REVISTA ELETRÔNICA DE JORNALISMO CIENTÍFICO
Dossiê Anteriores Notícias Reportagens Especiais HumorComCiência Quem Somos
Dossiê
Editorial
Parábola do cão digital - Carlos Vogt
Reportagens
Computação cognitiva: capturando corações, mentes e paladares
Roberto Takata
Memória artificial: sobre dados, vigilantes e vigiados
Kátia Kishi
Big Data traz demandas grandes à saúde
Patrícia Santos
A arte que trafega em dados
Janaína Quitério
As novas tecnologias em uso na agricultura: integrar dados para produzir com eficiência
Carolina Medeiros
Artigos
Ciência de dados: desafio para a ciência, indústria e governo
Artur Ziviani, Fábio Porto e Eduardo Ogasawara
Big data e jornalismo: datasets, APIs, algoritmos e sensores
Walter Teixeira Lima Junior
Big data e as capacidades de gestão da informação
Antônio Carlos Gastaud Maçada, Rafael Alfonso Brinkhues, José Carlos Freitas Júnior
Representação e análise de dados espaço-temporais
Karine Reis Ferreira
O céu é dos robôs
Ana Paula Zaguetto
Resenha
Decifrando códigos
Fabiana Micaele Silva
Entrevista
Danilo Doneda
Entrevistado por Sarah Schmidt
Poema
Campeão
Carlos Vogt
    Versão para impressão       Enviar por email       Compartilhar no Twitter       Compartilhar no Facebook
Artigo
Representação e análise de dados espaço-temporais
Por Karine Reis Ferreira
10/07/2015
Editor HTML Online

As tecnologias que coletam dados geográficos evoluíram muito nos últimos anos, como por exemplo os satélites de observação da Terra e os sistemas GPS (Global Positioning System). Com essa evolução, grandes quantidades de dados com alta resolução espacial e temporal estão sendo geradas e disponibilizadas para análise. Esse volume de dados tende a crescer ainda mais nos próximos anos. Agências espaciais do mundo todo planejam lançar cerca de 260 novos satélites de observação da Terra nos próximos 15 anos. Esse cenário de “Big Data” traz um grande desafio para a geoinformática. Os sistemas de informações geográficas (SIGs) precisam evoluir para representar e analisar grandes volumes de dados espaço-temporais de maneira integrada e eficiente.

Analisar fenômenos que variam ao longo do espaço e do tempo é uma demanda de diferentes tipos de aplicações. Neste artigo, nós apresentamos exemplos reais de dados espaço-temporais em saúde pública, monitoramento de trajetórias de objetos móveis e monitoramento ambiental e de desastres naturais. A figura 1 (a) mostra uma série temporal usada em um sistema de vigilância da dengue na cidade de Recife (Regis et al, 2009). Cada série temporal está associada a uma localização espacial (representada por um ponto vermelho na figura) e representa a variação ao longo do tempo do número de ovos do mosquito Aedes aegypti coletados em uma armadilha instalada naquela localização. A figura 1 (b) representa ocorrências de meningite na cidade de Belo Horizonte. Cada ocorrência possui a informação de onde e quando a doença foi diagnosticada, ou seja, possui uma localização espacial (representada por um ponto preto na figura) e uma data.

  http://www.labjor.unicamp.br/imagens/artigos/1a.jpg        http://www.labjor.unicamp.br/imagens/artigos/1b.jpg

 

 

(a)

(b)

Figura 1 (a) Variação ao longo do tempo do número de ovos de mosquito Aedes aegypti coletados em uma armadilha na cidade de Recife; e (b) Ocorrências espaço-temporais de meningite na cidade de Belo Horizonte.

A figura 2 mostra as trajetórias de oito elefantes marinhos durante 3 anos na Antártida. Cada trajetória, representada por uma linha vermelha na figura, é composta por um conjunto de observações das localizações espaciais de um animal ao longo do tempo. Esses animais foram monitorados pelo projeto MEOP (Marine Mammal Exploring the Oceans Pole to Pole) (http://www.inpe.br/crs/pan/pesquisas/telemetria.php).


http://www.labjor.unicamp.br/imagens/artigos/2.jpg

Figura  2. Trajetórias de oito elefantes marinhos na Antártida

durante 3 anos.


A figura 3 apresenta um conjunto de observações (pontos vermelhos na figura) coletadas em um lago da floresta Amazônica. Cada observação possui os valores de algumas propriedades, como clorofila, em uma localização espacial e um tempo específico. Essas observações são coletadas mensalmente com o objetivo de estudar a variação dessas propriedades, como da clorofila, dentro do lago ao longo do tempo. Nesse caso, é usada uma função de interpolação, como por exemplo a Krigagem, para estimar valores das propriedades em localizações não observadas dentro do lago.

 
http://www.labjor.unicamp.br/imagens/artigos/3a.jpg

            http://www.labjor.unicamp.br/imagens/artigos/3b.jpg

Setembro, 2003

Novembro, 2003

Figura 3. Observações espaço-temporais em um lago da Amazônia.

A figura 4 mostra duas grades que representam a variação de chuva no estado do Rio de Janeiro. Cada célula da grade contém um valor estimado de precipitação, em milímetros por hora, em um determinado tempo. Essas grades são obtidas em intervalos de 15 minutos e utilizadas no monitoramento de desastres naturais, como por exemplo, deslizamentos de terra devido a excesso de chuva.

 

http://www.labjor.unicamp.br/imagens/artigos/4a.jpg

   http://www.labjor.unicamp.br/imagens/artigos/4b.jpg       


Figura 4. Grades de precipitação no estado do Rio de Janeiro.


Para atender demandas de aplicações distintas, os SIGs devem ser capazes de representar e processar diferentes tipos de dados espaço-temporais de maneira integrada e eficiente. São esses tipos: (1) séries temporais associadas a localizações espaciais fixas (figura 1(a)); (2) eventos ou ocorrências espaço-temporais (figura 1(b)); (3) trajetórias de objetos móveis, como veículos e animais (figura 2); (4) campos ou coverages baseados em observações espaço-temporais e funções de interpolação (figura 3); e (5) séries temporais de grades ou raster (figura 4).

Neste contexto, o Instituto Nacional de Pesquisas Espaciais (Inpe) está estendendo o SIG TerraView para tratar dados espaço-temporais. TerraView é um SIG de propósito geral, livre e de código fonte aberto, desenvolvido pelo Inpe (www.terraview.inpe.br). Essa extensão é baseada em um modelo de dados espaço-temporais proposto por Ferreira et al (2014). Esse modelo, mostrado na figura 5, define um conjunto de tipos de dados e operações sobre esses tipos que são capazes de representar dados espaço-temporais de diferentes aplicações, como mostrados nas figuras 1, 2, 3 e 4.

 

http://www.labjor.unicamp.br/imagens/artigos/5.jpg

 

Figura 5. Um modelo para representar dados espaço-temporais. Fonte: (Ferreira et al, 2014)


Esse modelo considera observações (Observations) como unidades básicas para representação de dados espaço-temporais e permite a criação de diferentes tipos de dados a partir de um mesmo conjunto de observações.  Foram definidos três tipos de dados espaço-temporais a partir de observações (Observations): série temporal (Time Series), trajetória (Trajectory) e campo (Coverage). Uma série temporal representa a variação de uma propriedade ao longo do tempo em uma localização espacial fixa. Uma trajetória representa como as localizações ou limites de um objeto varia ao longo do tempo. Uma coverage representa a variação de uma propriedade dentro de uma extensão espacial ao longo do tempo. Esse modelo também representa objetos (Object) e eventos (Event).

Além de implementar os tipos de dados e operações propostas no modelo apresentado na figura 5, estamos usando novas tecnologias e desenvolvendo funcionalidades no SIG TerraView para manipular grandes bases de dados espaço-temporais de maneira eficiente. Algumas delas são:

  • Uso do sistema de banco de dados matricial SciDB (Stonebraker et al, 2013) para armazenar e processar grandes quantidades de imagens de observação da Terra. O TerraView irá fornecer uma interface com esse sistema.
  • Disponibilização de uma linguagem de script em Python (https://www.python.org/) para que os usuários de TerraView possam expressar processamentos complexos com dados espaço-temporais.
  • Mecanismos que permitem os usuários de TerraView processar grandes bases de dados espaço-temporais do lado do servidor, sem a necessidade de fazer download desses dados.


Karine Reis Ferreira é pesquisadora da Divisão de Processamento de Imagens do Instituto Nacional de Pesquisas Espaciais (Inpe). E-mail: karine@dpi.inpe.br


Referências bibliográficas

Ferreira, K. R., Camara, G., Monteiro, A. M. V.: “An algebra for spatiotemporal data: from observations to events”. Transactions in GIS, 18(2), (2014) 253–269

Regis, L., Souza, W.V., Furtado, A.F., Fonseca, C.D., Silveira, J.C., Ribeiro, P.J., Melo-Santos, M.A.V., Carvalho, M.S., Monteiro, A.M.: “An entomological surveillance system based on open spatial information for participative dengue control”. Anais da Academia Brasileira de Ciências, 81, (2009) 655–662

Stonebraker, M., Brown, P., Zhang, D., Becla, J.: SciDB: “A database management system for applications with complex analytics”. Computing in Science & Engineering, 15(3), (2013) 54–62.