Contextualização do Projeto: Mapeamento Térmico de Ocupação Tática (Efeito Catapult)

1. Introdução e Objetivo
   O presente projeto teve como objetivo principal desenvolver uma visualização analítica
   avançada — um Mapa de Calor (Heatmap) — para avaliar o padrão de movimentação e a
   ocupação tática do atleta (Reinaldo) durante uma partida de futebol. Utilizando a linguagem R e
   pacotes de análise espacial e gráfica ( tidyverse , ggsoccer ), o intuito foi replicar e aprimorar
   o padrão visual dos relatórios termográficos gerados por sistemas comerciais de rastreamento
   (como o Catapult/OpenField), garantindo total controle sobre o tratamento dos dados e a
   estética da apresentação.

• Origem dos Dados e Desafio Estrutural
  Os dados brutos foram extraídos em formato CSV a partir de um sistema de rastreamento GPS
  (OpenField). Durante o processo de exportação, identificou-se um desafio técnico comum em
  bases de dados geradas por hardwares europeus/americanos quando abertos em sistemas com
  configurações regionais diferentes: o erro de formatação de vírgulas.
  Os valores decimais foram interpretados erroneamente como separadores de colunas,
  fragmentando as variáveis originais e gerando um dataset desestruturado com 21 colunas
  genéricas ( V1 a V21 ). O primeiro passo do projeto consistiu em uma engenharia reversa para
  reconstruir as variáveis reais juntando a parte inteira e a parte decimal de cada métrica.
• Variáveis Utilizadas e Reconstrução
  Para chegar ao mapa de calor final, o modelo matemático dependeu fundamentalmente de três
  vetores de informação espacial e cinemática:
  Latitude (Posicionamento Y): Reconstruída pela concatenação das colunas V10 e V11 .
  Representa o movimento longitudinal do atleta (eixo vertical do campo).
  Longitude (Posicionamento X): Reconstruída pela concatenação das colunas V12 e
  V13 . Representa o movimento transversal do atleta (eixo horizontal do campo).
  Velocidade (Controle de Ruído): Reconstruída a partir das colunas V4 e V5 . Foi utilizada
  como uma variável de “limpeza”. Para evitar erros de GPS (pontos anômalos que jogariam
  o atleta para fora do estádio), aplicou-se um filtro validando apenas registros onde a
  velocidade era real e humanamente possível (entre 0 e 36 km/h).
• Processamento Analítico e Suavização
  Sistemas de GPS como o Catapult operam em altas frequências (frequentemente 10Hz, ou seja,
  10 registros por segundo). Plotar todos esses pontos geraria uma imagem ruidosa e
  superpopulada.

Para alcançar o “Efeito Catapult” de uma massa térmica orgânica, aplicou-se uma técnica de
redução de densidade, selecionando 1 a cada 5 frames (amostragem para 2Hz). Em seguida, as
coordenadas em Latitude e Longitude foram matematicamente normalizadas ( rescale ) para
corresponder exatamente às dimensões oficiais de um campo de futebol no padrão da FIFA
(105 metros de comprimento por 68 metros de largura).

Modelagem Visual e Conclusão
A visualização final não é um simples gráfico de pontos, mas sim uma Estimativa de Densidade
de Kernel 2D (2D KDE). O algoritmo lê a concentração espacial das coordenadas e gera
“curvas de nível”, preenchidas com o padrão de cores termográficas (Verde para baixa
densidade, Amarelo para média, Vermelho para alta permanência).
Com a aplicação de limites estritos de coordenadas ( coord_fixed ), o calor foi contido
precisamente dentro das quatro linhas, resultando em um produto final limpo e altamente
profissional. Este material permite que a comissão técnica, analistas de desempenho e
fisiologistas identifiquem rapidamente as zonas de maior influência do jogador, seu
cumprimento de funções táticas e o volume espacial percorrido no gramado

Quer aprender a fazer essas análises?

Todos os mapas, gráficos e cálculos deste artigo foram produzidos com R — a linguagem de programação mais usada em análise de dados esportivos no mundo. No Campo Analítico, você aprende a trabalhar com dados reais como esses, desde os fundamentos estatísticos até a produção de relatórios profissionais de scouting.

Conheça a Formação em Estatística Computacional no Futebol

Você vai dominar worldfootballR, ggplot2, ggsoccer, machine learning aplicado ao futebol e muito mais — com dados reais de campeonatos como este Brasileirão 2026.

Tem dúvidas? Fale diretamente com o professor Aldrei pelo WhatsApp.

Campo Analítico | campoanalitico.com.br Análise: Aldrei Peralta | DataViz: Campo