See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/308880681

Espacialização da temperatura média mensal para o estado de Roraima

utilizando técnicas de geoestatística

Conference Paper · October 2016

DOI: 10.29327/15284.1-6

CITATIONS READS

0 56

1 author:

Paulo Eduardo Barni

Universidade Estadual de Roraima
85 PUBLICATIONS   285 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

QUANTIFICAÇÃO DE ÁREAS QUEIMADAS EM PASTAGENS E ROÇAS DO PAD ANAUÁ NA ESTAÇÃO SECA DE 2014-2015 View project

IMPACTOS DAS MUDANÇAS CLIMÁTICAS GLOBAIS NO ESTADO DE RORAIMA – BRASIL View project

All content following this page was uploaded by Paulo Eduardo Barni on 04 October 2016.

The user has requested enhancement of the downloaded file.

 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
Ciência alimentando o Brasil

The text that follows is a REPRINT.

O texto que segue é um REPRINT.

Please cite as:

Favor citar como:

Barni, P.E. 2016. Espacialização da temperatura média mensal para o estado

de Roraima utilizando técnicas de geoestatística. XI Semana Nacional de
Ciência e Tecnologia no Estado de Roraima – SNCT-RR. Ciência
alimentando o Brasil. A SNCT 2016 ocorrerá no período de 17 a 21 de
outubro de 2016.

A publicação original estará disponível em:

https://snctroraima.wordpress.com/publicacoes-boletins-snct-roraima/

Rua Sete de Setembro, 231– Canarinho – 69.306-530 – Boa Vista/RR.

Email: resumosnctrr@gmail.com
 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
Ciência alimentando o Brasil
Espacialização da temperatura média mensal para o estado de Roraima utilizando técnicas de
geoestatística
1
BARNI *, Paulo Eduardo
1
Universidade Estadual de Roraima (UERR), Rodovia BR 174, Campus Rorainópolis, Roraima-Brasil
*paulinpa2007@gmail.com;

Palavras Chave: zoneamento agroecológico, variáveis bioecológicas, zoneamento econômico ecológico

INTRODUÇÃO
Variáveis físicas como a temperatura do ar e a precipitação são altamente representativas do clima na terra.
Essas variáveis, juntamente com os tipos de solo e o relevo (altitude), por exemplo, determinam os tipos de
vegetação que crescem ou não em determinadas regiões e podem influenciar na biomassa e carbono
estocado na floresta (e.g., BARNI et al. 2016). No caso da temperatura, esta variável esta intimamente
relacionada com a altitude (relação inversa) e pode variar espacialmente acompanhando o perfil altimétrico
em todas as direções e são uteis, juntamente com outras variáveis físicas e biofísicas, para compor
modelos ecológicos, por exemplo. Com o presente estudo objetivou-se fazer a espacialização da
temperatura média mensal e anual para o Estado de Roraima utilizando duas técnicas de geoestatística: 1.
Análise de Regressão Espacial Múltipla – AREM e Krigagem Ordinária – Krig Ord.
MATERIAL E MÉTODOS
Área de estudo
O Estado de Roraima (Figura 1) possui uma área de 224,3 × 103 km² e está situado no extremo norte da
Amazônia brasileira, fazendo divisa com a Venezuela, Guiana, Amazonas e o Estado do Pará. Dois estudos
recentes (BARNI et al. 2015 e 2016) indicam que Roraima pode ser dividida em duas grandes zonas
fitoclimáticas: uma zona com influencia da Savana, localizada no centro / nordeste do Estado (contornando
a grande área de savana) e formada por tipologias florestais de dossel aberto (ecótono e estacional),
próprias de regiões que apresentam maior déficit hídrico na estação seca e; outra zona longe da influencia
da savana e de menor déficit hídrico na estação seca, formada, predominantemente, por floresta Ombrófila
Densa (sul/sudeste) e Ombrófila Aberta (noroeste) e campina / campinarana florestada em solos
hidromórficos sazonalmente alagados acompanhando uma faixa de terra nas margens do baixo Rio Branco.
Banco de dados geográficos
o
Para este estudo foram utilizados dados de temperatura do ar ( C) do mapa raster (grade de células) de
2
temperatura média mensal do WorldClim (http://www.worldclim.org/) com resolução espacial de 1-km . Os
dados do Wordclim (escala global) não podem ser utilizados diretamente devido aos valores de temperatura
nos mapas estarem multiplicados por 10 (oC * 10). Nesse caso, para transformar os dados de temperatura
do mapa da escala mundial para local fazendo sua distribuição espacial em Roraima com os valores de
2
temperatura corretos foi preciso delimitar um polígono de 7,7º x 7,5º (~700.000 km : 1º ≈ 111 km), em
ambiente de Sistema de Informação Geográfica – SIG do Arc gis 10.2, envolvendo todo o Estado e mais
uma faixa mínima de aproximadamente 100 km em volta de Roraima (Figura 1). Essa área serviu como
“guia” para se criar uma grade regular de pontos amostrais contendo 30 linhas (direção sul / norte) e 28
colunas (direção leste / oeste) com intervalo de 0,25º (~28 km) entre os nós (intersecção entre as linhas
com as colunas) e somando 840 pontos / nós. Cada ponto da grade (formato shapefile) serviu para extrair
os valores dos pixels dos mapas de temperatura mensal e da média anual (12 + 1) do worldclim e dos
mapas de latitude, longitude e altitude. Isto foi possível a partir de operações (sample) entre a grade de
pontos e os mapas raster no ambiente de SIG. A transformação dos valores de temperatura coletados dos
mapas do worldclim foi realizada diretamente na tabela de atributos do layer (camada de informação)
o
aplicando-se a operação inversa da multiplicação ( C / 10) para cada valor de temperatura da grade de
pontos. Na sequencia a grade de pontos foi dividida em dois conjuntos de dados: 1. Conjunto de dados para
realizar a validação do mapeamento, contendo 98 pontos amostrais (~11,7%) separados aleatoriamente
pelo software, e; 2. Conjunto de dados para fazer a espacialização da temperatura na superfície do Estado
de Roraima (742 pontos: ~88,3%). O conjunto dois (2) foi usado para se extrair os parâmetros do ajuste de
curva (coeficientes ou betas ß) a partir do Método dos Mínimos Quadrados Ordinários – MMQO de acordo
com Barni et al. (2016). Os parâmetros calculados para cada variável preditora ou explicativa (Tabela 1)
foram utilizados para espacializar (1-km2) a temperatura média mensal e anual do ar (oC) por toda extensão
da superfície abrangida pela grade em operação de Análise de Regressão Espacial Múltipla - AREM
(Equação 1). Nesse caso, os valores de cada píxel (1-km2) dos mapas raster de cada variável independente
foi multiplicado pelos respectivos coeficientes extraídos pelo MMQO.
Y (Ti) = ß0 + ß1*LATITUDE + ß2*LONGITUDE + ß3*ALTITUDE (1)
Onde: Ti são os mapas de temperatura media mensal e anual (i=13) e; LATITUDE, LONGITUDE e
ALTITUDE, são os mapas das variáveis explicativas ou independentes utilizadas no modelo. A temperatura
média mensal e anual também foi espacializada em toda a superfície delimitada para a área de estudo pela
técnica da Krigagem Ordinária – Krig.Ord utilizando-se também o conjunto dois (2) de pontos amostrais. Os
parâmetros para o mapeamento foram calculados a partir da modelagem do semivariograma, sendo um
para cada mês e outro para a média anual (Figura 2). Os mapas obtidos pela Krig.Ord foram convertidos

Rua Sete de Setembro, 231– Canarinho – 69.306-530 – Boa Vista/RR.

Email: resumosnctrr@gmail.com
 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
2 Ciência alimentando o Brasil
em mapas raster também com 1-km de resolução espacial. Maiores detalhes sobre as duas técnicas
aplicadas neste estudo podem ser vistos em Barni et al. (2016) e na literatura especializada.

[FIGURA 1 AQUI]

TABELA 1 – Modelos (MMQO) para cálculo da temperatura média mensal e anual em Roraima. Apenas
duas observações (fevereiro e outubro) não apresentaram diferença significativa no parâmetro da latitude
(ß1). Esses valores foram derivados dos dados transformados do mapa do Worldclim. R2adj é o coeficiente
de determinação ajustado e indica a robustez dos modelos preditivos da temperature na área de estudo.
2
MÊS INTERCEPTO (ß0) LATITUDE (ß1) LONGITUDE (ß2) ALTITUDE (ß3) R adj
JAN 24.96637 -0.02773 -0.0398 -0.005927 0.9654
FEV 24.3593 -0.0094 NS -0.0503 -0.005853 0.9697
MAR 25.4462 0.07626 -0.03185 -0.005754 0.9587
ABR 28.978 0.11533 0.02716 -0.00574 0.9691
MAI 30.69322 0.10868 0.05939 -0.00563 0.9821
JUN 29.25105 0.02851 0.04061 -0.00543 0.9851
JUL 32.39535 -0.0661 0.08787 -0.00537 0.9814
AGO 34.19815 -0.0475 0.11189 -0.00544 0.9835
SET 38.9068 -0.0139 * 0.17881 -0.00569 0.9827
OUT 38.22523 0.00317 NS 0.16683 -0.00555 0.9763
NOV 33.77889 0.04589 0.09511 -0.00581 0.9661
DEZ 32.03786 -0.0287 0.07018 -0.00587 0.9633
MÉDIA 31.10294 0.01538 0.05965 -0.00567 0.9821
NS: Não Significativo; * Significativo a 95% de probabilidade (α=0,05). Sem simbologia: p<0,0000.

[FIGURA 2 AQUI]

Validação dos modelos

Avaliou-se o desempenho dos modelos por validação cruzada entre os valores mensais e da média anual
gerados tanto pela AREM como pela Krig.Ord com os valores de temperatura mensal e a média anual do
mapa do WorldClim do conjunto um (1) de pontos amostrais a partir de teste estatístico de analise de
variância para dados não normais (Kruskal-Wallis) e análise de regressão simples. Como um teste
independente testou-se os valores preditos pelas duas técnicas contra a temperatura média anual atribuída
para as 15 Sedes municipais de Roraima e obtidos no site CLIMATE-DATA.ORG (http://pt.climate-
data.org/region/169/). Nos dois casos testou-se a hipótese da nulidade, ou seja, que não haja diferença
significativa entre os valores observados (WorldClim e CLIMATE-DATA.ORG) e os valores preditos pelos
modelos nos mesmos locais indicados. As análises estatísticas foram executadas no software Bioestat
versão 5.3 (http://www.mamiraua.org.br/pt-br/downloads/programas/bioestat-versao-5.3/).
RESULTADOS E DISCUSSÃO
Os resultados indicam que não houve diferença significativa (Anova: kruskal-wallis) entre os valores
observados (WorldClim e CLIMATE-DATA.ORG) e os valores preditos pelos dois métodos de interpolação
geoestatística (Tabela 3). Nos dois casos a hipótese nula (H0) não foi rejeitada. No entanto, considerando o
2
desempenho dos dois modelos a partir do R ajustado (coeficiente de determinação) e o r (coeficiente de
correlação de Pearson) na análise de regressão simples, nota-se que a AREM foi ligeiramente superior a
Krig.Ord na espacialização da temperatura na superfície do estado de Roraima. Quanto ao teste
independente observando as temperaturas médias anuais nas Sedes municipais a modelagem feita a partir
da Krig.Ord foi ligeiramente superior à modelagem da AREM, explicando 78,2% da variação da temperatura
observada contra 74,6% da AREM. A temperatura média anual tem ampla variação no Estado sendo mais
baixa em Pacaraima (21,8º C e 487 m de altitude acima do nível do mar) e a mais alta em Bonfim (27,6º C e
82 m de altitude acima do nível do mar). Comparando os resultados diretamente nos mapas (Figura 3)
verificou-se que a modelagem da temperatura foi distinta entre os dois métodos de interpolação. Na
Krig.Ord as temperaturas mínimas e máximas variaram entre 17,2 e 28,3º C e na AREM a variação ficou
entre 13,5 e 27,9º C. Estas distinções, provavelmente, foram provocadas por mecanismos de cálculos
intrínsecos a cada modelo, uma vez que o banco de dados utilizado foi o mesmo para ambos. Por exemplo,
a Krig.Ord interpreta os dados a partir da grade original de pontos (~28 km) utilizando a média móvel de
cinco pontos vizinhos mais próximos para compor o valor da temperatura a ser predito. No caso da AREM a
predição é realizada aplicando-se os coeficientes (betas), obtidos da grade original de pontos, no nível de

3
25a Reunião Anual da Sociedade Brasileira de Química - SBQ
 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
Ciência alimentando o Brasil
pixel (1-km). Ou seja, cada valor é predito ou assinalado individualmente no mapa, píxel a píxel, resultando
em uma modelagem de escala mais refinada.
Tabela 3. Resultado da validação cruzada entre os valores observados (WorlClim e CLIMATE-DATA.ORG)
e os valores preditos pelos dois modelos de interpolação geoestatística.
KRIG.ORD AREM
2 2
Variável Anova R aj r Anova R aj r n
Jan Ns 0.035 0.213 Ns 0.949 0.975 98
Fev Ns 0.855 0.926 Ns 0.955 0.977 98
Mar Ns 0.834 0.912 Ns 0.935 0.967 98
Abr Ns 0.817 0.905 Ns 0.947 0.973 98
Mai Ns 0.824 0.909 Ns 0.965 0.983 98
Jun Ns 0.823 0.912 Ns 0.975 0.988 98
Jul Ns 0.857 0.927 Ns 0.972 0.986 98
Ago Ns 0.856 0.926 Ns 0.974 0.987 98
Set Ns 0.860 0.928 Ns 0.974 0.987 98
Out Ns 0.868 0.933 Ns 0.968 0.983 98
Nov Ns 0.869 0.933 Ns 0.946 0.973 98
Dez Ns 0.880 0.940 Ns 0.946 0.973 98
Med Ns 0.852 0.924 Ns 0.971 0.986 98
Sede Muni. Ns 0.782 0.893 Ns 0.746 0.874 15

[FIGURA 3 AQUI]

CONCLUSÕES
Os mapas modelados neste estudo podem servir para o zoneamento agrícola e contribuir com o
Zoneamento Econômico Ecológico do Estado. Os mapas podem ser utilizados também para modelar
variáveis biofísicas e compor modelos ecológicos sobre a superfície do Estado de Roraima. As duas
técnicas apresentaram bom desempenho e foram eficientes em modelar a temperatura do ar sobre a
superfície do Estado de Roraima. Uma vantagem observada em se utilizar a AREM em detrimento a
Krig.Ord, esta no fato de que é possível aplicar ou executar a AREM em “lote” (bath), ou seja, o resultado
(mapas) são obtidos todos de uma só vez. Por outro lado, na Krig.Ord deve-se modelar, um a um, os
semivariogramas para obtenção de cada mapa o que implica em maior morosidade.
AGRADECIMENTOS
Agradeço aos revisores anônimos e a Universidade Estadual de Roraima – UERR. BARBOSA, R.I. e CONDÉ, T.M.,
contribuíram com excelentes comentários ao manuscrito.
____________________
BARNI, P.E.; PEREIRA, V.B.; MANZI, A.O.; BARBOSA, R.I. Deforestation and forest fires in Roraima and their relationship with
phytoclimatic regions in the Northern Brazilian Amazon. Environmental. Management. 55, 1124–1138. 2015.
BARNI, P.E.; MANZI, A.O.; CONDÉ, T.M.; BARBOSA, R.I.; FEARNSIDE, P.M. Spatial distribution of forest biomass in Brazil’s state of
Roraima, northern Amazonia. Forest Ecology and Management. 377, 170–181. 2016.

4
25a Reunião Anual da Sociedade Brasileira de Química - SBQ
 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
Ciência alimentando o Brasil
FIGURAS

Figura 1. (A) Grade de pontos (PRETOS: 742 ou 88,3%) utilizada para extrair os valores de temperatura
média mensal e annual do ar (oC) dos mapas do worldclim (B), para o ajuste de curva com a extração dos
coeficientes betas (MMQO) para aplicação da AREM e a modelagem dos semivariogramas para a Krig.Ord.
Os pontos vermelhos (98 ou 11,7%) serviu para fazer a validação cruzada do mapeamento realizado tanto
pelo método da AREM quanto pela Krig.Ord. Pontos azuis representam as 15 Sedes municipais e que
também foram utilizados como teste independente para avaliar a precisão dos modelos de predição.

Figura 2. Curvas extraídas na modelagem do semivariograma (modelo exponencial). As curvas mostram

que os dados estão bem estruturados até uma distancia média de ~300 km entre os modelos. A partir
dessa distancia as curvas se estabilizam apresentando apenas variações aleatórias.

5
25a Reunião Anual da Sociedade Brasileira de Química - SBQ
 XI Semana Nacional de Ciência e Tecnologia no Estado de Roraima – SNCT-RR
Ciência alimentando o Brasil

Figura 3. Resultado do mapeamento pelos dois métodos de interpolação geoestatística.

6
25a Reunião
View publicationAnual
stats da Sociedade Brasileira de Química - SBQ