Escolar Documentos
Profissional Documentos
Cultura Documentos
Análise de Padrões Espaciais Um Estudo Sobre Os Casos de Covid-19 No Brasil
Análise de Padrões Espaciais Um Estudo Sobre Os Casos de Covid-19 No Brasil
COVID-19 NO BRASIL
ABSTRACT
The pandemic caused by the new coronavirus (Sars-Cov-2) was declared in March 2020 by the
World Health Organization (WHO). Since then, several studies have been taken to generate
information on the development of the pandemic in time and space, often using Geographic
Information Systems (GIS) tools. The present study aims to verify, using these tools, the
development of COVID-19 cases in Brazilian municipalities. Will be presented the analysis of
spatial patterns that identify municipalities with the characteristic of cold and hot spots, outliers,
or that do not have a statistically significant pattern, using both the data from the last
epidemiological week (week 49) and the data set since the beginning of the pandemic. As a result,
there is a different spatial pattern by regions in Brazil, as well as municipalities that present
multiple types of patterns over time. However, municipalities with characteristics of hot spots
stand out, especially in the most recent period.
INTRODUÇÃO
O novo coronavírus (Sars-Cov-2), responsável pela doença COVID-19, foi inicialmente
detectado na China, após a identificação de inúmeros e incomuns casos de pneumonia
na cidade de Wuhan (Belforte et. al, 2020). A identificação de um novo coronavírus
ocorreu em janeiro de 2020, tendo sido declarada a pandemia, pela Organização
Mundial de Saúde (OMS), em 11 de março, a partir da detecção da doença COVID-19
em diferentes continentes.
O Brasil possui o segundo maior número de mortos por COVID-19 no mundo (mais de
186 mil) e o terceiro maior número de casos (mais de 7,2 milhões). O primeiro caso
confirmado da doença no país ocorreu em São Paulo, no final de fevereiro, o que se
justifica pela cidade ser o maior entroncamento aéreo da América Latina (Aguiar, 2020),
o que propicia um grande fluxo de pessoas, favorecendo a disseminação da doença
no espaço e no tempo. Como afirmam Sposito & Guimarães,
Não é claro que o Brasil tenha vivenciado uma primeira onda da doença, em que se
atinge um alto patamar de óbitos e de casos, seguido por um período de contração e
posterior recrudescimento, conforme observado na Europa e nos Estados Unidos, ou
se o país tem passado por uma única onda mais prolongada. De qualquer forma, o que
se observa no país foi um pico na curva de casos no final de julho e um platô no número
de óbitos entre início de junho e final de agosto (Figura 1), apontando, posteriormente,
para uma trajetória de queda. Em meados de novembro, entretanto, houve uma
inversão em ambas as curvas, apontando para um reaquecimento da pandemia.
Figura 1. Casos acumulados e óbitos de COVID-19 no Brasil até 21/12/2020. Fonte: adaptado
de Portal GEOCOVID-19 (2020).
METODOLOGIA
A presente análise tem como área de estudo os 5.570 municípios brasileiros. Os dados
oficiais do Ministério da Saúde (2020) sobre a COVID-19 (Painel Coronavírus) foram
espacializados para todos os municípios, utilizando a malha municipal do IBGE (2020)
e os códigos dos municípios presentes em ambas as bases de dados.
A primeira semana epidemiológica que possui registro é a semana 9, porém, os dados
passam a ser municipalizados em 27 de março, correspondente à semana
epidemiológica 13. Dessa forma, os dados utilizados vão desde essa data até a
semana epidemiológica 49, que termina em 05 de dezembro de 2020.
RESULTADOS
Análise da semana epidemiológica 49
As primeiras análises realizadas focaram nos dados da semana epidemiológica 49. A
função Optimized Hot Spot Analysis (Figura 2a) cria um mapa, utilizando a estatística
Getis-Ord Gi*, dos cold e hot spots estatisticamente significativos. A função determina
três intervalos de confiança, indicando o quanto esses padrões são confiáveis e
significativos. Entre 2.856 municípios estatisticamente significativos, os estados da
Região Sul possuem muitos locais considerados hot spots, assim como o Espírito
Santo, leste de Minas Gerais e interior da Bahia. Como cold spots, são observados
locais no interior de São Paulo, sul de Minas Gerais e em estados do Nordeste.
O resultado da ferramenta Optimized Outlier Analysis (Figura 2b) apresenta 3.175
municípios estatisticamente significativos, sendo os municípios em azul escuro e em
vermelho designados como outliers. Em azul escuro, verifica-se outliers com valores
baixos cercados por valores altos (low-high outlier). Em vermelho, ocorre o oposto,
outliers com valores altos cercados por valores baixos (high-low outlier). Os municípios
em rosa e azul claro representam clusters, sendo os primeiros os que representam
valores altos de casos de COVID-19 em comparação à população dos municípios e os
segundos, valores baixos de casos em comparação ao tamanho da população. Esses
clusters se aproximam dos cold e hot spots da primeira análise.
Entre os municípios em high-high cluster, num total de 807, pode-se citar Porto Alegre,
Joinville e Florianópolis. Percebe-se que boa parte do estado do Espírito Santo é
classificado em high-high cluster. Por outro lado, entre os municípios em low-low
cluster, 1.755 no total, encontra-se a cidade de São Paulo, Fortaleza, Recife, São Luís,
Natal e Maceió. Como high-low outlier, destacam-se as cidades de Santo André,
Aracaju, São José do Rio Preto e Santos, num total de 202 municípios. Curitiba é o
maior centro urbano na situação de low-high outlier, entre 411 municípios nessa
situação.
a) b)
Figura 2. Hot spot e outlier analysis da semana epidemiológica 49. Fonte: elaboração própria.
Figura 3. Emerging hot spot analysis das semanas epidemiológicas 13 a 49. Fonte: elaboração
própria.
Com base nos dados do Portal GEOCOVID-19 (Figura 4), verifica-se o comportamento
da curva de casos de COVID-19 para o município mais populoso entre os padrões
encontrados de hot spot. O período selecionado é o mesmo utilizado nas análises (até
05/12/2020). Com base nas referências da ferramenta utilizada (Esri, 2020), observa-
se que há 7 Consecutive Hot Spots, em que o local é considerado hot spot nas
semanas finais da análise, não tendo essa caraterística nas semanas iniciais. Desses
municípios, 4 são encontrados no Rio Grande do Sul, sendo 3 deles limítrofes, quais
sejam Sant’Ana do Livramento, Alegrete e Rosário do Sul.
Há 266 New Hot Spots, em que o local se tornou um hot spot estatisticamente
significativo na última semana, não tendo sido considerado um hot spot anteriormente.
Observa-se a presença desse tipo de padrão majoritariamente em Minas Gerais e na
Bahia, em sua maioria próximo a municípios que apresentam o padrão Oscillating Hot
Spot. Desse conjunto, destaca-se o município de Contagem como o município mais
populoso nessa situação.
Há 2.449 Oscillating Hot Spots, que são considerados hot spots no final do período,
mas que anteriormente já foram considerados cold spots estatisticamente
significativos. Esse é o padrão encontrado com maior frequência na análise, sendo
predominante em estados como o Rio de Janeiro, Santa Catarina, Paraná, Espírito
Santo e Rio Grande do Norte.
Por fim, há 62 Sporadic Hot Spot, em que o local varia entre ser e não ser um hot spot,
mas em nenhuma das semanas epidemiológicas foi considerado um cold spot. Esse
padrão é encontrado predominantemente na Região Norte, seguido pela Região
Centro-Oeste.
Figura 4. Gráficos de casos e óbitos acumulados para municípios classificados como hot spots
até 05/12/2020. Fonte: adaptado de Portal GEOCOVID-19 (2020).
Há 549 Oscillating Cold Spots, que, ao contrário dessa mesma classificação em hot
spot, apresenta uma característica de cold spot no final do período, tendo sido
considerado um hot spot estatisticamente significativo em um período anterior. Esse
tipo de padrão se localiza com maior frequência em estados da Região Nordeste, como
Sergipe, Alagoas, Pernambuco e Maranhão.
Por fim, há 23 Sporadic Cold Spots, que são locais que variam entre ser e não ser um
cold spot, nunca tendo sido considerados hot spots. Esses municípios estão em
pequenos clusters em Minas Gerais e em estados do Nordeste, como Maranhão,
Pernambuco, Alagoas e Bahia.
Figura 5. Gráficos de casos e óbitos acumulados para municípios classificados como cold spots
até 05/12/2020. Fonte: adaptado de Portal GEOCOVID-19 (2020).
Utilizando a ferramenta Local Outlier Analysis (Figura 6), similar a análise realizada
somente para a semana 49, é possível verificar quais áreas são estatisticamente
diferentes da sua vizinhança ao longo do período analisado.
Por outro lado, os clusters de valores baixos representam 315 municípios. Eles estão
localizados em Minas Gerais e interior do Nordeste, podendo-se citar Betim/MG, Sete
Lagoas/MG, Divinópolis/MG e Juazeiro/BA.
Os high-low outliers, municípios com valores altos cercados por municípios com valores
baixos, somam 6 e se concentram predominantemente na Região Norte. Já os low-
high outliers, que observam o padrão oposto, representam 4 municípios, localizados
na Região Norte e em Mato Grosso.
Figura 6. Local Outlier Analysis das semanas epidemiológicas 13 a 49. Fonte: elaboração
própria.
CONCLUSÕES
As análises realizadas auxiliam na compreensão da evolução da pandemia de acordo
com os padrões espaciais encontrados na relação entre o número de casos registrados
a cada semana epidemiológica em relação à população dos municípios.
Observando somente a semana 49, é possível verificar os locais de cold e hot spots,
indicando alerta em alguns municípios no Sul e no Sudeste, assim como no interior da
Bahia, devido a um aumento no número de casos de COVID-19.
Os locais de hot spot extraídos a partir de Emerging Hot Spot Analysis podem indicar
municípios que merecem atenção, da mesma forma que alguns casos de cold spot,
como o historical (que pode indicar uma mudança de tendência na curva de casos) e
o oscillating (que por mais que o local seja um cold spot no momento final, ele já teve
momentos em que foi um hot spot).
Embora não seja o tipo de visualização mais adequada para o presente artigo, as
análises podem ser visualizadas em 3D, em que é possível empilhar os “cubos”
relativos a cada semana, facilitando no entendimento da evolução de cada tipo de
padrão.
REFERÊNCIAS
Aguiar, S. (2020). COVID-19: A doença dos espaços de fluxos. GEOgraphia, 22(48), 51.
Belforte, L. C. M., Reis, R. D. S. P., Silva, G. P. da, & Cavalcante, M. M. D. A. (2020). Leitura
Geográfica no Contexto da COVID-19 em Rondônia ao Norte do Brasil. Revista Tamoios, 16(1),
145–153. https://doi.org/10.12957/tamoios.2020.50379
Cardoso, P. V., Seabra, V. D. S., Bastos, I. B., & Porto Costa, E. D. C. (2020). A importância da
análise espacial para tomada de decisão: Um olhar sobre a pandemia de COVID-19. Revista
Tamoios, 16(1), 125–137. https://doi.org/10.12957/tamoios.2020.50440
Esri (2020). How Emerging Hot Spot Analysis works. Recuperado em 20 dezembro, 2020, de
https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-
mining/learnmoreemerging.htm#GUID-09587AFC-F5EC-4AEB-BE8F-0E0A26AB9230
Franch-Pardo, I., Napoletano, B. M., Rosete-Verges, F., & Billa, L. (2020). Spatial analysis and
GIS in the study of COVID-19. A review. Science of the Total Environment, 739.
https://doi.org/10.1016/j.scitotenv.2020.140033
Sposito, M. E. B., & Guimarães, R. B. (2020). Por que a circulação de pessoas tem peso na
difusão da pandemia. Notícias UNESP. Recuperado em 8 dezembro, 2020, de
https://www2.unesp.br/portal#!/noticia/35626/por-que-a-circulacao-de-pessoas-tem-peso-na-
difusao-da-pandemia