2. A Floresta amazônica esta pegando fogo!
Isso sempre aconteceu?
Tem algum motivo pra isso estar
acontecendo?
● O Número de incendios está
crescendo ano a ano
● A velocidade de degradação vem
aumentando
● Número de exportação de Soja e
Carne bovina batem record
Formulamos uma hipotese para nos
ajudar a entender o que esta se
passando.
Tápegando
FOGObicho
3. Analize no decorrer do
tempo, observando o
número de incendios
em Y e trimestre no
eixo X
Em Azul vemos o
número observado, já
em vermelho vemos a
tendencia
GRAFICO Incendiosxtempo
Serietemporal
12. UmaTABELAbonita…
Analise de correlação
Outlier
removido
(Imagem 8) Dispersão Rebanho bovino X Focos
A correlação entre o volume
do rebanho bovino e focos de
incêndio, medida por meio do
coeficiente de correlação de
Pearson, é equivalente a 0,67. Ou
seja podemos dizer que há uma
correlação moderada entre as
variáveis
13. UmaTABELAbonita…
(Imagem 9) Matriz de correlação, Features e Target.
Observamos a correlação de
todas as variáveis independentes com
as variáveis dependentes juntamente
com seus níveisdesignificancias
(Imagem 10) Modelo_1
Analise de correlação
14. UmaTABELAbonita…
Verificando o nível se
significância de cada uma das variáveis,
observamos que o p-valor tanto para
variáveis são maiores que o nível de
significância (0,05), dessa forma,
aceitamos a hipótese nula (H0), ou seja,
os dados indicam que é possível falsear
a hipótese alternativa (H1), sendo uma
evidência de que não pode existir uma
correlação entre o as variáveis retiradas e
a quantidade de focos_ano.
(Imagem 10) Modelo_1
Analise de correlação
16. Foi avaliado o índice global de Moran para a
autocorrelação espacial da variável Focos/ano
Nota-se que o índice de Moran global é de 0,375.
O valor é acima de zero, indicando uma
autocorrelação positiva, ele é alto, o que pode
indicar uma dependência espacial dos dados de
focos de resíduos.t
AutocorrelaçãoEspacial
Euachoqueviumadependenciageoespacial…
UmaTABELAMaisbonita…
Figura 19: Diagrama de espalhamento do Índice Global de Moran –
Focos por ano.
Figura 20: Teste de pseudo-significância – Focos por ano.
18. Para identificar qual o modelo global de
Regressão Espacial é mais adequado para o
problema em questão
MultiplicadoresdeLagrange
UmaTABELAMaisbonita…
Olhando para os multiplicadores de Lagrange
robustos (RLMlag e RLMerr), a decisão é
simples: estimar o modelo de regressão espacial
correspondendo à estatística mais “robusta” (ou
significativa), logo selecionamos o modelo
RLMerr pois possuía o menor p valor
significante, se tornando significativo ao nível de
0,05.
Então partimos para os modelos de regressão
espacial global (Spatial Lag e Spatial Error)
Deve fazer apenas o Spatial Lag (seguindo a
indicação do teste).
19. Para identificar qual o modelo global de
Regressão Espacial é mais adequado para o
problema em questão
MultiplicadoresdeLagrange
UmaTABELAMaisbonita…
(Imagem 18) Spatial Autoregressive Model (Spatial Lag/SAR)
O modelo SAR possui um
desempenho melhor que o
modelo de regressão linear. Isso
é confirmado pelo AIC, com
valor de 10.014 para o modelo
SAR e 10.113 para o modelo
linear. O teste de autocorrelação
espacial dos resíduos neste
modelo foi de p-value = 0,92,
não significativo, ou seja, após a
modelagem, os resíduos não
são mais correlacionados
espacialmente
20. Modelos de regressão espacial geograficamente
ponderados (GWR)
Dapramelhorarmais...
UmaTABELAMaisbonita…
Neste caso, o valor AIC do
modelo de regressão espacial
local, 9.733, foi menor que o AIC
do modelo de regressão linear,
de 10.113 .
(Imagem 20) Modelo Georreferenciado Final
24. CONCLUSÃO!
Podemos afirmar, após a realização desse
projeto que em 2010 existia uma relação
entre a quantidade de cabeças de gado e a
quantidade de focos de incêndios em um
município. E podemos falar mais, depois de
observar sua correlação, podemos dizer que
é uma correlação geograficamente
distribuída.