26de amostras coletadas com espaçamento de 1 m, em transecção de uma área de LatossoloVermelho-escuro orto localiza<strong>do</strong> em Araras-SP, cultivada com cultura de cana-de-açúcar. Atécnica de autocorrelação que empregaram nos da<strong>do</strong>s mostrou que observações de pH eramcorrelacionadas espacialmente até uma distância de 5 m. Observaram ainda que, para as amostrasserem consideradas independentes e completamente casualizadas, deveriam ser espaçadasa pelo menos, 10 m. Com seu trabalho, os autores concluíram que a variabilidade espacial <strong>do</strong>solo pode ser definida corretamente e que a geoestatística era a alternativa certa às meto<strong>do</strong>logiastradicionais.Prevedello (1987) estu<strong>do</strong>u a magnitude da variabilidade espacial de 47 parâmetros(físicos e químicos) de um solo com Terra Roxa Estruturada, em uma área de 4.810 m 2 , emPiracicaba-SP, onde foi aplica<strong>do</strong> o manejo de uma cultura de arroz de sequeiro. O autor utilizouem seu experimento uma estrutura regular formada pelo cruzamento de 4×13 linhas, totalizan<strong>do</strong>52 pontos amostrais, separa<strong>do</strong>s 10 m entre si. Avaliou e discutiu a dependência espacialpela análise <strong>do</strong> autocorrelograma e <strong>do</strong> semivariograma, usan<strong>do</strong> o estima<strong>do</strong>r clássico de Matheron.Assim, com o emprego da teoria das variáveis regionalizadas, estabeleceu subunidades deamostragem ou de manejo individualiza<strong>do</strong>, consideran<strong>do</strong>-as independentes. Concluiu ainda quea área total não se mostrou homogênea para nenhum <strong>do</strong>s 47 parâmetros estuda<strong>do</strong>s, contrarian<strong>do</strong>o que havia inicialmente suposto.Mohamed, Evans e Shiel (1996) usaram a geoestatística para examinar a variabilidadegeográfica em uma área de terra e descobrir, pela distribuição espacial a melhor densidadeamostral, no senti<strong>do</strong> de obterem as propriedades de colheita e distribuição das características<strong>do</strong> solo com poucas amostras. Com o emprego <strong>do</strong> semivariograma experimental determina<strong>do</strong>pelo estima<strong>do</strong>r clássico de Matheron, detectaram uma estrutura de variabilidade no solo. Comisso puderam utilizar seus parâmetros para efetuarem a interpolação de da<strong>do</strong>s para produção demapas de contornos.Yang et al. (1998) estudaram a influência da topografia no rendimento da colheita,pela variabilidade de cinco campos em declive, da região de Palouse, em Washington-USA. Osautores desenvolveram um sistema de informações geográficas (GIS) para o manejo e análise<strong>do</strong> rendimento de trigo, juntamente com informações georreferenciadas sobre a variabilidadeda topografia. Identificaram também o padrão de variabilidade <strong>do</strong> rendimento <strong>do</strong> trigo dentrode cada região plantada, para cada uma das cinco regiões estudadas e avaliaram a relação entrerendimento e atributos de topografia. Descreveram o padrão de variabilidade espacial pelosemivariograma, que mostrou claramente uma estrutura de dependência espacial justifican<strong>do</strong> oemprego <strong>do</strong> manejo localiza<strong>do</strong>.
2.5.3 Ajuste de modelos e estimação <strong>do</strong>s parâmetros por máximaverossimilhança27Consideran<strong>do</strong> o caso estacionário <strong>do</strong> modelo geoestatístico univaria<strong>do</strong> da<strong>do</strong> pelaEquação 2.2, onde o processo S(x i ) pode ser escrito como um conjunto de observações Y comdistribuição de probabilidades de acor<strong>do</strong> com a Equação 2.3, os parâmetros gerais <strong>do</strong> modelo aserem estima<strong>do</strong>s são: θ = (β,σ 2 ,φ,τ 2 ) onde, como já foi dito, φ é um parâmetro da função decorrelação.Os dadis y = {y 1 ,...,y n }, que representam uma realização <strong>do</strong> processo estocásticoespacial em n coordenadas, possui distribuição gaussiana n-variada, ou seja, Y∼ N n (µ;Σ)onde µ é um vetor de números reais, to<strong>do</strong>s iguais e Σ é a matriz de variâncias e covariâncias detamanho n × n, com as propriedades de ser simétrica e definida positiva. Então, a distribuiçãoconjunta de Y , segun<strong>do</strong> (DUDEWICZ; MISHRA, 1988) será:{1f Y (y) =exp − 1 }(2π) n/2 |Σ| 21 2 (Y − µ)′ Σ −1 (Y − µ)para to<strong>do</strong> vetor Y de números reais.Sen<strong>do</strong> Y um vetor gaussiano correlaciona<strong>do</strong>, sua função de verossimilhança será compostapela sua distribuição conjunta de probabilidades dada por:L(θ) = f(y|θ) = (|σ 2 R+τ 2 I|) −1/2(2π) n/2O logaritmo da função verossimilhança é da<strong>do</strong> por:{exp − 1 }2 (Y − Dβ)′ (σ 2 R+τ 2 I) −1 (Y − Dβ) . (2.19)l(θ) = − 1 2 log(2π)n − 1 2 log(|σ 2 R+τ 2 I|) − 1 2 (Y − Dβ)′ (σ 2 R+τ 2 I) −1 (Y − Dβ)l(θ) = − 1 [nlog(2π)+log(|σ 2 R+τ 2 I|)+2+ (Y − Dβ) ′ (σ 2 R+τ 2 I) −1 (Y − Dβ) ] . (2.20)Fazen<strong>do</strong>-se τ2 = ν 2 então Var(Y) = Σ = σ 2 R+τ 2 I = σ 2( )R+ τ2 I = σ 2 V .σ 2 σ 2Substituin<strong>do</strong>-se σ 2 R+τ 2 I por σ 2 V na Equação 2.20, vem:l(θ) = − 1 2[nlog(2π)+log(|σ 2 V |)+(Y − Dβ) ′ (σ 2 V) −1 (Y − Dβ) ] . (2.21)
- 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 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