2º Grau Krigagem Ordinária

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 86
 Krigagem
• Vantagens da Krigagem
• Incorpora a autocorrelação espacial
• Valores estatísticamente robustos
• Gera mapa de “incerteza” (variância ou desvio padrão)
• Pode orientar novas campanhas de coleta
• Diversas variantes (ordinária, universal, entre outras)
• Desvantagens:
• Método pode ser complexo para os leitores do mapa
• Quando não usar a krigagem
• Menos de 30 amostras -> difícil calibrar o variograma
• Efeito pepita muito grande -> pouca autocorrelação espacial

LANDIM, P. M. B. (2000). Introdução aos métodos de estimação espacial para confecção de mapas. Rio Claro: UNESP. 87
88
89
 • Abra o programa RStudio

Aqui escrevemos os códigos

Aqui importamos dados

Aqui instalamos
complementos e
Aqui executamos os códigos visualizamos gráficos

90
• File -> New file -> RScritp

Os códigos em R desta aula

encontram-se no arquivo:
krigagem_script.txt

91
• Grave o novo script,
escolhendo pasta e nome
(extensão .R)

92
• Menu Session -> Set Working Directory -> Choose Directory

93
• Escolha a pasta onde os arquivos da aula forma gravados

• Observe se foi escrito na janela “Console”:

setwd("C:/TCU")
94
95
Pacote “sp”: trabalhar com dados espaciais

96
• Verifique no console se a instalação foi realizada com
sucesso

97
 Pacote “rgdal”: importar shapefiles e rasters
• Na janela de script, digite:
install.packages(“rgdal”)
• Selecione o que escreveu, arrastando o mouse
• Clique em “Run” -> “Run Selected Line(s)”

• Verifique o andamento e o sucesso da instalação na

janela do console

98
 Função “library”: habilita os complementos
• Na janela de script, digite:
library(SP)
library(rgdal)
• Selecione as 2 linhas
• Run

99
 ogrInfo: informações sobre shapefile
• Digite o código:
ogrInfo(".",“estacoes_clima")
• O R é “case sensitive”, então é importante escrever as
letras minúsculas e maiúsculas no lugar certo.
O “I” de ogrInfo é maiúscula.
• Run

100
 readOGR: importar shapefile

• Digite o código:
chuva.rg <- readOGR(".", “estacoes_clima")
• O R é “case sensitive”, então é importante escrever as
letras minúsculas e maiúsculas no lugar certo
• Run

101
 plot: visualiza os dados
• Digite e execute o código:
plot(chuva.rg, pch=20)
• “pch” é a opção de escolher o símbolo, e “20” é o círculo

102
 readGDAL: importar raster
• Vamos usar o raster da interpolação de inverso da
distância como base (resolução e extensão) para gerar os
resultados da krigagem
• Digite o código:
raster_base <- readGDAL("chuva_inverso_distancia.tif")
plot(raster_base)
• Selecione as duas linhas
• Run

103
 proj4string: projeção

• Vamos igualar a projeção entre chuvar.rg (shapefile) e

chuva_inverso_distancia (raster)
• Digite o código:
proj4string(raster_base) <- proj4string(chuva.rg)
• Run

104
 Complemento gstat: krigagem
• Digite o código:
install.packages(“gstat”)
library(gstat)
• Selecione as 2 linhas
• Run

105
 variogram: analisar autocorrelação espacial
• Digite o código:
variograma <- variogram(chuva~1, chuva.rg)
plot(variograma)
• Selecione as 2 linhas
• Run

106
Pacote automap: modelagem automática de variograma
• Digite o código:
install.packages("automap")
library(automap)
• Selecione as 2 linhas
• Run

107
autofitVariogram: modelagem automática de variograma
• Digite o código:
variograma2 = autofitVariogram(chuva~1,chuva.rg)
plot(variograma2)
• Selecione as 2 linhas
• Run

108
109
 autoKridge: krigagem automática

• Digite o código:
krigagem_resultado = autoKrige(chuva~1, chuva.rg, new_data = raster_base)
plot(krigagem_resultado)
• Selecione as duas linhas
• Run

Demora em torno de 5 minutos...

110
Menos certeza

Mais certeza

111
 Imprimindo somente o raster
plot(krigagem_resultado$krige_output["var1.pred"])

112
 Imprimindo somente o desvio padrão
plot(krigagem_resultado$krige_output["var1.stdev"])

- Certeza

+ Certeza
113
 Exportando o raster de krigagem para TIF
• Digite o código:
chuva_krigagem <- tempfile()
writeGDAL(krigagem_resultado$krige_output["var1.pred"], chuva_krigagem, drivername = "GTiff")
file.rename(chuva_krigagem,"chuva_krigagem.tif")
Selecione as 3 linhas
• Run

Exportando o raster de desvio padrão para TIF

• Digite o código:
chuva_krigagem_erro <- tempfile()
writeGDAL(krigagem_resultado$krige_output["var1.stdev"], chuva_krigagem_erro,drivername = "GTiff")
file.rename(chuva_krigagem_erro,"chuva_krigagem_erro.tif")
• Selecione as 3 linhas
• Run
114
 Superfícies de
Interpolação Tendência

• Krigagem Universal
- Usa um polinômio para detectar a tendência geral
- Faz a krigagem sobre o resíduo do polinômio
Valor do atributo

Coordenada X (ou Y)
115
 Krigagem da temperatura em Western Cape, África do Sul

Ordinária

Universal

Khuluse, S., Dowdeswell, M., Debba, P., & Stein, A. (2010). Mapping the N-year design rainfall-a case study for the Western Cape. In South African
116
Statistical Journal, Proceedings of the 52nd Annual Conference of the South African Statistical Association for 2010 (SASA 2010): Congress 1 (pp. 91-
100). Sabinet Online.
 Comparando as técnicas
Pontos Polígonos de Inverso da
Thiessen distância

Polinômio Polinômio Krigagem

de 1º grau de 2º grau Universal

117
GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014. Em: https://mgimond.github.io/Spatial/
 autoKridge: krigagem automática

• Digite o código:
residuos <- readOGR(".", "chuva_residuos_quadratico")
proj4string(raster_base) <- proj4string(residuos)
krigagem_residuos = autoKrige(RESIDUAL~1, residuos, new_data =
raster_base)
plot(krigagem_residuos)
• Selecione as 4 linhas
• Run

Demora em torno de 5 minutos...

118
119
 Exportando o raster de krigagem para TIF

• Digite o código:
chuva_residuos <- tempfile()
writeGDAL(krigagem_residuos$krige_output["var1.pred"],chuva_residuos, drivername = "GTiff")
file.rename(chuva_residuos,"chuva_residuos.tif")
• Selecione as 3 linhas
• Run

120
121
• Grave a sua base de dados, escolhendo
pasta e nome (extensão .RData)

122
• Caminho alternativo

123
• No QGis, adicionar a camada “chuva_resíduos.tif”

124
125
126
127
 Comparação dos Resultados de
Interpolação
Vizinho Natural
Poligonos de Voronoi Inverso da Distância
(similar ao TIN)
(Peso 2)

Spline Krigagem Ordinária Krigagem Universal Quadrática

128
 Estudos comparativos
• Em geral, a comparação entre os métodos mostra a
seguinte ordem de eficácia:
1º - Krigagem
2º - Spline (com suposições mais simples que a krigagem)
3º - Estimadores locais
4º - Superfícies de Tendência

129
 Interpolação por Regressão
Shapefile de pontos Raster com outro dado
com o dados para de comportamento
interpolação espacial semelhante

Interpolação
Resíduos dos resíduos
Modelagem
de
Regressão
Soma
Predição
Inferência
pela
equação de
regressão 130
 Modelagem de Regressão
• Abra o programa Geoda

131
• Caso o Geoda já esteja aberto, vá no menu
File -> New

132
• Clique no ícone “Abrir”:
• Escolha o formato geopackage (*.gpkg)

133
• Selecione o arquivo “estacoes_clima”
• Na janela seguinte, selecione a camada “estacoes_clima”
• Ok

134
135
136
137
138
139
140
• Regressão simples
 Altitude sobre Temperatura -> R2 = 0.517
 Latitude sobre Temperatura -> R2 = 0.403
141
• Grave o projeto • Feche o projeto

142
 Interpolação por Regressão no QGIS
• Adicionar a camada raster
“altitude_minas_gerais_utm.tif”
• Altitude da missão SRTM, obtida no portal AMBDATA do
INPE: http://www.dpi.inpe.br/Ambdata/

143
 Objetivo: usar os dados do raster de elevação para
interpolar os dados de temperatura das estações (pontos)

144
• Caixa de Ferramentas -> SAGA -> Geostatistics
-> Multiple Regression Analysis (points and predictor grids)

145
146
147
148
149
150
GWR – Geographically Weighted Regression
Ajusta um modelo de regressão a cada ponto
observado, ponderando todas as demais
observações como função da distância a este
ponto
Ponto de
Regressão
Y(i) = β(i)X + ε
Pontos
de Dados
Y(i): variável que representa o processo no ponto i.
β(i): parâmetros estimados no ponto i.

151
Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)
GWR – Geographically Weighted Regression

152
153
O crescimento populacional não é o único
fator relacionado ao aumento do consumo
de recursos naturais

novos padrões de consumo

Existe uma relação entre consumo

de água e renda no país?
Como esta relação pode ser
caracterizada? 154
 Análise Exploratória
Consumo de Água per Capita (resposta) X Renda per capita (preditora)

Distribuição espacial de consumo residencial de água e renda da população em 2010.

Fonte: SNIS (2010) e IBGE (2010).
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e 155 Consumo
Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
Consumo de Água per Capita
Análise Exploratória
(m3/dia/ano)

Renda per Capita (R$) 156

 MODELO DE REGRESSÃO LINEAR
GLOBAL

Consumo de Água per Capita (resposta) X Renda per capita(preditora)

157
Mas será que esta relação,
entre consumo de água e
renda, ocorre da mesma
maneira em todo o país???

O ESPAÇO IMPORTA!!!

158
 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora)
GWR:

159
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil:
Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora)

Os menores coeficientes
estimados para a variável
RENDA foram observados
em municípios do Estado do
Rio Grande do Sul ...

....e os maiores em Alagoas.

Hipóteses???
160
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil:
Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
• Retornando ao Geoda...

161
162
• Retornando ao QGis...

163
 Não execute a
próxima função!
Pode demorar
para terminar de
rodar.

164
165
166
167
Coeficiente de
Determinação
R2

Resultado da
Regressão
Ponderada
Geográfica

168
 1 2 3
Método de
Abrupto
Interpolação Exato Aproximado Gradual Local Global
(discreto)
Polígonos de
X X X
Voronoi
Triangulação X X X
Vizinho
X X X
Natural
Inverso da
X X X
Distância
Superfícies
polinomiais X X X
de tendência
Spline X X X
Krigagem X X X X
Regressão X X X X
169
 Método de 4 5
Interpolação Triangulação Reticulação Determinístico Geoestatístico
Polígonos de
X X
Voronoi
Triangulação X X
Vizinho Natural X X
Inverso da
X X
Distância
Superfícies
polinomiais de X X
tendência
Spline X X
Krigagem X X
Regressão X X

170
 Usar mapa de Kernel ou Interpolação?
Base de pontos Mapa de Kernel Interpolação

Vazão extraída por Impacto no aquífero Melhor lugar para furar poços
poços

Densidade de casos por Porte dos hospitais

Atendimentos por região
hospital

X Precipitação média
Precipitação

Valor roubado por Maior prejuízo por área Melhor faturamento por
assalto assalto

Área queimada por Regiões mais danificadas Regiões onde incêndios se

incêndio espalham mais facilmente

171
 Pensando tudo junto
Efeitos de
1ª ordem Efeitos de
Características
que variam de 2ª ordem
lugar para lugar Características
devido a que variam de
mudanças em lugar para lugar
uma propriedade devido a
subjacente interações entre
os elementos

GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014. 172

Em: https://mgimond.github.io/Spatial/
Para se aprofundar mais no conteúdo

DRUCK, S.; CARVALHO, M. S.; CÂMARA, G.;

MONTEIRO, A.V.M (eds). Análise Espacial de Dados
Geográficos. Brasília: EMBRAPA, 2004. Disponível
em: http://www.dpi.inpe.br/gilberto/livro/analise/

173
 Obrigado!
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br

174