Autorização da classificação de dados numéricos para geração de mapas temáticos no contexto do Big Geo data

• Ano de defesa: 2025
• Autor(a) principal: Cacciatore, Jose Antonio Dias
• Orientador(a): Sluter, Claudia Robbi
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Cartografia; Automação cartográfica; Mapa tematico; Geovisualização
• Palavras-chave em Inglês: Big Geo Data; Cartographic automation; Geovisualization
• Link de acesso: http://hdl.handle.net/10183/298994

A sociedade contemporânea gera informações em uma escala sem precedentes, impulsionada pela popularização da internet e pela ampla adoção de dispositivos móveis. Esse contexto tem provocado fluxos contínuos de dados gerados em tempo real, originados de transações digitais, redes sociais e sensores conectados à internet. Muitos desses dados possuem referência espacial associada, sendo classificados como Big Geo Data. Portanto, compreender suas particularidades é essencial para sua aplicação em projetos de mapas temáticos. A relevância desta dissertação reside no fato de que, além das conhecidas características do Big Data, como volume e velocidade, o Big Geo Data agrega a dimensão espacial que impõe novos desafios à análise e à representação da informação geográfica. Essa especificidade exige o desenvolvimento de métodos computacionais automatizados, capazes de lidar com a heterogeneidade dos atributos e da geometria para a sua utilização em projetos cartográficos. Diante disso o algoritmo criado nesta pesquisa inicia com a classificação das informações como qualitativas ou quantitativas, utilizando as bibliotecas do ecossistema Python, Pandas e NumPy. Em seguida, os dados quantitativos são categorizados por meio do método de Fisher-Jenks, adaptado ao contexto de fluxos de dados constantes e dinâmicos, característicos do Big Geo Data. Para o controle de qualidade dessa classificação, foi utilizada a métrica Goodness of Absolute Deviation Fit (GADF). Essa métrica permite não apenas avaliar a qualidade de uma categorização, mas também permite monitorar, ao longo do tempo, possíveis degradações nas classes à medida que novos dados são incorporados. Para a automação cartográfica, foram utilizadas as bibliotecas Matplotlib e Folium. Os métodos computacionais desenvolvidos nesta dissertação foram testados com dados reais com atualização constante. Os resultados obtidos, com base na análise da métrica de desempenho GADF, apontam uma melhora nessa métrica conforme a quantidade de dados aumenta, o que demonstra a adequação dos métodos computacionais desenvolvidos ao contexto do Big Geo Data, viabilizando sua utilização na automação da produção de mapas temáticos.