relatÓrio final - dpi.inpe.br · a esquistossomose mansoni é uma doença endêmica em...
TRANSCRIPT
RELATÓRIO FINAL
DESENVOLVIMENTO DE UM SISTEMA DE INFORMAÇÕES PARA O ESTUDO, PLANEJAMENTO E
CONTROLE DA ESQUISTOSSOMOSE NO ESTADO DE MINAS GERAIS
PROCESSO N° 1775/2003
Coordenador
Omar dos Santos Carvalho
Centro de Pesquisas René Rachou/FIOCRUZ
Vice-coordenador:
Luciano V Dutra
INPE/DPI - Depto de Cartografia/UFMG (Pesquisador Visitante)
Pesquisadores Consultores
Ronaldo Santos do Amaral Gerente do Programa de Esquistossomose
Secretaria de Vigilância em Saúde/MS
Corina Costa Freitas Instituto Nacional de Pesquisas Espaciais/DPI
Ana Clara Mouãao Moura Universidade Federal de Minas Gerais/Dep. Cartografia
Sandra Costa Drummond Secretaria Estadual de Saúde do Estado de Minas Gerais/MG
Márcio Guerra Companhia de Processamento de Dados do Estado de Minas Gerais
Ronaldo Guilherme Carvalho ScholteBolsista de Desenvolvimento Tecnológico
Gustavo dos Reis MeloBolsista de Iniciação Científica
A esquistossomose mansoni é uma doença endêmica em aproximadamente 49
países das Américas e da África (WHO 1985). É causada pelo Schistosoma mansoni
(Sambon 1907) e apresenta formas agudas ou crônicas, com sintomatologia variada,
mas, com predominância intestinal. Por vezes, podem surgir formas graves, com
extensa fibrose hepática, hipertensão porta e esplenomegalia.
O controle da esquistossomose basea-se em programas públicos de tratamentos
quimioterápicos, na conscientização da população sobre higiene e no uso de
moluscicida. O controle do molusco por aplicação de moluscicida pode acarretar efeitos
colaterais danosos ao ecossistema, requer suporte econômico, além da educação dos
habitantes do local.
Os moluscos hospedeiros intermediários do Schistosoma mansoni no Brasil
pertencem pertencem ao gênero Biomphalaria. Até o momento foram descritas para o
país dez espécies e uma subespécie do gênero Biomphalaria (Preston, 1910): B.
glabrata (Say, 1818), B. tenagophila (Orbigny, 1835), B. straminea (Dunker, 1848), B.
peregrina (Orbigny, 1835), B. schrammi (Crosse, 1864), B. kuhniana (Clessin, 1883), B.
intermedia (Paraense & Deslandes, 1962), B. amazonica (Paraense & Deslandes,
1966), B. oligoza (Paraense, 1974), B. occidentalis (Paraense, 1981) e B. tenagophila
guaibensis (Paraense, 1984). Entre estas, somente as três primeiras têm sido
encontradas naturalmente infectadas pelo S. mansoni. Outras duas espécies, a B.
amazonica e a B. peregrina, foram infectadas experimentalmente, sendo consideradas
hospedeiras, em potencial, deste trematódeo (Corrêa & Paraense 1971, Paraense &
Corrêa 1973).
A fauna de moluscos do gênero Biomphalaria no Estado de Minas Gerais está
representada por sete espécies. Estes planorbídeos foram encontrados em 12
mesoregiões e reportados para 286 (33,1%) dos 853 municipios do Estado: B. glabrata,
B. straminea, B. tenagophila, B. peregrina, B. schrammi, B. intermedia e B. occidentalis.
Duas espécies B. glabrata e B. tenagophila foram encontradas naturalmente infectadas
por S. mansoni no Estado de Minas Gerais, enquanto a B. straminea, apesar de não ter
sido encontrada infectada, foi considerada a responsável pelo foco de Paracatu. Em 26
municípios estavam presentes, simultaneamente, as três espécies hospedeiras
intermediárias do S. Mansoni, enquanto em 48 municípios não foi encontrado nenhum
molusco.
A extensa distribuição desses hospedeiros intermediários em Minas Gerais
confere a esquistossomose caráter expansivo até mesmo para as áreas consideradas
indenes. Nas áreas endêmicas altas densidades desses hospedeiros aliadas a outros
fatores de risco favorecem a existência de localidades com altas prevalências da
esquistossomose.
JUSTIFICATIVA
Estudos realizados em diversas comunidades da zona rural brasileira
demonstraram que a topografia, vegetação, temperatura, tipo de solo, diferentes níveis
de saneamento básico, densidade populacional, número de moluscos, distribuição e
2
índices de infecção de do hospedeiro intermediário e contato com coleções hídricas
habitadas por moluscos infectados pelo S. mansoni, são determinantes para a
prevalência da infecção humana. Por outro lado, os padrões de precipitação
pluviométrica possuem efeitos marcantes sobre a população de moluscos. Durante as
estações chuvosas verifica-se um decréscimo no número de moluscos, enquanto nos
períodos de seca ocorre um acréscimo nas populações (Marcal et al. 1991, Kloetzel &
Vergetti 1988, Pieri & Thomas 1987, Bavia et al. 1999, 2001).
Uma vez que a esquistossomose é uma doença determinada no espaço e no
tempo por fatores ambientais o Sistema de Informações Geográficas (SIG) é uma
ferramenta muito útil que pode ser empregada para melhor conhecer a distribuição da
prevalência da doença e de seus hospedeiros intermediários em mapas de
representação espacial e fatores ambientais.
A utilização de SIG e Sensoriamento Remoto (SR) na identificação de
características ambientais que permitam determinar e delimitar, respectivamente, os
fatores e as áreas de risco possibilitando indicar uma melhor distribuição de recursos
que permita um direcionamento mais adeguado para o controle da doença (Bavia et al.
2001, Beck et al. 1997, 2000).
Malone et al. (1997) realizaram um estudo, no delta do Nilo, com o objetivo de
relacionar dados de requerimentos naturais para propagação e transmissão da
esquistossomose com parâmetros medidos do espaço.
Bavia et al. (2001) elaboraram um sistema de informação geográfica utilizando
mapas agroclimáticos, vegetação e temperatura obtidos de satélites com dados sobre
prevalência da esquistossomose em 270 municípios e a distribuição do molusco
hospedeiro na Bahia, Brasil para o estudo espacial e temporal da infecção e
identificação de fatores naturais que influenciem na distribuição da esquistossomose.
Zhou et al. (2002) utilizaram imagens de satélite (Landsat Thematic Mapper)
para estudar o impacto da enchente de 1998 na distribuição de moluscos no Rio
Yangtze, China. Os resultados indicaram que a análise de imagens Landsat TM podem
é um método útil, podendo fornecer dados que permitem fazer previsões sobre a
distribuição de moluscos sob condições ambientais especificas associado com a
prolongada estação anual de enchentes.
Brooker (2002) faz uma análise dos progressos do uso e da aplicação do
sistema de informação geográfica (SIG) e do sensoriamento remoto na epidemiologia e
no controle da esquistossomose na região sub-Sahariana, África.
Grande parte do esforço de pesquisa na área de sensoriamento remoto se
concentra na tarefa de extração de informações de imagens obtidas por satélites
orbitais. Este esforço é particularmente importante no caso de países com extensões
continentais como é o caso do Brasil. Recentemente, satélites utilizando sensores
nunca antes utilizados em missões orbitais civis tornaram-se operacionais. Este é o
caso dos satélites que levam a bordo um tipo de sensor imageador ativo denominado
radar de abertura sintética (SAR) e os novos satélites dotados de sistemas ópticos de
alta resolução, instrumentos de alta taxa de repetição temporal e média resolução
3
espacial como é o caso do satélite MODIS. Necessidades crescentes e complexas,
podem utilizar ferramentas de sensoriamento remoto, como as utilizadas no
monitoramento ambiental, modelagem ecológica da Amazônia e o planejamento urbano
O projeto, nos termos em que está formulado, justifica-se em face da necessidade de:
1) Identificar as relações entre dados de campo e o que se observa nas imagens,
2) De posse destas relações promover diagnósticos, estabelecer monitoramento e
fundamentar planos de ação observando-se séries temporais de tais imagens,
3) Aprofundar as informações já organizadas para a análise da distribuição espacial dos
moluscos e da doença, utilizando ferramentas de geo-estatística.
O presente projeto tem como objetivo a aplicação dos recursos de
geoprocessamento na determinação das relações entre distribuição da B. glabrata e da
prevalência da esquistossomose no Estados de Minas Gerais, realizar diagnósticos e
planos de ação visando o controle da doença.
OBJETIVOS
Geral:
O presente projeto tem como objetivo geral determinar as relações entre a
distribuição dos hospedeiros intermediários e a distribuição e prevalência da
esquistossomose no Estado de Minas Gerais, utilizando-se dos recursos de
geoprocessamento e de imagens ambientais produzidas por satélites.
Espécificos:
� Integração, em um Sistema de Informação Geográfico, o SPRING, de um conjunto de
diferentes tipos de cadastros, relatórios e mapas de dados sobre distribuição e
prevalência da esquistossomose mansoni e dos hospedeiros intermediários da
esquistossomose no Estado de Minas Gerais.
� Procurar estabelecer relações entre variáveis ambientais e a distribuição dos moluscos
hospedeiros intermediários do Schistosoma mansoni e da esquistossomose para a
elaboração de planos de ação, visando o controle da doença.
� Desenvolver modelos que possam ser utilizados, por extrapolação, para prever o risco
da esquistossomose em áreas nas quais não existem dados disponíveis.
� Formação de pessoal para viabilizar a implementação de um núcleo de
Geoprocessamento no Laboratório de Helmintoses Intestinais (recentemente
credenciado como Referência Nacional para Esquistossomose pela Secretaria de
Vigilância em Saúde/MS) do Centro de Pesquisas René Rachou/Fiocruz.
� Publicação das metodologias desenvolvidas e dos resultados obtidos em revistas
indexadas.
4
METAS
1) Construir um banco de dados baseado na Tecnologia Spring (INPE) que congregue
mapas e cadastros existentes nos diversos orgãos envolvidos no controle da
esquistossomose.
2) Construir e testar uma sistemática de armazenagem, gerenciamento, consultas e
análise espacial a partir do banco gerado.
3) Elaborar relatórios dirigidos a públicos diversos, inclusive acadêmicos, a respeito dos
estudos efetuados.
4) Identificar as áreas de risco de introdução dos moluscos hospedeiros intermediários
do S. mansoni e/ou da doença no Estado de Minas Gerais.
5) Publicação em revista indexada dos resultados obtidos.
6) Formação de recursos humanos.
7) Sugerir o perfil de sistemas operacionais para o monitoramento desta endemia.
No presente relatório foram utilizadas as seguintes informações:
A) Tabelas com os valores da prevalência da esquistossomose e com as espécies deBiomphalaria;
B) Sensores utilizados para a obtenção das variáveis e os produtos derivados dessessensores;
C) Biomas
D) Variáveis climáticas;
E) Variáveis sociológicas;
F) Métodos para a extração das variáveis;
G) Regressão
H) Krigeagem
Trabalhos Realizados
Publicações Realizadas
Referências Bibliográficas
A) VALORES DA PREVALÊNCIA DA ESQUISTOSSOMOSE E ESPÉCIES DE
MOLUSCOS
Os dados sobre prevalência da esquistossomose foram obtidos na Secretaria Estadual de
Saúde a partir do levantamento censitário realizado em 189 municípios de Minas Gerais
(Anexo 1). Os dados sobre a distribuição de moluscos hospedeiros intermediários do
Schistosoma mansoni pertencentes ao gênero Biomphalaria, 286 municípios, foram
obtidos dos arquivos do laboratório de Helmintoses Intestinais (CPqRR), Secretaria de
Vigilância em Saúde, Secretaria Estadual de Saúde e da literatura (Anexo 2).
Em 48 municípios não foi verificado a presença de moluscos do gênero Biomphalaria. A
B.glabatra foi notificada em 81 municípios, B.tenagophila em 12, B. straminea em 36,
B.glabatra + B. tenagophila em 18, B.glabatra + B. straminea em 62, B.tenagophila +
5
B.straminea em 3 enquanto em 26 municípios foi observada a presença das três espécies
juntas.
B) SENSORES UTILIZADOS
1. MODIS (Moderate Resolution Imaging Spectroradiometer)
O MODIS é um instrumento a bordo dos satélites Terra (EOS AM) e Aqua (EOS PM).
A órbita do satélite Terra em torno da Terra passa do norte até sul através do equador
pela manhã, enquanto o satélite Aqua passa do sul para o norte acima do equador à
tarde. O instrumento Terra MODIS e Aqua MODIS cobrem a superfície inteira da Terra
em um período de um a dois dias, adquirindo dados em 36 faixas espectrais. O MODIS
está desempenhando um papel importante no desenvolvimento de modelos do sistema
da Terra e é capaz de predizer mudanças globais com precisão suficiente para ajudar na
tomada de decisões a respeito da proteção de nosso ambiente.
1.1. Disponibilização dos produtos MODIS
Os produtos MODIS estão disponíveis e podem ser adquiridos sem custos através da
internet, através de diversos sites, sendo que o endereço oficial para a aquisição destes
dados é:
http://edcimswww.cr.usgs.gov/pub/imswelcome/
Para a aquisição dos dados, recomenda-se realizar o cadastro na home-page, com o
objetivo de facilitar o pedido das imagens. Atualmente, os produtos podem ser
adquiridos via FTP, CDROM ou DVD, sem custos adicionais.
Para tratar os dados MODIS, existe a necessidade de utilizar os programas
desenvolvidos pela NASA, como o MRT – MODIS Reprojection Tool, que tem o
objetivo de alterar a projeção e o formato do produto, podendo também ser utilizado
para realizar a mosaicagem. Os programas disponíveis estão na seguinte home page:
http://edcdaac.usgs.gov/tools/modis/
Todos os produtos MODIS possuem o Algoritmal Theoretical Basis Document (ATBD),
que fornece todas as informações sobre os algoritmos utilizados para a geração dos
produtos. Estes documentos podem ser facilmente encontrados pela internet.
1.2. Área de estudo
A área de estudo do trabalho compreende o estado de Minas Gerais. A Figura 1 mostra
as quatro imagens MODIS MOD13Q1 (h14v10, h14v11, h13v10 e h13v11) utilizadas
em cada data selecionada (17/01/2002 e 28/07/2002). As oito imagens foram
reprojetadas através do software MODIS Reprojection Tool. Todos os demais
processamentos foram realizados no software SPRING, ENVI e ArcGis, em ambiente
Windows.
6
Figura 1. Representação das imagens MODIS MOD13Q1 (h14v10, h14v11, h13v10 e h13v11).
1.3. MODIS MOD13
Os produtos MODIS MOD13 são compostos das bandas azul, vermelho e infravermelho
próximo e dos índices de vegetação (EVI e NDVI). Os índices de vegetação fornecem
comparações consistentes de dados temporais e espaciais das condições da vegetação
global, para monitorar a atividade fotossintética da vegetação em suporte a detecção de
mudança e interpretações biofísicas e da fenologia. Os objetivos dos índices de
vegetação do MODIS são:
- Gerar índices de vegetação em imageamentos sem nuvens;
- Maximizar a cobertura global e temporal na resolução espacial mais fina possível;
- Padronizar dados de acordo com a posição sol-sensor-alvo;
- Assegurar a qualidade e a consistência dos dados
- Descrever e reconstituir dados de variações fenológicas;
- Discriminar com precisão variações interanuais na vegetação.
Mapas descrevendo variações espaciais e temporais da atividade da vegetação são
derivados a cada 8 dias, 16 e 30 dias (intervalos mensais) para um monitoramento
preciso da sazonalidade e os produtos são reamostrados para fornecer dados livres de
nuvens, atmosfericamente corrigidos, mapas de vegetação ajustados ao nadir (para evitar
distorções devido a compressão de dados nos pixels mais distantes do nadir), com
resoluções mínima de 250 m, 1 Km e 25 Km. As composições destes índices em 16 dias
são arquivadas com uma resolução de 250 m, e incluem a seleção do valor do índice de
vegetação ajustado ao nadir, ajuste das reflectâncias da região do vermelho e
infravermelho próximo, média solar zenital, azimute relativo e parâmetros de controle.
O MOD 13 possui dois índices de vegetação, o índice da diferença normalizada (NDVI)
e o índice de vegetação melhorado (EVI), que são produzidos globalmente com 1 Km,
500 m e 250 m de resolução e composições no período de 16 dias. Enquanto o NDVI é
sensível à clorofila, o EVI é mais sensível à variações na resposta estrutural do dossel,
7
incluindo o índice de área foliar (LAI), a fisionomia da planta e a arquitetura do dossel
(Huete et al., 2002).
Estes dois índices se complementam em estudos globais da vegetação e fornecem
informações sobre detecção de mudanças vegetais e parâmetros biofísicos do dossel.
O NDVI retém certas propriedades favoráveis que reduzem o ruído e a incerteza
associada às características do instrumento e fontes externas de ruído (por exemplo,
sombra de nuvem), mas existem certas desvantagens, como por exemplo, a não
linearidade, problemas de saturação do sinal em regiões de alta concentração de
biomassa e sensibilidade para expor fundos de solo em áreas de vegetação escassa
(Running et al., 1994; Justice et al., 1998). Os valores obtidos com o NDVI são contidos
em uma mesma escala de valores, entre –1 e 1, utilizando-se a seguinte equação:
VIVP
VIVPNDVIρρ
ρρ
+
−=
onde: IVPρ = reflectância do infravermelho próximo (800-1100 nm); Vρ = reflectância
do vermelho (600-700 nm).
Uma peculiaridade atribuída ao NDVI é a rápida saturação, o que o torna insensível ao
aumento da biomassa vegetal a partir de determinado estágio de desenvolvimento
(Moreira, 2000).
O EVI foi desenvolvido para otimizar o sinal da vegetação melhorando a sensibilidade
em regiões com maiores densidades de biomassa, além do monitoramento da vegetação
através da redução das influências atmosféricas e da influência do solo no fundo do
dossel (Justice et al., 1998; Weir & Herring, 2004). O EVI pode ser calculado através da
seguinte equação:
LCCGEVI
AVIVP
VIVP
+−+
−=
ρρρ
ρρ
***
21
(4)
onde: IVPρ = reflectância do infravermelho próximo; Vρ = reflectância do vermelho;
Aρ = reflectância do azul; 1C = coeficiente de ajuste para efeito de aerossóis da
atmosfera no vermelho; 2C = coeficiente de ajuste para efeito de aerossóis da atmosfera
no azul; L = fator de ajuste para o solo; G = fator de ganho.
Os valores dos coeficientes adotados pelo algoritmo do EVI são: L = 1, 1C = 6, 2C =
7,5 e o fator de ganho G = 2,5 (Justice et al., 1998).
2. SRTM (Shuttle Radar Topography Mission)
SRTM obteve dados de elevação em uma escala global para gerar um banco de dados de
modelo topográfico digitais da Terra com resolução espacial de 90 metros. SRTM
8
consistiu em um sistema de radar especialmente modificado que voou a bordo do ônibus
espacial Endeavour durante uma missão de 11 dias em fevereiro de 2000.
A fim de reunir dados topográficos (elevação) da superfície de Terra, SRTM usou a
técnica de interferometria. Na interferometria, duas imagens da mesma área são tiradas
de pontos diferentes. A diferença entre as duas imagens permite determinar a elevação
do terreno.
3. Produtos derivados dos sensores
3.1. Modelo Linear de Mistura Espectral (MLME)
Este modelo fundamenta-se no pressuposto de que a reposta espectral de um pixel é uma
combinação linear da resposta espectral de cada componente dentro do pixel
(Shimabukuro, 1987; Shimabukuro & Smith, 1991; Holben & Shimabukuro, 1993).
Assim, para qualquer imagem e sendo as respostas espectrais dos componentes
conhecidas, as proporções de cada componente podem ser estimadas, individualmente,
pela seguinte equação:
∑=
+=n
jijiji exar
1
)(
onde: ri = reflectância espectral para cada banda espectral i de um pixel que contém um
ou mais componentes; aij = reflectância espectral da componente j em cada banda
espectral i; xj = valor da proporção da componente j dentro de um pixel; ei = erro para
cada banda espectral i; j = 1, 2, ..., n (n = número de componentes); i = 1, 2, ..., m (m =
número de bandas espectrais),
com as restrições:
∑ = 1jx e 0≥jx para todas as componentes
Para determinar as imagens-fração empregou-se o método dos mínimos quadrados, o
qual estima a proporção de cada componente pela minimização da soma dos quadrados
dos erros (Shimabukuro & Smith, 1991).
9
3.1.1. Aplicação do MLME nas imagens MODIS
Foram extraídas das imagens MODIS a componente vegetação, solo e sombra. A Figura
2 mostra a resposta espectral da componente vegetação (em verde) obtido em áreas de
Mata Ciliar, o componente sombra (em azul) obtido na área correspondente a uma
represa e, a componente solo (vermelho) obtido em áreas de solo exposto; para ambas as
imagens (janeiro e julho de 2002).
Figura 2. Resposta espectral dos componentes vegetação, solo e sombra extraídos das imagens MODIS de17/01/2002 (a) e de 28/07/2002 (b).
Utilizando os componentes solo, vegetação e sombra, para cada pixel, a partir da
resposta espectral nas diversas bandas do MODIS, foram geradas imagens-fração solo,
vegetação e sombra, respectivamente, como pode ser observado na Figura 3.
1
0
Figura 3. A esquerda as imagens-fração solo, vegetação e sombra de 17/01/2002; a
direita as imagens-fração solo, vegetação e sombra de 28/07/2002.
C) BIOMAS
No estado de Minas Gerais existem quatro biomas dominantes, como pode ser visto na
figura 4.
1. Caatinga
O bioma Caatinga é o principal ecossistema existente na Região Nordeste, estendendo-
se pelo domínio de climas semi-áridos, numa área de 73.683.649 ha, 6,83% do território
nacional; ocupa os estados da BA, CE, PI, PE, RN, PB, SE, AL, MA e MG. O termo
Caatinga é originário do tupi-guarani e significa mata branca. É um bioma único, pois
apesar de estar localizado em área de clima semi-árido, apresenta grande variedade de
paisagens, relativa riqueza biológica e endemismo. A ocorrência de secas estacionais e
periódicas estabelece regimes intermitentes aos rios e deixa a vegetação sem folhas. A
folhagem das plantas volta a brotar e fica verde nos curtos períodos de chuvas.
1
1
A Caatinga é dominada por tipos de vegetação com características xerofíticas –
formações vegetais secas, que compõem uma paisagem cálida e espinhosa – com
estratos compostos por gramíneas, arbustos e árvores de porte baixo ou médio (3 a 7
metros de altura), caducifólias (folhas que caem), com grande quantidade de plantas
espinhosas (exemplo: leguminosas), entremeadas de outras espécies como as cactáceas e
as bromeliáceas.
A Caatinga tem sido ocupada desde os tempos do Brasil-Colônia com o regime de
sesmarias e sistema de capitanias hereditárias, por meio de doações de terras, criando-se
condições para a concentração fundiária. De acordo com o IBGE, 27 milhões de pessoas
vivem atualmente no polígono das secas. A extração de madeira, a monocultura da cana-
de-açúcar e a pecuária nas grandes propriedades (latifúndios) deram origem à
exploração econômica. Na região da Caatinga, ainda é praticada a agricultura de
sequeiro.
Os ecossistemas do bioma Caatinga encontram-se bastante alterados, com a substituição
de espécies vegetais nativas por cultivos e pastagens. O desmatamento e as queimadas
são ainda práticas comuns no preparo da terra para a agropecuária que, além de destruir
a cobertura vegetal, prejudica a manutenção de populações da fauna silvestre, a
qualidade da água, e o equilíbrio do clima e do solo. Aproximadamente 80% dos
ecossistemas originais já foram antropizados.
Figura 4. Biomas representativos no estado de Minas Gerais.
2. Cerrado
A área nuclear ou core do Cerrado está distribuída, principalmente, pelo Planalto Central
Brasileiro, nos Estados de Goiás, Tocantins, Mato Grosso, Mato Grosso do Sul, parte de
Minas Gerais, Bahia e Distrito Federal, abrangendo 196.776.853 ha. Há outras áreas de
1
2
Cerrado, chamadas periféricas ou ecótonos, que são transições com os biomas
Amazônia, Mata Atlântica e Caatinga.
Os Cerrados são, assim, reconhecidos devido às suas diversas formações ecossistêmicas.
Sob o ponto de vista fisionômico temos: o cerradão, o cerrado típico, o campo cerrado, o
campo sujo de cerrado, e o campo limpo que apresentam altura e biomassa vegetal em
ordem decrescente. O cerradão é a única formação florestal.
O Cerrado típico é constituído por árvores relativamente baixas (até vinte metros),
esparsas, disseminadas em meio a arbustos, subarbustos e uma vegetação baixa
constituída, em geral, por gramíneas. Assim, o Cerrado contém basicamente dois
estratos: um superior formado por árvores e arbustos dotados de raízes profundas que
lhes permitem atingir o lençol freático, situado entre 15 a 20 metros; e um inferior,
composto por um tapete de gramíneas de aspecto rasteiro, com raízes pouco profundas,
no qual a intensidade luminosa que as atinge é alta, em relação ao espaçamento. Na
época seca, este tapete rasteiro parece palha, favorecendo, sobremaneira, a propagação
de incêndios.
A típica vegetação que ocorre no Cerrado possui seus troncos tortuosos, de baixo porte,
ramos retorcidos, cascas espessas e folhas grossas. Os estudos efetuados consideram que
a vegetação nativa do Cerrado não apresenta essa característica pela falta de água – pois,
ali se encontra uma grande e densa rede hídrica – mas sim, devido a outros fatores
edáficos (de solo), como o desequilíbrio no teor de micronutrientes, a exemplo do
alumínio.
Até a década de 1950, os Cerrados mantiveram-se quase inalterados. A partir da década
de 1960, com a interiorização da capital e a abertura de uma nova rede rodoviária, largos
ecossistemas deram lugar à pecuária e à agricultura extensiva, como a soja, arroz e ao
trigo. Tais mudanças se apoiaram, sobretudo, na implantação de novas infra-estruturas
viárias e energéticas, bem como na descoberta de novas vocações desses solos regionais,
permitindo novas atividades agrárias rentáveis, em detrimento de uma biodiversidade
até então pouco alterada.
Durante as décadas de 1970 e 1980 houve um rápido deslocamento da fronteira agrícola,
com base em desmatamentos, queimadas, uso de fertilizantes químicos e agrotóxicos,
que resultou em 67% de áreas do Cerrado “altamente modificadas”, com voçorocas,
assoreamento e envenenamento dos ecossistemas. Resta apenas 20% de área em estado
conservado.
A partir da década de 1990, governos e diversos setores organizados da sociedade
debatem como conservar o que restou do Cerrado, com a finalidade de buscar
tecnologias embasadas no uso adequado dos recursos hídricos, na extração de produtos
vegetais nativos, nos criadouros de animais silvestres, no ecoturismo e outras iniciativas
que possibilitem um modelo de desenvolvimento sustentável e justo.
1
3
As Unidades de Conservação Federais no Cerrado compreendem: dez Parques
Nacionais, três Estações Ecológicas e seis Áreas de Proteção Ambiental.
3. Mata Atlântica
Em termos gerais, a Mata Atlântica pode ser vista como um mosaico diversificado de
ecossistemas, apresentando estruturas e composições florísticas diferenciadas, em
função de diferenças de solo, relevo e características climáticas existentes na ampla área
de ocorrência desse bioma no Brasil.
Atualmente, restam cerca de 7,3% de sua cobertura florestal original, tendo sido
inclusive identificada como a quinta área mais ameaçada e rica em espécies endêmicas
do mundo. Na Mata Atlântica existem 1.361 espécies da fauna brasileira, com 261
espécies de mamíferos, 620 de aves, 200 de répteis e 280 de anfíbios, sendo que 567
espécies só ocorrem nesse bioma. Possui, ainda, cerca de 20 mil espécies de plantas
vasculares, das quais 8 mil delas também só ocorrem na Mata Atlântica. Várias espécies
da fauna são bem conhecidas pela população, tais como mico-leões e muriquis, espécies
de primatas dos gêneros Leontopithecus e Brachyteles, respectivamente. Vale lembrar
que, no sul da Bahia, foi identificada, recentemente, a maior diversidade botânica do
mundo para plantas lenhosas, ou seja, foram registradas 454 espécies em um único
hectare.
A exploração da Mata Atlântica vem ocorrendo desde a chegada dos portugueses ao
Brasil, cujo interesse primordial era a exploração do pau-brasil. O processo de
desmatamento prosseguiu durante os ciclos da cana-de-açúcar, do ouro, da produção de
carvão vegetal, da extração de madeira, da plantação de cafezais e pastagens, da
produção de papel e celulose, do estabelecimento de assentamentos de colonos, da
construção de rodovias e barragens, e de um amplo e intensivo processo de urbanização,
com o surgimento das maiores capitais do país, como São Paulo, Rio de Janeiro, e de
diversas cidades menores e povoados.
A sua área atual encontra-se altamente reduzida e fragmentada com seus remanescentes
florestais localizados, principalmente, em áreas de difícil acesso. A preservação desses
remanescentes vem garantindo a contenção de encostas, propiciando oportunidades para
desfrute de exuberantes paisagens e desenvolvimento de atividades voltadas ao
ecoturismo, além de servir de abrigo para várias populações tradicionais, incluindo
nações indígenas. Além disso, nela estão localizados mananciais hídricos essenciais para
abastecimento de cerca de 70% da população brasileira.
A conservação da Mata Atlântica tem sido buscada por setores do Governo, da
sociedade civil organizada, instituições acadêmicas e setor privado. Vários estudos e
iniciativas têm sido desenvolvidos nos últimos anos, gerando um acervo de
conhecimento e experiência significativo. Vale ressaltar, também, a existência de um
amplo arcabouço legal para a proteção do bioma.
1
4
4. Campo rupestre de altitude
O "campo rupestre de altitude" é considerado como Refúgio Ecológico, podendo ser em
função da altitude submontano, montano ou altomano.
Toda e qualquer vegetação diferenciada nos aspectos florístico e fisionômico-ecológico
da flora dominante na Região Fitoecológica foi considerada como um "refúgio
ecológico". Este, muitas vezes, constitui uma "vegetação relíquia" que persiste em
situações especialíssimas, como é o caso de comunidades localizadas em altitudes acima
de 1.800 metros.
Os refúgios ecológicos, condicionados por parâmetros ambientais muito específicos,
apresentam, via de regra, alta sensibilidade a qualquer tipo de intervenção. Áreas
turfosas, em diferentes altitudes e os cumes litólicos das serras normalmente suportam
relictos vegetacionais. Um exemplo de Refúgio Ecológico é a "Mata Nuvigena" ou
"Mata Nebular" que recobre algumas áreas da borda leste do Planalto Meridional,
caracterizadas pela alta precipitação e a quase permanente presença de nuvens causadas
pela condensação da umidade oceânica. Nela se destacam espécies características como:
Gunnera manicata (Haloragaceae), Weinmannia humilis (Cunoniaceae), Siphoneugena
reitzii (Myrtaceae), Crinodendron brasiliense (Elaeocarpaceae) e Berberis kleinii
(Berberidaceae).
D) VARIÁVEIS METEREOLÓGICAS
As variáveis metereológicas (precipitação, temperatura mínima e temperatura máxima)
são coletadas através das plataformas de coletas de dados (PCD) e foram obtidas do
CPTEC/INPE. Os dados das PCD estão interpolados em formato binário na resolução de
28 x 28 km e para a sua utilização foi usado o software GRADs.
O GRADs é utilizado para a visualização e manipulação dos dados metereológicos e
também gera arquivos no formato ASCII. Foram utilizados os seguintes algoritmos para
gerar os dados das épocas do verão e inverno e seus resultados podem ser visualizados
na Figura 5:
Acumulado da Precipitação=sum(prec,time=17jan2002,time=01feb2002)
Média da Temperatura Mínima=ave(tmin,time=17jan2002,time=01feb2002)
Média da Temperatura Máxima=ave(tmax,time=17jan2002,time=01feb2002)
Acumulado da Precipitação=sum(prec,time=28jul2002,time=12aug2002)
Média da Temperatura Mínima=ave(tmin,time=28jul2002,time=12aug2002)
Média da Temperatura Máxima=ave(tmax,time=28jul2002,time=12aug2002)
1
5
(a) (b)
(c) (d)
(e) (f)
Figura 5. Visualização dos dados metereológicos. (a) e (b) Acumulado da Precipitação;
(c) e (d) Média da Temperatura Mínima; (e) e (f) Média da Temperatura Máxima.
Após a importação dos dados ASCII para o SIG, foi realizado uma nova interpolação
nos dados, com o objetivo de manter as variáveis meteorológicas com a resolução de
250m.
1
6
E) VARIÁVEIS SOCIOLÓGICAS
1. Índice de Desenvolvimento Humano Municipal (IDH)
Em 1991, o Índice de Desenvolvimento Humano Municipal do Brasil era 0,696. Dentre
os municípios do Estado de Minas Gerais, o município com o melhor valor era Belo
Horizonte (MG), com um valor de 0,791, e o município com o pior valor era Santo
Antônio do Retiro (MG), com um valor de 0,419. Dos 853 municípios do estado, 0
(0,0%) tinham um valor entre 0,200 e 0,350; 31 (3,6%) tinham um valor entre 0,350 e
0,500; 435 (51,0%) tinham um valor entre 0,500 e 0,650; 387 (45,4%) tinham um valor
entre 0,650 e 0,800; e 0 (0,0%) tinham um valor entre 0,800 e 1,000. Em termos de
população, 0 (0,0%) pessoas viviam em municípios com um(a) Índice de
desenvolvimento Humano Municipal entre 0,200 e 0,350; 231.388 (1,5%) entre 0,350 e
0,500; 3.868.283 (24,6%) entre 0,500 e 0,650; 11.643.496 (74,0%) entre 0,650 e 0,800;
e 0 (0,0%) entre 0,800 e 1,000.
Em 2000, o(a) Índice de Desenvolvimento Humano Municipal do Brasil era 0,766.
Dentre os municípios do Estado de Minas Gerais, o município com o melhor valor era
Poços de Caldas (MG), com um valor de 0,841, e o município com o pior valor era
Setubinha (MG), com um valor de 0,568. Dos 853 municípios do estado, 0 (0,0%)
tinham um valor entre 0,200 e 0,350; 0 (0,0%) tinham um valor entre 0,350 e 0,500; 110
(12,9%) tinham um valor entre 0,500 e 0,650; 705 (82,6%) tinham um valor entre 0,650
e 0,800; e 38 (4,5%) tinham um valor entre 0,800 e 1,000. Em termos de população, 0
(0,0%) pessoas viviam em municípios com um(a) Índice de Desenvolvimento Humano
Municipal entre 0,200 e 0,350; 0 (0,0%) entre 0,350 e 0,500; 1.022.576 (5,7%) entre
0,500 e 0,650; 11.082.128 (61,9%) entre 0,650 e 0,800; e 5.786.790 (32,3%) entre 0,800
e 1,000.
No período 1991-2000, a população de Minas Gerais teve uma taxa média de
crescimento anual de 1,49%, passando de 15.743.152 em 1991 para 17.891.494 em
2000. A taxa de urbanização cresceu 9,53%, passando de 74,87% em 1991 para 82,00%
em 2000. Em 2000, a população do Estado representava 10,54% da população do País.
2. Indicadores de Longevidade, Mortalidade e Fecundidade, 1991 e 2000
No período 1991-2000, a taxa de mortalidade infantil do Estado diminuiu 21,58%,
passando de 35,39 (por mil nascidos vivos) em 1991 para 27,75 (por mil nascidos vivos)
em 2000, e a esperança de vida ao nascer cresceu 4,19 anos, passando de 66,36 anos em
1991 para 70,55 anos em 2000.
1
7
3. Educação
Nível Educacional da População Jovem (1991 e 2000)
Faixaetária(anos)
Taxa deanalfabetismo
% com menos de 4anos de estudo
% com menos de 8anos de estudo
% freqüentando aescola
1991 2000 1991 2000 1991 2000 1991 20007 a 14 18,6 6,6 - - - - 82,8 95,9
10 a 14 9,1 2,2 61,3 36,9 - - 81,3 95,215 a 17 6,9 1,8 35,5 9,7 83,0 54,6 48,0 76,018 a 24 7,1 3,3 21,4 12,6 66,3 44,5 - -
- = Não se aplica
Nível Educacional da População Adulta (25 anos ou mais)
Dados 1991 2000Taxa de analfabetismo 21,9 14,8% com menos de 4 anosde estudo
43,3 32,8
% com menos de 8 anosde estudo
76,0 67,9
Média de anos de estudo 4,6 5,6
4. Renda
A renda per capita média do Estado cresceu 42,87%, passando de R$ 193,57 em 1991
para R$ 276,56 em 2000. A pobreza (medida pela proporção de pessoas com renda
domiciliar per capita inferior a R$75,50; equivalente à metade do salário mínimo
vigente em agosto de 2000) diminuiu 31,21%, passando de 43,3% em 1991 para 29,8%
em 2000. A desigualdade cresceu: o Índice de Gini passou de 0,6 em 1991 para 0,6 em
2000.
5. Habitação
Acesso a Serviços Básicos
Dados 1991 2000Água Encanada 77,5 89,5Energia Elétrica 85,3 95,6Coleta de Lixo¹ 71,2 92,2
¹ Somente domicílios urbanos
Acesso a Bens de Consumo
Dados 1991 2000Geladeira 62,4 83,6Televisão 70,1 88,5Telefone 17,1 40,3Computador ND 9,2
ND = não disponível
6. Vulnerabilidade
1
8
Indicadores de Vulnerabilidade Familiar
Dados 1991 2000% de mulheres de 10 a 14 anos com filhos ND 0,3% de mulheres de 15 a 17 anos com filhos 6,9 6,1% de crianças em famílias com renda inferior à 1/2 saláriomínimo
55,3 43,4
% de mães chefes de família, sem cônjuge, com filhos menores 7,9 5,9ND = não disponível
7. Desenvolvimento Humano
No período 1991-2000, o Índice de Desenvolvimento Humano Municipal (IDH-M) de
Minas Gerais cresceu 10,90%, passando de 0,697 em 1991 para 0,773 em 2000. A
dimensão que mais contribuiu para este crescimento foi a Educação, com 43,4%,
seguida pela Longevidade, com 30,7% e pela Renda, com 25,9%. Neste período, o hiato
de desenvolvimento humano (a distância entre o IDH do Estado e o limite máximo do
IDH, ou seja, 1 - IDH) foi reduzido em 25,1%. Se mantivesse esta taxa de crescimento
do IDH-M, o Estado levaria 7,4 anos para alcançar Distrito Federal, o Estado com o
melhor IDH-M do Brasil (0,844).
Em 2000, o Índice de Desenvolvimento Humano Municipal de Minas Gerais é 0,773.
Segundo a classificação do PNUD, o Estado está entre as regiões consideradas de médio
desenvolvimento humano (IDH entre 0,5 e 0,8). Em relação aos outros Estados do
Brasil, Minas Gerais apresenta uma situação boa: ocupa a 9ª posição, sendo que 8
Estados (29,6%) estão em situação melhor e 18 Estados (70,4%) estão em situação pior
ou igual.
F) MÉTODOS PARA A EXTRAÇÃO DAS VARIÁVEIS
Foram utilizados três métodos para a realização da extração dos valores das variáveis.
1. Municípios
Consiste em determinar o valor da média de cada variável para cada município.
2. Localidades
São as manchas urbanas constituídas pela sede, distritos e vilas; para isso foi realizado
um buffer interno (buffer interno distante 500 metros do limite da mancha urbana) e
1
9
outro externo (buffer externo de 500 metros, distantes 500 metros do limite da mancha
urbana). Para cada mancha foi extraída a média.
3. Média das Localidades
Foi extraída a média das localidades do arquivo “Localidade” por município.
G) REGRESSÃO
1. Obtenção das variáveis
Para a realização da análise estatística, foi utilizada na extração dos dados das variáveis
a média por município. Os valores da prevalência dos 189 municípios estão listados no
Anexo 1. Na Figura 6 pode ser observado a distribuição espacial da prevalência no
estado de Minas Gerais.
2
0
Figura 6. A prevalência da esquistossomose em Minas Gerais.
Foram utilizadas na análise estatística 14 variáveis, sendo uma variável qualitativa
(vegetação). As variáveis foram divididas em três grupos, sendo duas épocas: verão
(17/01 a 01/02/2002) e inverno (28/07 a 12/08/2002), e um geral (comum para ambas às
datas).
As variáveis utilizadas:
(verão)
PC-v = precipitação
TN-v = temperatura mínima
TX-v = temperatura máxima
(inverno)
PC-i = precipitação
TN-i = temperatura mínima
TX-i = temperatura máxima
(outras variáveis)
IDH-91 = índice de desenvolvimento humano municipal 1991
IDH-00 = índice de desenvolvimento humano municipal 2000
IDH-R91 = índice de desenvolvimento humano renda 1991
IDH-R00 = índice de desenvolvimento humano renda 2000
IDH-L91 = índice de desenvolvimento humano longevidade 1991
IDH-L00 = índice de desenvolvimento humano longevidade 2000
IDH-E91 = índice de desenvolvimento humano educação 1991
IDH-E00 = índice de desenvolvimento humano educação 2000
2
1
VEG = tipo de vegetação
Tipos de vegetação -> (VEG01-VEG02)
(0-0) -> Caatinga
(1-0) -> Cerrado e Campo cerrado
(0-1) -> Floresta Atlântica
UNIDADES
porcentagem (0 a 100%):
- prevalência
índice (0 a 1):
- índice de desenvolvimento humano municipal
- índice de desenvolvimento humano renda
- índice de desenvolvimento humano longevidade
- índice de desenvolvimento humano educação
graus C:
- temperatura mínima
- temperatura máxima
milímetros de Hg:
- precipitação
2. Seleção das variáveis
Yi -> Pv = Prevalência
Xi -> 15 variáveis
n -> 189 municípios
Foi feita uma transformação logarítmica na variável dependente (Y) para aumentar a
correlação com as variáveis independentes (Xi).
Foi selecionado o modelo que representasse o menor número de variáveis com o maior
valor do coeficiente de determinação (R²), como pode ser observado na Figura 7. O
modelo escolhido foi com cinco variáveis (PC-v, TN-v, IDH91, VEG01, VEG02) e
apresentou o R²=0,3774 para o coeficiente de significância de p<0,01.
2
2
Figura 7. Gráfico R² x Número de variáveis, em vermelho mostra o R²=0,3774 para
cinco variáveis e em verde mostra o R²=0,3569 para quatro variáveis.
Analisando o mesmo modelo, porém, para o coeficiente de significância de p < 0,05;
verificou-se que a variável PC-v não era significativa. Assim, foi descartada a variável
PC-v e, o modelo ficou com quatro variáveis (TN-v, IDH91, VEG01, VEG02), como
pode ser observado na Figura 7.
Foi realizada a interação entre as variáveis (TN-v, IDH91, VEG01, VEG02). A Tabela 1
mostra a correlação entre as variáveis e suas interações
Tabela 1. Correlação entre as variáveis e suas interações com o Log da prevalência.
LogPv
TMIN-v IDH_1991
VEG1 VEG2 iTv*IDH
iTv*Vg1
iTv*Vg2
iIDH*Vg1
iIDH*Vg2
LogPv 1,00 0,39 -0,24 -0,25 0,48 -0,00 -0,24 0,50 -0,25 0,45TMIN-v 0,39 1,00 -0,31 -0,36 0,31 0,31 -0,35 0,39 -0,38 0,28IDH_199
1-0,24 -0,31 1,00 0,24 -0,02 0,81 0,22 -0,04 0,30 0,07
VEG1 -0,25 -0,36 0,24 1,00 -0,65 0,01 1,00 -0,65 0,99 -0,64VEG2 0,48 0,31 -0,02 -0,65 1,00 0,17 -0,65 1,00 -0,65 0,99
iTv*IDH -0,00 0,31 0,81 0,01 0,17 1,00 0,00 0,21 0,05 0,25iTv*Vg1 -0,24 -0,35 0,22 1,00 -0,65 0,00 1,00 -0,65 0,99 -0,64iTv*Vg2 0,50 0,39 -0,04 -0,65 1,00 0,21 -0,65 1,00 -0,64 0,98iIDH*Vg
1-0,25 -0,38 0,30 0,99 -0,65 0,05 0,99 -0,64 1,00 -0,64
iIDH*Vg2
0,45 0,28 0,07 -0,64 0,99 0,25 -0,64 0,98 -0,64 1,00
Verificou-se qual a melhor combinação entre quatro variáveis, através do melhor R²,usando todas as variáveis e interações entre elas, como pode ser observado na Tabela 2.
2
3
Tabela 2. Coeficiente R².
R ² No. TMIN-v IDH_1991 VEG1 VEG2 iTv*IDH iTv*Vg1 iTv*Vg2 iIDH*Vg1 iIDH*Vg20,363129 4 0,241067 -0,24400 0,59218 0,2959290,363035 4 -0,63201 0,59525 0,386985 0,3013070,362660 4 0,391201 0,58989 -0,241905 0,2916850,360516 4 -0,53875 0,290229 0,6010 0,2807500,360432 4 0,180595 -0,24781 0,5985 0,2765560,359905 4 0,333272 -0,245524 0,5960 0,2721990,358038 4 0,244536 -0,30562 0,319787 0,603900,357829 4 0,432827 -0,303947 0,315126 0,601810,357361 4 -0,69744 0,390332 0,324473 0,606480,356859 4 0,236885 -0,22111 0,26676 0,57624
Baseado no resultado da Tabela 2 foram escolhidos quatro modelos:
Modelo 1 -> Y = B0 + B1*T + B2*IDH + B3*V2 + B4*IDH*V1
Modelo 2 -> Y = B0 + B1*T + B2*IDH + B3*V1 + B4*V2
Modelo 3 -> Y = B0 + B1*T + B2*IDH + B3*T*V2 + B4*IDH*V1
Modelo 4 -> Y = B0 + B1*T + B2*IDH + B3*IDH*V2 + B4*IDH*V1
Realizou-se um teste de hipótese para verificar se existe uma necessidade de acrescentar
outra variável/interação, ou seja, 0=iβ versus 0≠iβ , com i>0; através do método
citado por Neter et al., 1996:
FFR df
FSSE
dfdf
FSSERSSEF
)()()(* ÷−
−=
Onde:
SSE(R) -> Soma dos quadrados dos resíduos do modelo reduzido;
SSE(F) -> Soma dos quadrados dos resíduos do modelo completo;
dfR -> graus de liberdade do modelo reduzido;
dfF -> graus de liberdade do modelo completo.
O modelo completo consiste das quatro variáveis selecionadas e as interações entre elas.
)()()()()()( 429328417316215443322110 XXXXXXXXXXXXXXYE ββββββββββ +++++++++=
O modelo reduzido consiste nos quatro modelo de quatro variáveis selecionadas.
443322110)( XXXXYE βββββ ++++= sendo X3 ou X4 apresentando ou nãointerações .
A Tabela abaixo mostra o resultado do teste de hipótese para os quatromodelos.
MODELO SSE(R) df(R) SSE(F) df(F) RESULTADO1 101,5386 184 94,93221 179 2,4913352 102,5382 184 94,93221 179 2,8683113 101,9686 184 94,93221 179 2,6535134 102,3502 184 94,93221 179 2,797408
32,3),;1( 21 =− vvF α ; para ( %991 =−α ), v1=4, v2=189; portanto os modelos são representativos e não é necessário acrescentar
nenhuma outra variável/interação no modelo. O modelo que apresentou uma melhor resposta foi o modelo
1, F=2,49, portanto foi escolhido para a realização da regressão.
2
4
3. Resultados
O modelo escolhido:
Prevalência estimada = 1)01 * IDH91 * 1,1679902 * 1,1537791 * 4,40123 - * 0,21131 0,20122(−
+++−
eVEGVEGIDHTNv
A Figura 8 mostra o modelo proposto aplicado em todos os municípios de Minas Gerais
Figura 8. A prevalência estimada nos municípios de Minas Gerais.
Os modelos escolhidos em função do tipo de vegetação:
- Floresta
Prevalência estimada = 1)91 * 4,40123 - * 0,21131 0,95255(−
+
eIDHTNv
- Cerrado
Prevalência estimada = 1) IDH91 * 3,23324 - * 0,21131 0,20122(−
+−
eTNv
- Caatinga
Prevalência estimada = 1)91 * 4,40123 - * 0,21131 0,20122(−
+−
eIDHTNv
Os resultados mostraram que:
- A temperatura mínima de verão tem correlação positiva com a prevalência da doença, enquanto que IDH-
91 possui correlação negativa;
- A influência da temperatura sobre a prevalência de esquistossomose é a mesma para os três tipos de
vegetação;
- O efeito do IDH-91 sobre a doença é menor para o bioma cerrado e sua influência para os biomas floresta
e caatinga é o mesmo;
2
5
- Para valores fixos de temperatura mínima de verão e IDH, os modelos de regressão para caatinga e
floresta diferem apenas por uma constante, sendo que a prevalência na floresta é aproximadamente três
vezes maior que na caatinga.
4. Conclusões e Recomendações
Na Figura 9 podemos observar a presença de resíduos resultantes da diferença entre o valor observado e o
valor estimado da prevalência; as cores mais escuras (vermelho e azul) representam os dados subestimados
e nas cores mais claras (azul e rosa) representam os dados superestimados e, finalmente em branco
representam os dados que tiveram uma boa estimativa. Para conseguirmos um aumento significativo no
valor estimado da regressão, recomendamos:
- Conseguir georreferênciar os dados da prevalência;
- Usar dados atuais do tipo de vegetação.
Figura 9. Prevalência, Prevalência estimada e resíduo.
2
6
I) KRIGEAGEM
1. Representação de atributos categóricos pela geoestatística
A geoestatística modela os valores de um atributo, dentro de uma região A da superfície
terrestre, como uma função aleatória (Isaaks, 1989, Deutsch, 1998). Para cada posição u
∈ A o valor do atributo de um dado espacial é modelado como uma variável aleatória
(VA) Z(u). Isto significa que, na posição u, a VA Z(u) pode assumir diferentes valores
desse atributo, cada valor tem uma probabilidade de ocorrência associada. Nas n posições
amostradas, uα, α=1,2,...,n, os valores z(uα) são considerados determinísticos, ou ainda,
VA’s cujo valor medido tem uma probabilidade de 100% de ocorrência. A função de
distribuição, para atributos categóricos (fdc), de Z(u) condicionada aos n dados
amostrado, F(u; z|(n)), é definida por:
( )( ) ( ) ( ){ }nzZProbnz ||F == uu;
A F(u; z|(n)) modela a incerteza sobre os valores de z(u), em posições u não amostradas,
considerando-se as n amostras.
A fdc univariada de uma VA categórica pode ser aproximada utilizando-se krigeagem
por indicação. Essa metodologia geoestatística não paramétrica requer a transformação
das VAs Z(u) em VAs por indicação I(u; zk) pela seguinte relação:
onde zk é um valor de corte pertencente ao domínio do atributo. Neste caso os valores de
corte são as classes, do domínio do atributo categórico, consideradas importantes para o
contexto da modelagem.
O valor esperado da VA por indicação, E{ I(u; zk)|(n), fornece uma estimativa F* da fdc
de Z(u), no valor de corte zk e condicionado aos n dados amostrais, do atributo z(uα) .
Essa estimativa, quando realizada por uma krigeagem ordinária sobre o conjunto de
valores por indicação, fornece uma inferência por regressão de mínimos quadrados para
a fdc de Z(u) no valor de corte zk (Deutsch, 1998). Um conjunto de estimativas F* em
diferentes valores de corte leva a uma aproximação da fdc completa de Z(u).
A fdc aproximada pode ser utilizada para inferências de estimativas e de incertezas
relacionadas com o atributo categórico em questão. Tipicamente, a estimativa ótima
z*(u), de um atributo categórico representado por L classes ck k=1,...,L, é determinada
por:
2
7
=
=contráriocaso0
)(Zpara,1);(I k
k
zz
uu
( ){ }{ } { }
{ } ))(;()(1);(1
)(0);(0)(1);(1
)();
n|zFn|zIProb
n|zIProbn|zIProb
n|zIE
k*
k
kk
k
uu
uu
u
==⋅
==⋅+=⋅
=
onde pl(u) = F*(u; zk|(n)), quando zk = cl, é o valor estimado da probabilidade da
ocorrência da classe l na localização u. Este classificador é conhecido como
classificador de moda, ou estimador de moda, por ser o estimador que considera a
maior probabilidade da fdc(u).
Como inferência de incertezas, Inc(u), para atributos categóricos costuma-se utilizar o
complemento da probabilidade da moda da fdc que é definido por:
O valor de incerteza em u pode, ainda, ser estimado pela entropia de Shannon (Shannon,
1949), que é definida como:
A entropia de Shannon tem a vantagem de considerar todas os valores inferidos da
fdc(u) e tem valores máximos onde a confusão entre as classes é maior, ou seja, quando
a fdc(u) tende para uma distribuição uniforme.
O estimador de moda puro tem a desvantagem de classificar todas as localizações u,
dentro da região de interesse, ainda que a incerteza no ponto classificado seja alta, ou
seja, as probabilidades da fdc(u) sejam pequenas ou muito uniformes.
Uma metodologia alternativa consiste em se considerar a incerteza como restrição no
processo de classificação. Nesse caso são classificadas apenas as localizações com um
nível máximo de incerteza preestabelecido. Assim, consideram-se como classificadas
apenas aquelas localizações u em que a incerteza é menor que um limiar Imax, ou seja:
onde z*(u) = φ significa valor não estimado ou localização não classificada.
Os produtos, mapas ou relatórios, gerados por esta metodologia discriminam regiões
espaciais classificadas e não classificadas, segundo o modelo de incerteza e o valor de
Imax adotado. Esses produtos se adequam melhor a procedimentos de tomadas de
decisão uma vez que o risco que se pode assumir, na atividade de planejamento, está
incorporado no classificador.
2. Caracterização do conjunto amostral categórico
A Figura 10 apresenta a distribuição de um conjunto amostral de classes de tipos de
molusco do gênero Biomphalaria na bacia do Rio São Francisco, em Minas Gerais.
2
8
( ) ( ) ( ) Luuu ,...,j,ippssecz ijj* 1=∀>=
( ) ( )[ ]uuL
jj
pMaxInc1
1=
−=
( ) ( ) ( )( )∑=
−==L
1jjj plnpHInc uuu
( ) ( ) ( ) ( )( )( ) contráriocasoz
,...,j,iaxImIncppssecz*
ijj*
φ=
=∀<>= ∧u
Luuuu 1
Cerca de 50% dos municípios da bacia do Rio São Francisco foram pesquisados e
possuem os atributos categóricos tipos de Biomphalaria. Os atributos foram distribuídos
na rede de drenagem dos municípios pesquisados e convertidos de linha para ponto para
a realização da krigeagem.
Figura 10. Distribuição das amostras de Biomphalaria na Bacia do Rio São Francisco.
3. Modelagem e classificação das espécies de Biomphalaria
Modelos de variografia foram gerados para cada um dos conjuntos por indicação
utilizando-se os procedimentos de análise exploratória, principalmente os procedimentos
de geração de variograma de superfície e por indicação, do módulo de geoestatística do
Sistema de Informação Geográfica SPRING (SPRING, 2005). Por esse módulo, foram
definidos variogramas experimentais, e ajustados por modelos matemáticos, para cada uma
das espécies de Biomphalaria consideradas: sem Biomphalaria, B. glabrata, B.
tenagophila, B. straminea, B. glabrata + B. tenagophila, B. glabrata + B. straminea e as
três espécies juntas.
Foi aplicado o procedimento de krigeagem por indicação sobre os dados amostrais, em
conjunto com os variogramas ajustados para cada espécie. Obteve-se, assim, uma
aproximação das fdcs das VAs com localizações determinadas por uma grade regular de
250 metros, envolvendo a Bacia do Rio São Francisco. A Figura 11 abaixo mostra o mapa
2
9
de espécies (a) classificado pelo estimador de moda e o mapa de incerteza (b) gerado pela
aplicação da probabilidade da moda.
Figura 11. (a) Classificação pela moda e (b) Incerteza associada à classificação
A Figura 12 mostra o mapa de espécies de Biomphalaria classificado pelo estimador de
moda depois de recortado e ajustado à Bacia do Rio São Francisco e, também atribuídas à
classificação as cores correspondentes a cada classe de molusco.
Figura 12. Classificação ajustada a Bacia do Rio São Francisco.
4. Resultados
3
0
- A krigeagem por indicação é um procedimento que pode ser aplicado a atributos
categóricos com resultados coerentes.
- O mapa de incertezas tem uma conformação que está de acordo com a variabilidade do
atributo em questão. Neste, as maiores incertezas aparecem nas regiões de maior
variabilidade, e também nas faixas de transição, dos valores do atributo. E os mapas de
incertezas apresentam valores menores em regiões mais homogêneas, onde as amostras de
espécies são todas de uma única classe.
Os resultados obtidos através da inferência permitiram determinar e delimitar,
respectivamente, as espécies e as áreas de risco, possibilitando indicar uma melhor
distribuição de recursos e direcionamento mais adequado para o controle do molusco.
Para validar a metodologia utilizada serão coletados moluscos nos municípios, nos quais
inexistem informações relacionadas à presença de moluscos, localizados nas áreas de risco
(Buritizeiro, Miravânia, São João da Missões, Matias Cardoso, Bonito de Minas, Santa Fé
de Minas e Brasilândia de Minas).
Essa metodologia será aplicada em outras bacias do estado de Minas Gerais para gerar um
mapa de previsão da distribuição da Biomphalaria.
J) TRABALHOS REALIZADOS
Estimação da prevalência de esquistossomose no estado de Minas Gerais através do
método de regressão linear
Esse trabalho foi realizado pelos alunos Érica Josiane Coelho Gouvêa, Flávia de Toledo
Martins e Ricardo Augusto Tavares Santos para a disciplina Métodos Estatísticos
Multivariados do curso de mestrado/doutorado em Sensoriamento Remoto do Instituto
Nacional de Pesquisas Espaciais (INPE).
K) PUBLICAÇÕES REALIZADAS
Carvalho, O. S.; Dutra, L. V.; Moura, A. C. M.; Freitas, C. C.; Amaral, R. S.; Drummond,
S. C.; Freitas, C. R.; Scholte, R. G. C.; Guimarães, R. J. P. S.; Melo, G. R.; Ragoni, V.;
Guerra, M. Desenvolvimento de um sistema de informações para o estudo,
planejamento e controle da esquistossomose no Estado de Minas Gerais. In: Simpósio
Brasileiro de Sensoriamento Remoto, 12. (SBSR), 16-21 abr. 2005, Goiânia. Anais...
São José dos Campos: INPE, 2005. Comunicações, p. 2083-2086. CD-ROM, On-line.
ISBN 85-17-00018-8.
Dutra, L. V.; Freitas, C. R.; Moura, A. C. M.; Freitas, C. C.; Guimarães, R. J. P. S.;
Amaral, R. S.; Drummond, S. C.; Scholte, R. G. C.; Melo, G. R.; Guerra, M.; Carvalho,
O. S. Desenvolvimento de Índices Hidrológicos para aplicação em Sistema de
Modelagem Ambiental de Risco de Esquistossomose em Minas Gerais. In: Simpósio
3
1
Internacional sobre esquistossomose, 10. 25-28 set. 2005, Belo Horizonte. Anais... no
prelo.
Dutra, L. V.; Moura, A. C. M.; Freitas, C. R.; Freitas, C. C.; Amaral, R. S.; Drummond, S.
C.; Guimarães, R. J. P. S.; Scholte, R. G. C.; Carvalho, O. S. Uso das imagens SRTM
no mapeamento da rede de drenagem e no estudo da rugosidade do terreno em Minas
Gerais e suas relações com a ocorrência da esquistossomose. In: Simpósio Nacional de
Geografia da Saúde, 2. 28-30 nov. 2005, Rio de Janeiro. Anais... no prelo.
Freitas, C. C.; Guimarães, R. J. P. S.; Dutra, L. V.; Moura, A. C. M.; Amaral, R. S.;
Drummond, S. C.; Scholte, R. G. C.; Guerra, M.; Freitas, C. R.; Carvalho, O. S. Análise
e estimativa da prevalência da esquistossomose para o estado de Minas Gerais usando
regressão múltipla com dados sócio-ambientais. In: Simpósio Internacional sobre
esquistossomose, 10. 25-28 set. 2005, Belo Horizonte. Anais... no prelo.
Guimarães, R. J. P. S.; Freitas, C. C.; Dutra, L. V.; Shimabukuro, Y. E.; Carvalho, O. S.;
Moura, A. C. M.; Amaral, R. S.; Drummond, S. C.; Scholte, R. G. C.; Freitas, C. R.;
Melo, G. R. Comparação do modelo de mistura com os índices de vegetação NDVI e
EVI oriundos das imagens MODIS para o Estado de Minas Gerais. In: Simpósio
Brasileiro de Sensoriamento Remoto, 12. (SBSR), 16-21 abr. 2005, Goiânia. Anais...
São José dos Campos: INPE, 2005. Artigos, p. 2665-2672. CD-ROM, On-line. ISBN
85-17-00018-8.
Guimarães, R. J. P. S.; Freitas, C. C.; Dutra, L. V.; Felgueiras, C. A.; Moura, A. C. M.;
Amaral, R. S.; Drummond, S. C.; Scholte, R. G. C.; Freitas, C. R.; Carvalho, O. S.
Distribuição espacial dos moluscos do gênero Biomphalaria na bacia do Rio São
Francisco - MG usando krigeagem por indicação. In: Simpósio Internacional sobre
esquistossomose, 10. 25-28 set. 2005, Belo Horizonte. Anais... no prelo.
Guimarães, R. J. P. S.; Freitas, C. C.; Dutra, L. V.; Felgueiras, C. A.; Moura, A. C. M.;
Amaral, R. S.; Drummond, S. C.; Scholte, R. G. C.; Freitas, C. R.; Carvalho, O. S.
Distribuição espacial dos moluscos do gênero Biomphalaria na bacia do Rio São
Francisco - MG usando krigeagem por indicação. In: Simpósio Nacional de Geografia
da Saúde, 2. 28-30 nov. 2005, Rio de Janeiro. Anais... no prelo
Moura, A. C. M.; Freitas, C. R.; Dutra, L. V.; Melo, G. R.; Carvalho, O. S.; Freitas, C. C.;
Amaral, R. S.; Scholte, R. G. C.; Drummond, S. C.; Guimarães, R. J. P. S. Atualização
de mapa de drenagem como subsídio para montagem de SIG para a análise da
distribuição da esquistossomose em Minas Gerais. In: Simpósio Brasileiro de
Sensoriamento Remoto, 12. (SBSR), 16-21 abr. 2005, Goiânia. Anais... São José dos
Campos: INPE, 2005. Artigos, p. 3551-3558. CD-ROM, On-line. ISBN 85-17-00018-8.
3
2
L) REFERÊNCIAS BIBLIOGRÁFICAS
Anderson, L. O.; Latorre, M. L.; Shimabukuro, Y. E.; Arai,
E.; Carvalho Junior, O. A. Sensor MODIS: uma abordagem
geral. São José dos Campos: INPE, 2003. 58p.
Camargo E. C. G. Desenvolvimento, implementação e teste de procedimentos
geoestatísticos (krigeagem) no Sistema de Processamento de Informações
Georeferenciadas (SPRING). Dissertação (Mestrado em Sensoriamento Remoto) –
Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1997.
Deutsch C. V. and Journel A. G. GSLIB Geostatistical Software Library and User’s
Guide. Oxford University Press, 1998.
Felgueiras C. A. Modelagem Ambiental com Tratamento de Incertezas em Sistemas
de Informação Geográfica: O Paradigma Geoestatístico por Indicação. Tese
(Doutorado em Computação Aplicada) – Instituto Nacional de Pesquisas Espaciais,
São José dos Campos, 1999.
Goovaerts, P.. Geostatistics for Natural Resources Evaluation. New York, Oxford
University Press, 1997. 481p.
Holben, B. N.; Shimabukuro, Y. E. Linear mixing model
applied to coarse spatial resolution data from
multispectral satellite sensors. International Journal of
Remote Sensing, v. 14, n. 11, p. 2231-2240, 1993.
Huete, A. Didan, K., Miura, T., Rodriguez, E.P., Gao, X., Ferreira, L.G. Overview of the
radiometric and biophysical performance of the MODIS vegetation indices. Remote
Sensing of the Environment, v. 83, n. 1-2, p. 195-213, Nov. 2002.
Huete, A.; Justice, C.; van Leeuwen, W. MODIS vegetation index (MOD13) algorithm
theoretical basis document. versão 3, p. 1-142, 1999. Disponível em: <modis-
land.gsfc.nasa.gov/pdfs/atbd_mod13.pdf>. Acesso em: 7 nov. 2002.
Huete, A.; Liu, H.Q.; Batchily, K.; van Leeuwen, W. A comparison of vegetation indices
over a global set of TM images for EOS-MODIS. Remote Sensing of Environment,
v.59, n.3 440-451, Mar. 1997.
Isaaks E. H. and Srivastava R. M. An Introduction to Applied Geostatistics, Oxford
University Press, 1989.
Justice, C.O.; Vermote, E.; Townshend. J. R.G.; DeFries, R.;Roy, P.D; Hall, D.K,
Salomonson, V.; Privette, J.L.; Riggs, G.; Strahler, A.; Lucht, W.; Myneni, B;
Knyazikhin, Y.; Running, W.S.; Nemani, R.R.; Wan, Z.; Huete, A.R.; Leeuwen, W.V.;
Wolfe, R.E.; Giglio, L.; Muller, J.P; Lewis, P.; Barnsley, M. The Moderate Resolution
Imaging Spectroradiometer (MODIS): land remote sensing for global change research.
3
3
IEEE Transactions on Geoscience and Remote Sensing, v.36, n.4, p.1228-1247,
July, 1998.
Justice, C. O.;Townshend, J.R.G.; Vermote, E.F., Masuoka, E., Wolfe, R.E., Saleous, N.,
Roy, D.P., Morisette, J.T. An overview of MODIS Land data processing and product
status. Remote Sensing of Environment, v. 83, n.1-2, Nov. p 3 –15, 2002a.
King, M.; Kaufman, Y; Menzel, W. and Tanré, D. Remote sensing of cloud, aerosol, and
water vapor properties from the Moderate Resolution Imaging Spectrometer (MODIS).
IEEE Transactions Geoscience and Remote Sensing, v.30, n.1, Jan, 1992.
Lillesand, T.M.; Kiefer, R.M. Remote sensing and image interpretation. New York,
N.Y.: Academic Press, 1994, 392p.
Moreira, R.C. Influência do posicionamento e da largura de bandas de sensores
remotos e dos efeitos atmosféricos na determinação de índices de vegetação. São
José dos Campos. 181p. Dissertação (Mestrado em Sensoriamento Remoto) - INPE,
2000.
NASA,2002. MODISweb. [on- line]. Http://ltpwww.gsfc.nasa.gov/data/atbd/atbd.mod14.pdf
Neter, J.; Kutner, M.H.; Nachtssheim, C.J., Wasserman, W.
Applied linear statistical models. Boston: WCB/McGraw-
Hill, 4 th edition, 1996.
Running, S.W.; Justice, C.; Salomonson, V.; Hall, D.;
Barker, J.; Kaufman, Y.; Strahler, A.; Huete, A.; Muller,
J.P.; Vanderbilt, V.; Wan, Z.M.; Teillet, P.; Carneggie,
D. Terrestrial remote sensing science and algorithms
planned for EOS/MODIS. International Journal of Remote
Sensing, v. 15, n. 17, p.3587-3620, 1994.
Shannon, C. E. e Weaver, W.. The Mathematical Theory of Communication. Urbana,
The University of Illinois Press, 1949. 117p.
Shimabukuro, Y. E. Shade images derived from linear mixing
models of multispectral measurements of forested areas.
Ph. D. Dissertation, Department of Forest and Wood
Sciencies, Colorado State University, Fort Collins,
Colorado. 1987. 274p.
Shimabukuro, Y. E.; Smith, J. A. The least-squares mixing
models to generate fraction images derived from remote
sensing multispectral data. IEEE Transactions on
Geoscience and Remote Sensing, v. 29, n. 1, p. 16-20.
1991.
SPRING V.4.1, (DPI/INPE) Sistema de Processamento de Informações Georeferenciadas
– Divisão de Processamento de Imagens (DPI) do Instituto Nacional de Pesquisas
Espaciais (INPE), http://www.dpi.inpe.br/spring/ , 2005.
3
4
Statistica 6.0, Tulsa, OK: Statsoft. 2001. 1 CD-ROM.
Weier, J.; Herring, D. Measuring vegetation (NDVI & EVI).
[on line]
<http://earthobservatory.nasa.gov/Library/MeasuringVegetat
ion/measuring_vegetation_4.html> nov. 2004.
Zhan, X.; DeFries, R.S.; Townshend, J.R. G.; DiMicelix, C.M.; Hansen,M.; Huang, C. The
250 m global land cover change product from the Moderate Resolution Imaging
Spectroradiometers of NASA´s Earth Observation System. International Journal of
Remote Sensing, v.21, n.6-7, p.1433-1460, Apr 15, 2000.
3
5
ANEXO 1
Prevalência da esquistossomose nos 189 municípios do estado de Minas Gerais
Município Prevalência Município Prevalência
Abre Campo 8,6 Luizlândia 14,6 Açucena 5,6 Malacacheta 27,3 Águas Formosas 17,7 Manga 2,5 Águas Vermelhas 25,7 Marilac 10, 0Aimorés 14,5 Materlândia 22,3 Alpercata 9,9 Matias Cardoso 1,4 Alvarenga 25, 0 Matias Lobato 15,1 Amparo da Serra 14,3 Matipó 8, 0Baldim 19,9 Mato Verde 1, 0Bertópolis 8,8 Maxacalis 11,3 Bocaiúva 4,2 Mendes Pimentel 26, 0Bom Jesus do Galho 18,2 Mirabela 30, 0Bonito de Minas 15,7 Montalvânia 2,2 Botumirim 0,4 Monte Azul 0,6 Brasília de Minas 18,4 Montes Claros 12,3 Braúnas 19,6 Montezuma 8,5 Campanário 19,8 Nacip Raydan 31,9 Campo Azul 1,3 Nova Módica 20,7 Capim Branco 1,8 Novo Cruzeiro 32,5 Capitão Andrade 21,9 Ouro Verde de Minas 35,3 Capitão Enéas 1,5 Padre Paraíso 38,4 Caputira 16,7 Passabem 8,4 Caraí 38,1 Paulistas 9,7 Caratinga 8,9 Pavão 12,2 Carlos Chagas 8,1 Pedras de Maria da Cruz 2,2 Cataguases 0,9 Pescador 19,3 Catuji 23, 0 Piedade de Ponte Nova 18,5 Central de Minas 13,4 Pocrane 13,9 Chalé 12,2 Porteirinha 0,6 Claro dos Poções 1,7 Poté 26,8 Coluna 21,2 Raul Soares 15,5 Comercinho 18,2 Resplendor 13,9 Conceição de Ipanema 15,2 Riacho dos Machados 0,5 Conceição do MatoDentro 4,1 Rio Acima 5,6 Cônego Marinho 10, 0 Rio Casca 16,1 Conselheiro Pena 18,9 Rio do Prado 20,1 Coração de Jesus 30,8 Rio Doce 13,6 Coroaci 21,8 Rio Espera 13,7 Coronel Pacheco 4,3 Rio Manso 0,6 Córrego Novo 12,4 Rio Pardo de Minas 13,2 Cristália 0,080 Rubelita 7, 0Dionísio 17, 0 Rubim 29, 0Divino das Laranjeiras 10,6 Salinas 6,8 Divinolândia de Minas 11,6 Santa Bárbara do Leste 7,2 Dom Cavati 20,3 Santa Cruz do Escalvado 17,6 Dom Joaquim 28,2 Santa Efigênia de Minas 4,6 Dores de Guanhães 15, 0 Santa Maria de Itabira 16,4 Doresópolis 7,1 Santa Rita de Minas 15,5 Durandé 9,5 Santa Rita do Ituêto 17,5 Engenheiro Caldas 10,5 Santana do Garambeu 0,060
3
6
Engenheiro Navarro 2,3 Santana do Manhuaçu 37,3 Entre Folhas 19,8 Santana do Paraíso 12, 0Espinosa 0,8 Santana do Riacho 3,5 Felício dos Santos 3,2 Santo Antônio do Grama 13,6 Fernandes Tourinho 14,2 Santo Antônio do Itambé 6,4 Formiga 0,960 Santo Antônio do Retiro 14,6 Francisco Sá 0,5 São Domingos das Dores 4,3 Franciscópolis 24, 0 São Francisco do Glória 2,3 Frei Gaspar 39, 0 São Geraldo da Piedade 31,6 Frei Inocêncio 15,2 São João da Ponte 30, 0Fronteira dos Vales 5,5 São João do Pacuí 16, 0Galiléia 10,4 São João do Paraíso 14, 0Goiabeira 5,1 São João Evangelista 12,5 Gonzaga 2,3 São José da Lapa 9,1 Grão Mogol 0,3 São José da Safira 16,7 Guanhães 8,4 São José do Divino 20,6 Ibiaí 3, 0 São José do Goiabal 10,9 Icaraí de Minas 12,2 São José do Jacuri 55, 0Igaratinga 4,8 São José do Manteninha 28,2 Inhapim 16, 0 São José do Mantimento 31,5 Ipaba 9,8 São Pedro do Suaçuí 22,9 Ipanema 11,9 São Pedro dos Ferros 17,5 Itabirinha de Mantena 25,2 São Sebastião do Anta 9,5 Itacambira 0,3 São Sebastião do Rio Prêto 16, 0Itacarambi 3,8 São Sebastião Maranhão 24,8 Itaipé 24,9 Sardoá 7,5 Itajubá 1,4 Sem-peixe 10,4 Itambacuri 28,1 Senhora de Oliveira 10,5 Itambé do Mato Dentro 0,6 Serra Azul de Minas 15,2 Itanhomi 20,8 Simonésia 8,7 Itaúna 0,5 Sobrália 19, 0Itinga 13,1 Taiobeiras 12,9 Ituêta 15,1 Taquaraçu de Minas 18,7 Jaboticatubas 26,9 Tarumirim 26,1 Jaíba 0,4 Teixeiras 2,3 Jampruca 13,5 Tumiritinga 8,8 Janaúba 0,8 Ubaí 24,3 Januária 25,8 Ubaporanga 15,9 Japonvar 14,5 Umburatiba 10,5 José Raydan 25,9 Urucânia 11,9 Juramento 0,5 Vargem Alegre 8,2 Ladainha 31,7 Varzelândia 8,2 Lagoa dos Patos 3, 0 Vermelho Novo 7,4 Lajinha 20,1 Virgolândia 24, 0Lamim 9,5
3
7
ANEXO 2
Presença ou ausência de moluscos do gênero Biomphalaria nos municípios de Minas Gerais:
Municípios Molusco Municípios Molusco
ABADIA DOS DOURADOS Negativo JANAUBA B. glabrata + B. straminea
AGUA BOA B. glabrata JANUARIA B. glabrata + B. straminea
AGUA COMPRIDA B. tenagophila JAPONVAR B. glabrata + B. straminea
AGUAS VERMELHAS B. glabrata JEQUITAI Bg + Bs + Bt
AIMORES B. glabrata + B. tenagophila JEQUITIBA B. straminea
ALAGOA B. tenagophila JEQUITINHONHA B. glabrata
ALFENAS B. tenagophila JOAIMA B. glabrata + B. tenagophila
ALMENARA B. glabrata JOAO MONLEVADE B. glabrata
ALPINOPOLIS B. glabrata JOAO PINHEIRO B. straminea
ALTEROSA B. glabrata JUIZ DE FORA B. glabrata + B. tenagophila
ALVINOPOLIS B. glabrata JURAMENTO B. straminea
ANDRADAS B. glabrata LAGAMAR B. straminea
ANTONIO DIAS B. glabrata LAGOA DA PRATA Bg + Bs + Bt
ARACAI B. glabrata LAGOA DOS PATOS B. glabrata + B. straminea
ARAGUARI Negativo LAGOA FORMOSA B. straminea
ARAPUA Negativo LAGOA GRANDE B. straminea
ARAXA B. glabrata + B. straminea LAGOA SANTA Bg + Bs + Bt
ARCOS B. glabrata + B. straminea LONTRA B. glabrata + B. straminea
ARINOS Negativo MACHACALIS B. glabrata + B. tenagophila
BALDIM B. glabrata + B. straminea MALACACHETA B. glabrata
BAMBUI B. glabrata + B. straminea MAMONAS B. glabrata + B. straminea
BARAO DE COCAIS B. glabrata MANGA B. glabrata
BARAO DE MONTE ALTO B. tenagophila MANHUACU B. glabrata
BARBACENA B. glabrata + B. tenagophila MANTENA B. glabrata
BELO HORIZONTE Bg + Bs + Bt MARIANA B. glabrata
BELO ORIENTE B. straminea MARLIERIA B. glabrata + B. tenagophila
BELO VALE B. straminea MATEUS LEME B. glabrata + B. straminea
BETIM Bg + Bs + Bt MATIAS BARBOSA B. tenagophila
BOCAIUVA Bg + Bs + Bt MATIPO B. glabrata
BOM DESPACHO B. tenagophila MATO VERDE B. straminea
BOM JESUS DO GALHO B. glabrata MATOZINHOS B. glabrata + B. straminea
BONFINOPOLIS DE MINAS B. straminea MATUTINA Negativo
BRASILIA DE MINAS B. glabrata + B. straminea MEDINA B. glabrata
BRAUNAS B. glabrata MESQUITA B. glabrata
BRUMADINHO B. glabrata + B. straminea MINAS NOVAS B. straminea
BUENO BRANDAO B. straminea MIRABELA B. glabrata + B. straminea
BUENOPOLIS B. glabrata + B. straminea MONTALVANIA B. glabrata + B. straminea
BURITIS Negativo MONTE ALEGRE DE MINAS B. glabrata + B. straminea
CABO VERDE B. tenagophila MONTE BELO B. tenagophila
CACHOEIRA DOURADA B. straminea MONTE CARMELO Negativo
CAETE Bg + Bs + Bt MONTES CLAROS B. glabrata + B. straminea
CAMPANARIO B. glabrata MUTUM Bg + Bs + Bt
CAMPANHA B. glabrata NACIP RAYDAN B. glabrata
CAMPINA VERDE Negativo NOVA ERA B. glabrata + B. tenagophila
CAMPO FLORIDO Negativo NOVA LIMA Bg + Bs + Bt
CAMPOS ALTOS Negativo NOVA PONTE Negativo
CAMPOS GERAIS B. straminea NOVA UNIAO B. glabrata
CANAPOLIS Negativo NOVO CRUZEIRO B. glabrata
CAPIM BRANCO B. glabrata + B. straminea OURO BRANCO B. glabrata + B. tenagophila
CAPINOPOLIS Negativo OURO PRETO B. glabrata
CAPITAO ENEAS B. straminea PAINS B. glabrata + B. straminea
CARAI B. glabrata + B. tenagophila PAPAGAIOS B. glabrata + B. straminea
3
8
CARANAIBA B. glabrata + B. straminea PARA DE MINAS B. glabrata
CARATINGA B. glabrata + B. straminea PARACATU B. glabrata + B. straminea
CARMO DO PARANAIBA Negativo PARAGUACUB. tenagophila + B.straminea
CASCALHO RICO B. straminea PARAOPEBA B. glabrata + B. straminea
CASSIA B. straminea PASSOS Bg + Bs + Bt
CATAS ALTAS DA NORUEGA B. glabrata PATOS DE MINAS B. tenagophila
CENTRALINA B. straminea PATROCINIO Negativo
CHAPADA DO NORTE B. straminea PECANHA B. glabrata
CLARAVAL B. straminea PEDRA AZUL B. glabrata
CLARO DOS POCOES B. glabrata + B. straminea PEDRINOPOLIS Negativo
COLUNA B. glabrata PEDRO LEOPOLDO B. glabrata + B. straminea
COMENDADOR GOMES Negativo PERDIZES Negativo
COMERCINHO B. glabrata PIAU B. glabrata
CONCEICAO DA APARECIDA B. glabrata PIEDADE DE PONTE NOVA B. glabrata
CONCEICAO DAS ALAGOAS B. straminea PIRAJUBA Negativo
CONCEICAO DO MATO DENTRO B. glabrata PIRAPETINGA B. glabrata
CONQUISTA Negativo PIRAPORA B. glabrata + B. straminea
CONSELHEIRO LAFAIETE Bg + Bs + Bt PITANGUI Bg + Bs + Bt
CONSELHEIRO PENA B. glabrata PLANURA Negativo
CONTAGEM Bg + Bs + Bt POCRANE B. glabrata
CORACAO DE JESUS B. glabrata + B. straminea PONTE NOVA Bg + Bs + Bt
CORDISBURGO B. glabrata + B. straminea PORTEIRINHA B. glabrata + B. straminea
CORINTO B. glabrata + B. straminea PRATA Negativo
COROMANDEL Negativo PRATINHA Negativo
CORONEL FABRICIANO Bg + Bs + Bt PRESIDENTE OLEGARIO Negativo
CRUZEIRO DA FORTALEZA Negativo PRUDENTE DE MORAIS B. straminea
CURVELO B. glabrata + B. straminea RESPLENDOR B. glabrata
DELFINOPOLIS B. straminea RIBEIRAO DAS NEVES B. glabrata
DELTAB. tenagophila + B.straminea RIO ACIMA B. glabrata + B. straminea
DIAMANTINA B. glabrata RIO CASCA B. glabrata + B. straminea
DIONISIO B. glabrata RIO DOCE B. glabrata + B. tenagophila
DIVINO B. glabrata RIO NOVO B. glabrata + B. tenagophila
DIVINOLANDIA DE MINAS B. glabrata RIO PARANAIBA Negativo
DIVINOPOLIS B. glabrata + B. tenagophila RIO PARDO DE MINAS B. glabrata
DOM JOAQUIM B. glabrata + B. tenagophila RIO PIRACICABA B. glabrata
DORES DO INDAIA B. glabrata RIO VERMELHO B. glabrata
DORESOPOLIS B. glabrata + B. tenagophila ROMARIA Negativo
DOURADOQUARA B. straminea RUBELITA B. glabrata
ENGENHEIRO CALDAS B. glabrata + B. straminea SABARA Bg + Bs + Bt
ENGENHEIRO NAVARRO B. glabrata + B. straminea SABINOPOLIS B. glabrata
ENTRE FOLHAS B. glabrata SACRAMENTO B. glabrata + B. straminea
ESMERALDAS Bg + Bs + Bt SALINAS B. glabrata + B. straminea
ESPINOSA B. glabrata + B. straminea SALTO DA DIVISA B. glabrata + B. straminea
ESTRELA DO SUL Negativo SANTA BARBARA B. glabrata
FERROS B. glabrata SANTA JULIANA Negativo
FLORESTAL B. glabrata SANTA LUZIA Bg + Bs + Bt
FORMIGA B. glabrata SANTA MARIA DE ITABIRA B. glabrata
FORMOSO Negativo SANTA MARIA DO SUACUI B. glabrata + B. straminea
FORTALEZA DE MINAS B. glabrata SANTA ROSA DA SERRA Negativo
FRANCISCO SA B. glabrata + B. straminea SANTA VITORIA B. straminea
FREI INOCENCIO B. glabrata + B. straminea SANTANA DE PIRAPAMA B. straminea
FRONTEIRA Negativo SANTANA DO RIACHO B. glabrata
FRUTAL Negativo SANTO ANTONIO DO GRAMA B. glabrata
GALILEIA B. glabrata SAO FRANCISCO DE SALES Negativo
GOVERNADOR VALADARES Bg + Bs + Bt SAO GONCALO DO ABAETE B. glabrata + B. straminea
3
9
GRUPIARA B. straminea SAO GOTARDO Negativo
GUANHAES B. glabrata SAO JOAO DA PONTE B. glabrata + B. straminea
GUARANESIA B. tenagophila SAO JOAO DEL REI B. glabrata
GUARDA-MOR Negativo SAO JOAO DO PARAISO B. glabrata
GUAXUPE B. tenagophila SAO JOAO EVANGELISTA B. glabrata
GUIMARANIA Negativo SAO PEDRO DO SUACUI B. glabrata + B. straminea
GURINHATA Negativo SAO ROMAO B. glabrata + B. straminea
IAPU B. glabrata SAO SEBASTIAO DO PARAISO B. straminea
IBIA Negativo SAO SEBASTIAO DO RIO PRETO B. glabrata
IBIAI B. glabrata + B. straminea SAO TOMAS DE AQUINO B. straminea
IBIRACATU B. glabrata + B. straminea SAPUCAI-MIRIM B. glabrata
IBIRITE B. glabrata SERRA DO SALITRE Negativo
IGARAPE B. glabrata + B. straminea SETE LAGOAS Bg + Bs + Bt
INDIANOPOLIS Negativo SOBRALIA B. straminea
INHAPIM B. glabrata TABULEIRO B. glabrata
INHAUMA B. glabrata + B. straminea TAPIRA B. glabrata
INIMUTABA B. glabrata + B. straminea TAQUARACU DE MINAS Bg + Bs + Bt
IPIACU B. straminea TARUMIRIM B. glabrata
IRAI DE MINAS Negativo TEOFILO OTONI B. glabrata + B. straminea
ITABIRA B. glabrata + B. straminea TIMOTEO B. glabrata + B. straminea
ITABIRINHA DE MANTENA B. glabrata + B. straminea TIROS Negativo
ITABIRITO B. straminea TRES MARIAS B. straminea
ITACARAMBI B. glabrata + B. straminea TUMIRITINGA B. glabrata
ITAJUBA B. glabrata + B. tenagophila TUPACIGUARA Negativo
ITAMBACURI B. glabrata TURVOLANDIA B. tenagophila
ITANHOMI B. glabrata UBA Bg + Bs + Bt
ITAPAGIPE Negativo UBAI Bg + Bs + Bt
ITAUNA B. glabrata + B. straminea UBERABAB. tenagophila + B.straminea
ITINGA B. glabrata + B. straminea UBERLANDIA Bg + Bs + Bt
ITUETA B. glabrata UNAI B. straminea
ITUIUTABA B. straminea VARZELANDIA Bg + Bs + Bt
ITURAMA Negativo VAZANTE B. straminea
JABOTICATUBAS B. glabrata + B. tenagophila VERISSIMO Negativo
JACINTO B. glabrata + B. straminea VESPASIANO Bg + Bs + Bt
JAGUARACU B. glabrata + B. tenagophila VICOSA B. glabrata + B. tenagophila
JAMPRUCA B. glabrata VIRGOLANDIA B. glabrata
4
0