Visão geral
Quando o dado tem onde, aparece uma pergunta nova: a localização importa? A análise espacial trata dados com geometria, cruza camadas pela posição e testa estatisticamente se valores parecidos se agrupam no espaço.
A primeira lei da geografia resume a intuição: tudo se relaciona com tudo, mas coisas próximas se relacionam mais que coisas distantes.
Modelos de dado
- Vetor: feições discretas com atributos — ponto (loja, poço), linha (rua, rio), polígono (município, talhão).
- Raster: grade de pixels com valores (contínuos como temperatura e altitude, ou categóricos como uso do solo); pode ter várias bandas; células sem dado são NoData.
- Resolução espacial = tamanho do pixel: menor pixel, mais detalhe e mais dados.
Formatos
- Shapefile: vários arquivos juntos —
.shp(geometria),.shx(índice),.dbf(atributos),.prj(CRS),.cpg(codificação). - GeoJSON / Simple Features: texto, fácil de trocar na web.
- GeoPackage (
.gpkg): um arquivo só, moderno. - GeoTIFF: raster georreferenciado.
Sistemas de referência (CRS)
- O CRS amarra as coordenadas à superfície da Terra — é a "identidade" geográfica da camada.
- Geográfico (graus de latitude/longitude): ex. EPSG 4326 (WGS84, o do GPS) e EPSG 4674 (SIRGAS 2000, datum oficial do Brasil).
- Projetado (metros): ex. UTM. No Brasil, SIRGAS 2000 / UTM do fuso local (EPSG 31981 a 31985, conforme a longitude).
- Regra 1: todas as camadas no mesmo CRS antes de cruzar.
- Regra 2: reprojete para um CRS métrico antes de calcular distância, área ou buffer. Um grau de longitude vale cerca de 111 km × cos(latitude) — varia com o lugar, e o buffer em graus sai distorcido.
Operações com GeoPandas
| Necessidade | Operação |
|---|---|
| Criar pontos a partir de lat/lon | gpd.points_from_xy(lon, lat) com crs=4326 |
| Em que polígono cada ponto está | sjoin (predicado within / intersects) |
| Recortar uma camada pelo limite de outra | clip |
| Agregar polígonos (município → região) | dissolve(by=..., aggfunc=...) |
| Área de influência por raio | buffer (em CRS métrico) |
| Interseção, união, diferença de geometrias | overlay |
| Juntar atributos por chave | merge |
| Valor de raster por polígono | estatística zonal |
- O
sjoinpode duplicar linhas quando um ponto cai em mais de um polígono: confira a cardinalidade. - Antes de qualquer média de raster: mascarar NoData, conferir unidade física, CRS e resolução.
Passo a passo de um projeto
- Coletar e registrar fonte, data e licença (malhas oficiais, OpenStreetMap, dados de clima e satélite, endereços geocodificados).
- Ler com
gpd.read_filee criar GeoDataFrames de pontos a partir de coordenadas. - Padronizar o CRS e reprojetar para métrico quando houver distância, área ou buffer.
- Validar: geometrias válidas, sem nulos, chaves únicas nos merges.
- Operar: filtro, clip, sjoin, dissolve, buffer, overlay.
- EDA espacial: coropléticos com taxas normalizadas, hexbin ou KDE para muitos pontos, histogramas (às vezes em log).
- Estatística: matriz de pesos espaciais, Moran global, LISA.
- Saída: mapa estático (matplotlib), interativo (Folium, Plotly) ou tabela para BI.
Mapas que não enganam
- Coroplético com contagem bruta só mostra onde mora mais gente. Normalize: taxa por habitante, por domicílio ou por km².
- Hexbin agrega contagens por célula hexagonal; KDE estima uma superfície contínua de densidade.
Autocorrelação espacial
- Matriz de pesos: define quem é vizinho de quem.
- Queen: qualquer ponto de contato (como a dama do xadrez).
- Rook: precisa de aresta comum (como a torre).
- Também por distância ou k vizinhos mais próximos.
- Moran global (I): de -1 a 1.
- I > 0 e p < 0,05: valores semelhantes próximos (agrupamento);
- I ≈ 0: sem padrão espacial;
- I < 0: dispersão (vizinhos diferentes).
- O p-valor vem de permutações (Monte Carlo), não de fórmula fechada.
- LISA (Moran local): onde estão os agrupamentos.
- HH (alto cercado de alto) = hotspot; LL = coldspot;
- HL e LH = outliers espaciais;
- só valem as unidades com p < 0,05.
import geopandas as gpd
from libpysal.weights import Queen
from esda.moran import Moran, Moran_Local
mun = gpd.read_file("municipios.gpkg").to_crs(31983)
mun["taxa"] = mun.casos / mun.populacao * 1e5
w = Queen.from_dataframe(mun); w.transform = "r"
mi = Moran(mun.taxa, w)
print(mi.I, mi.p_sim)
lisa = Moran_Local(mun.taxa, w)
Uso em negócios
- Expansão e cobertura: buffers ao redor de unidades existentes mostram onde há demanda sem atendimento ("espaços em branco").
- Variáveis espaciais para ML: distância ao ponto mais próximo, contagens na vizinhança, estatística zonal de clima ou vegetação.
- Cuidado na validação: autocorrelação espacial infla métricas de validação aleatória; valide por blocos geográficos.
Bibliotecas
geopandas, shapely, pyproj, libpysal (pesos), esda (Moran, LISA), splot, rasterio e rasterstats (raster), folium, plotly, matplotlib.