62Estatísticas descritivas da predição univariada de IMAA Tabela 2.12 mostra estatísticas descritivas da predição de IMA com base em umaamostra de 18 pontos toma<strong>do</strong>s casualmente na área de reflorestamento, empregan<strong>do</strong>-se krigagemconvencional com parâmetros <strong>do</strong> modelo estima<strong>do</strong>s por MV e predição bayesiana. Nota-senessa tabela que os resulta<strong>do</strong>s são muito próximos, exceto por uma variância um pouco maior nocaso bayesiano refletin<strong>do</strong> nessa maior variabilidade o fato da incerteza sobre os parâmetros serconsiderada nessa abordagem. Entretanto, não se pode estabelecer uma diferença de prediçãode um méto<strong>do</strong> em relação ao outro.Tabela 2.12: Estatísticas descritivas das predições <strong>do</strong> IMA através da krigagem convencional epor estimativa bayesiana.Delineamento Mínimo Média Máximo D.P. C.V.%Clássico 17,48 26,53 36,09 0,747 2,8Bayesiano <strong>14</strong>,69 26,02 36,72 5,100 19,6IMA: m 3 ha −1 ano −1 ; D.P.: Desvio Padrão, C.V.: Coeficiente de Variação.Na Tabela 2.13 se apresenta a porcentagem <strong>do</strong>s pontos de IMA estima<strong>do</strong>s por méto<strong>do</strong>bayesiano, incidentes em cada intervalo de classificação. Nela verifica-se a tendência <strong>do</strong> númerode pontos preditos se concentrarem nas classes centrais, tanto na predição através da krigagemquanto na predição que envolveu o méto<strong>do</strong> bayesiano. Todavia o efeito é menos acentua<strong>do</strong> nométo<strong>do</strong> bayesiano.Tabela 2.13: Porcentagem <strong>do</strong>s pontos estima<strong>do</strong>s de IMA por méto<strong>do</strong> bayesiano com modelounivaria<strong>do</strong>, incidentes em cada intervalo de classificação.Classe PM MV18 Bayes18[<strong>14</strong>,09 ; 20,50) 17,3 0,8 4,6[20,50 ; 23,43) 22,0 3,6 13,0[23,43 ; 28,32) 25,9 84,6 54,4[28,32 ; 32,50) 30,4 10,7 19,5[32,50 ; 37,02) 34,8 0,4 3,6PM: ponto médio da classe, MV18: IMA em 18 amostras estima<strong>do</strong> por MV, Bayes18: IMA em 18amostras estima<strong>do</strong> por méto<strong>do</strong> bayesiano.
63Mapa de predição univariada de IMAPara a produção <strong>do</strong>s mapas temáticos os resulta<strong>do</strong>s foram classifica<strong>do</strong>s segun<strong>do</strong> osquantis 20, 40, 60 e 80% de predição de IMA. A Figura 2.22 a esquerda ilustra a distribuiçãoespacial de IMA estimada por krigagem convencional. Nela, segun<strong>do</strong> a Tabela 2.13 0,8% daárea representa IMA abaixo de 20,50 m 3 ha −1 ano −1 , 3,6% representa IMA entre 20,50 e 23,42m 3 ha −1 ano −1 , 84,6% representa IMA entre 23,42 e 28,33 m 3 ha −1 ano −1 , 10,7% entre 28,33e 32,50 m 3 ha −1 ano −1 e 0,4% acima de 32,50 m 3 ha −1 ano −1 . Já a figura da direita ilustraa distribuição espacial estimada por méto<strong>do</strong>s bayesianos. Nela, 4,6% da área representa IMAabaixo de 20,50 m 3 ha −1 ano −1 , 13% representa IMA entre 20,50 e 23,42 m 3 ha −1 ano −1 ,54,4% representa IMA entre 23,42 e 28,33 m 3 ha −1 ano −1 , 19,5% entre 28,33 e 32,50 m 3ha −1 ano −1 e 3,6% acima de 32,50 m 3 ha −1 ano −1 . Isso indica, neste caso, que o méto<strong>do</strong> bayesianoconcentrou menos predições que a krigagem baseada em MV, mostran<strong>do</strong> áreas maioresde rendimento diferencia<strong>do</strong>.Figura 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 predição bayesiana.
- 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 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