ANÁLISE DE PADRÕES ESPACIAIS: UM ESTUDO SOBRE OS CASOS DE

COVID-19 NO BRASIL

Ana Maria Lopes Bragança Silva1

1. Mestranda em Sistemas de Informação Geográfica – UNIGIS/Salzburg – Department for

Geoinformatics – Z_GIS – Hellbrunnerstraße 34 5020 Salzburg – Áustria e Mestranda em
Gestão e Regulação de Recursos Hídricos – ProfÁgua/UERJ – Centro de Tecnologia e Ciências
– Rua São Francisco Xavier, 524, 20550-013 – Rio de Janeiro/RJ – Brasil
(ana.lopesbraganca@gmail.com)

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.

Keywords: Cold Spots, Epidemiological Week, Hot Spots, Pandemic

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.

No momento em que este artigo está sendo escrito, em 20 de dezembro de 2020, há

mais de 77 milhões de casos acumulados de COVID-19 no mundo, com quase 1,7
milhão de mortos (JHU, 2020). Esse cenário caracteriza a grave emergência de saúde
pública que o mundo tem vivenciado no ano de 2020, e ainda não há uma previsão
concreta para a superação do problema, embora as primeiras doses das vacinas
desenvolvidas já comecem a ser aplicadas na população de alguns países.

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,

“(…) a circulação e a conectividade entre diferentes lugares têm

peso tão importante como a localização territorial no processo
de difusão espacial de fenômenos de todo o tipo, mostrando a
pertinência da teoria de Milton Santos, para o qual o espaço é
um conjunto indissociável de sistemas de ações e sistemas de
objetos.” (Sposito & Guimarães, 2020, para. 5)
A pandemia foi inicialmente sentida pelas classes mais abastadas, as quais trouxeram
o vírus a partir de viagens internacionais, principalmente à Europa. O Brasil, sendo um
país de economia periférica, observou o desenvolvimento da pandemia e as decisões
de governantes ao redor do mundo como um expectador que só iria sentir os efeitos
devastadores do vírus semanas depois das principais economias globais.

Muitas iniciativas de monitoramento da pandemia foram desenvolvidas desde o seu

princípio, apresentando a sua evolução em diferentes localidades e escalas, integrando
diversas bases de dados e provendo visualizações com base em ferramentas de
Sistemas de Informação Geográfica (SIG). A espacialização dos casos de COVID-19
responde de forma integrada tanto a pergunta espacial, onde estão as pessoas
infectadas, assim como permite acompanhar a sua disseminação temporal.

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).

Os 5.570 municípios brasileiros possuem realidades socioeconômicas e culturais

diferentes e a forma como a pandemia se desenvolve reflete a realidade de cada local.
A utilização de geotecnologias nesse cenário, além de gerar informação necessária
para entender o desenvolvimento da pandemia e seus impactos, também pode
subsidiar as decisões dos gestores públicos e das entidades da sociedade civil no
enfrentamento das consequências da doença (Cardoso et. al, 2020). Conforme
preconiza Franch-Pardo et. al (2020), uma das chaves para enfrentamento da
pandemia é a geração de informação.
Assim, o objetivo do presente trabalho é utilizar as bases de dados oficiais para
identificar padrões espaciais de casos da COVID-19 nos municípios brasileiros,
apontando possíveis hot spots e cold spots da doença, assim como os outliers, ou
mesmo municípios que não possuem resultados estatisticamente significantes para
essa análise. Para o presente estudo pretende-se utilizar tanto os dados da semana
epidemiológica mais recente de forma isolada quanto os dados de todas as semanas
epidemiológicas em conjunto, buscando no padrão de resposta obtido possíveis
indicativos do comportamento da pandemia.

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.

As informações utilizadas nos dados do Ministério da Saúde são o número de casos

de COVID-19 em cada município, assim como o tamanho da população (estimativa
para o TCU em 2019) apresentado na própria base de dados. Dessa forma, a razão
entre o número de casos semanais e o tamanho da população é utilizada em cada
município para a determinação dos padrões espaciais.

Primeiramente, é apresentada uma análise somente na semana epidemiológica 49, de

modo a verificar os locais em que a pandemia pode estar arrefecendo em relação ao
número de casos (cold spots) ou aquecendo (hot spots), assim como os outliers, que
são locais com valores significativamente diferentes de seus vizinhos. Em um segundo
momento, são verificados padrões espaciais ao longo do tempo, considerando o
número de casos por município desde a semana epidemiológica 13.

As análises realizadas utilizam as ferramentas do ArcGIS Pro para a verificação de

padrões espaciais. De modo a comparar os resultados obtidos com as informações de
casos acumulados nos municípios ao longo das semanas epidemiológicas, são
apresentados gráficos com a curva de contágio em alguns municípios com base nos
dados do Portal GEOCOVID-19 (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.

Verifica-se nos resultados uma maior concentração de municípios sem resultados

estatisticamente significativos nas Regiões Centro-Oeste e Norte do Brasil.

a) b)

Figura 2. Hot spot e outlier analysis da semana epidemiológica 49. Fonte: elaboração própria.

Análise de tendências no espaço-tempo

Em uma segunda análise, foram considerados os dados das semanas epidemiológicas
desde a semana 13 até a semana 49. Para melhor compreensão de como essas
informações estão evoluindo ao longo do tempo, de modo a fazer algumas previsões,
foi construído um cubo multidimensional de dados estruturados (netCFD) de espaço-
tempo agregando os dados da razão entre os casos semanais de COVID-19 pela
população de cada município ao longo das semanas analisadas.

Primeiramente, verifica-se a aplicação da ferramenta Emerging Hot Spot Analysis

(Figura 3) com a utilização do cubo multidimensional. A ferramenta apresenta oito
possibilidades tanto para hot spots quanto para cold spots. Como resultado, se
verificam 3.423 municípios com algum tipo de padrão, sendo 2.784 considerados hot
spots e 639 cold spots.

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).

O mesmo detalhamento realizado para os municípios mais populosos considerados hot

spots pode ser observado para os cold spots (Figura 5). Observa-se a presença de 20
Diminishing Cold Spots, que são locais que foram considerados cold spots em 90% do
intervalo observado, sendo verificado um decréscimo nos valores ao longo do tempo.
Todos esses municípios se encontram em Minas Gerais, sendo feito o destaque da
curva de casos para o município de Varginha.
Observa-se 47 Historical Cold Spots, em que o período mais recente não é frio, mas
pelo menos em 90% do tempo o local foi considerado um cold spot. Esses locais se
localizam majoritariamente no estado de Minas Gerais.

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.

Os locais que não possuem um padrão estatisticamente significativo em nenhum

momento do período somam 16 municípios. A maior parte desses municípios
encontram-se na Região Norte, embora o município mais populoso com essa
característica seja Vitória/ES.
Percebe-se uma predominância de locais que não possuem um padrão definido ao
longo do tempo (5.184 municípios), apresentando múltiplos padrões. Os maiores
centros urbanos brasileiros encontram-se nessa classificação, como São Paulo/SP,
Rio de Janeiro/RJ e Brasília/DF.

Clusters de valores altos somam 45 municípios (high-high clusters). Esse padrão é

percebido majoritariamente na Região Norte, em municípios como Porto Velho/RO,
Boa Vista/RR e Altamira/PA.

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.

Na análise de padrões ao longo do conjunto de semanas epidemiológicas é possível

analisar o comportamento dos casos registrados semana a semana nos municípios.
Percebe-se que os padrões variam de acordo a região do país. A Região Norte possui
um comportamento diferente do encontrado no Sul e Sudeste e no Nordeste. É
interessante verificar que no Centro-Oeste e no Norte não são encontrados muitos
locais com padrões de cold e hot spots, no entanto, é onde se localizam com maior
frequência os high-high clusters e os outliers. Já no interior de Minas Gerais e Bahia
são verificados low-low clusters.

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).

Os outliers identificados podem auxiliar na compreensão do que está sendo realizado

de forma diferente em municípios de uma mesma região e que possuem características
socioeconômicas similares.

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.

Os números, isoladamente, não apontam a capacidade de resposta do município no

enfretamento da pandemia, pois para esse exercício deve-se levar em consideração,
entre outros, a disponibilidade de assistência médico-hospitalar para lidar com os
doentes. Sabe-se que em muitos municípios, inclusive, a indisponibilidade de recursos
induz a população a se deslocar para municípios vizinhos.

A geração de informação é fundamental para a tomada de decisão pelos gestores

públicos e para o desenvolvimento de políticas para o enfrentamento dos impactos da
pandemia. Além disso, é uma forma de prestação de contas com a sociedade,
apresentando informações precisas, detalhadas e com transparência.

Por fim, sugere-se expandir as análises realizadas, agregando também o número de

óbitos pela COVID-19 com o objetivo de verificar os padrões espaciais desse dado,
assim como automatizar as ferramentas utilizadas para que os dados sejam sempre
os mais atualizados.

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

Instituto Brasileiro de Geografia e Estatística (IBGE). (2020). Malha municipal. Recuperado em

8 dezembro, 2020, de https://www.ibge.gov.br/geociencias/organizacao-do-territorio/15774-
malhas.html?=&t=downloads

Johns Hopkins University (JHU). (2020). COVID-19 Dashboard. Recuperado em 20 dezembro,

2020, de https://coronavirus.jhu.edu/map.html

Ministério da Saúde. (2020). Painel Coronavírus. Recuperado em 8 dezembro, 2020, de

https://covid.saude.gov.br/

Portal GEOCOVID-19 Brasil. (2020). Recuperado em 20 dezembro, 2020, de

http://covid.mapbiomas.org

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