Introdução

A crescente disponibilidade de dados abertos cria oportunidades inéditas para pesquisa e inovação, mas também traz desafios relacionados à heterogeneidade e às diferentes escalas temporais e espaciais das bases de dados. Muitas vezes, esses dados são coletados por instituições distintas, com metodologias próprias, o que dificulta análises consistentes. O AggRaDa surge para enfrentar esse problema, propondo uma solução automatizada para integrar, harmonizar e agregar dados brutos multifonte. Seu diferencial está na capacidade de identificar a granularidade mais adequada para cada contexto, preservando a fidelidade da informação e otimizando a representatividade dos dados.

Objetivos

• Automatizar a agregação espaço-temporal de dados brutos heterogêneos multifonte.
• Implementar métricas de qualidade que avaliem a consistência, representatividade e fidelidade dos dados agregados.
• Explorar diferentes granularidades espaciais e temporais, investigando seus impactos na qualidade das análises.
• Fornecer uma arquitetura modular e escalável, baseada em microsserviços e interoperabilidade, para facilitar integração e expansão.
• Validar o framework com estudos de caso utilizando dados reais de domínios variados (saúde, socioeconômicos, ambientais, urbanos).

Aplicações

• Saúde pública: integração de dados epidemiológicos com cadastros socioeconômicos para análises em múltiplas escalas.
• Gestão urbana: fusão de dados de mobilidade, infraestrutura e redes sociais para planejamento de cidades inteligentes.
• Meio ambiente: análise de dados ambientais e climáticos em diferentes granularidades para monitoramento e políticas públicas.
• Ciências sociais: estudo de correlações entre dados censitários, socioeconômicos e eventos em diferentes níveis espaço-temporais.

Limitações

• Dependência da qualidade dos dados de origem: erros, lacunas e inconsistências podem impactar os resultados.
• Nem sempre existe uma granularidade única e ótima; em alguns casos, o sistema pode gerar resultados menos representativos.
• O desempenho pode variar de acordo com o volume de dados e a complexidade das consultas espaciais/temporais.
• O framework não substitui a análise especializada: os resultados servem de suporte, mas a interpretação depende do domínio de aplicação.