Análise de espacial de processos pontuais Aplicados a focos de queimadas entre o Primeiro e segundo do ano de 2024 no estado de Minas Gerais

Carregando o shape das Mesoregiões de Minas Gerais que será utilizado no estudo.

Minas_gerais = st_read("C:/Users/Denilson/Desktop/9° Periodo/Estatistica espacial/ATIVIDADES DE ESPACIAL/Atividade 2/ide_1102_mg_mesorregioes_ibge_pol.shp")

## Reading layer `ide_1102_mg_mesorregioes_ibge_pol' from data source 
##   `C:\Users\Denilson\Desktop\9° Periodo\Estatistica espacial\ATIVIDADES DE ESPACIAL\Atividade 2\ide_1102_mg_mesorregioes_ibge_pol.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 12 features and 2 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: -51.04608 ymin: -22.92276 xmax: -39.85683 ymax: -14.23318
## Geodetic CRS:  SIRGAS 2000

temos que transforma para o sistema de coordenadas UTM (zona 22s)

MGbord_projetada = st_transform(Minas_gerais, crs = 32722)

Converte as coordenadas para quilômetros para uma melhor interpretação

MGbord_projetada_KM = st_geometry(MGbord_projetada) / 1000

Carregando as bases de dados de cada semestre para realização do estudo.

queimadas1 = read.csv("C:/Users/Denilson/Desktop/9° Periodo/Estatistica espacial/ATIVIDADES DE ESPACIAL/Atividade 2/1 - Semestre - focos de queimadas/Focos - Primeiro Semestre.csv")

queimadas2 =  read.csv("C:/Users/Denilson/Desktop/9° Periodo/Estatistica espacial/ATIVIDADES DE ESPACIAL/Atividade 2/2 - Semestre - focos de queimadas/Focos - Segundo Semestre.csv")

Dando um attach nas bases para agilizar um pouco o processo e evitar ta usando o “$” toda vez que for chamar uma váriavel

attach(queimadas2)
attach(queimadas1)

Transformação em objeto espacial

queimadas_sf1 <- st_as_sf(queimadas1, coords = c("Longitude", "Latitude"), crs = 32722)
queimadas_sf2 <- st_as_sf(queimadas2, coords = c("Longitude", "Latitude"), crs = 32722)

Seleciona apenas as colunas de longitude e latitude dos focos de queimadas.

##   Longitude  Latitude
## 1 -50.74512 -19.71061
## 2 -40.12222 -15.97245
## 3 -46.28454 -21.81822
## 4 -46.40746 -21.55711
## 5 -46.34776 -21.53471
## 6 -46.58890 -20.56197

##   Longitude  Latitude
## 1 -42.45118 -20.40310
## 2 -44.65825 -14.91091
## 3 -45.83865 -21.14320
## 4 -45.83710 -21.14312
## 5 -45.84402 -21.14205
## 6 -45.84254 -21.14199

Definimos o sistema de projeção das coordenadas Geográficas (WLS84)

criamos um objeto SpatialPointsDataFrame com os pontos de queimadas

Obtemos a caixa delimitadora dos pontos espaciais

##                 min       max
## Longitude -51.01504 -39.90672
## Latitude  -22.88236 -14.26816

##                 min       max
## Longitude -50.98317 -39.89336
## Latitude  -22.88245 -14.27745

Conversão da malha estadual para uma janela de observação espacial

library(spatstat.geom)
window = as.owin(MGbord_projetada_KM)

Conversão dos pontos espaciais para formato sf

Transformação dos pontos para o sistema de coordenadas UTM (zona 22s)

Conversão das coordenadas dos pontos para quilometros

extração das coordenadas dos pontos projetados

Conversão para o formato PPP

3.1 - Dados e Ferramentas Utilizadas

Neste estudo, serão utilizados dados de focos de queimadas disponibilizados pelo Instituto Nacional de Pesquisas Espaciais INPE, abrangendo todo o ano de 2024. A análise será dividida entre o primeiro e o segundo semestre, permitindo comparar possíveis variações. Os dados incluem coordenadas geográficas (latitude e longitude) dos focos registrados no estado de Minas Gerais e serão transformados em objetos espaciais com o pacote sf no R. A análise espacial será conduzida com o apoio das bibliotecas spatstat, tmap e raster, que oferecem ferramentas robustas para análise e visualização de dados espaciais.

3.2 - Processamento dos Dados Espaciais

Inicialmente, os dados serão importados e convertidos em objetos do tipo sf. Em seguida, será definida uma janela espacial (owin) com base nos limites geográficos do estado de Minas Gerais, delimitando a área de estudo. Posteriormente, os dados serão transformados em um processo pontual (ppp), estrutura necessária para aplicar as técnicas de análise espacial descritas a seguir.

3.3 - Estimativa de Densidade de Kernel

A estimativa de densidade de Kernel será utilizada para identificar áreas com maior concentração de focos de queimadas. Essa técnica aplica uma função de suavização a cada ponto, gerando uma superfície de densidade contínua.

3.4 - Teste de Aleatoriedade Espacial

Para verificar se os focos de queimadas seguem uma distribuição aleatória, serão aplicado o teste estatístico:

O teste de Kolmogorov-Smirnov, que avalia a uniformidade dos pontos ao longo do eixo X.

3.5 - Funções Espaciais: G, K e F

Três funções espaciais serão aplicadas para investigar a estrutura dos focos de queimadas:

• Função G: Mede as distâncias entre pares de focos. Distâncias curtas indicam possíveis agrupamentos (Diggle, 2003).

• Função K: Analisa a densidade de pontos em diferentes escalas, detectando agrupamentos em várias distâncias (Ripley, 1981).

• Função F: Avalia a distância dos focos até pontos aleatórios no espaço, indicando a presença de áreas com alta concentração (Adrian Baddeley, 2015).

3.6 - Ajuste dos Modelos de Processos Pontuais

Serão ajustados quatro modelos para analisar como a posição geográfica (coordenadas espaciais) influencia a intensidade dos focos de queimadas:

• Modelo 1: Intercepto – Assume uma distribuição homogênea dos focos.

• Modelo 2: Coordenada X – Verifica variação da intensidade dos focos no eixo leste-oeste.

• Modelo 3: Coordenada Y – Avalia a variação no eixo norte-sul.

• Modelo 4: Coordenadas X e Y – Considera os dois eixos para capturar variações espaciais bidimensionais.

A escolha do melhor modelo será feita com base no Critério de Informação de Akaike (AIC), que compara a qualidade dos modelos ajustados.

Gráficos de séries temporais

No primeiro semestre, os focos de queimadas variaram bastante, com picos moderados em fevereiro e junho, mas sem ultrapassar 300 focos por dia. Já no segundo semestre, a situação foi mais intensa: os focos aumentaram muito a partir de agosto, com altos picos em setembro, chegando a quase 2.000 focos em um único dia, e começaram a cair só a partir de outubro.

Ou seja, os gráficos mostram que a maior parte das queimadas aconteceu no segundo semestre do ano, com destaque para os meses de agosto e setembro — provavelmente por causa do clima mais seco e mais dias sem chuva nesse período.

Mapa dos Focos de Queimadas

A Figura apresenta a distribuição espacial dos focos de queimadas ocorridos no estado de Minas Gerais no primeiro e segundo semestre de 2024. O mapa permite uma visualização inicial, dos locais afetados.

Gráficos interativos para o Mapa dos Focos de Queimadas

para o primeiro semestre

para o segundo semestre semestre

Verificando municípios com mais focos de queimadas no semestre 2024/1

Esse mapa mostra onde aconteceram mais focos de queimadas no estado de Minas Gerais durante o primeiro semestre do ano. Os pontos vermelhos maiores indicam os lugares com mais queimadas. As cidades destacadas no mapa foram:

• São Roque de Minas – 637 focos

• Delfinópolis – 600 focos

• Paracatu – 592 focos

• Itamarandiba – 391 focos

• João Pinheiro – 380 focos

## # A tibble: 5 × 4
##   Municipio          focos   lon   lat
##   <chr>              <dbl> <dbl> <dbl>
## 1 SÃO ROQUE DE MINAS   637 -46.7 -20.2
## 2 DELFINÓPOLIS         600 -46.8 -20.3
## 3 PARACATU             592 -46.8 -17.3
## 4 ITAMARANDIBA         391 -42.8 -17.8
## 5 JOÃO PINHEIRO        380 -45.9 -17.7

Verificando municípios com mais focos de queimadas no semestre 2024/

Esse mapa mostra onde aconteceram mais focos de queimadas no estado de Minas Gerais durante o segundo semestre do ano. Os pontos vermelhos maiores indicam os lugares com mais queimadas. As cidades destacadas no mapa foram:

• Lassance – 985 focos

• Uberaba – 921 focos

• Paracatu – 838 focos

• Diamantina – 763 focos

• Uberlândia – 720 focos

## # A tibble: 5 × 4
##   Municipio  focos   lon   lat
##   <chr>      <dbl> <dbl> <dbl>
## 1 LASSANCE     985 -44.4 -17.8
## 2 UBERABA      921 -48.0 -19.7
## 3 PARACATU     838 -47.0 -17.2
## 4 DIAMANTINA   763 -43.7 -18.1
## 5 UBERLÂNDIA   720 -48.3 -19.0

Mapa de contorno dos Focos de Queimadas nos semestre de 2024/1 e 2024/2

Os mapas a seguir mostram a distribuição dos focos de queimadas em Minas Gerais no ano de 2024, separados por semestre.

No primeiro semestre (2024/1), como visto nos mapas da esquerda, os focos estão mais espalhados e com menor intensidade. As cores predominantes são azul e azul claro, o que indica uma quantidade menor de queimadas, com algumas áreas concentrando até 500 focos. Não há regiões com queimas muito intensas levando em consideração o segundo semestre.

Já no segundo semestre (2024/2), mostrado nos mapas da direita, a situação muda bastante. As cores passam para amarelo, laranja e vermelho, principalmente no centro-sul do estado, o que indica uma alta concentração de queimadas, com áreas ultrapassando os 2.000 focos. Isso mostra que as queimadas aumentaram muito nesse período.

Em resumo, os mapas revelam que as queimadas foram mais intensas e concentradas no segundo semestre de 2024, o que pode estar ligado à estação seca, que favorece a propagação do fogo.

Agora vamos visualizar esses mapas de maneira interativa. Para os 2 semestres do ano.

Mapa interativos da intensidade dos Focos de Queimadas nos semestre de 2024/1 e 2024/2

semestre de 2024/1

semestre de 2024/2

Colocando à prova a CSR com o método dos quadrantes

Visualização dos quadrantes Para os semestre 2024/1 e 2024/2

Estimativa da Intensidade dos Pontos

A intensidade dos pontos, representada por lambda, nos dá uma medida da concentração média de focos de queimadas em toda a região.

## Intensidade média dos focos de queimada: 216.2729

## Intensidade média dos focos de queimada: 617.1366

A intensidade dos pontos, representada por λ, fornece uma medida da concentração média de focos de queimadas em toda a região analisada. A estimativa de intensidade calculada foi:

Intensidade média dos focos de queimada 2024/1: 216,3

Intensidade média dos focos de queimada 2024/2: 617,1

Estimativa de Densidade de Kernel

A estimativa de densidade de Kernel foi utilizada para identificar áreas de maior concentração de focos de queimadas. Abaixo apresenta os mapas de densidade dos focos, destacando as regiões com diferentes intensidades de queimadas, em 2041/1 e 2024/2

Mapa de densidade de kermel.

No mapa da esquerda (2024/1), vemos poucos pontos com cores quentes (amarelo e rosa), o que indica que os focos estavam mais espalhados e com menor intensidade. As áreas com mais fogo ficam localizadas principalmente no sudoeste e em algumas poucas partes do norte do estado.

No mapa da direita (2024/2), há muito mais pontos coloridos, com várias regiões apresentando tons fortes de rosa e amarelo, o que mostra uma alta densidade de queimadas. Ou seja, no segundo semestre, as queimadas se intensificaram bastante e ocorreram com maior frequência em várias regiões do estado.

Teste de Kolmogorov-Smirnov

O valor de D = 0.22347 e p-valor < 0,001 indicam que a distribuição dos focos ao longo da coordenada X no 2024/1 não é aleatória, sugerindo a existência de padrões espaciais.

O valor de D = 0.21828 e p-valor < 0,001 indicam que a distribuição dos focos ao longo da coordenada X no 2024/2 não é aleatória, sugerindo a existência de padrões espaciais.

Modelo 1: Intercepto

Este é o modelo mais simples, com apenas o intercepto. Ele assume que os focos estão uniformemente distribuídos.

modelo1 <- ppm(queimadas_ppp1, ~1)
modelo1.0 <- ppm(queimadas_ppp2, ~1)
aic1 <- AIC(modelo1)
aic1.0 <- AIC(modelo1.0)

Modelo 2: Coordenada X

Neste modelo, a coordenada X é incluída como variável explicativa, testando se há variação na intensidade dos focos ao longo do eixo X.

modelo2 <- ppm(queimadas_ppp1, ~x)
modelo2.0 <- ppm(queimadas_ppp2, ~x)
aic2 <- AIC(modelo2)
aic2.0 <- AIC(modelo2.0)

O Modelo 2 consegue capturar bem a tendência espacial dos focos de queimadas ao longo da coordenada X, prevendo um aumento dos focos de oeste para leste em ambos os semestres. A intensidade maior no segundo semestre indica uma sazonalidade, com mais queimadas no segundo semestre de 2024. Isso reforça a utilidade do modelo na previsão espacial com base apenas na posição longitudinal.

Modelo 3: Coordenada Y

Aqui, a coordenada Y é adicionada para verificar se os focos variam ao longo deste eixo.

modelo3 <- ppm(queimadas_ppp1, ~y)
modelo3.0 <- ppm(queimadas_ppp2, ~y)
aic3 <- AIC(modelo3)
aic3.0 <- AIC(modelo3.0)

O Modelo 3 considera a coordenada Y e identifica uma tendência crescente de queimadas do sul para o norte, visível nas duas previsões semestrais. O padrão espacial é mais sutil no primeiro semestre, enquanto o segundo semestre mostra uma intensidade consideravelmente maior, o que novamente sugere um comportamento sazonal. Esse modelo é útil para capturar padrões latitudinais nos dados.

Modelo 4: Coordenadas X e Y

Este modelo inclui ambas as coordenadas, X e Y, para capturar variações na intensidade dos focos de queimada ao longo dos dois eixos.

modelo4 <- ppm(queimadas_ppp1, ~x + y)
modelo4.0 <- ppm(queimadas_ppp2, ~x + y)
aic4 <- AIC(modelo4)
aic4.0 <- AIC(modelo4.0)

O Modelo 4, que incorpora as coordenadas X e Y, apresenta uma previsão espacial mais detalhada e realista. Ele consegue representar variações tanto no sentido leste-oeste quanto norte-sul, o que pode explicar por que ele obteve o menor valor de AIC em ambos os semestres. A variação da intensidade entre os semestres confirma a presença de sazonalidade e reforça o potencial do modelo para capturar padrões espaciais complexos de queimadas.

Para o modelo 4

Essas imagens mostram como as queimadas se espalham no espaço e como o modelo que usamos tentou prever isso. No canto inferior direito de cada figura, temos um mapa de calor, ele basicamente mostra, por cores, as regiões onde o modelo espera que haja mais queimadas. Quanto mais vermelho, maior a concentração de focos previstos. Essas áreas coloridas podem ser entendidas como zonas críticas, ou seja, locais que devem receber mais atenção no futuro, pois têm maior chance de ter queimadas.

Já os gráficos dos lados (acima e à esquerda do mapa) mostram se o modelo errou ou acertou ao prever as queimadas. Eles funcionam como um tipo de “termômetro” de erro. Se a linha desses gráficos fica perto da linha pontilhada, o modelo acertou bem naquela parte do mapa. Mas se a linha se afasta muito, significa que o modelo errou, ou seja previu mais focos do que realmente aconteceram, no caso ele errou para mais ou menos do que deveria.

Os resíduos dos Modelos 4 mostram um padrão claro de dependência espacial. Isso indica que o modelo subestima em algumas regiões e superestima em outras, revelando que a estrutura espacial dos dados não foi completamente capturada. No segundo semestre, esse acúmulo aumenta, reforçando a presença de uma sazonalidade espacial não modelada. Mesmo com um bom desempenho em termos de AIC, os resíduos evidenciam limitações importantes.