14 - PPGMNE - Universidade Federal do ParanÃ¡

More documents

Recommendations

Info

Figura 2.21 Distribuição a posteriori para os parâmetros β, σ 2 e φ a partir de 1.000aproximações numéricas da variável IMA tomada em 18 pontos amostrais . 61Figura 2.22 Mapa de predição de IMA com 18 amostras, classificada pelos quartis. A figurada esquerda foi obtida por krigagem convencional e a da direita por prediçãobayesiana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63Figura 3.1 Representação de uma área típica com processos geoestatísticos bivariados contendoquatro localizações amostrais, onde as variáveis não são co-localizadase nem oferecem o mesmo número de observações. . . . . . . . . . . . . . . . . . . . . . . . 70Figura 3.2Grid regular com locação amostral de duas variáveis com círculos representandoa primeira e estrelas a segunda. As setas estabelecem a direção dascorrelações e os h, através de seus índices indicam o grupo de correlações entrevariáveis separadas por uma mesma distância. . . . . . . . . . . . . . . . . . . . . . . . . 72Figura 3.3 Mapas de produtividade de soja em modelos bivariados em uma malha regular de 690pontos. No modelo do mapa da esquerda utilizou-se 128 amostras de soja e no dadireita, 64. A variável secundária foi 150 amostras de iCone . . . . . . . . . . . . . . . . . . 85Figura 3.4 Mapas de produtividade de soja estimados por MV em modelos bivariados em uma malharegular de 690 pontos. No modelo do mapa da esquerda utilizou-se 128 amostrasde soja e no da direita, 64. A variável secundária foi 150 amostras da CP1 . . . . . . . 86Figura 3.5Mapa de predição de IMA classificada pelos quartis, usando krigagem convencionale Teor de Argila como variável secundária no modelo bivariado. . . . . 87Figura A.1 Erros de predição por Validação cruzada. Predição nas mesmas coordenadas damalha de dados de estimação do modelo com a estratégia de retirar um pontopor vez e estimá-lo com o modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97x
Figura A.2 Erros de predição por Validação cruzada. Predição em 128 coordenadas externasà malha de dados de estimação do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . 98Figura A.3 Erros de predição por Validação cruzada. Predição em 192 coordenadas externasà malha de dados de estimação do modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . 99xi
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 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 104 and 105:
84secundária apresentada no caso a
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
show all

14 - PPGMNE - Universidade Federal do ParanÃ¡

Create successful ePaper yourself

Delete template?

Save as template?