Escolar Documentos
Profissional Documentos
Cultura Documentos
Interpolação e Geoestatística
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
Outubro de 2018, Brasília
• 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
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
• Interpoladores abruptos
Geram uma superfície discreta
Temperatura
(ºC)
8
10
12
14
16
18
16
Interpolação
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
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
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
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
49
50
Vizinho Natural
51
Interpolação
Inverso da Distância
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
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:
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
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
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
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
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
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 instalamos
complementos e
Aqui executamos os códigos visualizamos gráficos
90
• File -> New file -> RScritp
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
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)”
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
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
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$krige_output["var1.pred"], chuva_krigagem, drivername = "GTiff")
file.rename(chuva_krigagem,"chuva_krigagem.tif")
Selecione as 3 linhas
• Run
• Krigagem Universal
- Usa um polinômio para detectar a tendência geral
- Faz a krigagem sobre o resíduo do polinômio
Valor do atributo
Coordenada X (ou Y)
115
Krigagem da temperatura em Western Cape, África do Sul
Ordinária
Universal
Khuluse, S., Dowdeswell, M., Debba, P., & Stein, A. (2010). Mapping the N-year design rainfall-a case study for the Western Cape. In South African
116
Statistical Journal, Proceedings of the 52nd Annual Conference of the South African Statistical Association for 2010 (SASA 2010): Congress 1 (pp. 91-
100). Sabinet Online.
Comparando as técnicas
Pontos Polígonos de Inverso da
Thiessen distância
117
GILMOND, M. 2016. Intro to GIS and Spatial Analysis. ES2014. Em: https://mgimond.github.io/Spatial/
autoKridge: krigagem automática
• Digite o código:
residuos <- readOGR(".", "chuva_residuos_quadratico")
proj4string(raster_base) <- proj4string(residuos)
krigagem_residuos = autoKrige(RESIDUAL~1, residuos, new_data =
raster_base)
plot(krigagem_residuos)
• Selecione as 4 linhas
• Run
118
119
Exportando o raster de krigagem para TIF
• Digite o código:
chuva_residuos <- tempfile()
writeGDAL(krigagem_residuos$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)
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
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 ...
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
X Precipitação média
Precipitação
Valor roubado por Maior prejuízo por área Melhor faturamento por
assalto assalto
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
173
Obrigado!
Vitor Vieira Vasconcelos
vitor.vasconcelos@ufabc.edu.br
174