Aglomerados ativos de COVID-19 em Santa Catarina, Brasil, e tendência de mobilidade dos locais de trabalho / Active COVID-19 clusters in Santa Catarina, Brazil, and workplace mobility trends / Aglomerados activos de COVID-19 en Santa Catarina, Brasil, y tendencia de movilidad en lugares de trabajo

Resumo: A aplicação da análise espacial destinada ao estudo de dados epidemiológicos humanos se tornou notória nas últimas duas décadas. Nesse sentido, este artigo aborda a estatística scan para a detecção de clusters espaço-temporais de casos da COVID-19 em Santa Catarina, Brasil. O objetivo é aplicar a estatística scan para a identificação de agrupamentos ativos, determinando sua localização, dimensão e ordem (prioridade). A organização da base descritiva abrangeu os casos de COVID-19 entre 1º de março e 31 de agosto de 2020, disponíveis no Portal de Dados Abertos do Estado de Santa Catarina. A base vetorial dos limites municipais e mesorregiões catarinenses, e as populações estimadas para 2020 foram obtidas no site do Instituto Brasileiro de Geografia e Estatística (IBGE). A covariável tendência de mobilidade dos locais de trabalho foi obtida no documento COVID-19: Relatório de Mobilidade da Comunidade do Google. Para a execução da estatística, considerou-se o modelo discreto de Poisson, apoiado na abordagem prospectiva. No resultado do trabalho, evidenciou-se a capacidade do procedimento para delimitação dos clusters, o qual identificou 17 clusters ativos com a variável resposta e 18 ativos após a inclusão da covariável, distribuídos em todo estado, predominantes no litoral e no Oeste Catarinense. O cluster primário localizou-se no Sul Catarinense. A covariável tendência de mobilidade dos locais de trabalho influenciou moderadamente em 38,89% dos aglomerados. O método foi eficiente para a compreensão da distribuição espacial da epidemia. Isso caracteriza a estatística scan como uma ferramenta de apoio a execução de ações a serem tomadas por gestores, priorizando áreas mais afetadas pela doença.

Abstract: The application of spatial analysis to the study of human epidemiological data has gained great momentum in the last two decades. This article approaches the scan statistic for the detection of spatial-temporal clusters of COVID-19 cases in the State of Santa Catarina, Brazil. The aim is to apply the scan statistic to identify active clusters, determining their location, size, and order (priority). Organization of the descriptive based included COVID-19 cases from March 1 to August 31, 2020, available in the Santa Catarina State Open Data Portal. The vector base of the municipal limits and mesoregions in Santa Catarina and the population estimates for 2020 were obtained from the Brazilian Institute of Geography and Statistics (IBGE) website. The workplace mobility trend covariable was obtained from the document COVID-19: Report on Community Mobility in Google. Execution of the statistic considered the discrete Poisson model, supported by the prospective approach. The study's results evidenced the procedure's capacity to demarcate clusters, identifying 17 active clusters with the response variable and 18 active clusters after inclusion of the covariable, distributed throughout the state and predominantly on the coast and the Western region. The primary cluster was in Southern Santa Catarina. The workplace mobility trend covariable moderately influenced 38.89% of the clusters. The method proved to be efficient for understanding the epidemic's spatial distribution. This characterizes the scan statistic as a tool to support the execution of actions by policymakers, prioritizing areas most affected by the disease.

Resumen: La aplicación del análisis espacial, destinado al estudio de datos epidemiológicos humanos, se hizo notoria en las últimas dos décadas. En este sentido, este artículo aborda la estadística scan para la detección de clústeres espacio-temporales de casos de COVID-19 en Santa Catarina, Brasil. El objetivo es aplicar la estadística scan para la identificación de agrupamientos activos, determinando su localización, dimensión y orden (prioridad). La organización de la base descriptiva abarcó los casos de COVID-19 entre el 01 de marzo a 31 de agosto de 2020, disponibles en el Portal de Datos Abiertos del Estado de Santa Catarina. La base vectorial de los límites municipales y mesorregiones catarinenses, y las poblaciones estimadas para 2020, se obtuvieron en el sitio web del Instituto Brasileño de Geografía y Estadística (IBGE). La covariable tendencia de movilidad de los lugares de trabajo se obtuvo en el documento COVID-19: Informe de Movilidad de la Comunidad de Google. Para la ejecución de la estadística se consideró el modelo discreto de Poisson, apoyado en el abordaje prospectivo. En el resultado del trabajo se evidenció la capacidad del procedimiento para la delimitación de los clústeres, lo cual identificó 17 clústeres activos con la variable respuesta y 18 clústeres activos tras la inclusión de la covariable, distribuidos en todo el estado, predominantes en la costa y en el Oeste Catarinense. El clúster primario se localizó en el Sur Catarinense. La covariable tendencia de movilidad de los lugares de trabajo influenció moderadamente en un 38,89% de los aglomerados. El método fue eficiente para la comprensión de la distribución espacial de la epidemia. Esto caracteriza la estadística scan como una herramienta de apoyo para la ejecución de acciones que deben ser tomadas por gestores, priorizando las áreas más afectadas por la enfermedad.

Superfícies de resposta espectro-temporal de imagens do sensor MODIS para classificação de área de soja no Estado do Rio Grande do Sul / Spectral-temporal response surface of MODIS sensor images for soybean area classification in Rio Grande do Sul State

Este trabalho objetivou avaliar o potencial e as limitações das imagens MODIS para classificação e estimativa de área de soja por meio do método de superfície de resposta espectro-temporal (Spectral-Temporal Response Surface - STRS). Um mapa temático das áreas com soja, oriundo da classificação de imagens Landsat do Estado do Rio Grande do Sul, foi utilizado como referência para auxiliar na orientação da amostragem dos pixels de treinamento e para a comparação dos resultados. Seis imagens compostas do sensor MODIS foram utilizadas para a classificação supervisionada da área de soja por meio do algoritmo de máxima verossimilhança (MAXVER) adaptado ao método STRS. Os resultados foram avaliados pelo coeficiente Kappa para a totalidade da área em estudo e também para uma região de latifúndios e outra de minifúndios. O método STRS subestimou em 6,6 por cento a área de soja para toda a região estudada, sendo que a estatística Kappa foi de 0,503. Para as regiões de latifúndios e minifúndios, a área de soja foi superestimada em 8 por cento (Kappa=0,424) e subestimada em 43,4 por cento (Kappa=0,358), respectivamente. As imagens MODIS, por meio do método STRS, demonstraram ter potencial para classificar a área de soja, principalmente em regiões de latifúndios. Em regiões de minifúndios, a correta identificação e classificação das áreas de soja mostrou-se pouco eficiente em razão da baixa resolução espacial das imagens MODIS.

This paper was aimed at evaluating the potential and the limitations of MODIS images for soybean classification and area estimation through a Spectral-Temporal Response Surface (STRS) method. A soybean thematic map from Rio Grande do Sul State, Brazil, derived from Landsat images was used as reference data to assist both sample training and results comparison. Six 16-day composite MODIS images were classified through a supervised maximum likelihood algorithm (MAXVER) adapted to the STRS method. The results were evaluated using the Kappa coefficient for the entire study area and for one region dominated by large farms and another by small ones. The STRS method underestimated the soybean area by 6.6 percent, for the entire study area, with a Kappa coefficient of 0.503. For regions with large and small farms the soybean area was overestimated by 8 percent (Kappa=0.424) and underestimated by 43.4 percent (Kappa=0.358), respectively. Eventually, MODIS images, through the STRS method, demonstrated good potential to classify and estimate soybean area, mainly in regions with large farms. For regions with small farms the correct identification and classification of soybean areas showed to be less efficient due to the low spatial resolution of MODIS images.