Exercicios aula de montagem de banco de dados

Transcrição

1 Exercicios aula de montagem de banco de dados 1) Após instalar os softwares MySQL, TerraView, R e art (veja pdf com detalhes na pagina do wiki) você deve iniciar o TerraView e criar um banco de dados em MySQL. Utilize as configuracoes de senha e usuário definidas por você durante a instalação do MySQL. 2) Após criar o banco de dados você pode inserir os dados (vetoriais linhas, pontos, poligonos, ou matriciais) de sua preferência. Nestes exercícios utilizaremos os dados cedidos em sala de aula (também disponibilizados na pagina Wiki do curso CST 401) para os municípios de Machadinho d Oeste e Vale do Anari no estado de Rondônia. Baixe o arquivo banco.zip para sua área de trabalho e descompacte a pasta visualizando os arquivos disponíveis 3) No menu do Arquivo do Terraview escolha a opção Importar dados e selecione na pasta descompactada (vide item 2) o arquivo mascara_area_de_estudo_pol.shp. Durante a importação de dados é importante que você informe corretamente a projeção, datum e parâmetros específicos do dado para que o TerraView projete corretamente seus dados. No caso dos arquivos utilizados neste exercicio, a projeção é UTM, datum SAD69 cujos parâmetros são Zona 20 e Longitude de origem 63.0 (ou W ). Se você estiver utilizando a sua própria base de dados não se esqueça de reprojetar todos os arquivos que servirão de entrada no TerraView para uma mesma projeção. O TerraView não reprojeta dados espaciais mas é capaz de importá los para um mesmo banco mesmo que este possua projeção distinta, portanto esteja atento! 4) Após importar o arquivo mascara_area_de_estudo_pol.shp você deve utilizar o layer criado com esse arquivo para criar então o seu espaço celular. No menu Plano do TerraView escolha a opção Criar células e selecione a márcara da área de estudo que acabou de importar. Você deve também selecionar a resolução espacial a ser utilizada, cuja medida depende da projeção definida do layer. Neste exercício como a projeção é UTM o valor a ser informado nos campos Res X e Res Y deve estar em metros. Este valor depende dos objetivos definidos por você no seu modelo conceitual, sendo que a resolução definida deve levar em consideração a menor perda de informação dos padrões espaciais de uso e cobertura da terra, o tamanho mínimo da sua unidade de análise, bem como fazer um balanço da extensão de área da sua máscara e da optimização computacional para preenchimento de células e para rodar simulações de mudança de uso e cobertura da terra. Em outras palavras, a resolução espacial do seu banco celular não deve ser tão pequena a ponto de impossibilitar ou tornar muito lento os processos computacionais, nem tão grande a ponto de descaracterizar os padrões espaciais de uso/cobertura e dos drivers de mudança. Para este conjunto de exercícios, utilizaremos uma resolução de 1000 metros. Se você preferir pode também escolher 500 ou ainda 2000 m criando espaços celulares adicionais para fins de comparação. 5) Após criar os seu espaço celular você deve iniciar a importação de dados que serão utilizados como base para o preenchimento de células que constituirão as variáveis representando os seus drivers que expliquem os padrões e/ou as transições de uso e cobertura da terra. No banco de dados cedido para este exercício, alguns arquivos representando tais drivers estão disponíveis e detalhados na Tabela 1.

2 Tabela 1 Dados espaciais de uso/cobertura da terra e seus determinantes (drivers) para os municípios de Machadinho d Oeste e Vale do Anari no estado de Rondônia. 6) Uma vez importados os dados acima, ou ainda dados de sua própria base de dados que julgar necessários, inicia se então o processo de preenchimento de células do seu espaço celular. Este preenchimento pode ser feito de duas formas: 1) utilizando o plugin de células disponível no TerraView, 2) utilizando scripts no R project que preenchem as células diretamente no banco de dados celular através da utilização do pacote do R chamado art. Para a instalação desses componentes favor verificar o pdf disponível no wiki do curso CST 401 ( Arquivo Descrição Tipo de dado Fonte/ano /escala estradas_final2006 Rodovias e estradas vicinais Linhascadastral SEDAM/RO (2005) censopop2000_bd Censo populacional 2000 (rendimento nominal, número de pessoas, renda per capita, densidade populacional) (municípios) Focos a _ROBrasil Focos de calor Pontos cadastral geomorfologia_ibge_macha_anari Mapa de geomorfologia nucleos_campo2006_sedes_ibge2005 Núcleos urbanos Pontos cadastral studyarea_agrarianprojects uc_sedam_2005 uso_1997 uso_2000 Projetos agrários até 2000 Unidades de conservação Uso/cobertura da terra em 1997 Uso/cobertura da terra em 2000 IBGE INPE/CPTE C 1: CPRM IBGE INCRA SEDAM/RO (2005) PRODES,Esca da (2003) 0 401:softwares_instalacao.pdf).

3 O plugin de preechimento de células tem como objetivo preecher as células do espaço celular seguindo estratégias específicas espacialização de dados sejam eles pontos, linhas, polígonos ou matrizes. Detalhes da utilização do plugin, bem como de suas estratégias de preenchimento podem ser obtidos nos seguintes documentos: mentacao_plugin_preenchimento_de_celulas.pdf popea:aula8_fillcel.ppt 7) Utilizando o arquivo Focos a _ROBrasil.shp importe os dados pontuais de foco de calor e utilize o plugin de preenchimento utilizando 2 estratégias distintas para posterior comparação: distância mínima e contagem. Após a finalização do preenchimento com cada uma das estratégias compare os dois atributos novos gerados e avalie as principais diferenças entre eles em termos de sua variabilidade espacial considerando os diversos usos da terra (utilize os arquivos uso_1997 e uso_2000). Esteja atento(a) que a escolha de uma legenda adequada determina a correta visualização da variabilidade espacial do dado. Teste as diferentes distribuições disponíveis no TerraView para visualização dos atributos criados (passos iguais, quantil ou desvio padrão). 8) A partir daqui você já acumulou experiência para decidir quais as melhores estratégias de preenchimento de células para os diferentes dados. Porém, se ainda possui dúvidas, aí vão algumas sugestões para que você possa comparar os resultados dos diferentes operadores e aprender através da visualização espacial dos diferentes atributos gerados com um mesmo dado espacial adotando distintas estratégias de preechimento: Arquivo estradas_final2006 censopop2000_bd 1.renda per capita 2.densidade populacional geomorfologia_ibge_macha_anari nucleos_campo2006_sedes_ibge2005 studyarea_agrarianprojects uc_sedam_2005 uso_1997/uso_2000 Sugestão de operador de preechimento de células Distância mínima/ presença Média ponderada por área/valor médio/valor máximo Porcentagem de cada classe Porcentagemde cada classe por área (atributo SPRCLASSE) Distância mínima/ presença Porcentagem total por área Porcentagem total por área Porcentagem de cada classe Porcentagem de cada classe por área (atributos uso_1997: uso_2000:gridcode*) 9) Apesar das variadas estratégias disponíveis do plugin de preenchimento de células, estas são de número limitado e nem sempre adequadas a necessidades específicas dos usuários. Dessa forma, a utilização do pacote art dentro do software R possibilita inúmeras possibilidades de preechimento de células além de permitir o preenchimento de vários atributos numa mesma rodada otimizando o processo de

4 montagem de banco de dados celular. Adicionalmente, a utilização de códigos (scripts) permite uma melhor documentação dos procedimentos utilizados para montagem de banco de dados celular. A documentação detalhada do pacote art pode ser encontrada no wiki onde as diversas estratégias de preenchimento implementadas estão exemplificadas através de exemplos práticos com banco de dados disponíveis para cada um deles. Como exemplo de utilização do art fornecemos aqui dois códigos para preenchimento de células utilizando estratégia de valor médio para dados matriciais bem como de distância mínima para linhas e pontos. **Código utilizado para preenchimento de células a partir de um dado matricial (raster) onde a estratégia utilizada é o valor médio dos valores do raster que ocorrem dentro da célula. Se você possui diversos arquivos matricias como dados climáticos (precipitação, umidade etc) para cada mês do ano, esse script pode optimizar o preenchimento de vários atributos sem a necessidade de escolher as definições de cada um deles no TerraView. A estratégia do valor médio ( average ) pode ser substituida por outras estratégias como média ponderada por área ( averagewba ). conn=openconn("root", "sua_senha", 3306) db=opendb(conn, "seu_banco_de_dados") raster=openlayer(db, "nome_do_raster_a_ser_usado") dado_raster=getraster(raster, as.sp=false) raster=dado_raster createandfillcolumn(tcells, "nome_do_novo_atributo", raster, "average", geometry="raster", raster=dado_raster)

5 **Código utilizado para preenchimento de células a partir de um dado vetorial (pontos ou linhas) onde a estratégia utilizada é a distância mínima da feição em relação ao centroide da célula avaliada. Se você possui diversos arquivos vetoriais como estradas, rios, polos madeireiros, nucleos urbanos, capitais, mercados consumidores etc. esse script pode optimizar o preenchimento de vários atributos sem a necessidade de escolher as definições de cada um deles no TerraView. A estratégia da distância mínima ("distance") pode ser substituida por outras estratégias como comprimento de linhas útil no caso de estradas ou rios ("length") conn=openconn("root", "senha", 3306) conn=openconn("root", "rw1311", 3306) db=opendb(conn, "rondonia") tdata=opentheme(db, "layer_de_pontos") createandfillcolumn(tcells, "nome_do_novo_atibuto", tdata, "distance", "point") ########################################################## conn=openconn("root", "senha", 3306) conn=openconn("root", "rw1311", 3306) db=opendb(conn, "rondonia") tdata=opentheme(db, "layer_de_linhas") createandfillcolumn(tcells, "nome_do_novo_atibuto", tdata, "length", "line")