84secundária apresentada no caso anterior. Observa-se que são iguais às estimativas para Soja128nas duas concepções de variável secundária bem como o são no caso da Soja64.Tabela 3.2: Estatísticas descritivas das predições da produtividade de soja medida em 128 e64 pontos aleatórios condicionadas às observações de iCone e da CP1 e predições de IMAcondicionadas a 555 observações de Teor de Argila.Delineamento Mínimo Média Máximo D.P. C.V.(%) ER(%)S128iCone 1,8626 2,7708 3,7627 0,3135 11,3 0,8S64iCone 2,0243 2,8049 3,6266 0,2672 9,5 2,0S128CP1 2,0280 2,7583 3,4739 0,1949 7,1 0,3S64CP1 2,7943 2,8084 2,8244 0,0043 0,2 2,1IMAArg 17,740 25,750 37,150 3,3100 12,9 –Estimativas de soja em t ha −1 e estimativas de IMA em m 3 . D.P.: Desvio Padrão, C.V.: Coeficiente deVariação, ER(%): erro em relação ao valor referência de 2,75 t ha −1 .Na tabela 3.3, a porcentagem <strong>do</strong>s pontos estima<strong>do</strong>s por méto<strong>do</strong> de krigagem com modelobivaria<strong>do</strong>, incidentes em cada intervalo de classificação segun<strong>do</strong> os diferentes modelos,mostra a tendência <strong>do</strong> número de pontos preditos se concentrarem na classe central, quan<strong>do</strong>comparada com a distribuição percentual <strong>do</strong>s da<strong>do</strong>s originais. No caso em que se empregouCP1 como informação adicional no modelo esse efeito fica mais evidente, chegan<strong>do</strong> a concentrarto<strong>do</strong>s os pontos na classe de 2,61 a 3,16 t ha −1 , o que não permitiu representar um padrãoespacial pelo respectivo mapa.Tabela 3.3: Porcentagem <strong>do</strong>s pontos estima<strong>do</strong>s com modelo bivaria<strong>do</strong>, incidentes nos respectivosintervalo de classificação.Classe PM S128 e IC S64 e IC S128 e CP1 S64 e CP1 S256d1,19 a 2,34 1,8 8,3 4,2 2,3 0,0 20,32,34 a 2,61 2,5 22,8 18,3 17,5 0,0 19,92,61 a 2,85 2,7 28,4 34,2 51,9 100,0 20,72,85 a 3,16 3,0 28,8 33,6 25,7 0,0 19,13,16 a 4,<strong>14</strong> 3,7 11,7 9,7 2,6 0,0 19,9PM: ponto médio da classe, S128: soja em 128 amostras, S64: soja em 64 amostras, IC: iCone, CP1:primeira componente principal, S256d: da<strong>do</strong>s originais de soja classifica<strong>do</strong>s.Mapa da média da predição bivariada de produtividade de sojaA Figura 3.3 apresenta os mapas de produtividade de soja estima<strong>do</strong>s por méto<strong>do</strong>s dekrigagem condicional em modelos bivaria<strong>do</strong>s em uma malha de 690 pontos. No mapa à esquerdao modelo aplica<strong>do</strong> utilizou informações de soja em 128 pontos e iCone em 150 pontos
85da variável secundária. No mapa da direita, o modelo utilizou informações em 64 pontos sortea<strong>do</strong>sda variável principal (soja) e 150 pontos da variável secundária (iCone). Os pontosbrancos da figura correspondem às produtividades abaixo de 2,34 t ha −1 e os pontos pretos correspondemàs produtividades acima de 3,16 t ha −1 . Os demais pontos variam seu tom de cinzaproporcionalmente às classes que representam. Nessas figuras nota-se que os mapas que se utilizaramde informações de uma segunda variável indicaram um padrão de variabilidade espacialsemelhante ao descrito na Figura 2.13 da página 53, entretanto não definiram visualmente zonasde produtividade de amplas dimensões.0 20 40 60 80 100 120128 amostras0 20 40 60 80 100 12064 amostras20 40 60 80 100 120 <strong>14</strong>020 40 60 80 100 120 <strong>14</strong>0Figura 3.3: Mapas de produtividade de soja em modelos bivaria<strong>do</strong>s em uma malha regular de 690pontos. No modelo <strong>do</strong> mapa da esquerda utilizou-se 128 amostras de soja e no da direita, 64. A variávelsecundária foi 150 amostras de iConeA Figura 3.4 também apresenta mapas de produtividade de soja estima<strong>do</strong>s por méto<strong>do</strong>sde krigagem condicional em modelos bivaria<strong>do</strong>s em uma malha de 690 pontos. Na construçãoda figura da esquerda o modelo utilizou informações em 128 pontos sortea<strong>do</strong>s da variável principal(soja) e 150 pontos da variável secundária (CP1). No mapa da direita, o modelo utilizouinformações em 64 pontos sortea<strong>do</strong>s da variável principal (soja) e 150 pontos da variável secundária(CP1). Os pontos brancos da figura correspondem às produtividades abaixo de 2,34 tha −1 e os pontos pretos correspondem às produtividades acima de 3,16 t ha −1 . Os demais pontosvariam seu tom de cinza proporcionalmente às classes que representam. Tanto nessa figuracomo na Tabela 3.3 nota-se que o modelo que se utilizou de 128 amostras de soja na variávelprincipal, foram preditos poucos pontos que correspondem a valores baixos (2,3% <strong>do</strong> total) epoucos pontos que correspondem altos (2,6% <strong>do</strong> total), levan<strong>do</strong> a um mapa que ilustrou umpadrão espacial mais concentra<strong>do</strong> nas classes centrais. O efeito dessa concentração foi maiorno modelo que se utilizou de 64 amostras de soja. To<strong>do</strong>s os pontos foram estima<strong>do</strong>s dentro <strong>do</strong>intervalo central de 2,61 a 2,85 t ha −1 , intervalo esse que contém a produtividade média de 2,75
- Page 4:
A meus filhos, Denise e André e a
- Page 8 and 9:
4 CONCLUSÕES E SUGESTÕES DE TRABA
- Page 10 and 11:
direita ilustra também o comportam
- Page 12 and 13:
Figura 2.21 Distribuição a poster
- Page 14 and 15:
Lista de TabelasTabela 2.1Estatíst
- Page 16 and 17:
Lista de SiglasAPGPSSIGMVMVRACPCEPB
- Page 18 and 19:
A análise revelou a capacidade do
- Page 20 and 21:
deals with samples of small size.Ke
- Page 22 and 23:
2se dá na região Nordeste do Esta
- Page 24 and 25:
4reais, os fenômenos frequentement
- Page 26 and 27:
2 MODELO GEOESTATÍSTICO GAUSSIANOU
- Page 28 and 29:
8mente como Dβ é efeito espacial
- Page 30 and 31:
102.2.2 Componente determinísticoS
- Page 32 and 33:
12(a ′ ,b ′ ) = (a,b)(cos(ψA )
- Page 34 and 35:
14Para Tragmar, Yost e Uehara (1985
- Page 36 and 37:
162.4 TIPOS DE MODELO DE CORRELAÇ
- Page 38 and 39:
182.4.1 Função de correlação de
- Page 40 and 41:
20ρ(h) − Esferica0.0 0.2 0.4 0.6
- Page 42 and 43:
22Como solução dessas equações
- Page 44 and 45:
24Ribeiro Jr (2007) dizem que esse
- Page 46 and 47:
26de amostras coletadas com espaça
- Page 48 and 49:
28Agora substituindo σ 2 R+τ 2 I
- Page 50 and 51:
30[(l(φ,ν 2 ) = − 1 (Y − Dβ)
- Page 52 and 53:
32Segundo Perry e Iemma (1999) os e
- Page 54 and 55: 34variância do erro. Em uma coorde
- Page 56 and 57: 36origem, todavia o conhecido Teore
- Page 58 and 59: 38O modelo geoestatístico dado pel
- Page 60 and 61: 40Se forem conhecidos os parâmetro
- Page 62 and 63: 42então:[β;|Y(x);φ]∼ tnσ +n(
- Page 64 and 65: 44σ 2 r ′ (φ)R −1 (φ) r(φ)
- Page 66 and 67: 46d) Predição com incerteza nos p
- Page 68 and 69: 48região do patamar oriental da Ba
- Page 70 and 71: 50Figura 2.11: Localização das am
- Page 72 and 73: 52do valor de referência de 2,75 t
- Page 74 and 75: 54amostrais têm dimensão 5 × 5 m
- Page 76 and 77: 56os resultados obtidos por MV mas
- Page 78 and 79: 58256 amostras128 amostras64 amostr
- Page 80 and 81: 60Figura 2.19: Localização das am
- Page 82 and 83: 62Estatísticas descritivas da pred
- Page 84 and 85: 642.8.5 Conclusões sobre o método
- Page 86 and 87: 66suporte da ACP para a redução d
- Page 88 and 89: 68três ecossistemas. Efetuaram uma
- Page 90 and 91: 70 (y 2,1 )• x 4• x 1(y 1,1 )(
- Page 92 and 93: 72Figura 3.2: Grid regular com loca
- Page 94 and 95: 74observações y 1 (x i ) e y 2 (x
- Page 96 and 97: 76O método de cokrigagem poderá s
- Page 98 and 99: 783.5 REDUÇÃO DO NÚMERO DE VARI
- Page 100 and 101: 80como:R =( )V − 21 −1 (Σ V 2)
- Page 102 and 103: 82ou a componente representante de
- Page 106 and 107: 86t ha −1 obtida de fato na área
- Page 108 and 109: 883.6.5 Conclusões sobre o método
- Page 110 and 111: 90• Comparar diferentes formulaç
- Page 112 and 113: 92CRESSIE, N. Fitting variogram mod
- Page 114 and 115: 94PEBESMA, E. J.; WESSELING, C. G.
- Page 116 and 117: ANEXO A -- Figuras: Validação Cru
- Page 118 and 119: 98data1.5 3.01.5 3.0predicted0.0 0.
- Page 120 and 121: ANEXO B -- Código fonte R das aná
- Page 122 and 123: 102}45 }}## −−−−−−−
- Page 124 and 125: 104## Dados256 $SB ,## Dados256 $ i
- Page 126 and 127: 106## summary ( Soja256 . geo )## r
- Page 128 and 129: 108285 #### −−−−−−−
- Page 130 and 131: 110375 ##par ( mfcol =c ( 5 , 2 ) ,
- Page 132 and 133: 112##summary ( Soja64S .KC$ p r e d
- Page 134 and 135: 114t i t l e ( main="256 amostras"
- Page 136 and 137: 116par ( mfrow=c ( 1 , 2 ) , mar=c
- Page 138 and 139: 118Listagem B.2: Análise univariad
- Page 140 and 141: 12080 sd ( IMA18$ARG1)sd ( IMA18$AR
- Page 142 and 143: 122##165 ## D e f i n i n d o o mod
- Page 144 and 145: 124## −−−−−−−−−
- Page 146 and 147: 126## −−−−−−−−−
- Page 148 and 149: 128130 ###### iConeiCone150S . geo
- Page 150 and 151: 130round ( prop . t a b l e ( t a b
- Page 152 and 153: 132## F I M## −−−−−−−
- Page 154 and 155:
13445 ####IMA18