14 - PPGMNE - Universidade Federal do ParanÃ¡

More documents

Recommendations

Info

Lista de SiglasAPGPSSIGMVMVRACPCEPBLUENITUnioesteAgricultura de PrecisãoGlobal Positioning SystemSistema de Informações GeográficasMáximo do logarítmo da função de verossimilhançaMáxima verossimilhança restritaAnálise de Componentes PrincipaisCoeficiente de efeito pepitaBest Linear Unbiased EstimatorNúcleo de Inovações TecnológicasUniversidade Estadual do Oeste do ParanáCOODETEC Cooperativa Central Agropecuária de Desenvolvimento Tecnológico eEconômico LtdaUFPrMOBASAUTMGPLGNUIBGECONABCVUniversidade Federal do ParanáModo Battistella Reflorestamento S/AUniversal Transverse MercatorGeneral Public LicenceGNU Operating SystemInstituto Brasileiro de Geografia e EstatísticaCompanhia Nacional de AbastecimentoCoeficiente de Variaçãoxiv
ResumoOs grãos são comodities de grande importância internacional, amplamente negociadasentre importadores e exportadores. A madeira é fundamental nas atividades industriaisdo Brasil, seja como insumo, seja como geradora de energia. Neste início de milênio, soja,cana-de-açúcar, milho e madeira têm ocupado espaço na substituição da produção de energia deorigem petroquímica e consequentemente tem aumentado sua demanda pela competição com aprodução de alimentos.Além da expansão de fronteiras agrícolas, novas tecnologias têm surgido para dar suporteao aumento da produtividade, viabilidade econômica e preservação do habitat.Novos conceitos vão sendo estabelecidos e a agricultura de precisão é um dos que maisse desenvolve. Ela propõe a identificação e o manejo de zonas agrícolas de característica uniforme,onde se pode dar um tratamento mais específico, evitando-se, por exemplo, subdosagensou superdosagens de insumos. Na identificação dessas zonas de manejo, os mapas temáticostêm função de destaque. Sua elaboração requer metodologias próprias onde a geoestatísticatem cumprido seu papel. Muitos estudos são realizados e importantes resultados têm levado amapas que expressam, com qualidade, a distribuição espacial dos valores das variáveis georreferenciadas.Nas pesquisas em que são aplicados métodos geoestatísticos é comum a coleta deum conjunto de variáveis que descrevem propriedades físicas, químicas e de produção e composição de coleta de dados referenciadas espacialmente. Muitos trabalhos envolvem o estudoe elaboração de mapas de uma única variável por vez. Neste trabalho foram produzidos mapasem um contexto multivariado. Apesar das baixas correlações dessas variáveis reportadasna literatura, foi feita uma análise de componentes principais para a redução do conjunto devariáveis suporte à sua primeira componente, incorporando sua informação de variabilidade espaciala outra variável de interesse principal, em uma estrutura bivariada de modelo, para qualse dispunha de recursos computacionais para resolver numericamente aplicações.Adotou-se uma formulação com base em modelos mistos. Seus parâmetros foramestimados pela otimização de funções de verossimilhança e por simulação bayesiana para aobtenção de distribuições a posteriori. Com esses modelos foram derivados preditores marginaise condicionais, permitindo-se estimar valores em pontos de uma estrutura compatível coma apresentação em forma de mapa.Foram analisados dados de dois problemas distintos em sua natureza. Em um doscasos os dados reportavam variáveis de produtividade de soja associados a dados físicos equímicos, distribuídos em uma área de 1,74 ha cultivada em sistema de plantio direto. Nooutro, as variáveis representavam o incremento médio anual – IMA de Pinus taeda L. em áreade 2.252,11 ha de reflorestamento e dissociadamente dados de teor de argila.xv
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 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¡

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?