54amostrais têm dimensão 5 × 5 m, compatível com o suporte de medida de 25 m 2 a<strong>do</strong>ta<strong>do</strong>s nacolheita das parcelas. Os resulta<strong>do</strong>s também foram classifica<strong>do</strong>s segun<strong>do</strong> os quantis 20, 40,60 e 80%, observa<strong>do</strong> nos da<strong>do</strong>s, permitin<strong>do</strong> assim a comparação com o mapa da Figura 2.13.O mapa à esquerda corresponde às predições com base nos 256 pontos amostrais originais,onde, conforme Tabela 2.6, somente 0,7% das predições ficaram abaixo de 2,34 t ha −1 e nenhumaacima de 3,16 t ha −1 , entretan<strong>do</strong> identificou-se zonas de produtividade diferenciadas.O mapa central corresponde às predições com base em 128 pontos amostrais, onde, conformea mesma tabela, apresentou uma concentração maior <strong>do</strong>s valore nas classes centrais. Nenhumresulta<strong>do</strong> ficou abaixo de 2,34 t ha −1 e nenhum acima de 3,16 t ha −1 . Esse mapa também identificouzonas diferenciadas. No mapa da direita, as predições foram efetuadas com base em 64pontos amostrais e ficaram todas na classe central, entre 2,61 t ha −1 e 2,85 t ha −1 . O mapacorrespondente não reproduziu um padrão espacial capaz de identificar zonas de produtividadediferenciadas segun<strong>do</strong> esses critérios de classificação.256 amostras128 amostras64 amostras20 40 60 80 10020 40 60 80 10020 40 60 80 10020 40 60 80 100 120 <strong>14</strong>020 40 60 80 100 120 <strong>14</strong>020 40 60 80 100 120 <strong>14</strong>0Figura 2.<strong>14</strong>: Mapas de produtividade de soja estima<strong>do</strong>s por krigagem convencional a partir demodelo ajusta<strong>do</strong> por MV, em uma malha regular de 690 pontos a partir de 256 (esquerda), 128(centro) e 64 (direita) pontos amostrais. Os pontos brancos correspondem às produtividadesabaixo de 2,34 t ha −1 e os pontos pretos às produtividades acima de 3,16 t ha −1 . Os pontos emescalas cinza correspondem às produtividades intermediárias.A Tabela 2.5 mostra os resulta<strong>do</strong>s descritivos da krigagem convencional em 690 pontosregularmente distribuí<strong>do</strong>s pela área, conforme justifica<strong>do</strong> anteriormente. Nota-se nela que amédia <strong>do</strong>s valores estima<strong>do</strong>s ficou próximo <strong>do</strong> valor de referência de 2,75 t ha −1 nos três delineamentosamostrais, manten<strong>do</strong> um erro relativo absoluto de predição abaixo de 2,1 %. Houvetambém uma uniformidade nos resulta<strong>do</strong>s, manten<strong>do</strong> o CV abaixo de 8%. Nota-se que a krigagemrecuperou a informação da produtividade média da área, diferentemente da descrição davariabilidade espacial mostrada pelo respectivos mapas.Na tabela 2.6 se apresenta a porcentagem <strong>do</strong>s pontos estima<strong>do</strong>s, incidentes em cadaintervalo de classificação, segun<strong>do</strong> três tipos de amostragem utiliza<strong>do</strong>s no modelo univaria<strong>do</strong>.Nela verifica-se, quan<strong>do</strong> comparada com a distribuição percentual <strong>do</strong>s da<strong>do</strong>s originais,
55Tabela 2.5: Estatística descritiva das predições por krigagem convencional da produtividade desoja medida em uma malha de 690 pontos, com base em amostras de 256, 128 e 64 pontos.Delineamento Mínimo Média Máximo D.P. C.V.(%) ER(%)Soja256 2,3285 2,7422 3,1365 0,1784 6,5 -0,27Soja128 2,3946 2,7562 3,0566 0,1736 6,3 0,24Soja64 2,7792 2,8078 2,8360 0,0161 0,6 2,12Medidas em t ha −1 . D.P.: Desvio Padrão, C.V.: Coeficiente de Variação, ER(%): erro em relação aovalor referência de 2,75 t ha −1 .a tendência <strong>do</strong> número de pontos preditos se concentrarem na classe central, tanto na prediçãoatravés da utilização <strong>do</strong>s 256 pontos amostra<strong>do</strong>s quanto na predição que envolveu uma reduçãono número de amostras.Tabela 2.6: Porcentagem <strong>do</strong>s pontos estima<strong>do</strong>s por méto<strong>do</strong> de krigagem com modelo univaria<strong>do</strong>,incidentes em cada intervalo de classificação, segun<strong>do</strong> três tipos de amostragem.Classe PM S256 S128 S64 S256d1,19 a 2,34 1,8 0,7 0,0 0,0 20,32,34 a 2,61 2,5 22,9 25,2 0,0 19,92,61 a 2,85 2,7 46,2 37,4 100,0 20,72,85 a 3,16 3,0 29,1 37,4 0,0 19,13,16 a 4,<strong>14</strong> 3,7 0,0 0,0 0,0 19,9PM: ponto médio da classe, S256: soja em 256 amostras, S128: soja em 128 amostras, S64: soja em64 amostras, IC: índice de cone, CP1: primeira componente principal, S256d: da<strong>do</strong>s originais de sojaclassifica<strong>do</strong>s.Análise espacial bayesiana das amostras de produtividade de sojaPara inferência bayesiana sobre os parâmetros <strong>do</strong> modelo foi considera<strong>do</strong> um modeloisotrópico, sem tendência direcional ou efeito sistemático e função de correlação de Matèrncom parâmetro de diferenciabilidade κ = 0.5. A<strong>do</strong>tou-se as distribuições a priori plana (“flat”)para o parâmetro β, recíproca para σ 2 e uniforme discreta para φ. Considerou-se ainda o valorde τ 2 relativo igual a zero, ou seja, ausência <strong>do</strong> efeito de pequena escala. A opção portais procedimentos se deu por conveniência computacional, caben<strong>do</strong> uma exploração mais detalhadasobre o assunto em trabalhos futuros. A Figura 2.15 mostra a distribuição a posterioripara os parâmetros β e σ 2 no caso em que se utilizou a amostra de produtividade de sojaem 256 pontos amostrais. As Figuras 2.16 e 2.17 correspondem às distribuições a posterioripara os parâmetros β e σ 2 no caso em que se utilizou amostra de produtividade de soja em128 e 64 pontos amostrais, respectivamente. A Tabela 2.7 apresenta as estimativas pontuais<strong>do</strong>s parâmetros, obti<strong>do</strong>s pela média de 1.000 simulações bayesianas obtidas pelas respectivasdistribuições a posteriori. As estimativas <strong>do</strong>s parâmetros β nessa tabela são compatíveis com
- 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 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