Mapeamento da COVID-19 por meio da densidade de Kernel
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
A densidade de Kernel consiste em quantificar as relações dos pontos dentro de um raio (R) de influência, com base em determinada função estatística, analisando os padrões traçados por determinado conjunto de dados pontuais, estimando a sua densidade na área de estudo (BERGAMASCHI, 2010). De acordo com Kawamoto (2012, p. 16-17), a técnica de Kernel “[...] consiste num estimador probabilístico de intensidade do processo pontual não-paramétrico através de função Kernel". Dentro dessa perspectiva metodológica, o objetivo deste trabalho é apresentar um mapa de densidade de Kernel da incidência de COVID-19 para área urbana de Santa Maria, RS, utilizando os dados do dia 05 de junho de 2020 (n = 282). Os procedimentos metodológicos se dividiram em cinco etapas: (1) definição do raio (R); (2) função k escolhida; (3) procedimentos realizados no QGIS para a geração da densidade de Kernel; (4) determinação do número de classes e intervalo; e (5) finalização do mapa. Os dados levaram a observar uma maior densidade de casos na área central da cidade, especificamente nas proximidades dos bairros Centro, Bonfim, Nossa Senhora de Fátima e Nonoai, com uma maior circulação de pessoas, serviços e residentes. Contudo, é possível identificar a dispersão da COVID-19 para áreas periféricas da cidade, como já ressaltado em Rizzatti et al (2020). O bairro Camobi, na região leste da cidade, demonstra comportamento semelhante ao bairro Centro, porém em menor densidade, formando o que poderíamos chamar de cluster secundário, além da zona Oeste da cidade, que demonstra a formação de um novo cluster.
Downloads
Métricas
Detalhes do artigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A revista segue o padrão Creative Commons (CC BY), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
Referências
BERGAMASCHI, R. B. SIG aplicado a segurança no trânsito – estudo de caso no município de Vitória – ES. 74 f. (Monografia de Graduação). Universidade Federal do Espírito Santo: Vitória, 2010.
BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Fundação Oswaldo Cruz. Introdução à Estatística Espacial para a Saúde Pública. Brasília: Ministério da Saúde, 2007.
CÂMARA, G.; CARVALHO, M. S. Análise de eventos pontuais. In: DRUCK, S.; CARVALHO, M.S.; CÂMARA, G.; MONTEIRO, A.V.M. Análise Espacial de Dados Geográficos. Brasília, EMBRAPA, 2004.
CRESSIE, N. A. C. Statistics for spatial data. New York: John Wiley & Sons, 1993.
INSTITUTO DE PLANEJAMENTO DE SANTA MARIA. Prefeitura Municipal de Santa Maria. Base de dados Geoespaciais do município de Santa Maria, 2020.
KAWAMOTO, M. T. Análise de técnicas de distribuição espacial com padrões pontuais e aplicação a dados de acidentes de trânsito e a dados de dengue de Rio Claro–SP. 69 f. Dissertação (mestrado) – Universidade Estadual Paulista, Instituto de Biociências de Botucatu: Botucatu, SP, 2012.
LOCH, R. E. N. Cartografia: representação, comunicação e visualização de dados espaciais. Florianópolis: UFSC, 2006.
MATSUMOTO, S. S.; CATÃO, P. C.; GUIMARÃES, R B. Mentiras com mapas na Geografia da Saúde: métodos de classificação e o caso da base de dados de LVA do SINAN e do CVE. Hygeia - Revista Brasileira de Geografia Médica e da Saúde, v. 13, n. 26, p. 211 - 225, 7 dez. 2017.
RIZZATTI, M.; BATISTA, N. L.; SPODE, P. L. C.; ERTHAL, D. B.; FARIA, R. M.; SCCOTI, A. A. V.; PETSCH, C.; COSTA, I. T.; TRENTIN, R. Metodologia de geolocalização para mapeamento intraurbano de COVID-19 em Santa Maria, RS. Metodologias e Aprendizado , v. 3, p. 8 - 13, 24 maio 2020. https://doi.org/10.21166/metapre.v3i0.1260