A identificação da migração humana impulsionada pelas mudanças climáticas, a propagação do COVID-19, tendências agrícolas, e os problemas socioeconômicos nas regiões vizinhas dependem de dados - quanto mais complexo o modelo, mais dados são necessários para compreender tais fenômenos espacialmente distribuídos. Contudo, dados confiáveis ​​costumam ser caros e difíceis de obter, ou muito esparso para permitir previsões precisas.

Maurizio Porfiri, Professor do Instituto de mecânica e aeroespacial, biomédico, e engenharia civil e urbana e membro do Center for Urban Science and Progress (CUSP) na NYU Tandon School of Engineering, desenvolveu uma nova solução com base na teoria da rede e da informação que faz com que "poucos dados" funcionem de forma ampla, a aplicação de técnicas matemáticas normalmente usadas para séries temporais, aos processos espaciais.

O estudo, "Uma abordagem teórica da informação para estudar dependências espaciais em pequenos conjuntos de dados, "destaque na capa da Proceedings of the Royal Society A:Matemática, Ciências Físicas e de Engenharia , descreve como, a partir de uma pequena amostra de atributos em um número limitado de locais, os observadores podem fazer inferências robustas de influências, incluindo interpolações para áreas intermediárias ou mesmo regiões distantes que compartilham atributos-chave semelhantes.

"Na maioria das vezes, os conjuntos de dados são ruins, "Porfiri explicou." Portanto, adotamos uma abordagem muito básica, aplicando a teoria da informação para explorar se a influência no sentido temporal pode ser estendida ao espaço, o que nos permite trabalhar com um conjunto de dados muito pequeno, entre 25 e 50 observações, "disse ele." Estamos tirando um instantâneo dos dados e traçando conexões - não com base em causa e efeito, mas na interação entre os pontos individuais - para ver se há alguma forma de base, resposta coletiva no sistema. "

O método, desenvolvido por Porfiri e colaborador Manuel Ruiz Marín do Departamento de Métodos Quantitativos, Direito e Línguas Modernas, Universidade Técnica de Cartagena, Espanha, envolvido:

• Consolidar um determinado conjunto de dados em uma pequena gama de símbolos admissíveis, semelhante à maneira como um sistema de aprendizado de máquina pode identificar um rosto com dados de pixel limitados:um queixo, maçãs do rosto, testa, etc.
• Aplicar um princípio da teoria da informação para criar um teste não paramétrico (um que não assume nenhum modelo subjacente para a interação entre locais) para desenhar associações entre eventos e descobrir se a incerteza em um local específico é reduzida se alguém tiver conhecimento sobre o incerteza em outro local.

Porfiri explicou que, uma vez que uma abordagem não paramétrica postula nenhuma estrutura subjacente para as influências entre os nós, confere flexibilidade em como os nós podem ser associados, ou mesmo como o conceito de vizinho é definido.

"Porque abstraímos este conceito de vizinho, podemos defini-lo no contexto de qualquer qualidade de sua preferência, por exemplo, ideologia. Ideologicamente, Califórnia pode ser vizinha de Nova York, embora eles não estejam geograficamente co-localizados. Eles podem compartilhar valores semelhantes. "

A equipe validou o sistema em dois estudos de caso:migrações populacionais em Bangladesh devido ao aumento do nível do mar e mortes de veículos motorizados nos EUA, para obter uma visão baseada em princípios estatísticos sobre os mecanismos de problemas socioeconômicos importantes.

"No primeiro caso, queríamos ver se a migração entre locais poderia ser prevista pela distância geográfica ou pela gravidade da inundação daquele distrito específico - se o conhecimento de qual distrito está próximo a outro distrito ou o conhecimento do nível de inundação ajudará a prever o tamanho da migração, "disse Ruiz Marín.

Para o segundo caso, eles analisaram a distribuição espacial de acidentes automobilísticos relacionados ao álcool em 1980, 1994, e 2009, comparar estados com um alto grau de acidentes com estados adjacentes e estados com ideologias legislativas semelhantes sobre álcool e direção.

"Descobrimos uma relação mais forte entre estados que compartilham fronteiras do que entre estados que compartilham ideologias legislativas relativas ao consumo de álcool e direção."

Próximo, Porfiri e Ruiz Marín estão planejando estender seu método para a análise de processos espaço-temporais, como a violência armada nos EUA - um grande projeto de pesquisa recentemente financiado pelo programa LEAP HI da National Science Foundation - ou ataques epilépticos no cérebro. Seu trabalho pode ajudar a entender quando e onde a violência armada pode acontecer ou onde as convulsões podem começar.