Introdução à Análise de Dados Espaciais

Introdução à Análise de Dados Espaciais

Geospatial Data Analysis

GeoDa é uma ferramenta Livre e Open Source (FOSS) que serve como uma introdução à análise de dados espaciais. Ele é projetado para facilitar novas idéias a partir de análise de dados, explorando e modelando padrões espaciais.

GeoDa foi desenvolvido pelo Dr. Luc Anseln e sua equipe. O programa fornece uma interface amigável e gráfica para os métodos de análise de dados espaciais exploratórios (ESDA), como estatísticas de autocorrelação espacial e análise de regressão espacial básica para dados de treliça¹ (pontos e polígonos). ¹lattice data

A versão mais recente 1.10 contém vários novos recursos de agrupamentos local (local cluster), incluindo mapas de cluster de Gear locais univariados e multivariados e várias técnicas clássicas de cluster não-espacial (análise de componentes principais, k-means e cluster hierárquico) implementadas na biblioteca de clusters em C  de Hoon et al. (2013).

GeoDa 1.10 também continua a oferecer suporte a mais formatos de arquivos espaciais, suporte total de dados espaço-temporais em todas as exibições, camadas basemap para todos os mapas, gráficos de médias, matrizes de plotagem de dispersão, autocorrelação espacial não-paramétrica (correlograma) e categorização de dados flexíveis.

Geographically Weighted Modelling

GWR4.09 já está disponível e substitui todas as versões anteriores. Esta versão do GWR é uma nova versão de aplicativo do Windows da ferramenta para modelar relacionamentos variando espacialmente entre variáveis, calibrando Regressão Geograficamente Ponderada (GWR) e Modelos Lineares Generalizados Ponderados Geograficamente (GWGLM) com suas variantes semiparamétricas.

A Regressão Geograficamente Ponderada é uma técnica para análise exploratória de dados espaciais.

Na regressão “normal”, assumimos que o relacionamento que estamos modelando é válido em toda a área de estudo – ou seja, os parâmetros de regressão são estatísticas de “mapa completo”.

Em muitas situações, este não é necessariamente o caso, pois o mapeamento dos resíduos (a diferença entre os dados observados e previstos) pode revelar. Muitas soluções diferentes foram propostas para lidar com a variação espacial no relacionamento. O GWR fornece um meio elegante e fácil de modelar tais relações.

Referências

http://spatial.uchicago.edu/geoda

http://gwr.maynoothuniversity.ie

https://gwrtools.github.io

STATSREF: Statistical Analysis Handbook

Geospatial Analysis – A comprehensive guide

QGIS Attribute based clustering plugin

QGIS Attribute based clustering plugin

Comumente, falando sobre o agrupamento de objetos (cluster) em SIG, as pessoas implicam seu agrupamento por localização espacial (ver os plugins do QGIS ConcaveHull e SciPy Clustering).

No entanto, é igualmente interessante o agrupamento por atributos, quando a posição espacial do objeto não desempenha nenhuma função (somente se ela não é formalizada como um atributo), e significativas são algumas das suas características numéricas.

Como exemplo, vamos tomar o Município de São Paulo, com a contagem da Densidade Demográfica por Distrito usando a distribuição graduada por Quebras Naturais:

Podemos agora, agrupar os Distritos, baseados na Densidade Demográfica, separando em Classes (clusters/agrupamentos):

usando o método K-Means

E por fim, podemos separar as Classes pela Densidade Demográfica, mas ponderando pela quantidade de pessoas Não-Alfabetizadas

usando o método hierárquico ponderado

  • Esse é apenas um exemplo, sem preocupação com o uso rigoroso dos métodos!

Referências

http://www.ekazakov.info/projects/abc_tutorial.html