1 O que é o GeoDa ?

O GeoDa é uma ferramenta para exploração de dados espaciais desenvolvida pelo Dr. Luc Anselin e sua equipe no Center for Spatial Data Science (CSDS) da University of Chicago. O software oferece uma interface intuitiva e diversas funcionalidades para exploração de dados, tais como: mapas temáticos, análise de cluster, join espacial, modelagem espacial, autocorrelação espacial e outros. O GeoDa é um projeto Open Source e está disponível para Windows, Linux e Mac.

Na seção 2 serão apresentados alguns mapas temáticos gerados para este estudo.

2 Visualizações

2.1 Unique value map

O Unique value map é uma opção para visualização de variáveis categóricas no mapa. Para este caso é possível observar na imagem abaixo como ficaram distribuídos a amostra de municípios utilizando a variável região.

2.2 Box map

O box map foi concebido à partir da ideia do gráfico boxplot, ou seja, separando-se as observações por quartil. Além dos 4 quartis, é possível caracterizar mais duas separações, o lower outlier e o upper outlier, que servem para identificar outliers no mapa. Para este estudo, produziram-se os 3 mapas abaixo para preço médio de revenda, PIB de 2016 e de 2017.

2.3 Percentile map

Como o box map, o percentile map foi concebido para identificar observações extremas no mapa (outliers), separando os dados nos percentis: < 1%, 1% - 10%, 10% - 50%, 50% - 90%, 90% - 99%, > 99%. Para este estudo, produziram-se os mapas para margem média de revenda e população.

2.4 Cartogram

O cartogram é um mapa que utiliza uma forma geométrica (círculo para o caso do GeoDa) para representar um polígono, sendo o tamanho e cor relativos à atributos daquele polígono. É importante observar que os posicionamentos dos círculos são gerados por um algoritmo de otimização não linear que tenta alocar o centro do círculo o mais próximo possível do centróide do polígono correspondente. Para este estudo gerou-se um cartogram onde:

Tamanho do círculo: população;
Cor: preço médio de revenda.

2.5 Conditional map

Também conhecido como conditioned choropleth map e micromap matrix, o conditional map proporciona visualizações baseadas condicionalmente em 2 variáveis, e uma terceira variável como tema do mapa, ou seja, os eixos x e y representam as variáveis condicionais e o mapa é um box map da tarceira variável. Para este estudo produziram-se os seguintes mapas:

Mapa 1

Condicionais: preço médio de revenda, número de postos pesquisados;

Tema: margem média de revenda.

Mapa 2

Condicionais: PIB e PIB per capita de 2017;

Tema: preço médio de revenda.

Mapa 3

Condicionais: distância média da refinaria, distância média do distribuidor;