o olhar participante: contribuições do inpe ao mapa da exclusão/inclusão social de sp

8/17/2019 O Olhar Participante: Contribuições do INPE ao Mapa da Exclusão/Inclusão Social de SP

1/37

O Olhar Participante:O Olhar Participante:Contribuições do INPE ao MapaContribuições do INPE ao Mapa

da Exclusão/Inclusão Social de SPda Exclusão/Inclusão Social de SP

Antônio Miguel Monteiro

Eduardo CamargoFrederico Roman Ramos

Gilberto Câmara

Divisão de Processamento de

ImagensINPE

http://www.dpi.inpe.br/geopro


2/37

MotivaçãoMotivação

• Entender o Mapa de Exclusão/Inclusão• Contribuição do INPE

– Análise Espacial – Processamento de Imagens

– GIS e Internet


3/37

ConteúdoConteúdo

• Revisão do Mapa-1 – Visualização Cartográfica – A Questão da Discrepância

• Contribuição ao Mapa-2

– Regimes Espaciais e Regionalização – Transformação de Dados – Topografia Sócio-Econômica


4/37

InstitucionalInstitucional

• INPE - Divisão de Processamento de Imagens – Trabalha com GIS desde 1984 – Desenvolvimento de tecnologia: SITIM/SGI, SPRING – Pesquisa em metodologias inovadoras

• Equipe – 45 pessoas (10 doutores e 15 analistas senior) – Formação e capacitação de pessoal (12 teses de Mestrado e

Doutorado em GIS).


5/37

VisualizaçãoVisualização dede PadrõesPadrões dede Área Área

• Agrupamento de Atributos – intervalos iguais – quantis – estatístico

• Cuidados com apresentação – mapas coloridos podem levar a

várias interpretações sobre osmesmos dados.

– Informação espacial inferida e nãoexplícita.

Índice de Exclusão Social em São Paulo (cortes do Mapa-1)


6/37

Visualização com Intervalos Iguais Visualização com Intervalos Iguais

– Conceito: Mostrar adispersão nos dados.

– Definidos pelos valoresmáximo e mínimo.

– Fatias tem número variávelde elementos.

– “Outliers” podem mascarardiferenças.


7/37

VisualizaçãoVisualização por Quantispor Quantis

– Conceito: ordenação(e.g. 25% piores e 25%melhores)

– Cada agrupamentocontém número igual de

elementos

– e.g: Divisão de SP emseis classes


8/37

– Conceito: mostrardistribuição da variável

– dispersão em torno damédia

– quebras: 1 dp, 1/2 dp

VisualizaçãoVisualização por Desvios Padrãopor Desvios Padrão


9/37

Visualização de Padrões de ÁreaVisualização de Padrões de Área

•• MapasMapas coloridos podem escondercoloridos podem esconder diferenças !!diferenças !!


10/37

Visualização de Padrões de ÁreaVisualização de Padrões de Área


11/37


12/37

Espaço como Elemento de AnáliseEspaço como Elemento de Análise

• “Primeira Lei da Geografia” – “Todas as coisas se parecem, coisas mais próximas são mais

parecidas que aquelas mais distantes” (Tobler) – Como medir a semelhança entre objetos no espaço ?

• Conceitos – Correlação Espacial: Grau de similaridade entre vizinhos – Regimes Espaciais: regiões com comportamento semelhantes – Regressão Espacial: “explicação” de comportamento levando

em conta os locais


13/37

MatrizMatriz dede Proximidade EspacialProximidade Espacial

• Conteúdo – Matriz (n x n) W , cujos

elementos wij representauma medida de proximidadeentre Oi e O j

• Critérios:-wij =1, se Oi toca O j

wij = 1, se dist(Oi, O j) < h

wij = lij /li, onde lij é o tamanho da fronteira entre Oi e O j e li é o perímetro de Oi

AB

C

DE

A B C D E

A 0 1 0 1 0

B 1 0 1 1 1

C 0 1 0 0 1

D 1 1 0 0 1

E 0 1 1 1 0


14/37

Média Espacial MóvelMédia Espacial Móvel

Agrupamento estatístico Agrupamento estatístico Média Espacial MóvelMédia Espacial Móvel

• Valor médio do atributo na região de estudo (polígono e seusvizinhos).


15/37

Média Espacial MóvelMédia Espacial Móvel

Regiões onde existe disparidade entre o valorRegiões onde existe disparidade entre o valordo atributo e o valor da média local indicamdo atributo e o valor da média local indicampontos de transição entre regimes espaciais.pontos de transição entre regimes espaciais.

Atributo

Média local


16/37

Indices de Variabilidade EspacialIndices de Variabilidade Espacial

I é equivalente a tg α00

00 z z

WZ WZ

α

Reta de regressão de WZ em Z

Q3QQ33Q2QQ22

Q1QQ11Q4QQ44

• Diagrama de Espalhamento de Moran• Compara valores com médias locais• Índice de Moran - inclinação da reta


17/37


18/37

Diagrama de Espalhamento: VisãoDiagrama de Espalhamento: VisãoGeográficaGeográfica

00

00 z z

WZ WZ

α

Q3 = HLQQ3 =3 = HLHLQ2= LLQQ2=2= LLLL

Q1= HHQQ1=1= HHHHQ4 = LHQQ4 =4 = LHLH

São Paulo

Índice de Exclusão


19/37

IndicadoresIndicadores dede Variabilidade EspacialVariabilidade Espacial

• Índice de autocorrelação espacial – quanto o valor de um atributo numa região está relacionado

dos valores desta mesma variável nas localizações vizinhas.

• Indicadores locais – Comparação estatística do polígono com seus vizinhos. – Identificação de “Clusters”: objetos com valores de atributos

semelhantes.


20/37

Indicadores Locais deIndicadores Locais de VariabilidadeVariabilidadeEspacialEspacial

• distribuição dos valores de correlaçãolocal para o índice de exclusão

nãonão significantessignificantes..

p = 0.05 [p = 0.05 [95% (1,9695% (1,96σσ))]

p = 0.01 [p = 0.01 [99% (2,5499% (2,54σσ))

]p = 0.001 [p = 0.001 [99,9% (3,299,9% (3,2σσ))]

%% ExclusãoExclusão


21/37

Regimes EspaciaisRegimes Espaciais

• Regionalizações da área deestudo

• Diferentes tipos devariabilidade espacial

• Métricas: Diagrama deespalhamento e índiceslocais e globais

• ex: Regimes espaciais paraíndice de exclusão


22/37

Regimes Espaciais x Regiões AdmRegimes Espaciais x Regiões Adm


23/37

Impacto de Regimes EspaciaisImpacto de Regimes Espaciais

• Análise de Regressão – Idosos = f ( Domicílios Sem Esgoto)

• Regressão Linear – R 2 = 0,35

• Regressão Espacial – Regiões Adm (R 2 = 0,72) – Regimes Espaciais (R 2 = 0,83)

• Conclusão – Impacto Diferenciado de Políticas Públicas


24/37

Transformação de DadosTransformação de Dados

• Porque Transformar Dados ? – Variações medidas: distribuições não-gaussianas

• Transformação de Dados

– simetrizar a variável – aumentar a significância estatística dos resultados


25/37

MANIPULAÇÃO DE INDICADORESMANIPULAÇÃO DE INDICADORES

qi= (ni - p ti) [ti p(1 - p)] ½onde p = Σ ni Σ ti

Indicadores utilizados nas análises:

-número de domicílios alugados;-número de chefes de família com renda até 2 salários mínimos;-número de pessoas idosas.

onde:ni= # de casos na região i

ti= população total da região i

-100


26/37

AVALIAÇÃO COMPARATIVA DOS INDICADORES AVALIAÇÃO COMPARATIVA DOS INDICADORES

CLASSIFICAÇÃO DECRESCENTE DOS DISTRITOS COM RELAÇÃO AOSINDICADORES DE PESSOAS IDOSAS

POPULAÇÃO >70 PORCENTAGEM DE IDOSOS qi DE IDOSOS

V. MARIANA CONSOLAÇÃO JD. PAULISTAJD. PAULISTA JD. PAULISTA V. MARIANA

SAÚDE LAPA CONSOLAÇÃOSANTANA MOÓCA LAPAPERDIZES PINHEIROS PINHEIROSIPIRANGA BELÉM MOÓCAPENHA V. MARIANA STA. CECÍLIAJABAQUARA CAMBUCI SAÚDEITAIM BIBI BARRA FUNDA IPIRANGA

PINHEIROS STA. CECÍLIA PERDIZESSTA. CECÍLIA IPIRANGA TATUAPÉSACOMÃ TATUAPÉ BELÉM


27/37

Lmp_qi_aluguel

Histogram of LMP_Z_AL (NEW.STA 10v*96c)

96 * 1 * normal (x, 0.418074, 0.93681)

LMP_Z_AL

N o o f o b s

0

10

20

30

40

50

60

-3 -2 -1 0 1 2 3 4 5 6

Normal Probability Plot

Z_GI__AL

Value

E x p e c t e d N o r m a l V a l u

e

-3

-2

-1

0

1

2

3

-4 -3 -2 -1 0 1 2 3 4 5

VARiAÇÃO ESPACIAL DEVARiAÇÃO ESPACIAL DE ALUGUEIS ALUGUEIS

IBGE LMPSÉ 3.579176LAPA -1.555046SANATA CECÍLIA 3.128312REPÚBLICA 5.159141


28/37

Histogram of LMP_ZIDO (NEW.STA 14v*96c)

96 * 0.5 * normal (x, 0.659648, 0.749906)

LMP_ZIDO

N o o f o b s

0

5

10

15

20

25

30

35

40

-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

Normal Probability Plot

Z_NG_SRE

Value

E x p e c t e d N o r m a l V

a l u e

-3

-2

-1

0

1

2

3

-6 -4 -2 0 2 4 6

Lmp_qi_idoso

IBGE LOCAL MORAN

SANTA CECÍLIA 2.273214CONSOLAÇÃO 2.640032JD. PAULISTA 3.812878VILA MARIANA 3.018939

VARIAÇÃO ESPACIAL DEVARIAÇÃO ESPACIAL DE IDOSOSIDOSOS


29/37

Efeitos de TransformaçãoEfeitos de Transformação

• Variável: Domicílios sem água

• Estudo – Transformar dados com qi

– Comparar com índice de discrepância


30/37

IDi

Qi


31/37

Topografia SocialTopografia Social

• Modelos de Dados – Representação da

Realidade Geográfica

• Modelos – Discreto (mapa de

bairros)

– Contínuo (topografia)


32/37

Topografia Social: Coleta de DadosTopografia Social: Coleta de Dados

• Dados sócio-econômicos em GIS – coletados pontualmente – agregados por partição espacial

(e.g setor censitário)

• Agregamento de dados emregiões – Esconde variações internas – Pode criar limites artificiais


33/37

Topografia Social:Topografia Social:Modelagem de Dados GeográficosModelagem de Dados Geográficos

• Representação Vetorial – Polígonos + Tabelas – Regiões “homogêneas”

• Representação Matricial – grades regulares – cada célula, um lugar no espaço

Le

Li

AqLs


34/37

Topografia SocialTopografia Social

• Retepresentação Contínua dos Dados Socio-Econômicos – suporte: matrizes (células)

• Aproximar variação contínua dos atributos• Remove limites arbitrários das regiões

• Permite reterritorialização dos espaços urbanos


35/37

Topografia Social:PercepçõesTopografia Social:Percepçõesdo Espaçodo Espaço

Espaço como uma

subdivisão planar


36/37

Topografia Social:PercepçõesTopografia Social:Percepçõesdo Espaçodo Espaço

Espaço como uma

subdivisão planar

Espaço como umasuperfície contínua


37/37

ReferênciasReferências

• Bailey, T.; Gatrell, A. Interactive Spatial Data Analysis. Longman,1995.

• Câmara, G.; et al. Geoprocessamento: Teoria e Aplicações. INPE,1999 (http://www.dpi.inpe.br/gilberto/livro).

• Fisher, M.; Scholten, H. J.; Unwin, D. Spatial Analytical

Perspectives on GIS. London: Taylor & Francis, p 111-126.• Longley, P. A.; Brooks; S. M.; Mcdonnell, R.; Macmillian; B. (1998)

Geocomputation: a primer. Chichester, John Wiley.

o olhar participante: contribuições do inpe ao mapa da exclusão/inclusão social de sp

Documents