Capítulo

5
Introdução à Análise de Dados Geoespaciais com
Python

Gesiel Rios Lopes, Alexandre C. B. Delbem, Joélcio Braga de Sousa

Resumo

A análise espacial, ou apenas análise geoespacial, é uma abordagem para aplicar a aná-
lise estatística e outras técnicas analíticas a dados que possuem um aspecto geográfico
ou espacial. Essa análise normalmente é feita utilizando técnicas de renderização de ma-
pas a partir do processamento de dados espaciais e a aplicação de métodos analíticos a
conjuntos de dados terrestres ou geográficos. Este minicurso é uma introdução à análise
de dados geoespaciais com Python, com foco em dados vetoriais tabulares usando Geo-
Pandas. O conteúdo concentra-se em apresentar as diferentes bibliotecas para trabalhar
com dados geoespaciais e as relações no espaço. Isso inclui a importação de dados em
diferentes formatos (por exemplo, shapefile, GeoJSON), visualizando, combinando e
organizando-os para análise, fazendo o uso de bibliotecas como pandas, geopandas,
shapely, pyproj, matplotlib, cartopy, dentre outras.

5.1. Introdução
A compreensão da distribuição espacial a partir de dados originados de fenômenos ocor-
ridos no espaço constitui um grande desafio para diversas áreas do conhecimento, seja em
saúde, em geologia, em agronomia, computação entre tantas outras. Tais estudos vem se
tornando cada vez mais comum, devido a crescente disponibilidade de dados espaciais,
além do crescimento vertiginoso das tecnologias de Sistemas de Informação Geográficas
- SIG (do inglês, Geographic Information System – GIS) aliada procedimentos computa-
cionais e recursos humanos [Monteiro et al. 2004].
Entender a distribuição dos dados geoespaciais, ou seja, levando em conta a lo-
calização espacial do fenômeno em estudo de forma explícita, e traduzi-los em padrões
considerando propriedades mensuráveis e relacionadas faz parte da Análise Espacial de
Dados Geográficos [Monteiro et al. 2004].
A partir dos dados espaciais, é possível descobrir não apenas a localização, mas
também o comprimento, tamanho, área ou forma de qualquer objeto. Os dados geo-
espaciais têm um grande número de aplicações em nossa vida cotidiana, indo desde o
entendimento e modelagem do comportamento urbano de pessoas, veículos e outros ob-
jetos móveis e utilizando esse entendimento na construção e aperfeiçoamento de modelos
de contágio, auxiliando no desenvolvimento de ações e medidas preventivas no controle
de epidemias [Zheng et al. 2014, Domingues et al. 2020].
Neste minicurso será apresentada uma introdução à análise de dados geoespaciais
com Python, com foco em dados vetoriais tabulares a partir de diferentes bibliotecas para
trabalhar com dados geoespaciais e as relações no espaço, como pandas, geopandas,
shapely, pyproj, matplotlib, dentre outras.

5.2. Introdução aos dados vetoriais

Como já mencionado, quando falamos sobre dados geoespaciais, estamos falando sobre
os dados que representam objetos/características na superfície da Terra e sua localiza-
ção específica no globo, sendo portanto disponibilizados em vários formatos. Um dos
formatos mais utilizados em aplicações de análise geoespaciais é o de Dados Vetoriais
[Monteiro et al. 2004, Domingues et al. 2020, Lawhead 2015].
O formato dos dados vetoriais baseia-se na utilização de pontos ou vértices se-
quenciais para definir a localização e os limites de um objeto, ou seja, conectar esses
pontos forma uma linha e conectar essas linhas acabará por criar um polígono. Este polí-
gono certamente envolverá uma área. Podemos facilmente usar isso para representar um
objeto ou uma região na superfície superficial da terra. Portanto, podemos dizer que os
vetores são mais bem usados para apresentar generalizações de objetos ou características
na superfície da Terra [Domingues et al. 2020].

5.2.1. Formatos para criar e compartilhar o conjunto de dados espaciais

Shapefile: O shapefile é um formato não-topológico para bases de dados geoespa-
ciais e vetoriais. É considerado um formato aberto, apesar de proprietário. Por
ser aberto, o formato recebe suporte de diversos aplicativos de processamento de
mapas gratuitos e de código livre. Apesar de ser um termo no singular, o formato
shapefile consiste numa coleção de arquivos de mesmo nome e terminações di-
ferentes, armazenados no mesmo diretório. Existem três arquivos obrigatórios para
o funcionamento correto de um shapefile: .shp, .shx e .dbf. O arquivo
shapefile propriamente dito é o .shp, mas se distribuído sozinho não será ca-
paz de exibir os dados armazenados. A distribuição deve ser feita juntamente com
os outros dois arquivos.

• .shp — formato shape; as características da geometria propriamente dita;

• .shx — formato índice de shape, ou seja, um índice com as características
das geometrias para permitir buscas mais rápidas;
• .dbf — formato de atributos; atributos apresentados em colunas para cada
“shape”

GeoJSONs: O GeoJSON é um formato de intercâmbio de dados geoespaciais de pa-

drão aberto que representa características geográficas simples e seus atributos não
 espaciais, ou seja, informações não espaciais sobre uma característica geográfica.
A ideia central é fornecer uma especificação para codificação de dados geoespa-
ciais, permanecendo decodificáveis por qualquer decodificador JSON. Sendo um
subconjunto do JSON imensamente popular, o suporte de análise está em um ní-
vel diferente do !Shapefile!. Além disso, para obter suporte da maioria dos SIGs.
Os recursos suportados pelo GeoJSON são pontos, MultiPoint, LineString,
Polygon, MultiPoint, MultiLineString e MultiPolygon.

GeoPackage: O GeoPackage foi desenvolvido pela Open Geospatial Consortium (OGC),

tornando-se a alternativa oficial para o Shapefile. É um subconjunto do SQ-
Lite, que por sua vez é uma implementação SQL leve projetada para bancos de
dados autônomos. Semelhante ao GeoJSON, isso torna o GeoPackage altamente
compatível por design e acessível a qualquer SIG.

5.2.2. Ferramentas e pacotes python para começar com os dados geoespaciais

Os pacotes python que podem ser utilizados para começar a explorar dados geoespaciais
são os seguintes:

• Pandas: Pandas1 é uma biblioteca licenciada com código aberto que oferece estru-
turas de dados de alto desempenho e de fácil utilização voltado a análise de dados
para a linguagem de programação Python [Coelho 2017].
• Matplotlib: O Matplotlib2 é uma biblioteca de plotagem 2D do Python que produz
números de qualidade de publicação em vários formatos de cópia impressa e ambi-
entes interativos entre plataformas. O Matplotlib pode ser usado em scripts Python,
nos shell Python e IPython, notebooks Jupyter e em servidores web.
• GDAL: GDAL3 é uma biblioteca de tradução para formatos de dados geoespaciais
vetoriais e raster que é lançada sob uma Licença de Código Aberto do estilo X/MIT
pela Open Source Geospatial Foundation. Como uma biblioteca, ela apresenta um
único modelo de dados abstratos de rasterização e um único modelo de dados abs-
tratos de vetor para o aplicativo de chamada para todos os formatos suportados.
• Shapely: Shapely4 é um pacote Python para análise teórica de conjunto e mani-
pulação de recursos planares usando (via módulo ctypes do Python) funções da
biblioteca GEOS5 bem conhecida e amplamente implantada.
• GeoPandas: GeoPandas6 é um projeto de código aberto para facilitar o trabalho
com dados geoespaciais em python. GeoPandas estende os tipos de dados usados
pelos pandas para permitir operações espaciais em tipos geométricos. As operações
geométricas são realizadas pelo shapely.
1 Disponível em https://pandas.pydata.org/
2 Disponível em https://matplotlib.org/
3 Disponível em https://gdal.org/
4 Disponível em https://github.com/Toblerity/Shapely
5 GEOS, uma porta do Java Topology Suite (JTS), é o mecanismo de geometria da extensão espacial

PostGIS para o PostgreSQL RDBMS

6 Disponível em https://geopandas.org/
 • Seaborn: Seaborn7 é uma biblioteca de visualização de dados Python baseada no
matplotlib. Ela fornece uma interface de alto nível para desenhar gráficos estatísti-
cos atraentes e informativos.

Para o desenvolvimento deste minicurso, será utilizado o ambiente do Jupyter No-

tebook, uma interface de programação literária interativa8 muito interessante para criar
seus modelos e compartilhar com quem quiser, disponibilizado pelo Anaconda9 , con-
forme Figura 5.1 [Shen 2014, Pimentel et al. 2021]. Em [Pimentel et al. 2021] e [Lopes et al. 2019]
pode ser encontrado um vasto material de como utilizar o Jupyter Notebook.

Shapely

Figura 5.1. Diagrama das ferramentas do ambiente de trabalho utilizados.

Um alternativa similar ao Jupyter Notebook e que não requer configuração para

ser usada é uma ferramenta desenvolida pelo Google chamada Colaboratory 10 . Para usar
este ambiente, é necessário apenas ter uma conta google. No Google Colaboratory o
código do seu notebook é executado em uma máquina virtual dedicada à sua conta. As
máquinas virtuais são recicladas após um determinado tempo ocioso, ou caso a janela seja
fechada. Ao restaurar um notebook com manipulação de arquivos, talvez seja necessário
refazer o upload dos arquivos utilizados e executar as opções “Runtime” e “Restart and
run all”.

5.2.3. Introdução ao GeoPandas

GeoPandas, como já visto, estende as estruturas de dados do Pandas, uma das mais popu-
lares bibliotecas de ciência de dados, adicionando suporte para dados geoespaciais.
A estrutura de dados central do GeoPandas é geopandas.GeoDataFrame,
uma subclasse do pandas.DataFrame capaz de armazenar colunas geométricas e re-
alizar operações espaciais. As geometrias são tratadas como geopandas.GeoSeries,
uma subclasse de pandas.Series. Portanto, seu GeoDataFrame é uma combinação
de Series com seus dados (numéricos, booleanos, texto etc.) e GeoSeries com geometrias
(pontos, polígonos e etc.), A Figura 5.2 é apresentada uma visão geral de um GeoData-
Frame.
O primeiro passo, antes de ler alguns dados geoespaciais, é declarar o uso da bi-
blioteca GeoPandas (Figira 5.3). Primeiramente, usaremos \%matplotlib inline,
linha 1, uma configuração para permitir que os mapas apareçam diretamente no nosso no-
7 Disponível em https://seaborn.pydata.org/
8O paradigma de programação literária busca ajudar na comunicação de programas através da alternân-
cia de texto em linguagem natural formatada, pedaços de código executáveis, e resultados de computações
[Pimentel et al. 2021]
9 Anaconda, disponível em https://docs.anaconda.com/anaconda/install/
10 Disponível em: https://colab.research.google.com/
 Figura 5.2. Estrutura de um GeoDataFrame do GeoPandas.

tebook, ao invés de serem exibidos em uma janela diferente. Além disso, importaremos o
GeoPandas com o alias gpd, linha 2.

Figura 5.3. Declaração do GeoPandas.

Assumindo que temos um arquivo contendo dados e geometria (por exemplo, Geo-
Package, GeoJSON, Shapefile), podemos lê-lo facilmente usando a função gpd.read_ f ile,
que detecta automaticamente o tipo de arquivo e cria um GeoDataFrame. Para criar nosso
primeiro mapa, utilizaremos a malha de setores censitários do estado do Piauí que pro-
vêm do Instituto Brasileiro de Geografia e Estatística (IBGE) e que pode ser baixado no
seguinte endereço: https://shorturl.at/klAF7.
A Figura 5.4 apresenta os primeiros cinco registros do GeoDataFrame da malha
de setores censitários do estado do Piauí.

Figura 5.4. Malha de setores censitários do estado do Piauí.

Na Figura 5.5, é apresentado o mapa com a malha de setores censitários do Piauí,

criada a partir da chamada da função plot(), uma das funcionalidades do Matplotlib
embutidas no GeoPandas. Cada GeoDataFrame contém uma coluna especial de geo-
metria, coluna “geometry”, que contém todos os objetos geométricos que são exibidos
quando chamamos a função plot().
É possível manipular o GeoDataFrame da mesma forma que manipulamos um
DataFrame no pandas e para exemplificar, iremos selecionar apenas a malha de setores
censitários urbanos de Teresina, capital do Piauí, através da função query do pandas,
linhas 4 e 5 da Figura 5.6.
 Figura 5.5. Mapa com a malha de setores censitários do Piauí.

5.2.4. Geometrias: pontos, linhas e polígonos

Como visto na seção ??, os dados vetoriais espaciais podem consistir em diferentes tipos,
e os 3 tipos fundamentais são Figura 5.7:

• Point: representa um único ponto no espaço.

• Line (“LineString”): representa uma sequência de pontos que formam uma linha.

• Polygon: representa uma área preenchida.

Na Figura 5.8 exemplos de criação de figuras básicas do shapely. Na linha 1 é feito

o import do GeoPandas para plotar as geometrias que serão criadas, já na linha 2 é feita a
importação da representação dos dados vetoriais do shapely, em seguida são criados três
polígonos, linhas de 4 a 6, um polígono formados de LineString, linha 8 e um ponto, linha
10. Em seguida é criado uma GeoSeries para imprimir as geometrias criadas. Para que as
linhas fiquem mais visíveis, alteraremos a paleta de cores para tab10.

5.2.5. Sistemas de Coordenadas

O campo de estudo que mede a forma e o tamanho da Terra é a geodésia. Segundo
[Bolstad 2016], para que seja utilizado de maneira efetiva dados geoespaciais e os sis-
temas que derivam deles, é necessário estabelecer um entendimento claro de como os
sistemas de coordenadas são definidos para a Terra, como essas coordenadas são medidas
sobre a superfície curva da mesma, e por fim como são convertidas em diversas projeções
para seu uso, seja manual ou digital.
Um sistema de coordenadas geográficas que é definido por coordenadas bidimen-
sionais com base na superfície da Terra tem coordenadas X, que é a longitude e tinha as
 Figura 5.6. Mapa dos Setores Censitários Urbanos de Teresina - PI.

Figura 5.7. Exemplos de dados vetoriais espaciais da biblioteca shapely.

coordenadas Y , que é a latitude. Mas a terna (X,Y, Z) também contêm um valor de altura
para elevação. O valor Z geralmente se refere à elevação naquele local do ponto.
As linhas de longitude têm coordenadas X entre -180 e +180 graus. O Meridiano
de Greenwich (ou meridiano principal) é uma linha zero de longitude a partir da qual
medimos o leste e o oeste. Longitudes positivas estão a leste do meridiano principal e as
negativas estão a oeste. Na verdade, a linha zero passa pelo Observatório Real de Gre-
enwich, na Inglaterra. Em um sistema de coordenadas geográficas, o meridiano principal
é a linha que tem 0° de longitude. O Meridiano de Greenwich separa o leste do oeste da
mesma forma que o Equador separa o norte do sul.
As linhas de latitudes têm valores Y que estão entre -90 e +90 graus. O equador
é onde medimos o norte e o sul. Tudo ao norte do equador tem valores de latitude po-
sitivos. Considerando que, tudo ao sul do equador tem valores de latitude negativos. A
Figura 5.2.5 a divisão do globo terrestre a partir do Meridiano de Greenwich e da Linha
do Equador.
 Figura 5.8. Código com exemplos de dados vetoriais espaciais da biblioteca shapely.

5.2.6. Projeções Espaciais

Devido à complexidade de se trabalhar com a forma real da Terra, é comumente feita
uma aproximação da superfície para um modelo do do globo terrestre. Existem diver-
sas projeções diferentes para o globo terrestre e, apesar de terem como fator comum a
representação em uma superfície plana, elas variam quanto ao tipo e quanto às suas pro-
priedades. O tipo da projeção se refere à forma geométrica utilizada para converter o
globo em uma superfície plana. Comumente são utilizados três modelos para representa
a superfície terrestre (Figura 5.10): projeção plana, formato esférico e formato elíptico
[Bolstad 2016, Rosa and BRITO 2013, Domingues et al. 2020].
A escolha de uma projeção deve se basear na precisão desejada, no impacto so-
bre o que se pretende analisar e no tipo de dado disponível. A Tabela 5.1, adaptada de
[Rosa and BRITO 2013] e [Domingues et al. 2020], apresenta uma análise comparativa
de algumas projeções.
Para relacionar os pontos projetados a um local específico do globo terrestre é
necessário adotar um Sistema de Referência de Coordenas (CRS do inglês, Coordinate
Reference Systems). O CRS é uma forma padronizada de escrever as localizações no globo
terrestre. Existe mais de um CRS, e sua escolha depende de um conjunto de fatores, como
a abrangência geográfica ou mesmo em que época os dados foram coletados. Quando
queremos comparar conjuntos de dados com CRSs diferentes, é importante estabelecer
um CRS em comum entre eles para torná-los comparáveis.
Existem três parâmetros que, geralmente, aparecem na maioria das configurações
de CRS, a projeção (proj), para definir a representação bidimensional do globo terrestre;
elipses (ellps), utilizado para definir a forma da Terra; e DATUM (datum), que é
responsável por ancorar as coordenadas da Terra, determinando as origens e a direção dos
eixos.
 (a) (b)

Figura 5.9. Sistema de coordenadas geográficas usado para localizar objetos

sobre a Terra. (a) As linhas de longitude têm coordenadas X entre -180 e +180
graus. (b) As linhas de latitudes têm valores Y que estão entre -90 e +90 graus,
adaptado de [Maling 2013].

Figura 5.10. Tipos de projeções quanto a geometria de conversão

[Domingues et al. 2020].

Para este minicurso, utilizaremos latlong e utm para projeções; WGS84 e

GRS80 para elipses; e WGS84, utilizado pelos sistemas de GPS e SIRGAS2000, ofi-
cialmente utilizado pelo Brasil (pois é a melhor representação da América Latina) para o
DATUM. Na Figura 5.11 temos um exemplo de configuração para CRS. Para obter uma
explicação detalhada, consulte [crs ].

Figura 5.11. Exemplo de definição de um CRS.

Na Figura 5.12 é apresentado o CRS dos setores censitários urbanos de Teresina/PI

(Figura 5.6) definidos originalmente pelo IBGE. Como é possível observar, o CRS defi-
nido é o SIRGAS 2000, pois como já mencionado, é o CRS oficialmente utilizado pelo
Brasil e, portanto, é o utilizado pelo IBGE por padrão.
Já na Figura 5.13 temos um exemplo de realizar a reprojeção do CRS dos se-
 Tabela 5.1. Análise comparativa das projeções.

Projeção Classificação Aplicações Características

da projeção
Albers Cônica -cartas gerais e geográficas -preserva áreas
Equivalente -garante precisão
de escala
-substitui com
vantagens todas
as outras cônicas
equivalentes
Cilíndrica Cilíndrica -mapas mundi -altera áreas
Conforme Equidistante Equidistante -mapas em escala pequena -altera os ângulos
Mercator Cilíndrica -cartas náuticas -preserva os ângulos
Conforme -cartas geológicas e -mantém a forma de
magnéticas áreas pequenas
-mapas mundi celestes/meteorológicas
UTM Cilíndrica -mapeamento básico em -preserva ângulos
Conforme escalas médias e grandes -altera áreas (porém
-cartas topográcas as distorções
não ultrapassam
0.5%)
Gauss Cilíndrica -cartas topográcas -altera áreas (porém
Conforme -mapeamento básico as distorções
em escala média não ultrapassam
e grande 0.5%)
-preserva os ângulos
-similar à UTM com
defasagem de 3o
de longitude entre
os meridianos centrais
Estereográfica Plana -mapeamento das regiões -preserva ângulos
Polar Conforme polares -preserva forma de
pequenas áreas
-mapeamento da Lua, -oferece distorção
Marte e Mercúrio de escalas

tores censitários urbanos de Teresina/PI para a projeção Mercator (http://epsg.

io/3395), e isso é feito através da função toc rs do GeoDataFrame, linha 2. No site
http://www.spatialreference.org é possível encontrar diversos CRSs e em
vários formatos.
Uma das projeções mais utilizadas em pesquisas científicas é a projeção UTM
(do inglês, Universal Transverse Mercator), pois possui alguns atributos que tornam a
estimativa das distâncias mais precisa. A projeção UTM divide a Terra em 60 fusos
ou zonas de 6o de longitude. Para cada fuso, adota-se como superfície de projeção um
cilindro transverso com eixo perpendicular ao seu meridiano central, que assume ainda o
papel de longitude de origem.
Na Figura 5.14 temos uma projeção das zonas em que o Brasil está localizado
(da 18 até a 25). Quando declararmos um CRS utilizando o parâmetro UTM, teremos
que configurar alguns parâmetros adicionais, como a zona, o hemisfério e as unidades de
 Figura 5.12. CRS dos setores censitários de Teresina no Piauí definidos pelo IBGE.

Figura 5.13. Reprojeção do CRS dos setores censitários de Teresina no Piauí

para projeção Mercator.

medida que estão sendo trabalhadas. A Figura 5.15 uma possível configuração para o CRS
com UTM para a cidade de Teresina/PI. Note que, para o parâmetro zone, escolhemos o
valor 23 - que é exatamente a projeção em que está localizada a Teresina/PI. Também
utilizamos o parâmetro south, definindo que estamos trabalhando com o hemisfério sul, e
a unidade (units) como m, de “metros”.

5.3. Relações e operações espaciais

Um aspecto importante dos dados geoespaciais é que podemos olhar para as relações
espaciais: como dois objetos espaciais se relacionam entre si (se eles se sobrepõem, se

Figura 5.14. Representação das zonas em que o Brasil está localizado.

 Figura 5.15. Exemplo, em forma de dicionário, de configuração UTM para a ci-
dade de Teresina/PI.

cruzam, se contêm, e etc.).

As relações topológicas e teóricas de conjuntos em GIS são normalmente baseadas
no modelo DE-9IM. O modelo DE-9IM expressa importantes relações espaciais que são
invariantes às transformações de rotação, translação e escala. Para quaisquer dois objetos
espaciais a e b, que podem ser pontos, linhas e/ou áreas poligonais, existem 9 relações
derivadas de DE-9IM [Strobl 2008]:

CONTAINS: Verifica se uma representação contém completamente a outra. Inválida

para a combinação ponto-linha, pois uma linha não pode estar completamente con-
tida dentro de um ponto; porém a combinação inversa é válida.

CROSSES: Analisa se as representações se sobrepõem em algum lugar, ou seja, se as ge-

ometrias possuem pontos interiores em comum, mas não todos (uma não está con-
tida na outra). Vale ressaltar que esta operação pode ser usada para representações
com quantidade de dimensões diferentes, por exemplo uma linha e um polígono.

DISJOINT: Verifica se as representações utilizadas são disjuntas, ou seja, não compar-

tilham nenhum ponto em comum.

EQUALS: Verifica se as duas geometrias são iguais.

INTERSECTS: Analisa se as geometrias se interceptam em algum ponto, ou seja, com-

partilham qualquer porção de espaço. Retorna FALSO se as geometrias forem dis-
juntas.

OVERLAPS: Analisa se representações de mesma dimensão se sobrepõem, mas uma

não está contida na outra.

RELATE: Verifica de forma mais geral se duas representações se relacionam através de

interseções nos limites, interiores ou exteriores desta, mas não são disjuntas. Esta
operação é útil para verificar de uma só vez se há interseção ou se as geometrias se
cruzam ou se tocam, por exemplo.

TOUCHES: Analisa se há interseção entre os limites das geometrias, mas seus interiores
não se intersectam.
WITHIN: Verifica se uma geometria está dentro da outra. Representa a relação inversa
de CONTAINS.

Existem também outras operações que não analisam apenas a relação entre duas
geometrias, retornando VERDADEIRO ou FALSO, mas realizam operações espaciais,
retornando valores ou novas geometrias como saída. Tais operações são:

BUFFER: Dada uma distância especificada pelo usuário, a operação irá gerar e retor-
nar uma nova geometria resultante da adição de uma silhueta à geometria original
(Figura 5.3).

(a) (b)

Figura 5.16. Operação BUFFER. (a) Geometria Base. (b) Geometria Resultante.

CONVEXHULL: Retorna o envoltório convexo da geometria especificada (Figura 5.3).

(a) (b)

Figura 5.17. Operação CONVEXHULL. (a) Geometria Base. (b) Geometria Resultante.

DIFFERENCE: Retorna uma geometria que contém todos os pontos que estão na repre-
sentação de base mas não na geometria de comparação (Figura 5.3).

(a) (b)

Figura 5.18. Operação DIFFERENCE. (a) Geometria Base. (b) Geometria Resultante.

INTERSECTION: Retorna a geometria que pode ser observada em ambas as represen-

tações utilizadas (Figura 5.3).
 (a) (b)

Figura 5.19. Operação INTERSECTION. (a) Geometria Base. (b) Geometria Resultante.

(a) (b)

Figura 5.20. Operação SYMDIFFERENCE. (a) Geometria Base. (b) Geometria Resultante.

SYMDIFFERENCE: Retorna a geometria que contém todas aquelas que não se inter-
sectam nas representações utilizadas (Figura 5.3).

UNION: Retorna a geometria obtida com a união de todas aquelas presentes nas duas
representações (Figura 5.3).

(a) (b)

Figura 5.21. Operação UNION. (a) Geometria Base. (b) Geometria Resultante.

5.4. Visualização de dados geoespaciais

A visualização geoespacial está se tornando uma maneira progressiva e sofisticada para
analistas de dados ou cientistas transmitirem suas análises de forma eficiente e como já
visto na Figura 5.4, o GeoPandas também pode traçar mapas, para que possamos verificar
como nossas geometrias se parecem no espaço. O método principal responsável por isso
é o plot(), uma interface de alto nível para a biblioteca mat plotlib para construir ma-
pas. Vale ressaltar que, em geral, todas as opções que podem ser passadas para pyplot
do mat plotlib, como opções de estilo por exemplo, podem ser passadas para o método
plot().
Vamos agora determinar os centroides dos setores censitários urbanos de Tere-
sina/PI, criado na Figura 5.6, linhas de 1 a 3 da Figura 5.22 e em seguida criar duas
camadas, uma para os setores censitários, linha 4 da Figura 5.22, e outra para os cen-
troides, plotando-os de preto para destacar, linha 5 da Figura 5.22. O resultado dessa
operação pode ser observado na Figura 5.23

Figura 5.22. Cálculo dos centroides dos setores censitários urbanos de Teresina/PI.

Figura 5.23. Mapa com os setores censitários urbanos de Teresina/PI com seus
respectivos centroides.

Agora, vamos calcular a área de cada setor censitário urbano de Teresina/PI, linhas
de 1 a 3 da Figura 5.24, e em seguida plotar essa área calculado com uma legenda, linha
4 da Figura 5.24. O resultado dessa operação pode ser observado na Figura 5.25

Figura 5.24. Cálculo da área dos dos setores censitários urbanos de Teresina/PI.

Figura 5.25. Mapa dos setores censitários urbanos de Teresina/PI graduados pela área.

Outra forma de visualização de dados geoespaciais é através de bibliotecas de

visualizações de mapas interativos baseadas na web. Existem várias bibliotecas com essa
finalidade, segue alguns pacotes com um exemplo para cada um:
 • Bokeh: https://bokeh.pydata.org/en/latest/docs/gallery/texas.
html

• GeoViews (outra interface para Bokeh/Matplotlib): http://geo.holoviews.

org

• Altair: https://altair-viz.github.io/gallery/choropleth.html

• Plotly: https://plot.ly/python/#maps

Para criação dos nossos mapas interativos, utilizaremos a biblioteca Folium11 ,

uma biblioteca Python que possibilita a visualização geográfica interativa de dados espa-
ciais através do Lea f let. js12 .
Para criar um mapa interativo com o Folium, basta importá-lo, linha 1 da Fi-
gura 5.26, e em seguida chamar o método Map() passando a localização em termos de
latitude e longitude como parâmetro, linha 3 da Figura 5.26. No exemplo da Figura 5.26,
foi utilizado às coordenadas de Teresina/PI13 e o resultado pode ser observado na Fi-
gura 5.27.

Figura 5.26. Código para criação de um mapa interativo com o Folium em Python.

Figura 5.27. Mapa interativo de Teresina/PI, plotado com o Folium em Python.

Um parâmetro interessante de mudar é o tipo de gráfico, através do parâmetro

tiles. Vale ressaltar que um tileset é uma coleção de dados raster e vetoriais divididos em
uma grade uniforme de ladrilhos quadrados. Cada tileset tem uma maneira diferente de
11 Disponível em http://python-visualization.github.io/folium/
12 Leaflet.jsé uma biblioteca JavaScript de código aberto usada para construir mapas interativos e
mobile-friendly. Ela utiliza dados do OpenStreetMaps para construir a projeção de mapas detalhados
contendo informações de vias e demarcações de locais e transportes públicos [Domingues et al. 2020,
Agafonkin 2014].
13 Coordenadas de Teresina/PI disponível em https://geohack.toolforge.org/geohack.

php?pagename=Teresina&params=5_05_20_S_42_48_07_W_type:city_region:BR
representar dados no mapa. O Folium nos permite criar mapas com diferentes tiles como
Stamen Terrain, Stamen Toner, Stamen Water Color, CartoDB Positron. Por padrão,
Folium define o OpenStreetMap como tile padrão. Na Figura 5.28 temos o mapa de
Teresina/PI com o tiles Stamen Terrain que mostra o relevo.

Figura 5.28. Mapa interativo de Teresina/PI com o tiles Stamen Terrain.

Como agora sabemos que cada tileset fornece informações de uma maneira dife-
rente e serve a um propósito diferente, podemos sobrepô-los para obter mais informações
apenas traçando um único mapa. Podemos fazer isso adicionando diferentes camadas de
blocos a um único mapa. Na Figura 5.29 temos o mapa de Teresina/PI com os tiles Sta-
men Terrain, Stamen Toner, Stamen Water Color, CartoDB Positron, Carto Dark Matter,
além do OpenStreetMap, adicionado através do método TitleLayer(), da linha 1 até
a linha 5.

Figura 5.29. Mapa interativo de Teresina/PI com vários tiles.

É possível observar na Figura 5.29 que foi adicionado cinco camadas de tiles dife-
rentes a um único mapa e agora se tem 6 camadas diferentes de conjuntos de tiles. Tam-
bém foi adicionado ao mapa o LayerControl(), linha 6 da Figura 5.29, que fornece
um ícone no canto superior direito do mapa para alternar entre as diferentes camadas.
Criando Marcadores
Marcadores são um dos itens mais utilizados para marcar uma localização em um mapa.
Por exemplo, quando se usa o Google Maps para navegação, é marcada a localização de
origem por um marcador e o destino é marcado por outro marcador. Vale ressaltar que os
marcadores estão entre as coisas mais importantes e úteis em um mapa interativo.
Folium fornece uma classe folium.Marker() para criar marcadores em um
mapa interativo. Basta passar a latitude e longitude do local, mencionar um pop-up e um
tooltip e adicioná-lo ao mapa. A plotagem de marcadores é um processo de duas etapas.
Primeiro, você precisa criar um mapa básico no qual seus marcadores serão colocados
e, em seguida, adicionar seus marcadores a ele. Na Figura 5.30 é definido um array
com as coordenadas da Ponte Estaiada João Isidoro França14 , um dos mais importantes
pontos turísticos da capital piauiense, linha 1, e em seguida é criado um marker com essa
coordenada e adicionado ao mapa de Teresina, linhas de 3 a 5. O resultado do código da
Figura 5.30 pode ser observado na Figura 5.31.

Figura 5.30. Código para criação do marker nas coordenadas da Ponte Estaiada
em Teresina/PI.

Figura 5.31. Mapa interativo de Teresina/PI com o marker nas coordenadas da

Ponte Estaiada.

É possível também personalizar a aparência de um marker. O Folium fornece

a classe folium.Icon() que pode ser usada para criar ícones personalizados para
markers. O construtor da classe icon() recebe três parâmetros - color, prefix e
icon, a cor, prefixo e ícone respectivamente. O parâmetro color é usado para alterar a
cor do marker, prefix é usado para selecionar a origem do ícone (fa para Fontawesome
e glificon para Glyphicons) e o icon é usado para selecionar o nome do ícone. Na
Figura 5.32 temos a criação de dois markers personalizados para a Universidade Estadual
do Piauí, da linha 1 até a linha 5, e para a Universidade Federal do Piauí, da linha 7 até a
14 Coordenadas disponível em https://shorturl.at/dryAF
linha 11, e ambos adicionado ao mapa de Teresina/PI, criado anteriormente. O resultado
do código da Figura 5.32 pode ser observado na Figura 5.33.

Figura 5.32. Código com a criação de markers personalizados para as universi-

dades de Teresina/PI.

Figura 5.33. Mapa interativo com os markers personalizados para as universida-

des de Teresina/PI.

Antes de continuar a explorar algumas das funcionalidades mais comuns do Fo-

lium, vamos gerar um GeoDataFrame com 100 pontos aleatório contidos nos setores cen-
sitários urbanos de Teresina/PI, criados na Figura 5.6. Na Figura 5.34 temos um possível
código para geração desse GeoDataFrame.

Figura 5.34. Exemplo de código para geração de um GeoDataFrame com 100

pontos aleatório contidos nos setores censitários urbanos de Teresina/PI.

Na linha 1 da Figura 5.34 temos a importação da função built-in Python para ge-
ração de números aleatório segundo uma função uniforme de probabilidade. Já linha 2
é feito a importação da classe Point do shapely para criar as geometrias para o GeoDa-
taFrame. Na linha 4 é feita a agregação das geometrias do setores censitários através da
função dissolve() do GeoPandas, em seguida extraímos os limites da agregação re-
sultante dos setores censitários através da função bounds. Nas linhas de 10 até 17 temos
laço de repetição responsável por gerar um ponto aleatório a partir dos limites da agre-
gação dos setores censitários e verificar se ele está contido dentro dos limites dos setores
censitários urbanos de Teresina/PI. Após é criado um novo GeoDataFrane com esse con-
juntos de pontos aleatórios, linha 19, com o mesmo sistema de coordenadas dos setores
censitários, linha 20.
De posse do GeoDataFrame da Figura 5.34, podemos adicioná-lo ao mapa inte-
rativa de Teresina/PI criado na Figura 5.27, através da classe GeoJson do Folium (Fi-
gura 5.35).

Figura 5.35. Adição do GeoDataFrame com 100 pontos aleatório ao mapa intera-
tivo de Teresina/PI.

O primeiro parâmetro, obrigatório, do construtor da classe GeoJson do Folium

é os dados que queremos visualizar, no nosso exemplos, o conjunto de pontos aleatórios
criados na Figura 5.34, além de um marker customizado para eles. O resultado do código
da Figura 5.35 pode ser observado na Figura 5.36.

Figura 5.36. Mapa interativo de Teresina/PI com 100 markers criados aleatoriamente.

Como pode ser observado na Figura 5.36, os marcadores parecem estar empilha-
dos e um pouco bagunçados. Uma forma de organizar os markers é através de clusters
de markers. O Folium disponibiliza um plugin com essa finalidade, o MarkerCluster. A
Figura 5.37 é apresentado como utilizar o plugin MasterCluster com o nosso GeoData-
Frame criado na Figura 5.34.
 Figura 5.37. Exemplo de utilização do plugin MasterCluster do Folium.

Na linha 1 da Figura 5.37 é feita a importação do plugin MasterCluster, na linha

3 é criado um objeto MasterCluster e adicionamos ele ao mapa interativo de Teresina/PI.
Ao invés de adicionar o nosso GeoDataFrame de pontos aleatórios direto no mapa, como
é feito na Figura 5.35, adicionamos o nosso GeoDataFrame de pontos ao objeto Master-
Cluster criado na linha 3. O resultado do código da Figura 5.37 pode ser observado na
Figura 5.38.

Figura 5.38. Mapa interativo de Teresina/PI com 100 markers criados aleatoria-
mente agrupados.

Criando HeatMaps
É possível também implementar HeatMaps, ou mapas de calor, usando Folium. Um
HeatMap é uma representação gráfica de dados que usa um sistema de codificação de
cores para representar diferentes valores. Isso é útil para monitorar a intensidade das
estatísticas regionais com mais facilidade em uma determinada região por exemplo.
Para criação de um HeatMap o Folium disponibiliza um plugin chama justamente
HeatMap e para exemplificar, vamos criar um HeatMap com o GeoDataFrame criado na
Figura 5.34. Na Figura 5.39 temos o código para essa finalidade. Na linha 1 é feita a
importação do plugin do Folium HeatMap responsável por criar o mapa de calor. Já na
linha 3 é feita a criação do HeatMap passando como parâmetro uma lista de pontos na
forma [lat, lng] que se deseja plotar, também é possível passar uma lista na [lat, lng,
weight]) ou fornecer um numpy.array (n,2) ou (n,3). O resultado do código da
Figura 5.39 pode ser observado na Figura 5.40.
 Figura 5.39. Código para criação de um HeatMap.

Figura 5.40. Mapa de calor de Teresina/PI com 100 markers criados aleatoriamente.

Criando Mapas Coropléticos

Muitas vezes lidamos com dados espaciais cuja a localização está associada a áreas de-
limitadas por polígonos. Isso ocorre na maioria das vezes quando não se dispõe da lo-
calização exata dos eventos, sendo portanto agregados por municípios, bairros ou setores
censitários. A forma usual de apresentação de dados agregados por áreas é através do ma-
pas coropléticos ou coloridos com o padrão espacial do fenômeno [Monteiro et al. 2004].
É possível criar um mapa coroplético através do parâmetro style_function
da classe GeoJson do Folium, fornecendo uma função que possa especificar um estilo
dependendo do recurso que se queira mapear. Para exemplificar a criação de mapas co-
ropléticos, utilizaremos a coluna area do GeoDataFrame de setores censitários urbanos
de Teresina/PI criada na Figura 5.24. A Figura 5.41 é apresentado uma possível solução.

Figura 5.41. Código de exemplo para criação de um mapa coroplético.

Inicialmente é feito a importação da função que utilizaremos para mapear um

valor para uma cor RGB (da forma #RRGGBB), Nas linhas de 3 a 5 criamos a nossa paleta
de cores de amarelo até vermelho, com o limite inferior como sendo a menor área do e o
limite superior como sendo a maior área, em seguida é definido uma legenda para a nossa
paleta, linha 7 e depois ela é adicionada ao nosso mapa interativo de Teresina/PI, linha
8. Já na linha 10 é criado um dicionário para mapear o setor censitário à sua respectiva
área. Entre as linhas 15 e 21, é definida uma função anônima que mapeia para cada setor
censitário (feature do GeoJSON) um dicionário com a cor RBB e outros parâmetros de
definição do nosso mapa coroplético. O resultado do código da Figura 5.41 pode ser
observado na Figura 5.42.

Figura 5.42. Mapa coroplético dos setores censitários urbanos de Teresina/PI a

partir da sua respectiva área.

O Folium também disponibiliza uma classe Choropleth para criação de mapas

coropléticos de forma mais rápida. Assim como na classe GeoJson, é possível fornecer
a ela um nome de arquivo, um dicionário ou um GeoDataFrame. A Figura 5.43 apresenta
um exemplo de como usá-la, utilizando a coluna area do GeoDataFrame de setores
censitários urbanos de Teresina/PI do exemplo anterior.

Figura 5.43. Código de exemplo para criação de um mapa coroplético por meio
da classe Choropleth.

Na linha 2 da Figura 5.43 o parâmetro geo_data define a origem das geometrias

que serão utilizadas, no exemplo utilizamos GeoDataFrame com os setores censitários ur-
banos de Teresina/PI. Já o parâmetro data é definido um novo DataFrame com o código
do setor censitário, que será a chave para vinculação ao GeoJSON, e o valor da área, como
dado para o mapa coroplético, linha 3 da Figura 5.43. O parâmetro colmns é especifi-
cado a chave de vinculação dos dados e a coluna de dados que no neste exemplo é a área,
linha 4 da Figura 5.43. O parâmetro key_on é definida a variável do geo_data do
GeoJSON para vincular os dados, linha 5 da Figura 5.43. Note que esse parâmetro deve
começar com ‘feature’ e estar em notação de objeção JavaScript, como por exemplo ‘fea-
ture.id’ ou ‘feature.properties.statename’. Os demais parâmetros utilizados no construtor
da classe define a cor da área a ser preenchida, sua opacidade e a legenda da paleta de co-
res utilizada, respectivamente. O resultado do código da Figura 5.43 pode ser observado
na Figura 5.44.

Figura 5.44. Mapa coroplético dos setores censitários urbanos de Teresina/PI a

partir da sua respectiva área criado com a classe Choropleth.

O Folium disponibiliza diversos outros recursos e plugins e demonstrar todos eles

está fora do escopo deste minicurso, no entanto, no seguinte link https://shorturl.
at/mvEIP é possível encontrar uma lista de vários notebooks de exemplos com todos
eles.

5.5. Considerações finais

Este capítulo apresentou os conceitos gerais sobre a Análise de Dados Geoespaciais
através da linguagem de programação Python e alguns exemplos de como extrair co-
nhecimento e valor por meio de bibliotecas como pandas, geopandas, shapely,
pyproj, matplotlib, cartopy, dentre outras.
A Seção 5.2, foi apresentado alguns conceitos sobre um dos formatos mais utili-
zados em aplicações de análise geoespaciais, Dados Vetoriais, as ferramentas e pacotes
Python necessários para começar a análise de dados geoespaciais, além dos conceitos
centrais da utilização de GeoDataFrames. Já a Seção 5.3 apresentou as relações e opera-
ções para dois objetos espaciais. Por fim, a Seção 5.4 discutiu as formas de visualização
que podem ser utilizadas no estudo e na aplicação de dados geoespaciais. Muitas outros
aspectos, ferramentas e técnicas de análise de dados geoespaciais poderiam ter sido abor-
dados, porém, como é apenas uma introdução esses e outros pontos ficará para trabalhos
futuros.

Agradecimentos
Este trabalho foi realizado com apoio financeiro da CAPES, CNPq, Fundação de Amparo
à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão (FAPEMA) e
Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), processo 2020/16578-
5. Agradecemos também ao ICMC-USP e ao LCR por oferecerem a infraestrutura neces-
sária para este estudo.
Referências
[crs ] Coordinate reference systems. https://docs.qgis.org/2.8/en/docs/
gentle_gis_introduction/coordinate_reference_systems.
html. Acessado em: 10-09-2021.

[Agafonkin 2014] Agafonkin, V. (2014). Leaflet: an open-source javascript library for

mobile-friendly interactive maps. Accessed September, 21:2020.

[Bolstad 2016] Bolstad, P. (2016). GIS fundamentals: A first text on geographic infor-
mation systems. Eider (PressMinnesota).

[Coelho 2017] Coelho, A. S. (2017). Introdução a análise de dados com python e pandas.
Anais Eletrônicos ENUCOMP, pages 862–876.

[Domingues et al. 2020] Domingues, A., Silva, F., Santos, L., Souza, R., Coimbra, G.,
and Loureiro, A. A. F. (2020). Dados geoespaciais: Conceitos e técnicas para coleta,
armazenamento, tratamento e visualização. Sociedade Brasileira de Computação.

[Lawhead 2015] Lawhead, J. (2015). Learning geospatial analysis with Python. Packt
Publishing Ltd.

[Lopes et al. 2019] Lopes, G. R., Almeida, A. W. S., Delbem, A. C., and Toledo, C. F. M.
(2019). Introdução à análise exploratória de dados com python. In Minicursos ERCAS
ENUCMPI 2019, pages 160–176, Porto Alegre, RS, Brasil. SBC.

[Maling 2013] Maling, D. H. (2013). Coordinate systems and map projections. Elsevier.

[Monteiro et al. 2004] Monteiro, A. M. V., Câmara, G., Carvalho, M., and Druck, S.
(2004). Análise espacial de dados geográficos. Brasília: Embrapa.

[Pimentel et al. 2021] Pimentel, J. F., Oliveira, G. P., Silva, M. O., Seufitelli, D. B., and
Moro, M. M. (2021). Ciência de dados com reprodutibilidade usando jupyter. Socie-
dade Brasileira de Computação.

[Rosa and BRITO 2013] Rosa, R. and BRITO, J. L. S. (2013). Introdução ao geoproces-
samento. UFU: Apostila. Uberlândia.

[Shen 2014] Shen, H. (2014). Interactive notebooks: Sharing the code. Nature News,
515(7525):151.

[Strobl 2008] Strobl, C. (2008). Dimensionally extended nine-intersection model (de-

9im).

[Zheng et al. 2014] Zheng, Y., Capra, L., Wolfson, O., and Yang, H. (2014). Urban com-
puting: concepts, methodologies, and applications. ACM Transactions on Intelligent
Systems and Technology (TIST), 5(3):1–55.