2.5. ANÁLISE ESPACIAL
2.5.6. O Processo da Análise Espacial
A análise espacial é composta por um conjunto de métodos interligados com a finalidade de criar um modelo que considere o relacionamento espacial do fenômeno. Eles incluem a adoção de métodos genéricos de análise exploratória e visualização de dados. Visualizados em mapas, pode -se observar a distribuição da ocorrência estudada e buscar a existência de padrões na distribuição espacial, estabelecer hipóteses e selecionar o melhor modelo inferencial3a ser aplicado.
Os modelos inferenciais espaciais normalmente são apresentados em três grandes grupos, Câmara et al. (2004, p.14): variação contínua, variação discreta e os processos pontuais. Num processo de análise espacial podem estar envolvidos um, dois ou os três grupos.
A partir do exemplo utilizado por Câmara et al. (2004, p.14), pode-se perceber quais as diferenças e como estes grupos interagem num mesmo processo:
O exemplo utilizado é o caso de Leishmaniose visceral que é transmitida por mosquitos e atinge animais e também o homem. Alguns surtos epidêmicos surgiram em cidades brasileiras: Belo Horizonte, Araçatuba, Cuiabá, Teresina e Natal. O controle da doença está no combate ao inseto e na eliminação de cães da área de foco, definido em raio de 200 metros do caso humano ou canino. A doença é grave e apesar da aplicação das medidas de combate o problema ainda está sem controle. A aplicação da análise espacial neste caso pode auxiliar e muito:
- Determinar o raio de dispersão do mosquito em torno do seu habitat:
Na modelagem da ocorrência do vetor da Leishmaniose, dois modelos podem ser utilizados para estimar o raio de dispersão do mosquito e definir a área de borrifação ao redor de casos de doenças:
Variação contínua: objetivando gerar superfícies contínuas para determinar as áreas de maior risco a partir de uma amostra de locais de coleta de mosquitos (amostra de pontos descontínuos).
Processos pontuais: objetivando modelar a probabilidade de captura de mosquitos. Neste caso, a variável aleatória é o local onde o mosquito foi capturado e não a presença ou ausência de mosquito.
2Co-variância. s.f. Em estatística, média dos produtos dos termos homólogos de duas
variáveis centradas.
3 Inferência: s. f.1. Ato ou efeito de inferir.2. Dedução, conclusão. As técnicas geoestatísticas de
inferência, conhecidas por krigeagem, consideram os atributos ambientais como variáveis aleatórias o que possibilita a modelagem das incertezas associadas às inferências. Essas técnicas têm sid o utilizadas, com frequência, para espacialização de atributo ambientais amostrados pontualmente.
- Determinar qual é o ambiente preferencial de reprodução do mosquito em áreas urbanas:
Identificar numa região as áreas de concentração de algumas características ambientais que prop iciam o aparecimento do mosquito, já sabendo que eles se reproduzem no solo e em matéria orgânica em decomposição como pés de bananeira e folhas caídas. Assim poderiam ser utilizados os modelos de variação contínua para inferir superfícies com os valores d esses atributos.
- Determinar se há relação entre a prevalência canina e as condições socioeconômicas da população:
Sabe-se que o mosquito isoladamente não perpetua a epidemia, sabe-se também que a resistência dos cães à doença depende do estado nutricional e por conseqüência da situação socioeconômica de seus donos e por último da aceitação da eliminação do cão doente (também relacionada à renda). Aqui é necessário estudar em conjunto: a incidência da doença em cães, o perfil sócio -econômico da população e a prevalência de casos em humanos. Utilizando para este caso o modelo de variação discreta, pois é necessária a informação de indicadores socioeconômicos da região agrupados por área. O resultado é o estudo da relação entre os diferentes indicadores considerando sua estrutura espacial.
Existem vantagens e desvantagens da utilização deste ou daquele modelo, a escolha final deverá ser o modelo inferencial que melhor se ajuste aos dados e tenha o maior potencial de contribuir para a compreensão do caso estudado.
Algumas vezes o fenômeno analisado apresenta variação espacial discreta: pontos isolados no espaço, mas frequentemente os modelos discretos são utilizados por facilidade, como, por exemplo, a disponibilidade de dados exclusivamente por áreas. Já “uma das vantagens dos modelos contínuos é que a inferência não se limita a áreas arbitrariamente definidas”, como diz Câmara et al. (2004, p.16).
O Processo Pontual é definido como um conjunto de pontos irregularmente distribuídos em um terreno, cuja localização é o próprio objeto de estudo que tem por objetivo compreender seu mecanismo gerador. No caso de existência de uma determinada doença numa região, verifica-se se existe um padrão geográfico com maior probabilidade de ocorrências, e o produto final pode ser um mapa com a intensidade do evento.
Quando a análise é de superfícies, o tipo dos dados são amostras de campo e matrizes, como por exemplo, depósitos minerais. Apresenta-se, neste caso, uma variação contínua cujos valores podem ser conhecidos em todos os pontos da área estudada. A estimativa desse processo estocástico pode ser feita de forma
completamente não paramétrica ou a partir de estimadores de krigeagem4, estes modelos de estimação de superfícies são denominados de geostatística.
Para a análise de áreas (polígonos e atributos), por exemplo, dados censitários, não se dispõe da localização exata dos eventos, mas de um valor agregado por área, chamando este caso de variação discreta, cujo o objetivo é modelar o padrão de ocorrência espacial do fenômeno geográfico em estudo, segundo Câmara et al. (2004, p.18).
Os especialistas das mais diversas áreas, como geografia, geologia, saúde pública, etc., desenvolvem teorias sobre os fenômenos, utilizando as técnicas de visualização dos SIGs, que podem conter também hipóteses sobre o comportamento espacial dos dados. A partir disso, é necessário que o especialista ainda formule os modelos inferenciais quantitativos, que podem ser submetidos a testes de validação e de corroboração, através dos procedimentos de Análise Espacial, os resultados numéricos podem dar suporte ou rejeitar conceitos qualitativos iniciais, Câmara et al. (2004, p.19).
Para o sucesso de um projeto de SIG é necessário um planejamento inicial que envolva todas as etapas e não se pode esquecer da importância da atualização do sistema para haver continuidade. Deve-se considerar, principalmente, os benefícios que serão adquiridos ao longo do trabalho, tempo e recursos que serão investidos na fase inicial, bem como em todas as etapas até a análise espacial e assim, não só o diagnóstico de situações, mas suas causas e possíveis soluções. É muito importante também, o estudo multidisciplinar proporcionado pelo conhecimento de especialistas de várias áreas, para um resultado integrado, Machado (2009, p.7-10).
Quanto maior o conhecimento do problema, maior são as chances de resolvê- lo e muitas vezes é necessário combinar as diferentes abordagens de análise. Essas técnicas quantitativas de Análise Espacial devem favorecer o conhecimento dos especialistas e nunca ser usadas como um fim em si. Para uma Análise consistente
4 A krigeagem é um estimador de média ponderada local que utiliza o critério de minimização da
variância de estimação para definir os pesos associados a cada amostra considerada. Além disso, esse critério permite a criação de um mapa de incertezas de estimação associado ao mapa de atributos espacializados. Estas são as principais vantagens do interpolador de krigeagem em relação a outros interpoladores de média ponderada, cujos ponderadores são, em geral, definidos por paradigmas subjetivos. Porém as variâncias de krigeagem estão relacionadas a distribuição espacial das amostras e não informam sobre a variabilidade do atributo na região de interesse. A técnica de inferência conhecida como krigeagem por indicação, que é uma técnica de inferência estatística não linear, permite a estimativa dos valores, e também das incertezas associadas ao atributo, durante o processo de espacialização de uma propriedade amostra da. Essa técnica baseia-se na premissa de que a propriedade em estudo é considerada uma variável aleatória em cada posição não amostrada. As inferências dos valores e das incertezas são obtidos a partir da construção da função de distribuição acumulada, condicionada aos dados amostrados, de cada variável aleatória.
deve-se ter o domínio dos fundamentos teóricos de Geoprocessamento e Estatística Espacial, além de uma metodologia sólida de trabalho, englobando modelos matemáticos (software) com a interpretação subjetiva (especialista).
Entende-se, portanto, que para a Análise Espacial e o Geoprocessamento não existe uma aplicação universal nem um meio de automação de técnicas estabelecidas e sim usuários com uma postura ativa e crítica dos processos.