Análise de Processos Pontuais
Universidade Estadual da Paraíba-UEPB
Centro de Ciências e Tecnologia-CCT
Departamento de Estatística
Aluno: Hélder de Almeida Ferreira
Introdução
Os focos de incêndio correspondem a áreas onde ocorrem queimadas, sejam elas provocadas ou acidentais. Esses eventos representam um problema ambiental significativo, pois contribuem para a degradação dos ecossistemas, ameaçam a biodiversidade e impactam a qualidade de vida das populações locais.
Na Bahia, especialmente em áreas do semiárido, os incêndios podem intensificar a escassez hídrica e acelerar a degradação do solo, favorecendo processos como a desertificação. Além disso, a liberação de gases e partículas na atmosfera compromete a qualidade do ar e pode afetar a saúde humana, agravando doenças respiratórias e trazendo riscos para comunidades que dependem diretamente dos recursos naturais.
Diante desses desafios, a análise de processos pontuais surge como uma ferramenta essencial para compreender a distribuição espacial e a frequência dos incêndios no estado. Identificar padrões de ocorrência permite subsidiar ações preventivas e orientar políticas públicas voltadas à gestão ambiental e à redução dos impactos dessas ocorrências.
Fonte: Faroldabahia.com.br
Objetivo da Análise
Esta análise tem como objetivo investigar a distribuição espacial dos focos de incêndio no estado da Bahia no ano de 2024, utilizando a metodologia de processos pontuais. A partir dessa abordagem estatística, busca-se identificar padrões de concentração, possíveis agrupamentos e a relação desses eventos com fatores ambientais e antrópicos.
Especificamente, a análise pretende:
Detectar áreas de maior incidência de focos de incêndio ao longo do território baiano.
Avaliar a existência de padrões espaciais, como aglomerações ou dispersões, que possam indicar regiões mais suscetíveis.
Relacionar a ocorrência dos incêndios com variáveis ambientais, como cobertura vegetal, uso do solo e clima, além de fatores humanos, como atividades agrícolas e expansão urbana.
Fornecer subsídios para o desenvolvimento de estratégias de monitoramento e políticas públicas voltadas à prevenção e controle das queimadas.
Pacotes necessários para análise
library(sp)
library(spdep)
library(sf)
library(raster)
library(readxl)
library(tmap)
library(RColorBrewer)
library(classInt)
library(dplyr)
library(knitr)
library(tibble)
library(readr)
library(spatstat)
library(leaflet)
library(leaflet.extras)
library(geobr)
library(ggplot2)
library(ggspatial)
library(lubridate)
library(plotly)Matériais e Métodos
Base de Dados
O ShapeFile do Estado da Bahia foi obtido através do: IBGE e o Banco de dados utilizado para realizar a análise dos focos de incêndio foi obtido através do: INPE
## Shape da Bahia
ShapeBA<-st_read("C:/Users/helde/Downloads/BA_Municipios_2023/BA_Municipios_2023.shp")## Reading layer `BA_Municipios_2023' from data source
## `C:\Users\helde\Downloads\BA_Municipios_2023\BA_Municipios_2023.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 417 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -46.57728 ymin: -18.34856 xmax: -37.34115 ymax: -8.532821
## Geodetic CRS: SIRGAS 2000## Pontos de incendio do ano 2024
Focos_24 <- read_excel("C:/Users/helde/Downloads/processos_Pontuais/focos_qmd_inpe_2024-01-01_2024-12-31.xlsx")Transformando as variáveis latitude e longitude em númericas
Focos_24$Latitude<-as.numeric(Focos_24$Latitude)
Focos_24$Longitude<-as.numeric(Focos_24$Longitude)Mapa das Mesorregiões do Estado da Bahia
Os dados analisados para o ano de 2024 contemplam exclusivamente os focos de incêndio ocorridos no bioma Caatinga, que abrange grande parte do estado da Bahia. Esse bioma, caracterizado por um clima seco e vegetação adaptada a longos períodos de estiagem, é essencial para a biodiversidade e o equilíbrio ambiental da região. Entretanto, a ocorrência de incêndios se intensifica em períodos de seca prolongada, tornando fundamental a análise de sua distribuição espacial. Compreender esses padrões é crucial para avaliar os impactos ambientais e subsidiar estratégias de prevenção e controle
Fonte: Agência Brasil
O que é um Processo Pontual?
Um processo pontual é um fenômeno que ocorre em locais específicos e pode ser representado por pontos com coordenadas definidas em um espaço contínuo. Essa abordagem é utilizada para analisar a distribuição e a intensidade de eventos, como incêndios ou surtos de doenças, permitindo identificar padrões espaciais. A disposição dos pontos pode indicar diferentes tipos de distribuição, como agrupada, uniforme ou aleatória, auxiliando na compreensão dos fatores que influenciam a ocorrência desses eventos.
A distribuição de focos de incêndio refere-se à forma como esses eventos ocorrem no espaço geográfico, podendo apresentar diferentes padrões dependendo de fatores ambientais, climáticos e antrópicos. Em análises espaciais, a disposição dos incêndios pode ser classificada em três tipos principais:
1. Distribuição Aleatória
Quando os focos de incêndio ocorrem sem um padrão definido, sem relação evidente com fatores ambientais ou humanos. Esse tipo de distribuição pode ser observado em áreas com baixa interferência antrópica e sem fatores climáticos específicos que favoreçam a propagação do fogo.
2. Distribuição Agrupada (Clusterizada)
Caracteriza-se pela concentração de focos de incêndio em determinadas regiões, indicando que existem fatores locais favorecendo a ocorrência dos eventos. Isso pode ocorrer devido à presença de vegetação seca, práticas agrícolas que utilizam o fogo, proximidade de áreas urbanas ou condições meteorológicas específicas, como ventos fortes e alta temperatura.
3. Distribuição Regular
Nesse padrão, os focos de incêndio estão espaçados de forma relativamente uniforme, o que pode indicar um controle ou influência de fatores reguladores, como políticas de manejo do fogo ou barreiras naturais que impedem a propagação.
# Certificando de que a coluna com as datas existe e está no formato correto
Focos_24$DataHora <- as.Date(Focos_24$DataHora)
# Agrupando por mês
focos_mensal <- Focos_24 %>%
mutate(mes = floor_date(DataHora, unit = "month")) %>%
group_by(mes) %>%
summarise(total_focos = n())
# Gráfico interativo
grafico_interativo <- plot_ly(
data = focos_mensal,
x = ~mes,
y = ~total_focos,
type = 'scatter',
mode = 'lines+markers',
line = list(color = 'firebrick', width = 2),
marker = list(size = 6, color = 'orange'),
hoverinfo = 'text',
text = ~paste("Mês:", format(mes, "%B/%Y"), "<br>Focos:", total_focos)
) %>%
layout(
title = "Focos de Incêndio por Mês na Bahia (2024)",
xaxis = list(title = "Mês", tickformat = "%b/%Y"),
yaxis = list(title = "Número de Focos"),
hovermode = "closest"
)
grafico_interativo## Extracao de coordenadas
coord_24 <- Focos_24[, c("Longitude", "Latitude")]
head(coord_24)## # A tibble: 6 × 2
## Longitude Latitude
## <dbl> <dbl>
## 1 -38.9 -15.9
## 2 -39.1 -16.0
## 3 -38.9 -15.9
## 4 -45.9 -13.5
## 5 -44.7 -11.2
## 6 -40.5 -13.5## Definicao do sistema de coordenadas.
Sistema_CRS <- CRS("+proj=longlat +datum=WGS84 +no_defs")
## Criando un objeto SpatialPointsDataFrame
Spatial_Point_24 <- SpatialPointsDataFrame(coords=coord_24, data=Focos_24, proj4string=Sistema_CRS)
## Quadro delimitador de pontos
bbox_24 <- bbox(Spatial_Point_24)
## Transformacao do sistema de coordenadas.
project_24 <- st_transform(ShapeBA, crs = 31984)
## Definicao de ventana para análises espacial.
ventana_24 <- as.owin(project_24)
## Conversão a formato sf
pontos_sf_24 <- st_as_sf(Spatial_Point_24)
## Projetando os pontos
pontos_st_24 <- st_transform(pontos_sf_24, crs = 31984)
## Extraindo coordenadas
extraindo_24 <- st_coordinates(pontos_st_24)
## Criar un objeto de pontos de proceso de pontos (ppp)
pontos_ppp_24 <- ppp(x=extraindo_24[,1], y=extraindo_24[,2], window=ventana_24)
par(mar=c(1.5,1.5,0.5,0.5))
## Plot dos dados
plot(pontos_ppp_24, pch=16, cex=0.5, main="Pontos de incendio - 2024")
# Removendo valores absurdos de Longitude e Latitude para gerar o mapa interativo
Focos_24.1 <- Focos_24 %>%
filter(Longitude >= -45 & Longitude <= -37, # Limites realistas para a Bahia
Latitude >= -18 & Latitude <= -8) # Limites realistas para a Bahia
mapa_focos_heatmap <- leaflet(data = Focos_24.1) %>%
addTiles() %>%
addHeatmap(
lng = ~Longitude, lat = ~Latitude, # Definindo as colunas corretas para longitude e latitude
blur = 15,
max = 0.5,
radius = 25
)
# Exibir o mapa
mapa_focos_heatmapEm 2024, o estado da Bahia registrou 3.356 focos de queimadas entre janeiro e 26 de agosto, tornando-se o segundo estado do Nordeste com maior número de ocorrências, atrás apenas do Maranhão (BNews).
Regiões mais afetadas
A maioria dos focos concentrou-se na região Oeste, destacando-se os seguintes municípios:
- São Desidério: 315 focos
- Formosa do Rio Preto: 226 focos
- Cocos: 201 focos
- Santa Rita de Cássia: 167 focos
- Xique-Xique: 166 focos
- Correntina: 127 focos
- Jaborandi: 127 focos
- Barreiras: 98 focos
- Riachão das Neves: 81 focos
- Muquém do São Francisco: 75 focos
Esses dados evidenciam que a região Oeste da Bahia tem sido um ponto crítico para incêndios florestais.
O estimador de intensidade de pontos é uma técnica usada para analisar a distribuição espacial de eventos representados como pontos em uma determinada região. Ele mede a densidade de ocorrência dos eventos em diferentes partes do espaço, permitindo identificar áreas com maior ou menor concentração.
Existem duas abordagens principais para estimar a intensidade:
1. Estimador de Intensidade Global: Mede a densidade
média dos eventos dentro da região analisada.
2. Estimador de Intensidade Local (Kernel Density Estimation -
KDE): Utiliza uma função de suavização para gerar um mapa de
calor que mostra variações na densidade de pontos dentro do espaço
geográfico.
Na análise de incêndios, o KDE é particularmente útil para visualizar áreas críticas, onde há maior concentração de focos de queimadas.
O teste de Kolmogorov-Smirnov (KS) é uma técnica estatística utilizada para verificar se uma amostra segue uma determinada distribuição teórica. No contexto de processos pontuais, ele é empregado para:
- Comparar a distribuição espacial observada com um modelo
teórico, como um processo de Poisson
homogêneo, que representa uma distribuição aleatória dos
pontos.
- Identificar padrões significativos, determinando se os focos de incêndio seguem uma distribuição aleatória, agrupada (clusterizada) ou regular.
Na prática, o teste KS compara a função de distribuição empírica (EDF) dos dados com a função de distribuição acumulada (CDF) do modelo teórico, verificando se há uma diferença estatisticamente significativa.
No contexto da análise de processos pontuais para os focos de incêndio na Bahia, as hipóteses a serem testadas são:
Hipótese Nula (H₀): Os focos de incêndio seguem um processo de Poisson homogêneo, ou seja, estão distribuídos de maneira aleatória no espaço, sem padrões de agrupamento significativos.
Hipótese Alternativa (H₁): Os focos de incêndio não seguem um processo de Poisson homogêneo, apresentando padrões de distribuição que podem ser agrupados (clusterizados) ou regulares devido a fatores ambientais, climáticos ou antrópicos.
Se rejeitarmos a hipótese nula, isso indica que há um padrão espacial significativo na distribuição dos incêndios, sugerindo a influência de fatores externos que precisam ser investigados.
Agora, para aplicar esses conceitos à análise de processos pontuais dos focos de incêndio na Bahia, seguiremos os seguintes passos:
- Estimativa da Intensidade
- Escolher entre estimador global ou Kernel
Density Estimation (KDE) para mapear a densidade de
queimadas.
- Gerar um mapa de calor identificando regiões críticas.
- Escolher entre estimador global ou Kernel
Density Estimation (KDE) para mapear a densidade de
queimadas.
- Teste de Kolmogorov-Smirnov
- Comparar a distribuição espacial dos incêndios com um modelo
de Poisson homogêneo.
- Avaliar se a distribuição dos pontos segue um padrão aleatório, agrupado ou regular.
- Comparar a distribuição espacial dos incêndios com um modelo
de Poisson homogêneo.
Se a distribuição for agrupada, será necessário investigar possíveis fatores que influenciam os incêndios, como seca prolongada, desmatamento ou práticas agrícolas.
Com essas análises, será possível entender melhor a distribuição dos incêndios e propor estratégias mais eficazes de prevenção e combate ao fogo.
# Estimação de intensidade pontual (lambda) para o ano de 2024
lambda_2024 <- summary(pontos_ppp_24)$intensity
## Prova de Kolmogorov-Smirnov para aleatoriedade espacial completa con a coordenada `X`
KS_2024 <- cdf.test(pontos_ppp_24, "x", test="ks")
KS_2024##
## Spatial Kolmogorov-Smirnov test of CSR in two dimensions
##
## data: covariate 'x' evaluated at points of 'pontos_ppp_24'
## and transformed to uniform distribution under CSR
## D = 0.22873, p-value < 2.2e-16
## alternative hypothesis: two-sided
O valor de \(\lambda = 1.588677 \times 10^{-8}\) indica uma baixa densidade de focos de incêndio em relação à área total, sugerindo que os focos estão amplamente dispersos.
A próxima etapa da análise envolveu a aplicação do teste de Kolmogorov-Smirnov para o ano de 2024, resultando em:
- Estatístico D = 0.22871
- p-valor < 2.2 × 10⁻¹⁶
Esses resultados indicam uma diferença estatisticamente significativa em relação à distribuição aleatória, levando à rejeição da hipótese de Aleatoriedade Espacial Completa (CSR - Complete Spatial Randomness).
Isso sugere que os focos de incêndio não estão distribuídos de maneira totalmente aleatória, podendo apresentar padrões espaciais definidos, como agrupamentos (clusters) ou estruturas influenciadas por fatores ambientais e antrópicos.
A função quadratcount() do pacote
spatstat é utilizada para analisar a variação espacial
na distribuição de pontos. Ela divide a janela que contém o padrão de
pontos em uma grade de nx × ny quadrados (ou
retângulos) de tamanho igual e conta quantos pontos estão presentes em
cada uma dessas subdivisões.
Caso a janela de observação não seja um retângulo perfeito, a função considera apenas a interseção dos quadrados com a área válida para o cálculo da frequência de pontos.
Essa análise é útil para identificar padrões espaciais, como agrupamentos (clusters) ou distribuições regulares dos pontos.
Análise de Quadrantes
quadrat.test()
A função quadrat.test() permite testar diferentes
padrões espaciais ao comparar a distribuição dos pontos observados com a
hipótese nula de Aleatoriedade Espacial Completa (CSR – Complete
Spatial Randomness). Abaixo, apresentamos os significados de
cada hipótese alternativa:
alternative = "two.sided"- H₀: CSR (distribuição aleatória)
- H₁: Não CSR (pode ser regular ou agrupada)
- H₀: CSR (distribuição aleatória)
alternative = "regular"- H₀: CSR ou agrupada
- H₁: Distribuição regular
- H₀: CSR ou agrupada
alternative = "clustered"- H₀: CSR ou regular
- H₁: Distribuição agrupada (clusterizada)
- H₀: CSR ou regular
Interpretação do valor-p
Em todos os casos, o valor-p representa a probabilidade de obter um valor do estatístico de teste tão extremo quanto (ou mais extremo que) o observado, assumindo que a hipótese nula é verdadeira.
- Se o valor-p for menor que o nível de significância α (por exemplo, 0,05), rejeitamos a hipótese nula.
- Caso contrário, não há evidências suficientes para rejeitar H₀.
Teste para padrão regular
quadrat.test(Q, alternative = "regular")## Warning: Some expected counts are small; chi^2 approximation may be inaccurate##
## Chi-squared test of CSR using quadrat counts
##
## data:
## X2 = 3986.8, df = 20, p-value = 1
## alternative hypothesis: regular
##
## Quadrats: 21 tiles (irregular windows)Teste para padrão agrupado
quadrat.test(Q, alternative = "clustered")## Warning: Some expected counts are small; chi^2 approximation may be inaccurate##
## Chi-squared test of CSR using quadrat counts
##
## data:
## X2 = 3986.8, df = 20, p-value < 2.2e-16
## alternative hypothesis: clustered
##
## Quadrats: 21 tiles (irregular windows)Após a análise, observa-se uma variação na intensidade dos focos de incêndio ao longo dos anos. Essa variação permite uma visualização mais detalhada, proporcionando uma análise mais precisa do comportamento dos focos ao longo do tempo.
A Função K de Ripley é uma ferramenta estatística amplamente utilizada na análise espacial de padrões de pontos. Ela permite avaliar se os eventos (como focos de incêndio) estão distribuídos de forma aleatória, agrupada ou regular em diferentes escalas espaciais.
Objetivo
O principal objetivo da função K é analisar a distribuição espacial dos pontos em função da distância. A função calcula o número médio de pontos que se encontram dentro de um raio \(h\) ao redor de cada ponto do padrão observado, comparando com o que seria esperado sob uma distribuição aleatória (CSR – Complete Spatial Randomness).
Cálculo
Para realizar esse cálculo, imaginam-se círculos de raio \(h\) centrados em diferentes pontos do padrão. Em seguida, é computada a média de pontos encontrados dentro desses círculos ao longo de todo o conjunto. A fórmula da função K é geralmente expressa como:
\[ K(h) = \frac{A}{n^2} \sum_{i=1}^{n} \sum_{j=1}^{n} w_{ij}^{-1} I(d_{ij} \leq h) \]
Onde: - \(A\) é a área total da janela de observação, - \(n\) é o número total de pontos, - \(d_{ij}\) é a distância entre os pontos \(i\) e \(j\), - \(I()\) é a função indicadora (1 se a condição for verdadeira, 0 caso contrário), - \(w_{ij}\) é um fator de correção para borda.
Interpretação
- Se \(K(h)\) > \(\pi h^2\): indica agrupamento de pontos em escala \(h\).
- Se \(K(h)\) ≈ \(\pi h^2\): sugere distribuição aleatória.
- Se \(K(h)\) < \(\pi h^2\): sugere distribuição regular (uniforme).
Para facilitar a interpretação, também é comum utilizar a função L(h), uma transformação linear da função K:
\[ L(h) = \sqrt{\frac{K(h)}{\pi}} - h \]
- Valores de \(L(h) > 0\): indicam agrupamento.
- Valores de \(L(h) < 0\): indicam dispersão.
Importância para a Análise de Incêndios
Na análise de focos de incêndio, a função K é extremamente útil para entender se os focos tendem a ocorrer em grupos, se estão dispersos de forma regular ou se são aleatórios — e como esse padrão muda conforme a distância entre eles. Isso pode ajudar a revelar influências ambientais, humanas ou topográficas sobre a distribuição dos incêndios.
# Definir um vetor de distâncias de 0 a 1500 metros
r2024k <- seq(0, 1500, length = 250)
# Calcular a função L empírica com mais simulações
set.seed(2000)
L2024k <- envelope(pontos_ppp_24, Lest, nsim = 59, r = r2024k, correction = "border",
savefuns = FALSE, savepatterns = FALSE, parallel = TRUE)## Generating 59 simulations of CSR ...
## 1, 2, [8:19 remaining] 3,
## [8:00 remaining] 4, [8:03 remaining] 5, [7:55 remaining] 6,
## [7:43 remaining] 7, [7:39 remaining] 8, [7:32 remaining] 9,
## [7:21 remaining] 10, [7:13 remaining] 11, [7:04 remaining] 12,
## [6:54 remaining] 13, [6:45 remaining] 14, [6:36 remaining] 15,
## [6:28 remaining] 16, [6:20 remaining] 17, [6:10 remaining] 18,
## [6:02 remaining] 19, [6:01 remaining] 20, [5:50 remaining] 21,
## [5:50 remaining] 22, [5:51 remaining] 23, [5:40 remaining] 24,
## [5:29 remaining] 25, [5:18 remaining] 26, [5:08 remaining] 27,
## [4:58 remaining] 28, [4:48 remaining] 29, [4:38 remaining] 30,
## [4:29 remaining] 31, [4:19 remaining] 32, [4:09 remaining] 33,
## [3:59 remaining] 34, [3:50 remaining] 35, [3:40 remaining] 36,
## [3:31 remaining] 37, [3:21 remaining] 38, [3:12 remaining] 39,
## [3:02 remaining] 40, [2:53 remaining] 41, [2:44 remaining] 42,
## [2:35 remaining] 43, [2:26 remaining] 44, [2:16 remaining] 45,
## [2:07 remaining] 46, [1:58 remaining] 47, [1:49 remaining] 48,
## [1:39 remaining] 49, [1:30 remaining] 50, [1:21 remaining] 51,
## [1:12 remaining] 52, [1:03 remaining] 53, [54 sec remaining] 54,
## [45 sec remaining] 55, [36 sec remaining] 56, [27 sec remaining] 57,
## [18 sec remaining] 58, [9 sec remaining]
## 59.
##
## Done.# Plot la función L con ejes y título, sin líneas inicialmente.
plot(L2024k$r, L2024k$theo, main = "Envelope da Função L - 2024", type = "n",
xlab = "Distancia (metros)", ylab = "L(d)")
# Agregue la línea de función K teórica con línea discontinua.
lines(L2024k$r, L2024k$theo, lty = 3, col = "blue")
# Agregue líneas de límite superior e inferior en rojo.
lines(L2024k$r, L2024k$hi, lty = 2, col = "red") # Límite superior
lines(L2024k$r, L2024k$lo, lty = 2, col = "red") # Límite inferior
# Agregue la línea de función K observada en negro.
lines(L2024k$r, L2024k$obs, lty = 1, col = "black")
# Agrega una leyenda en la esquina inferior derecha del 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)
modelos <- list(
fit1 = ppm(pontos_ppp_24, ~1),
fit2 = ppm(pontos_ppp_24, ~x),
fit3 = ppm(pontos_ppp_24, ~y),
fit4 = ppm(pontos_ppp_24, ~cos(x) + cos(y)),
fit5 = ppm(pontos_ppp_24, ~poly(x, 2) + poly(y, 2))
)
# Cálculo do AIC para cada modelo
AICs <- sapply(modelos, AIC)
AIC_df <- data.frame(Modelo = names(AICs), AIC = round(AICs, 2))
# Exibição da tabela
knitr::kable(AIC_df, caption = "Critério de Informação de Akaike (AIC)")| Modelo | AIC | |
|---|---|---|
| fit1 | fit1 | 341166.2 |
| fit2 | fit2 | 338504.3 |
| fit3 | fit3 | 340626.2 |
| fit4 | fit4 | 339917.1 |
| fit5 | fit5 | 337855.9 |
O mapa apresentado exibe a previsão da intensidade dos focos de incêndio no estado da Bahia para o ano de 2024, com base no Modelo 5, ajustado a partir de uma estrutura polinomial de segunda ordem
A coloração do mapa segue um gradiente que vai do azul escuro (baixa intensidade prevista) ao amarelo (alta intensidade prevista). Os pontos pretos representam os focos de incêndio observados.
O Modelo 5 demonstrou ser eficiente ao representar a distribuição espacial dos focos de incêndio em 2024 na Bahia. Sua capacidade de prever áreas com maior e menor intensidade, de forma coerente com os dados observados, reforça sua utilidade para fins de monitoramento ambiental e formulação de estratégias preventivas no combate aos incêndios florestais.
diagnose.ppm(modelos$fit5, which = "all")
## 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 = 6.942e-10
## area of entire window = 5.664e+11
## quadrature area = 5.632e+11
## range of smoothed field = [-6.025e-09, 1.191e-08]A análise gráfica dos resíduos sugere que o Modelo 5 apresenta um bom ajuste global, com os resíduos se distribuindo de maneira razoavelmente aleatória, sem padrões claros de desvio sistemático. As pequenas discrepâncias nas regiões norte e central indicam possível melhoria ao incluir variáveis explicativas adicionais, como cobertura vegetal ou uso do solo.
Este diagnóstico é essencial para validar a aplicação da metodologia de processos pontuais e garantir que as conclusões extraídas do modelo sejam confiáveis.
densidade2024 <- density(pontos_ppp_24)
par(mar=c(1.5,1.5,0.5,0.5))
## Trazar a densidade estimada.
plot(densidade2024, xlab="Distancia", col=terrain.colors(200),
ylab="Distancia (metros)", use.marks=TRUE,
main="Mapa de Contornos - 31/12/2024")
## Agregar puntos de incendio ao gráfico de densidade.
plot(pontos_ppp_24, add=T, cex = 0.1, use.marks=TRUE)## Warning in plot.ppp(pontos_ppp_24, add = T, cex = 0.1, use.marks = TRUE): 10
## illegal points also plotted## Agregar un mapa de contorno de densidade estimada.
contour(densidade2024, main="Mapa de Contornos", add=TRUE)
A análise dos dados de 2024 revela padrões distintos na distribuição espacial dos focos de incêndio no estado da Bahia. A maior concentração de ocorrências se encontra na porção Oeste do estado, especialmente em áreas do bioma Caatinga, que apresentam vegetação mais suscetível ao fogo em períodos de estiagem.
Além disso, observa-se também a presença de focos significativos no Norte do estado, embora em menor intensidade. Já as regiões Leste e Sul apresentam distribuição mais dispersa e com menor densidade de pontos, indicando uma atividade de fogo menos intensa nessas áreas.
Esse padrão evidencia a importância da análise espacial para compreender a dinâmica dos incêndios no território baiano, contribuindo para a identificação de áreas prioritárias para ações preventivas e políticas públicas de mitigação.
mapa_interativo <- leaflet(data = Focos_24.1) %>%
addProviderTiles("CartoDB.Positron") %>%
addPolygons(data = ShapeBA, fillColor = "lightgray", color = "black", weight = 1.5) %>%
addCircleMarkers(~Longitude, ~Latitude,
color = "red",
radius = 4,
fillOpacity = 1.5,
popup = ~paste("Municipio:", Municipio, "<br>", "Bioma:", Bioma)) %>%
addScaleBar(position = "bottomleft") %>%
addMiniMap(tiles = "CartoDB.Positron", toggleDisplay = TRUE)## Warning: sf layer has inconsistent datum (+proj=longlat +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +no_defs).
## Need '+proj=longlat +datum=WGS84'A análise espacial dos focos de incêndio no estado da Bahia em 2024 permitiu identificar padrões significativos na distribuição desses eventos, especialmente no bioma Caatinga, onde a vulnerabilidade às queimadas é intensificada pelas condições climáticas e pela ação antrópica.
Os resultados evidenciam que os focos de incêndio não estão distribuídos de forma aleatória, mas sim agrupados em determinadas regiões, principalmente na porção Oeste do estado. Isso foi confirmado por meio da aplicação de métodos estatísticos, como a função de intensidade, a Função K de Ripley e o teste de Kolmogorov-Smirnov, que apontaram para uma distribuição agrupada dos pontos.
A identificação dessas áreas críticas é essencial para o planejamento de ações de monitoramento, prevenção e controle de incêndios florestais, contribuindo para a preservação dos recursos naturais e da biodiversidade local. Além disso, a utilização de técnicas de análise espacial reforça o papel das geotecnologias na gestão ambiental e na tomada de decisões mais eficazes frente aos impactos causados pelo fogo.