incendios florestais gado soja e sua relação

1. INCENDIOS
FLORESTAIS
Gado, soja e suas relações

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

4. ObservamosnaMÍDIA!

5. —HIPOTESE
“Existe uma Correlação correlação
entre numero de focos de Incendios e
quantidade de cabeças de Gado Bovino
por Municipio! .”
BOI

6. COMOFAZEMOS,
METODOLOGIA
01 Data prep
02
03
04
Análise de Correlação
Regressão classica
Regressão especial

7. Analizamos1ANO2010
coletadedadosedataprep
Buscamos
informações
confiáveis
(IMPE, IPEA)
01 02 03
Reunimos,
concatenamos e
preparamos
essas
informações
Tratamos valores
esquisitos
(Outliers e Null’s) e
focamos apenas
na parte mais
relevante dos
dados
Criamos uma tabela
“REDONDINHA”
com todos os
dados que
consideramos
relevantes para
análise
04

8. 500 Milhares
De focos de incendios
observados
Municipios analizados
Mais de

9. AnalizedosRESULTADOS
O que nossos dados podem nos dizer ?

10. UmaTABELAbonita…
Analise exploratória
Variáveis
independentes
[Features]
Variável dependente
[Target]

11. UmaTABELAbonita…
Analise exploratória
Variável [Focos] Com e sem outliers
(Imagem 4) Histogramas do “Target” agrupadas por região.

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

15. UmaTABELAbonita…
WHY?
R. Sobrevivencia
do que mais se
adapta
Escolhemos o modelo final!
(Imagem 10) Modelo_1
Analise de Regressão Classica

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.

17. Municipios onde a
correlação espacial se
mostra mais relevante
GRAFICO Significânciademoran
Significancia

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

21. Municipios onde a
correlação espacial se
mostra mais relevante
GRAFICO SAR
RESIDUOS

22. Municipios onde a
correlação espacial se
mostra mais relevante
GRAFICO BETA
BETA

23. 10.014
9.733
10.113
Old School
Regressão
Classica
OH YEAH
Regressão
GWR
A disruptiva
Regressão
“SpatialLag”
EOMODELOVENCEDORÉ…
AIC

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.