8.

AULA 8 Operaes de Anlise Espacial

Esta aula descreve mtodos para anlise de dados espaciais com base em metodologias
estatsticas e os algoritmos implementados no TerraView que possibilitam seus usos.
Para seguir os procedimentos abaixo devem ser utilizados os bancos BH.mdb e
Metrop_BH.mdb que foram disponibilizados.
Este documento foi elaborado com a colaborao do LESTE Laboratrio de Estatstica
Espacial da UFMG.

8.1 Matriz de Proximidade Espacial

Para estimar a variabilidade espacial de dados de rea, uma ferramenta bsica a
Matriz de Proximidade Espacial, tambm chamada Matriz de Vizinhana. Dado um
conjunto de n reas {A1,..,An}, construmos a matriz W(1) (n x n), onde cada um dos
elementos wij representa uma medida de proximidade entre Ai e Aj.
A matriz de proximidade utilizada em clculos de indicadores na fase de anlise
exploratria dos dados espaciais ou outras anlises disponveis no TerraView como
ser visto mais adiante. Como seu clculo um procedimento custoso e pode ser feito
de acordo com vrios critrios, o TerraView permite o seu armazenamento no banco
de dados, dessa forma, a mesma matriz pode ser usada em diferentes anlises,
evitando seu clculo diversas vezes e obtendo-se eficincia.

Com o banco BH.mdb aberto, torne o Tema UP ativo. Para calcular a matriz de
proximidade escolha na Barra de Menu a opo Anlise Matriz de Proximidade...
Criar Matriz de Proximidade..., obtendo a interface mostrada na figura a seguir.
Ao final da operao ser criada uma matriz que diz, para cada objeto, quais, dentre
os outros objetos, so considerados seus prximos.

INPE Diviso de Processamento de Imagens

8.2

5
Figura 8.1 Interface de criao da Matriz de Proximidade.

Nessa interface faa:

1. Escolha o Tema que contm os dados. Nesse caso o tema UP (Unidades de
Planejamento) de Belo Horizonte;
2. No quadro Estratgia de Construo deve ser escolhida uma dentre as
estratgias disponveis para decidir como os objetos esto prximos entre si.
As possibilidades so:
a. Contiguidade: um objeto est prximo apenas daqueles com os quais
compartilha uma fronteira. Essa caracterstica fortemente dependente
da geometria dos objetos e, portanto deve-se garantir que a geometria
dos objetos do Tema onde ser executada a anlise esteja correta, sem
falhas de digitalizao ou construo.

INPE Diviso de Processamento de Imagens

8.3
b. Distncia: um objeto est prximo de outro caso os centrides de suas
reas estejam a uma distncia d especificada pelo usurio no campo
Distncia (habilitado quando essa estratgia escolhida);
c. Vizinhos mais prximos: um objeto est prximo apenas dos n
vizinhos mais prximos (considerando seus centrides) e onde n
indicado pelo usurio no campo Nmero de vizinhos (habilitado quando
essa estratgia escolhida);
Nesse caso escolha a estratgia de Contiguidade;
3. No quadro Peso permite que sejam atribudos pesos s proximidades
encontradas. As possibilidades so:
a. Sem peso: todos os objetos esto prximos com o mesmo peso;
b. Distncia Inversa;
c. Distncia Inversa ao Quadrado.
4. A opo Salvar arquivo de sada permite que a matriz de proximidade
calculada no TerraView seja salva em arquivos texto, para intercmbio com
outros softwares de anlise espacial. Nesse caso, devem ser preenchidas as
indicaes do formato, localizao e nome do arquivo;
5. Clique em Executar.
A matriz construda e armazenada no banco de dados, associada a esse Tema.
Atravs do menu Anlise Matriz de Proximidade... Selecionar Matriz de
Proximidade... temos acesso interface mostrada na figura abaixo, que permite
manipular as matrizes de proximidade geradas para um determinado Tema.

1
2
4

3
Figura 8.2 Interface de seleo de Matriz de Proximidade.

Nessa interface faa:

1. Escolha o Tema que contm as matrizes de proximidade;
2. Observe na lista quais as matrizes disponveis;

INPE Diviso de Processamento de Imagens

8.4
3. Clique no boto Designar Matriz como Default para indicar que a matriz
selecionada ser a matriz usada nas operaes espaciais que sero
executadas a seguir e que necessitem de uma matriz de proximidade;
4. Clique no boto Remover Matriz para remover a matriz selecionada.

8.2 ndice de Moran Global

Visa identificar a estrutura de correlao espacial que melhor descreve os dados. A
idia bsica a caracterizao da dependncia espacial, mostrando como os valores
esto correlacionados no espao.
De uma forma geral, o ndice de Moran presta-se a um teste cuja hiptese nula de
independncia espacial, neste caso, seu valor seria zero. Valores positivos (entre 0 e
+1) indicam para correlao direta e negativos (entre 0 e 1) correlao inversa. Uma
vez calculado, importante estabelecer sua validade estatstica. Para estimar a
significncia do ndice, a abordagem mais comum um teste de pseudo-significncia.

Com o banco BH.mdb aberto, torne o Tema UP ativo. Na Barra de Menu escolha a
opo Anlise Estatstica Espacial.

1 Exemplo - No h autocorrelao espacial

Uma nova janela ir aparecer (Estatstica Espacial), na qual voc dever:
1. Definir o Atributo sobre o qual deseja verificar a presena de correlao espacial.
Selecione o atributo homicdios em 2003 (HOM_03).
2. Torne ativa a opo ndice de Moran.
3. Vamos avaliar a significncia do teste. Escolha 99 permutaes.
4. Executar o procedimento.
5. O resultado do teste ser mostrado atravs do Valor do ndice e do p-valor.

INPE Diviso de Processamento de Imagens

8.5

2
5

Figura 8.3 Janela Estatstica Espacial para ndice de Moran Global.

Verifica-se que no h a presena de autocorrelao espacial da varivel Homicdios

em 2003, uma vez que o ndice de Moran teve valor de 0.105837, com significncia de
0.12. Um ndice de valor pequeno, juntamente com a significncia acima de 0.05, traz
evidncias de que no se deve rejeitar a hiptese de que no h autocorrelao
espacial.
Pode-se fazer, tambm, uma anlise visual atravs de um Mapa Temtico. Por
exemplo, escolha cinco passos iguais para o atributo em questo, atravs da opo
Editar Legenda... do menu de contexto do Tema UP.

INPE Diviso de Processamento de Imagens

8.6

Figura 8.4 Mapa Temtico do atributo Homicdios em 2003.

Se houvesse autocorrelao espacial, era esperado que reas com maiores (menores)
propores de homicdios fossem mais prximas, no entanto, o mapa acima mostra
que isso no verificado, uma vez que no h um padro claramente observado no
mapa. As reas em rosa escuro so aquelas de maior proporo de homicdios no ano
de 2003, como indicado pela legenda.

2 Exemplo - H autocorrelao espacial

Siga os mesmos passos definidos no 1 exemplo, no entanto, escolha o atributo
Renda Mdia Mensal (rendamedia).
Verifica-se que h a presena de autocorrelao espacial da varivel Renda Mdia
Mensal, uma vez que o ndice de Moran teve valor de 0.446818, com significncia de
0.01.
Pode-se observar que o Mapa Temtico relativo varivel renda mdia mensal,
mostra claramente um padro espacial, ou seja, uma alta correlao espacial. Desta
forma, reas que apresentam uma renda mdia similar, de uma forma geral, esto
mais prximas umas das outras no mapa apresentado.
INPE Diviso de Processamento de Imagens

8.7

Figura 8.5 Mapa Temtico do atributo Renda Mdia.

8.3 ndice de Moran Local - LISA

Os indicadores globais de autocorrelao espacial, como o ndice de Moran, fornecem
um nico valor como medida da associao espacial para todo o conjunto de dados de
rea, que til como caracterizao de toda a regio de estudo. Por contraste, muitas
vezes desejvel examinar padres numa escala de maior detalhe, para verificar se a
hiptese de estacionariedade do processo verifica-se localmente.
Para tanto, preciso utilizar indicadores de associao espacial que possam ser
associados s diferentes localizaes de uma varivel distribuda espacialmente. Essa
metodologia utiliza o ndice de Moran Local para encontrar a correlao espacial
dessas reas. Por se tratar de um indicador local, tem-se um valor especfico de
correlao para cada rea, permitindo assim a identificao de clusters de reas e
outliers.
Com o banco de dados BH.mdb aberto, selecione o Tema UP novamente. Na Barra de
Menu escolha a opo Anlise Estatstica Espacial.... Uma nova janela ir
aparecer, na qual voc dever:
INPE Diviso de Processamento de Imagens

8.8
1. Definir o Atributo sobre o qual deseja verificar correlao espacial local. Escolha
rendamedia.
2. Tornar ativa a opo ndice de Moran Local (LISA).
3. Avaliar ou no a significncia do teste. Escolha o nvel de significncia se desejado
(99).
4. Inserir o Prefixo da coluna a ser gerada. Digite RENDA.
5. Executar o procedimento.

3
4

5
Figura 8.6 Janela Estatstica Espacial para ndice de Moran Local (LISA).

As colunas geradas so as seguintes:

Figura 8.7 Janela Estatstica Espacial para ndice de Moran Local (LISA).

INPE Diviso de Processamento de Imagens

8.9

Z: Vetor dos desvios dos valores observados;

Wz: Vetor da mdia ponderada local;

MoranIndex: ndice de Moran Local;

LISASig: Valor da estatstica p;

No exemplo, podemos considerar que se ela for maior que 0.05, no h

autocorrelao e ela significativa. Para enxergar isto no mapa podemos fazer a
seguinte consulta por atributos. Selecione, no menu poupup do Tema UP, a opo
Consulta por Atributos... e ao aparecer a janela voc dever:
1. Selecionar o Atributo RENDALISASig.
2. Selecionar operador >.
3. Digitar o nvel de significncia. Digite 0.05.
4. Clique em Nova consulta.

Figura 8.8 Consulta por Atributo RENDALISASig.

A consulta faz com que as regies de valor-p maior que 0.05 sejam selecionadas em
amarelo, como mostra o mapa acima (no h autocorrelao espacial). Portanto, as
regies que apresentam significncia, ou seja, apresentam autocorrelao espacial,
sero as marcadas em vermelho.

INPE Diviso de Processamento de Imagens

8.10

BoxMap: Valores apresentados correspondem a relao entre os valores de Z e

Wz em um Grfico de Disperso dividido em quadrantes (Q). Os valores variam de
1 a 4, onde 1 corresponde aos valores de Q1 (alto-alto valores altos de Z e
valores altos de Wz), 2 (Q2) baixo-baixo, 3 (Q3) alto-baixo e 4 (Q4) baixo-alto.
No caso em estudo, se o vetor dos desvios (Z) e o das mdias (Wz) forem altos caso de quadrante Q1 - podemos admitir que se trata de uma UP de renda mdia
alta, cercada por outras UPs que apresentam a mesma situao; e no caso Q2
uma UP de renda mdia baixa, cercada por outras UPs de mesma situao.
J os casos Q3 e Q4 detectam UPs de rendas mais altas e mais baixas que se
localizam perto de UPs de rendas mais baixas e mais altas, respectivamente.
importante observar que este tipo de estudo separa as UPs em apenas 2 grupos
quanto renda mdia (alta e baixa).

Para visualizar este resultado, vamos fazer um Mapa Temtico usando a legenda
criada a partir da coluna RENDABoxMap, selecionando no menu poupup do Tema UP,
a opo Editar Legenda...:

1. Em Modo selecione Valor nico.

2. Em Atributo selecione UP.RENDABoxMap.
3. Selecione Cores para a legenda.
4. Clique em Aplicar.
5. Clique em Executar.

INPE Diviso de Processamento de Imagens

8.11

Figura 8.9 Editor de Legenda por RENDABoxMap.

Pode-se observar que a regio da Barragem e a Favela do Cafezal esto em

evidncia, como duas ilhas azuis em meio a uma concentrao cor-de-rosa, j que so
duas UPs de rendas baixas rodeadas de UPs de rendas altas.
Continue fazendo esta anlise no mapa clicando nas UPs que achar interessante.

LISAMap: Os valores desta coluna, de 0 a 4, s sero gerados se for selecionado

algum nvel de significncia na interface.
Na gerao do LISAMap, os ndices locais so classificados como:
no significantes (0);
com confiana de 95% (1, p=0.05), 99% (2, p=0.01) e 99,9% (3, p=0.001).
Podemos, a partir da coluna criada, fazer o mapa de Consulta de Atributos,
escolhendo apenas no Atributo RENDALISAMap, e clicando em Nova Consulta.
Podemos tambm, criar uma legenda e fazer o mapa (Editar Legenda...), da mesma
maneira que foi feito com RENDABoxMap, porm substituindo o Atributo por
RENDALISAMap.

INPE Diviso de Processamento de Imagens

8.12

Figura 8.10 Consulta de Atributos por RENDALISAMap.

Observe que o mapa da esquerda exatamente igual ao mapa gerado a partir da

coluna RENDALISAProb, pois ambos evidenciam regies no significantes, ou seja,
aquelas com p-valor maior que 5% na cor rosa. Lembrando que, se o p-valor for maior
que 5%, no podemos dizer que h autocorrelao espacial entre as UPs.
No mapa da direita, observa-se que as UPs abaixo de 95% de confiana esto em corde-rosa, as UPs com 95% de confiana esto em laranja, as com 99% em verde e as
com 99,9% esto em azul. importante frisar que a interpretao deste mapa
totalmente diferente do mapa desenhado no item BoxMap, uma vez que este visualiza
significncia enquanto o do item anterior visualiza renda.

MoranMap: Os valores desta coluna s sero gerados se for selecionado algum

nvel de significncia na interface. Este resultado apresenta somente as regies
para os quais os valores de Ii, foram considerados significantes (com intervalo >
95%), diferente do BoxMap que no considera significncia. Neste caso, os ndices
locais Ii so associados ao diagrama de espalhamento de Moran.
Os valores sero os seguintes: 0 (no significante), 1 Q1 (alto-alto), 2 - Q2
(baixo-baixo), 3 Q3 (alto-baixo) e 4 - Q4 (baixo-alto).

INPE Diviso de Processamento de Imagens

8.13
Faa os mesmos mapas para esta coluna e observe que o mapa de atributos
(Consulta por Atributo) continua igual aos encontrados anteriormente e que o mapa
com legenda (Mapa Temtico) apresenta informaes novas:

Figura 8.11 Consulta de Atributos por MoranMap.

O mapa da direita considera todas as informaes vistas em um s mapa e oferece

uma viso geral melhor para deteco de clusters locais. A interpretao das cores a
seguinte:

Cor-de-rosa (1 intervalo): Regies onde no se pode afirmar que h correlao.

Laranja (2 intervalo): Regio de renda mdia alta, correlacionada com regies na

mesma situao.

Verde (3 intervalo): Regio de renda mdia baixa, correlacionada com regies na

mesma situao.

Azul (4 intervalo): Regio de renda mdia baixa, correlacionada com regies em

situao oposta.

As regies de rendas mdias altas, correlacionada com regies em situao oposta

no aparecem neste mapa porque no foram consideradas significantes.
Ao olharmos para o mapa do BoxMap, podemos ver que a zona rosa, que
corresponde zona laranja deste novo mapa bem maior. Esta uma das mudanas
provocadas pelo ndice de significncia e que talvez seja indesejada, dependendo do
que se quer estudar. Logo, importante, ao fazer anlises, olhar todos os mapas e ver
se alguma informao importante foi perdida ou alguma desnecessria foi
acrescentada.

INPE Diviso de Processamento de Imagens

8.14

8.4 Mdia Mvel

O mtodo de Mdia Espacial Mvel uma tcnica que explora o valor mdio mi do
atributo na regio de estudo (primeira ordem).
Como obter a mdia local no TerraView:
Com o banco de dados BH.mdb aberto, selecione o Tema UP. Na barra de menu
escolha a opo Anlise Estatstica Espacial.... Uma nova janela (Estatstica
Espacial) ir aparecer, na qual voc dever:
1.

Definir o Atributo sobre o qual deseja verificar correlao espacial. Escolha

rendamedia.

2.

Tornar ativa a opo Mdia Local.

3.

Avaliar ou no a significncia do teste. Escolha o nvel de significncia se

desejado (99).

4.

Inserir o Prefixo da coluna a ser gerada (RendaMedia).

5.

Executar o procedimento.

3
4
5
Figura 8.12 Estatstica Espacial com Mdia Local.
INPE Diviso de Processamento de Imagens

8.15

Faa uma legenda com modo Quantil e faa um Mapa Temtico com a coluna
gerada.

Figura 8.13 Mapa Temtico do atributo gerado.

8.5 Funes G e G*
O ndice de Moran Local pode apresentar alguns problemas em sua interpretao, em
funo de sua distribuio estatstica exata no ser conhecida perfeitamente e ter de
ser estimada por simulaes. Por isso, s vezes pode ser interessante o uso das
funes normalizadas G e G*.
As funes G e G* so dois ndices de autocorrelao espacial local, que permitem o
teste de hipteses sobre a concentrao espacial da soma dos valores, associados
aos pontos na vizinhana do ponto considerado.
Uma vez que estes indicadores so compostos por uma somatria de valores de
atributos, a observao de valores significativamente altos de Gi e Gi* indica a
existncia de ocorrncia deste atributo em valores altos, sendo o oposto um indcio de
agrupamento de valores baixos.

INPE Diviso de Processamento de Imagens

8.16
A principal diferena entre as funes G e G* que na primeira, considera-se apenas
os valores de todos os vizinhos, e na segunda, considera-se tambm a regio em
estudo no clculo do ndice.
Como obter as estimativas das Funes G e G* no TerraView:
Com o banco de BH.mdb aberto, selecione o Tema UP. Na Barra de Menu, escolha a
opo Anlise Estatstica Espacial....
Uma nova janela (Estatstica Espacial) ir aparecer, na qual voc dever:

3
4

Figura 8.14 Estatstica Espacial para Funo G.

1. Definir o Atributo sobre o qual deseja verificar a presena de correlao espacial.

Selecione o atributo rendamedia.
2. Torne ativa a opo G.
3. Vamos avaliar a significncia do teste. Escolha 99 permutaes.
INPE Diviso de Processamento de Imagens

8.17
4. Defina um Prefixo da coluna a ser gerada com os valores estimados da funo G
(este passo opcional).
5. Executar o procedimento.
Uma nova coluna ser criada, com os valores estimados da funo G. Assim, a partir
destas estimativas, pode-se criar um Mapa Temtico, como verificado abaixo:

Figura 8.15 Mapa Temtico da Funo G.

Siga os mesmos passos definidos no caso anterior, no entanto, pedindo agora, a

opo G*. O mapa temtico pode ser verificado abaixo.

Figura 8.16 Mapa Temtico da Funo G*.

INPE Diviso de Processamento de Imagens

8.18

8.6 Taxas Bayesianas Empricas

Nesta seo, voc ir construir taxas (razes) a partir de atributos dos objetos dos
mapas. Primeiramente, voc ir calcular a taxa bruta de homicdios ocorridos no ano
2000, para as Unidades de Planejamento (UPs) de Belo Horizonte. Em seguida,
usaremos as ferramentas de Bayes Emprico Global e Bayes Emprico Local para
ajustar as taxas.
A taxa bruta uma diviso entre um numerador (nmero de homicdios, seqestros,
mortes) e um denominador (populao em risco, em geral). A taxa bruta apresenta
grande instabilidade para regies com populao de risco pequena, isto , regies
com pequenas populaes esto muito mais suscetveis s flutuaes nas taxas,
devido ocorrncia de uns poucos eventos por mero acaso, do que regies
populosas. As Taxas Bayesianas Empricas baseiam-se no uso de informao das
outras reas que compem a regio de estudo, para diminuir esta instabilidade no
associada ao risco de ocorrncia do evento.
O primeiro requisito do TerraView para calcular as Taxas Bayesianas que o
denominador (a populao de risco) no contenha valores menores ou iguais a zero.
Caso no houvesse dados sobre populao para algumas UPs de Belo Horizonte,
seria necessrio, portanto, criar uma camada que contivesse apenas UPs para os
quais temos esses dados.

8.6.1 Calculando a Taxa Bruta

Para calcular a Taxa Bruta, crie uma nova coluna na sua tabela de hom_2000_Collect
(Tema UP). Para criar uma nova coluna (Taxa), use o menu de contexto a partir do
cabealho das colunas na rea de Grade e escolha a opo Adicionar Coluna....

Figura 8.17 Criao de nova coluna.

INPE Diviso de Processamento de Imagens

8.19
Depois de criar a coluna chamada de Taxa, use o menu de contexto a partir desta
coluna e altere seus dados:

Figura 8.18 Opo de alterao de dados da coluna criada.

Voc deve fazer uma operao onde o numerador o nmero de homicdios no ano
de 2000 e o denominador a populao das UPs de Belo Horizonte no mesmo ano.
Para isso, renomeie a coluna Crimes2000_2_NAT_COUNT para HOM_2000 (Clique
com o boto direito no menu da coluna e escolha a opo Modificar Nome da
Coluna...).

INPE Diviso de Processamento de Imagens

8.20

Figura 8.19 Janela para alterao de dados da coluna criada.

8.6.2 Calculando a Taxa Bayesiana Emprica Global

Voc ir, agora, criar uma coluna com a Taxa Bayesiana Emprica Global, para
ajustar as taxas para UPs de populao pequena. Para isto, use a opo Anlise
Bayes Emprico Global... da Barra de Menu. A janela Bayes Emprico Global, para
entrada de parmetros ser aberta.

Informe os seguintes parmetros:

1. No campo Tema, selecione o Tema desejado UP.
2. No campo Populao em Risco, selecione a tabela e a coluna que contm os
dados de populao: UP e POP_2000.
3. No campo Nmero de Casos, selecione a tabela e a coluna que contm os dados
do numerador da taxa (no nosso caso, homicdios em 2000): hom_2000_Collect e
HOM_2000.
4. No campo Correo da Taxa Multiplicativa, selecione 1.
5. Execute o procedimento para criar a nova coluna, denominada GEBayes. Se
desejar, altere seu nome no campo Nome da Nova Coluna.

INPE Diviso de Processamento de Imagens

8.21

Figura 8.20 Janela Bayes Emprico Global.

Na tabela UP aparecer a coluna GEBayes, com as taxas bayesianas globais.

8.6.3 Calculando a Taxa Bayesiana Emprica Local

possvel, ainda, ajustar as taxas baseando-se apenas na informao da vizinhana
de cada UP. Para isto, use a opo Anlise Bayes Emprico Local.... A janela
Bayes Emprico Local para entrada de parmetros ser aberta, para que voc possa
informar os seguintes parmetros:

1. No campo Tema, selecione o tema desejado UP.

2. No campo Populao em Risco, selecione a tabela e a coluna que contm os
dados de populao: UP e POP_2000.
3. No campo Nmero de Casos, selecione a tabela e a coluna que contm os dados
do numerador da taxa (no nosso caso, homicdios em 2000): hom_2000_Collect e
HOM_2000.
4. No campo Correo da Taxa Multiplicativa, selecione 1.
5. Execute o procedimento para criar a nova coluna, denominada LEBayes. Se
desejar, altere seu nome no campo Nome da Nova Coluna.

INPE Diviso de Processamento de Imagens

8.22

Figura 8.21 Janela Bayes Emprico Local.

Na tabela UP aparecer a coluna: LEBayes, contendo os valores das Taxas

Bayesianas Locais de cada UP.

8.6.4 Comparando as taxas

A figura abaixo representa um grfico onde voc tem no eixo X os valores das Taxas
Brutas e no eixo Y, os valores para as Taxas Bayesianas Globais calculadas
anteriormente. Como podemos ver, existe uma forte associao entre os valores.

INPE Diviso de Processamento de Imagens

8.23

Figura 8.22 Grfico de Disperso Taxa x GEBayes.

Figura 8.23 Grfico de Disperso GEBayes x LEBayes.

INPE Diviso de Processamento de Imagens

8.24
A partir do grfico de disperso entre as taxas bayesianas globais e locais tambm
possvel perceber uma forte associao (figura acima).

8.6.5 Criando Mapas Temticos a partir das Taxas

Finalmente, vamos desenhar os mapas baseados nas Taxas Brutas e depois nas
Taxas Bayesianas. Podemos comparar estes dois mapas e verificar as diferenas
entre eles. Com o Tema ativo (UP) use a opo Editar Legenda... do menu de
contexto para criar um Mapa Temtico de Quantil (4 fatias). A figura abaixo
representa as UPs segundo a Taxa Bruta por grupo de 100 mil pessoas.

Figura 8.24 Mapa Temtico da Taxa Bruta.

Voc ir construir agora um mapa com as mesmas caractersticas do anterior, sendo

que voc estar usando as informaes de Taxa Bayesiana Emprica Global e da
Taxa Bayesiana Emprica Local. Embora parea que os mapas sejam semelhantes,
perceba que a escala do mapa muda.

INPE Diviso de Processamento de Imagens

8.25

Figura 8.25 Mapa Temtico de GEBayes.

Figura 8.26 Mapa Temtico de LEBayes.

INPE Diviso de Processamento de Imagens

8.26

8.7 Mapa de Kernel

O Mapa de Kernel uma alternativa para analisar o comportamento de padres de
pontos. Basicamente, o Mapa de Kernel fornece, por meio de interpolao, a
intensidade pontual do processo em toda a regio de estudo. Assim, temos uma viso
geral da intensidade do processo em todas as regies do mapa.

Com o banco de dados de Belo Horizonte aberto (BH.mdb), torne visveis os Temas
Bairros e Crimes1997. Lembre-se de que voc s ver os pontos de crimes se os
mesmos forem desenhados sobre os bairros, ou se os polgonos dos bairros estiverem
transparentes.

1. No menu Anlise escolha a opo Mapa de Kernel....

Figura 8.27 Menu para Mapa de Kernel.

A janela abaixo aparecer e nela sero definidos os parmetros para fazer o mapa de
Kernel.

INPE Diviso de Processamento de Imagens

8.27
Escolha da grade a
ser utilizada no mapa.

Informaes

Informaes

sobre a

sobre o

grade

Tema

utilizada no

selecionado.

clculo do
Kernel.
Nome do

Funo e

Plano ou da

Clculo que

Coluna que

sero

sero

utilizados.

criados.
Tema que
ser
mapeado.

Seleo do

Seleo

Atributo.

do Raio.

Figura 8.28 Janela Mapa de Kernel.

2. No campo Regio de Suporte escolha a opo Grade sobre os eventos.

Esta opo criar um retngulo envolvendo todos os pontos do Tema selecionado.

Este retngulo pode ultrapassar o limite da sua regio de estudo.
Com a opo Grade sobre a regio, se a regio escolhida possuir apenas um
polgono, por exemplo, o Tema Limite, ser criada uma grade que no ultrapasse o
limite desta regio. Caso a regio escolhida possua mais de um polgono, como o
caso do Tema Bairros, a grade ser um nico retngulo que envolve todos os
polgonos de uma s vez. Com esta opo o TerraView cria um novo PI que ser
utilizado na construo do mapa.
A opo Sem grade considera como grade os prprios polgonos do Tema escolhido.
Nesta opo, a legenda associada diretamente ao Tema e no criado um outro
Plano, como nas opes anteriores, e sim uma coluna.

INPE Diviso de Processamento de Imagens

8.28
3. No campo Opes da Grade a opo Nmero de Colunas define a suavizao
do mapa. O valor padro 50 produz bons resultados.
4. No campo Nome do Plano, defina o nome do novo PI, onde sero guardadas as
informaes do mapa de Kernel (Kcrimes1997).
5. No campo Eventos escolha a opo Ponto e selecione o tema Crimes1997, no
campo Tema.
6. Nos campos reservados ao Algoritmo, no necessrio fazer modificaes. A
Funo e o Clculo, definidos como padro pelo programa, so os
tradicionalmente utilizados.
7. Com a opo Adaptativo selecionada, o raio calculado automaticamente.
8. Clique em Executar.
2

4
6

7
Figura 8.29 Gerando o Mapa de Kernel.

Agora um novo Plano de Informao e um novo Tema sero automaticamente criados

com o nome que voc definiu no passo 4. Este novo PI representar a densidade dos
crimes em Belo Horizonte (calculado por unidade de rea), de acordo com a funo
qurtica. A exibio do mapa de Kernel na tela de visualizao tambm automtica.
A figura abaixo representa o mapa criado com os Temas e atributos escolhidos acima,

INPE Diviso de Processamento de Imagens

8.29
juntamente com a visualizao do Tema Bairros.

Figura 8.30 Visualizao do Mapa de Kernel com o tema Bairros.

Devido grande quantidade de pontos na regio central de Belo Horizonte, o Mapa de

Kernel indica uma forte concentrao de crimes em um nico ponto da cidade e
praticamente desconsidera outras reas de criminalidade, comprometendo a
visualizao.

8.7.1 Exibindo a Legenda no Mapa de Kernel

Quando fazemos um mapa de Kernel, ele exibido automaticamente na Tela de
Visualizao, ao contrrio da legenda. Para exibir a legenda junto ao mapa voc deve
seguir os seguintes passos:

INPE Diviso de Processamento de Imagens

8.30
1. Ative o menu de contexto do Tema KCrimes1997, que foi criado automaticamente
pelo programa.
2. Escolha a opo Visibilidade das Representaes....
3. Na janela Visibilidade do Tema marque a opo Legenda.

A legenda aparecer no canto superior esquerdo da Tela de Visualizao. Clique no

boto

Edio do Tema para que voc possa mover a legenda para a posio que

desejar.

Ser feito agora um mapa com os Temas de homicdios em 1997. Primeiramente,

necessrio criar um outro Tema, apenas com os Homicdios Consumados contidos
dentro de Crimes.

Como fazer isso?

Com o banco de dados de BH.mdb aberto, torne visveis os Temas Bairros e
Crimes1997.
Lembre-se de que voc s ver os pontos de crimes se os mesmos forem desenhados
sobre os bairros, ou se os polgonos dos bairros estiverem transparentes.

1. Ative o menu de contexto do Tema Crimes1997.

2. Escolha a opo Consulta por Atributo....
3. No campo Atributo escolha a opo NAT.
4. Escolha o Operador =.
5. Ative Valores do Atributo e escolha a opo B04002-HOMICIDIO CONSUMADO.
6. Clique em Nova Consulta.

INPE Diviso de Processamento de Imagens

8.31

Figura 8.31 Consulta por Atributo.

Voc acabou de consultar somente os crimes com descrio de homicdio consumado.

7. Crie um novo Plano de Informao com os itens consultados e depois crie uma
Vista com essa nova camada chamada Homicidios1997. Para isso, ative o menu
de contexto do Tema Crimes1997 e selecione Criar Plano a partir do Tema....
8. Na opo Seleo de Objetos escolha objetos Consultados.
9. Escreva o Nome do Novo Plano de Informao como Homicidios1997.
10. No campo Projeo selecione Vista e a projeo correta dos dados.

INPE Diviso de Processamento de Imagens

8.32

Figura 8.32 Criar Plano de Informao a partir do Tema.

O Plano de Informao criado, porm ainda necessrio criar um Tema para que os
homicdios possam ser visualizados. Com o Plano Homicdios1997 selecionado,
adicione um Tema, escolhendo a tabela correta, da mesma maneira da janela abaixo.

Figura 8.33 Adicionar Tema.

INPE Diviso de Processamento de Imagens

8.33
Com os Temas Bairros e Homicidios1997 visveis, faa os procedimentos para criar o
mapa de Kernel:

1. No menu Anlise escolha a opo Mapa de Kernel....

2. No campo Regio de Suporte escolha a opo Grade sobre os eventos.
3. No campo Opes da Grade a opo Nmero de Colunas define a suavizao
do mapa. O valor padro 50 produz bons resultados.
4. No campo Nome do Plano defina o nome do novo Plano de Informao onde
sero guardadas as informaes do mapa de Kernel (Khomicidios1997).
5. No campo Eventos escolha a opo Ponto e selecione o Tema Homicidios1997
no campo Tema.
6. Nos campos reservados ao Algoritmo, no necessrio fazer modificaes. A
Funo

Clculo

definidos

como

padro

pelo

programa

so

os

tradicionalmente utilizados.
7. Com a opo Adaptativo selecionada, o raio calculado automaticamente.
8. Clique em Executar.
2

4
6

7
Figura 8.34 Criao do Mapa de Kernel.
INPE Diviso de Processamento de Imagens

8.34
O mapa abaixo gerado, aps inserir a legenda como explicado anteriormente, e
desenhado juntamente ao Tema Bairros.

Figura 8.35 Visualizao do Mapa de Kernel e legenda.

A nica diferena entre as opes Grade sobre a regio e Grade sobre os eventos
a rea abordada pelo mapa de Kernel, como pode ser visto abaixo:

INPE Diviso de Processamento de Imagens

8.35

Figura 8.36 Diferena entre as opes de grade do Mapa de Kernel.

Lembre-se que os mapas acima foram desenhados juntamente ao Tema Bairros.

Para que o mapa de Kernel seja automaticamente desenhado sobre o Tema desejado
deve-se escolher a opo Sem grade, seguindo os passos seguintes:

1. No campo Regio de Suporte selecione Sem grade.

2. Em Opes da Grade, escolha o Tema que deseja servir como grade, no caso,
escolha o Tema Bairros.
3. Escolha Khomicdios1997_2 como Nome da Coluna a ser criada.
4. Finalmente, selecione os dados a serem mapeados (Homicdios1997).
5. Execute o procedimento.

INPE Diviso de Processamento de Imagens

8.36

Figura 8.37 Gerao do Mapa de Kernel sem grade.

Figura 8.38 Visualizao Mapa de Kernel com Legenda.

INPE Diviso de Processamento de Imagens

8.37

Perceba que desta maneira, basta desenhar o Tema Bairros para visualizar o mapa de
Kernel com os limites dos bairros, enquanto nas outras opes de grade, a
visualizao destes limites juntamente ao mapa de Kernel, s possvel desenhando
tambm o Tema Bairros.
Para criar mapas com a Regio de Suporte Grade sobre a regio ou Sem grade,
necessrio verificar se os bancos de informaes esto na mesma projeo que a
Vista e o Tema de eventos.

Outras informaes importantes

1. Sobre a opo Conjunto de Dados

Eventos do tipo Ponto se referem a dados pontuais, portanto todos os Temas da Vista
ativa, que possurem dados pontuais, estaro disponveis para serem escolhidos como
Tema.
possvel ainda atribuir pesos aos eventos, habilitando a opo Com Atributo e
escolhendo a tabela e a coluna onde esto localizados os pesos.

Eventos do tipo rea se referem a dados agregados, normalmente uma contagem.

Todos os Temas que possuem dados de rea podero ser escolhidos como Tema.
Um exemplo seria escolher o Tema Bairros e usar a coluna de POP2000 como
atributo da tabela Bairros. Para esse mapa, escolha o Nome do Plano como Kbairros.

INPE Diviso de Processamento de Imagens

8.38

Figura 8.39 Mapa de Kernel com Atributos.

Assim, o mapa desenhado como na figura abaixo:

Figura 8.40 Mapa de Kernel com evento rea.

INPE Diviso de Processamento de Imagens

8.39

Caso execute um mapa de Kernel por Bairros sem nenhum atributo, ser atribudo
peso um a todos os bairros e o mapa revelar a concentrao de bairros em Belo
Horizonte. Nesse segundo mapa escolha Nome do Plano como Kbairros2. O mapa
gerado o seguinte:

Figura 8.41 Mapa de Kernel sem a seleo de atributos.

2. Sobre o Algoritmo
Na parte reservada ao algoritmo, o usurio tem a opo de escolher a Funo que
ser utilizada para fazer os clculos, o que ser calculado e o raio a ser utilizado.
A opo normalmente utilizada nos mapas de Kernel, a qual o default do TerraView,
a Funo Qurtico e Clculo Densidade.

Temos trs opes para Clculo:

Densidade: retorna a densidade de crimes por unidade de rea.

Mdia de Movimento Espacial: retorna o nmero esperado de crimes por unidade

de rea.

Probabilidade: retorna a probabilidade de um crime, que j ocorreu, estar

localizado em determinada rea.

INPE Diviso de Processamento de Imagens

8.40
As figuras abaixo representam a diferena entre o Clculo da Densidade (figura
esquerda) e o Clculo da Mdia de Movimento Espacial (figura direita) para o
Mapa de Kernel Sem grade para dados de Homicidios1997, do Tema Bairros. Para o
segundo mapa, crie outro Tema do PI Bairros com o nome de Bairros2, caso contrrio
o primeiro mapa ser substitudo.

Figura 8.42 Clculo da Densidade e Clculo da Mdia de Movimento Espacial.

3. Sobre o Raio

O raio um parmetro muito importante na hora de fazer um mapa e sua definio

exige do usurio um bom conhecimento dos crimes e da regio do estudo.
O TerraView facilita essa tarefa, ao permitir a utilizao do Kernel Adaptativo. A
opo Adaptativo calcula automaticamente um raio, considerando o nmero de
eventos e a rea. Os resultados obtidos usando o raio adaptativo so bastante
razoveis.
Entretanto, desmarcando a opo Adaptativo, voc poder selecionar um raio de trs
formas distintas:

1. Definindo um valor especfico, que deve ser dado na mesma medida dos dados
visualizados.

INPE Diviso de Processamento de Imagens

8.41
O painel Informao, da janela de confeco do Mapa de Kernel, mostra a
largura e a altura do retngulo que envolve os eventos, para servir como guia
nessa seleo.
2. Selecionando o valor atravs do slider que mantm proporo da altura (ou
largura da regio se essa for maior), em divises de 10 em 10 por cento.

Figura 8.43 Configurao do raio.

3. Aps abrir a janela do Mapa de Kernel, ao pressionar o boto esquerdo do mouse,

segure o boto Ctrl do teclado e trace no mapa o raio desejado. O valor desse raio
ser transcrito automaticamente na caixa Raio que est ativa.

Figura 8.44 Ajuste do raio.

INPE Diviso de Processamento de Imagens

8.42

8.8 Regionalizao de reas: o mtodo SKATER

O software TerraView oferece a ferramenta de regionalizao de reas, para que se
possa agrupar reas menores (municpios, bairros) em reas maiores, que alm de
serem contguas, tenham tambm semelhana segundo os atributos associados
(homicdios, sequestros). Para isso, utiliza-se a ferramenta estatstica espacial
implementada no TerraView do mtodo SKATER.

O mtodo SKATER se constitui numa anlise de conglomerados que leva em conta a

localizao espacial dos objetos. Trata-se de uma situao em que temos um mapa
particionado em reas, cada uma delas com uma posio geogrfica determinada, e
desejamos que reas com caractersticas semelhantes pertenam ao mesmo
conglomerado espacial. Estas caractersticas so dadas pelas variveis medidas

Para realizarmos este mdulo, usaremos outro banco de dados, uma vez que a
anlise se torna mais interessante. Abra o banco de dados Metrop_BH.mdb.

OBS:

Toda

vez

que

utilizamos

metodologia

do

SKATER,

normalmente

padronizamos as variveis. Assim, utilizaremos todas as variveis de interesse

padronizadas: variveis com terminao p (nome da varivel_p).

Com o Tema Metrop.1980 ativo, do seu banco de dados Metrop_BH.mdb, voc ir

construir um mapa de tal modo que as reas estaro agrupadas segundo as variveis
de valor contido nas colunas: ICV80_P, DEM80_P, TRAB80_P, AAGU80_P, IAE80_P,
TANALF80_P, MANOS80_P, ESP80_P, TMI80_P, RENDA80_P e POBRES80_P.

Descrio das variveis:

ICV80: ndice de Condio de Vida geral, no ano de 1980.

DEM80: Defasagem escolar mdia (em anos) entre crianas de 7 a 14 anos, no

ano de 1980.

TRAB80: Porcentagem de crianas de 10 a 14 anos que trabalham, no ano de

1980.
INPE Diviso de Processamento de Imagens

8.43

AAGU80: Abastecimento adequado de gua, no ano de 1980.

TANALF80: Taxa de analfabetismo da populao de 15 anos ou mais (%), no ano

de 1980.

MANOS80: Nmero mdio de anos de estudo (pop. de 25 anos ou mais, no ano de

1980).

ESP80: Esperana de vida ao nascer (em anos), no ano de 1980.

TMI80: Taxa de mortalidade infantil (por mil nascidos vivos), no ano de 1980.

RENDA80: Renda familiar per capita mdia (Cr$1000 de 01/09/91), no ano de

1980.

POBRES80: Proporo de pobres (P0), no ano de 1980.

As variveis utilizadas sero as padronizadas (..._p), devido ao impacto que diferentes

escalas podem ter na funo de dissimilaridade e na soma de quadrados dentro dos
conglomerados. Assim, as variveis que sero utilizadas para a regionalizao
possuem uma escala padronizada com mdia zero e desvio padro igual a 1 (um),
como pode ser verificado ativando o menu de contexto no cabealho de qualquer uma
das variveis descritas acima e escolhendo a opo Estatstica.... A padronizao foi
obtida subtraindo a varivel original de sua mdia e dividindo pelo desvio padro.

Para construir este mapa regionalizado, como podemos cham-lo, utiliza-se a

ferramenta de estatstica espacial Anlise Skater..., no menu principal do
TerraView.

1. No campo Mtodo de Agregao, voc deve escolher o critrio para definir o

nmero de regies (grupos) maiores a serem formados. A opo Grupos permite
que voc defina um nmero fixo e a opo Populao permite que voc defina a
populao mnima de cada grupo.
No ltimo caso, voc dever informar onde se encontram os dados de populao
no campo Seleo de Dados de Populao. Selecione Grupos e entre com valor
10.
2. No campo Seleo de Tema, voc deve escolher sobre qual tema voc deseja
realizar o agrupamento. Selecione Metrop. 1980.

INPE Diviso de Processamento de Imagens

8.44
3. No campo Resultados, voc deve definir a tabela e o nome da coluna onde ser
armazenado a qual grupo cada regio pertence. A opo padro ska, mas voc
pode alter-la.
4. No campo Seleo de Atributos voc ir escolher as informaes que sero
utilizadas para calcular a similaridade entre as reas, como por exemplo, o ndice
de Condio de Vida padronizado (ICV80_P), o Abastecimento adequado de gua
padronizado (AAGU80_P), etc. Na lista Atributos do Tema voc tem disponvel
todos os atributos possveis (numricos) e na lista Atributos Selecionados,
aqueles que voc escolheu para realizar a agregao, escolha todas as variveis
mencionadas em Descrio das variveis acima precedidas do nome da tabela
(Plan1.), por exemplo, Plan1.ICV80_P, Plan1.AAGUA80_P...
5. Execute o procedimento para gerar as regies maiores.

5
Figura 8.45 Janela rvore Geradora Mnima (SKATER).

INPE Diviso de Processamento de Imagens

8.45
Uma nova coluna ska ser gerada na sua tabela do Tema Metrop. 1980, contendo o
grupo ao qual cada rea pertence. Um grfico da diminuio da varincia tambm
gerado automaticamente como mostrado abaixo.

Figura 8.46 Grfico da Diminuio da Varincia.

Atravs da anlise da diminuio da varincia o mtodo permite analisar o melhor

nmero de conglomerados a serem formados, medida que esses vo sendo
gerados. Existe uma diminuio rpida no incio, quando o nmero pequeno. A partir
de um certo ponto, essa diminuio pequena, significando que a gerao de mais
conglomerados no aumenta substancialmente a homogeneidade interna de cada um.
Para visualizar estas reas no seu mapa ativo, voc precisar construir um mapa
temtico de Valor nico utilizando esta nova coluna gerada.

INPE Diviso de Processamento de Imagens

8.46

8.9 Visualizando os Resultados

A figura abaixo representa os procedimentos para gerar a visualizao grfica do
mapa e do Tema Metrop. 1980 agrupado em funo dos grupos formados pelo mtodo
Skater observados na coluna ska. Os procedimentos so os seguintes:

1. Ative o menu de contexto do tema Metrop. 1980 ativo.

2. Escolha a opo Editar Legenda.
3. Em Parmetros de Agrupamento Modo, escolha Valor nico.
4. Escolha a coluna CAMP91_2.ska;
5. Use Preciso igual a 1.
6. Escolha as Cores e clique em Aplicar.
7. Execute o procedimento.

Figura 8.47 Visualizao dos novos conglomerados criados pelo mtodo SKATER.

INPE Diviso de Processamento de Imagens

8.47
Vemos claramente a associao espacial entre as reas e conglomerados bem
definidos, com exceo de trs ou mais reas, com o conjunto de dados utilizado.
Fazendo o mesmo procedimento, porm utilizando os dados de 1991 (Tema Metrop.
1991), pode-se fazer uma comparao visual desta formao de conglomerados,
utilizando as mesmas variveis, nos dois anos de estudo.

1980

1991

Figura 8.48 Comparao entre os aglomerados com dados de 1980 e 1991.

Utilizando Dados de Populao

Retornando ao Tema Metrop. 1980, faa agora uma regionalizao utilizando as
mesmas variveis, porm, selecionando como mtodo de agregao uma populao
mnima de 20.000 habitantes para cada grupo.
Clique novamente em Anlise Skater... e:

1. No campo Mtodo de Agregao, selecione Populao e entre com o valor

20000.
2. Em Resultados nomeie a Coluna de ska2.
3. Em Seleo de Tema, escolha o Tema Metrop. 1980.

INPE Diviso de Processamento de Imagens

8.48
4. Voc dever informar onde se encontram os dados de populao no campo
Seleo de Dados de Populao. Na opo Coluna escolha Pop1980 da Tabela
CAM91_2;
5. Em

Seleo

de

Plan1.TRAB80_P,

Atributo

selecione:

Plan1.AAGU80_P,

Plan1.MANOS80_P,

Plan1.ESP80_P,

Plan1.ICV80_P,

Plan1.DEM80_P,

Plan1.IAE80_P,

Plan1.TANALF80_P,

Plan1.TMI80_P,

Plan1.RENDA80_P,

Plan1.POBRES80_P.
6. Clique em Executar.

6
Figura 8.49 Janela rvore Geradora Mnima SKATER.

Para visualizar um mapa com os novos conglomerados formados, utilizando a

informao da populao de cada rea, procedemos da mesma forma como foi visto
no caso anterior. Aqui tambm, utilizada a ferramenta Editar Legenda... no entanto,
utilizando como atributo a coluna CAMP91_2.ska2 (lembre-se de remover o mapa feito
no caso anterior, uma vez que cada Tema s aceita um Mapa Temtico).

INPE Diviso de Processamento de Imagens

8.49

Figura 8.50 Visualizao dos novos conglomerados.

Vemos claramente a associao espacial entre as reas e conglomerados bem

definidos, com o conjunto de dados utilizado.
Abaixo, temos uma comparao visual dos resultados da formao de conglomerados,
utilizando as mesmas variveis, nos dois anos de estudo, com a informao de
populao.

INPE Diviso de Processamento de Imagens

8.50

1980

1991

Figura 8.51 Comparao ente os dados atravs do mapa.

Exportando os Resultados

Se voc quiser visualizar esta figura j na forma de impresso, voc pode salvar sua
tela de visualizao a partir do seguinte caminho: Arquivo Salvar Tela de
Visualizao Arquivo.... Deste modo, voc ir salvar uma figura no formato .bmp
que, posteriormente, poder ser inserida em outros programas, como no caso deste
tutorial pela figura abaixo.

INPE Diviso de Processamento de Imagens

8.51

Figura 8.52 Exportao da figura.

8.10 Bibliografia
1. DRUCK, S.; CARVALHO,M.; CMARA,G.; MONTEIRO, A.M.V. (2004) Anlise
Espacial de Dados Geogrficos. Embrapa.
2. HAINING, R.P. (1990). Spatial data analysis in the social and environmental
sciences. Cambridge University Press, Cambridge.
3. ANSELIN, L. (1995) "Local indicators of spatial association - LISA". Geographical
Analysis, 27:91-114.
4. BAILEY, T.C. & GATRELL, A.C. Interactive Spatial Data Analysis. Essex: Longman
Scientific & Technical, 1995.

INPE Diviso de Processamento de Imagens

8.52
5. GATRELL, A.C., BAILEY, T.C., DIGGLE, P.J, ROWLINGSON, B.S. Spatial point
pattern analysis and its application in geografical epidemiology. Trans Inst Br Geogr
1996, 21:256-273.
6. GETIS,A.; ORD, J.K.. (1992) "The analysis of spatial association by use of distance
statistics." Geographical Analysis, 24:-206.
7. ASSUNO, R. (2003). Estimadores Bayesianos Empricos Espaciais de Taxas Depto de Estatstica, UFMG.
8. BEATO, C.; WARD, P. (2004). Urban Space and Social Marginalization: The Case
of the Metropolitan Region of Belo Horizonte - University of Texas at Austin and
UFMG
9. CMARA, G.; MONTEIRO, A.M; FUKS, S.; CAMARGO, E.; FELGUEIRAS (2001)Anlise Espacial(2001)
10. MARSHALL, R. (1991). Mapping disease and mortality rates using Empirical Bayes
estimators. Applied Statistics 40, 283-294.
11. BOWMAN, A.W. & AZZALINI A. (1997). Applied smoothing techniques for data
analysis: the kernel approach with splus illustrations. NY: Oxford University Press
12. BURT, E.; BARBER, M. (1996). Elementary Statistics for Geographers. New York.
The Guilford Press.
13. HRDLE, W. (1991). Smoothing Techniques, With Implementations in S, Springer,
New York.
14. LEVINE, Ned. CrimeStat 2 [Manual]. Annandale, VA and Washington, D.C.: Ned
Levine &Associates and the National Institute of Justice, 2000.
15. PARZEN, E. (1962). On the estimation of a probability density and mode. Annuals
of Mathematical Statistics, 33:1065-1076.
16. ROSENBLATT, M. (1956) Remarks on Some Nonparametric Estimates of a
Density Function, Annals of Mathematical Statistics 27: 832-835.
17. SILVERMAN, B. W. (1986) Density Estimation for Statistics and Data Analysis.
New York: Chapman and Hall.
18. WHITTLE, P. (1958). On the smoothing of probability density functions. Journal of
the RoyalStatistical Society, Series B, 55:549-557.
19. ASSUNO R.M., LAGE J.P. e REIS E.A. (2003) Anlise de Conglomerados
Espaciais via rvore Geradora Mnima. Submetido a Revista Brasileira de
Estatstica.
INPE Diviso de Processamento de Imagens

8.53
20. NEVES C.M., CMARA G., ASSUNO R.M. e FREITAS C.C. (2002)
Procedimentos Automticos e Semi-automticos de Regionalizao por rvore
Geradora Mnima. In: Simpsio Brasileiro de Geoinformtica, GeoInfo 2002 (4 :
2002 dez 5-6 : Caxamb MG), pp. 109-116. Anais / Editado por Davis Jr C. A. e
Borges K.A.V. Belo Horizonte (MG) : SBC.
21. LAGE J.P, ASSUNO R.M., REIS E.A. (2001) A Minimal Spanning Tree
Algorithm Applied to Spatial Cluster Analysis. In: Electronic Notes in Discrete
Mathematics, Jayme Szwarcfiter and Siang Song (editores), Elsevier Science
Publishers, Vol. 7, online publication.

INPE Diviso de Processamento de Imagens