Como fizemos o mapa interativo que te coloca no epicentro da epidemia de Covid-19 no Brasil
por Rodrigo Menegat, Tiago Maranhão e Vinicius Sueiro
Se todos os mortos pela Covid-19 no Brasil fossem seus vizinhos, seu bairro provavelmente desapareceria do mapa. É possível que até a sua cidade inteira sumisse.
Uma parceria entre o Google News Initiative e a Agência Lupa mostra na prática como seria essa realidade. Usando a localização do usuário, dados do Censo de 2010 e mapas de rua, esta reportagem interativa mostra qual seria o raio da devastação caso o epicentro da epidemia no Brasil fosse a casa do leitor.
Conceito: Uma tragédia invisível
No momento em que começamos a escrever esse texto, 58.390 brasileiros haviam morrido vítimas do novo coronavírus. A realidade, porém, independe de onde você mora: os mortos estão dentro de hospitais espalhados por todo o território nacional, mas não os vemos.
Esse projeto surgiu da seguinte indagação: como fazer para que as pessoas passem a enxergar esses mortos?
Referências familiares
60 mil pessoas mortas. É como se um Estádio do Arruda lotado, no Recife, desaparecesse. A lógica vale para quem está em qualquer lugar: quanto mais familiar a unidade de medida, mais fácil compreender a dimensão da epidemia.
A ideia fundamental deste projeto é fazer com que as vítimas da Covid-19 se tornem, subitamente, íntimas do usuário.
Inspirações
- Um projeto do The New York Times que apaga regiões dos EUA de acordo com resultados eleitorais
Mapa que apaga as áreas dos Estado Unidos onde Donald Trump teve mais votos que Hillary Clinton
- O projeto “Aqui não mora ninguém” da Plano C, mostrando áreas desabitadas do Brasil
As áreas laranja representam regiões desabitadas do Brasil
Mapa de densidade populacional produzida pela empresa americana de jornalismo de dados The Pudding
A mesma quantidade de pessoas mora na área azul e na área vermelha
- O Racial Dot Map (Universidade de Virgínia), onde cada ponto representa uma pessoa
Cada ponto representa uma pessoa. Cada cor, uma raça.
- Reportagens personalizadas do NYTimes sobre temperatura e poluição na cidade do leitor
Gráfico personalizado mostra o crescimento da temperatura na cidade natal do leitor
A quantidade de micropartículas de poluição no ar da cidade onde o usuário mora é representada por pequenos círculos
Covas abertas em São Paulo. Foto: José Antonio de Moraes/Anadolu Agency/Getty
Projeto reúne obituários de vítimas da Covid-19 no Brasil
Brainstorming
Foram listadas 11 propostas diferentes, incluindo realidade aumentada, modelos 3D, cemitérios em espaços públicos e distribuição de pontos. No final, foram escolhidos elementos de múltiplas propostas.
Esboço que lista onze projetos que consideramos antes de escolher o formato final
Algoritmo
O algoritmo final calcula um círculo ao redor das coordenadas do usuário, aumentando o raio progressivamente até que a população dentro do círculo alcance entre 90% e 110% do total de mortos por Covid-19 no Brasil. A população foi calculada a partir dos setores censitários do IBGE.
Cada retângulo na imagem acima é um item da grade estatística do IBGE. Quanto mais escuro, mais pessoas moram naquela área.
Os setores censitários costumam ser menores em áreas muito povoadas e maiores em áreas com menor densidade demográfica.
Representação visual do algoritmo: de vizinho em vizinho, tentávamos chegar ao total de mortos
Resultado do algoritmo no bairro da Barra Funda, em São Paulo: como explicar para o leitor qual é o sentido dessa área vermelha estranha?
O raio de mortes a partir do Centro Histórico de Recife. O formato circular passa a mensagem de forma mais efetiva do que no exemplo anterior.
Desafios de performance
O tempo de execução inicial era de 30 segundos. Com otimizações usando as bibliotecas Feather (leitura rápida de arquivos), PyGEOS (operações vetorizadas geométricas) e Rtree (índices espaciais), o tempo caiu para menos de 3 segundos.
Comparação entre o tempo necessário para ler um arquivo no formato shapefile e no formato feather: o último é quase três vezes mais rápido.
Um tipo específico de índice espacial chamado r-tree. Veja como os polígonos menores, vermelhos, são encapsulados por polígonos maiores
Depois de toda a otimização, o tempo de execução do código caiu de meio minuto para menos de três segundos
200 milhões de pontos
Em vez de gerar apenas pontos dentro do círculo, a equipe gerou previamente uma camada com 190 milhões de pontos — um para cada habitante do Brasil em 2010 — processados a partir dos setores censitários do IBGE. Os dados resultantes (cerca de 23 gigabytes) foram convertidos para tilesets usando o tippecanoe do Mapbox.
Decidir como implementar a interface visual do projeto não foi simples
Quais as chances de o ponto vermelho cair na região azul ou na região amarela?
Quanto mais pontos gerados, mais próxima a distribuição fica da probabilidade teórica
Note como o valor de pontos dentro do setor ficou próximo do real: de 866 pontos esperados, 862 caíram dentro.
Um dos primeiros protótipos, destacando as mortes em torno de um ponto no município de Palhoça, SC
Protótipo de mapa com que exibe um ponto para cada habitante do Brasil, em vez de exibir apenas um ponto para cada vítima da Covid-19
Um cooler feito de peças de Lego evitou que esse pobre computador entrasse em combustão
Lições aprendidas
-
Especializar tarefas, mas coletivizar debates: divisão rigorosa do trabalho, mas com liberdade para sugestões sobre tópicos alheios.
-
Brainstorming eterno: manter um ambiente de ideação constante com referências, sugestões e debates ao longo de todo o processo.
A mídia compartilhada no grupo de WhatsApp: referências, testes, memes, cursos e árvores secas
- Aprender no processo: disposição para mergulhar em temas novos rapidamente. O grupo se autodenominou “Irresponsáveis Motivados”. Como disse a equipe: “Feito é melhor que perfeito.”
Os dados de mortes vieram do Brasil.io, mantido por Álvaro Justen e voluntários. O código-fonte do projeto é aberto.
Esse post foi originalmente postado no Medium do datavizbr e pode ser encontrado no link acima.