Nas últimas três décadas, a bacia hidrográfica do rio Ji-Paraná, localizada no Estado de Rondônia, vem apresentando um cenário com altas taxas de desmatamento e intensificação do uso e manejo da terra, resultante dos projetos de colonização agrícola efetuados pelo Governo Federal. Nesse processo, as atividades agrícolas têm sido estabelecidas em ritmo muito acelerado e muitas vezes as características físicas da área são ignoradas como, por exemplo, o solo e a declividade do terreno, ocasionando o uso inadequado da terra e, consequentemente, a degradação dos recursos naturais. Este trabalho teve como objetivo geral identificar as relações entre o uso da terra e as características físicas da bacia do rio Ji-Paraná, tendo como foco a análise do uso sustentável do solo. Utilizou-se o sistema de classificação da capacidade de uso da terra com a entrada de dados referentes às características físicas e químicas dos solos e de declividade do terreno na bacia sob estudo e de quatro sub-regiões inseridas na mesma. Mapas de uso da terra foram utilizados, originados da classificação de imagens LANDSAT 7 ETM+ e CBERS-2, assim como outros mapas temáticos necessários para caracterização dos aspectos físicos. Além desses, mapas de distribuição espacial da capacidade de troca de cátions dos solos foram elaborados, através da interpolação de pontos de fertilidade do solo, os quais foram obtidos de levantamentos pedológicos realizados para o estado de Rondônia. Para o desenvolvimento da pesquisa foi empregado o Sistema de Informações Geográficas (SIG). Os principais programas utilizados para a conversão, edição, processamento e exposição dos planos de informação, bem como para o processamento de imagens, foram o SPRING 4.0, ERDAS 8.7 e ArcGIS 9.0. Para a análise geoestatística foi utilizado o programa GS+5.0. Os resultados indicam a predominância de baixos valores da capacidade de troca de cátions efetiva dos solos da bacia. Este fato é corroborado com a expressiva ocorrência de limitações ao uso da terra relacionadas à fertilidade do solo, conforme resultados gerados da classificação da capacidade de uso da terra. A análise integrada das classes de capacidade de uso com as classes de uso da terra permitiu realizar o diagnóstico de intensidade de uso das terras da bacia do rio Ji-Paraná e das sub-regiões. Os resultados mostram que as terras das áreas sob estudo estão, em sua maioria, sendo utilizadas abaixo da capacidade de suporte, ou seja, subutilizadas. Por outro lado, interferências da ação antrópica foram identificadas em áreas de preservação permanente, configurando cenário de uso inadequado, com maior ocorrência na região central da bacia. / In the last three decades, the Ji-Paraná river basin, located in the Rondônia State - Brazil experienced high deforestation rates and an intensification of the land use and management, as a result of the colonization projects from the Federal Government. Agricultural activities have been established rapidly, sometimes ignoring the physical characteristics of the land causing degradation of the natural resources. The objective of this research was to identify the relationships between land use and the physical characteristics of the Ji-Paraná river basin, focusing in the natural resources sustentability. The land use capacity classification system was used. Data about physical and chemical characteristics of the soil and land slope of the entire basin and four detailed sub-areas were used. Along with land use maps and other thematic maps necessary for the characterization of the physical aspects and the land use intensity. In addition, spatial distribution map of soil cation exchange capacity (CEC) were elaborated, through the interpolation of soil fertility sample points, obtained from soil maps of Rondônia state. The programs SPRING 4.0, ERDAS 8.7 and ArcGIS 9 were used for conversion, edition, processing and exhibition of thematic maps and image processing. The program GS+5.0 was used for the geostatistical analisys. Results indicate the prevalence of low CEC values in the basin. This fact is corroborated with the expressive occurrence of land use limitations due to low soil fertility, according to results obtained in the land use capacity classification. The integrated analysis of the land use capacity map with the current land use resulted in the evaluation of land use intensity of the Ji-Paraná river basin and sub-areas. Results show that the land of the study area, in its majority, are being used below the support capacity, i.e., sub-used. On the other hand, interferences of the antropic action were identified in areas of preservation, configuring scenery of inadequate use, with larger occurrence in the central area of the basin.

Santa Maria é um projeto de exploração mineral conduzido pela empresa Votorantim Metais Ltda, com foco nas comodities zinco e chumbo. Localizado no estado do Rio Grande do Sul, próximo das antigas minas de Camaquã e Uruguay, o projeto se encontra em uma região geologicamente fértil para exploração mineral. O depósito de Santa Maria possui informações suficientes para permitir a avaliação dos recursos minerais e também estudos de viabilidade econômica de projeto, entretanto, sua mineralização ocorre de forma heterogênea e condicionada a feições geológicas estruturais complexas, inserindo dúvidas à respeito da forma e volume dos corpos mineralizados. O objetivo desta pesquisa é a avaliação da incerteza associada à modelagem dos corpos mineralizados. Essa avaliação foi realizada através da comparação entre o modelo tridimensional confeccionado por interpretação de seções e outros dois modelos probabilísticos: um gerado por krigagem de indicadoras e outro gerado por simulação sequencial de indicadoras, que permitiu a interpretação da incerteza associada. Com os resultados obtidos foi possível quantificar os valores de volume máximo, mínimo e médio esperado no depósito, além de avaliar regiões de maior e menor confiança. A utilização conjunta dos métodos de krigagem de indicadoras e simulação sequencial de indicadoras se mostrou uma excelente opção para avaliação do modelo interpretado. Através do tratamento dos resultados foi possível obter informações à respeito da variabilidade local e global do depósito e sobre o comportamento espacial da mineralização. Os resultados e interpretações obtidos podem ser aplicados em trabalhos futuros no depósito, como na classificação do recurso mineral, no refinamento do modelo geológico e no planejamento de futuras malhas de sondagem infill. / Santa Maria is a mineral exploration project conducted by Votorantim Metais Ltda, with focus on zinc and lead extraction. The project is located in the state of Rio Grande do Sul, in the vicinities of the old mines of Camaquã and Uruguay, a favorable area for mineral exploration. There is enough information about Santa Maria\'s deposit to allow the estimation of mineral resources and the project\'s economical viability study, however, its mineralization occurs in heterogeneous ways and is conditioned to complex geological structural features, casting doubts about the shape and volume of the ore bodies. The main goal of this research is evaluating the uncertainty associated with the modeling of the orebodies. This evaluation was performed by comparing a three-dimensional model created by section interpretation and other two probabilistic models: one generated by indicator kriging, and the other generated by sequential indicator simulation, which allowed the interpretation of the associated uncertainty. Based on the obtained results, it was possible to quantify the maximum, minimum and average expected volume of the deposit, and also to evaluate the regions of most and least reliability. The joint use of indicator kriging and sequential indicator simulation methods proved to be an excelent tool for evaluating the interpreted model. By processing the results it was possible to obtain information about deposit\'s local and global variability and spatial behavior of mineralization. The obtained results and interpretations can be applied in deposit\'s further sutdies, for instance, to classify the mineral resource, to refine the geological model or to plan future infill drilholes.

A área de pesquisa científica, denominada computação e biodiversidade, tem por desafio suprir a demanda por tecnologias de apoio à conservação da biodiversidade, fornecendo ferramentas computacionais aplicadas ao estudo da biodiversidade. Os modelos de distribuição geográfica de espécies têm uma importante contribuição para o entendimento da biodiversidade e no apoio para a tomada de decisão em conservação dos recursos de biodiversidade. Os resultados da modelagem de distribuição de espécies, não apresentam com clareza os tratamentos aplicados aos dados na etapa de pré-análise e os critérios de seleção das variáveis preditoras, o que agrava a incerteza quanto aos resultados obtidos e prejudica a reprodutibilidade do experimento. Assim, o objetivo desta pesquisa é apresentar o processo de modelagem de distribuição de espécie com destaque para as atividades de pré-análise e atividades de seleção das variáveis preditoras. O processo de modelagem de distribuição de espécies proposto é avaliado por meio de estudo de caso de Modelagem de Distribuição de Espécies do polinizador Centris hyptidis e das plantas oleaginosas Angelonia campestris e Angelonia cornigera, que considera como fator biótico a especialização da interações entre essas plantas e o polinizador. Neste estudo de caso pode-se verificar que a aplicação de técnicas estatísticas exploratórias de dados na etapa de pré-análise do processo de modelagem distribuição de espécies permite a avaliação da qualidade dos pontos de ocorrência, essenciais para o desempenho preditivo do modelo final. / The area of research called biodiversity informatics, or bioinformatics, has to face the challenge of meeting the demand for technologies to support the conservation of biodiversity, providing computational tools applied to the study of biodiversity. The models of geographic distribution of species have a fundamental implication for understanding the biodiversity and conservation decision making. Researches on modeling species distributions generally do not present clearly the treatments applied to the data in the pre-analysis and criteria for selection of predictor variables, which increases the uncertainty regarding the results and affect the reproducibility of experiment. The objective of this research is to present the process of species distribution modeling with emphasis on the activities of pre-analysis and activities selection of the predictor variables, such as to favor its repeatability and reproducibility by other researchers. The process of modeling species distribution proposed is validated on a case study of modeling distribution of pollinator species Centris hyptidis and oilseed Angelonia campestris and Angelonia cornigera, a biotic factor that considers the specialization of these interactions between plants and pollinators. In this case study we can observe one of the main contributions of this work: the application of statistical techniques for data exploration in the pre-analysis of species distribution modeling process, with improved capacity for evaluation and selection of points of occurrence essential to the performance of the predictive model.

Made available in DSpace on 2017-07-10T19:24:09Z (GMT). No. of bitstreams: 1 tese__fabiana.pdf: 3413093 bytes, checksum: 69eef866f8ca47e7714ae83768804879 (MD5) Previous issue date: 2016-02-02 / Understanding the spatial distribution knowledge regarding georeferenced data has been essencial to various areas including agriculture. Thus, several trials have been carried out. However, most of these studies assume that the underlying stochastic process is Gaussian. When the data associated with this process do not present normality, data transformations are applied. And though the use of these transformations has presented satisfactory results, it is important to consider models which take into account the characteristics of such phenomenon. It may be more appropriate than using a normal model. So, this trial aimed at proposing a spatial model based on the Birnbaum-Saunders distribution (BS). This distribution has been shown effective to model data that take positive values and whose behavior presents positive asymmetry and unimodality. Thefore, this trial has proposed a methodology that includes the formulation of the spatial Birnbaum-Saunders model , estimation of its parameters using maximum likelihood (ML), and application of diagnostic techniques which can detect the sensitivity of the model to atypical data and evaluate the proposed model through a simulation study and studies using real data sets of agricultural engineering. These data were obtadined in a 167.35-ha commercial area for grain production, in Cascavel city, to validate the studied model. In the study with simulated data and large samples, estimation parameters and diagnostic analysis showed a good performance. According to the study with real data, calculations of AIC (Akaike s information criterion) and BIC (Bayesian information criterion) indexes, Bayes factor as well as Q-Q plots constrution have shown that the proposed model is appropriate to fit the obtained data. Influential cases were detected, and their removal from data set caused a considerable change in contour maps. It is therefore concluided that Birnbaum-Saunders spatial model is adequate to carry out studies with spatially correlated data. Is is also an alternative model to the normal model when the data set present positive asymmetrical distribution / O conhecimento da distribuição espacial de dados georrefenciados é de interesse de diversas áreas do conhecimento, incluindo a área agrícola. Neste sentido, diversos trabalhos já foram realizados; no entanto, a maioria destes trabalhos assumem que o processo estocástico subjacente é gaussiano. Quando os dados associados com este processo não apresentam normalidade, transformações de dados são usadas. E ainda que o uso dessas transformações tenha apresentado resultados satisfatórios, considerar modelos que levem em conta as características do fenômeno pode ser mais adequado do que a utilização do modelo normal. O objetivo deste trabalho é propor um modelo espacial baseado na distribuição Birnbaum-Saunders (BS). Esta distribuição tem se mostrado eficiente para modelar conjuntos de dados formados por valores estritamente positivos e cujo comportamento apresenta assimetria positiva e unimodalidade. A metodologia proposta neste trabalho inclui a formulação do modelo espacial Birnbaum-Saunders, a estimação de seus parâmetros utilizando o método de máxima verossimilhança (ML), a aplicação de técnicas de diagnóstico que permitem detectar a sensibilidade do modelo a dados atípicos, a avaliação do modelo proposto por um estudo de simulação e aplicação da metodologia desenvolvida em análise de dados reais da área agrícola. Os dados utilizados para validação do modelo estudado foram obtidos em uma área comercial de produção de grãos de 167,35 ha de Cascavel. No estudo com dados simulados, para amostras grandes, a estimação dos parâmetros e a análise de diagnóstico apresentaram boa performance. No estudo com dados reais, os cálculos dos índices AIC, BIC e fator Bayes bem como a construção de Q-Q plots mostraram que o modelo proposto é adequado para ajustar os dados. Casos influentes foram detectados e suas retiradas do conjunto de dados causaram uma mudança considerável nos mapas de contorno. Conclui-se portanto, que o modelo espacial Birnbaum-Saunders é adequado para realização de estudos com dados espacialmente correlacionados, e é um modelo alternativo ao modelo normal quando o conjunto de dados apresenta distribuição assimétrica positiva

Made available in DSpace on 2017-07-10T19:24:15Z (GMT). No. of bitstreams: 1 Vanterlei _Artur Bier.pdf: 3411579 bytes, checksum: 9d27d1df8109289eb3cf3192d069b831 (MD5) Previous issue date: 2015-02-23 / The precision agriculture (PA) is defined as the use of site specific management techniques that allow cropping management according to its needs and soil, in order to reduce impacts on the environment. The models valuation that interpolates field data and generates thematic maps is a task that requires in-depth knowledge on this issue. The Cohen Kappa index (K) is the most widely statistics used to compare thematic maps. The accuracy with which the spatial distribution maps of soil attributes are produced influences the implementation and use of PA. However its use has the disadvantage of providing variation in accordance with the use of different numbers of classes, adopted during the map generation process. Thus, this work aimed at selecting the best method among four interpolation ones (inverse distance, inverse distance squared, ordinary kriging and cokriging) using the index of selection of interpolators (ISI), proposed here, based on the contents of clay, copper and manganese, area elevation data and the apparent soil electrical conductivity. The selection among mathematical models and geostatistical interpolation was simplified using the ISI. The study also evaluated the influence in agreement K and Tau (T) indices when varying the number of confusion matrix classes in results that come from a 15.5 ha area, with typical Red Dystrophic soil in Céu Azul countryside, Paraná, Brazil, where soil properties were interpolated with the inverse distance, inverse square of distance, ordinary kriging and cokriging. According to this trial, K and T indices have been confirmed and varied widely of agreement for different numbers of classes. Thus, in order to solve this situation, it was developed K and T equivalent indices to compare thematic maps of quantitative data, using the relative deviation coefficient ,the absolute averaged deviation of interpolated data, the average, and standard deviation of the attribute original data. The result proved to be a good alternative to K and T indices based on the error matrix since it is independent of the classes number and shows a simpler calculation. The methodology was more efficient for situations when more than four classes are used. / A agricultura de precisão (AP) é definida como a utilização de técnicas que permitem manejo localizado de cultivo de acordo com as necessidades da cultura e do solo, para diminuir impactos no meio ambiente. A avaliação de modelos que interpolam dados de campo e geram mapas temáticos é uma tarefa que exige conhecimentos aprofundados no assunto. A precisão com que os mapas de distribuição espacial de atributos do solo são produzidos influencia a aplicação e a utilização da AP. O índice de concordância Kappa de Cohen (K) é a estatística mais utilizada em comparação de mapas temáticos. Entretanto, seu uso com dados quantitativos apresenta o inconveniente de proporcionar variação de concordância com a utilização de diferentes números de classes, adotada durante o processo de geração do mapa. Assim, o objetivo deste trabalho foi selecionar o melhor entre quatro métodos de interpolação (inverso da distância, inverso da distância ao quadrado, krigagem ordinária e cokrigagem) utilizando o índice de seleção de interpoladores (ISI), aqui proposto, a partir de teores de argila, cobre e manganês, dados de elevação do terreno e da condutividade elétrica aparente do solo. Com o uso do ISI, a seleção entre modelos determinísticos e estocásticos de interpolação ficou simplificada. O estudo avaliou ainda a influência nos índices de concordância K e Tau (T), quando se varia o número de classes da matriz de confusão, em resultados oriundos de uma área de 15,5 ha, com solo Latossolo Vermelho Distroférrico típico, no município de Céu Azul, Paraná, Brasil. A partir deste trabalho, foi confirmado que os índices Kappa e Tau apresentam grandes variações de concordância para diferentes números de classes. Para resolver esta situação desenvolveram-se os índices K e T alternativos para comparação de mapas temáticos de dados quantitativos, utilizando-se o coeficiente de desvio relativo, o desvio absoluto médio dos dados interpolados, a média e o desvio padrão dos dados originais do atributo. O resultado mostrou-se como boa alternativa aos índices de K e T baseados na matriz de erro por ser independente do número de classes e ser de cálculo mais simples. A metodologia mostrou-se mais eficiente para situações em que se utilizam mais que quatro classes

Made available in DSpace on 2017-07-10T19:24:25Z (GMT). No. of bitstreams: 1 JOELMIR ANDRE BORSSOI.pdf: 1897222 bytes, checksum: 4bfaafc0659eed32ceef8dc0fe90a8fe (MD5) Previous issue date: 2007-12-04 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Tracking and management concepts of the process of agricultural production are being used as a great option of strategy management in agriculture. Such concepts consider the spatial variability of the variables at study. The modeling of the spatial dependence structure of the geoestatistic approach is fundamental importance for the definition parameters that define this structure and are used in the interpolation of values in places not sampled, by kriging techniques. However, the estimation of parameters can be greatly affected by the presence atypical observations in the data sampled. The development of this work was aimed at using diagnostics techniques in spatial linear gaussians models, used in geoestatistics, to evaluate the sensitivity of the maximum likelihood estimators and restrict maximum likelihood to small perturbations in the data. Studies were performed with simulated data, with literature data and with experimental data, collected in a commercial agricultural area in the region West of Paraná. The study with simulated data showed that the techniques used in diagnostics were efficient in identifying the perturbation data. The restrict maximum likelihood estimator produced more robust estimates for the parameters spatial dependence. Those results obtained from the study of real data, it was concluded that the presence atypical values between the sampled data can exert strong influence on thematic maps, changing, therefore, the spatial dependence. The application the diagnostic techniques should be part of any geoestatistic analysis, ensuring that the information contained in thematic maps have better quality and can be used with greater security by the farmer. / Conceitos de monitoramento e gerenciamento do processo de produção agrícola vêm sendo utilizados como ótima opção de estratégia gerencial na agricultura. Tais conceitos consideram a variabilidade espacial das variáveis em estudo. A modelagem da estrutura de dependência espacial pela abordagem da geoestatística é de fundamental importância para a definição de parâmetros que definem esta estrutura e que são utilizados na interpolação de valores em locais não amostrados, pela técnica de krigagem. Entretanto, a estimação de parâmetros pode ser muito afetada pela presença de observações atípicas nos dados amostrados. O desenvolvimento deste trabalho teve por objetivo utilizar técnicas de diagnóstico em modelos espaciais lineares gaussianos, utilizados em geoestatística, para avaliar a sensibilidade dos estimadores máxima verossimilhança e máxima verossimilhança restrita a pequenas perturbações nos dados. Realizaram-se estudos com dados simulados, com dados da bibliografia e também com dados experimentais, coletados em uma área agrícola comercial da região Oeste do Paraná. O estudo com dados simulados mostrou que as técnicas de diagnóstico utilizadas foram eficientes na identificação da perturbação nos dados. O estimador de máxima verossimilhança restrita produziu estimativas mais robustas para os parâmetros de dependência espacial. Pelos resultados obtidos com o estudo de dados reais, concluiu-se que a presença de valores atípicos entre os dados amostrados pode exercer forte influência nos mapas temáticos, alterando, assim, a dependência espacial. A aplicação de técnicas de diagnóstico deve fazer parte de toda análise geoestatística, garantindo que as informações contidas nos mapas temáticos tenham maior qualidade e possam ser utilizadas com maior segurança pelo agricultor.

Made available in DSpace on 2017-05-12T14:47:07Z (GMT). No. of bitstreams: 1 protegidoJacqueline_dissertacao.pdf: 3012964 bytes, checksum: 337f371fa8c665bb4fdfdc22709938da (MD5) Previous issue date: 2015-02-02 / The soil spatial variability s studies are based in geostatistics which appears as a method whose data comes from natural phenomena and consider the geographical location of the phenomenon. If in an area under study the researcher has interest in searching the variability of variables and has evidence that the steps which describe the spatial structure of this variables aren t independent a geostatistical bivariate model study can be proposed. This work concentrates on evaluating the variation s influence of the bivariate Gaussian common component model (BGCCM) parameters in calculating the Pearson correlation coefficient and analyzing the influence that sizes and sampling settings may present at the BGCCM s estimation and at spatial prediction variables in non-sampled locations. Moreover, for co-placed samples, crossed semivariograms were built and compared with univariate model and BGCCM, in relation to estimates of the model and the sizes associated with the spatial prediction. In order to do it, these methodologies were applied in simulated data sets and experimental data, from an agricultural property. The simulation study of the parameters variation influence s analysis of the bivariate model BGCCM in calculating the Pearson correlation coefficient between described variables of bivariate model BGCCM revealed that the Pearson s linear correlation coefficient can t be considered in decision-making about the presence of joint spatial dependence between pairs of variables. In the study with simulations, it was observed that the biggest differences of accuracy measures and the square sum of the spatial prediction s difference occurred when the univariate models and crossed semivariogram were compared to the BGCCM. Moreover, the simulation s study observed that for balanced data the regular and irregular meshes showed better efficiency as the spatial prediction. The study with real data showed that under the BGCCM approach, spatial dependence was observed, mainly between pH and Mn for co-placed and balanced data of the agriculture year 2010/2011; and between the variable inside of the next pairs: (Prod, RSP0-10), (Prod, RSP11-20), (Prod, RSP21-30) and (Prod, Mn) for co-placed and balanced data of the agriculture year 2013/2014; and (Prod, RSP11-20) and (Prod, RSP21-30) for co-placed and unbalanced data of the agriculture year 2013/2014. Still considering the real data study comparing the univariated models, crossed semivariogram and BGCCM, differences could be observed in the square sum of prediction s difference and in the accuracy measures, both for balanced and unbalanced data. However, considering the real data and the control sample, the spatial prediction s quality using the BGCCM model was inefficient when compared to the quality resulted from the spatial prediction using the univariate model. Nevertheless, this result may have been influenced by the choice of sample configuration. / Estudos da variabilidade espacial do solo estão baseados na geoestatística, que se apresenta como um método cujos dados provêm de fenômenos naturais e que consideram a localização geográfica do fenômeno. Se numa área em estudo o pesquisador tem interesse em pesquisar a variabilidade das variáveis e se há evidências que os passos que descrevem a estrutura espacial dessas variáveis não são independentes pode-se propor o estudo de um modelo geoestatístico bivariado. Este trabalho concentrou-se em avaliar a influência da variação dos parâmetros do modelo bivariado com componente de correlação parcialmente comum (bivariate Gaussian common component model BGCCM) no cálculo do coeficiente de correlação linear de Pearson e analisar a influência que tamanhos e configurações amostrais podem apresentar na estimação do modelo BGCCM e na predição espacial de variáveis em localizações não amostradas. Além disso, para amostras co-locadas, construíram-se os semivariogramas cruzados e comparou-se com o modelo univariado e BGCCM, em relação às estimativas do modelo e as medidas associadas à predição espacial. Para isso, essas metodologias foram aplicadas em conjuntos de dados simulados e dados experimentais, provenientes de uma propriedade agrícola. O estudo de simulação da análise da influência da variação dos parâmetros do modelo bivariado BGCCM no cálculo do coeficiente de correlação linear de Pearson entre as variáveis descritas do modelo bivariado BGCCM revelou que o coeficiente de correlação linear de Pearson não pode ser considerado na tomada de decisão quanto à presença de dependência espacial conjunta entre pares de variáveis. No estudo com simulações observou-se que as maiores diferenças das medidas de acurácia e da soma quadrada da diferença entre as predições espaciais ocorreram quando se comparou os modelos univariado e semivariograma cruzado com o BGCCM. Ainda no estudo de simulação observou-se que para os dados balanceados as malhas regular e irregular apresentaram melhor eficiência quanto à predição espacial. O estudo com dados reais mostrou que, sob a abordagem do modelo BGCCM, observou-se a presença de dependência espacial principalmente entre pH e Mn para dados co-locados e balanceados do ano agrícola 2010/2011; e entre as variáveis dentro dos seguintes pares: (Prod, RSP0-10), (Prod, RSP11-20), (Prod, RSP21-30) e (Prod, Mn) para dados co-locados e balanceados do ano agrícola 2013/2014; e (Prod, RSP11-20) e (Prod, RSP21-30) para dados co-locados e desbalanceados do ano agrícola 2013/2014. Ainda considerando o estudo com dados reais comparando os modelos univariado, semivariograma cruzado e BGCCM, mostraram diferenças na soma quadrada da diferença da predição e nas medidas acurácia, tanto para dados balanceados como para os desbalanceados. No entanto, considerando os dados reais e a amostra controle, a qualidade da predição espacial usando o modelo BGCCM se mostrou ineficiente quando comparada com a qualidade obtida na predição espacial usando o modelo univariado. Porém, esse resultado pode ter sido influenciado pela escolha da configuração amostral utilizada.

Made available in DSpace on 2017-05-12T14:47:10Z (GMT). No. of bitstreams: 1 Ademir Natal Correa.pdf: 1505539 bytes, checksum: fd8e294f5766bf4043789d75eba28f1f (MD5) Previous issue date: 2007-07-16 / The objective of this study was to assess the relationship among soil physical attributes and their influences on wheat yield. For this purpose an estimating method, called State-Space Model or dynamic linear regression model, was used and compared to simple and multiple regression models of classical statistics. Experimental data were obtained at a Rhodic Ferralsol, originated from UNIOESTE Agricultural Engineering Experimental Nucleus Cascavel Campus, in an area where wheat was grown. In this area, 3 equally spaced transects, with 97 sampling points, 3.0 meters away from each other, were delimited. The State-Space approach was used to assess wheat yield estimate on position i, influenced by wheat yield, bulk density, soil compaction degree and soil resistance to penetration on position i-1 in different combination between data series of these variables. Applying the State-Space approach, all the response variables presented significant correlation with the dependent variable: soil resistance to penetration was the attribute with the best correlation, presenting R2 coefficient equal to 0.849. The other attributes had R2 coefficient of around 0.800. Comparing to conventional static models, soil resistance to penetration attribute had R2 coefficient equal to 0.102. The other attributes had R2 coefficient equal or less than 0.087, in conventional regression. Utilizing the State-Space approach, the two combinations that indicated the best results were: 1) between wheat yield and soil resistance to penetration that showed the best estimate to wheat yield with R2 coefficient equal to 0.849, while the same combination in conventional regression presented R2 equal to 0.102; 2) between wheat yield, soil compaction degree and soil resistance to penetration, with R2 coefficient equal to 0.836, while the same combination in classical regression presented R2 equal to 0.217. Thus, it is possible to show the advantage of the State-Space approach in relation to other more conventional regression methods for estimating and forecasting in soil-plant system relationship. / Este trabalho foi realizado com o objetivo de estudar o relacionamento entre os atributos físicos do solo e a influência destes na produtividade de trigo. Para isso, utilizou-se o método de estimação chamado de Modelo de Espaço de Estados ou modelo de regressão linear dinâmico, comparando-o aos modelos de regressão simples e múltipla da estatística clássica. Os dados experimentais foram obtidos em um Latossolo Vermelho-Escuro pertencente ao Núcleo Experimental de Engenharia Agrícola da Universidade Estadual do Oeste do Paraná Campus de Cascavel, em uma área cultivada com trigo. Foram demarcadas 3 transeções com 97 pontos de amostragem espaçados de 3 m entre si. A abordagem de Espaço de Estados foi usada para avaliar a estimativa da produtividade do trigo na posição i, influenciada por medidas da produtividade do trigo, da densidade do solo, do grau de compactação do solo e da resistência do solo à penetração na posição i-1, em diferentes combinações entre as séries de dados dessas variáveis. Com a aplicação da abordagem de Espaço de Estados, todas as variáveis explicativas utilizadas apresentaram correlação significativa com a variável dependente: a resistência do solo à penetração foi o atributo com a melhor correlação, apresentando o coeficiente de ajuste R2 igual a 0,849. Os demais atributos tiveram os coeficientes R2 em torno de 0,800. Comparando-se com os modelos estáticos convencionais, o atributo resistência do solo à penetração teve o coeficiente de ajuste R2 igual a 0,102 e os demais atributos tiveram os seus coeficientes R2 abaixo de 0,087, na regressão convencional. Utilizando a metodologia de Espaço de Estados, as duas combinações que indicaram os melhores resultados foram a combinação entre produtividade do trigo e resistência do solo à penetração, que apresentou a melhor estimativa para produtividade do trigo, com coeficiente R2 igual a 0,849. A mesma combinação na regressão convencional resultou em R2 igual a 0,102. A segunda melhor combinação ocorreu entre os atributos: produtividade do trigo, grau de compactação do solo e resistência do solo à penetração, com R2 igual a 0,836, sendo que a mesma combinação na regressão clássica teve o coeficiente R2 igual a 0,217. Com isso é possível mostrar-se a vantagem da abordagem de Espaço de Estados em relação a outros métodos de estimativa e previsão para o relacionamento no sistema solo-planta.

Made available in DSpace on 2017-05-12T14:47:25Z (GMT). No. of bitstreams: 1 tese__fabiana.pdf: 3413093 bytes, checksum: 69eef866f8ca47e7714ae83768804879 (MD5) Previous issue date: 2016-02-02 / Understanding the spatial distribution knowledge regarding georeferenced data has been essencial to various areas including agriculture. Thus, several trials have been carried out. However, most of these studies assume that the underlying stochastic process is Gaussian. When the data associated with this process do not present normality, data transformations are applied. And though the use of these transformations has presented satisfactory results, it is important to consider models which take into account the characteristics of such phenomenon. It may be more appropriate than using a normal model. So, this trial aimed at proposing a spatial model based on the Birnbaum-Saunders distribution (BS). This distribution has been shown effective to model data that take positive values and whose behavior presents positive asymmetry and unimodality. Thefore, this trial has proposed a methodology that includes the formulation of the spatial Birnbaum-Saunders model , estimation of its parameters using maximum likelihood (ML), and application of diagnostic techniques which can detect the sensitivity of the model to atypical data and evaluate the proposed model through a simulation study and studies using real data sets of agricultural engineering. These data were obtadined in a 167.35-ha commercial area for grain production, in Cascavel city, to validate the studied model. In the study with simulated data and large samples, estimation parameters and diagnostic analysis showed a good performance. According to the study with real data, calculations of AIC (Akaike s information criterion) and BIC (Bayesian information criterion) indexes, Bayes factor as well as Q-Q plots constrution have shown that the proposed model is appropriate to fit the obtained data. Influential cases were detected, and their removal from data set caused a considerable change in contour maps. It is therefore concluided that Birnbaum-Saunders spatial model is adequate to carry out studies with spatially correlated data. Is is also an alternative model to the normal model when the data set present positive asymmetrical distribution / O conhecimento da distribuição espacial de dados georrefenciados é de interesse de diversas áreas do conhecimento, incluindo a área agrícola. Neste sentido, diversos trabalhos já foram realizados; no entanto, a maioria destes trabalhos assumem que o processo estocástico subjacente é gaussiano. Quando os dados associados com este processo não apresentam normalidade, transformações de dados são usadas. E ainda que o uso dessas transformações tenha apresentado resultados satisfatórios, considerar modelos que levem em conta as características do fenômeno pode ser mais adequado do que a utilização do modelo normal. O objetivo deste trabalho é propor um modelo espacial baseado na distribuição Birnbaum-Saunders (BS). Esta distribuição tem se mostrado eficiente para modelar conjuntos de dados formados por valores estritamente positivos e cujo comportamento apresenta assimetria positiva e unimodalidade. A metodologia proposta neste trabalho inclui a formulação do modelo espacial Birnbaum-Saunders, a estimação de seus parâmetros utilizando o método de máxima verossimilhança (ML), a aplicação de técnicas de diagnóstico que permitem detectar a sensibilidade do modelo a dados atípicos, a avaliação do modelo proposto por um estudo de simulação e aplicação da metodologia desenvolvida em análise de dados reais da área agrícola. Os dados utilizados para validação do modelo estudado foram obtidos em uma área comercial de produção de grãos de 167,35 ha de Cascavel. No estudo com dados simulados, para amostras grandes, a estimação dos parâmetros e a análise de diagnóstico apresentaram boa performance. No estudo com dados reais, os cálculos dos índices AIC, BIC e fator Bayes bem como a construção de Q-Q plots mostraram que o modelo proposto é adequado para ajustar os dados. Casos influentes foram detectados e suas retiradas do conjunto de dados causaram uma mudança considerável nos mapas de contorno. Conclui-se portanto, que o modelo espacial Birnbaum-Saunders é adequado para realização de estudos com dados espacialmente correlacionados, e é um modelo alternativo ao modelo normal quando o conjunto de dados apresenta distribuição assimétrica positiva

Made available in DSpace on 2017-05-12T14:47:32Z (GMT). No. of bitstreams: 1 Vanterlei _Artur Bier.pdf: 3411579 bytes, checksum: 9d27d1df8109289eb3cf3192d069b831 (MD5) Previous issue date: 2015-02-23 / The precision agriculture (PA) is defined as the use of site specific management techniques that allow cropping management according to its needs and soil, in order to reduce impacts on the environment. The models valuation that interpolates field data and generates thematic maps is a task that requires in-depth knowledge on this issue. The Cohen Kappa index (K) is the most widely statistics used to compare thematic maps. The accuracy with which the spatial distribution maps of soil attributes are produced influences the implementation and use of PA. However its use has the disadvantage of providing variation in accordance with the use of different numbers of classes, adopted during the map generation process. Thus, this work aimed at selecting the best method among four interpolation ones (inverse distance, inverse distance squared, ordinary kriging and cokriging) using the index of selection of interpolators (ISI), proposed here, based on the contents of clay, copper and manganese, area elevation data and the apparent soil electrical conductivity. The selection among mathematical models and geostatistical interpolation was simplified using the ISI. The study also evaluated the influence in agreement K and Tau (T) indices when varying the number of confusion matrix classes in results that come from a 15.5 ha area, with typical Red Dystrophic soil in Céu Azul countryside, Paraná, Brazil, where soil properties were interpolated with the inverse distance, inverse square of distance, ordinary kriging and cokriging. According to this trial, K and T indices have been confirmed and varied widely of agreement for different numbers of classes. Thus, in order to solve this situation, it was developed K and T equivalent indices to compare thematic maps of quantitative data, using the relative deviation coefficient ,the absolute averaged deviation of interpolated data, the average, and standard deviation of the attribute original data. The result proved to be a good alternative to K and T indices based on the error matrix since it is independent of the classes number and shows a simpler calculation. The methodology was more efficient for situations when more than four classes are used. / A agricultura de precisão (AP) é definida como a utilização de técnicas que permitem manejo localizado de cultivo de acordo com as necessidades da cultura e do solo, para diminuir impactos no meio ambiente. A avaliação de modelos que interpolam dados de campo e geram mapas temáticos é uma tarefa que exige conhecimentos aprofundados no assunto. A precisão com que os mapas de distribuição espacial de atributos do solo são produzidos influencia a aplicação e a utilização da AP. O índice de concordância Kappa de Cohen (K) é a estatística mais utilizada em comparação de mapas temáticos. Entretanto, seu uso com dados quantitativos apresenta o inconveniente de proporcionar variação de concordância com a utilização de diferentes números de classes, adotada durante o processo de geração do mapa. Assim, o objetivo deste trabalho foi selecionar o melhor entre quatro métodos de interpolação (inverso da distância, inverso da distância ao quadrado, krigagem ordinária e cokrigagem) utilizando o índice de seleção de interpoladores (ISI), aqui proposto, a partir de teores de argila, cobre e manganês, dados de elevação do terreno e da condutividade elétrica aparente do solo. Com o uso do ISI, a seleção entre modelos determinísticos e estocásticos de interpolação ficou simplificada. O estudo avaliou ainda a influência nos índices de concordância K e Tau (T), quando se varia o número de classes da matriz de confusão, em resultados oriundos de uma área de 15,5 ha, com solo Latossolo Vermelho Distroférrico típico, no município de Céu Azul, Paraná, Brasil. A partir deste trabalho, foi confirmado que os índices Kappa e Tau apresentam grandes variações de concordância para diferentes números de classes. Para resolver esta situação desenvolveram-se os índices K e T alternativos para comparação de mapas temáticos de dados quantitativos, utilizando-se o coeficiente de desvio relativo, o desvio absoluto médio dos dados interpolados, a média e o desvio padrão dos dados originais do atributo. O resultado mostrou-se como boa alternativa aos índices de K e T baseados na matriz de erro por ser independente do número de classes e ser de cálculo mais simples. A metodologia mostrou-se mais eficiente para situações em que se utilizam mais que quatro classes