O Que É Cartografia Tematica

O que é cartografia temática

A cartografia temática é a área da cartografia que se ocupa de representar, sobre a base geográfica, fenômenos específicos — sejam eles naturais, sociais, econômicos ou culturais. Diferente da cartografia de base, que apenas descreve o terreno, a temática parte de dados temáticos e os projeta em mapa, tentando mostrar como uma variável se distribui no espaço. No dia a dia, você vê isso o tempo todo. Mapa de densidade demográfica, mapa de precipitação, mapa de incidência de uma doença, mapa de fluxo migratório. Cada um desses é um mapa temático. A parte que mais interessa ao mapper é a escolha da simbologia e da classificação dos dados, porque é ali que o erro mais frequente acontece.

O que é cartografia temática: conceito e aplicação prática

Eu trabalhei anos com mapas de uso e cobertura do solo para uma prefeitura do interior de São Paulo. O problema não era fazer o mapa — era decidir como classificar as classes. O sensor passava por cima da área e te entregava uma imagem. A questão era como transformar pixels em informação legível sem distorcer a realidade. A gente tentou usar classificação supervisionada com k-means, mas os resultados ficaram péssimos nas transições entre agricultura e vegetação nativa. Os pixels de borda eram ambíguos. A solução foi aplicar primeiro um filtro de média móvel de 3x3 nos índices NDVI e EVI, depois classificar com limiar obtido a partir da histograma da faixa agrícola. Ficou aceitável em 85% dos casos. O resto foi mapeamento manual em QGIS mesmo.

Isso mostra algo que pouca gente comenta: cartografia temática não é só sobre ferramentas. É sobre entender o que os dados representam no mundo real e escolher a visualização que transmite isso sem enganar o leitor.

Tipos de mapas temáticos

Existem várias categorias. As principais que eu uso no escritório são: Mapas coropléticos. Usam shading de áreas para representar valores numéricos por unidade territorial — municípios, bairros, estados. O dado é agregado. Se o município tem 100 mil habitantes e uma incidência de 20%, o mapa mostra 20%. Parece simples, mas esconde armadilhas. Mapas de taxa bruta podem enviesar porque áreas com menos população têm maior variabilidade amostral. A solução padrão é usar taxas padronizadas ou modelagem Bayesiana empírica para estabilizar os valores.

Mapas de pontos. Representam ocorrência individual por ponto. Ideais para fenômenos descontínuos — localização de poços, focos de incêndio, espécies ameaçadas. O problema é overplotting. Quando os pontos se sobrepõem, o mapa fica ilegível. Eu resolvo isso usando jitter controlado e transparencia variável. Em Python, com matplotlib ou folium, é fácil aplicar. Em QGIS, o plugin Point Density ajuda a transformar pontos em superfície. Mapas de fluxos. Mostram movimento entre locais — migração, comércio, transporte. Os dados são origins e destinations. A visualização clássica é a cartogramática com setas ou linhas proporcionais. O desafio é legibilidade quando há muitos fluxos. Eu costumo filtrar por threshold e depois aplicar o método de simplificação de Linke, que remove arestas redundantes mantendo a estrutura de rede.

Mapas de isolinhas. Usados para fenômenos contínuos — altitude, temperatura, pressão. O método padrão é interpolação por krigagem ou IDW. Krigagem é mais precisa, mas exige variograma e ajuste de modelo. IDW é rápido, mas tende a criar "bolhas" ao redor dos pontos de amostra. Para mapas de temperatura no verão paulista, eu prefiro krigagem com variograma esférico. Fica mais realista. Mapas de proporcionalidade. Usam tamanho de símbolos para representar magnitude. Um círculo maior significa mais habitantes, mais casos, mais produção. Funciona bem para dados pontuais com grande variação de magnitude. O risco é o símbolo dominante ofuscar o mapa. Recomendo limitar o diâmetro máximo a 2cm na escala final e usar paleta discreta ao fundo para contexto.

Como construir um mapa temático passo a passo

Eu sigo um fluxo fixo. Não é receita de bolo, mas reduz erro. Primeiro, definir a pergunta. O que o mapa precisa responder. Se você não sabe, não faça o mapa. Perguntas ruins geram mapas ruins. Exemplo: "Qual a distribuição espacial da pobreza por bairro" é boa. "Quanto tem pobreza no Brasil" é ruim — isso é estatística, não mapa.

Segundo, coletar e tratar os dados. Dados espaciais precisam de sistema de referência. O padrão no Brasil é SIRGAS2000 UTM zona adequada. Se o dado vem em WGS84 geographic, reprojetar antes de tudo. Erro de reprojeção introduz distorção que se acumula em cálculos de área e buffer. Terceiro, escolher a técnica de visualização. Depende do tipo de dado. Numérico contínuo isolinhas ou coroplético com classes quantiles. Categorial cor discreta. Contagem mapa de pontos com jitter. Fluxo linhas proporcionais. A regra geral é: a técnica deve refletir a natureza do fenômeno, não o gosto do mapper.

Quarto, classificar os dados. Aqui é onde a maioria erra. Classificação numérica tem vários métodos. Natural Breaks (Jenks) agrupa valores similares, mas é sensível a outliers. Quantiles divide em partes iguais, mas pode agrupar valores muito diferentes na mesma classe. Intervalo igual é simples, mas muitas vezes esconde padrões. Eu prefiro Jenks quando os dados têm distribuição desigual, quantiles quando quero destacar a posição relativa, e intervalo igual apenas para mapas de política pública onde a transparência do corte é exigência legal. Quinto, validar. Um mapa temático precisa de legenda clara, fonte dos dados, escala, north arrow, e Nota de responsabilidade sobre limitações. Se o dado é de 2018 e o mapa é publicado em 2024, isso precisa constar. Leitor confia no que lê, e se você esconde a data, ganha credibilidade negativa.

Pitfalls comuns que eu já vi dar errado

MAUP — Modifiable Areal Unit Problem. O resultado muda conforme a divisão territorial usada. Same data, different zoning, different map. Se você faz mapa por bairro e depois por setor censitário, os padrões podem mudar. Isso não é erro técnico, é propriedade dos dados agregados. A solução é testar múltiplas escalas e reportar a sensibilidade. ZOC — Zero Occupancy Condition. Área sem dado que aparece como zero. Em mapas de saúde, se o sistema não registrou caso em um município, o mapa mostra zero. Mas zero registrado é diferente de zero verdadeiro. Eu trato isso marcando áreas sem dados como "sem informação" na legenda, nunca como zero.

Escolha errada de paleta. Paleta sequencial para dados categoriais é erro comum. Vermelho-Amarelo-Verde para temperatura está OK. Vermelho-Amarelo-Verde para tipo de solo é confuso. Para dados nominais, use paleta qualitativa com cores distintas e sem ordem implícita. Viridis e Plasma funcionam para dados contínuos e são acessíveis para daltônicos. Sobreescala. Tentar mostrar 50 mil pontos em um mapa impresso a 1:50.000 não funciona. O papel não resolve. Em tela, sim, com zoom interativo. Defina o meio antes de começar. Mapa impresso pede simplificação. Mapa digital permite densidade.

Ferramentas que eu uso no dia

QGIS. Gratuito, robusto, extensível. Para mapas coropléticos, o processador de dados integrado resolve classificação Jenks, quantiles e intervalo igual em dois cliques. Para mapeamento de fluxos, o plugin FlowMapper ajuda. A curva de aprendizado é real, mas em duas semanas você ganha autonomia. Python com geopandas, matplotlib e contextily. Para automação e reproduzibilidade. Eu testo a visualização em QGIS, depois recrio em Python para gerar lote de mapas. O contextily busca tiles de fundo (OpenStreetMap, CartoDB) direto no plot. O geoviews melhora interatividade quando o dataset é grande.

ArcGIS Pro. Quando o cliente exige formato ESRI ou quando há integração com banco geodatabase corporativo. A licença é cara, mas a ferramenta de heatmap e o 3D analyst são úteis em projetos específicos. Eu uso pouco, mas mantenho acesso para esses casos. Google Earth Engine. Para processamento de imagens de satélite em escala regional. NDVI, EVI, classificações de uso do solo em nível estadual. O custo computacional cai de horas para minutos. A desvantagem é a granularidade — os dados são melhores para macro, piores para micro.

Um caso prático que eu resolvi recentemente

Tinha um cliente que precisava de um mapa de vulnerabilidade social por bairro para uma capital do Nordeste. O dado era do Censo 2022, agregado por setor. O problema era que setores com menos de 100 habitantes tinham taxa de mortalidade infantil instável — uma Variation. A solução foi aplicar Bayesian Empirical Bayes smoothing no R com o packageSpatialSim. O modelo estabiliza taxas em áreas pequenas puxando-as em direção à média regional, sem anulá-las completamente. O resultado foi um mapa muito mais confiável que o raw rate. A diferença entre os dois mapas era visível principalmente nos bairros periféricos, onde o dado bruto mostrava picos enganosos.

Eu mostrei o mapa suavizado e o bruto lado a lado para o cliente. Ele pediu o suavizado para publicação e o bruto para análise interna. Transparência total.

Limitações da cartografia temática

Não é solução para tudo. Cartografia temática depende da qualidade dos dados de entrada. Se o dado é ruim, o mapa é ruim, independentemente da técnica. Dados censitários têm erro de medição, dados de satélite têm nuvem, dados administrativos têm lacuna de reporte. Também não substitui análise estatística. Um mapa mostra padrão espacial, mas não explica causalidade. Correlação espacial não é causalidade. Eu já vi mapas sendo usados como evidência em decisões políticas sem análise de regressão espacial de apoio. Isso é perigoso.

Escala é limitação prática. Um mapa temático em escala nacional esconde variação local. Um mapa em escala de bairro esconde contexto regional. Escolha a escala com propósito, não por comodidade.

O que é cartografia temática na prática brasileira

No Brasil, a cartografia temática é amplamente usada por IBGE, secretarias estaduais de saúde, prefeituras e ONGs. O mapa de IDH municipal do PNUA, o mapa de incidência de dengue da Secretaria de Vigilância em Saúde, o mapa de desmatamento do INPE são exemplos conhecidos. Todos usam técnicas de cartografia temática, cada um com suas escolhas de classificação e visualização. O que diferencia um mapa brasileiro bem feito de um mal feito costuma ser a transparência metodológica. O mapa que lista fonte, data, método de classificação e limitações é credível. O que não lista nada é suspeitoso. Eu sigo essa regra desde 2016 e nunca tive problema com revisão técnica.

Se você está começando, recomendo QGIS + dados abertos do IBGE. Baixe o arquivo shape dos setores censitários, importe no QGIS, faça um mapa coroplético simples de uma variável, exporte como PNG e compare com o mapa oficial do IBGE. A diferença vai ensinar mais que qualquer tutorial.