Os Mapas Quantitativos Apresentam:

Como fazer mapas quantitativos que não pareçam amadorismo

A maioria dos mapas quantitativos que vejo publicados em trabalhos acadêmicos e relatórios corporativos tem um problema crônico: usam paletas de cores que distorcem a percepção dos dados. Eu já perdi uma manhã inteira tentando entender por que um ranking regional não fechava, só para descobrir que o autor do mapa tinha usado uma escala interpolada sequential com reverso de cores em dados que na verdade eram categóricos discretos. Isso muda completamente a leitura. Mapas quantitativos são representações cartográficas onde variáveis numéricas são codificadas visualmente — seja por intensidade de cor, tamanho de símbolos proporcionais ou densidade de pontos. O princípio é direto. A execução, nem tanto.

Os métodos mais comuns de representação

O mapa de correlação, ou choropleth, é o padrão do setor. Você pega uma unidade territorial (município, estado, distrito censitário) e preenche com cores conforme o valor de uma variável. Parece simples, mas existem armadilhas. A escolha do número de classes define quanto você está escondendo dos dados. Três classes escondem variação importante. Sete classes criam ruído visual. O sweet spot, na prática, fica entre cinco e oito, dependendo da distribuição dos seus dados e do nível de detalhe que o público precisa. Escalas de cores também determinam tudo. Evite o arco-íris. Escaleiras como Viridis, plasma ou cividis são perceptualmente uniformes — uma mudança de valor se traduz em uma mudança proporcional de intensidade, o que significa que o olho humano não cria falsas bordas onde elas não existem. Quando eu trabalho com dados de renda per capita por município, uso Viridis invertido porque a progressão de escuro para claro comunica melhor a ideia de concentração, sem o efeito visualmente agressivo de vermelho intenso em regiões mais ricas. Símbolos proporcionais funcionam quando a variável não está atrelada a uma área territorial fixa. Pense em população urbana versus área rural: um círculo sobre cada cidade cujo raio é proporcional ao logaritmo da população. O logaritmo é importante aqui. Se você usar a escala linear pura, as cinco maiores cidades vão comer todo o mapa e as vinte menores vão virar pixels. A transformação logarítmica compacta o range e permite que a variabilidade das pequenas localidades ainda seja visível.

Mapas de pontos são úteis para densidade absoluta quando o dado não tem área de referência clara. Cada ponto representa, digamos, cem mil habitantes. Espalhe-os dentro dos polígonos relevantes com alguma aleatorização controlada e você tem uma leitura instantânea de onde a população está concentrada. O problema é que mapas de pontos podem criar ilusão de grumos artificiais em regiões com polígonos grandes e poucos pontos, então eu sempre sobreponho uma legenda com a relação ponto-população bem explicitada.

O problema que ninguém resolve direito: a desigualdade.areal.ecd

Aqui está algo que poucas pessoas consideram: o efeito Mooring. Quando você usa áreas tradicionais (municípios) para mapas de correlação, regiões com baixa densidade populacional mas grande extensão territorial tendem a dominar visualmente o mapa, mesmo que a variável em questão seja extremamente concentrada em centros urbanos. Um município no sertão com dois habitantes por quilômetro quadrado vai aparecer com a cor mais intensa simplesmente porque ocupa três vezes a área de um município metropolitano, mesmo tendo metade da variável total. A solução que eu adotei foi criar uma versão Cartogram map-based weighting, onde o peso visual de cada unidade é ajustado pelo índice de população-área relativa. Funciona assim: calculo a densidade demográfica de cada região, normalizo entre zero e um, e aplico um fator de correção na escolha da paleta. Regiões subpovoadas recebem uma leve desaturação; regiões densas mantêm a saturação original. O resultado é um mapa onde a cor reflete melhor a realidade distributiva do que a geometria administrativa pura.

A ferramenta que eu recomendo e por quê

Para quem trabalha com GIS profissional, o QGIS ainda é a opção mais completa e gratuita. O plugin Quantile Classify ajuda a definir classes estatisticamente robustas, e o Processamentos de GeoAlgorithm permite automação batch para múltiplas camadas. No R, o pacote sf combinado com tmap produz mapas rapidamente, especialmente útil quando você precisa replicar o processo para diferentes anos ou variáveis. Se o dado já estiver em formato tabular e você quiser algo mais rápido sem entrar em programação pesada, o Tableau ou mesmo o Google Sheets com add-ons de visualização geoespacial funcionam para mapas simples de referência. Para dados temporais em série, considere animar o mapa com o pacote gganimate no R ou o Leaflet no ambiente web. A animação de dez anos de taxa de mortalidade infantil por município, por exemplo, revela padrões sazonais e de longo prazo que um mapa estático único nunca conseguiria mostrar. A desvantagem é que arquivos ficam pesados e a interpretação exige cuidado para não confundir tendências com variações pontuais.

Pegadinhas que todo mundo comete

Dados absolutos versus taxas. Esse é o erro mais frequente. Se você mapear o número total de casos de uma doença sem normalizar pela população exposta, as capitais vão sempre aparecer como os maiores problemas, simplesmente porque concentram mais gente. Normalizar por mil habitantes ou por cento mil habitantes transforma completamente a leitura. A variável deixa de ser "onde há mais pessoas doentes" e passa a ser "onde o risco individual é maior". O segundo erro crônico é a escolha errada de baseline temporal. Mapas baseados em dados de um único ano podem capturar anomalias pontuais (secas, surtos, crises econômicas específicas) e transmiti-las como se fossem padrão estrutural. Sempre que possível, calcule a média móvel de três a cinco anos antes de criar o mapa final. O terceiro erro envolve a escala de projeção. Mapas que cobrem áreas extensas usam projeções que distorcem áreas e formas. Se sua análise depende de comparações de magnitude entre regiões geograficamente distantes, use uma projeção equivalente, como a de Albers ou a de Lambert, que preserva relações de área. Projeções que preservam ângulos (como a de Mercator) são ruins para mapas quantitativos porque distorcem percepções de tamanho.

Quando mapas quantitativos falham completamente

Eles não funcionam bem para dados com muitos valores zero ou near-zero, porque a paleta de cores tende a ser dominada pelos não-valores e os dados reais ficam comprimidos em uma faixa muito pequena de tonalidade. Nesses casos, pré-filtre os dados ou use uma classificação especial com outliers separados. Também não são recomendados para variáveis qualitativas discretas — aí o correto é usar cores qualitativas distintas em vez de escalas sequenciais, senão você cria a impressão enganosa de ordinalidade onde não existe. Outro cenário em que o mapa quantitativo perde utilidade é quando a variável de interesse tem alta variabilidade intra-territorial. Mapear rendimento médio municipal esconde disparidades enormes dentro de cada município. Nesse caso, um histograma ou gráfico de dispersão junto com o mapa fornece uma leitura muito mais honesta dos dados.

Um fluxo prático que funciona

Eu costumo seguir este procedimento: primeiro, verifico a qualidade dos dados brutos — outliers, valores ausentes, inconsistências de codificação territorial. Depois, normalizo a variável (por população, por área, por PIB, conforme o contexto). Em seguida, escolho a classificação quantitativa: quantiles, intervalos iguais, padrão desvio padrão ou método natural breaks do Jenks, dependendo da distribuição. A seguir, seleciono a paleta de cores com base no tipo de dado e no público-alvo. Finalmente, gero o mapa e faço uma leitura crítica: consigo identificar padrões plausíveis? As cores parecem refletir a variabilidade real dos dados? Há regiões que não fazem sentido visual? Se tudo parecer coerente, adiciono legendas claras com escala numérica, unidades de medida e fonte dos dados. Metade dos mapas que vejo publicados faltam esses elementos básicos, o que torna impossível avaliar criticamente o que está sendo mostrado. Sem legenda quantitativa, o mapa é apenas ilustrativo, não analítico. Mapas quantitativos apresentam: uma camada adicional de complexidade que separa quem apenas desenha formas coloridas de quem realmente comunica informação espacialmente referenciada. A diferença está nos detalhes — na normalização, na escolha da paleta, na correção de vieses geométricos e na honestidade sobre as limitações dos dados. Quando esses pontos são tratados corretamente, o mapa se torna uma ferramenta poderosa de análise. Quando são negligenciados, ele vira decoração com pretensões científicas.