Migração De Algoritmos para a Linguagem R

A Geokrigagem informa que migrará todos os seus algoritmos para a plataforma open source R, seguindo uma tendência internacional. Inicialmente, a migração será feita em R e, posteriormente, em Python. Como um primeiro movimento neste sentido, pode-se mencionar a publicação de seu livro “Estatística, análise e interpolação de dados geoespaciais”, contendo mais de 50 scripts em R.

Os scripts disponibilizados neste livro permitem fazer a interpolação de dados geoespaciais por diversos métodos de interpolação globais e locais. Assim, tem-se como métodos de interpolação: equações multiquádricas, inverso da distância, superfícies de tendência, triangulação de Delaunay e vizinho mais próximo. Todos os resultados da interpolação são representados em mapas imagem, conforme um exemplo a seguir.

                Esta decisão vem no sentido de promover uma maior divulgação dos algoritmos, permitindo ao usuário maior interação e conhecimento do processo utilizado, ao invés de utilizar um programa comercial fechado.

A grande vantagem de um script na linguagem R está justamente na possibilidade de se ver a codificação empregada, alterar e personalizar as saídas gráficas. Além disso, há mais de 15000 pacotes disponíveis para download em praticamente todas os campos do conhecimento científico. Trata-se de pacotes extremamente confiáveis e intensamente testados pela comunidade.

Outros Exemplos

                Outros exemplos de scripts são interCat.R e interPlot.R, que fazem a interpolação multiquádrica de variáveis categóricas, medidas nas escalas nominal e ordinal de Stevens (1946), como se pode ver na Figura 2. A interpolação de variáveis categóricas é fundamental na análise espacial de variáveis qualitativas. De acordo com o exemplo mostrado na Figura 2, pode-se obter um mapa do tipo mais provável (a variável categórica é composta por tipos), bem como desse tipo com o mapeamento da zona de incerteza.

Lembrando que qualquer resultado derivado de uma amostragem estará sujeito à incerteza, devido à amostragem insuficiente e natureza estocástica da variável em estudo. Pode-se observar no mapa da Figura 2B que a zona de incerteza se encontra separando os tipos e truncando um mesmo tipo, devido à falta de informação. Esses algoritmos inéditos estão publicados em Yamamoto (2020, p. 297-299), onde o Leitor poderá verificar a codificação utilizada.

Referências bibliográficas

Stevens, S.S. 1946. On the theory of scales of measurement. Science, 103 (2684):  677-680.

Yamamoto, J.K. 2020. Estatística, análise e interpolação de dados geoespaciais. São Paulo, JK Yamamoto – EIRELI – EPP. 350p.