Introdução
Os focos de queimadas referem-se a áreas onde ocorreram incêndios, sejam eles intencionais ou acidentais. Essas queimadas podem ter impactos significativos no meio ambiente, na biodiversidade e na saúde humana.
Além da degradação da qualidade do ar e do aumento das emissões de gases de efeito estufa, as queimadas afetam diretamente os habitats naturais, levando à perda de espécies e à degradação do solo. Em regiões vulneráveis, como o semiárido brasileiro, onde o Ceará se destaca, a prática de queimadas pode intensificar a escassez de recursos hídricos e agravar a desertificação.
As consequências sociais das queimadas também são alarmantes, uma vez que comunidades locais dependem dos recursos naturais para sua subsistência. A fumaça liberada por queimadas pode causar problemas respiratórios e agravar condições de saúde preexistentes, especialmente entre grupos vulneráveis.
Objetivo
Este estudo tem como objetivo investigar os padrões e tendências dos focos de queimadas no estado do Ceará entre 2022 e 20/09/2024. Busca-se identificar áreas de risco e compreender as dinâmicas que contribuem para o aumento das queimadas, levando em consideração fatores ambientais, socioeconômicos e climáticos.
Materiais e Métodos
Banco de dados
## Shape municípios
shape_ceara<-st_read("CE_Municipios_2022/CE_Municipios_2022.shp")
## shape mesoregião
Meso_ceara<-st_read("CE_Mesorregioes_2022/CE_Mesorregioes_2022.shp")
## Focos de queimadas do ano de 2022
focos_qmd_2022 <- read_excel("Processo-pontual-focos-de-queimadas/focos-de-queimadas-2022/focos_qmd_2022.xlsx")
## Focos de queimadas do ano de 2023
focos_qmd_2023 <- read_excel("Processo-pontual-focos-de-queimadas/focos-de-queimadas-2023/focos_qmd_2023.xlsx")
## Focos de queimadas ate dia 20/09/2024
focos_qmd_at_20_09_2024 <- read_excel("Processo-pontual-focos-de-queimadas/focos-de-queimadas-at20-09-2024/focos_qmd_at-20-09-2024.xlsx")- Shape dos municípios do ceará.
- Shape das mesoregiões do ceará.
- O banco de dados de 2022 contém 4.136 observações e 12 variáveis.
- O banco de dados de 2023 contém 6.808 observações e 12 variáveis.
- O banco de dados de 2024 contém 909 observações e 12 variáveis.
## Transformando as variaveis Latitude e Longitude em numerico
focos_qmd_2022$Latitude<-as.numeric(focos_qmd_2022$Latitude)
focos_qmd_2022$Longitude<-as.numeric(focos_qmd_2022$Longitude)
focos_qmd_2023$Latitude<-as.numeric(focos_qmd_2023$Latitude)
focos_qmd_2023$Longitude<-as.numeric(focos_qmd_2023$Longitude)
focos_qmd_at_20_09_2024$Latitude<-as.numeric(focos_qmd_at_20_09_2024$Latitude)
focos_qmd_at_20_09_2024$Longitude<-as.numeric(focos_qmd_at_20_09_2024$Longitude)Mapa do estado do Ceará
O conjunto de informações inclui dados sobre os focos de queimadas em 184 municípios do estado do Ceará, referentes aos anos de 2022 a 20/09/2024. O estado é subdividido em 7 mesorregiões.
# Definir as cores e texto da legenda
CORES_meso <- c("#e3a72f","#d54b1a","#988864","#54bf46","#8B0A50","#3A5FCD","#B22222")
legtext <- Meso_ceara$NM_MESO
# Configurar margens do gráfico para garantir que o título apareça
par(mar=c(5, 5, 5, 5)) # Margens ajustadas para incluir espaço no lado direito
# Plotar o mapa das mesorregiões
plot(st_geometry(Meso_ceara), col=CORES_meso, lwd=2,
main="Mapa espacial do estado do Ceará",
border="black")
# Adicionar a camada de shape_ceara ao mapa
plot(st_geometry(shape_ceara), add=TRUE, border="black", lwd=0.1)
# Adicionar a legenda
legend("bottomright", fill=CORES_meso,
legend=legtext,
title="Mesorregiões", title.font=2,
bty="n", cex=1.0,
border="black")
# Adicionar a barra de escala no lado esquerdo
scalebar(100, xy=c(-42.9, -7.5),
type="bar", below="km",
cex=0.7, lonlat=TRUE, divs=4)
# Adicionar a rosa dos ventos no lado esquerdo
compassRose(-42.6, -7.0, cex=0.7)
Os dados dos três anos analisados (2022, 2023 e a 20/09/2024) referem-se exclusivamente a focos de queimadas ocorridos no bioma Caatinga, uma das regiões semiáridas mais importantes do Brasil. Esse bioma desempenha um papel na biodiversidade e nos ecossistemas locais, porém é vulnerável a eventos como queimadas, especialmente durante períodos prolongados de seca.
Processo Pontuais
Processos pontuais são fenômenos que ocorrem em locais específicos, representados por pontos com coordenadas precisas. Eles são utilizados para modelar e analisar a distribuição e a intensidade de eventos em um espaço contínuo, como focos de queimadas ou surtos de doenças. Esses processos são caracterizados pela localização dos pontos e pela relação entre eles, permitindo identificar padrões de comportamento, que podem ser agrupados, regulares ou aleatórios. Esses padrões ajudam a entender a distribuição espacial dos eventos e a identificar fatores que podem influenciar sua ocorrência.
Distribuição dos Focos de Queimadas
A distribuição refere-se à maneira como os pontos estão organizados no espaço, representando a ocorrência de focos de queimadas. Cada ponto está ligado a uma localização específica (longitude e latitude) no estado do Ceará, onde um foco de queimada ocorre.
## Extração de coordenadas
coordenadas_2022 <- focos_qmd_2022[, c("Longitude", "Latitude")]
head(coordenadas_2022)## # A tibble: 6 × 2
## Longitude Latitude
## <dbl> <dbl>
## 1 -38.5 -4.60
## 2 -39.3 -7.21
## 3 -38.9 -7.48
## 4 -39.8 -6.48
## 5 -38.1 -5.54
## 6 -38.1 -5.54## Definição do sistema de coordenadas
sistema_coords_2022 <- CRS("+proj=longlat +datum=WGS84 +no_defs")
## Criação de um objeto SpatialPointsDataFrame
pontos_spatial_2022 <- SpatialPointsDataFrame(coords=coordenadas_2022, data=focos_qmd_2022,
proj4string=sistema_coords_2022)
## Bounding box dos pontos
bounding_box_2022 <- bbox(pontos_spatial_2022)
## Leitura de um shapefile
municipios_2022 <- read_sf("CE_Municipios_2022/CE_Municipios_2022.shp")
## Transformação do sistema de coordenadas
municipios_projetados_2022 <- st_transform(municipios_2022, crs = 32722)
## Definição da janela para análise espacial
janela_analise_2022 <- as.owin(municipios_projetados_2022)
## Conversão para formato sf
pontos_sf_2022 <- st_as_sf(pontos_spatial_2022)
## Projetando os pontos
pontos_projetados_2022 <- st_transform(pontos_sf_2022, crs = 32722)
## Extraindo coordenadas
coordenadas_extraidas_2022 <- st_coordinates(pontos_projetados_2022)
## Criação de um objeto de pontos de processo pontual (ppp)
pontos_ppp_2022 <- ppp(x=coordenadas_extraidas_2022[,1], y=coordenadas_extraidas_2022[,2], window=janela_analise_2022)
## Plotagem dos dados
plot(pontos_ppp_2022, pch=16, cex=0.5, main="Focos de Queimadas - 2022")
Top 10 Municípios com mais focos de queimadas (2022 a 20/09/2024)
# Carregando os pacotes necessários
library(dplyr)
library(knitr)
# Verificando os nomes das colunas
print(names(focos_qmd_2022))## [1] "DataHora" "Satelite" "Pais" "Estado" "Municipio"
## [6] "Bioma" "DiaSemChuva" "Precipitacao" "RiscoFogo" "Latitude"
## [11] "Longitude" "FRP"# Filtrando os 10 municípios com mais focos de queimadas
descritiva_pontos <- focos_qmd_2022 %>%
group_by(Municipio) %>% # Use o nome correto da coluna
summarise(Focos_Queimadas = n(), .groups = "drop") %>%
slice_max(Focos_Queimadas, n = 10) %>%
arrange(desc(Focos_Queimadas))
# Criando a tabela
kable(descritiva_pontos, align = "c",
caption = "10 Municípios com mais focos de queimadas em 2022")| Municipio | Focos_Queimadas |
|---|---|
| BOA VIAGEM | 148 |
| CRATEÚS | 136 |
| SANTA QUITÉRIA | 106 |
| GRANJA | 103 |
| IPUEIRAS | 97 |
| CARIRÉ | 88 |
| TAMBORIL | 86 |
| ICÓ | 83 |
| SOBRAL | 80 |
| VIÇOSA DO CEARÁ | 76 |
# Filtrando os 10 municípios com mais focos de queimadas em 2023
dercr_pont_2023 <- focos_qmd_2023 %>%
group_by(Municipio) %>% # Agrupando por 'Municipio'
summarise(Focos_Queimadas = n()) %>% # Contando o número de focos de queimadas
slice_max(Focos_Queimadas, n = 10) # Selecionando os 10 municípios com mais focos de queimadas
# Criando a tabela para 2023
kable(dercr_pont_2023, align = "c",
caption = "10 Municípios com mais focos de queimadas em 2023")| Municipio | Focos_Queimadas |
|---|---|
| BOA VIAGEM | 280 |
| CRATEÚS | 263 |
| SANTA QUITÉRIA | 222 |
| ICÓ | 189 |
| MONSENHOR TABOSA | 173 |
| ITAPIPOCA | 137 |
| GRANJA | 127 |
| IPUEIRAS | 125 |
| CANINDÉ | 123 |
| CAUCAIA | 114 |
# Filtrando os 10 municípios com mais focos de queimadas até 20/09/2024
dercr_pont_2024 <- focos_qmd_at_20_09_2024 %>%
group_by(Municipio) %>% # Agrupando por 'Municipio'
summarise(Focos_Queimadas = n()) %>% # Contando o número de focos de queimadas
slice_max(Focos_Queimadas, n = 10) # Selecionando os 10 municípios com mais focos de queimadas
# Criando a tabela para 2024
kable(dercr_pont_2024, align = "c",
caption = "10 Municípios com mais focos de queimadas até - 20/09/2024")| Municipio | Focos_Queimadas |
|---|---|
| SANTANA DO CARIRI | 28 |
| ARARIPE | 26 |
| CRATEÚS | 25 |
| SOBRAL | 24 |
| IGUATU | 21 |
| CAUCAIA | 20 |
| JUCÁS | 19 |
| MISSÃO VELHA | 19 |
| QUIXERAMOBIM | 18 |
| TIANGUÁ | 18 |
As queimadas continuam sendo um problema crítico em algumas regiões do estado do ceará, com Boa Viagem e Crateús como exemplos de municípios que enfrentaram um aumento significativo entre os anos de 2022 e 2023. Contudo, ate 20/09/2024 parece indicar um ano mais controlado, ou pelo menos, menos intenso em termos de queimadas, abrindo espaço para discussões sobre as possíveis causas e soluções preventivas.
Estimador de Intesidade Kernel e Teste Kolmogoriv Smirnov
A Intensidade estimada dos pontos também conhecida como lambda (λ), é a média de pontos por unidade de área. Ela dá uma ideia da densidade de eventos (neste caso, focos de queimadas) distribuídos espacialmente no espaço analisado.É dado pela formula geral:
\[ \hat{\lambda}_t(x) = \frac{1}{\tau^2} \sum_{i=1}^{n} k \left( \frac{h(x_i, x)}{\tau} \right), \quad h(x_i, x) \leq \tau. \]
Em que ,
\(\hat{\lambda}_t(x)\): É a estimativa da intensidade no ponto \(x\) no tempo \(t\). A intensidade pode ser interpretada como a densidade esperada de eventos em torno de \(x\).
\(\tau\): Representa o parâmetro de escala (ou largura da janela). Ele define o limite de distância espacial até o qual os pontos \(x_i\) ao redor do ponto \(x\) são considerados na soma. Quanto maior o \(\tau\), maior a área de influência do ponto \(x\).
\(\sum_{i=1}^{n}\): É uma soma sobre todos os \(n\) pontos de dados (ou eventos) que estão dentro da distância \(\tau\) de \(x\).
\(k \left( \frac{h(x_i, x)}{\tau} \right)\): O termo \(k\) é a função de núcleo (ou “kernel function”), que determina o peso dado a cada ponto \(x_i\) com base em sua distância ao ponto \(x\). A função de núcleo pode ser gaussiana, e \(\frac{h(x_i, x)}{\tau}\) ajusta a distância \(h(x_i, x)\) em função do parâmetro de escala \(\tau\).
O teste de Kolmogorov-Smirnov (KS) foi realizado para avaliar se os focos de queimadas em 2022 seguem um processo de Poisson homogêneo, o que implicaria que os eventos estão distribuídos de maneira completamente aleatória no espaço, especificamente ao longo da coordenada ‘x’.
A seguir, as hipóteses a serem testadas:
Hipótese Nula (H0): Os focos de queimadas estão distribuídos aleatoriamente no espaço ao longo da coordenada ‘x’, seguindo um processo de Poisson homogêneo.
Hipótese Alternativa (H1): Os focos de queimadas não estão distribuídos aleatoriamente no espaço ao longo da coordenada ‘x’, indicando a presença de padrões espaciais.
- 2022 :
## Estimando a intensidade de pontos (lambda) para o ano de 2022
lambda2022 <- summary(pontos_ppp_2022)$intensity
## Teste de Kolmogorov-Smirnov para completa aleatoriedade espacial com a coordenada x
KS2022 <- cdf.test(pontos_ppp_2022, "x", test="ks")## Warning in ks.test.default(U, "punif", ...): ties should not be present for the
## Kolmogorov-Smirnov test
O valor de \(\lambda\) é \(2.671219e-08\), extremamente pequeno, o que sugere uma baixa densidade de focos de queimadas em relação à área total analisada. Isso indica que os focos de queimadas estão espalhados de maneira muito dispersa no espaço considerado.
Os resultados do teste de Kolmogorov-Smirnov para o ano de 2022 mostram uma estatística \(D = 0.13779\) e um valor de \(p < 2.2e-16\), revelando uma diferença significativa na distribuição dos focos de queimadas em comparação a uma distribuição aleatória. Com isso, rejeitamos a hipótese de aleatoriedade, concluindo que há um padrão não aleatório na distribuição espacial dos focos de queimadas.
Com base na discrepância observada entre as distribuições empírica (linha preta) e esperada (linha vermelha), o padrão espacial dos focos de queimadas ao longo da coordenada X é agrupado, evidenciando a presença de clusters em determinadas áreas.
- 2023 :
## Estimando a intensidade de pontos (lambda) para o ano de 2023
lambda2023 <- summary(pontos_ppp_2023)$intensity
## Teste de Kolmogorov-Smirnov para completa aleatoriedade espacial com a coordenada x
KS2023 <- cdf.test(pontos_ppp_2023, "x", test="ks")
## Gráfico
plot(KS2023, main= "Focos de Queimadas - 2023")
O valor de \(\lambda\) de \(4.396919e-08\) indica uma baixa densidade de focos de queimadas em relação à área total, sugerindo que os focos estão amplamente dispersos.
O teste de Kolmogorov-Smirnov para 2022, com estatística \(D = 0.11989\) e \(p < 2.2e-16\), aponta uma diferença significativa em relação à distribuição aleatória, o que rejeita a hipótese de aleatoriedade.
A discrepância entre as distribuições observada e esperada confirma um padrão agrupado, indicando a presença de clusters de queimadas em áreas específicas.
- Até 20/09/2024 :
## Estimando a intensidade de pontos (lambda) para o ano de 2023
lambda_at_20_09_2024 <- summary(pontos_ppp_at_20_09_2024)$intensity
## Teste de Kolmogorov-Smirnov para completa aleatoriedade espacial com a coordenada x
KS_at_20_09_2024 <- cdf.test(pontos_ppp_at_20_09_2024, "x", test="ks")
## Gráfico
plot(KS_at_20_09_2024, main= "Focos de Queimadas - at_20_09_2024 ")
O valor de \(\lambda\) de \(5.87074e-09\) indica uma baixa densidade de focos de queimadas em relação à área total, sugerindo que os focos estão amplamente dispersos.
O teste de Kolmogorov-Smirnov para o ano de 2024 até o dia 20/09, com estatística \(D = 0.059733\) e \(p < 0.003047\), aponta uma diferença significativa em relação à distribuição aleatória, o que rejeita a hipótese de aleatoriedade.
Com base na proximidade entre as curvas observada e esperada, os focos de queimadas para 2024 parecem seguir um padrão próximo da aleatoriedade, e não fortemente agrupado. As pequenas variações podem indicar algum grau de desvio, mas não o suficiente para afirmar com certeza que há um agrupamento significativo.
Intensidade
Seguindo a análise, observa-se uma variação na intensidade dos focos de queimadas ao longo dos anos. Essa variação permite uma visualização mais detalhada, proporcionando uma análise mais precisa do comportamento dos focos de queimadas ao longo do tempo.
- 2022 :
O mapa abaixo destaca que as áreas do \(Noroeste\) do estado do Ceará sofreram com uma maior incidência de queimadas em 2022, enquanto o \(Leste\) e \(Sul\) apresentaram uma menor concentração de focos de queimadas.
## Estimando a densidade dos pontos de queimadas para o ano de 2022
density2022 <- density(pontos_ppp_2022)
## Plotando a densidade estimada
plot(density2022, xlab="Distância", col=terrain.colors(200),
ylab="Distância (quilômetros)", use.marks=TRUE,
main="Mapa de contorno - 2022 ")
## Adicionando os pontos de queimadas ao gráfico da densidade
plot(pontos_ppp_2022, add=T, cex = 0.1, use.marks=TRUE)
## Adicionando um mapa de contornos da densidade estimada
contour(density2022, main="Mapa de Contornos", add=TRUE)
- 2023 :
O mapa de 2023 sugere que a distribuição dos focos de queimadas no Ceará manteve uma tendência semelhante ao ano anterior, com a região \(Noroeste\) sendo a mais afetada. No entanto, houve um aumento na intensidade geral dos focos de queimadas, com áreas de maior densidade se expandindo ligeiramente para o \(Centro-Oeste\). Por outro lado, o \(Leste\) e o \(Sudeste\) permanecem com menos ocorrências, ainda que a intensidade tenha aumentado um pouco em relação a 2022.
- Até 20/09/2024 :
O mapa de 2024 até 20 de setembro revela uma diminuição significativa da intensidade dos focos de queimadas no estado do Ceará em comparação aos anos de 2022 e 2023. A maior concentração de queimadas ainda ocorre na região \(Noroeste\), embora os valores sejam muito menores. A região \(Sudeste\) também apresenta um leve aumento, mas de forma muito menos intensa.
Esse padrão indica uma possível redução nos focos de queimadas em ate o dia 20/09/2024, embora algumas regiões, particularmente no \(Noroeste\), ainda apresentem ocorrências significativas.
Funções
Função K
A função K, também chamada de Função Bivariada de Ripley, é utilizada para analisar a distribuição de pontos em diferentes distâncias, possibilitando a verificação da uniformidade dessa distribuição. Esta função é particularmente sensível a distâncias maiores. Para realizar essa análise, círculos de raio \(h\) são traçados em diversas localizações, e a média dos pontos que se encontram dentro desses círculos é calculada. A fórmula da função K é expressa da seguinte forma:
\[ \hat{K}(h) = \frac{A}{n^2} \sum_{i=1}^{n} \sum_{j=1, j \neq i}^{n} \frac{I_h(d_{ij})}{w_{ij}} \]
em que,
- \(A\) representa a área da região em análise;
- \(I_h(d_{ij})\) é uma função indicatriz que assume o valor 1 quando a distância \(d_{ij}\) é menor ou igual a \(h\) e 0 em caso contrário;
- \(w_{ij}\) corresponde à proporção da circunferência dos círculos centrados nos pontos \(i\) que se encontra dentro da área do círculo.
Se a reta estimada estiver acima da reta teórica, significa que os pontos estão agrupados em distâncias menores; se estiver abaixo, os pontos estão mais espalhados.
- 2022 :
O gráfico abaixo sugere que os pontos (focos de queimadas) estão significativamente agrupados em distâncias de aproximadamente 150 a 300 km. Em outras palavras, há evidências de que os focos de queimadas não estão distribuídos aleatoriamente, mas sim se agrupam em certas áreas, especialmente em distâncias intermediárias.
# Define um vetor de sequências de 0 a 500km, com 1000 pontos igualmente espaçados
r2022k <- seq(0, 500, length=1000)
# Calcula a função L empírica utilizando a função envelope para os pontos do ano de 2022
L2022k <- envelope(pontos_ppp_2022, Lest, nsim = 100, r = r2022k, correction = "border")## Generating 100 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
## 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80,
## 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,
## 100.
##
## Done.# Plota a função L com eixos e título, sem linhas inicialmente
plot(L2022k$r, L2022k$theo, main = "Envelope da função K - 2022", type = "n",
xlab = "Distância (quilômetros)", ylab = "K(y)") # Comenta limites dos eixos se necessário
# Adiciona a linha da função K teórica com linha tracejada
lines(L2022k$r, L2022k$theo, lty = 3, col = "blue")
# Adiciona as linhas de limite superior e inferior em vermelho
lines(L2022k$r, L2022k$hi, lty = 2, col = "red") # Limite superior
lines(L2022k$r, L2022k$lo, lty = 2, col = "red") # Limite inferior
# Adiciona a linha da função K observada em preto
lines(L2022k$r, L2022k$obs, lty = 1, col = "black")
# Adiciona uma legenda no canto inferior direito do gráfico
legend("bottomright", legend = c("K teórica", "K superior", "K inferior", "K observada"),
col = c("blue", "red", "red", "black"),
lty = c(3, 2, 2, 1), cex = 1.0)
- 2023 :
Assim como o gráfico anterior, o gráfico de 2023 indica agrupamento significativo de focos de queimadas em distâncias de aproximadamente 150 a 350 km. Esses dados reforçam que os focos de queimadas no estado analisado não estão distribuídos de forma aleatória, mas sim apresentam uma tendência de concentração em algumas regiões.
# Define um vetor de sequências de 0 a 500km, com 1000 pontos igualmente espaçados
r2023k <- seq(0, 500, length=1000)
# Calcula a função L empírica utilizando a função envelope para os pontos do ano de 2022
L2023k <- envelope(pontos_ppp_2023, Lest, nsim = 100, r = r2023k, correction = "border")## Generating 100 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
## 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80,
## 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,
## 100.
##
## Done.# Plota a função L com eixos e título, sem linhas inicialmente
plot(L2023k$r, L2023k$theo, main = "Envelope da função K - 2023", type = "n",
xlab = "Distância (quilômetros)", ylab = "K(y)") # Comenta limites dos eixos se necessário
# Adiciona a linha da função K teórica com linha tracejada
lines(L2023k$r, L2023k$theo, lty = 3, col = "blue")
# Adiciona as linhas de limite superior e inferior em vermelho
lines(L2023k$r, L2023k$hi, lty = 2, col = "red") # Limite superior
lines(L2023k$r, L2023k$lo, lty = 2, col = "red") # Limite inferior
# Adiciona a linha da função K observada em preto
lines(L2023k$r, L2023k$obs, lty = 1, col = "black")
# Adiciona uma legenda no canto inferior direito do gráfico
legend("bottomright", legend = c("K teórica", "K superior", "K inferior", "K observada"),
col = c("blue", "red", "red", "black"),
lty = c(3, 2, 2, 1), cex = 1.0)
- Até 20/09/2024 :
Entretanto para o ano de 2024 até 20 de setembro, indica que os focos de queimadas estão fortemente agrupados, especialmente em distâncias de até 200 km, com uma evidência clara de que não estão distribuídos de forma aleatória.
# Define um vetor de sequências de 0 a 500km, com 1000 pontos igualmente espaçados
r_at_20_09_2024k <- seq(0, 1500, length=1000)
# Calcula a função L empírica utilizando a função envelope para os pontos do ano de 2022
L_at_20_09_2024k <- envelope(pontos_ppp_at_20_09_2024, Lest, nsim = 100, r = r_at_20_09_2024k, correction = "border")## Generating 100 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
## 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80,
## 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,
## 100.
##
## Done.# Plota a função L com eixos e título, sem linhas inicialmente
plot(L_at_20_09_2024k$r, L_at_20_09_2024k$theo, main = "Envelope da funcão K - 20/09/2024", type = "n",
xlab = "Distância (quilômetros)", ylab = "K(y)") # Comenta limites dos eixos se necessário
# Adiciona a linha da função K teórica com linha tracejada
lines(L_at_20_09_2024k$r, L_at_20_09_2024k$theo, lty = 3, col = "blue")
# Adiciona as linhas de limite superior e inferior em vermelho
lines(L_at_20_09_2024k$r, L_at_20_09_2024k$hi, lty = 2, col = "red") # Limite superior
lines(L_at_20_09_2024k$r, L_at_20_09_2024k$lo, lty = 2, col = "red") # Limite inferior
# Adiciona a linha da função K observada em preto
lines(L_at_20_09_2024k$r, L_at_20_09_2024k$obs, lty = 1, col = "black")
# Adiciona uma legenda no canto inferior direito do gráfico
legend("bottomright", legend = c("K teorica", "K superior", "K inferior", "K observada"),
col = c("blue", "red", "red", "black"),
lty = c(3, 2, 2, 1), cex = 1.0 )
Modelos testados
# 2022
fit1<-ppm(pontos_ppp_2022, ~1)
fit2<-ppm(pontos_ppp_2022, ~x)
fit3<-ppm(pontos_ppp_2022, ~y)
AIC(fit1)## [1] 152522.3## [1] 152036.5## [1] 152319.6## Point process model
## Fitted to data: pontos_ppp_2022
## Fitting method: maximum likelihood (Berman-Turner approximation)
## Model was fitted using glm()
## Algorithm converged
## Call:
## ppm.ppp(Q = pontos_ppp_2022, trend = ~x)
## Edge correction: "border"
## [border correction distance r = 0 ]
## --------------------------------------------------------------------------------
## Quadrature scheme (Berman-Turner) = data + dummy + weights
##
## Data pattern:
## Planar point pattern: 4136 points
## Average intensity 2.67e-08 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
##
## Dummy quadrature points:
## 130 x 130 grid of dummy points, plus 4 corner points
## dummy spacing: 3617.534 x 4419.890 units
##
## Original dummy parameters: =
## Planar point pattern: 9673 points
## Average intensity 6.25e-08 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
## Quadrature weights:
## (counting weights based on 130 x 130 array of rectangular tiles)
## All weights:
## range: [648000, 1.6e+07] total: 1.54e+11
## Weights on data points:
## range: [648000, 8170000] total: 2.13e+10
## Weights on dummy points:
## range: [9e+05, 1.6e+07] total: 1.33e+11
## --------------------------------------------------------------------------------
## FITTED :
##
## Nonstationary Poisson process
##
## ---- Intensity: ----
##
## Log intensity: ~x
##
## Fitted trend coefficients:
## (Intercept) x
## -1.144244e+01 -3.413550e-06
##
## Estimate S.E. CI95.lo CI95.hi Ztest
## (Intercept) -1.144244e+01 2.910705e-01 -1.201293e+01 -1.087196e+01 ***
## x -3.413550e-06 1.671234e-07 -3.741106e-06 -3.085994e-06 ***
## Zval
## (Intercept) -39.31159
## x -20.42533
##
## ----------- gory details -----
##
## Fitted regular parameters (theta):
## (Intercept) x
## -1.144244e+01 -3.413550e-06
##
## Fitted exp(theta):
## (Intercept) x
## 1.073024e-05 9.999966e-01
## Model diagnostics (raw residuals)
## Diagnostics available:
## four-panel plot
## mark plot
## smoothed residual field
## x cumulative residuals
## y cumulative residuals
## sum of all residuals
## sum of raw residuals in entire window = 2.366e-10
## area of entire window = 1.548e+11
## quadrature area = 1.539e+11
## range of smoothed field = [-2.243e-08, 1.552e-08]# 2022
fit4<-ppm(pontos_ppp_2023, ~1)
fit5<-ppm(pontos_ppp_2023, ~x)
fit6<-ppm(pontos_ppp_2023, ~y)
AIC(fit4)## [1] 244270## [1] 243738.4## [1] 244104.8## Point process model
## Fitted to data: pontos_ppp_2023
## Fitting method: maximum likelihood (Berman-Turner approximation)
## Model was fitted using glm()
## Algorithm converged
## Call:
## ppm.ppp(Q = pontos_ppp_2023, trend = ~x)
## Edge correction: "border"
## [border correction distance r = 0 ]
## --------------------------------------------------------------------------------
## Quadrature scheme (Berman-Turner) = data + dummy + weights
##
## Data pattern:
## Planar point pattern: 6808 points
## Average intensity 4.4e-08 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
##
## Dummy quadrature points:
## 170 x 170 grid of dummy points, plus 4 corner points
## dummy spacing: 2766.350 x 3379.916 units
##
## Original dummy parameters: =
## Planar point pattern: 16559 points
## Average intensity 1.07e-07 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
## Quadrature weights:
## (counting weights based on 170 x 170 array of rectangular tiles)
## All weights:
## range: [434000, 9350000] total: 1.54e+11
## Weights on data points:
## range: [434000, 5670000] total: 2.06e+10
## Weights on dummy points:
## range: [584000, 9350000] total: 1.34e+11
## --------------------------------------------------------------------------------
## FITTED :
##
## Nonstationary Poisson process
##
## ---- Intensity: ----
##
## Log intensity: ~x
##
## Fitted trend coefficients:
## (Intercept) x
## -1.210439e+01 -2.748739e-06
##
## Estimate S.E. CI95.lo CI95.hi Ztest
## (Intercept) -1.210439e+01 2.242343e-01 -1.254388e+01 -1.166490e+01 ***
## x -2.748739e-06 1.283225e-07 -3.000246e-06 -2.497231e-06 ***
## Zval
## (Intercept) -53.98098
## x -21.42055
##
## ----------- gory details -----
##
## Fitted regular parameters (theta):
## (Intercept) x
## -1.210439e+01 -2.748739e-06
##
## Fitted exp(theta):
## (Intercept) x
## 5.535171e-06 9.999973e-01
## Model diagnostics (raw residuals)
## Diagnostics available:
## four-panel plot
## mark plot
## smoothed residual field
## x cumulative residuals
## y cumulative residuals
## sum of all residuals
## sum of raw residuals in entire window = -8.935e-08
## area of entire window = 1.548e+11
## quadrature area = 1.542e+11
## range of smoothed field = [-2.559e-08, 1.62e-08]# 20/09/2024
fit7<-ppm(pontos_ppp_at_20_09_2024, ~1)
fit8<-ppm(pontos_ppp_at_20_09_2024, ~x)
fit9<-ppm(pontos_ppp_at_20_09_2024, ~y)
fit10<-ppm(pontos_ppp_at_20_09_2024, ~x+y)
AIC(fit7)## [1] 36277.07## [1] 36275## [1] 36272.49## [1] 36273.77## Error in solve.default(M) :
## sistema é computacionalmente singular: condição recíproca número = 1.67638e-18## Warning: Cannot compute variance: Fisher information matrix is singular## Error in solve.default(M) :
## sistema é computacionalmente singular: condição recíproca número = 1.67638e-18## Warning: Cannot compute variance: Fisher information matrix is singular## Point process model
## Fitted to data: pontos_ppp_at_20_09_2024
## Fitting method: maximum likelihood (Berman-Turner approximation)
## Model was fitted using glm()
## Algorithm converged
## Call:
## ppm.ppp(Q = pontos_ppp_at_20_09_2024, trend = ~x + y)
## Edge correction: "border"
## [border correction distance r = 0 ]
## --------------------------------------------------------------------------------
## Quadrature scheme (Berman-Turner) = data + dummy + weights
##
## Data pattern:
## Planar point pattern: 909 points
## Average intensity 5.87e-09 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
##
## Dummy quadrature points:
## 70 x 70 grid of dummy points, plus 4 corner points
## dummy spacing: 6718.277 x 8208.366 units
##
## Original dummy parameters: =
## Planar point pattern: 2882 points
## Average intensity 1.86e-08 points per square unit
## Window: polygonal boundary
## single connected closed polygon with 9069 vertices
## enclosing rectangle: [1568781.3, 2039060.7] x [9112390, 9686975] units
## (470300 x 574600 units)
## Window area = 1.54836e+11 square units
## Fraction of frame area: 0.573
## Quadrature weights:
## (counting weights based on 70 x 70 array of rectangular tiles)
## All weights:
## range: [3450000, 55100000] total: 1.55e+11
## Weights on data points:
## range: [3450000, 27600000] total: 1.67e+10
## Weights on dummy points:
## range: [3450000, 55100000] total: 1.38e+11
## --------------------------------------------------------------------------------
## FITTED :
##
## Nonstationary Poisson process
##
## ---- Intensity: ----
##
## Log intensity: ~x + y
##
## Fitted trend coefficients:
## (Intercept) x y
## -1.427920e+01 -2.922218e-07 -4.409776e-07
##
## ----------- gory details -----
##
## Fitted regular parameters (theta):
## (Intercept) x y
## -1.427920e+01 -2.922218e-07 -4.409776e-07
##
## Fitted exp(theta):
## (Intercept) x y
## 6.289600e-07 9.999997e-01 9.999996e-01fity10 <- ppm(pontos_ppp_at_20_09_2024, ~ y)
diagnose.ppm(fity10, main = "Modelo em relação a coordenada y")## Warning in LurkEngine(object = object, type = type, cumulative = cumulative, :
## Fisher information is singular; reverting to oldstyle=TRUE## Warning in LurkEngine(object = object, type = type, cumulative = cumulative, :
## Fisher information is singular; reverting to oldstyle=TRUE
## Model diagnostics (raw residuals)
## Diagnostics available:
## four-panel plot
## mark plot
## smoothed residual field
## x cumulative residuals
## y cumulative residuals
## sum of all residuals
## sum of raw residuals in entire window = -3.921e-10
## area of entire window = 1.548e+11
## quadrature area = 1.545e+11
## range of smoothed field = [-3.486e-09, 3.693e-09]Conclusão
Os focos de queimadas no estado do Ceará representam uma preocupação ambiental crescente, refletindo a complexa interação entre práticas agrícolas, mudanças climáticas e a gestão dos recursos naturais. Diante do clima semiárido e da presença do bioma Caatinga, o estado enfrenta desafios significativos, como a desertificação e a escassez de água. As queimadas, frequentemente utilizadas como técnica para a limpeza de áreas agrícolas, impactam negativamente a biodiversidade, a qualidade do solo e a saúde pública.
Nos últimos anos de 2022 a 20/09/2024, o aumento da frequência e intensidade das queimadas tem sido associado não apenas à expansão das atividades agropecuárias, mas também a fatores climáticos, como os períodos prolongados de seca. Esse fenômeno resulta na liberação de grandes quantidades de gases de efeito estufa, contribuindo para as mudanças climáticas e comprometendo a qualidade do ar.
É importante entender os padrões e as causas das queimadas para implementar maneiras de monitoramento e controle. Além disso, promover práticas agrícolas sustentáveis e informar a população sobre a importância de cuidar do meio ambiente. Essas ações são importantes para reduzir os impactos das queimadas no Ceará e garantir a saúde do ecossistema e das comunidades que dependem deles.
Referências
DESCONHECIDO, A. Aumenta o número de queimadas nas últimas 48 horas. Revista Nordeste, 2024. Acessado em: 21 set. 2024. Disponível em: https://revistanordeste.com.br/aumenta-o-numero-de-queimadas-nas-ultimas-48-horas.
Grupo de Estudos e Pesquisa em Agricultura de Precisão (GEPAG). Análise de Processos Pontuais Marcados Aplicados às Características Genéticas em Árvores. 2023. Acesso em: 24 set. 2024. Disponível em:https://www.fca.unesp.br/Home/Instituicao/Departamentos/CienciadoSolo/gepag/2.analise-de-processos-pontuais-marcados-aplicados-as-caracteristicas-geneticas-em-arvores.pdf.
BERTOLLA, J. M. et al. Processos pontuais aplicados ao estudo da distribuição espacial de enfermidades na Área urbana da cidade de rio claro, sp. Revista [da Estatística, UFOP], 2021. Acessado em: 24 set. 2024. Disponível em:https://repositorio.unesp.br/server/api/core/bitstreams/4052e41a-fe27-4a92-bdc2-f75ab373b297/content.
VALTER, L. Processos Pontuais. 2018. Acessado em: 24 de setembro de 2024. Disponível em:https://rpubs.com/ValterL/PP01.