avaliação de um sistema de múltiplas visões coordenadas no
TRANSCRIPT
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
Barros, Ligia Manccini de Oliveira.
B279i 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 espaço-
temporais 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).
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
Registro Sensorial ou
visual
Memória icônica
Processador Central
estímulo
Registrador córtex-retinal
Memória de curta duração (MCD) ou recente
Sistema de varredura
Memória de longa duração (MLD)
RESPOSTA “É uma estrela”
Informação perdida
Pré-processamento Reconhecimento de padrão
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
Características do usuário
Espécie (por exemplo: tipo de processos de orientação espacial específico) Sexo Idade Personalidade Grupo (de acordo com a abordagem adotada, por exemplo: se utiliza o paradigma prospectivo ou retrospectivo)
Objetos no espaço
Ambientes artificiais – simples (ex: modelos de escala) Representações espaciais artificiais (ex: mapas, gráficos) Ambientes naturais – complexos Familiaridade com o ambiente
Atividades no espaço
Exploração livre do espaço Exploração coagida do espaço Visão passiva do espaço Recepção passiva da descrição verbal da informação espacial Estratégias de processamento
Métodos para acessar o comportamento temporal
Reprodução ativa (ex: exploração) Reprodução simbólica (ex: desenho ou croqui) Reprodução verbal (ex: recordação ou reconstrução) 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 pré-
investigação, 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 Relações
espaço-temporais Descrição
Igual a... Igualdade Definida pela simultaneidade de eventos
Antes de... Ordem Ordem temporal de eventos sucessivos
Depois de...
Encontra... Coincidência
Caso restritivo de ordem, no qual dois eventos ocorrem sucessivamente sem intervalo entre estímulos. Encontrado por...
Sobrepõe... Superposição Quando um evento sobrepõe o outro
Sobreposto por...
Inicia...
Causalidade Quando um dos eventos é o responsável por dar início ou finalizar um segundo evento
Iniciado por...
Termina...
Terminado por...
Contido... Contingência
Tendo dois episódios (seqüência de eventos), define-se qual episódio contem um evento em particular. Contém...
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 Escala Temporal
Micro escala Níveis mais baixos de unidades administrativas como dentro ou em torno de um quarto, casa, vizinhança ou comunidade,
Expresso em segundos, minutos, horas ou dias.
Meso escala Áreas do tamanho de cidades até áreas metropolitanas
Diversos dias até alguns anos
Macro escala Áreas regionais a nacionais Intervalo de décadas a séculos
Mega escala Âmbito continental, hemisférico, global ou universal.
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
Quadro 4- Classes de fenômenos espaço-temporais
Características temporais
Contínuo Ininterruptos ao longo do tempo
Cíclico Movem-se com freqüência regular
ou previsível
Intermitente Ocorrem com freqüência irregular
de intervalos
Car
acte
ríst
icas
esp
acia
is
Po
nto
Classe 1
Classe 2
Classe 3
Lin
ha
Classe 4
Classe 5
Classe 6
Áre
a
Classe 7
Classe 8
Classe 9
Vo
lum
e
Classe 10
Classe 11
Classe 12
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
1 - Quando? Em que momento na linha do tempo ocorre o evento?
Momento no tempo
2 - Por quanto tempo? Quanto tempo dura esse evento? Duração
3 - Com que constância? Esse evento se repete? Qual a frequência que isso ocorre?
Frequência
4 - A que velocidade? Quanto de mudança ocorre durante o tempo de duração do evento?
Taxa de variação
5 - Em que ordem? Qual evento ocorre primeiro e qual vem na sequencia?
Ordem
6 - Existem ocorrências correlacionadas?
Esse evento está relacionado com algum outro evento?
Sincronização
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).
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,
Análise de dados
Visualização
Interação (fatores
humanos)
Recuperação de informação Recuperação de dados Mineração de dados
Visualização da informação Visualização científica Computação gráfica
Interação homem-computador Psicologia cognitiva
Percepção
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).
Figura 5 - Representação de árvores Fonte: Freitas, 2007
1 A SAP (http://www.sap.com/index.epx) adquiriu a Insigh software Inc, desenvolvedora de técnicas de visualização como Table lens.
A
B
C B
A
C
A
B C
a) b) c)
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).
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
Poligonal
Ortogonal Em grade
Em arco Direcionado
Segmento de reta
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).
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).
a) b)
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 espaço-
temporal 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 do participante
Características comportamentais (variáveis independentes):
Utilização de elementos da interface
Preferência subjetiva
Características pessoais (variáveis moderadoras):
Idade, Formação
Familiaridade com: uso de aplicativos, mapas, gráficos, análise de padrões, leitura de dados de precipitação pluviométrica
Aquisição
Informação adquirida (variáveis dependentes)
Reprodução ativa de exploração dos dados (log)
Reprodução verbal escrita
Método
Objetos no espaço
Representações espaciais artificiais (mapas, gráficos)
Ambiente computacional com coordenação de múltiplas visões
Elementos de animação e interatividade
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
NN
EE
W
S
53 00 ' W
53 00 ' W 50 00 ' W
50 00 ' W
23 00 ' S23 00 ' S
21 00 ' S21 00 ' S
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
# #
##
##
##
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
###
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
C7-001
C7-003
C7-004
C7-0 06
C7-0 08
C7-009
C7 -010
C7-011
C7-012
C7 -016
C7-023
C7-0 24
C7-0 28C7-033C7-0 34
C7 -036
C7-037
C7-043
C7-0 45
C7-046
C7-0 49
C7-0 51
C7-054
C7-062
C7-064
C7-066C7 -067
C7-0 72
C7-073
C7-074
C7-075 C7 -076
C7-0 77
C7-078
C7-079 C7 -080
C7-0 81
C7-0 82
C7-083
C7 -084
C7-0 85
C7-086
C7 -087
C8-001
C8-002
C8-004
C8-008
C8-009
C8 -010
C8-0 11 C8-014
C8-018
C8-0 19
C8-022
C8-026
C8-0 30
C8-035
C8-042
C8-043
C8-045
C8 -046
C8-047
C8-049
C8-050
C8-051
C8-052
C8-053
C8-054
C8-055
C8-056
C8 -057
C8-058
C8 -059
C8-0 60
C9-006
C9-007
D6-106
D6-1 07
D7-001
D7-003
D7-007
D7-012
D7-020
D7-031
D7-032
D7 -033
D7-0 36
D7-041 D7-0 43
D7-046D7-053
D7-054
D7-055
D7-056
D7-057
D7 -061
D7-062
D7 -064
D7-065D7-066
D7-067
D7-068
D7 -069
D7-071
D7-0 73
D7-074
D7 -075
D7-0 76
D7-0 77
D7-078
D8-0 03
D8-004
D8-006
D8-008
D8-013
D8-016
D8 -025
D8-028
D8-035
D8-0 38
D8-040
D8-041
D8-0 47
D8-048
D8-0 50
D8-052
D8-053D8-054
D8-055
D8-056D8-057
D9-001D9-002
D9-003D9-0 04
D9-005
D9-006
D9-0 14D9-015D9-016
D9 -018
D9-019
D9 -020
D9-021
D9-022D9-023
D9 -024D9 -025
# Postos Pluviométricos do DAEE
90 0 90 180 KmESCALA GRÁFICA
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.
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
Cabeçalho da janela e comandos padrão (minimizar, maximizar e fechar)
Barra de Comandos
Janela de mapa
Lege
nd
a d
inâm
ica
Mapa animado interativo e ferramentas de seleção de
estações
Caixa de seleção de mês e ano
Comando de escolha do numero
de classes
Janela de gráfico de coordenadas paralelas
(Meses X Estações)
Janela de gráfico de representação por pixel
(Estações X Meses)
Janela de mapa de normais climatológicas para fins de comparação
Botões de seleção de shapefiles
Confirmação de seleção da estação
e informações
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 modelo 1984 modelo 1985 modelo
Jan Hole Effect Jan Hole Effect Jan J-Bessel
Fev Exponencial Fev Hole Effect Fev Hole Effect
Mar Racional quadrático Mar Exponencial Mar Circular
Abr Estável Abr Hole Effect Abr K-Bessel
Mai Hole Effect Mai Esférico Mai Racional quadrático
Jun Exponencial Jun Hole Effect Jun Estável
Jul Exponencial Jul Circular Jul Hole Effect
Ago Hole Effect Ago Exponencial Ago Hole Effect
Set Hole Effect Set Racional Quadrático Set Hole Effect
Out Hole Effect Out Exponencial Out Pentaesférico
Nov J-Bessel Nov Circular Nov Hole Effect
Dez J-Bessel Dez Estável Dez 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 INMET3, que
divide os dados em 17 classes (Figura 26), conforme quantidade de chuva (em mm)
no período:
Classe 1 → [0-10];
Classe 2 → ]10-20];
Classe 3 → ]20-30];
Classe 4 → ]30-40];
Classe 5 → ]40-50];
Classe 6 → ]50-60];
Classe 7 → ]60-80];
Classe 8 → ]80-100];
Classe 9 → ]100-140];
Classe 10 → ]140-180];
Classe 11 → ]180-220];
Classe 12 → ]220-260];
Classe 13 → ]260-300];
Classe 14 → ]300-340];
Classe 15 → ]340-360];
Classe 16 → ]360-420];
Classe 17 → ]420 ou mais]
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 Ações - elementos de interface que serão afetados pela ação
Botões de animação (barra de comandos) É animado Caixa de opções de meses e anos (janela de mapa) Mostra o mês/ano definido Barra de rolagem (gráfico de coord. paralelas) Mostra o mês/ano definido Barra de rolagem (gráfico de pixel) Mostra o mês/ano definido Caixa de opção da escala temporal (gráfico de coord. paralelas) Muda para a escala temporal definida Botões de seleção na janela de mapa (por ponto, município) e trackbars Destaca os elementos selecionados Botões de opção do esquema de cores (janela de mapa) 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 animação
Aumenta a quantidade de quadros/s
Diminuição da velocidade de animação
Diminui a quantidade de quadros/s
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 Nº de participantes
Titulação principal
Mestrado 2
Doutorado 10
Formação relacionada ao estudo agrometeorológico
Física ambiental (ou similar) 3
Climatologia 1
Irrigação e drenagem 3
Agronomia 2
Engenharia Agrícola 2
Agricultura Tropical 1
Pesquisa relacionada ao estudo agrometeorológico
Participa de grupo de pesquisa e de linha de pesquisa 5
Participa de grupo de pesquisa (somente) 4
Possui linha de pesquisa (somente) 3
Analisa dados pluviométricos
Frequentemente (diariamente a mensalmente) 9
Raramente (semestralmente, anualmente ou menos) 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
Participante Duração do teste:
utilização da interface Duração do
tempo de análise Pausas para
digitação Pausa por
interrompição Motivo da interrompição
P1 1h 01' 00" 26' 13" 34' 47" - -
P2 35' 29" 17' 57" 18' 32" - -
P3 30' 51" 12' 40" 18' 11" - -
P4 37' 09" 19' 54" 17' 15" - -
P5 43' 07" 11' 11" 28' 02" 3' 54" Atendimento urgente
P6 36' 41" 11' 46" 22' 34" 0' 28" 3' 53"
Dúvida Bug no programa: travou
P7 22' 17" 04' 05" 17' 36" 0' 36" Dúvida
P8 45' 18" 08' 05" 39' 05" 0' 07" Dúvida
P9 38' 35" 11' 22" 27' 13" - -
P10 37' 42" 10' 34" 17' 08" - -
P11 36' 32" 17' 41" 18' 39" 0' 12" Dúvida
P12 32' 20" 18' 47" 13' 33" - -
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 Comparação
Temporal O que? Quando? = It + em relação à Quando? = Ct
Espacial O que? Onde? = Ie
Temporal O que? Quando? = It + em relação à Onde? = Ce
Espacial O que? Onde? = Ie
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 Participantes
Total P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
Comparação
Ct 4 4 3 4 3 3 4 3 2 4 5 5 44
Ce 0 2 3 2 0 1 0 3 1 1 1 2 16
Total 4 6 6 6 3 4 4 6 3 5 6 7 60
Identificação
It 1 1 2 2 1 0 0 2 1 1 1 1 13
Ie 12 1 6 1 0 0 0 2 0 3 3 5 33
Total 13 2 8 3 1 0 0 4 1 4 4 6 46
Variável A0 1 3 0 0 0 0 0 0 0 0 0 1 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 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
Usando um único elemento
Ct+me 3 - 3 2 - - - - - - 1 1
Ct+ma - - - - - - - - 1 - - -
Ct+gp - 1 - - 1 2 - - - 1 - 1
Ct+gl - 1 - - 1 1 - 2 - 2 3 1
Ce+me - - 2 - - 1 - 2 - - - -
Ce+ma - - 1 - - - - - - 1 1 -
Ce+gp - 1 - - - - - 1 1 - - 1
Ce+gl - - - - - - - - - - - -
It+me - - - - - - - - - - - -
It+ma - - - - - - - 1 - - - -
It+gp - - - 1 - - - 1 - - - -
It+gl - - 1 1 1 - - - - - - -
Ie+me 12 1 5 - - - - 2 - 1 3 2
Ie+ma - - - - - - - - - - - -
Ie+gp - - - - - - - - - - - 2
Ie+gl - - 1 - - - - - - - - -
Usando MVC
Ct+me+gl 1 - - 2 - - - - - - - -
Ct+me+gp - - - - - - - - 1 - - -
Ct+gp+gl - 1 - - 1 - 4 1 - 1 - -
Ce+me+gl - - - 1 - - - - - - - -
Ce+me+gp - - - - - - - - - - - 1
It+me+gp - 1 - - - - - - - - - -
It+gp+gl 1 - - - - - - - 1 - 1 1
Ie+me+gl - - - 1 - - - - - - - -
Ie+me+gp - - - - - - - - - 1 - 1
Sem informação
Ct - 1 - - - - - - - - 1 2
Ce - 1 - 1 - - - - - - - -
It - - 1 - - - - - - 1 - -
Ie - - - - - - - - - 1 - -
Total 17 8 14 9 4 4 4 10 4 9 10 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.
Figura 30 - Relação: Elementos da Interface X Tarefa cognitiva
Comparação Identificação
gp 19 4
gl 22 8
ma 4 1
me 21 30
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
An
ális
es
Tarefas cognitivas X elementos da interface
71
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.
ct ce it ie
gp 15 4 2 2
gl 22 0 7 1
ma 0 1 3 1
me 14 7 1 29
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
An
ális
es
Tarefa de investigação X Elemento de interface
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).
Quadro 13 - Uso de MVC para as tarefas cognitivas e investigativas
Tarefa Elementos de Interface P
1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
Nº de participantes (em porcentagem)
Comparação temporal (Ct)
Mapa estatico
58%
Tarefa de comparação: 75%
Mapa animado
Gráfico de linhas
Gráfico de pixels
Comparação espacial (Ce)
Mapa estatico
17% Mapa animado
Gráfico de linhas
Gráfico de pixels
Identificação temporal (it)
Mapa estatico
42%
Tarefa de identificação: 58%
Mapa animado
Gráfico de linhas
Gráfico de pixels
Identificação espacial (Ie)
Mapa estatico
25% Mapa animado
Gráfico de linhas
Gráfico de pixels
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
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%
75%
58%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
COMPARAÇÃO IDENTIFICAÇÃO
Uso de MVC
89%
22%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
temporal espacial
Uso de MVC para Comparação
74
Figura 33 - Uso de MVC para as tarefas cognitivas de comparação
Quadro 15 - Uso de MVC para as tarefas cognitivas de comparação
Comparação 9 participantes
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.
Figura 34 - Uso de MVC para as tarefas cognitivas de identificação
Quadro 16 - Uso de MVC para as tarefas cognitivas de identificação
Identificação 7 participantes
P1 P2 P4 P9 P10 P11 P12 Total %
Temporal
5 71%
Espacial
3 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.
71%
43%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
temporal espacial
Uso de MVC para Identificação
75
Quadro 17 - Uso de MVC para as tarefas investigativas de comparação temporal
Comparação Temporal 8 participantes
P1 P2 P4 P5 P7 P8 P9 P10 Total %
Com mapa
3 88%
Sem mapa
5 63%
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 2 participantes
P4 P12 Total %
Com mapa
2 100%
Sem mapa
0 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
Identificação Temporal 5 participantes
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
Identificação Espacial 3 participantes
P4 P10 P12 Total %
Com mapa
3 100%
Sem mapa
0 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
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).
38%
62%
0%
10%
20%
30%
40%
50%
60%
70%
com mapa sem mapa
a) Uso de MVC para tarefa de comparação temporal
100%
0% 0%
20%
40%
60%
80%
100%
c/ mapa s/ mapa
b) Uso de MVC para tarefa de comparação espacial
20%
80%
0%
20%
40%
60%
80%
100%
c/ mapa s/ mapa
c) Uso de MVC para tarefa de identificação temporal
100%
0% 0%
20%
40%
60%
80%
100%
c/ mapa s/ mapa
d) Uso de MVC para tarefa de identificação espacial
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"
Figura 37 - Tempo de uso relativo entre o layout 1 e 2 durante a análise de cada participante
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
Tem
po
de
an
ális
e
Participante
Tempo relativo de uso dos Layouts 1 e 2 para cada participante
Uso do Layout 2
Uso do Layout 1
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 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 Total %
Play
11 92%
=1 - 1 quadro/2seg
3 25%
=2 - 1 quadro/seg
11 92%
=3 - 2 quadros/seg
5 42%
=4 - 4 quadros/seg
2 17%
>=5 - 8 quadros/seg ou mais
0 0%
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
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
vel animação = 1 vel animação = 2 vel animação = 3 vel animação = 4 vel animação >=5
Par
tici
pan
tes
Velocidade da animação
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
Partic. Duração do
teste
Animação Tempo total de análise
Tempo animação X análise (%)
Tarefa de investigação Início Fim Tempo total
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.
Tabela 8 - Características pessoais dos entrevistados para análise de similaridade
Par
tici
pan
te
Mes
trad
o
Dou
tora
do
Pos
Dou
tora
do
Gru
po d
e pe
squi
sa
Linh
a de
pes
quis
a
Ana
lisa
chuv
a fr
eque
ntem
ente
Ana
lisa
chuv
a
rara
men
te
Usa
dad
os d
e
chuv
a em
Tab
ela
Usa
dad
os d
e
chuv
a em
Grá
fico
Usa
dad
os d
e ch
uva
em M
apa
Usa
dad
os d
e ch
uva
em .D
AT
Util
iza
prog
ram
as
esta
tístic
os
Ana
lisa
gráf
icos
conv
enci
onai
s A
nalis
a gr
áfic
os
espe
ciai
s
Util
iza
prog
ram
a de
SIG
Tra
balh
a co
m
arqu
ivos
Sha
pe
Rea
liza
cons
ulta
espa
cial
em
shp
Con
stró
i map
as
Já u
sou
map
as
está
ticos
Já
uso
u m
apas
an
imad
os
Já u
sou
map
as
inte
rativ
os
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 Elemento Muito Parcial. Pouco Não
É de fácil compreensão?
Mapa estático 100% 0 0 0
Mapa animado 33,4% 33,3% 33,3% 0
Gráfico de Pixels 0 42% 50% 8%
Gráfico de Linhas 8% 42% 50% 0
Auxilia na análise temporal dos dados?
Mapa estático 34% 58% 8% 0
Mapa animado 33% 33% 17% 17%
Gráfico de Pixels 75% 25% 0 0
Gráfico de Linhas 75% 17% 8% 0
Auxilia na análise espacial dos dados?
Mapa estático 100% 0 0 0
Mapa animado 0 17% 50% 33%
Gráfico de Pixels 25% 17% 50% 8%
Gráfico de Linhas 0 8% 17% 75%
O impacto visual foi positivo?
Mapa estático 100% 0 0 0
Mapa animado 42% 42% 8% 8%
Gráfico de Pixels 0 16% 42% 42%
Gráfico de Linhas 0 42% 50% 8%
Usaria para analisar outros tipos de dados?
Mapa estático 100% 0 0 0
Mapa animado 50% 25% 17% 8%
Gráfico de Pixels 58% 42% 0 0
Gráfico de Linhas 25% 50% 25% 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.
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
Grupo 1
Grupo 2
Grupo 3
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 utiliza-
se 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 espaço-
temporal. 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). Three-dimensional 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 geo-spatial 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), 115-116.
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_space_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 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.
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 Não
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.
111
Apêndice C: Respostas classificadas dos participante
112
Part. Frase O que Quando Onde Relativo A o que Tarefa Interface
P1 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;...
Chuva Jan 83 - diferenças Normais Ie Me
...Em fevereiro de 83 e 84, a área do pontal paulista foge do padrão;... Fev 83, 84 Pontal paulista
...Em maio de 83 e 84, essa mesma área continua aparecendo mais seca do que o esperado;...
Mai 83, 84
...Junho de 83 apresentou faixas de chuvas similares à encontradas nas normais climatológicas;..
Jun, jul 83 -
... Setembro de 83, novamente o pontal se mostra diferente, dessa vez mais chuvoso;...
Setembro 83 Pontal paulista
... Junho e julho de 84 se apresentou extremamente seco, enquanto as normais variavam em torno de uma média de 50mm;...
Jun, jul 84 -
...Agosto de 84 se mostrou com uma média pluviométrica cerca de 30mm maior que as normais...
Agosto 84 -
... 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..
Outubro 84 -
... Dezembro de 1984 é muito mais chuvoso que o normal. Dez 84 -
...Abril de 1985 foi um mês inesperadamente chuvoso;.. Abr 85 -
...Agosto, setembro e outubro de 85 foge do padrão, se mostrando bastante seco.
Ago, set, out 85 -
...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.
Quantidade de chuva
Dez 83 - diferente Dez 84, 85
Ct Me
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.
Área de homogeneidade
Maio 84 Faixa central (SE-NO)
similar Maio 85 Ie,Ct Me
É possível identificar os períodos secos pelos gráficos.O gráfico de linhas dá uma visão mais imediata desses períodos.
Períodos secos 3 anos - - - It Gp, Gl
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:
Chuvoso Jan83 - similar Dez 84 Ct Me, Gp
113
dezembro de 1984.
...Entretanto, ao passar para o próximo mês (janeiro de 1985) a carcaterística do regime pluviométrico muda, fico mais seco.
Jan 83 - mais Jan 85 Ct Me
P2 Observou-se que o ano de 1983 choveu mais no início do ano em relação ao ano de 1984.
Choveu mais 1983 - Em relação 1984 Ct -
...porém a chuva de 1984 foi melhor distribuída espacialmente chuva 1984* Toda região melhor 1983 Ce -
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
estiagem 1985 - mais Demais anos
Ct Gl
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.
Ocorrencia de chuva
Jul, ago 83; jun,jul 84; jun-out 85
- menor Demais meses
Ct Gl, Gp
A seca mais rigorosa ocorreu em 1984, onde se percebe quantidades quase nulas de precipitação no gráfico (pixels)
seca 1984 - mais Demais anos
Ct Gp
Olhando o mapa, percebe-se que os comportamento dos pontos à esquerda segue um padrão entre si,...
comportamento - Pontos à esquerda
- - Ie Me
Ao analisar o gráfico de pixels percebe-se os pontos à esquerda que diferem bastante do comportamento dos postos mais a direita,...
comportamento - Pontos à esquerda
diferem Pontos à direita
Ce Gp
... que mostraram um aumento na precipitação nos meses de janeiro de 83 e novembro e dezembro de 84
Preciptação 1983, 1984 - - - It Me,Gp
P3 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
Preciptação Todos os anos - diferenças normais Ie Me
Os dados quando analisados por inteiro (36 meses), no gráfico de linhas observou que os eventos pluviométricos tiveram um tendência parecida,...
Eventos pluviométricos, tendência
3 anos - - - It Gl
... entretando o ano de 1985 a seca foi menos severa seca 1985 - menos demais Ct Gl
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...
Chuva constante
- oeste - - Ie Me
... ao longo da época característica (chuvosas e secas) anual... Época característica
Anual - - - It -
... tendo menos variação microrregionais em relação a outras regiões. Variação de chuva
- Outras regiões Menos, em relação
Outras regiões
Ce Ma
As evidências das diferenças entre os meses apresentados e o mapa de Preciptação Jan 83 - mais Normais** Ie Me
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;...
Seca Fev 84* nordeste mais Demais regiões
Ce
... o mês de abril se apresentou mais chuvoso que o esperado para todos os anos;...
chuvoso abril - mais Normais** (esperado)
Ie
... junho foi o mês que mais apresentou mudança no regime de chuva entre os 3 anos;...
Mudança do regime de chuva
junho - entre 3 anos Ct
... setembro de 1983 foi um mês de muita chuva acima do esperado;... Muita chuva Set 83 - acima Normais** (esperado)
Ie
... outubro tambem foi atípico para os anos de 1984 e 1985, que se apresentaram mais secos;...
secos 1984, 1985 - mais Normais** (atípico)
Ie
... 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.
chuvosa Dez 84* oeste Mais, menos
Demais regiões, normais, 1985
Ce, Ct
P4 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;...
Períodos de seca
1985 - maior Demais anos
It, Ct Gl
- 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;
Pico de chuva Jan 83, set 83, dez 84
- destaca Demais meses
Ct Gl
- 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,...
Comportamento pluviométrico
- Teodoro sampaio, Rosana
similar Ao longo do ano
Ie, Ct Me, Gl
... 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
Jun, set, nov 83, mar 85
Pontos específicos
- - Ce, Ct
- Pegando um ponto a extremo leste e extremo oeste, é possível verificar um comportamento de chuva bem diferenciado ao longo dos anos;
Comportamento de chuva
- Extremo oeste, diferenciado extremo leste
Ce -
- 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.
Chuvoso Dez 84 - - - It Gp
P5 - No gráfico de linhas, fica evidente as épocas de estiagem e que ela se Épocas de Ao longo dos - - - It Gl
115
repete ao longo dos anos... estiagem anos
... , mas não com o mesmo comportamento. Isso demonstra que os três anos apresentados são anos bem diferentes entre si.
3 anos - diferentes Entre si Ct
- Nos gráficos percebe-se que a estiagem de 1985 foi evidentemente mais prolongada do que a dos anos anteriores
Estiagem 1985 - mais Anos anteriores
Ct Gl, Gp
- Pelo gráfico de pixels percebe-se que os meses de janeiro de 1983 e dezembro de 1984 foram os mais chuvosos
Chuvoso Jan 83, dez 84 - mais Demais meses
Ct Gp
P6 (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....
Ocorrência de chuva
- direita maior esquerda Ce Me
(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....
seca 1983 - diferente
Demais anos
Ct Gl
... E mesmo dentro de um mesmo município, houve alguma variação no comportamento de chuva, evidenciado no gráfico pelos picos.
Comportamento de chuva
- município Ct
(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.
Épocas secas Ultimo ano Menos Anos anteriores
Ct Gp
P7 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....
Intensificação da precipitação
Nov, dez 84 - Maior, em relação
Demais meses
Ct Gp, Gl
...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
Maio-out 85 - maior 1983, 1984
Ct
Pelo gráfico de pixels também puderam ser observadas essas mesmas variações.
Intensificação da precipitação
Nov, dez 84 - Maior, em relação
Demais meses
Ct
Época de estiagem
Maio-out 85 - maior 1983, 1984
Ct
P8 Em Janeiro de 1983 ocorreu uma precipitação de 180 - 260 mm mês (cores verdes) no lado oeste do mapa e ocorreu uma variação da
Valor de precipitação
1983* Lado oeste menor nordeste 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...
chuvoso Jan 83 - mais Fev, mar, abr 83
Ct Gl
... Isso ficou mais fácil de identificar no próximo gráfico (pixels)... chuvoso Jan 83 - mais Fev, mar, abr 83
Ct Gl, Gp
...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.
Variação de chuva
fevereiro - Maior, menor
Março, abril
Ct Gl
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,...
postos fevereiro - - - It Gp
...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.
Postos, chuva - oeste mais Extremo leste
Ce
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,...
precipitação Jun 1983* Região horizontal
similar Normais** Ie Me
... com valores de chuva mais alto na região ao sul que na região ao norte....
- Região sul Mais alto Região norte
Ce
... Abril de 1985 foi muito mais chuvoso que o apresentado nas normais climatológicas
chuvoso Abril 85 - mais Normais Ie
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
Períodos secos, ciclo
Durante os três anos
- - - It Ma
P9 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.
Homogeneidade
Períodos secos - mais Períodos chuvosos
Ct Ma
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...
- Leste diferença oeste Ce Gp, Me
117
... e a identificação de períodos secos e chuvosos, que posso também reconhecer na janela de gráfico de coordenadas paralelas.
Períodos secos e chuvosos
Todo período - - - It Gp, gl
No mapa estático (...) percebo que dois dos três anos avaliados são bem secos, e outro não.
seco Dois anos - Mais Outro ano Ct Me
P10 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
seco 1985 - mais 83 Ct Gl
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
Regiões homogêneas
- Ponta do estado
similar região norte
Ce Ma
O mês de junho de 1984 se mostrou mais seco que o esperado, entretanto, sua característica muda totalmente nos demais anos, principalmente em 1983
seco Jun 1984 Toda região mais Normais**. demais anos
Ie,It -
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
chuvosos Jan 83, dez 84 - Mais Demais meses
Ct Gl, Gp
A diferença no comportamento da chuva ao longo dos anos são fáceis de visualizar no gráfico "pixels"
Comportamento da chuva
anos - diferença Toda série Ct Gp
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...
Mês atípico, seco
Out 85* região diferença Normais** Ie Me, Gp
Ie Me
Ct Gl
P11 Fevereiro de 1983 teve média inferior a 100 mm, porém em março a chuva volta a aumentar essa média
Variação de chuva
fevereiro - Maior, menor
Março Ct -
A região a sudoeste no mapa apresenta um comportamento muito similar ao longo dos anos, durante os mesmos períodos
Comportamento pluviométrico
- Região sudoeste
similar Ao longo do ano
Ie, Ct Me
Pelo gráfico de linha é possivel analisar que: a seca de 1984 foi bastante intensa, porém durou pouco em relação às demais..
seca 1984 - Durou pouco
Demais anos
Ct Gl
...já a seca de 1985 foi mais espaçada, embora tenha atingido a região por mais tempo
seca 1985 - mais Demais ano
Ct
... o pico de chuva em dezembro de 84 foi muito maior que nos outros anos
chuva 84 - maior Demais anos
Ct
É fácil perceber as épocas de verânicos verânicos Toda série - - - It Gp,Gl
A animação permite analisar a homogeneidade de determinadas áreas no homogeneidade - Determinadas Ao longo do Demais Ce Ma
118
mapa ao longo do tempo em relação às demais regiões áreas tempo áreas
O mês de setembro de 83 se mostrou muito mais chuvoso que o esperado, de acordo com as normais climatológicas...
chuvoso Setembro 1983 - Muito mais Normais** Ie Me
... entretanto, esse mês se mostrou mais seco a medida que os anos passaram.
seco - mais Set 84 e 85
Ie Me
P12 Os gráficos propicia uma visão geral da série e ficou fácil identificar os períodos de seca.
Períodos de seca
3 anos - - - It Gp, Gl
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..
Precipitação Começo 83 oeste maior leste Ie, Ce Me, Gp
...Ao analisar temporalmente, no final desse mesmo ano, essa característica se inverte no mapa
Precipitação Fim 83 oeste menor Leste, começo 83
Ie, Ct Me
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.
Concentração de chuva
1985* Pontos centrais - - Ie Me
...Isso pode ser muito mais facilmente visto utilizando o gráfico de pixels - - Ie Gp
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..
Média pluviométrica
1985* Conjunto de pontos
igual Até a época da estiagem
Ie, Ce Gp
... isso ocorre de novo em 1984, porém com menos intensiade 1984 - menos Que 1985 Ct Gp
*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