LÍGIA MANCCINI DE OLIVEIRA BARROS
A INFLUÊNCIA DO USO DE MÚLTIPLAS VISÕES
COORDENADAS NAS TAREFAS COGNITIVAS
REALIZADAS NO PROCESSO ANALÍTICO VISUAL
Presidente Prudente
2012
LÍGIA MANCCINI DE OLIVEIRA BARROS
A INFLUÊNCIA DO USO DE MÚLTIPLAS VISÕES
COORDENADAS NAS TAREFAS COGNITIVAS
REALIZADAS NO PROCESSO ANALÍTICO VISUAL
Tese apresentada ao programa de Pós-Graduação em
Ciências Cartográficas da Universidade Estadual
Paulista - Campus de Presidente Prudente, para
obtenção do título de Doutora em Ciências
Cartográficas.
Orientadora: Prof. Dra. Mônica Modesta Santos Decanini
Co-orientadores: Prof. Dr. Milton Hirokazu Shimabukuro
Prof. Dr. Edilson Ferreira Flores
Presidente Prudente
2012
B279i
Barros, Ligia Manccini de Oliveira.
A Influência do uso de múltiplas visões coordenadas nas tarefas
cognitivas realizadas no processo analítico visual / Lígia Manccini de Oliveira
Barros. - Presidente Prudente : [s.n], 2012
119 f. : il.
Orientador: Mônica Modesta Santos Decanini
Tese (doutorado) - Universidade Estadual Paulista, Faculdade de
Ciências e Tecnologia
Inclui bibliografia
1. Múltiplas visões coordenadas. 2. processo analítico visual. 3. dados
espaço-temporais de pluviometria I. Decanini, Mônica Modesta Santos. II.
Universidade Estadual Paulista. Faculdade de Ciências e Tecnologia. III. A
Influência do uso de múltiplas visões coordenadas nas tarefas cognitivas
realizadas no processo analítico visual.
TERMO DE APROVAÇÃO
LÍGIA MANCCINI DE OLIVEIRA BARROS
A INFLUÊNCIA DO USO DE MULTIPLAS VISÕES
COORDENADAS NAS TAREFAS COGNITIVAS REALIZADAS NO
PROCESSO ANALÍTICO VISUAL.
Tese aprovada como requisito parcial para obtenção do grau de Doutor em Ciências
Cartográficas (Área de concentração: Aquisição, Análise e Representação de
Informações Espaciais), da Universidade Estadual Paulista, pela seguinte banca
examinadora:
Orientadora: Profa. Dra. Mônica Modesta Santos Decanini
Departamento de Cartografia, UNESP
Prof. Dra. Cláudia Robbi Sluter
Departamento de Geomática, UFPR
Prof. Dr. Fernando Luiz de Paula Santil
Departamento de Feografia, UEM
Prof. Dr. Nilton Nobuhiro Imai
Departamento de Cartografia, UNESP
Prof. Dr. Paulo Cesar Rocha
Departamento de Geografia Humana e Regional, UNESP
Presidente Prudente, 03 de dezembro de 2012.
DEDICATÓRIA
Ao meu marido Edgar Nogueira Demarqui
e nossa filha Isabela
AGRADECIMENTOS
A realização desta pesquisa teve colaboração direta e indireta de diversas pessoas,
para as quais expresso os meus mais sinceros agradecimentos, em especial:
À Deus.
Ao Edgar, meu marido, companheiro e grande amigo, pelo seu amor, carinho e apoio
constantes.
Aos meus pais Marisa e Murilo por todo auxílio que ofereceram, toda preocupação que
tiveram e todo apoio que deram durante esses anos.
À minha orientadora Mônica Modesta Santos Decanini, que apesar de todos os
percalços, acreditou e me fez acreditar em minha capacidade.
Aos meus co-orientadores Milton Hirokazu Shimabukuro e Edilson Ferreira Flores,
pelas observações e ótimas sugestões.
Aos meus irmãos Eder e Ricardo e aos meus familiares pelos adoráveis encontros.
Aos meus amigos de sapatilha Rebeca e Rute Alessi Tedeschi, Emerson Euzébio,
Emanuelle Petri e meus alunos da escola Art Ballet.
Aos amigos e colegas do PPGCC, em especial ao Érico Martins, Rodrigo Zanin,
Fernanda Puga e Ana Paula Marques.
Aos componentes da banca pelas observações e sugestões que foram de grande
valia.
À todos os pesquisadores e professores que tanto contribuíram para a pesquisa com
sua participação nos testes.
À todos professores e funcionários na Faculdade de Ciência e Tecnologia que de
alguma forma, direta ou indiretamente, contribuíram para a tese.
À Capes pela bolsa oferecida no programa.
RESUMO
O objetivo dessa pesquisa é avaliar o uso conjunto de representações gráficas e
cartográficas, dispostas em uma interface de múltiplas visões coordenadas, por meio
de análises do registro de uso dessa interface, preferência subjetiva, discurso e
característica pessoal do participante. A análise bem sucedida de séries temporais
para descrição de fenômenos altamente dinâmicos, tais como a pluviometria, depende
dos métodos e representações adequadas, que permitam a extração informações,
gerando conhecimento provável e confiável. Muito tem se explorado dentro do
conceito conhecido como GeoVisual Analytics, ou seja, Processo Analítico Geo-visual.
Dentre as ferramentas que exploram esse conceito, destaca-se a utilização de
múltiplas visões para um conjunto de dados, o que implica em apresentar
simultaneamente os mesmos dados utilizando diferentes formas de representação
(gráficos, mapas). A hipótese é que, em um sistema que adota a estratégia de
múltiplas visões coordenadas, a combinação dos tipos de representação existentes
está relacionada à tarefa cognitiva utilizada para descrição dos dados espaçotemporais de pluviometria em estudos agrometeorológicos. O sistema com múltiplas
visões coordenadas foi desenvolvido exclusivamente para a realização dos testes,
durante os quais foi registrado tanto as ações exercidas pelo participante quanto suas
observações registradas em formato RTF. Os resultados obtidos indicam que a
escolha do uso isolado ou em conjunto de determinados elementos da interface
(gráficos ou cartográficos) é influenciada pelo tipo de tarefa cognitiva utilizada,
considerando sua complexidade (identificação ou comparação) e o seu foco
investigativo (temporal ou espacial).
Palavras-chave: Múltiplas visões coordenadas. Processo analítico visual. Mapas
animados. Gráficos temporais. Dados espaço-temporais de pluviometria.
ABSTRACT
The aim of this research is to evaluate the use of graphic and cartographic
presentations, in a multiple coordinate views system, taking into account the use of
interface, the user's subjective preference and its discourses and personal
characteristics. The success of temporal series analysis for highly dynamic phenomena
description, such as rainfall, depends of the applied of right presentation and methods,
which needs to allow the information extraction for generate probable and trustable
knowledge.
The Visual Analytics concept has been very explored, in special the
multiple coordinated views, that implies in a simultaneous presentation of the same
data in different types of views. The challenge is to find suitable methods and
representation for the data. The hypothesis is that the realization of cognitive tasks for
description of spatial and temporal rainfall data for agricultural and meteorological
studies, depends of the match of different views types, into a system that adopts the
multiple coordinated view strategy. A multiple view coordinated system was designed
exclusively to perform the testes, in which it was registered
the actions and
observations of participants, in a RTF document. The results showed that the use of
graphic and cartographic interface elements (isolated or not) depends of the cognitive
task that must be performed.
Keywords: Multiple Coordinated Views. Visual Analytics. Aniamtes maps. Temporal
graphs. Spatial and temporal rainfall data.
ÍNDICE DE FIGURAS
Figura 1 - Modelo do processamento visual ................................................................ 17
Figura 2 - modelo de identificação de padrões baseado em mapas............................ 20
Figura 3 - Informação espacial: a) características básicas e b) tipos de animações ... 23
Figura 4 – Etapas do Processo Analítico Visual .......................................................... 33
Figura 5 - Representação de árvores.......................................................................... 35
Figura 6 - Layouts de grafos ....................................................................................... 36
Figura 7 - Coordenadas paralelas ............................................................................... 37
Figura 8 - RadViz ........................................................................................................ 38
Figura 9 - Star Coordinate .......................................................................................... 39
Figura 10 - Técnica orientada a pixel com distribuição dependente de consulta ......... 39
Figura 12 - Técnica de filtragem por meio de sliders ................................................... 42
Figura 13 - Etapas da metodologia ............................................................................. 44
Figura 14 - Localização dos Postos Pluviométricos da DAEE no Oeste...................... 47
Paulista ....................................................................................................................... 47
Figura 15 - Estrutura do arquivo de dados .................................................................. 48
Figura 16- Esquematização das representações utilizadas por M. J. Kraak em 2007. 48
Fonte: Kraak (2007) .................................................................................................... 48
Figura 17 - Esquematização dos elementos da interface ............................................ 49
Figura 18 - Tabela de atributos da shape DAEE ......................................................... 51
Figura 19 - Gráfico de coordenadas paralelas ("Gráfico de linhas") ............................ 51
Figura 20 - Gráfico de pixels ....................................................................................... 52
Figura 21- Interface de teste cotendo as janelas do mapa mensal (), gráfico de
coordenadas paralelas (), gráfico de pixels () e mapa de normais
climatológicas ()................................................................................................ 54
Figura 22 - Janela de mapa mensal ............................................................................ 54
Figura 23 - Seleção por sliders (seta indica a seleção) ............................................... 55
Figura 24 - Seleção por ponto (seta indica a seleção) ................................................ 55
Figura 25 - Seleção por município (seta indica a seleção) .......................................... 56
Figura 26 - Representações utilizando 17 classes ...................................................... 57
Figura 27 - Representações utilizando 5 classes ........................................................ 57
Figura 28 - Representações utilizando 5 classes ........................................................ 58
Figura 29 - Layout secundário .................................................................................... 58
Figura 30 - Coordenação das visões (comando e ações relacionadas entre janelas) . 59
Figura 31 - Relação: Elementos da Interface X Tarefa cognitiva ................................. 70
Figura 32- Relação: Elementos da Interface X Tarefa de Investigação ....................... 71
Figura 33 - Uso de MVC para as tarefas cognitivas .................................................... 73
Figura 34 - Uso de MVC para as tarefas cognitivas de comparação ........................... 74
Figura 35 - Uso de MVC para as tarefas cognitivas de identificação ........................... 74
Figura 36 - Uso de MVC para as tarefas investigativas: a) Ct, b) Ce, c) It, e) Ie.......... 76
Figura 37 - Parte do log com registro da mudança de layout durante a execução do
teste..................................................................................................................... 78
Figura 38 - Tempo de uso relativo entre o layout 1 e 2 durante a análise de cada
participante .......................................................................................................... 78
Figura 39 - Gráfico da frequência de uso das velocidades de animação..................... 79
Figura 40 - Gráficos gerados a partir do questionário e respostas da preferência
subjetiva .............................................................................................................. 84
Figura 41 - Dendograma gerado a partir das observações de características pessoeius
dos participantes.................................................................................................. 85
Figura 42 - Gráfico da distribuição espacial das observações (similaridades entre
participantes) ....................................................................................................... 85
ÍNDICE DE TABELAS
Tabela 1 - Duração do teste para cada participante .................................................... 64
Tabela 2 - Quantificação das tarefas de investigação ................................................. 67
Tabela 3- Relação entre variáveis de investigação e uso de elementos da interface,
para cada participante, sendo Ct = Comparação temporal; Ce = comparação
espacial; It = identificação temporal; Ie = Identificação espacial; me = mapa estático;
ma = mapa animado; gp = gráfico de pixels; gl = gráfico de linhas (correspondente
ao gráfico de coordenadas paralelas)..................................................................... 69
Tabela 4 - Tempo total destinado à análise dos dados e duração do tempo de
utilização dos layouts 1 e 2 para cada participante................................................. 78
Tabela 5 - Utilização do comando de animação.......................................................... 79
Tabela 6 - Tabela dos tempos de duração para o uso de animação e o tempo total das
análises .................................................................................................................. 80
Tabela 7 - Tabela de quantidade de análises com animação em relação ao total de
análises para cada tarefa investigativa. .................................................................. 80
Tabela 8 - Características pessoais dos entrevistados para análise de similaridade .. 82
Tabela 9 - Resultados (em porcentagem) obtidos do questionário de preferência
subjetiva ................................................................................................................. 83
ÍNDICE DE QUADROS
Quadro 1 - modelo contextual com exemplos específicos para quatro tipo de fatores
que influenciam julgamentos, comportamentos e experiências temporais ........... 18
Quadro 2 - Primitivas temporais e as relações espaço-temporrais que as descrevem 22
Quadro 3- Classes de fenômenos espaço-temporais.................................................. 25
Quadro 4- Classes de fenômenos espaço-temporais.................................................. 26
Quadro 5 - As variáveis dinâmicas e as perguntas relacionadas a elas ..................... 31
Quadro 6- modelo contextual para avaliação do uso de mapas animados temporais na
visualização de dados pluviométrico .................................................................... 46
Quadro 7 - modelos de interpolação utilizado para cada mês ..................................... 50
Quadro 8- Implementação do protótipo a partir de sugestões, em 3 fases
distintas(idealização, refinamento, e feedback do grupo) bem como as sugestões
descartadas (D) ................................................................................................... 53
Quadro 9 - Relação de comando e ação coordenada entre as janelas da interface .... 60
Quadro 10 - Perfil acadêmico e formativo dos participantes ....................................... 62
Quadro 11 - Levantamento da familiaridade do entrevistado com as ferramentas de
análise ................................................................................................................. 62
Quadro 12 - Classificação das variáveis de investigação: atributo = "O que?"; tempo =
"Quando?"; espaço = "Onde?". ............................................................................ 66
Quadro 13 - Uso de MVC para as tarefas cognitivas e investigativas ......................... 72
Quadro 14 - Uso de MVC para as tarefas cognitivas .................................................. 73
Quadro 15 - Uso de MVC para as tarefas cognitivas de comparação ......................... 74
Quadro 16 - Uso de MVC para as tarefas cognitivas de identificação ......................... 74
Quadro 17 - Uso de MVC para as tarefas investigativas de comparação temporal ..... 75
Quadro 18 - Uso de MVC para as tarefas investigativas de comparação espacial ...... 75
Quadro 19 - Uso de MVC para as tarefas investigativas de identificação temporal ..... 75
Quadro 20 - Uso de MVC para as tarefas investigativas de identificação espacial ..... 75
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................... 13
1.1 Organização da tese ........................................................................................ 15
2 ASPECTOS COGNITIVOS DA PERCEPÇÃO ESPAÇO-TEMPORAL ................... 16
2.1 Processamento da informação visual ............................................................... 16
2.1.1 Modelo contextual ...................................................................................... 18
2.2 Geovisualização ................................................................................................ 19
2.2.1 Percebendo o tempo ................................................................................... 21
3 REPRESENTAÇÃO DOS FENÔMENOS ESPAÇO-TEMPORAIS ......................... 23
3.1 A dinâmica dos fenômenos geográficos ........................................................... 24
3.1.1 Características espaço-temporais .............................................................. 24
3.1.2 Fenômeno dinâmico climático: precipitação pluviométrica ......................... 26
3.2 Representação da pluviometria por mapas isométricos................................... 27
3.3 Representação dinâmica .................................................................................. 30
3.3.1 Variável de sincronização ......................................................................... 32
3.4 Processo analítico Visual (PAV) ...................................................................... 33
3.4.1 Técnicas de representação (visualizações) ............................................... 35
3.3.2 Processo analítico geovisual (PAGeo) ...................................................... 40
3.5 Múltiplas visualizações coordenadas ............................................................... 41
4 MATERIAIS E MÉTODOS ...................................................................................... 43
4.1 Estudo de caso................................................................................................. 45
4.1.1 Demanda do usuário e modelo contextual ................................................. 45
4.1.2 Dados de precipitação pluviométrica utilizados ........................................... 46
4.2 Elaboração da interface..................................................................................... 48
4.2.1 Confecção dos mapas ................................................................................ 50
4.2.2 Confecção dos gráficos............................................................................... 51
4.2.3 Projeto da interface de Teste ...................................................................... 52
4.3 Realização do teste ........................................................................................... 60
4.3.1 Materiais de teste........................................................................................ 60
4.3.2 Seleção dos participantes para o teste ....................................................... 61
4.3.3 Condução do teste ...................................................................................... 62
4.4 Análise dos resultados ...................................................................................... 65
5 RESULTADOS E DISCUSSÃO .............................................................................. 67
5.1 Tarefas de cognitivas e o uso da interface ....................................................... 68
5.2 Tarefas cognitivas e Múltiplas Visões Coordenadas (MVC).............................. 72
5.3 Seleção do Layout............................................................................................ 77
5.4 Animação ......................................................................................................... 79
5.5 Caracterização dos participantes ..................................................................... 81
6 CONCLUSÕES E RECOMENDAÇÕES ................................................................. 87
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................... 91
APÊNDICES ............................................................................................................... 97
13
1 INTRODUÇÃO
O interesse do ser humano em conhecer a dinâmica dos eventos e
fenômenos que acontecem sobre a Terra não é algo novo, entretanto, à algumas
décadas atrás, a busca pela compreensão dessas mudanças era limitada pelos
grandes conjuntos de dados temporais, somados à falta de métodos e técnicas que
permitissem a análise de padrões, relacionamentos e tendências destes dados (BLOK,
2005; PING, XINMING e SHENGXIAO, 2008).
Nos últimos anos, novas ferramentas interativas de visualização têm sido
estudadas e desenvolvidas, procurando lidar com conjunto de dados complexos e em
grande volume e, similarmente, com tarefas analíticas complexas para descoberta de
conhecimento (TOMASZEWSKI et al., 2007; FREITAS, 2007). Muito tem se explorado
dentro do conceito conhecido como Visual Analytics, ou seja, Processo Analítico
Visual (PAV), que tem como objetivo tornar o processamento da informação evidente
para um discurso analítico para prover, não somente resultados, mas também seus
significados para comunicação (KEIM et al., 2008).
Dentre as ferramentas que exploram esse conceito, destaca-se a utilização
de múltiplas visões de um conjunto de dados, o que implica em apresentar
simultaneamente os mesmos dados utilizando diferentes formas de representação.
Estas representações diferenciadas de um mesmo conjunto tendem a melhorar a
efetividade da análise visual, podendo ser potencializado com a utilização de
ambientes flexíveis (SHIMABUKURO et al., 2004).
Para a análise de dados altamente dinâmicos, tais como os dados que
descrevem fenômenos climatológicos, essas novas formas de representação podem
auxiliar na compreensão das mudanças espaço-temporais e na obtenção de novas
informações sobre tendências, correlações e padrões existentes entre os dados
(YATTAW, 1999; EDSALL et al, 1997; KRAAK e VLAG, 2005; KEIM et al., 2008).
Dentre as variáveis climáticas, uma das mais determinantes são as
precipitações pluviométricas (CARDIN, 2001 apud FENILLE e CARDIN, 2007). Sendo
assim, o estudo de formas diferentes de análise de dados pluviométricos se apresenta
na literatura como uma componente de grande importância em relação à compreensão
e estudo de mudanças climáticas (SANTOS et. al, 2008)
O sucesso da produção agrícola, por exemplo, está altamente relacionado
ao conhecimento do regime pluviométrico da região, o que implica na análise de séries
temporais para determinação da duração e final da estação chuvosa, bem como dos
períodos veranicos (SILVA et al. 2011). Sendo assim, o principal desafio é buscar
métodos e representações de grande volume de dados que propiciem ao analista
14
extrair informações para gerar conhecimento necessário ao gerenciamento eficiente
da produção agrícola.
Sendo assim, esta pesquisa parte-se do pressuposto que a forma de
representação dos dados influencia na percepção de tendências em um conjunto de
dados pluviométricos, e que apenas um tipo de representação não é o suficiente para
a aquisição dessa informação.
Portanto, considera-se a hipótese de que em um sistema que adota a
estratégia de múltiplas visões coordenadas, a combinação no uso dos tipos de
representação gráficas e cartográficas dos dados pode estar associada ao tipo
de tarefa cognitiva que será realizada na descrição dos dados espaço-temporais
de pluviometria para estudos agrometeorológicos.
Assim, as questões decorrentes da hipótese são:
1) Quais tipos de representação (gráficas e cartográficas) são
utilizados para realizar as tarefas cognitivas de comparação e
identificação de padrões?
2) Quais combinações entre tipos diferentes de representação
(gráficas e cartográficas) são utilizados para realizar essas tarefas
cognitivas?
3) A escolha do(s) tipo(s) de representação está relacionada com as
características pessoais e preferência subjetiva do indivíduo?
4) O recurso de animação e o uso de mapas animados podem auxiliar
na aquisição da informação dos dados pluviométricos?
5) Uma interface contendo múltiplas visões coordenadas é atrativa
para os pesquisadores da área de agrometeorologia?
O objetivo dessa pesquisa, portanto, é verificar o uso conjunto de
representações gráficas e cartográficas, dispostas em uma interface de múltiplas
visões coordenadas.
Os objetivos específicos são:

Analisar registro do uso da interface;

Analisar informações de preferência subjetivas e características
pessoais do participante;

Organizar e analisar o discurso escrito pelo participante.
15
1.1 Organização da tese
Esta tese é constituída de 6 capítulos.
O capítulo 2 trata da fundamentação teórica sobre as teorias do
processamento da informação visual e os processos perceptivos dos fenômenos
geográficos dinâmicos, com ênfase nos fenômenos climáticos incluindo precipitação
pluviométrica.
O capítulo 3 trata da fundamentação teórica sobre as formas de
representação estática e dinâmica dos fenômenos geográficos, bem como as formas
gráficas utilizadas no processo analítico visual.
O capítulo 4 apresenta a organização metodológica e aplicação das
entrevistas e a implementação da interface de teste.
O capítulo 5 aborda os resultados obtidos e a discussão com foco no tema
central da pesquisa.
E por fim, o capítulo 6 apresenta as conclusões e recomendações para
trabalhos futuros.
16
2 ASPECTOS COGNITIVOS DA PERCEPÇÃO ESPAÇO-TEMPORAL
Ser capaz de identificar e descrever o comportamento espaço-temporal de
um evento é fundamental para a compreensão do fenômeno geográfico (YATTAW,
1999). Portanto, torna-se necessário entender a forma como percebemos o espaço e o
tempo, a fim de facilitar essa percepção utilizando elementos gráficos e interativos de
um ambiente computacional. Sendo assim, nesta seção será apresentada uma revisão
bibliográfica a respeito de como se dá a percepção cognitiva do espaço e tempo, bem
como os processos e as variáveis envolvidas.
2.1 Processamento da informação visual
As teorias da psicologia cognitiva, relacionadas ao processamento da
informação visual pode nos ajudar a entender como ocorre o reconhecimento de
padrões por meio dos processos da memória. Além disso, um exame mais detalhado
do processamento visual de movimento também é importante para compreensão da
interpretação de mapas animados.
Os processos perceptuais não podem ser estudados ou analisados de
forma independente dos processos da memória, uma vez que o armazenamento e
preservação da informação ocorrem em todos os estágios do processamento da
informação (EASTMAN, 1985).
Numa tentativa de explicar como funciona a codificação da informação
visual, Eastman (1985) e Peterson (1995) desenvolveram modelos conceituais que
descrevem o processamento cognitivo de reconhecimento visual de padrões. As
etapas de processamento cognitivo da informação visual preveem uma serie de
mecanismos de armazenamento em memória, cada qual caracterizada por uma
capacidade limitada de armazenamento de informação (KLATZKY, 1975 apud
PETERSON, 1995).
Neisser (1967 apud PETERSON, 1995) define cognição como “todos os
processos pelos quais a informação sensorial adquirida é transformada, reduzida,
elaborada, armazenada, recuperada e usada”. A memória é uma das principais
componentes do processo, pois é responsável pelo armazenamento da informação. O
ser humano é capaz de reter informação por longos ou curtos períodos. Essa
capacidade de retenção diferenciada resultou em uma classificação de três tipos
diferentes de memória que todo ser humano possui (Figura 1):
17

Memória icônica (relacionados à informação visual);

Memória de curta duração ou recente (MCD)

Memória de longa duração (MLD).
Pré-processamento
Reconhecimento de padrão
Processador Central
Sistema de
varredura
Informação
perdida
Registrador córtex-retinal
Memória de curta duração
(MCD) ou recente
Memória de longa
duração (MLD)
Memória icônica
Registro
Sensorial ou
visual
RESPOSTA
“É uma estrela”
estímulo
Figura 1 - Modelo do processamento visual
Fonte: adaptado de EASTMAN e CASTNER (1983 apud EASTMAN, 1985) e PETERSON
(1995).
De acordo com esse modelo, o objeto visto passa pelas seguintes etapas:

Primeira etapa: a informação reconhecida visualmente e registrada no
córtex-retinal, é transmitida à memória icônica. Esta por sua vez a
armazena, por alguns milésimos de segundos, de forma aguçada e
simplificada, sem muitos detalhes.

Segunda etapa: a informação é enviada ao processador central, o qual
é responsável pela atenção (sistema de varredura) e pela memória
MCD. A primeira permite que os aspectos relevantes (cor, forma,
tamanho) do objeto sejam selecionados, e a segunda
armazena
essas características selecionadas por um curto período de tempo.

Terceira etapa: ocorre a interação entre a experiência presente e a
experiência
passada
(armazenada
na
MLD),
ou
seja,
as
características armazenadas na MCD são comparadas com um
18
conjunto de padrões armazenados na MLD. Se forem encontradas
similaridades, o objeto será reconhecido como sendo idêntico ou
similar a algo já aprendido ou visto. Caso contrário, o objeto é
reconhecido como uma nova informação e armazenado na MLD. O
sucesso dessa fase irá depender do conhecimento, atenção e
motivação do indivíduo.
A resposta perceptiva é assumida, portanto, não como uma consequência
imediata ao estímulo, mas como algo que passa por inúmeros estágios ou processos,
os quais levam tempo para se organizar. São limitados por diversos fatores tais como
o conteúdo existente da informação e a experiência e condição atual do perceptor
(EASTMAN, 1985).
2.1.1 Modelo contextual
Um modelo contextual é a definição das variáveis pessoais do indivíduo
que podem interferir (de maneira positiva ou não) no processamento da informação
espaço-temporal. Essas variáveis interagem entre si e influenciam o comportamento
do indivíduo mediante as informações e o seu julgamento espaço-temporal. Block
(1998) propôs um modelo contextual que contém alguns exemplos de variáveis que
podem influenciar o julgamento temporal (Quadro 1).
Quadro 1 - modelo contextual com exemplos específicos para quatro tipo de fatores que
influenciam julgamentos, comportamentos e experiências temporais
Espécie (por exemplo: tipo de processos de orientação espacial específico)
Sexo
Idade
Características do usuário
Personalidade
Grupo (de acordo com a abordagem adotada, por exemplo: se utiliza o paradigma
prospectivo ou retrospectivo)
Ambientes artificiais – simples (ex: modelos de escala)
Representações espaciais artificiais (ex: mapas, gráficos)
Objetos no espaço
Ambientes naturais – complexos
Familiaridade com o ambiente
Exploração livre do espaço
Exploração coagida do espaço
Atividades no espaço
Visão passiva do espaço
Recepção passiva da descrição verbal da informação espacial
Estratégias de processamento
Reprodução ativa (ex: exploração)
Reprodução simbólica (ex: desenho ou croqui)
Métodos para acessar o
Reprodução verbal (ex: recordação ou reconstrução)
comportamento temporal
Estimação de distância (verbal ou numericamente)
Estimação de direção (verbal ou manualmente)
Fonte: adaptado de Block (1998)
19
O modelo contextual serve como base para o modelo processual, ou seja,
para modelar os processos que definirão como os vários fatores ali descritos
interagem, a fim de explicar as influências nas experiências e julgamentos temporais
em qualquer tarefa ou situação espacial. O modelo processual serve para descrever
as características funcionais do comportamento no processamento de mapas. A
natureza altamente específica das diferentes tarefas de leitura de mapa,
provavelmente requer modelos processuais específicos.
Uma das questões bastante estudadas é a “análise de cena”, e diz respeito
aos processos, pelos quais uma exposição visual vem a ser compreendida pelo
observador. Dentro desta tarefa, o indivíduo tem duas fontes de dados para serem
reconciliados: o estímulo visual e os dados das experiências passadas (organizadas e
armazenadas na memorial de longa duração) (BLOCK, 1998).
2.2 Geovisualização
Algumas tarefas bastante utilizadas por usuários de dados geográficos são:
detecção, análise e comparação de padrões para descobrir anomalia, relações,
análise de tendências etc. MacEachren (1995) e Block (1998) determinam quatro
tarefas relacionadas a padrão, em diferentes níveis de complexidade: 1) Identificação
de padrão espacial, 2) Comparação de padrão espacial, 3) Identificação de padrão
espaço-temporal e 4) Comparação de padrão espaço-temporal, sendo que as tarefas
de comparação de padrão envolvem identificação de diversos padrões e o
relacionamento entre eles.
Para realizar a comparação e identificação de dois ou mais padrões, é
necessário que estes possam ser comparados para encontrar correspondências,
diferenças e relacionamentos (BLOCK, 1998). Para explicar o processo cognitivo
utilizado na identificação, análise e comparação de padrões em um mapa, Block
(1998) apresentou um modelo (adaptado de MACEACHREN, 1995) para explicar o
ciclo de processamento de informações complexas (Figura 2).
20
Figura 2 - modelo de identificação de padrões baseado em mapas
Fonte: adaptado de BLOCK, 1998
Este modelo faz referência a dois tipos de processamentos: o
processamento ascendente e descendente. No processamento descendente a reação
é guiada pelo conhecimento e experiência prioritários, o estímulo visual é o que irá
desencadear todo o processo de reconhecimento de padrões por meio da similaridade
entre presente e conhecimento já arraigado por experiências passadas. A primeira
evidência do processamento descendente surgiu com estudos do movimento dos
olhos: os olhos tendem a seguir uma sequencia comum e ordenada para realizar a
varredura da cena, esse caminho é denominado “círculo característico” e ocorre de
forma similar para qualquer indivíduo no que diz respeito às sequencias de
reconhecimento, podendo ser de certa forma previsto. A resposta estará sempre
relacionada ao contexto.
Já o processamento ascendente, ou fase de exploração, refere-se à uma
reação inconsciente, que tem por base as propriedades dos estímulos, os quais levam
ao reconhecimento visual de padrões. Acredita-se na hipótese da coexistência dos
dois processos, ou seja, não é somente o estímulo visual que desencadeia o
reconhecimento dos padrões, mas também as questões conceituais sobre o estímulo.
A
simultaneidade
de
processamentos
ascendentes
e
verificações
descendentes, permitem realizar a identificação com maior eficiência. Por exemplo,
num jogo de xadrez o procedimento descendente é o que dará a primeira impressão
da disposição das peças no tabuleiro, bem como o reconhecimento das peças ligadas
às suas regras de comando. Já o procedimento ascendente possibilita reconstruir um
21
arranjo mental do tabuleiro após apenas uma exposição breve, formando uma préinvestigação, o que permite realizar um movimento da peça já prevendo a reação do
oponente e planejando o seu próximo passo.
2.2.1 Percebendo o tempo
Apesar do termo “percepção temporal” utilizado na literatura, Gibson (1975
apud BLOCK, 1998) afirma que não percebemos o tempo, mas sim os movimentos
relativos entre elementos, ou seja, o observador percebe que algo foi alterado porque
consegue também identificar o que permaneceu igual.
A percepção do tempo está naturalmente ligada à do espaço, e ambos são
subjetivos e necessários à experiência sensória (AKHUNDOV,1986 apud YATTAW,
1999). De forma geral, o processamento da informação temporal sobre um
determinado evento depende do processamento da informação de outros eventos que
ocorreram próximos a ele (espacial e temporalmente). Portanto, para se orientar no
tempo, o ser humano utiliza de um objeto ou informação localizada próxima a ele.
Esses objetos são denominados pontos de referência, e servem de base para que os
demais elementos sejam mentalmente posicionados (BLOCK, 1998).
A hipótese do ponto de referencia para cognição espacial propõe que tais
pontos funcionem como dicas para organização da informação em mapas cognitivos,
por meio do qual a orientação espacial pessoal é estruturada. No âmbito semântico,
por exemplo, as pessoas costumam transmitir informação espacial de uma forma
temporal, como por exemplo: “minha casa fica a 1 hora daqui”. Essa informação é
geralmente mais efetiva do que se fosse dada em termos espaciais. O mesmo ocorre
com o tempo psicológico, pois o individuo também utiliza referencias para se localizar
cronologicamente (BLOCK, 1998).
Tomando por base os pontos de referência e sua relação espaço-temporal
com o evento principal, é possível atribuir uma organização mental dos eventos. Com
base nessas relações, Allen e Kautz (1985) definiram treze termos primitivos que
formam a base de todo conhecimento sobre relações temporais lógicas. Estes treze
termos podem ser resumidos em seis tipos de relações espaço-temporais, conforme
Quadro 2.
22
Quadro 2 - Primitivas temporais e as relações espaço-temporrais que as descrevem
Primitivas
Igual a...
Antes de...
Depois de...
Encontra...
Encontrado por...
Sobrepõe...
Sobreposto por...
Inicia...
Iniciado por...
Termina...
Terminado por...
Contido...
Contém...
Relações
espaço-temporais
Igualdade
Definida pela simultaneidade de eventos
Ordem
Ordem temporal de eventos sucessivos
Coincidência
Caso restritivo de ordem, no qual dois eventos
ocorrem sucessivamente sem intervalo entre
estímulos.
Superposição
Quando um evento sobrepõe o outro
Causalidade
Quando um dos eventos é o responsável por
dar início ou finalizar um segundo evento
Contingência
Tendo dois episódios (seqüência de eventos),
define-se qual episódio contem um evento em
particular.
Descrição
Adaptado de Allen e Kautz, 1985
De acordo com Block (1998), tipos similares de variáveis influenciam a
estimação do espaço e tempo, um dos mais básicos é o fato que pequenas distancias
e durações são geralmente superestimadas enquanto as longas são subestimadas. A
distância espacial, bem como a duração temporal, é estimada de acordo com o
número de objetos (ou eventos, no caso do tempo) distintos que a segmentam, quanto
maior a quantidade de objetos transversos à rota, maior aparenta a distancia.
Produções mentais do tempo são mais curtas em relação ao tempo do
relógio na mesma proporção em que ocorre com o modelo espacial. Além disso,
escalas menores tendem a encurtar as produções relativas ao tempo do relógio. O
efeito da compressão temporal depende de diferenças na densidade de informação
processada em diferentes meios escalares, por isso é possível que haja um valor ideal
para quantidade de informação em relação à escala e o tipo do meio (DELONG, 1981
apud BLOCK, 1998; MITCHELL e DAVIS, 1987).
23
3 REPRESENTAÇÃO DOS FENÔMENOS ESPAÇO-TEMPORAIS
A informação espaço-temporal pode ser definida por três características
básicas: localização, atributo e tempo (Figura 3a), as quais podem ser representadas
de forma dinâmica pelas animações cartográficas (RAMOS, 2005). Segundo Kraak
(1999) O fenômeno pode ser classificado conforme seu comportamento dinâmico, ou
seja, temporal e não temporal, sendo esta última subdividida, em animação por
composição sucessiva e animação a partir de mudanças externas (Figura 3b).
Figura 3 - Informação espacial: a) características básicas e b) tipos de animações
Fonte: adaptado de KRAAK, 1999.
Grande parte dos fenômenos temporais pode ser representada em mapas
estáticos, porém com uma inevitável perda de informação. Dentre os métodos que
podem ser utilizados para apresentar características temporais de dados espaciais, a
mais apta parece ser os mapas animados. Animação implica na mudança de alguma
representação visual durante um intervalo de tempo e é utilizada como recurso para
facilitar a percepção natural das mudanças ao longo do tempo, uma vez que permite
que o observador veja dados em um contexto tanto espacial quanto temporal, pela
24
localização geográfica e pela ordem cronológica dos eventos, respectivamente
(BLOCK et al, 1999, ROBERTSON et al, 2008).
Existem muitas formas de representar graficamente dados espaço-temporais,
uma delas é a representação gráfica em mapas estáticos, podendo ser utilizado um
contexto exploratório, com foco na visualização dinâmica e na interatividade propiciado
pelo ambiente computacional (VASILIEV, 1997 apud PING, XIMING e SHENGXIAO,
2008; ADRIENKO et al., 2008)
3.1 A dinâmica dos fenômenos geográficos
O espaço geográfico é o conceito organizacional básico. Na tentativa de
entender porque um evento esta ocorrendo no espaço ou quais as implicações
resultantes de um fenômeno em particular, torna-se necessário realizar a comparação
de fenômenos únicos e a identificação de princípios fundamentais e características
inerentes aos objetos. Em outras palavras, organizamos os fenômenos em termos de
coisas que nos são familiares (YATTAW, 1999).
Conforme já visto na subseção 2.1.1, quando lemos um mapa, ativamos
nossas próprias estruturas cognitivas, as quais foram construídas por meio de
experiências pessoais. A partir de tais experiências é que a informação exposta é
compreendida. O mapa precisa incentivar essa compreensão, oferecendo um contexto
espacial das entidades representadas e dos relacionamentos entre elas. O que estes
relacionamentos irão realmente significar para o leitor é desconhecido, mas é de
responsabilidade do cartógrafo garantir que sejam retratados e fundamentados de
forma clara e livre de ambiguidade, a fim de facilitar a exploração organizacional dos
leitores
Nesta seção serão analisadas as variantes da percepção de escalas
temporais e do movimento, em relação aos dados geográficos quando representados
de forma dinâmica e/ou animada.
3.1.1 Características espaço-temporais
Segundo Yattaw (1999), uma explicação aceitável sobre uma mudança
deve ser capaz de responder às seguintes questões: O que aconteceu? Como isso
aconteceu? Porque isso aconteceu naquele momento? Porque outra coisa não
aconteceu?
25
Tanto o espaço quanto o tempo são pré-requisitos das mudanças
geográficas (LUCAS, 1973 apud YATTAW, 1999). Dimensões temporais e espaciais
podem ser vistas geralmente como similares e inseparáveis, mesmo embora suas
medidas sejam diferentes. As medidas temporais incluem as variáveis duração e
frequência.
A variável duração indica a escala temporal do evento. Não existe uma
única escala correta para descrever um fenômeno, deve-se atentar para os níveis de
agregação e simplificação apropriados. Variações de características espaciais e
temporais, ou de ambos, podem ser adicionadas usando convenções simples de
escala: micro, meso, macro e mega. Cada um desses níveis de escala é descrito
utilizando rótulos hierárquicos básicos para as dimensões de tempo e espaço como
“segundos” e “anos”, e “vizinhança” e “país” (HAURY et al, 1978 apud YATTAW, 1999;
LLOYD et. al, 1996). Tais níveis podem variar de acordo com a análise geográfica
requirida, entretanto, geralmente são utilizados dentro de um contexto espacial e
temporal similares (Quadro 3). Alguns fenômenos geográficos podem ser interpretados
utilizando múltiplas perspectivas, estes são denominados de tipos múltiplos.
Quadro 3- Classes de fenômenos espaço-temporais
Variação
Escala Espacial
Micro escala
Níveis mais baixos de unidades
administrativas como dentro ou em torno de
um quarto, casa, vizinhança ou
comunidade,
Meso escala
Áreas do tamanho de cidades até áreas
metropolitanas
Macro escala
Áreas regionais a nacionais
Mega escala
Âmbito continental, hemisférico, global ou
universal.
Escala Temporal
Expresso em segundos, minutos, horas ou
dias.
Diversos dias até alguns anos
Intervalo de décadas a séculos
Milhões ou até bilhões de anos
Já a frequência indica com que constância o evento se repete durante um
longo intervalo de tempo no caso poderá ser contínuo, quando ocorre ao longo de um
tempo sem ser interrompido; cíclico, quando ocorrem repetições temporais, mas com
certa constância; e intermitentes, quando as repetições temporais não são previsíveis,
ou seja, não seguem um intervalo definido (HAGGETT, 1990 e VASILEV, 1993 apud
YATTAW, 1999; PARKES e THRIFT, 1980). A frequência é descrita em relação às
suas características espaciais: se pontuais, lineares, zonais (de área) ou volumétricos
(Quadro 4).
A compreensão da forma ou padrão espacial que o fenômeno assume
conforme evolui e se modifica ao longo do tempo, pode auxiliar em compreender seus
fatores dinâmicos.
26
Intermitente
Ocorrem com freqüência irregular
de intervalos
Classe 3
Ponto
Quadro 4- Classes de fenômenos espaço-temporais
Características temporais
Contínuo
Cíclico
Ininterruptos ao longo do tempo
Movem-se com freqüência regular
ou previsível
Classe 1
Classe 2
Classe 5
Classe 6
Classe 7
Classe 8
Classe 9
Classe 10
Classe 11
Classe 12
Volume
Área
Características espaciais
Linha
Classe 4
Fonte: adaptado de YATTAW, 1999
3.1.2 Fenômeno dinâmico climático: precipitação pluviométrica
Uma rede pluviométrica é formada por um conjunto organizado de
estações, cuja distribuição espacial deve seguir critérios técnicos, a fim de que possa
operar com a maior eficiência possível (SALGUEIRO, 2005). A densidade e
27
distribuição de uma rede e a frequência de observação necessária dependem da
variabilidade temporal e espacial das variáveis hidrológicas ou meteorológicas a serem
observadas (SANTOS et al., 2008). Conforme World Meteorological Organization
(1994) o objetivo de uma rede em uma região é permitir a interpolação entre os dados
provenientes de estações distintas, a fim de determinar com suficiente precisão para
fins práticos as características desses elementos hidrológicos em qualquer lugar da
região (em quantidade suficiente para definir a distribuição estatística do elemento de
estudo).
Dessa forma, as informações obtidas da precipitação pluviométrica são
pontualmente localizadas, provindas dos postos que compõem a rede. Entretanto
apesar dos dados serem pontuais, o fenômeno em si é tratado como geocampo, uma
vez que se estende sobre uma superfície contínua. Considerando a classificação do
comportamento temporal do fenômeno geográfico de Yataw (1999), conforme exposto
na seção 3.1.1, pode-se então definir a precipitação pluviométrica, em primeira
instância, como um fenômeno zonal e intermitente. Isso se dá, pois, embora exista
certa periodicidade na questão da ocorrência de chuvas – caracterizando as épocas
de chuva e seca durante o ano – a precipitação pluviométrica pode ser considerada
como um fenômeno de ocorrência irregular, uma vez que depende de uma associação
complexa de fatores climáticos, os quais são, em sua maioria, de difícil estimativa.
Os estudos relacionados ao comportamento da atmosfera são definidos
com base na compreensão de sua extensão e duração, ou seja, sua espacialidade e
temporalidade. Uma das maiores dificuldades nas análises climatológicas reside no
entendimento da escala espacial e série temporal do fenômeno em questão (JESUS,
2008). A fim de proporcionar uma melhor compreensão dos estudos climáticos,
estabeleceu-se, como parte da própria pesquisa climatológica, uma escala
taxonômica, isto é, um referencial escalar (JESUS, 2008).
3.2 Representação da pluviometria por mapas isométricos
De acordo com Câmara et al. (2001) o geocampo pode ter sua distribuição
espacial representado por isolinhas. O mapa isarítmico é uma representação plana
dada por meio de isolinhas, podendo representar tanto uma superfície real como
conceitual. Existem dois tipos de mapas isarítmicos: os mapas isométricos (cujos
valores são referentes exatamente ao ponto de coordenada conhecida) e os mapas
isopléticos (cujos valores referem-se a uma região e são aplicados em forma de
pontos). No caso dos dados utilizados, os mapas criados serão mapas isométricos,
28
uma vez que se referirão à uma superfície conceitual, a partir de dados de chuva
coletados em pontos de coordenadas conhecida (DENT, 1999).
Para criar os mapas isarítmicos é necessário inferir sobre os valores de
pontos desconhecidos, a partir dos valores de pontos conhecidos, por meio de
interpoladores. Podem ser utilizados vários tipos de interpoladores, dentre os quais o
método da krigagem se mostra bastante eficiente em se tratando de dados
geograficamente localizados. De acordo com Flores (2001) a Krigagem é um método
muito mais apropriado para representar dados com variabilidade espacial, uma vez
que levam em consideração aspectos como anisotropia e continuidade do fenômeno,
diferentemente de outros métodos de interpolação tais qual triangulação, inverso da
distância, poligonal etc.
Krigagem é uma interpolação geoestatística de regressão espacial
otimizada que utiliza um variograma (modelo espacial estatístico) para representar a
estrutura espacial interna dos dados, além disso, ela é caracterizada por levar em
consideração todos os valores observados (LANDIM, 2006; PINCOCK, ALLEN &
HOLT, 2008). A geoestatística trabalha com a estimação de variáveis regionalizadas e,
embora alguns resultados alcançados sejam similares aos resultados de outros
interpoladores, existem algumas vantagens na utilização da krigagem como por
exemplo o fato de tratar clusters mais como pontos individuais, o que ajuda a
compensar os efeitos do agrupamento de dados (BOHLING, 2005).
De acordo com Landim (2006), a krigagem pode ser usada como algoritmo
estimador para:
a. Previsão do valor pontual de uma variável regionalizada, em um determinado
local, dentro do campo geométrico;
b. Cálculo médio de uma variável regionalizada para um volume maior que o suporte
geométrico.
A krigagem associa pesos de acordo com uma função direcionada pelos
dados, ou seja, ela utiliza informações a partir do semivariograma para encontrar os
pesos ótimos a ser associado às amostras, isso faz com que o valor de tais pesos leve
em conta o arranjo geográfico dos dados (BOHLING, 2005; LANDIM, 2006).
De acordo com Ladim (1998 apud FLORES, 2001), o semivariograma
expressa
as
principais
características
da
variável
regionalizada
tais
como
continuidade, localização (que se refere a todo ponto dentro do alcance) e anisotropia.
Quando o padrão de variabilidade difere conforme a direção, entende-se então que
existe anisotropia e são utilizados semivariogramas direcionais. Caso contrário, o
comportamento dos dados é isotrópico e utilizam-se semivariogramas omnidirecionais
29
(RESENDE e STURION, 2001). O Semivariograma é apresentado na Figura 54 com
seus respectivos parâmetros, descritos a seguir (FLORES, 2001):
Figura - Modelo Típico de Semivariograma.
FONTE: CAMARGO, 1997 apud FLORES, 2001

Alcance (A) – Range: tamanho da zona de influência das amostras, ou
seja, onde elas apresentam correlação espacial;

Efeito pepita (Co) – Nugget: continuidade, o valor atribuído à uma
distância nula;

Soleira (C+Co) – Sill: é o valor correspondente ao alcance (A);

Contribuição (C) – é o intervalo entre o Efeito pepita e a soleira.
Para calcular o semivariograma experimental das amostras irregularmente
distribuídas no espaço, alguns parâmetros devem ser considerados (FLORES, 2001):

Lag - é uma distância pré-definida para realizar o cálculo do semivariograma.
Por exemplo, caso se defina um incremento de Lag de 200 metros com
intervalo de tolerância de 100 metros, isso significa que serão utilizados no
cálculo de semivariograma, qualquer par de valores amostrais cuja distancia
medida entre esses dois pontos esteja dentro do intervalo de 100 a 300 metros;

Ângulo de tolerância - é um ângulo pré-definido para uma direção considerada,
ou seja, definindo-se uma direção de medida 45° com tolerância angular de
22,5°, os pares amostrais que serão utilizados para o cálculo do
semivariograma serão aqueles que estão entre 22,5° e 67,5°;
30

Largura da banda - é o valor limitante do número de pares amostrais a serem
usados no cálculo.
A análise semivariográfica é de grande importância para avaliar e definir o
melhor método a ser utilizado, a fim de que os fenômenos sejam representados da
forma mais próxima da realidade dos dados.
3.3 Representação dinâmica
Para representar eventos temporais, deve-se incluir não somente o atributo e
a geometria, como também as características temporais do fenômeno, que irão
imputar a este um caráter dinâmico (BLOCK et al, 1999). Tal dinamismo pode ser
construído: 1) pelas mudanças nas variáveis gráficas (posição, forma, matiz, valor e
tamanho) no decorrer do período; e/ou 2) pelas variáveis de visualização dinâmica
(variáveis de animação), as quais permitem controlar ou manipular a animação em
vários níveis. Dibiasi et al (1992) e MacEacrhen (1995) classificaram as variáveis de
animação em:

Momento no tempo → instante que indica o início de uma mudança, ou a
criação de um fenômeno. Pode ser utilizada tanto para realçar áreas em
particular, como para representar fenômenos intermitentes pontuais;

Duração (d) → intervalo de tempo decorrido entre dois momentos no tempo. A
duração pode ser constante ou variada durante a animação, dependendo do
intervalo de tempo que um elemento se mantém em um mesmo estado (sem
mudança). A duração pode ser utilizada na representação de movimentos
intermitentes para destacar o tempo relativo e a velocidade com que um
fenômeno ocorre;

Ordem → sequencia das cenas em uma animação. É um signo altamente
icônico
quando
combinado
com
o
tempo cronológico
do fenômeno
representado, mas também pode ser utilizando sem estar vinculado ao tempo,
como no caso de uma ordem numérica;

Taxa de variação (tx) → relação inversamente proporcional entre a magnitude
da mudança (m) e a duração da animação (d), dada por: tx = m/d. A magnitude
refere-se à distancia (em pixels ou mm) que um objeto específico percorre na
tela durante a animação, e a duração refere-se ao tempo que esse objeto leva
para realizar todo o percurso medido;

Frequência (freq) → número de momentos no tempo por unidade de tempo. A
frequência também é conhecida por textura temporal (equivalente à textura
31
espacial). Enquanto a textura espacial é definida pela razão entre o tamanho
de dois elementos, a frequência é definida como a razão entre duas passagens
de um elemento pelo mesmo ponto. Quanto maior o número de elementos por
unidade de tempo, ou quanto menor a duração entre duas passagens
consecutivas de um elemento por um mesmo ponto, maior será a frequência.
Pode-se utilizar essa variável para destacar a frequência com que se dá a
migração de pessoas de uma determinada região, podendo esse fenômeno ser
definido por movimento cíclico pontual ou intermitente pontual;

Sincronização → correspondência temporal de duas ou mais séries, podendo
combinar dadas cronológicas de dois ou mais conjuntos de dados. Essa
variável se refere a possibilidade de apresentar várias animações temporais
simultaneamente e manipulá-las até que seus padrões se combinem e
relacionamentos possam ser descobertos.
MacEachren (1995) e Kraak et al.(1997), conforme observado por Dykes et
al. (2005), classificam sete tipo de questões relacionadas aos dados espaço-temporais
e às variáveis dinâmicas, conforme mostrado no Quadro 5.
Quadro 5 - As variáveis dinâmicas e as perguntas relacionadas a elas
Pergunta
Descrição
Variável dinâmica
Em que momento na linha do tempo ocorre o
1 - Quando?
Momento no tempo
evento?
2 - Por quanto tempo?
Quanto tempo dura esse evento?
Duração
Esse evento se repete? Qual a frequência
3 - Com que constância?
Frequência
que isso ocorre?
Quanto de mudança ocorre durante o tempo
4 - A que velocidade?
Taxa de variação
de duração do evento?
Qual evento ocorre primeiro e qual vem na
5 - Em que ordem?
Ordem
sequencia?
6 - Existem ocorrências
Esse evento está relacionado com algum
Sincronização
correlacionadas?
outro evento?
Fonte: adaptado de Dykes et al. (2005)
O foco deste trabalho reside no aprimoramento de técnicas para análise de
questões relacionadas à ocorrência de chuvas. Dentre as variáveis dinâmicas
associadas a essas questões, a sincronização merece uma atenção especial por ser a
variável de construção mais complexa, e por ser a responsável a nos indicar
relacionamentos comparativos tais como causalidade e similaridade.
32
3.3.1 Variável de sincronização
A variável de sincronização implica na apresentação de várias animações
temporais de forma simultânea, a fim de proporcionar subsídios para a comparação de
padrões, permitindo a visualização de correspondências, diferenças, tendências e
relações. A comparação de padrões baseada em representações de um mapa
depende do número de fatores, incluindo: propósito, aplicação, o fenômeno
observado, as habilidades do observador, as escalas espaciais e temporais etc
(BLOCK et al., 1999).
A sincronização pode ser feita com animações separadas (sincronização
justaposta) ou por sobreposição de animações (sincronização sobreposta). No caso da
justaposição, as animações permanecem fisicamente separadas na tela e devem
correr simultaneamente, no caso de sobreposição, utiliza-se recursos de transparência
para permitir que se veja os elementos da animação da camada inferior. Em ambos os
casos, os recursos de controle das animações devem estar fisicamente separados,
porém possuem uma ligação de forma que as ações aplicadas a um dos controles são
prolongados ao outro (BLOCK et al., 1999).
Block et al. (1999), analisaram três relações entre padrões espaciais no
tempo utilizando a variável de sincronização, são eles: convergência, estabilidade e
similaridade. De acordo com os autores, esses três relacionamentos ilustram os vários
aspectos relacionados à sincronização.

A relação de convergência indica quando dois eventos, em determinado ponto,
se sobrepõem. Para explorar e analisar essa relação se faz necessária a
possibilidade de interação, tal como parar, pausar, avançar e retroceder
devagar ou rapidamente. Outra forma de interação necessária é aquela a partir
de comandos embutidos na própria representação, por meio de com
componentes temporais, geométricos ou de atributos;

A relação de similaridade pode ser demonstrada pela sincronização no tempo
com o objetivo de determinar quais padrões são similares e em qual momento
isso ocorre no tempo mundial;

Já a busca pela relação de estabilidade implica em descobrir o quanto estável
é um determinado padrão espaço-temporal de uma área com suscetibilidade à
erosão ou inundação. A sincronização de fenômenos, e até mesmo de
metadados, podem facilmente indicar os pontos onde a estabilidade é afetada.
33
3.4 Processo analítico Visual (PAV)
O processo analítico visual (PAV) é a ciência do raciocínio analítico
auxiliada pela interface visual de alta interatividade. Envolve desde a visualização da
informação até a análise automática de dados (KEIM et al., 2008). O PAV, de acordo
com Keim et al (2008), tem como objetivos: desenvolver ferramentas e técnicas que
permitam sintetizar informação e proporcionar insight a partir de uma quantidade
massiva de dados dinâmicos, ambíguos e muitas vezes conflitantes; detectar o
esperado e descobrir o inesperado; prover análise imediata, defensível e
compreensível; e comunicar efetivamente a análise para realizar ação (KEIM et al.,
2008). O PAV pode ser visto, portanto, como uma abordagem integrada para tomada
de decisões, combinando visualização, fatores humanos e análise de dados (Figura 4).
Visualização
Visualização da informação
Visualização científica
Computação gráfica
Recuperação de informação
Recuperação de dados
Mineração de dados
Análise de
dados
Interação
(fatores
humanos)
Interação homem-computador
Psicologia cognitiva
Percepção
Figura 4 – Etapas do Processo Analítico Visual
Fonte: Keim et al. (2008)
Os processos que levam o título de Analíticos Visual podem ser
confundidos com a visualização da informação, entretanto o PAV é mais do que isso.
Na verdade, ele integra visualização científica e da informação com gerenciamento e
analise de dados e percepção e cognição humana (KEIM et al., 2008). Na visualização
científica
as
entidades
a
serem
visualizadas
são
tipicamente
geometrias
tridimensionais e podem ser compreendidas como campos escalares, vetoriais e
tensoriais como referencias explícitas de tempo e espaço. Já a visualização da
informação envolve o desenvolvimento métodos para a visualização de dados
abstratos os quais não possuem referencias espaciais explicitas (KEIM et al., 2008).
O papel da visualização no processo de descoberta de conhecimento pode
ser definido pelo mantra “overview first, filter and zoom. Details on demand”, ou seja,
34
primeiramente a informação é vista, depois filtrada e então detalhada sobre demanda.
Tendo como foco o PAV, Keim estendeu esse mantra para: “analyse first, show the
important, zoom, filter and analyze further. Details on demand”. Nesse caso são
realizadas duas etapas de análise, uma inicial e outra após filtrar a informação
desejada.
O PAV, portanto, é uma disciplina altamente aplicável dirigido por
requerimentos práticos em domínios importantes. Seu potencial de aplicabilidade pode
ser visto em diversas áreas tais como (KEIM et al., 2008):

Engenharia: pode contribuir para acelerar o tempo de desenvolvimentos de
produtos, materiais, ferramentas e métodos de produção por meio de um acesso
mais inteligente e efetivo dos resultados obtidos no desenvolvimento de um
protótipo, testes de séries experimentais, resposta dos clientes, dentre outros;

Análises financeiras: a visualização e a analise integrada de tipos de dados
heterogêneos é um desafio nessa aera. E as pesquisas baseadas em PAV
parecem ser promissoras;

Área socioeconômica: a análise e visualização de inter-relacionamentos entre
decisões políticas e efeitos econômicos, culturais e demográficos, podem
desenvolver uma melhor compreensão desse fenômeno e alcançar melhores
decisões;

Segurança pública: uma vez que analistas precisam monitorar constantemente
grandes quantidades de informação heterogênea, e correlacioná-las em diversos
graus de abstração, torna-se promissora a combinação da integração dos dados
com análises apropriadas e visualizações interativas quanto ao desenvolvimento
de ferramentas mais eficientes;

Mudança ambiental e climática: a necessidade de examinar longos registros de
clima pede o desenvolvimento de sistemas que permitam acesso gráfico e visual
aos dados de monitoramento histórico e predições a partir de vários modelos, a
fim de validar padrões construídos ao longo do tempo.
Esses campos de aplicação compartilham problemas similares, e a maioria
deles é tratada com o PAV. A solução deve ser sempre adaptada para as
necessidades específicas da área de aplicação. Consequentemente, as pesquisas
sempre focam em um segmento específico.
35
3.4.1 Técnicas de representação (visualizações)
As técnicas de visualização são, em geral, interativas e a escolha do tipo
de técnica depende dos tipos de dados apresentados e das tarefas a serem realizadas
(Freitas). Além dos gráficos usualmente utilizados para representação de dados
(gráficos de pontos, linhas, barras, setores ou histogramas), empregam-se
representações gráficas de maior ou menor complexidade denominadas, por
convenção, de “visualizações” (FREITAS, 2007). Para gerar tais visualizações, é
necessário primeiro definir um paradigma (geográfico ou não) e a forma de
representação dos valores dos atributos dos dados. Tanto a escolha das primitivas
geométricas como a sua organização na representação visual irão influenciar a
velocidade e o nível de compreensão do usuário (FREITAS, 2007). As visualizações
podem ser categorizadas em visualizações para informações lineares, para
informações hierárquicas, para grafos e para informações n-dimensionais (FREITAS,
2007).
Informações lineares referem-se a dados unidimensionais, ou seja,
tabelas, textos ou linhas. Utilizam, em geral, metáforas de exibição sequencial das
informações juntamente com algum recurso de destaque ou foco para atrair a atenção
do usuário para um dado em particular. Exemplos de técnicas utilizadas: Table Lens
da SAP1 Perspective Wall e Seesoft
As informações do tipo hierárquicas são aquelas que podem ser
organizadas na forma de árvores, como, por exemplo, as pastas e subpastas do
computador. As árvores são representadas por nodos e conexões e podem ser
organizadas de três formas: como uma organização endentada (Figura 5a), como
diagrama de nodos e arestas (Figura 5b), ou como nodos agrupados (Figura 5c).
a)
b)
A
c)
A
A
B
C
B
B
C
C
Figura 5 - Representação de árvores
Fonte: Freitas, 2007
A SAP (http://www.sap.com/index.epx) adquiriu a Insigh software Inc, desenvolvedora de
técnicas de visualização como Table lens.
1
36
Os layouts propostos para grafos devem seguir uma série de critérios
como número de cruzamentos (que deve ser o mínimo possível), relação de espaço
com a área do desenho, soma do comprimento total das arestas, tamanho máximo
das arestas e variância dessa medida, ângulo entre as arestas (que deve ser o
máximo), simetria do grafo etc. (FREITAS, 2007). Os estilos dos layouts de grafo,
segundo Freitas (2007), podem variar entre arestas poligonais, segmentos de reta,
ortogonal, em grade, arestas em arco e direcionado (Figura 6).
Poligonal
Segmento de
reta
Ortogonal
Em grade
Em arco
Direcionado
Figura 6 - Layouts de grafos
Fonte: adaptado de Freitas, 2007
Enfim, os dados n-dimensionais são aqueles organizados em grandes
tabelas cujos atributos podem ser de qualquer natureza. Sendo assim, podem conter
informações espaciais e/ou temporais. Existem diversas técnicas que podem ser
aplicadas a esse tipo de dados, classificadas por Keim (1996 apud Freitas 2007) em
projeção geométrica, iconográfica e orientada a pixel (FREITAS, 2007).
As técnicas de projeção geométrica, como o próprio nome diz, incluem as
técnicas de visualização que utilizam de algum tipo de projeção geométrica para
mapear os dados em uma representação visual. Nesta classe, além dos gráficos
convencionais de linhas e barras, Hoffman et al. (1997) cita a matriz de scatter plots,
survey plots, coordenadas paralelas (e variações) e coordenadas radiais (Radviz).
A técnica de coordenadas paralelas consegue representar múltiplas
dimensões sem utilizar eixos cartesianos ortogonais. Os atributos dos dados
(dimensão) são representados por eixos verticais, enquanto que cada elemento (ou
registro) é representado por uma linha transversal. Cada linha transversal é construída
37
a partir da união dos valores de cada atributo de um elemento, os quais são
posicionados nos respectivos eixos ortogonais (Figura 7). A legibilidade depende do
número de elementos dos dados e da ordenação dos eixos, portanto técnicas
interativas são indispensáveis.
Figura 7 - Coordenadas paralelas
Nesse exemplo os atributos (colunas) referem-se à propriedades de veículos automotivos, e
cada uma das linhas transversais (registros) referem-se a um tipo de carro estudado
(FREITAS, 2007)
Uma técnica semelhante ao de Coordenadas Paralelas é o Radviz
(HOFFMAN et al. 1997), no qual as propriedades da tabela são apresentadas por
linhas dispostas radialmente a partir do centro do círculo até pontos localizados em
seu perímetro (Figura 8). Esses pontos são denominados âncoras dimensionais (DAs dimensional anchors), sendo distribuídos de forma igualmente espaçada.
38
Figura 8 - RadViz
Fonte: Hoffman et al. 1997
Um elemento, ou registro, será disposto dentro do circulo na posição em
que as forças geradas pelos atributos (Das) sobre esse elemento permaneçam
equilibradas. Ou seja, os pontos se posicionam nos pontos em que a força exercida
pelos valores normalizados dos atributos seja próxima ou igual a zero. Dessa forma,
quando os atributos que estão dispostos de forma oposta no circulo possuem valores
similares para um determinado elemento, este permanecerá próximo ao centro do
circulo.
Outra técnica que trabalha também com disposição radial dos eixos é a
star coordinates (Figura 9). Os eixos dimensionais (propriedades) são dispostos
similarmente ao Radviz, a diferença está na forma em que os registros são
posicionados. A posição de cada um dos registros é determinada pela soma dos
deslocamentos ocorridos na direção do eixo correspondente. Os eixos podem ser
manipulados livremente a partir de rotações ou escala, a fim de analisar padrões de
agrupamento.
39
Figura 9 - Star Coordinate
(Fonte: KANDOGAN, 2001)
As técnicas orientadas a pixels utilizam os atributos de cada registro de
forma a mapeá-los em pixels na tela do computador, utilizando a variável cor para
representar o valor (Figura 10). Cada atributo é representado numa janela individual,
ou seja, para um conjunto que possui dez atributos terá a tela dividida em dez janelas
nas quais serão mapeados os valores de cada registro correspondente ao atributo
(FREITAS, 2007).
a)
b)
Figura 10 - Técnica orientada a pixel com distribuição dependente de consulta
No caso a) os valores dos dados foram distribuídos em forma de espiral, no qual o valor da
consulta é o centro e os valores próximos são distribuídos em espiral a partir do centro; e em b)
os valores dos dados foram distribuídos em forma de eixos, indicando distancias positivas e
negativas.
A forma como os pixels serão distribuídos nas janelas podem ser
independente ou dependente de consultas. Nas formas independentes de consultas os
valores são mapeados diretamente para os pixels e exibidos nas janelas por meio de
técnicas tais como curvas de preenchimento de espaço ou padrões recursivos. Já nas
formas dependentes de consultas o mapeamento é feito com base na distância dos
valores dos atributos em relação ao valor da consulta (FREITAS, 2007).
40
3.3.2 Processo analítico geovisual (PAGeo)
Estima-se que 80% de dados os dados digitais incluem referências
geoespaciais (coordenadas geográficas, código postal, endereço etc) (MACEACHREN
e KRAAK, 2001). Tais referências permitem conectar diversas formas de dados
necessários para o gerenciamento de problemas tais como estimar a vulnerabilidade
regional e de sua população a partir de mudanças ambientais globais, medir e
sustentar a biodiversidade, predizer e enfrentar mudanças nos padrões de incidência
de doenças no âmbito regional e global, e gerenciar o aumento da circulação de
tráfego de cidades de forma mais eficiente (MACEACHREN e KRAAK, 2001). A
geovisualização tem o potencial de prover janelas dentro da complexidade de
fenômenos e processos envolvidos, por meio de construção de cena, ambientes
virtuais, etc.
A importância do uso de dados geoespaciais reside no fato de que
distâncias e direções entre entidades e localidades possuem um verdadeiro significado
apenas no espaço geográfico. Alem disso, muitos objetos no banco de dados
geoespacial possui nomes geográficos (tanto para construções humanas quanto para
entidades naturais) úteis e significantes nas operações de acesso e análise do banco
de dados (MACEACHREN e KRAAK, 2001).
O Processo Analítico Geovisual (PAGeo) é um campo interdisciplinar
emergente que integra o PAV e a ciência da informação geográfica (TOMASZEWSKY
et al., 2007). As ferramentas do PAGeo auxiliam na identificação da informação
espacial relevante por meio de processos analíticos que reúnem habilidades inatas do
ser humano relacionadas à visão e cognição e Interfaces visuais computacionais, as
quais são especificamente projetadas para dar suporte ao raciocínio analítico
(TOMASZEWSKY et al., 2007).
A investigação com uso de PAGeo requer ferramentas que sejam
altamente interativas e auxiliem na exploração, que considerem modelos mentais e a
experiência prévia do usuário final, e que permitam acessar as evidências e avaliar
facilmente as hipóteses. O objetivo principal do PAGeo é a disseminação de
resultados para tomada de decisão, sendo que para tanto é necessária uma
comunicação sucinta da interpretação dos dados realizada por um analista ou um
grupo de analistas (TOMASZEWSKY et al., 2007).
Recentemente, ferramentas de PAGeo têm se tornado extremamente
populares, as quais são dinâmicas e altamente interativas para auxiliar o raciocínio
analítico espaço-temporal e a tomada de decisão (FABRIKANT et al., 2008). O
41
crescimento da popularidade de tais ferramentas de PAV e também do uso de mapas
animados refletem o fato de que o ser humano possui uma grande capacidade de
compreensão gráfica e que, portanto, compreendem melhor os processos espaciais
dinâmicos multidimensionais e os fenômenos que são mostrados de forma dinâmica e
multivariada (FABRIKANT et al., 2008).
3.5 Múltiplas visualizações coordenadas
Nas técnicas de MVC, para utilização de um conjunto de dados para
exploração e analise é necessário primeiro preparar esses dados. Esse processo inclui
simplificação de grandes conjuntos de dados a partir de recursos de agregação ou
mineração, remoção de valores errados, junção de conjuntos diferentes de dados etc.
Tendo os dados preparados, é preciso decidir como estes irão ser representados e
como se comportarão quando sofrerem mudanças nas visualizações. Nesse sentido,
têm-se um modelo de três partes: substituir, replicar, sobrepor (replace, replicate,
overlay).
Substituir implica em trocar uma visualização por outra mais atualizada,
quando utilizada geralmente perde-se o registro das operações passadas, portanto é
necessária uma assistência a mais para gerenciar esses registros. Replicar ocorre
quando uma nova informação é mostrada em uma nova janela. Sobrepor consiste em
mostrar tanto a visualização anterior como a atualizada, mas nesse caso deve-se
cuidar para que a informação seja compreensível (ROBERTS, 2007).
Teoricamente qualquer operação pode ser coordenada entre as múltiplas
visualizações. O usuário pode interagir com o sistema para mudar o processamento
dos dados, filtrar informações, selecionar uma parte dos dados que deseja ver,
modificar as formas de representação, deslocar as janelas na tela, etc. Para realizar
tais operações existem dois estilos de manipulação: direta e indireta (ROBERTS,
2007). A manipulação indireta implica em recursos de busca dinâmica (dinamic
queries) por meio de sliders (Figura 12), botões e menus a fim de filtrar os dados
utilizados nas visualizações. Em particular, os sliders são uma boa forma de interagir e
determinar o intervalo dos dados a serem representados, pois provê uma
representação visual desse valor (ROBERTS, 2007). As consultas dinâmicas facilitam
a descoberta de regiões do espaço de pesquisa em que há aglomerações,
agrupamentos, lacunas ou outiliers. A desvantagem está na impossibilidade de criar
consultas mais elaboradas (FREITAS, 2007)
42
Figura 11 - Técnica de filtragem por meio de sliders
Fonte: Freitas, 2007
Já a manipulação direta permite que o usuário filtre, selecione, ou faça
outros tipos de interação com a própria visualização. Dentre as técnicas utilizadas para
manipulação direta de dados estão as técnicas de brushing, zooming, prumming e
expansão, dentre outros. O brushing implica em selecionar e destacar elementos no
próprio display (Roberts). O zooming é uma das técnicas mais aplicadas e
amplamente conhecidas que fornece visualização dos dados em diferentes
resoluções, o que implica em apresentar maior (visão detalhada) ou menor (visão
geral) quantidade de detalhes. Prunning e expansão são utilizadas, principalmente, em
visualizações de dados hierárquicos: implicam em podar (prunning) a informação
irrelevante e expandir a informação de interesse, sem que se perca o contexto geral
(FREITAS, 2007).
Enquanto o usuário explora os dados ele pode gerar resultados e
compará-los nessas múltiplas visualizações (ROBERTS, 2007). Entretanto, para que
as visualizações sejam de fácil utilização e compreensão por parte dos usuários, é
necessário levar em conta oito princípios, conforme detalha Baldonado et al. (2000
apud ROBERTS 2007): diversidade (a MVC deve ser utilizada quando há diversos
conjuntos de atributos, abstrações ou gêneros); complementaridade (a MVC é utilizada
quando há correlações ou disparidades); decomposição (dividir visualizações
complexas em mostras menores e melhor gerenciáveis);
43
4 MATERIAIS E MÉTODOS
A metodologia utilizada para realizar esta pesquisa está dividida em três
etapas principais (Figura 13): 1)Projeto da pesquisa; 2)Teste; e 3)Resultado e
Discussão.
A etapa de Projeto da pesquisa implica na fase de organização da
pesquisa e do ambiente de teste, incluindo o levantamento de demanda do usuário e a
elaboração do modelo contextual. Faz parte ainda do projeto de pesquisa, a
organização do teste e implementação da interface.
A etapa de Teste consiste na seleção dos participantes e a aplicação dos
testes. Já a última etapa, Resultados e Discussões, implica na fase de organização,
análise, apresentação e discussão dos resultados.
Para fins de organização, neste capítulo serão apresentadas as duas
primeiras etapas da abordagem metodológica. Primeiramente é apresentado o estudo
de caso (seção 4.1), o qual descreve a demanda do usuário e a elaboração do modelo
contextual. Em seguida, é descrita a implementação da interface de teste (seção 4.2),
na qual serão apresentados os recursos de interatividade e animação utilizados, bem
como a confecção dos mapas e dos gráficos. Por fim, na seção 4.3, está descrita a
seleção dos participantes do teste, e a aplicação e condução do teste ao grupo de
participantes selecionados.
Os itens referentes à terceira etapa da metodologia apresentada serão
descritos apenas no capítulo 5.
44
Figura 12 - Etapas da metodologia
45
4.1 Estudo de caso
Sabe-se
que,
dentre
os
fatores
meteorológicos
relacionados
ao
desenvolvimento agrícola, a precipitação pluviométrica é a que mais afeta o
desenvolvimento parasitário na lavoura, por isso, ser capaz de compreender padrões
pluviométricos é essencial para prevenção de parasitas (ASSAD, 2001). Esse tema é
de grande relevância para os profissionais e pesquisadores do Estado do Mato
Grosso.
Boa parte dos pesquisadores e profissionais que trabalham ou pesquisam
sobre previsão meteorológica agrícola dependem de análise pluviométrica (que no
geral é feita por meio de dados tabulares ou arquivos em formato DAT). Entretanto, a
pluviometria é um fenômeno altamente dinâmico, o que dificulta sua análise,
despendendo muito tempo para a análise de padrões temporais e espaciais.
Sendo assim, adotou-se como estudo de caso a representação de dados
pluviométricos, focando-se nos profissionais envolvidos em pesquisa ou projetos na
área de agrometeorologia.
4.1.1 Demanda do usuário e modelo contextual
Foram, portanto, definidas duas tarefas necessárias para a interpretação
dos dados de chuva:
a) Tarefa de identificação: o participante precisa identificar, de forma eficiente, a
existência ou não de padrões, bem como as anomalias ocorridas em determinada
região de interesse, espacial e temporalmente;
b) Tarefa de comparação: o participante deve realizar a comparação espaçotemporal dos dados representados, em busca de associações (ou a falta delas)
entre diferentes regiões ou diferentes épocas.
Essas tarefas permitem que o participante seja capaz de realizar análises
dos dados e obter uma nova informação sobre o fenômeno estudado. Ou seja, ele
será capaz de identificar o comportamento da chuva para o período visualizado.
Além disso, a forma como o participante interage com os dados e as
ferramentas disponíveis para realizar essa interação são fatores que influenciam nas
formas de investigação do fenômeno geográfico em estudo. Considerando um
ambiente interativo de múltiplas visões coordenadas, a obtenção da informação
dependerá diretamente de como o usuário utilizará os recursos disponíveis.
46
Sendo assim, é considerada como variável independente o comportamento
do participante durante a utilização da interface de teste, e como variável dependente
a informação adquirida a partir da análise dos dados representados na interface.
As características individuais do sujeito e sua familiaridade com os dados e
a utilização de mapas e gráficos, também podem influenciar na interpretação dos
dados e serão consideradas variáveis moderadoras. Um modelo contextual (Quadro
6) serve para organizar conceitualmente as variáveis independentes, dependentes, e
auxiliar na modelagem dos processos necessários para avaliar sua influência sobre os
resultados obtidos.
Quadro 6- modelo contextual para avaliação do uso de mapas animados temporais na
visualização de dados pluviométrico
Características comportamentais (variáveis independentes):
 Utilização de elementos da interface
 Preferência subjetiva
Características do
Características pessoais (variáveis moderadoras):
participante
 Idade, Formação
 Familiaridade com: uso de aplicativos, mapas, gráficos, análise de padrões, leitura de
dados de precipitação pluviométrica
Informação adquirida (variáveis dependentes)
Aquisição
 Reprodução ativa de exploração dos dados (log)
 Reprodução verbal escrita
Objetos no espaço
 Representações espaciais artificiais (mapas, gráficos)
 Ambiente computacional com coordenação de múltiplas visões
 Elementos de animação e interatividade
Método
Atividades
 Familiaridade com a interface
 Exploração livre do espaço
 Identificação e comparação espaço-temporal
A partir do modelo contextual, foi possível formular todos os elementos
constituintes da pesquisa, desde os questionários e o projeto da interface, até a
elaboração da abordagem do teste.
4.1.2 Dados de precipitação pluviométrica
Foram utilizados dados de chuva fora do contexto espacial ao qual os
pesquisadores estão acostumados, tentando assim evitar análises tendenciosas,
ocasionadas pela familiaridade comportamental dos dados. Portanto, foram escolhidos
os dados pluviométricos das estações meteorológicas utilizados por Flores (2001), os
quais consistem de 147 postos pluviométricos que compõem a rede do DAEE do
Oeste Paulista (Figura 14), com séries temporais de 11 a 40 anos.
47
53 00 ' W
21 00 ' S
#
#
C8- 056 # C7-079
C8045 #C8- 051 C8- 022
#
C8- 058
# C7-0 49
#
50 00 ' W
C7- 003
#
21 00 ' S
C7 -080
#
C7- 086
C7- 009
#
C7- 023
C7012
C7-033 C7-0 28
#
C8- 050
C7-0 34# #
C8-008
#
#
#
# C7-0 51 C7- 037# C7- 073
C7-0 24
#
#
#
C8-0 19
C7 -084
C7-0 08 #
#
#
C8 -046
C8-052 # C7-0 81
#
#
C7-0 85
#
C8043
#
C8-0 30
C7 -010
#
C7083
#
C7 -087
C7 -016 C7- 011
# C8- 035
C8- 055
#
#
#
#
#
C7-075 C7- #078 C7 -076
C8- 042 # C8- 002
#
#
#
C8- 004
C7- 064 C7-0 82
#
C8 -057
#
C8 -059
C8-018 C7-0# 45
#
C7-0
06
#
#
C9- 006
#
C8- 047
#
#
# C7 -036# C7- 046
#
# C7- 074
C8 -010
C8-0
60# C8- 026
#
#
C7 -067 C7- 054
#
#
# C8-001
C9-007
# C7-066
C8-0 11
#
C8- 014
C7- 001 # C7-062 # C7-043
C8#
#
# 009
# C7- 004
# D8- 048
C8- 054
#
D8- 056
#
#
#
C7-0 77
D7 -061 D7- 032
D8057
D9- 019
#
#
D8-0 03
D8- 035
#
D7-0 73
D7- 001
#
#
#
#
D8-0 38
77
#
D8-0 47 D7-0
D7 -075
#
#
#
#
D7- 031
D7 -033 D6-1 07
D9 -018
#
D8- 041
#
#
D8 -025
D7- 062
D7074
#
#
#
#
D9 -024 # D9-006# D8- 008
#
#
D9 -025
D7- 003
#
D8-028
D9-005 #
#
#
D7- 067
D8- 040 #
D8- 052 D7- 065
D7-041
D9-002
#
#
#
D7-0 43
# D9- 021
#
#
D7-066
D9- 001
#
#
#
D9- 022
D8- 004 D8-016
D7-0 76
D9- 003
D9- 023 D9-0 04
#
#
#
D8- 053
D7 -069 #
D9-0 14 #
#
D8- 055
#
#
D9-015 #
D6- 106
#
#
#
D9 -020
D8- 054
D9- 016
D7- 068
D7-012 # D7 -064 #
#
#
# D8-0 50
D8-013#
D7-0 36 #
#
#
#
D7- 057
#
D7- 055
#
D8-006
D7- 046
D7078
#
# D7- 053
D7- 056 # D7- 071 #
#
D7- 020
D7-007
D7- 054
#
C8- 053
#
C7-0 72
#
# C8- 049
#
#
#
Postos Pluviométricos do
#
23 00 ' S
23 00 ' S
53 00 ' W
90
N
N
50 00 ' W
0
ESCALA GR ÁFICA
90
DAEE
180 Km
E
E
W
S
Figura 13 - Localização dos Postos Pluviométricos da DAEE no Oeste
Paulista
Fonte: FLORES, 2001
A região de abrangência dos dados compreende o Oeste Paulista
delimitado pelas coordenadas (21°S, 53°W) e (23°S, 50°W), a qual contempla cinco
regiões administrativas do Estado de São Paulo, quais sejam: região de Presidente
Prudente (53 municípios); região de Marília (25 municípios); região de Araçatuba (26
municípios); região de Bauru (2 municípios); e São José do Rio Preto (somente o
município de Planalto).
Determinaram-se três conjuntos de dados para essas estações: dados de
1983, 1984 e 1985. Estes conjuntos representam um ano chuvoso (1983), um ano
padrão (1984) e um ano seco (1985).
Os dados foram adquiridos no formato de texto como arquivo de extensão
dat, com a seguinte estrutura (Figura 15). Esse arquivo carrega informações das
estações na seguinte ordem: coordenada E, N (sist. coordenadas projetadas UTM em
metros, fuso 22S) e média de precipitação pluviométrica para os meses do ano a que
se refere o arquivo (janeiro, fevereiro, março, abril, maio, junho, julho, agosto,
setembro, outubro, novembro, dezembro), bem como a média de precipitação
pluviométrica para as estações do ano (verão, outono, inverno e primavera). São,
portanto, 2 valores de coordenadas e 16 atributos quantitativos para cada uma das
147 estações selecionadas, para cada um dos 3 anos definidos. O arquivo foi
importado para o ArcMap, gerando um shapefile de pontos denominada DAEE.shp.
48
Figura 14 - Estrutura do arquivo de dados
4.2 Elaboração da interface
A interface foi criada utilizando o conceito de janelas pai e filhas, de forma
que se pudessem rearranjar as representações livremente, caso o participante
julgasse necessário. Para criar a interface, tomou-se inicialmente por base o trabalho
desenvolvido por Kraak (2007), no qual este sugere um método integrado para
visualização espaço-temporal de conjuntos de dados multivariados, criando três
formatos de visões coordenadas (Figura 16).
Figura 15- Esquematização das representações utilizadas por M. J. Kraak em 2007.
Fonte: Kraak (2007)
49
Kraak (2007) utilizou em seu trabalho três visões coordenadas: o mapa
interativo e animado (para responder à questão "onde?"), o gráfico de coordenadas
paralelas (que responde à questão "o quê?") e a matriz de espaço ordenado
temporalmente (para responder à questão "quando?").
Com base nesse estudo, foram definidas três formas de representação dos
dados: um mapa e dois gráficos (coordenadas paralelas e pixels). Os gráficos
utilizados não são de uso comum entre os participantes, mas foram escolhidos pelo
seu potencial quanto à representação espaço-temporal do fenômeno estudado.
Levando em conta as sugestões obtidas nas entrevistas, adicionou-se o arquivo shape
contendo a divisão municipal do Estado de São Paulo. Outra informação que foi
adicionada ao Layout da interface foi o mapa de normais climatológicas, que serviu de
base de comparação para avaliação comportamental da chuva mensal e anual para o
período apresentado. A Figura 17 apresenta a esquematização desta mesma interface
com a descrição das janelas.
Cabeçalho da janela e comandos padrão (minimizar, maximizar e fechar)
Barra de Comandos
Janela de mapa
Caixa de seleção de
mês e ano
Legenda dinâmica
Botões de seleção de
shapefiles
Mapa animado interativo
e ferramentas de seleção de
estações
Confirmação de
seleção da estação
e informações
Janela de gráfico de
coordenadas paralelas
(Meses X Estações)
Comando de
escolha do numero
de classes
Janela de gráfico de
representação por pixel
(Estações X Meses)
Janela de mapa
de normais climatológicas
para fins de comparação
Figura 16 - Esquematização dos elementos da interface
Para projetar os demais recursos da interface, foi realizado primeiramente
um levantamento por meio de entrevistas informais com um grupo formado por quatro
professores e pesquisadores da área de agrometeorologia a cerca de quais
informações que devem existir na interface para realizar alguma análise dos dados de
chuva. Apesar de ter sido sugerida a inclusão de outras variáveis, tais como
temperatura,
radiação
solar,
relevo,
dentre
outras,
essa
possibilidade
foi
desconsiderada, visto que as áreas de atuação destes profissionais dentro da
agrometeorologia são bem distintas, e para cada tipo de pesquisa se utilizam variáveis
50
específicas, o que tornaria a interface muito especializada de acordo com o
entrevistado. Portanto optou-se por se manter apenas a variável chuva, já que é uma
variável de uso comum entre os pesquisadores selecionados, além de ser de
interpretação mais complexa, devido ao seu alto dinamismo temporal.
4.2.1 Confecção dos mapas
Para a construção dos mapas isométricos optou-se pela interpolação por
krigagem ordinária, pois, de acordo com Carvalho e Assad (2005), quando comparado
com inverso do quadrado da distância e curvatura mínima, esse interpolador
apresenta maior homogeneidade na distribuição pelo fato de ser não-viciado e com
variância mínima. Ou seja, a krigagem ordinária é um interpolador estatísticamente
ótimo para representação de dados pluviométricos (CARVALHO e ASSAD, 2005)
Os mapas isométricos de precipitação pluviométrica mensal foram gerados
utilizando a ferramentas Kriging do componente ArcToolBox no aplicativo ArcMap
(Spatial Analyst Tools > Interpolation).
O modelo influencia a predição dos valores desconhecidos, principalmente
quando a forma da curva próxima à origem diferencia significantemente: quando mais
abrupta for a curva próxima a origem, maior será a influência dos vizinhos próximos na
predição, como resultante, a superfície de saída será menos suave (ESRI, 2009). A
escolha do modelo depende do tipo de fenômeno que será interpolado (Quadro 7). Um
modelo com ajuste adequado é aquele que apresenta uma variância para os erros
padronizados próxima a 1 (um) na validação cruzada, sendo que valores acima de 1
significam que a variabilidade das predições estão sendo subestimadas, e estarão
sendo superestimadas quando o valor for menor que 1. (ORTIZ et. al, 2009 ; ESRI,
2009). Os mapas hipsométricos gerados encontram-se no Apêndice A.
Quadro 7 - modelos de interpolação utilizada para cada mês
1983
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
modelo
Hole Effect
Exponencial
Racional quadrático
Estável
Hole Effect
Exponencial
Exponencial
Hole Effect
Hole Effect
Hole Effect
J-Bessel
J-Bessel
1984
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
modelo
Hole Effect
Hole Effect
Exponencial
Hole Effect
Esférico
Hole Effect
Circular
Exponencial
Racional Quadrático
Exponencial
Circular
Estável
1985
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
modelo
J-Bessel
Hole Effect
Circular
K-Bessel
Racional quadrático
Estável
Hole Effect
Hole Effect
Hole Effect
Pentaesférico
Hole Effect
J-Bessel
51
Para auxiliar a compreensão da distribuição espacial dos postos da DAEE,
adquiriu-se um arquivo em formato shape da divisão política municipal do Estado de
São Paulo, pelo banco de dados2 do site do IBGE.
4.2.2 Confecção dos gráficos
Os gráficos de coordenadas paralelas e de pixels são gerados via
programação, tomando-se por base as informações existentes na tabela de atributos
do arquivo shape das estações do DAEE (Figura 18)
Figura 17 - Tabela de atributos da shape DAEE
O gráfico de coordenadas paralelas apresenta os dados dispostos em
linhas horizontais conforme apresentado na Figura 19, sendo que o eixo X apresenta
os meses, e o eixo Y os valores de precipitação. Para facilitar a leitura, este gráfico
será referido pelo nome de "Gráfico de linhas".
Figura 18 - Gráfico de coordenadas paralelas ("Gráfico de linhas")
2
Disponibilizado em http://www.ibge.gov.br/home/geociencias/default_prod.shtm#GEOG
52
Cada linha corresponde a uma estação meteorológica, e a quantificação
de chuva coletada por essa estação é apresentada ao longo do gráfico. As cores
correspondem à classificação dos dados de chuva, portanto a variação de cores
indicam variação de classes temáticas.
Já o gráfico de pixels apresenta os dados adotando um formato matricial,
onde as colunas representam as estações DAEE e as linhas representamos meses
(Figura 20).
Figura 19 - Gráfico de pixels
Neste tipo de gráfico, o comportamento da chuva registrado por
determinada estação ao longo do tempo, pode ser visualizado quando se analisa
coluna por coluna. Além disso, as colunas dos gráficos são criadas considerando a
posição espacial das estações, de forma que as colunas no sentido esquerda-direita
representam as estações no sentido Oeste-Leste. Por exemplo: as regiões mais a
Oeste no mapa correspondem à parte mais a esquerda no gráfico. Cada linha neste
gráfico descreve a distribuição de chuva mensal entre as estações.
4.2.3 Projeto da interface de Teste
O Quadro 8 apresenta os elementos incluídos na interface em sua primeira
implementação (idealização do protótipo), em sua segunda implementação (após
refinamento da interface com apoio dos orientadores, antes da análise do grupo), em
sua terceira implementação (após discussão e feedback do grupo), e as sugestões
descartadas. Os elementos destacados em cinza claro representam os elementos que
constituem a interface final, apresentada na Figura 21.
53
Quadro 8- Implementação do protótipo a partir de sugestões, em 3 fases distintas(idealização,
refinamento, e feedback do grupo) bem como as sugestões descartadas (D)
Sugestões
1ª
2ª
3ª D
Dados

Valores diários de chuva

Valores mensais de chuva


Valores anuais de chuva

Outros dados (temperatura, radiação solar, relevo, etc)

Utilização de dados de janeiro à dezembro de 1983

Inclusão dos dados de 1984 e 1985
Arquivos shapefiles

Postos DAEE

Representação isométrica

Municípios
Esquema de cores e legenda temática

Legenda animada

Legenda interativa


Esquema de cores com 5 classes por quantis (0%, 35%, 65%, 80%, 100%)

Esquema de cores com 17 classes, com base nas normais climatológicas

Esquema de cores com 5 classes por quartis (0%, 25%, 50%, 75%, 100%)
Elementos da interface e ferramentas de interatividade

Janela de mapa temático

Janela de gráfico de coordenadas paralelas

Janela de gráfico de pixels

Janela de mapa de normais climatológicas

Controle de animação

Rearranjo do layout

Alternância entre dois layouts específicos

Bloco de anotações das observações

Seleção por ponto único

Seleção de vários pontos por sliders


Seleção de vários pontos por classe hipsométrica

Seleção de vários pontos por município


Seleção do mês e ano por botões


Seleção do mês e ano por lista

Seleção do mês em comando separado por caixa de opção

Seleção do ano em comando separado por caixa de opção

Barra de rolagem do gráfico de coordenadas paralelas

Barra de rolagem do gráfico de pixels


Botões para seleção do mês e ano no gráfico de pixels

Vínculo da seleção dos pontos no mapa com representação no gráfico de
coordenadas paralelas

Vínculo da seleção dos pontos no mapa com representação no gráfico de pixels

Vínculo da seleção de mês e ano no mapa com representação no gráfico de
coordenadas paralelas e de pixels

Zoom

Escala temporal no gráfico de coordenadas paralelas

Vínculo da escala temporal com o gráfico de pixels
Background

Geração do arquivo texto para log

Geração do arquivo texto das observações
54




Figura 20- Interface de teste cotendo as janelas do mapa mensal (), gráfico de
coordenadas paralelas (), gráfico de pixels () e mapa de normais climatológicas
()
A janela do mapa mensal (Figura 22) contém a legenda animada à
esquerda, cujo ponteiro aponta para a posição correspondente à média de chuva do
mês mapeado. No meio da janela encontra-se a tela de mapa, na qual são
apresentados os mapas mensais, de forma animada ou não.
Figura 21 - Janela de mapa mensal
Em torno da tela de mapa existem quatro ponteiros (2 verticais e 2
horizontais) que servem de sliders e permitem selecionar as estações de interesse,
55
limitando uma região nos sentidos norte, sul, leste e oeste, conforme mostrado na
Figura 23.
Figura 22 - Seleção por sliders (seta indica a seleção)
Do lado direito estão as caixas de seleção de mês e ano, os botões de
opção de shapefiles visíveis, os botões de seleção das estações, a caixa de
informações para estações selecionadas e a opção de escolha do tipo de classificação
cartográfica aplicada ao mapa.
Os botões de seleção permitem que as estações sejam selecionadas de
duas formas: 1) de um único ponto a partir da seleção direta sobre o mesmo (Figura
24); 2) de vários pontos existentes dentro de um mesmo município, a partir do clique
do mouse sobre o município de interesse (Figura 25)
Figura 23 - Seleção por ponto (seta indica a seleção)
56
Figura 24 - Seleção por município (seta indica a seleção)
Ao selecionar essas feições no mapa, as mesmas aparecem destacadas
em ambos gráficos, permitindo uma melhor associação entre as representações.
Desta forma, a seleção de uma ou mais feições é representada nessas três visões,
além disso, as velocidades de animação entre elas são sincronizadas.
Em relação ao "tipo de classificação", foi utilizada a mesma classificação
utilizada nos mapas das normais climatológicas disponíveis no site do INMET 3, que
divide os dados em 17 classes (Figura 26), conforme quantidade de chuva (em mm)
no período:
Classe 1 → [0-10];
Classe 10 → ]140-180];
Classe 2 → ]10-20];
Classe 11 → ]180-220];
Classe 3 → ]20-30];
Classe 12 → ]220-260];
Classe 4 → ]30-40];
Classe 13 → ]260-300];
Classe 5 → ]40-50];
Classe 14 → ]300-340];
Classe 6 → ]50-60];
Classe 15 → ]340-360];
Classe 7 → ]60-80];
Classe 16 → ]360-420];
Classe 8 → ]80-100];
Classe 17 → ]420 ou mais]
Classe 9 → ]100-140];
3
http://www.inmet.gov.br/portal/
57
Figura 25 - Representações utilizando 17 classes
Entretanto foi incluída na interface a opção de alternar a visualização para
menos classes (Figura 27) a fim de verificar a preferência subjetiva dos entrevistados:
Classe 1 → [0-10];
Classe 2 → ]10-40];
Classe 3 → ]40-100];
Classe 4 → ]100-260];
Classe 5 → ]260-420];
Classe 6 → ]420 ou mais];
Figura 26 - Representações utilizando 5 classes
58
A barra de comandos (Figura 28) contém os seguintes elementos:
alteração de layout, comandos de animação, manipulação da velocidade da animação,
comando para restaurar as janelas e o comando para abrir a janela que permite anotar
as observações, alem de um botão para finalizar a sessão de teste.
Figura 27 - Representações utilizando 5 classes
A opção de Layout permite o rearranjo das janelas entre duas
possibilidades pré-definidas. Além do o layout padrão, o qual contém as quatro janelas
(mapa mensal, gráfico de pixels, gráfico de coordenadas paralelas e mapa de normais
climatológicas), foi incluída a opção de alternar para o layout secundário (Figura 29),
no qual ficam aparentes apenas as janelas de mapa. A intenção é verificar a
preferência do usuário quanto ao uso ou não dos gráficos em conjunto com os mapas.
Figura 28 - Layout secundário
Quanto aos comandos de animação, é possibilitado ao entrevistado que
ele inicie (play), pause (pause) ou interrompa (stop) sempre que julgar necessário,
além disso, foi incluído um comendo que permite a manipulação da granulação da
animação, alterando o intervalo de contagem entre quadros, de forma que quanto
maior o valor da granulação, mais rápida se torna a mudança de quadros.
Todas as janelas são independentes, e podem ser arrastadas, alteradas
em tamanho ou até fechadas. O comando de Restaurar janela pode ser usado sempre
que o entrevistado quiser que o arranjo do layout volte ao original.
59
A Figura 30 demonstra a coordenação dos comandos entre as visões.
Sendo que os símbolos
indicam os elementos (ferramentas) onde uma ação pode
ser ativada com o clicar do mouse; e os símbolos
indicam onde mais essa ação terá
efeito além da própria janela do comando, ou seja, quais elementos estão
coordenados com essa ação.
Comando - quando acionado
Botões de animação (barra de comandos)
Caixa de opções de meses e anos (janela de mapa)
Barra de rolagem (gráfico de coord. paralelas)
Barra de rolagem (gráfico de pixel)
Caixa de opção da escala temporal (gráfico de coord. paralelas)
Botões de seleção na janela de mapa (por ponto, município) e trackbars
Botões de opção do esquema de cores (janela de mapa)
Ações - elementos de interface que
serão afetados pela ação
É animado
Mostra o mês/ano definido
Mostra o mês/ano definido
Mostra o mês/ano definido
Muda para a escala temporal definida
Destaca os elementos selecionados
Altera as cores conforme esquema
Figura 29 - Coordenação das visões (comando e ações relacionadas entre janelas)
Os comandos de animação ( ), por exemplo, afetam todas as janelas ( ),
portanto todos os elementos serão animados ou pausados de forma coordenada, de
acordo com o comando utilizado. O comando de seleção do mês/ano da janela de
mapas ( ), além de alterar a representação do próprio mapa pertencente à janela, irá
alterar também a representação das demais janelas ( ), as quais apresentarão o
mês/ano selecionado. O Quadro 9 mostra a organização da coordenação das visões.
60
Quadro 9 - Relação de comando e ação coordenada entre as janelas da interface
Elemento da interface
Descrição da ação
Janelas coordenadas à ação
Mapa
Principal
Mapa
Normais
Grafico
pixels
Grafico
coord.
Barra de comando
Play
Inicia animação
Pause
Pausa animação
Stop
Cancela animação
Aumento da velocidade de
Aumenta a quantidade de quadros/s
animação
Diminuição da velocidade de
Diminui a quantidade de quadros/s
animação
Janela de mapa principal
Caixa de opção de mês
Escolhe o mês que quer ver
Caixa de opção do ano
Escolhe o ano que quer ver
Seleção por ponto
Seleciona um ou mais pontos na view
Seleção por município
Seleciona pontos contidos em um município
Seleção de todos os pontos
Seleciona todos os pontos
Trackbar
Seleciona pontos usando trackbar
Seleção de esquema de cores
Muda o esquema de cores e nº de classes
Janela de gráfico de coordenadas paralelas
Barra de rolagem
Muda a visão para determinado ano/mês
Escala temporal
Muda a escala temporal do gráfico
Janela de gráfico de pixels
Barra de rolagem
Muda a visão para determinado ano/mês
Janela principal da ação
Janela coordenada a partir da ação da janela principal
Não utiliza essa ação
4.3 Realização do teste
O teste foi feito em 3 etapas:

1ª etapa - Levantamento dos dados pessoais dos participantes;

2ª etapa - Teste. Essa etapa consistiu em 4 fases: explicação sobre a pesquisa e
o teste; explicação da interface de teste; solicitação de leitura e assinatura do
Termo de Consentimento e Livre Esclarecimento; utilização da interface de teste e
análise dos dados.;

3ª Etapa - Feedback sobre a interface e o método de representação dos dados.
4.3.1 Materiais de teste
Para o teste foram elaborados dois questionários (Apêndice B): o primeiro
com questões voltadas ao levantamento dos dados pessoais e profissionais dos
participantes; e o segundo contendo questões sobre a preferência subjetiva em
relação aos elementos da interface.
O questionário 1 foi preenchido a partir de uma entrevista feita com os
indivíduos selecionados, em uma etapa pré-teste, com a finalidade de investigar o
grau de afinidade do sujeito com o escopo da pesquisa. Os questionamentos foram
61
feitos oralmente, podendo haver uma condução caso a pergunta não ficasse clara o
bastante para o entrevistado, a fim de garantir que a questão fosse respondida.
O questionário 2 foi preenchido de forma livre pelos participantes, sobre
sua preferência subjetiva e suas impressões quanto ao uso da animação, dos gráficos
e do método proposto frente ao método que está acostumado a utilizar.
A interface utilizada no teste foi desenvolvida na plataforma Microsoft
Visual Basic 2010 Express, e foi gerado um arquivo executável. Todos os participantes
utilizaram a interface instalada no mesmo computador: notebook Samsung, sistema
operacional Windows 7 Home Edition 64bits, processador Intel® Core™ i5 M480 @
2.67GHz, Res. tela: 1366X768, intensidade de cor: 32bits. Dessa forma pôde-se evitar
variação na intensidade das cores ou no tamanho da tela, o que poderia influenciar
tanto a utilização da interface quanto a interpretação dos dados.
4.3.2 Seleção dos participantes para o teste
Foi realizado um levantamento do quadro de pesquisadores com o perfil
descrito na subseção 4.1.1. Para tanto, foram utilizados como fonte de busca:
plataforma
Lattes
e
grupos/linhas
de
pesquisa
cadastradas
no
CNPQ
(agrometeorologia, estudos estratégicos e transferência de mudança do clima,
mudança do clima), além disso, entrou-se em contato com a Embrapa, SBAGRO
(Sociedade Brasileira de Agrometeorologia) e Agritempo em busca de mais
informações sobre os pesquisadores da área.
Dentro
dessas
especificações,
foram
apontados,
inicialmente,
17
indivíduos residentes no estado do Mato Grosso para entrevista. Por motivos de
logística e facilidade de acesso, os indivíduos escolhidos foram limitados aos
pesquisadores professores na área de agrometeorologia, residentes e atuantes em
Sinop e os pesquisadores professores da sede da UFMT em Cuiabá.
Foi feito o contato com esses indivíduos, via e-mail e/ou telefone, para
confirmar as informações levantadas. Destes 17, apenas 13 foram reunidos para a
realização das entrevistas, os outro quatro foram desconsiderados por motivo de
aposentadoria recente ou por não residirem mais no estado do Mato Grosso. Dos 13
indivíduos, um participante se recusou a realizar o teste.
As características acadêmicas dos participantes envolvidos na pesquisa
(Quadro 10), bem como sua familiaridade com ferramentas de análise (Quadro 11),
foram obtidas a partir das deste questionário, realizado na etapa de pré-teste.
62
Quadro 10 - Perfil acadêmico e formativo dos participantes
Perfil acadêmico
Titulação principal
Mestrado
Doutorado
Formação relacionada ao estudo agrometeorológico
Física ambiental (ou similar)
Climatologia
Irrigação e drenagem
Agronomia
Engenharia Agrícola
Agricultura Tropical
Pesquisa relacionada ao estudo agrometeorológico
Participa de grupo de pesquisa e de linha de pesquisa
Participa de grupo de pesquisa (somente)
Possui linha de pesquisa (somente)
Analisa dados pluviométricos
Frequentemente (diariamente a mensalmente)
Raramente (semestralmente, anualmente ou menos)
Nº de participantes
2
10
3
1
3
2
2
1
5
4
3
9
3
Quadro 11 - Levantamento da familiaridade do entrevistado com as ferramentas de análise
Levantamento da familiaridade com as ferramentas de análise
Nº de participantes
Realiza as análises dos dados de chuva (principalmente) em formato
Arquivo Datalog
2
Tabela
6
Mapa
3
Gráfico
1
Análises estatísticas com os dados de chuva
Somente estatística descritiva
4
Séries temporais
1
Outras (análise multivariada, correlação, regressão, inferência, ...)
7
Utilização de programas e aplicativos estatísticos
Sim
11
Não
1
Familiaridade com gráficos
Gráficos comuns (linha, barra, pizza)
6
Outros (boxplot, polar plot, radar)
6
Utilização de mapas
Apenas leitura
6
Manipulação de dados e construção de mapas
6
Familiaridade com mapas
Somente estático
9
Estático e interativo
2
Estático, interativo e animado
1
4.3.3 Condução do teste
As sessões de teste foram conduzidas em agosto e setembro de 2012. No
começo de cada sessão foi feita uma introdução, descrevendo o objetivo da pesquisa
63
e o objetivo do teste. Foi enfatizado que o participante deveria utilizar os recursos
disponíveis na interface de teste para explorar e analisar os dados de chuva
apresentados, e escrever as análises no local devido na interface. Além disso, foi
explicado que posteriormente seria entregue um questionário para obter um feedback
sobre o uso de elementos específicos da interface.
Após a introdução, foi apresentada a interface de teste, demonstrando
todas as possibilidades de uso da interface. Foi dada uma breve explicação sobre os
dados, gráficos e mapas, a fim de sanar qualquer dúvida sobre essas formas de
representação. A introdução, juntamente com a fase de familiarização da interface,
durou cerca de 30 minutos em cada sessão.
Antes de iniciar a sessão de testes, foi solicitada a permissão para gravar o
desktop, a fim de armazenar os movimentos realizados pelos participantes durante o
teste. Além disso, foi enfatizado que o participante deveria comunicar quando
finalizasse as análises, para que então eu pudesse finalizar a sessão corretamente,
uma vez que nesse momento os registros de interface seriam gerados em segundo
plano pelo programa.
Foi pedido aos participantes que utilizassem a interface por si só, embora a
sessão fosse assistida. Para acompanhar a sessão, sentei atrás do participante ou em
lugar fora de sua área de visão. A comunicação durante o teste não poderia ser
completamente evitada, e em alguns casos os participantes tiraram dúvidas sobre a
interface ou as representações. Em todos os casos evitou-se gerar qualquer influência
sobre as análises dos dados. No geral as sessões correram bem, sem problemas
durante a execução do programa. Em uma das sessões o aplicativo travou logo no
início, a sessão feita até então foi salva e foi aberta uma nova sessão para que o
participante pudesse dar continuidade às suas análises.
Todos os participantes, sem exceção, registraram em texto não somente
as análises dos dados, mas muitas observações feitas sobre os elementos e uso da
interface. Posteriormente, essas observações sobre a interface foram separadas das
análises referentes aos dados de chuva, para melhor organização das variáveis. Em
todas as sessões os participantes leram em voz alta suas anotações, mesmo não
sendo solicitados a fazê-lo. No caso dos participantes 4 e 5, verificou-se que todas as
observações que escreveram foram relacionadas ao uso da interface e não foi escrito
nada sobre os dados, portanto, foi necessário solicitar que tornassem a utilizar a
interface e desta vez fizessem a análise dos dados, acrescentando informações sobre
o comportamento da chuva dos dados apresentados.
Ao final, os participantes foram solicitados a preencher um questionário
(Apêndice B). As sessões duraram, ao todo, entre 1 hora e 1 hora e meia. Foi dada a
64
opção, ao participante, de rever suas análises salvas em formato de texto, o log
gerado e o vídeo com a filmagem do desktop, mas nenhum participante sentiu a
necessidade de verificar os dados ou a gravação.
O tempo de duração dos testes foi cronometrado para cada usuário, bem
como o tempo utilizado para digitação e o tempo utilizado para a análise dos dados em
si (Tabela 1). A intenção foi medir o tempo que o usuário utilizou para realizar a
investigação dos dados com a interface apresentada.
Tabela 1 - Duração do teste para cada participante
P1
P2
P3
P4
P5
Duração do teste:
utilização da interface
1h 01' 00"
35' 29"
30' 51"
37' 09"
43' 07"
Duração do
tempo de análise
26' 13"
17' 57"
12' 40"
19' 54"
11' 11"
Pausas para
digitação
34' 47"
18' 32"
18' 11"
17' 15"
28' 02"
P6
36' 41"
11' 46"
22' 34"
P7
P8
P9
P10
P11
P12
22' 17"
45' 18"
38' 35"
37' 42"
36' 32"
32' 20"
04' 05"
08' 05"
11' 22"
10' 34"
17' 41"
18' 47"
17' 36"
39' 05"
27' 13"
17' 08"
18' 39"
13' 33"
Participante
Pausa por
interrompição
3' 54"
0' 28"
3' 53"
0' 36"
0' 07"
0' 12"
-
Motivo da interrompição
Atendimento urgente
Dúvida
Bug no programa: travou
Dúvida
Dúvida
Dúvida
-
A duração mais longa do participante 1 em relação os demais, ocorreu
pelo fato do participante ter solicitado que suas análises não fossem digitadas, mas
sim escritas à mão. Antes de iniciar a análise, o participante enfatizou que não usa
computador com muita frequência e não gosta de digitar usando o teclado, por isso
preferia não digitar as análises. Nesse caso, foi preciso anotar a mão todas as
observações realizadas pelo participante. O tempo utilizado para escrever foi
cronometrado como "pausa para digitação". Ao fim da sessão foi solicitado a esse
participante que conferisse o que foi escrito e assinasse abaixo.
Um dos indivíduos selecionado para realizar os testes, logo após a fase de
introdução e familiarização com a interface, se negou a participar. O motivo dado foi
que ele não conseguiu enxergar nenhuma utilização prática com o que foi apresentado
e por isso não se sentiu motivado a realizar o teste. Além disso, enfatizou que não
costuma utilizar aplicações em computador e não vê vantagens no uso de recursos
multimídia frente à abordagem tradicional utilizada por ele. Sua decisão foi respeitada
e dessa forma, sua participação foi descartada.
65
4.4 Análise dos resultados
Os resultados foram analisados tendo por base as observações digitadas
pelos participantes, o log gerado pelo programa e as informações pessoais de cada
participante.
Utilizando o arquivo que contem as informações digitadas pelos
participantes, buscou-se primeiramente categorizar tais observações, dividindo as
orações em frases e classificando-as, primeiramente, em 2 categorias:
1º. Consideração pessoal sobre os itens da interface: refere-se às
informações sobre observações de exploração e adaptação à
interface, não inclui nenhum tipo de informação sobre os dados
representados;
2º. Observações a os dados, incluindo ou não referências ao elemento de
interface utilizado.
As frases classificadas na 2ª categoria foram separadas em um novo
arquivo para serem reclassificadas de acordo com as tarefas cognitivas de
comparação e identificação de padrões espaço-temporais, além das tarefas
investigativas, as quais interagem com as características dos dados para formar as
análises exigidas nas tarefas cognitivas (Apêndice C). Para tanto, tomou-se por base
os três tipos de questões referentes à exploração de dados espaço-temporais,
propostos por Peuquet:
i.
Quando + onde = o quê: Descrição dos objetos (ou conjunto de
objetos) que existem em um dado local (ou conjunto de locais) em
um dado tempo (ou conjuntos de tempos);
ii.
Quando + o quê = onde: Descrição dos locais (ou conjunto de
locais) ocupados por um objeto (ou conjuntos de objetos) em um
dado tempo (ou conjunto de tempos);
iii.
Onde + o quê = quando: Descrição de tempos (ou conjunto de
tempos) em que um dado objeto (ou conjunto de objetos) ocupa em
um dado local (ou conjunto de locais).
Nesta pesquisa, foram consideradas duas tarefas investigativas que
podem compor cada uma das tarefas cognitivas de comparação e identificação:

Temporal: refere-se às questões i + ii, as quais resultam em uma
análise espaço-temporal baseada, principalmente, na interpretação da
variável tempo ("Quando");
66

Espacial: refere-se à questão i + iii que resulta em uma análise
espaço-temporal baseada, principalmente, na interpretação da variável
localização ("Onde").
Dessa forma, as observações foram categorizadas de acordo com a tarefa
investigativa e a tarefa cognitiva identificada, conforme descreve o Quadro 12.
Quadro 12 - Classificação das variáveis de investigação: atributo = "O que?"; tempo =
"Quando?"; espaço = "Onde?".
Variáveis
Identificação
Temporal
Espacial
Temporal
Espacial
O que? Quando? = It
O que? Onde? = Ie
O que? Quando? = It
O que? Onde? = Ie
Comparação
+ em relação à Quando? = Ct
+ em relação à Onde? = Ce
Exemplos de frases classificadas:
 Ct: " Os meses com menor ocorrência de chuva ficaram fácil de se identificar nos gráficos: julho e agosto
de 1983, junho e julho de 1984, junho a outubro de 1985"
o
O que? = ocorrência de chuva
o
Quando? = julho e agosto de 83, junho e julho de 84, junho a outubro de 85
o
Comparação? = menor
o
Em relação à = demais meses e anos
 Ce: " Ao analisar o gráfico de pixels percebe-se os pontos à esquerda que diferem bastante do
comportamento dos postos mais a direita "
o
O que? = comportamento (de chuva) dos pontos
o
Onde? = à esquerda
o
Comparação? = diferem
o
Em relação à = à direita
 It: "No gráfico pixels ficou muito fácil de identificar um mês muito chuvoso, por causa da cor que ele
apresentava: dezembro de 1984.."
o
O que? = chuvoso
o
Quando? = Dezembro 1984
 Ie: " No mapa (sem animação) é possível perceber a mudança nas regiões, como por exemplo, na ponta do
estado (a oeste) que a chuva tende a se manter constante "
o
O que? = mudança
o
Onde? = ponta do estado (oeste)
Tendo as informações categorizadas em tarefas cognitivas, foi possível
verificar quais tarefas foram realizadas utilizando qual elemento da interface, a partir
das informações adicionais digitadas pelos próprios participantes, bem como o LOG.
67
5 RESULTADOS E DISCUSSÃO
Pesquisadores em agrometeorologia realizam análises de séries temporais
para a elaboração de um calendário agrícola e a implementação de projetos agrícolas
(SILVA et. al, 2011; PAZ e COLLISCHONN, 2010; BLAIN, 2009).
Para tanto, é
necessário que o pesquisador obtenha uma descrição da série (que antecede às
etapas de explicação, predição e controle), a qual consiste em determinar
(GUTIERRES, 2003):
a. As características da série (tarefa de identificação)
b. Possíveis relações entre séries (tarefa de comparação)
Portanto, após a classificação das frases escritas pelos entrevistados, as
tarefas de investigação realizadas por cada participante foram quantificadas e
organizadas na Tabela 2.
Observa-se que três participantes (P1, P2 e P12) escreveram observações
que não se encaixam nas tarefas previstas de Comparação ou Identificação. Essas
observações consistem em conclusões sobre o fenômeno analisado, apresentando
explicações,
deduções
ou
levantando
hipóteses.
Essas
informações
foram
classificadas como variável de ordem superior (A0), uma vez que somente podem ser
adquiridas a partir da relação feita entre o que está sendo visto e o conhecimento de
cada indivíduo sobre o assunto.
Tabela 2 - Quantificação das tarefas de investigação
Tarefa
Ct
Ce
Total
It
Identificação
Ie
Total
Variável A0
Comparação
Participantes
P1 P2 P3
4
4
3
0
2
3
4
6
6
1
1
2
12 1
6
13 2
8
1
3
0
P4
4
2
6
2
1
3
0
P5
3
0
3
1
0
1
0
P6
3
1
4
0
0
0
0
P7
4
0
4
0
0
0
0
P8
3
3
6
2
2
4
0
P9
2
1
3
1
0
1
0
P10
4
1
5
1
3
4
0
P11
5
1
6
1
3
4
0
P12
5
2
7
1
5
6
1
Total
44
16
60
13
33
46
5
Pode-se verificar que a ocorrência das tarefas de comparação foi maior
que a das tarefas de identificação. Pelo fato de ambas tarefas estarem
correlacionadas, espera-se que a proporção de tarefas realizadas pelos participantes
seja de 50% para cada, ou seja, H0: p = 0,5 vs H1: p ≠ 0,5.
68
Para testar essa hipótese a partir dos resultados obtidos na Tabela 2,
aplicou-se um teste de proporção binomial ao nível de significância de 5%, usando o
número de tarefas de comparação p = 60 em relação ao número total de tarefas
realizadas N = 106. Obteve-se p-valor = 0,206 que é maior que o alfa de 0,05, ou seja,
a hipótese nula (H0: p = 0,5) é aceita.
Podemos concluir que, ao nível de significância de 5%, pode-se considerar
que as duas tarefas foram realizadas em igual proporção pelos participantes, ou seja,
a diferença não foi significante.
Entretanto, verifica-se que a quantidade de tarefas de identificação foi
bastante influenciada pelo participante de número 1, o qual realizou 13 tarefas de
identificação, sendo que a média dos demais participantes foi de 3. Se isolarmos o
participante 1, teremos então 11 participantes que realizaram ao todo 56 tarefas de
combinação e 33 tarefas de identificação.
Realizando o mesmo teste de proporção, com 5% de significância, p = 56 e
N = 89, obteve-se p-valor = 0,019. Neste caso a hipótese nula é rejeitada, e pode-se
dizer que, para os participantes P2 a P12, a proporção entre as tarefas cognitivas não
é de 50% para cada, portanto a maior quantidade de tarefa de combinação realizada é
significativa.
5.1 Tarefas de cognitivas e o uso da interface
Para verificar a existência de relações entre a tarefa investigativa realizada
e a utilização dos elementos de interface, foram analisadas as informações escritas
pelos usuários, já classificadas em Ct, Ce, It, Ie.
Esses dados foram subclassificados de acordo com o elemento de
interface utilizado: mapa estático, mapa animado, gráfico de linhas ou gráfico de pixels
(citado pelo próprio participante durante o registro de suas observações).
A Tabela 3 mostra as relações encontradas para cada usuário, sendo as
colunas definidas pelas variáveis investigativas e as linhas definidas pelos elementos
da interface: mapa estático (me), mapa animado (ma), gráfico de pixels (gp), gráfico de
coordenadas paralelas (gl). Os valores em cada célula correspondem ao número de
ocorrências da relaçãoij.
69
Tabela 3- Relação entre variáveis de investigação e uso de elementos da interface, para cada
participante, sendo Ct = Comparação temporal; Ce = comparação espacial; It = identificação
temporal; Ie = Identificação espacial; me = mapa estático; ma = mapa animado; gp = gráfico de
pixels; gl = gráfico de linhas (correspondente ao gráfico de coordenadas paralelas).
Tarefa
Usando
Ct+me
um único
Ct+ma
elemento
Ct+gp
Ct+gl
Ce+me
Ce+ma
Ce+gp
Ce+gl
It+me
It+ma
It+gp
It+gl
Ie+me
Ie+ma
Ie+gp
Ie+gl
Usando
Ct+me+gl
MVC
Ct+me+gp
Ct+gp+gl
Ce+me+gl
Ce+me+gp
It+me+gp
It+gp+gl
Ie+me+gl
Ie+me+gp
Sem
Ct
informação Ce
It
Ie
Total
P1
3
12
1
1
17
P2
1
1
1
1
1
1
1
1
8
P3
3
2
1
1
5
1
1
14
P4
2
1
1
2
1
1
1
9
P5
1
1
1
1
4
P6
2
1
1
4
P7
4
4
P8
2
2
1
1
1
2
1
10
P9
1
1
1
1
4
P10
1
2
1
1
1
1
1
1
9
P11
1
3
1
3
1
1
10
P12
1
1
1
1
2
2
1
1
1
2
13
Em alguns casos, para realizar uma única investigação sobre uma
informação, o participante citou usar mais de um elemento, como por exemplo:
[Ct/GL,GP]"Houve um momento de estiagem mais prolongada no ano de 1985, que pode ser
mais fácil de visualizar nos dois gráficos."
Neste caso, para o participante em questão, foi computado 3 relações
referentes à comparação temporal (Ct): uma com o gráfico de coordenadas paralelas
(Ct, Linhas), uma com o gráfico de pixels (Ct, Pixels) e uma com o mapa estático (Ct,
70
mapa). Houve também registros em que o participante não citou qual elemento de
interface foi utilizado, neste caso a ocorrência foi categorizada como "Sem info".
Utilizando os totais de análises calculados para cada tarefa da Tabela 3,
construiu-se dois gráficos de barras: o primeiro
relacionando os elementos da
interface com a tarefa cognitiva utilizada (Figura 31); o segundo relacionando os
elementos da interface com cada tarefa de investigação (Figura 32).
Nota-se pelas Figuras 31 e 32, que do total de análises realizadas na
tarefa de comparação, 62% foram feitas utilizando elementos gráficos (gráfico de
pixels e de coordenadas paralelas - linhas), e 38% foram feitas por meio de elementos
cartográficos (mapa estático e animado). Já na tarefa de identificação foi verificado o
contrário: o uso de elementos cartográficos corresponde a 71% das análises,
enquanto que os outros 29% referem-se ao uso dos elementos gráficos.
Tarefas cognitivas X elementos da interface
100%
90%
80%
Análises
70%
60%
50%
40%
30%
20%
10%
0%
gp
Comparação
19
Identificação
4
gl
22
8
ma
4
1
me
21
30
Figura 30 - Relação: Elementos da Interface X Tarefa cognitiva
71
Tarefa de investigação X Elemento de interface
100%
90%
80%
Análises
70%
60%
50%
40%
30%
20%
10%
0%
gp
ct
15
ce
4
it
2
ie
2
gl
22
0
7
1
ma
0
1
3
1
me
14
7
1
29
Figura 31- Relação: Elementos da Interface X Tarefa de Investigação
Verificou-se também um maior uso de elementos gráficos para as tarefas
de investigação temporal: nas tarefas de comparação temporal (Ct), 72% das análises
foram feitas utilizando os elementos gráficos, e nas tarefas de identificação temporal
(It), 69%. Para as tarefas de investigação espacial, ocorreu o inverso: 58% das
análises de comparação espacial (Ce) foram realizadas utilizando elementos
cartográficos, os quais também foram usados em 88% das análises de identificação
espacial (Ie).
Sendo assim, pôde-se verificar que para as tarefas de investigação
temporal, tanto de comparação quanto de identificação, houve um maior uso de
elementos gráficos em relação aos elementos cartográficos. Já para a tarefa de
identificação espacial, foi dado preferência ao uso de elementos cartográficos em
relação aos elementos gráficos, sendo que 100% dos participantes consideram que o
mapa auxilia na análise espacial dos dados.
Para a tarefa de comparação espacial, não foi encontrada significância na
diferença entre o uso dos elementos gráficos e cartográficos. As tarefas de
comparação são mais complexas que as tarefas de identificação, principalmente no
domínio espaço-temporal e exigem, portanto, maior atenção por parte dos participante
(BLOK, 2005). De acordo com o perfil dos participantes, 100% destes estão
familiarizados tanto com o uso de gráficos como o uso de mapas. Portanto, não se
pode concluir que esta característica seja relevante no uso, pois não se sabe o quão
familiarizado os participantes estão com cada tipo de representação.
72
5.2 Tarefas cognitivas e Múltiplas Visões Coordenadas (MVC)
A partir dos registros das observações do participante, foi possível também
quantificar as ocorrências de uso conjunto de mais de um elemento de interface para
realizar uma determinada análise. Identificou-se, portanto, quais participantes
utilizaram efetivamente as visões coordenadas, e em que tarefa elas foram utilizadas.
O Quadro 13 identifica de forma qualitativa o uso das visões coordenadas para as
tarefas investigativas (Ct, Ce, It, Ie).
Tarefa
Comparação
temporal (Ct)
Comparação
espacial (Ce)
Identificação
temporal (it)
Identificação
espacial (Ie)
Elementos de
Interface
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
Quadro 13 - Uso de MVC para as tarefas cognitivas e investigativas
Mapa estatico
Mapa animado
Gráfico de linhas
Gráfico de pixels
Mapa estatico
Mapa animado
Gráfico de linhas
Gráfico de pixels
Mapa estatico
Mapa animado
Gráfico de linhas
Gráfico de pixels
Mapa estatico
Mapa animado
Gráfico de linhas
Gráfico de pixels
Nº de participantes (em porcentagem)
58%
Tarefa de comparação: 75%
17%
42%
Tarefa de identificação: 58%
25%
A quantidade total de participantes que utilizaram MVC para realizar as
tarefas cognitivas de comparação e/ou identificação estão representadas na Figura 33
e no Quadro 14.
Do total de participantes, 75% utilizaram múltiplas visões coordenadas
para a tarefa de Comparação, e 58% utilizaram para a tarefa de Identificação. Os
participantes 3 e 6 não declararam utilizar visões coordenadas, ou seja, todas as
análises descritas por estes foram feitas tomando por base um único elemento da
interface.
Dentre os participantes que realizaram a tarefa de comparação usando
MVC, 89% realizaram comparação temporal e 22% realizaram comparação espacial,
conforme pode ser verificado na Figura 34 e Quadro 15.
73
Uso de MVC
100%
90%
80%
70%
75%
60%
58%
50%
40%
30%
20%
10%
0%
COMPARAÇÃO
IDENTIFICAÇÃO
Figura 32 - Uso de MVC para as tarefas cognitivas
Quadro 14 - Uso de MVC para as tarefas cognitivas
Tarefa
12 participantes
P1 P2 P3 P4 P5 P6 P7 P8 P9
P10 P11 P12 Total
%
Comparação
9
75%
Identificação
7
58%
Uso de MVC para Comparação
100%
90%
80%
89%
70%
60%
50%
40%
30%
20%
22%
10%
0%
temporal
espacial
74
Figura 33 - Uso de MVC para as tarefas cognitivas de comparação
Quadro 15 - Uso de MVC para as tarefas cognitivas de comparação
9 participantes
Comparação
P1 P2 P4 P5 P7 P8 P9 P10
P12
Total
%
Temporal
8
89%
Espacial
2
22%
Já para as tarefas de identificação, dos participantes que realizaram essa
tarefa usando MVC, 71% realizaram identificação temporal, e apenas 43% realizaram
a identificação espacial (Figura 35 e Quadro 16). O único que realizou tanto
identificação temporal quanto espacial, utilizando visões coordenadas, foi o
participante de número 12.
Uso de MVC para Identificação
100%
90%
80%
70%
71%
60%
50%
40%
43%
30%
20%
10%
0%
temporal
espacial
Figura 34 - Uso de MVC para as tarefas cognitivas de identificação
Quadro 16 - Uso de MVC para as tarefas cognitivas de identificação
7 participantes
Identificação
P1 P2 P4 P9 P10 P11 P12
Temporal
Espacial
Total
5
3
%
71%
43%
Dentre os participantes que realizaram comparação temporal (Quadro 17),
apenas 38% utilizaram o mapa estático como um dos elementos coordenados, os
outros 62% não utilizaram mapa, e sim os elementos gráficos (gráfico de pixel e
linhas) para realizar as análises.
75
Quadro 17 - Uso de MVC para as tarefas investigativas de comparação temporal
Comparação Temporal
P1
P2
P4
P5
8 participantes
P7 P8 P9
P10
Total
%
3
5
88%
63%
Com mapa
Sem mapa
Já para a Comparação espacial (Quadro 18), 100% dos que realizaram
essa tarefa com visões coordenadas usaram o mapa estático como uma das visões.
Quadro 18 - Uso de MVC para as tarefas investigativas de comparação espacial
Comparação Espacial
Com mapa
Sem mapa
P4
2 participantes
P12
Total
2
0
%
100%
0%
Um comportamento similar foi verificado para a tarefa de identificação
espacial (Quadro 19) e temporal (Quadro 20) no que se refere à utilização de MVC
com mapas e sem mapas: dentre os 5 que realizaram análises de identificação
temporal, apenas 20% utilizou o mapa estático dentre o conjunto de elementos
coordenados, os outros 80% não utilizaram mapa, e sim os dois gráficos (de pixel e
linhas) para realizar as análises. Já para a Identificação espacial, 100% dos que
realizaram essa tarefa com visões coordenadas usaram o mapa estático como uma
das visões.
Quadro 19 - Uso de MVC para as tarefas investigativas de identificação temporal
5 participantes
Identificação Temporal
P1 P2 P9 P11 P12 Total %
Com mapa
1
20%
Sem mapa
4
80%
Quadro 20 - Uso de MVC para as tarefas investigativas de identificação espacial
3 participantes
Identificação Espacial
P10
P4
P12 Total
Com mapa
Sem mapa
3
0
%
100%
0%
A Figura 36 apresenta os gráficos de barra referentes à porcentagem de
participantes que utilizaram MVC para realizar as tarefas de comparação temporal
(Figura 36a), comparação espacial (Figura 36b), identificação temporal (Figura 36c) e
identificação espacial (Figura 36d).
76
a) Uso de MVC para tarefa de
comparação temporal
70%
60%
50%
40%
30%
20%
10%
0%
b) Uso de MVC para tarefa de
comparação espacial
100%
62%
80%
60%
38%
40%
20%
0%
0%
com mapa
sem mapa
c/ mapa
c) Uso de MVC para tarefa de
identificação temporal
100%
80%
80%
80%
60%
s/ mapa
d) Uso de MVC para tarefa de
identificação espacial
100%
100%
60%
40%
40%
20%
20%
0%
100%
20%
c/ mapa
0%
0%
s/ mapa
c/ mapa
s/ mapa
Figura 35 - Uso de MVC para as tarefas investigativas: a) Ct, b) Ce, c) It, e) Ie.
Pelos resultados pode-se concluir que do total de participantes, 83% (10
de 12) realizaram alguma análise por meio de MVC. Conforme mostra o resultado do
teste de proporção (p-valor = 0,039), a um nível de confidência de 95%, a hipótese
nula H0: p = 0,5 é aceita, ou seja, essa diferença é significante. Portanto, pode-se
afirmar que a maioria dos participantes utilizou o recurso de MVC para realizar alguma
tarefa cognitiva.
Nove participantes utilizaram MVC para realizar a tarefa de comparação,
dentre os quais 89% a utilizaram nas tarefas de comparação temporal (Ct) e 22%
utilizaram para realizar tarefa de comparação espacial (Ce). Foram sete os
participantes que utilizaram a MVC para a tarefa de identificação, sendo que 71%
utilizaram na tarefa de identificação temporal (It), e 43% utilizaram na tarefa de
identificação espacial (Ie). Sendo assim, verificou-se que o recurso de MVC foi mais
utilizado para as tarefas cuja investigação tem foco na variável temporal.
Embora poucos participantes tenham utilizado MVC para realizar tarefas
com foco investigativo na variável espaço, todos que o fizeram utilizaram o mapa
como um dos elementos coordenados: Dos 9 participantes que utilizaram MVC para a
tarefa de comparação, 22% (2 participantes) utilizaram na comparação espacial (Ce).
77
Já em relação aos 7 participantes que utilizaram a MVC para a tarefa de identificação,
43% (2 participantes) utilizaram na identificação espacial (Ie). Em qualquer uma
dessas situações, 100% dos participantes (2 para Ce, 3 para Ie) utilizaram o mapa
como um dos elementos coordenados.
Vale ressaltar que os participantes 4 e 12, estão presentes em ambas
tarefas (Ie e Ce). O que podemos encontrar em comum entre esses participantes, de
acordo com suas características pessoais, é que possuem experiência no uso de
programas estatísticos para realizar análises, mas também em programas de SIG e
manipulação de arquivos Shape. Ambos já utilizaram mapas interativos e estão
acostumados a analisar dados de chuva tanto no formato de tabela, como também em
representações do tipo gráficos e mapas.
Diante disso, neste caso podemos considerar a afirmação de Bandrova et
al (2012) sobre a relação das características do usuário e a visualização dos dados.
Entretanto não é possível afirmar isto, uma vez que as características levantadas não
são os suficiente para isolar os participantes 4 e 12 de todo o grupo.
5.3 Seleção do Layout
Foram disponibilizados dois layouts da interface ao participante:

Layout 1: com mapa mensal e mapa de normais climatológicas;

Layout 2: com múltiplas visões coordenadas, incluindo os mapas, o gráfico de
pixels e o gráfico de coordenadas paralelas.
Ambos
layouts
possuíam
os
mesmos
recursos
de
animação
e
interatividade, e foram apresentados ao participante como possibilidade de uso para
realizar suas análises. Em seguida os participantes foram orientados em escolher um
dos layouts para iniciar a análise, sendo que poderia trocar de layout a qualquer
momento.
O objetivo da disponibilização de dois layouts específicos foi verificar se o
grupo de participantes (pesquisadores em agrometeorologia) prefere trabalhar
somente com a visualização de mapas ou com um conjunto de visões que inclua
gráficos. O layout escolhido pelo participante, bem como o seu tempo de uso, foi
registrado no log do programa, como mostra o exemplo da Figura 3.
78
Figura 36 - Parte do log com registro da mudança de layout durante a execução do teste
Dessa forma, foi possível medir o tempo (em minutos e segundos)
referentes à duração de utilização do Layout 1, e duração de utilização do Layout 2,
para cada participante, e relacioná-los com a duração da análise (já descontado o
tempo gasto para digitação e/ou interrupções), como mostrado na Tabela 4. A Figura
32 demonstra essas quantidades de forma gráfica.
Tabela 4 - Tempo total destinado à análise dos dados e duração do tempo de utilização dos
layouts 1 e 2 para cada participante
Participante Duração do tempo total da análise
Uso do Layout 1
Uso do Layout 2
P1
26' 13"
26'13"
P2
17' 57"
17'57"
P3
12' 40"
10"
12' 30"
P4
19' 54"
19' 54"
P5
11' 11"
11' 11"
P6
11' 46"
7"
11' 39"
P7
08' 05"
04' 05"
P8
12' 05"
08' 05"
P9
11' 22"
12"
11'10"
P10
10' 34"
10' 34"
P11
17' 41"
17' 41"
P12
18' 47"
18' 47"
TOTAIS
2h 50' 15"
29"
2h 49' 46"
Tempo relativo de uso dos Layouts 1 e 2 para cada participante
100%
90%
Tempo de análise
80%
70%
60%
50%
Uso do Layout 2
40%
Uso do Layout 1
30%
20%
10%
0%
P1
P2
P3
P4
P5
P6
P7
P8
P9 P10 P11 P12
Participante
Figura 37 - Tempo de uso relativo entre o layout 1 e 2 durante a análise de cada participante
79
O resultado (Figura 32) demonstra que dentre os 12 participantes, apenas
3 utilizaram (em algum momento) o Layout 1, os demais utilizaram o Layout 2 durante
todo o tempo de análise. O tempo de uso do Layout 1 pelos participantes 3, 6 e 9, não
ultrapassou 2% do tempo total de análise usado por cada um. Isto indicou que houve
uma preferência geral no uso do layout com múltiplas visões coordenadas, contendo
mapas e gráficos.
5.4 Animação
A partir das informações do LOG, elaborou-se a Tabela 5 com a
informação dos participantes que clicaram no botão para iniciar a animação ("Play")
bem como a velocidade definida para a animação, sendo que havia disponíveis as
velocidades de 1 a 9. Calculado o número de participantes que utilizaram esses
recursos, relativo ao número total de participantes (em porcentagem), gerou-se o
gráfico da Figura 39.
Tabela 5 - Utilização do comando de animação
Comandos
Play
=1 - 1 quadro/2seg
=2 - 1 quadro/seg
=3 - 2 quadros/seg
=4 - 4 quadros/seg
>=5 - 8 quadros/seg ou mais
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
Total
11
3
11
5
2
0
%
92%
25%
92%
42%
17%
0%
Participantes
Velocidade da animação
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
vel animação = 1 vel animação = 2 vel animação = 3 vel animação = 4 vel animação >=5
Figura 38 - Gráfico da frequência de uso das velocidades de animação
A Tabela 6 descreve a utilização do recurso de animação em termos de
tempo de duração: para cada participante foi registrada a duração total do teste, o
80
tempo total de análise dos dados (desconsiderando pausas e interrupções), o tempo
de início e fim da animação e a tarefa de investigação realizada para a animação. A
partir desses dados foram calculados o tempo total utilizado para análise da animação
(pela diferença entre os valores de início e fim da animação) e o valor em
porcentagem do quanto esse tempo corresponde em relação ao tempo de análise.
Tabela 6 - Tabela dos tempos de duração para o uso de animação e o tempo total das análises
Animação
Duração do
Tempo total Tempo animação Tarefa de
Partic.
teste
X análise (%)
investigação
Início
Fim
Tempo total de análise
P1
1h 01' 00" 39'18" 40'47"
1'29"
26' 13"
6%
P2
35' 29"
4'24"
5'16"
52"
17' 57"
5%
P3
30' 51"
27'10" 29'54"
2'44"
12' 40"
22%
Ce
P4
37' 09"
13'56" 14'10"
14"
19' 54"
1%
P5
43' 07"
33'30" 34'11"
41"
11' 11"
6%
P6
36' 41"
0'00"
0'00"
0"
11' 46"
0%
P7
22' 17"
19'15" 19'30"
15"
04' 05"
6%
P8
45' 18"
24'19" 25'10"
51"
08' 05"
11%
It
P9
38' 35"
32'03" 33'06"
1'03"
11' 22"
9%
Ct
P10
37' 42"
7'22"
8'11"
49"
10' 34"
8%
Ce
P11
36' 32"
15'26" 16'48"
1'22"
17' 41"
8%
Ce
P12
32' 20"
30'54" 31'26"
32"
18' 47"
3%
-
A Tabela 7 demonstra a quantidade total de análises realizadas para cada
tarefa, a quantidade de análises registradas com uso de animação, e sua relação em
termos de porcentagem.
Tabela 7 - Tabela de quantidade de análises com animação em relação ao total de análises
para cada tarefa investigativa.
Tarefa
Total de análises Análises com animação
%
Ct
44
1
2%
Ce
16
3
19%
It
13
1
8%
Ie
33
0
0%
Quase a totalidade de participantes (92%) ativaram o recurso de
animação, sendo que 42% a utilizaram para realizar algum tipo de análise: 60%
utilizou para realizar comparações espaciais, os demais 40% utilizaram para realizar
investigações temporais. O uso da animação correspondeu à 19% das análises
realizadas de comparação espacial (Ce), 8% das análises de identificação temporal
(It), e 2% das análises de comparação temporal (Ct).
Apesar de se esperar que a animação facilitasse a análise temporal, a
preferência subjetiva dos participantes não nos permite concluir isso: apenas 30% dos
participantes responderam que a animação facilita muito na análise temporal, a grande
parte (42%) acha que a animação facilita parcialmente, os demais 28% consideraram
81
que a animação ou auxilia pouco ou não ajuda na análise temporal dos dados. Já em
relação à análise espacial, 17% responderam que a animação pode auxiliar mesmo
que parcialmente.
Apenas um dos participantes demonstrou explicitamente o interesse no
uso da animação, pois registrou essa informação no texto digitado por ele durante o
teste: " A ferramenta de animação se mostra eficaz, para análise temporal. É
possível perceber a mudança nas regiões ao longo do ano, como por exemplo,na
ponta do estado (a oeste) que a chuva tende a se manter mais constante ao
longo
da
época
característica
(chuvosas
e
secas),
tendo
menos
variação
microrregionais em relação a outras regiões."
O uso da animação foi bastante limitado durante as entrevistas, conforme
pode ser analisado pelo log, não excedendo 2min para aqueles que a utilizaram. De
acordo com a pesquisa de preferência subjetiva, as opniões quanto à facilidade de
compreensão dos mapas animados se divergem, ficando igualmente distribuídos entre
as opções: pouco (33,3%), parcialmente (33,3%), e muito fácil (33,4%). Dentre os
participantes que não utilizaram a animação para realizar as tarefas, a média do tempo
de animação correspondeu à 5,14% do tempo de análise dos dados (desconsiderando
o participante de número 6, que não utilizou este recurso). Já, dentre os participantes
que utilizaram o recurso de animação para realizar tarefas, a médio do tempo de
duração da animação subiu para 12,25% do tempo de análise.
Todos os participantes que utilizaram animação optaram pelo uso da
velocidade = 2, que corresponde à frequência de 1 quadro por segundo, seguido de
43% que utilizaram a velocidade = 3, que corresponde à frequência de 2 quadros por
segundo. Nenhum participante utilizou a velocidade superior a 5 (8 quadros por
segundo).
5.5 Caracterização dos participantes
De acordo com Bandrova et al. (2012), a visualização da informação
depende, não somente do tipo de dados, mas também do tipo de usuário, ou seja, de
suas características pessoais, habilidades, hábitos e preferências. Sendo assim, os
participantes foram analisados conforme as informações descritas em seu perfil, para
determinar similaridades entre eles. Para tanto utilizou-se a técnica estatística de
análise multivariada denominada "Clustering" (Agrupamento).
A Tabela 2 foi construída considerando as seguintes características do
participante: titulação (mestrado ou doutorado); participa em grupo de pesquisa na
área de agrometeorologia; possui linha de pesquisa na área de agrometeorologia;
frequência com que realiza análises pluviométricas (frequentemente ou raramente);
82
formato dos dados que utiliza para análise pluviométrica (tabela, gráfico, mapa ou
DAT); utiliza programas estáticos para analisar os dados pluviométricos; tipo de
gráficos que costuma analisar (convencionais - linhas, pizza e barra - ou outros); utiliza
programas de SIG; manipula arquivos Shape; realiza consultas espaciais em arquivos
Shape; constrói mapas; tipos de mapas que utilizou (estáticos, animados, interativos).
O número 1 corresponde à resposta afirmativa, o número 0 corresponde à resposta
negativa.
Já usou mapas
estáticos
Já usou mapas
animados
Já usou mapas
interativos
Constrói mapas
Analisa chuva
frequentemente
Analisa chuva
raramente
Usa dados de
chuva em Tabela
Usa dados de
chuva em Gráfico
Usa dados de
chuva em Mapa
Usa dados de
chuva em .DAT
Utiliza programas
estatísticos
Analisa gráficos
convencionais
Analisa gráficos
especiais
Utiliza programa de
SIG
Trabalha com
arquivos Shape
Realiza consulta
espacial em shp
Linha de pesquisa
Grupo de pesquisa
Pos Doutorado
Doutorado
Mestrado
Participante
Tabela 8 - Características pessoais dos entrevistados para análise de similaridade
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
A preferência subjetiva foi obtida a partir dos relatos dos usuários e nas
respostas obtidas do questionário aplicado após o teste. As seguintes questões foram
feitas, sendo solicitado que se respondesse com uma das opções: 3 - Sim/Muito; 2 Parcialmente; 1 - Pouco; 0 - Não :
Sobre cada elemento da interface (mapa estático, mapa animado, gráfico de píxels e
gráfico de linhas) responda:
1) É de fácil compreensão?
2) Auxilia na análise temporal dos dados?
3) Auxilia na análise espacial dos dados?
4) O primeiro impacto visual foi positivo?
5) Já utiliza esse tipo de representação em análises de dados pluviométricos?
6) Utilizaria esse tipo de representação para analisar outros tipos de dados?
A partir das respostas obtidas, foi possível levantar algumas considerações
sobre as formas de representação dos dados, as quais foram organizadas e
apresentados na Tabela 3.
83
Tabela 9 - Resultados (em porcentagem) obtidos do questionário de preferência subjetiva
Questões
É de fácil compreensão?
Auxilia na análise temporal dos dados?
Auxilia na análise espacial dos dados?
O impacto visual foi positivo?
Usaria para analisar outros tipos de dados?
Elemento
Mapa estático
Mapa animado
Gráfico de Pixels
Gráfico de Linhas
Mapa estático
Mapa animado
Gráfico de Pixels
Gráfico de Linhas
Mapa estático
Mapa animado
Gráfico de Pixels
Gráfico de Linhas
Mapa estático
Mapa animado
Gráfico de Pixels
Gráfico de Linhas
Mapa estático
Mapa animado
Gráfico de Pixels
Gráfico de Linhas
Muito
100%
33,4%
0
8%
34%
33%
75%
75%
100%
0
25%
0
100%
42%
0
0
100%
50%
58%
25%
Parcial.
0
33,3%
42%
42%
58%
33%
25%
17%
0
17%
17%
8%
0
42%
16%
42%
0
25%
42%
50%
Pouco
0
33,3%
50%
50%
8%
17%
0
8%
0
50%
50%
17%
0
8%
42%
50%
0
17%
0
25%
Não
0
0
8%
0
0
17%
0
0
0
33%
8%
75%
0
8%
42%
8%
0
8%
0
0
O mapa estático foi considerado de fácil compreensão por unanimidade
pelos entrevistados, os quais consideraram o mapa estático próprio para auxiliar na
análise espacial e também na análise temporal (cerca de 92% entre os que
consideraram que auxilia muito ou parcialmente).
Os gráficos, no geral, tiveram um primeiro impacto visual negativo para a
maior parte dos participantes, que relataram serem de difícil compreensão, em partes
por não estarem acostumados a utilizar este tipo de gráfico. Entretanto, verificou-se
que, tanto os gráficos de linha quanto os de pixels, foram definidos como boas
ferramentas para a análise temporal. O gráfico de pixels, apesar de possuir maior nível
de complexidade para sua compreensão inicial, alcançou um maior nível de
satisfação: os participantes consideraram que este tipo de gráfico auxilia muito (75%)
ou parcialmente (25%) na análise temporal dos dados, além disso, 42% dos
participantes responderam que este gráfico pode auxiliar, ao menos parcialmente, da
análise espacial.
A Figura 40 mostra um gráfico com as respostas de cada participante.
84
Figura 39 - Gráficos gerados a partir do questionário e respostas da preferência subjetiva
Para analisar as similaridades entre indivíduos de acordo com suas
características pessoais, utilizou-se a técnica de agrupamento de observações, no
aplicativo Minitab, com a função de critérios de ligação definido por Ward (soma dos
desvios quadráticos a partir dos pontos aos centróides), a qual tende a produzir
agrupamentos com números similares de itens, porém é sensível à outliers. Definiu-se
a quantidade de 3 grupos de particionamento, o que resultou no dendograma
mostrado na Figura 41.
85
Figura 40 - Dendograma gerado a partir das observações de características pessoeius dos
participantes
As similaridades indicam a distância entre os componentes dos grupos,
porém é melhor visualizada na Figura 42, que apresenta um gráfico com a distribuição
espacial das observações.
Grupo
1
Grupo
2
Grupo 3
Figura 41 - Gráfico da distribuição espacial das observações (similaridades entre participantes)

GRUPO 1 (similaridade = 19,72): participantes 1, 4 e 7; com um
subgrupo formado pelos participantes 1 e 7, de similaridade igual a
29,31. Houve uma separação clara entre o Grupo 1 (Participantes 1, 7 e
4) e os demais participantes, no que diz respeito à frequência em que
86
realizam a análise pluviométrica. O Grupo 1 respondeu que analisa
raramente, ou seja, com uma frequência menor que 1 vezes por mês,
enquanto que os demais responderam que analisam frequentemente
(ao menos 1 vez por mês). Quanto às preferências subjetivas, todos os
integrantes deste grupo concordam que: o gráfico de linhas auxilia muito
na análise temporal dos dados e o utilizaria para analisar outros dados;
o mapa estático auxilia parcialmente na análise temporal dos dados;

GRUPO 2 apresentou as seguintes características em comum: todos
possuem titulação de(similaridade = 38,15): participantes 6, 8 e 10;
com um subgrupo formado pelos participantes 6 e 8, de similaridade
igual a 46,56. Características de perfil: doutor; analisam dados
pluviométricos com frequência e em formato de tabela; utilizam
programas de SIG. Quanto às preferências subjetivas, todos os
componentes desse grupo concordam que: o gráfico de pixel auxilia
muito na análise temporal dos dados e que para a análise espacial o
mapa animado auxilia pouco;

GRUPO 3 (similaridade = 32,83): participantes 2, 3, 5, 9, 11 e 12; com
os seguintes subgrupos: participantes 2 e 9 (similaridade = 62,21);
participantes 3 e 5 (similaridade = 53,72) e participantes 11 e 12
(similaridade = 73,29). Todos possuem titulação de doutor; analisam
dados pluviométricos com frequência e em formato de tabela; utilizam
programas de SIG e trabalham com arquivos Shapefile, realizando
consultas espaciais.
As características comuns a todos os participantes é que todos são
familiarizados com o uso de gráficos convencionais (linhas, barra, pizza, etc) e com a
leitura e interpretação de mapas estáticos. Além de considerarem, na preferência
subjetiva, que o mapa estático é de fácil compreensão, auxilia na análise espacial dos
dados, teve um impacto visual positivo e o utilizaria para analisar outros tipos de
dados.
87
6 CONCLUSÕES E RECOMENDAÇÕES
Na agrometeorologia, a análise bem sucedida de séries temporais para
descrição do comportamento pluviométrico é de grande importância para a
compreensão e estudo das mudanças climáticas, o que facilita uma previsão do
sucesso de determinada produção agrícola, e permite realizar um planejamento mais
correto do manejo da safra. Dentro deste contexto, a forma de representação dos
dados pluviométricos, bem como de seus métodos de análise, possui um impacto
direto na extração das informações do comportamento da chuva. Um ambiente virtual
com múltiplas visões coordenadas (MVC), para análise desse tipo de fenômeno
dinâmico, possibilita a representação dos dados em formas variadas e em diferentes
perspectivas, o que permite otimizar as tarefas cognitivas, de comparação e
identificação, necessárias à interpretação de séries temporais.
Os resultados, obtidos a partir do uso das representações gráficas e
cartográficas e das observações feitas pelos participantes, sugerem que existe uma
relação entre o tipo de tarefa cognitiva a desempenhar e o tipo de representação
(mapas e/ou gráficos) escolhida pelo usuário. Os participantes deram preferência ao
uso dos gráficos temporais para realizar as tarefas de comparação e identificação
temporal, enquanto que os mapas estáticos foram mais utilizados nas tarefas de
comparação e identificação espacial.
Similarmente, a partir dos resultados obtidos da avaliação do uso de MVC,
também foram encontradas relações entre as combinações de dois ou mais tipos de
representação e as tarefas investigativas. Os recursos de MVC foram utilizados com
maior frequência nas tarefas de comparação e, principalmente, identificação temporal.
Além disso, verificou-se que, dentre os elementos coordenados, o mapa foi
o mais utilizado para as tarefas espaciais, porém pouco utilizado nas tarefas
temporais. Como a localização é um aspecto fundamental para este tipo de análise
investigativa, já se esperava que o mapa fosse uma representação bastante utilizada,
uma vez que é considerada a representação mais indicada para a visualização das
propriedades espaciais (ADRIENKO, ADRIENKO e GATALSKY, 2003).
Os elementos gráficos apresentaram um papel importante na análise da
temporalidade dos dados. Para a análise de séries temporais, tradicionalmente utilizase gráficos estatísticos, pois eles permitem uma visão geral do cenário e ressaltam
padrões de comportamento existentes (ADRIENKO, ADRIENKO e GATALSKY, 2003;
MONMONIER, 1990). Essa característica dos gráficos temporais, juntamente com a
tradição de seu uso para análises de séries temporais, pode ter influenciado na
escolha dos participantes, os quais utilizaram mais a representação gráfica do que a
88
representação cartográfica, para realizar as tarefas que exigem uma análise temporal
mais detalhada.
Apesar dos gráficos temporais serem um tipo de representação
considerado tradicional para análise de séries temporais, o gráfico de pixels teve um
alto índice de rejeição em um primeiro momento. Os principais motivos apontados
pelos participantes foram que este gráfico não é de uso comum e que a disposição
dos eixos no gráfico estava contrária ao que normalmente se utiliza em qualquer tipo
de gráfico temporal, ou seja, com a variável "tempo" representada no eixo horizontal
(MONMONIER, 1990). Entretanto, durante a implementação da interface, optou-se por
descrever a variável "tempo" no eixo "Y", para que os pontos (postos pluviométricos)
fossem distribuídos ao longo do no eixo "X", de forma que a visualização de sua
distribuição espacial fosse mais intuitiva (no sentido Leste-Oeste).
Entretanto, mesmo com a rejeição inicial, o gráfico de pixels foi utilizado
em todos os tipos de tarefa investigativa (temporais e espaciais) o que demonstra o
potencial dessa ferramenta na análise espaço-temporal de pluviometria. Vale ressaltar
que o gráfico de pixels e o mapa estático foram os únicos elementos a serem
utilizados em todas as tarefas, além de terem sido considerados pelos participantes
como de grande auxílio para análise temporal.
Com o intuito de avaliar se a preferência do uso do Layout com MVC está
relacionada com a presença dos gráficos, sugere-se para as próximas pesquisas que
sejam analisadas a preferência no uso de diferentes combinações de elementos,
incluindo interface contendo somente com elementos cartográficos, interface contendo
somente elementos gráficos, e interface contendo ambos elementos.
Em relação ao uso da animação na análise dos dados pluviométricos, seu
uso foi bastante limitado. Os participantes optaram, em sua maioria, pela análise
estática dos mapas ou pela troca manual das cenas. Esse resultado se contrapõe ao
encontrado por Ahn e Kim em sua pesquisa, na qual concluíram que o uso da
animação foi de extrema importância para a análise espaço-temporal de dados
dinâmicos, em um ambiente com MVC. O que provavelmente levou a essa
discrepância nos resultados foi o comportamento dinâmico dos fenômenos estudados:
Ahn e Kim geraram mapas para descrever um fenômeno zonal contínuo (conforme
classificação proposta por YATTAW, 1999). Sendo assim, apesar de ocorrer mudança
ao longo do tempo, ela é previsível, ou seja, o analista é capaz de prever onde essa
mudança irá ocorrer, e então focar nesse ponto que, no caso de um mapa, pode ser
definido por um limite pouco ou nada mutável ao longo do tempo (como por exemplo,
limites político-administrativos).
89
Já os dados pluviométricos descrevem um fenômeno zonal intermitente, o
que implica que onde e quando as mudanças ocorrerão (na representação) não são
facilmente previsíveis. Para que uma pessoa perceba mudança de forma eficiente
deve prever onde ela ocorrerá, focar sua atenção no local e armazenar uma "memória"
da cena alguns instantes antes da mudança. Quando essa previsão se torna limitada,
devido a um grande número de mudanças visualmente aleatórias e simultâneas, o
observador tem dificuldade em focar sua atenção em toda área de fixação visual, o
que causa uma "cegueira não intencional" (inattentional blindness) (RENSINK, 2002
apud FISH, 2010; WOLF, 1999). Neste caso, deve-se reduzir o número de variáveis,
Sendo assim, recomenda-se o uso da representação animada de coleção de mapas,
considerando
uma
animação
para
cada
uma
das
classes
pluviométricas,
separadamente. De acordo com Martinelli (1991), a coleção de mapas propõe que se
utilize um mapa por atributo, o que permite obter respostas visuais de forma rápida e
em nível elementar. Dessa forma, este tipo de mapa pode oferecer subsídios visuais
para identificação e comparação de padrões, diminuindo a demanda visual.
Adicionalmente, de acordo com Fabrikant et al. (2008) e Ahn e Kim (2009),
a eficiência da animação cartográfica depende das características do indivíduo que a
utiliza e da subjetividade do indivíduo que a projeta, portanto, se torna difícil mensurar
seu uso. Assim, é possível que a eficiência dos mapas animados esteja também
relacionada com as características, preferências e habilidades do analista ou com os
recursos de interatividade disponíveis. Sugere-se, portanto, que seja realizado um
levantamento mais refinado das características pessoais dos usuários de mapas
animados, a fim de observar quais são as informações que se deve levar em conta ao
preparar um mapa animado para um grupo específico de especialistas.
Devemos considerar o uso apropriado das variáveis dinâmicas na
construção da animação. A granulação, por exemplo, pode ter sido um fator
importante e decisivo nesse processo. O fato de apresentar uma mudança mensal dos
dados pode ter acarretado numa quebra da continuidade visual da mudança espaçotemporal. Portanto, a definição da granulação temporal deve estar de acordo com a
dinâmica do fenômeno representado, ou seja, fenômenos altamente dinâmicos podem
exigir granulação mais fina. No caso dos dados pluviométricos, essa granulação mais
fina representaria mudança diária, e não mensal, dos dados de chuva.
Outra variável importante é a frequência, pois a preferência dada pelos
participantes na utilização de uma velocidade de 1 a 2 quadros por segundo, não pode
nos oferecer informações suficientes sobre sua eficiência na visualização animada dos
dados, uma vez que poucos participantes utilizaram o recurso de animação como
subsídio para alguma tarefa cognitiva específica. Entretanto ela nos dá uma pista
90
sobre o tempo de processamento cognitivo dessa informação: em 100% dos casos, os
participantes consideraram que 1 segundo é um intervalo de tempo confortável para
analisar as mudanças ocorridas entre dois quadros (meses) consecutivos. O tempo de
animação está relacionado com o processo cognitivo de percepção de movimento e
análise da cena. Uma frequência baixa demais faz com que se a próxima nova
informação demore muito para ser armazenada MCD (memória de curta duração) e
pode causar perda de características reservada da informação anterior. Já uma
frequência muito alta provavelmente só será atrativa quando se realiza uma busca
visual seletiva (quando se analisa um elemento específico, e desconsidera os demais
elementos em cena), caso contrário, o processamento de toda a informação existente
acaba sendo mais demorada que a própria troca de quadros, causando confusão ao
analista.
Os padrões secos e chuvosos, bem como sua análise comparativa entre
os anos apresentados foram rapidamente identificado por todos os participantes. Além
disso, outras informações foram extraídas tais como: identificação de padrões
espaciais, identificação de anos chuvosos e secos, e anomalias dos períodos de
estiagem. Dessa forma, conclui-se que a interface de MVC permitiu aos participantes
realizar a descrição das séries temporais apresentadas, chegando à identificação e
comparação de padrões espaço-temporais dos dados.
A criação de sistema de Múltiplas Visões Coordenadas como ferramenta
auxiliar nas tarefas cognitivas de reconhecimento de padrão é de grande contribuição
para a Cartografia. Portanto, devem ser exploradas novas formas de representação de
dados pluviométricos em múltiplas visões coordenadas, bem como outras ferramentas
de interatividade e animação, a fim de tornar o sistema mais eficiente para análises de
séries temporais.
Este trabalho apresenta contribuições importantes para a Cartografia
aplicada ao processo analítico visual, principalmente no que se refere ao uso de
Múltiplas Visões Coordenadas.
Recomenda-se que outros testes sejam realizados, adotando-se os
elementos gráficos e cartográficos dessa interface com uma população maior e menos
restrita de pesquisadores, os quais trabalham efetivamente com esse tipo de dados.
91
REFERÊNCIAS BIBLIOGRÁFICAS
Adrienko, G. L., & Adrienko, N. V. (2007). Coordinated multiple views: a critical review.
(C. Society, Ed.) V International Conference on Coordinated and Multiple Views
Exploratory Visualization , 1-3.
Adrienko, G. L., & Adrienko, N. V. (1999). Interactive maps for visual data exploration.
International Journal og Geographical Information Science , 13, n. 4, 355-374.
Adrienko, G. L., Adrienko, N. V., & Wrobel, S. (2008). Visual analytics tools for analysis
of movement data. SIGKDD Explorations , 2 (9) , 38-49.
Adrienko, N. V., & Adrienko, G. L. (2007). Designing visual analytics methods for
massive collections of movement data. Cartographica , 42, issue 2, 117-138.
Adrienko, N., Adrienko, G., & Gatalsky, P. (2003). Exploratory spatio-temporal
visualization: an analytical review. Journal of Visual Languages and Computing , 14,
503-541.
Ahn, J. S., & Kim, H. (2007). Geovisual analitical method for animated map.
Allen, J., & Kautz, H. A. (1985). A model of naive temporal reasoning. (J. R. Hobbs, &
R. C. Moore, Eds.) Formal Theories of the Commonsense World , 251-268.
Allianz Foundation for Sustainability. (2007). Informações sobre o tópico "Clima":
fundamentos, histórico e projeções (1 ed.). (T. Toussaint, Trad.) IMAGO 87.
Andrews, K., & Heidegger, H. (october de 1981). Information slices: visualising and
exploring large hierarchies using cascading semi-circular discs. Late Breaking Hot
Topic Paper, IEEE Symposium on Information Visualization (InfoVis’98) . North
Carolina.
Assad, E. D. (2001). Chuva no cerrado: análise e espacialização. Brasil: Embrapa
Cerrados.
Ayoade, J. O. (2007). Introdução à climatologia para os trópicos (12 ed.). (A.
Christofoletti, Ed., & M. J. Santos, Trad.) Rio de Janeiro, RJ, Brasil: Bertrand Brasil.
Bandrova, T., Zlatanova, S., & Konecny, M. (Agosto-Setembro de 2012). Threedimensional maps for disaster management. ISPRS Annals of the Photogrammetry,
Remote Sensing and Spatial Information Sciences , 1-4 .
Barros Filho, M. N. (25-26 de coutubro de 2007). Krigagem Ordinária aplicada à
análise espacial da habitabilidade intra-urbana: o caso da cidade do Recife (Brasil).
anais, VII Seminário Internacional da LARES , 11. São Paulo, SP, Brasil: LARES.
Blain, G. C. (2009). considerações estatísticas relativas à oito séries de precipitação
pluvial da Secretaria de Agricultura e Abastecimento do estado de São Paulo. Revista
Brasileira de Meteorologia , 24 (1), 12-23.
Block, C., Kobben, B., Cheng, T., & Kuterema, A. A. (1999). Visualization of
relationships between spatial patterns in time bt cartographic animation. Cartography
and Geographic Information Science , 26 (2), pp. 139-151.
92
Block, R. A. (1998). Psychological time and the processing of spatial information. In: M.
J. Egenhofer, & R. G. Golledge, Spatial and temporal reasoning in geographic
information systems (pp. 119-130).
Blok, C. A. (2005). Dynamic Visualization variables in animation to support monitoring
of spatial phenomena. Utrecht University. Netherlands: Utrecht University.
Bohling, G. (19 de Outubro de 2005). Kriging. Kansas Geological Survey .
Câmara, G., Davis, C., & Monteiro, A. M. (2001). Introdução à ciência da
geoinformação. São José dos Campos: INPE.
Carvalho, J. R., & Assad, E. D. (2005). Análise espacial da precipitação pluviométrica
no Estado de São Paulo: Comparação de métodos de interpolação. Engenharia
Agrícola , 25 (2), 377-384.
Dent, B. D. (1999). Cartography: thematic map design (5 ed., Vol. 1). Michigan:
WCB/McGraw-Hill.
Dibiasi, D., MacEachren, A. M., Krygier, J. B., & Reeves, C. (1992). Animation and the
role of map design in scientific visualization. Cartography and geographic information
science , 19 (4).
Dodge, M., MacDerby, M., & Turner, M. (2008). Geographic visualization: concepts,
tools and applications. John Wiley & Sons Ltd.
Dunham, M. H. (2003). Data mining: introductory and advanced topics. Nova Jersey:
Prentice Hall.
Dykes, J., MacEachren, A. M., & Kraak, M.-J. (2005). Exploring Geovisualization (1
ed.). Elsevier Inc.
Eastman, J. R. (dezembro de 1985). Cognitive models and cartographic design
research. The cartographic Journal , 2 (22).
Ebecken, N. F., Lopes, M. C., & Costa, M. C. (2003). Mineração de textos. In: S. O.
Rezende, Sistemas Inteligentes: fundamentos e aplicações (pp. 337-370). Barueri:
Maole Ltda.
Edsall, R. M., Kraak, M.-J., MacEachren, A. M., & Peuquet, D. J. (28-30 de outubro de
1997). Assessing teh effectiveness of temporal legendsin environmentalvisualization.
GIS/LIS' 97 , 677-685. Cincinnati.
Emmers, N. N. (2001). Determining the effectiveness of animations to represent geospatial temporal data: a first approach. ASSOCIATION OF GEOGRAPHIC
INFORMATION LABORATORIES IN EUROPE CONFERENCE ON GEOGRAPHIC
INFORMATION SCIENCE (anais) , pp. 585-589.
Eschenbach, C. (1998). Research abstract in dynamic phenomena in space and their
representation . In: S. Hirtle, & A. M. MacEachren, Cognitive models of dynamic
geographic phenomena and their representations (pp. 42-45). Pittsburgh.
ESRI. (2009). Guia de ajuda do software ARCGIS.
93
Fabrikant, S. A., Hespanha, S. R., Montello, D. R., Adrienko, G., & Adrienko, N. (2008).
A visual analytics approach to evaluate inference affordance from animated map
displays. GIScience - GeoVa Workshop (proceedings) . Utah.
Fenille, M. C., & Cardim, M. (2007). Correlação espacial entre a altitude e as
precipitações pluviométricas no estado de São Paulo. Geociências , 26, 135-141.
Flores, E. F. (2001). Modelagem em Climatologia Geográfica: Um Ensaio
Metodológico Aplicado ao Oeste Paulista. Tese de Doutorado, Unesp.
Freitas, C. M. (2007). Visualização de informações e a convergência de técnicas de
computação gráfica e interação humano-computador. In: T. Kowaltowski, & K.
Breitman, Atualizações em Informática (pp. 171-220). Rio de Janeiro: Editora PUC Rio.
Freitas, M. A. (2004). A previsão de secas e a gestão hidroenergética: o caso da bacia
do Rio Parnaíba no Nordeste do Brasil. anais, Seminário Internacional sobre Represas
y Operación de Embalses . Puerto Iguazú, Buenos Aires.
Gerken, J., Bak, P., Jetter, H. C., Klinkhammer, D., & Reiterer, H. (2008). How to use
interaction logs effectively for usability evaluation. Acesso em 13 de julho de 2009,
disponível em Scientific Commons: http://de.scientificcommons.org/41825207
Gonçalves, A. L. (2006). A text mining approach towards knowledge management
applications. Proceedings of the International Workshop on Information Retrieval on
Current Research Information Systems .
Gutierres, J. L. (2003). Monitoramento da instrumentação da barragem de Corumbá I
por redes neurais e modelos de Box & Jenkins. PUC, Engenharia Civil. Rio de Janeiro:
PUC.
Harrover, M. (9 de dezembro de 2009). Representing time on animated maps. (M.
Harrover, Ed.) Acesso em 10 de fevereiro de 2010, disponível em Cartography 2.0:
http://cartography2.org/Chapters/page11/TimeAnimation.html
Hoffman, P. E., Gristein, G., Marx, K., Grosse, I., & Stanley, E. (1997). DNA Visual and
Analytic Data Mining. IEEE Visualization , 1, 437-441.
Jesus, E. F. (2008). Algumas reflexões teórico-conceituais na climatologia geográfica
em mesoescala: uma proposta de investigação. Geotextos , 4 (1 e 2), 165-187.
Kandogan, E. (2001). Visualizing multi-dimensional clusters, trends, and outliers using
star coordinates. Proceedings of the seventh ACM SIGKDD international conference
on Knowledge discovery and data mining , 107-116.
Keim, D., Adrienko, G., Fekete, J. D., Görg, C., Kohlhammer, J., & Melançon, G.
(2008). Visual analytics: definition, process and challenges. In: A. Kerren, Information
visualization: human centered issues and perspective (pp. 154-175). Berlin: Springer.
Koussoulakou, A., & Kraak, M.-J. (dezembro de 1992). Spatio-temporal maps and
cartographic communication. The Cartographic Journal , pp. 101-108.
Kraak, M.-J. (1999). Cartography and the use of animation. In: W. Cartwright, M. P.
Peterson, & G. Gartner, Multimedia Cartography (pp. 173-180). Berlin: Springer-Verlag.
Kraak, M.-J. (2007). Geovisualization and Visual Analytics. Cartographica , 42 (2), 115116.
94
Kraak, M.-J., & Vlag, D. E. (2005). Understanding spatialtemporal patterns: visual
ordering of space and time. Cartographica , 42 (2), pp. 153-161.
Kraak, M.-J., Edsall, R. M., & MacEachren, A. M. (23-27 de Junho de 1997).
Cartographic animation and legends for temporal maps: exploration and or interaction.
Anais: 18th International Cartography Conference , 253-262. Stockholm: IGU.
Landim, P. M. (2006). Sobre Geoestatística e mapas. Terra e Didática , 2 (1), 19-33.
Lloyd, R., Patton, D., & Cammack, R. (1996). Basic-level geographic categories.
Professional Cartographer , 48 (2), 181-94.
MacEachren, A. M., & Kraak, M. J. (n. 01 de 2001). Research challenges in
geovisualization. Cartography and Geography Information Science , 28, pp. 1-11.
MacEacrhen, A. M. (1995). How maps work: Representation, Visualization and Design.
London: The Gilford Press.
Midtbo, T., Clarke, K. C., & Fabrikant, S. I. (2007). Human interaction with animated
maps: the portrayal of the passage of time. Proceedings of ScanGIS .
Midtibo, T., & Larsen, E. (2005). Mapanimations versus static maps: when is one of
them better? JOINT ICA COMMISSIONS SEMINAR "INTERNET-BASED
CARTOGRAPHIC TEACHING AND LEARNING: ATLASES, MAP USE, AND VISUAL
ANALYTICS . Madrid.
Mitchell, C. T., & Davis, R. (1987). The perception of time in scale model environments.
Perception , 16 (6), 5-16.
Monmonier, M. (1990). Strategies for the visualization of geographic time-series data.
Cartographica , 27 (1), 30-45.
Negri, R. G., Flores, E. F., & Shimabukuro, M. H. (2006). Seleção de anos
representativos de uma base de dados pluviométricos com atributos espacial e
temporal utilizando técnica de visualização. XVIII Congresso de Iniciação Científica .
Bauru.
Neumann, A. (2005). Thematic Navigation in Space and Time. Acesso em 15 de julho
de 2009, disponível em
http://www.svgopen.org/2005/papers/abstract_neumann_thematic_navigation_in_spac
e_and_time/index.html
Nunes, L. H. (1998). A escala nas ciências atmosféricas. Rev. IG , 19, 71-73.
Oliveira, J. R., Sandanielo, V. L., Padovani, C. R., & Aragon, F. F. (2007). Variabilidade
pluviométrica decendial para a região sudeste do estado de Mato Grosso. anais do I
Simpósio de Recursos Hídricos do Norte e Centro-Oeste .
Ortiz, C. G., Piedade, S. M., & Oliveira, N. C. (2009). Acesso em Novembro de 2010,
disponível em http://www.posgraduacao.ufla.br/gauss/congresso/47rbras/g4.pdf
Ortiz, G. C., Piedade, S. M., & Oliveira, M. C. (2008). Ajuste de modelos teóricos ao
semivariograma experimental para dados de densidade do solo.
Parkes, D., & Thrift, N. (1980). Times, spaces and places: a chronogeographic
perspective. New York: John Wiley and Sons.
95
Paz, A. R., & Collischonn, W. (2011). Avaliação de estimativas de campos de
precipitação para modelagem hidrológica distribuída. Revista Brasileira de
Meteorologia , 26 (1), 109-120.
Peterson, M. P. (1995). Interactive and animated cartography. New Jersey: Prentice
Hall.
Pincock, Allen & Holt, a division of Runge Inc. (janeiro de 2008). About Kriging.
Pincock Perscpective , 88.
Ping, Y., Xinming, T., & Shengxiao, W. (2008). Dynamic Cartographic Representations
of spatio-temporal data. The International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Science , XXXVII, 7-12.
Qi, F., & Artigas, F. (novembro de 2009). Animated and interactive visualization of
highway air pollution. Proceedings of the 24th International Cartographic Conference .
Santiago: Chile.
Ramos, C. d. (2005). Visualização cartográfica e cartografia multimídia. São Paulo:
Unesp.
Resende, M. D., & Sturion, J. A. (2001). Análise genética de dados com dependência
espacial e temporal no melhoramento de plantas perenes via modelos geoestatísticos
e de séries temporais empregando REML/BLUP ao nível individual. Embrapa Florestas
Documentos , 79. Colombo: Embrapa Florestas.
Rhyne, T.-M. (setembro/outubro de 2007). Visualization and the larger world of
computer graphics: what’s happening out here? TR News , 20-23.
Roberts, J. C. (2007). State of the Art: Coordinated and multiple views in exploratory
visualization. anais do XV International Conference on Coordinated and Multiple Views
in Exploratory Visualization .
Robertson, G., Fernandez, R., Fisher, D., Lee, B., & Stasko, J. (novembro/dezembro
de 2008). Effectiveness of animation in trend visualization. IEEE Transactions on
visualization and computer graphics , pp. 1325-1332.
Salgueiro, J. H. (2005). Avaliação da rede pluviométrica e análise de variabilidade
espacial da preciptação: estudo de caso na bacia do rio Ipojuca em Pernambuco.
UFPE, Engenharia Civil. Pernambuco: UFPE.
Santos, G. R., Alves, M. C., Oliveira, M. S., Abbud, E. L., & Abreu, A. J. (14 a 16 de
maio de 2008). Análise de dependência espacial de precipitação pluvial através do
semivariograma . 53ª Reunião Anual da Região Brasileira da Sociedade Internacional
de Biometria (anais) . Lavras: UFLA.
Shimabukuro, M. H. (2004). Visualizações temporais e uma plataforma de software
extensível e adaptável. São Carlos: Departamento de Instituto de Ciências
Matemáticas e de Computação, Usp.
Shimabukuro, M. H., Flores, E. F., Oliveirs, M. C., & Levikowith, H. (2004). Coordinated
Views to Assist Exploration of Spatio-Temporal Data: a Case Study. CMV2004 .
Londres.
96
Silva, V. P., Pereira, E. R., Azevedo, P. V., Sousa, F. A., & Sousa, I. F. (2011). Análise
da pluviometria e dias chuvosos na região Nordeste do Brasil. Revista Brasileira de
Engenharia Agrícola e Ambiental , 15, 131-138.
Slocum, T. A. (2001). Cognitive and Usability Issues in Geovisualization. Cartography
And Geographic Information Science , pp. 61-75.
Slocum, T. A. (1999). Thematic cartography and visualization. Prentice Hall.
Soukup, T., & Davidson, I. (2002). Visual data mining: techniques and tools for data
visualization and mining. John Wiley And Sons.
Souza, A. L., Ramos, A. M., Conde, F. C., Massambani, O., & Recuero, F. S. (11-13 de
fevereiro de 2004). Comparação dos dados climatológicos modelados e observados
utilizando a técnica dos quantis. anais - Jornada Cientifica de la Associacion
Metereologica Espanola .
Swienty, O., & Reichenbacher, T. (23 a 26 de setembro de 2008). Evaluating the visual
scanning efficiency of geovisualisation displays. GIScience 2008 - XV International
Conference in Geographic Information Science (proceedings) , 1-4. Utah.
Thomas, J. J., & Cook, K. A. (2005). Illuminating the path: the research and
development agenda for visual analytics. IEEE CS.
Tomaszewski, B. M., Robinson, A. C., & MacEachren, A. M. (13 to 16 de may de
2007). Geovisual Analytics and Crisis Management. Proceedings of the 4th
International ISCRAM Conference , 173-179. Delft.
Voss, H. A., Adrienko, G., & Gatalsky, P. (novembro de 2000). Web-based SpatioTemporal Presentation and Analysis of Thematic Maps: Cities and Regions. Journal of
SCORUS, the Standing Committee on Regional and Urban Statistics and Research ,
pp. 51-61.
Voss, H., Adrienko, N., Adrienko, G., & Gatalsky, P. (novembro de 2000). Web-based
Spatio-Temporal Presentation and Analysis of Thematic Maps: Cities and Regions.
Journal of SCORUS, the Standing Committee on Regional and Urban Statistics and
Research , pp. 51-61.
Ware, C. (2004). Information visualization: perception for design (2 ed.). Elsevier Inc.
World Meteorological Organization. (1994). Guide to hydrological practices: data
acquisition, processing, analysis, forecasting and other applications (5ª ed.). .: WMO.
Xavier, T. M., & Xavier, A. F. (1998). Caracterização de períodos secos ou
excessivamente chuvosos no estado do ceará através da técnica dos quantis: 1964 1998. Revista Brasileira de Metereologia , 14, 63-78.
Yattaw, N. J. (1999). Conceptualizing space and time: a classification of geographic
movement. Cartography and Geographic Information Science , 26 (2), pp. 85-98.
97
APÊNDICES
APÊNDICE A: TELAS DA INTERFACE PARA CADA MÊS/ANO ............................. 98
APÊNDICE B: QUESTIONÁRIOS APLICADOS ÀS ENTREVISTAS ...................... 108
APÊNDICE C: RESPOSTAS CLASSIFICADAS DOS PARTICIPANTE .................. 111
98
Apêndice A: Telas da interface para cada mês/ano
99
100
101
102
103
104
105
106
107
108
Apêndice B: Questionários aplicados às entrevistas
109
Questão
1. Nome completp
2. Data de nascimento
3. Trabalho atual
4. Se formou em área relacionada à agrometeorologia?
( ) Graduação
( ) Especialização
( ) Mestrado
( ) Doutorado
5. Participa de grupo de pesquisa relacionada à estudos agrometeorológicos?
( ) Sim
( ) Não
6. Possui linha de pesquisa relacionada à estudos agrometeorológicos?
( ) Sim
( ) Não
7. Realiza análise de dados pluviométricos com que frequência?
( ) Frequentemente
( ) Raramente
( ) Não faço análise de dados pluviométricos
8. Qual o formato dos dados pluviométricos que costuma analisar?
( ) Tabelas
( ) Textos
( ) Gráficos
( ) Mapas
( ) Outro:
10. Com que frequência utiliza programas estatísticos?
( ) Frequentemente
( ) Raramente
( ) Não utilizo
11. Costuma utilizar análises estatísticas em sua pesquisa/trabalho?
( ) Sim TIPOS:
( ) Não
12. Qual seu nível de conhecimento sobre gráficos?
( ) Tenho dificuldade em interpretar gráficos
( ) Leio e interpreto gráficos com facilidade
( ) Construo gráficos usando excel
( ) Construo gráficos usando programas estatísticos especializados
( ) Realizo análises estatísticas baseadas em gráficos
13. Que tipos de gráficos já utilizou?
( ) Barras
( ) Linhas
( ) Pizza
( ) Outros:
14. Com que frequência utiliza programas de SIG?
( ) Frequentemente
( ) Raramente
( ) Não utilizo
15. Qual seu nível de conhecimento sobre mapas?
( ) Tenho dificuldade em entender mapas
( ) Leio e interpeto mapas com facilidade
( ) Utilizo arquivos Shape em programas de SIG
( ) Realizo consultas espaciais com arquivos Shape
( ) Construo mapas em programas de SIG
16. Que tipos de mapas já utilizou?
( ) Estático
( ) Animado
( ) Interativo
110
( ) Outro:
QUESTIONÁRIO
As questões abaixo são importantes para avaliarmos o método proposto (interface
com múltiplas visões coordenadas) e a preferência do usuário. Sendo assim, pede-se
que responda os itens abaixo:
A. Nos itens abaixo, dê uma nota de 0 a 3 para cada opção (mapa estático, mapa
animado, gráfico de pixels e gráfico de linhas), sendo:
0 = não; 1 = pouco; 2 = parcialmente; 3 = muito
Mapa
estático
Mapa
animado
Grafico
pixel
Grafico
linhas
1. É de fácil compreensão
2. Auxilia na análise temporal dos dados
3. Auxilia na análise espacial dos dados
4. O primeiro impacto visual foi positivo
5. Usaria para analisar outros tipos de dados
6. Usaria para aprimorar o método de análise ao qual
estou acostumado
B. Em sua opinião, com relação ao método proposto (interface com múltiplas visões
coordenadas):
Sim
7. Este método proporciona maior rapidez na análise dos dados?
8. Utilizaria essa interface se estivesse disponível para uso acadêmico?
9. Utilizaria esse método para complementar a forma de análise que já está
acostumado?
10. Utilizaria esse método como substituto do método de análise ao qual está
acostumado?
C. Descreva o método de análise dos dados ao qual está acostumado:
D. Em sua opinião, o método proposto pode ser melhorado? Explique.
Não
111
Apêndice C: Respostas classificadas dos participante
112
Part.
P1
Frase
Muitas diferenças podem ser encontradas entre as normais climatológicas
e os meses representados no mapa: janeiro de 1983 se apresentou, no
geral, muito mais chuvoso que o esperado;...
...Em fevereiro de 83 e 84, a área do pontal paulista foge do padrão;...
...Em maio de 83 e 84, essa mesma área continua aparecendo mais seca
do que o esperado;...
...Junho de 83 apresentou faixas de chuvas similares à encontradas nas
normais climatológicas;..
... Setembro de 83, novamente o pontal se mostra diferente, dessa vez
mais chuvoso;...
... Junho e julho de 84 se apresentou extremamente seco, enquanto as
normais variavam em torno de uma média de 50mm;...
...Agosto de 84 se mostrou com uma média pluviométrica cerca de 30mm
maior que as normais...
... Já em outubro do mesmo ano, a situação se inverteu, e o mês foi de
muita seca, em um momento que era esperado uma quantidade razoável
de chuva..
... Dezembro de 1984 é muito mais chuvoso que o normal.
...Abril de 1985 foi um mês inesperadamente chuvoso;..
...Agosto, setembro e outubro de 85 foge do padrão, se mostrando
bastante seco.
...O mês de dezembro dos três anos se apresenta bem diferente: para 83
está com quantidade média de chuva, em 84 extremamente chuvoso e em
85 bastante seco.
No mapa, existe uma faixa central (SE-NO) homogênea similar à que
aparece nas normais climatológicas para o mês de maio. Essa faixa pode
ser encontrada no ano de 1984, bem evidente, e quando comparado o
mesmo mês com os demais anos, só é possível encontrá-la com evidencia
no ano de 1985, em ambos os anos o comportamento pluviométrico dessa
área é seco.
É possível identificar os períodos secos pelos gráficos.O gráfico de linhas
dá uma visão mais imediata desses períodos.
Pelo mapa, posso verificar que o mês de janeiro de 1983 foi bastante
chuvoso, pelas cores que ele apresenta. Ao analisar o gráfico de pixels,
identifico de imediato outro mês chuvoso com as mesmas carcaterísticas:
O que
Chuva
Quando
Jan 83
Onde
-
Relativo
diferenças
A o que
Normais
Tarefa
Ie
Interface
Me
Fev 83, 84
Mai 83, 84
Pontal paulista
Jun, jul 83
-
Setembro 83
Pontal paulista
Jun, jul 84
-
Agosto 84
-
Outubro 84
-
Dez 84
Abr 85
Ago, set, out 85
-
Quantidade de
chuva
Dez 83
-
diferente
Dez 84,
85
Ct
Me
Área de
homogeneidade
Maio 84
Faixa central
(SE-NO)
similar
Maio 85
Ie,Ct
Me
Períodos secos
3 anos
-
-
-
It
Gp, Gl
Chuvoso
Jan83
-
similar
Dez 84
Ct
Me, Gp
113
P2
P3
dezembro de 1984.
...Entretanto, ao passar para o próximo mês (janeiro de 1985) a
carcaterística do regime pluviométrico muda, fico mais seco.
Observou-se que o ano de 1983 choveu mais no início do ano em relação
ao ano de 1984.
...porém a chuva de 1984 foi melhor distribuída espacialmente
Houve um momento de estiagem mais prolongada no ano de 1985 que
nos demais anos, que pode ser mais fácil de visualizar no gráfico com
linhas
Os meses com menor ocorrência de chuva ficaram fácil de se identificar
nos gráficos: julho e agosto de 1983, junho e julho de 1984, junho a
outubro de 1985.
A seca mais rigorosa ocorreu em 1984, onde se percebe quantidades
quase nulas de precipitação no gráfico (pixels)
Olhando o mapa, percebe-se que os comportamento dos pontos à
esquerda segue um padrão entre si,...
Ao analisar o gráfico de pixels percebe-se os pontos à esquerda que
diferem bastante do comportamento dos postos mais a direita,...
... que mostraram um aumento na precipitação nos meses de janeiro de
83 e novembro e dezembro de 84
A 1º observação a ser feita é com relação ao mapa das normais
climatológicas, percebe-se que tem diferenças evidentes em todos os
anos entre os valores observados e os mostrados nas normais
climatólogicas
Os dados quando analisados por inteiro (36 meses), no gráfico de linhas
observou que os eventos pluviométricos tiveram um tendência parecida,...
... entretando o ano de 1985 a seca foi menos severa
No mapa (sem animação) é possível perceber a mudança nas regiões,
como por exemplo, na ponta do estado (a oeste) que a chuva tende a se
manter constante...
... ao longo da época característica (chuvosas e secas) anual...
... tendo menos variação microrregionais em relação a outras regiões.
As evidências das diferenças entre os meses apresentados e o mapa de
Jan 83
-
mais
Jan 85
Ct
Me
Choveu mais
1983
-
Em relação
1984
Ct
-
chuva
estiagem
1984*
1985
Toda região
-
melhor
mais
1983
Demais
anos
Ce
Ct
Gl
Ocorrencia de
chuva
-
menor
Demais
meses
Ct
Gl, Gp
seca
Jul, ago 83;
jun,jul 84; junout 85
1984
-
mais
Ct
Gp
comportamento
-
-
Ie
Me
comportamento
-
Gp
1983, 1984
-
Pontos à
direita
-
Ce
Preciptação
Pontos à
esquerda
Pontos à
esquerda
-
Demais
anos
-
It
Me,Gp
Preciptação
Todos os anos
-
diferenças
normais
Ie
Me
Eventos
pluviométricos,
tendência
seca
Chuva
constante
3 anos
-
-
-
It
Gl
1985
-
oeste
menos
-
demais
-
Ct
Ie
Gl
Me
Época
característica
Variação de
chuva
Preciptação
Anual
-
-
-
It
-
-
Outras regiões
Ma
-
Outras
regiões
Normais**
Ce
Jan 83
Menos, em
relação
mais
Ie
Me
diferem
114
normais climatológicas foram: janeiro de 1983 se mostrou muito mais
chuvoso que o esperado para esse mês;...
... em fevereiro de 1984, uma região tipicamente mais chuvosa (nordeste
do mapa) se apresentou mais seca que as demais;...
... o mês de abril se apresentou mais chuvoso que o esperado para todos
os anos;...
... junho foi o mês que mais apresentou mudança no regime de chuva
entre os 3 anos;...
... setembro de 1983 foi um mês de muita chuva acima do esperado;...
P4
P5
... outubro tambem foi atípico para os anos de 1984 e 1985, que se
apresentaram mais secos;...
... no mês de dezembro, a região que mais apresentou alteração foi a
região a oeste, que fugiu do esperado no ano de 1984, se apresentando
muito mais chuvosa que as demais região e que a normal climatológica, e
no ano de 1985 apresentou exatamente o contrário.
No gráfico de linhas:
- Os períodos de seca são evidentes, sendo o ano de 1985 mostrou um
tempo maior de seca que os outros anos;...
- Dá para perceber que houve um pico de chuva que se destaca bastante
dos demais nos meses de janeiro de 1983, setembro de 1983 e dezembro
de 1984;
- Selecionei no mapa os postos dos municípios de Teodoro Sampaio e
Rosana, e dá pra perceber no gráfico de linhas que estes apresentaram
um comportamento muito similar ao longo dos anos,...
... com algumas exceções no mês de junho, setembro e novembro de
1983, e março e maio de 1985, onde tiveram picos altos e baixos de chuva
em alguns pontos específicos
- Pegando um ponto a extremo leste e extremo oeste, é possível verificar
um comportamento de chuva bem diferenciado ao longo dos anos;
- No gráfico pixels ficou muito fácil de identificar um mês muito chuvoso e
fora do padrão, por causa da cor que ele apresentava: dezembro de 1984.
- No gráfico de linhas, fica evidente as épocas de estiagem e que ela se
Seca
Fev 84*
nordeste
mais
chuvoso
abril
-
mais
Mudança do
regime de
chuva
Muita chuva
junho
-
entre
Set 83
-
acima
secos
1984, 1985
-
mais
chuvosa
Dez 84*
oeste
Mais,
menos
Períodos de
seca
1985
-
maior
Pico de chuva
Jan 83, set 83,
dez 84
-
destaca
Comportamento
pluviométrico
Jun, set, nov
83, mar 85
Teodoro
sampaio,
Rosana
Pontos
específicos
Comportamento
de chuva
Chuvoso
-
Épocas de
Demais
regiões
Normais**
(esperado
)
3 anos
Ce
Normais**
(esperado
)
Normais**
(atípico)
Demais
regiões,
normais,
1985
Demais
anos
Ie
Ie
Ct
Ie
Ce, Ct
It, Ct
Gl
Demais
meses
Ct
Gl
similar
Ao longo
do ano
Ie, Ct
Me, Gl
-
-
Ce, Ct
Extremo oeste,
diferenciado
Ce
-
Dez 84
-
-
extremo
leste
-
It
Gp
Ao longo dos
-
-
-
It
Gl
115
P6
P7
P8
repete ao longo dos anos...
... , mas não com o mesmo comportamento. Isso demonstra que os três
anos apresentados são anos bem diferentes entre si.
- Nos gráficos percebe-se que a estiagem de 1985 foi evidentemente mais
prolongada do que a dos anos anteriores
- Pelo gráfico de pixels percebe-se que os meses de janeiro de 1983 e
dezembro de 1984 foram os mais chuvosos
(1) Na Janela de mapa (...)tomando como exemplo o mês de Fevereiro, foi
possível verificar uma região com maior ocorrência de chuva (entre 140 e
180mm) localizada à direita da representação, enquanto que na região à
esquerda predominam os valores entre 50 e 80 mm....
(2) Na janela de gráfico (Coordenadas Paralelas)(...) Ficou evidente que
no ano de 1983, o período de seca ocorreu entre dois períodos com picos
de alta precipitação. Comportamento que não se repete nos demais
anos....
... E mesmo dentro de um mesmo município, houve alguma variação no
comportamento de chuva, evidenciado no gráfico pelos picos.
(4) A janela de gráfico (Pixels)(...) As épocas secas ficam muito mais
evidentes, além disso, pode-se perceber que a seca do último ano não foi
tão severa como dos anos anteriores.
Pelo gráfico de coordenadas paralelas pode ser verificado uma maior
intensificação da precipitação entre novembro e dezembro de 84, em
relação aos demais meses, alcançando a intensidade máxima verificada....
estiagem
anos
3 anos
-
diferentes
Entre si
Ct
Estiagem
1985
-
mais
Ct
Gl, Gp
Chuvoso
Jan 83, dez 84
-
mais
Ct
Gp
Ocorrência de
chuva
-
direita
maior
Anos
anteriores
Demais
meses
esquerda
Ce
Me
seca
1983
-
diferente
Demais
anos
Ct
Gl
Comportamento
de chuva
Épocas secas
-
município
Intensificação
da precipitação
Nov, dez 84
...Assim como pode ser verificado também uma época maior de estiagem
somente no ano de 1985, alcançando a máxima de 6 meses com níveis
mínimos de precipitação indicados, sendo que nos anos de 83 e 84 essa
época de estiagem não ultrapassou 3 meses.
Época de
estiagem
Pelo gráfico de pixels também puderam ser observadas essas mesmas
variações.
Intensificação
da precipitação
Época de
estiagem
Valor de
precipitação
Em Janeiro de 1983 ocorreu uma precipitação de 180 - 260 mm mês
(cores verdes) no lado oeste do mapa e ocorreu uma variação da
Ultimo ano
Ct
Menos
Anos
anteriores
Ct
Gp
-
Maior, em
relação
Demais
meses
Ct
Gp, Gl
Maio-out 85
-
maior
1983,
1984
Ct
Nov, dez 84
-
1983*
Lado oeste
menor
Demais
meses
1983,
1984
nordeste
Ct
Maio-out 85
Maior, em
relação
maior
Ct
Ce
Me
116
precipitação de 340 - 510 mm mês (cores azuis) no nordeste do mapa. Ou
seja, o lado nordeste se apresentou mais chuvoso.
Outra opção é a Janela de Gráfico (...)É possivel verificar que no início de
1983, janeiro se mostra mais chuvoso que os meses seguintes, uma vez
que seus valores eram superiores aos demais valores de fevereiro, março
e abril deste mesmo ano...
... Isso ficou mais fácil de identificar no próximo gráfico (pixels)...
P9
...Verificou-se também, ainda nesta janela de Gráfico (linhas), que em
fevereiro houve uma maior quantidade de postos com valores inferiores a
100 mm, houve um pequeno aumento de chuva em março, voltando a
diminuir em abril.
Outra opção é a Janela de gráfico por pixel (...)A maior quantidade de
postos em fevereiro com valores inferiores à 100mm estão bem
identificadas neste gráfico,...
...é possível ainda perceber que estes postos estão localizados do centro
para Oeste e que ao extremo leste da região, a chuva foi mais
concentrada.
A última opção é o Mapa das normais climatológicas (...)
O mês de junho de 1983, por exemplo, mostra no mapa principal regiões
de precipitação no sentido horizontal, similar ao que aparece no mapa de
normais climatológicas,...
... com valores de chuva mais alto na região ao sul que na região ao
norte....
... Abril de 1985 foi muito mais chuvoso que o apresentado nas normais
climatológicas
Há opção também de visualizar o mapa com animação (...)É possível
verificar uma repetição do ciclo dos períodos secos e chuvosos durante os
três anos
O comando de play do mapa me demonstra a homogeneidade ou não
entre as regiões, em que percebi que nos períodos secos ocorre mais
homogeneidade que o período chuvoso.
Na janela em que apresenta os pixels (...) percebo a diferença de
homogeneidade entre os lados (L/O), depois de analisar o gráfico, fica fácil
buscar essa informação no mapa pois ambos tratam da localização dos
postos...
chuvoso
Jan 83
-
mais
Fev, mar,
abr 83
Ct
Gl
chuvoso
Jan 83
-
mais
Ct
Gl, Gp
Variação de
chuva
fevereiro
-
Maior,
menor
Fev, mar,
abr 83
Março,
abril
Ct
Gl
postos
fevereiro
-
-
-
It
Gp
Postos, chuva
-
oeste
mais
Extremo
leste
Ce
precipitação
Jun 1983*
Região
horizontal
similar
Normais**
Ie
-
Região sul
Mais alto
Ce
chuvoso
Abril 85
-
mais
Região
norte
Normais
Períodos secos,
ciclo
Durante os três
anos
-
-
-
It
Ma
Homogeneidad
e
Períodos secos
-
mais
Períodos
chuvosos
Ct
Ma
-
Leste
diferença
oeste
Ce
Gp, Me
Me
Ie
117
P10
P11
... e a identificação de períodos secos e chuvosos, que posso também
reconhecer na janela de gráfico de coordenadas paralelas.
No mapa estático (...) percebo que dois dos três anos avaliados são bem
secos, e outro não.
O gráfico de linhas permite uma rápida impressão sobre a distribuição da
chuva ao longo do tempo (...) nele é possível verificar que o ano de 1985
se apresentou mais seco em relação ao no de 1983
Verificou-se que existem regiões mais homogêneas no mapa, e que
podem ser melhor percebidas quando animadas. Ex: semelhanças foram
encontradas entre a ponta do estado e a região norte
O mês de junho de 1984 se mostrou mais seco que o esperado,
entretanto, sua característica muda totalmente nos demais anos,
principalmente em 1983
Janeiro de 83 e dezembro de 84 se apresentaram muito mais chuvosos
que os demais meses, o que é possivel ver pelos picos do gráfico de linha
e pelas cores do outro gráfico
A diferença no comportamento da chuva ao longo dos anos são fáceis de
visualizar no gráfico "pixels"
Houveram muitos meses atípicos: outubro de 85 por exemplo se
apresentou extremamente seco, sendo que seria uma época de chuva
conforme as normais. Isso pode ser verificado no mapa, mas antes é mais
fácil buscar essa característica no gráfico de pixels...
Fevereiro de 1983 teve média inferior a 100 mm, porém em março a chuva
volta a aumentar essa média
A região a sudoeste no mapa apresenta um comportamento muito similar
ao longo dos anos, durante os mesmos períodos
Pelo gráfico de linha é possivel analisar que: a seca de 1984 foi bastante
intensa, porém durou pouco em relação às demais..
...já a seca de 1985 foi mais espaçada, embora tenha atingido a região por
mais tempo
... o pico de chuva em dezembro de 84 foi muito maior que nos outros
anos
É fácil perceber as épocas de verânicos
A animação permite analisar a homogeneidade de determinadas áreas no
Períodos secos
e chuvosos
seco
Todo período
-
-
-
It
Gp, gl
Dois anos
-
Mais
Outro ano
Ct
Me
seco
1985
-
mais
83
Ct
Gl
Regiões
homogêneas
-
Ponta do
estado
similar
região
norte
Ce
Ma
seco
Jun 1984
Toda região
mais
Ie,It
-
chuvosos
Jan 83, dez 84
-
Mais
Normais**
. demais
anos
Demais
meses
Ct
Gl, Gp
Comportamento
da chuva
Mês atípico,
seco
anos
-
diferença
Toda série
Ct
Gp
Out 85*
região
diferença
Normais**
Ie
Me, Gp
Março
Ie
Ct
Ct
Me
Gl
-
Ie, Ct
Me
Ct
Gl
Variação de
chuva
Comportamento
pluviométrico
seca
fevereiro
-
Maior,
menor
similar
1984
Região
sudoeste
-
seca
1985
-
Durou
pouco
mais
chuva
84
-
maior
verânicos
homogeneidade
Toda série
-
Determinadas
Ao longo do
Ao longo
do ano
Demais
anos
Demais
ano
Demais
anos
Demais
Ct
Ct
It
Ce
Gp,Gl
Ma
118
P12
mapa ao longo do tempo em relação às demais regiões
O mês de setembro de 83 se mostrou muito mais chuvoso que o
esperado, de acordo com as normais climatológicas...
... entretanto, esse mês se mostrou mais seco a medida que os anos
passaram.
Os gráficos propicia uma visão geral da série e ficou fácil identificar os
períodos de seca.
No começo de 83, as regiões a oeste se mostraram com maior
precipitação que as regiões a leste. Pude verificar isso no gráfico de
pixels, porém também é possível analisar pelo mapa. Não testei a
animação..
...Ao analisar temporalmente, no final desse mesmo ano, essa
característica se inverte no mapa
Encontrei algumas evidências, ao analisar mapa, que no fim de 1985 e
começo de 1985, a maior concentração de chuva está nos pontos centrais
da representação.
...Isso pode ser muito mais facilmente visto utilizando o gráfico de pixels
Mais à direita, em 1985, existe um conjunto de pontos no gráfico de pixels,
que se mostram com média pluviométrica entre 180mm e 220mm. E eles
se mantem com essa carcacterística até a época da estiagem..
... isso ocorre de novo em 1984, porém com menos intensiade
chuvoso
Setembro 1983
seco
áreas
-
tempo
Muito mais
áreas
Normais**
-
mais
Ie
Me
Ie
Me
It
Gp, Gl
Períodos de
seca
Precipitação
3 anos
-
-
Set 84 e
85
-
Começo 83
oeste
maior
leste
Ie, Ce
Me, Gp
Precipitação
Fim 83
oeste
menor
Ie, Ct
Me
Concentração
de chuva
1985*
Pontos centrais
-
Leste,
começo
83
-
Ie
Me
Média
pluviométrica
1985*
Conjunto de
pontos
Ie
Ie, Ce
Gp
Gp
1984
-
Até a
época da
estiagem
Que 1985
Ct
Gp
igual
menos
*Épocas escolhidas como exemplo para interpretação, não sendo consideradas componentes de investigação
**Comparações realizadas em relação às normais climatológicas, cognitivamente utilizará apenas tarefas de identificação espacial, em busca de anomalias,
uma vez que se compara uma região ela mesma, em um único momento no tempo
12