Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2016-10-21T17:28:48Z No. of bitstreams: 1 2016 - Alessandro Samuel-Rosa.pdf: 15092171 bytes, checksum: bbe06c922805d4196e0a50c4f2aee7a5 (MD5) / Made available in DSpace on 2016-10-21T17:28:48Z (GMT). No. of bitstreams: 1 2016 - Alessandro Samuel-Rosa.pdf: 15092171 bytes, checksum: bbe06c922805d4196e0a50c4f2aee7a5 (MD5) Previous issue date: 2016-02-24 / CNPq / Modern soil spatial modelling is based on statistical models to explore the empirical relation-ship among environmental conditions and soil properties. These models are a simplification of reality, and their outcome (soil map) will always be in error. What a soil map conveys is what we expect the soil to be, acknowledging that we are uncertain about it. The objective of this thesis is to evaluate important sources of uncertainty in spatial soil modelling, with emphasis on soil and covariate data. Case studies were developed using data from a catchment located in Southern Brazil. The soil spatial distribution in the study area is highly variable, being deter-mined by the geology and geomorphology (coarse spatial scales), and by agricultural practices (fine spatial scales). Four topsoil properties were explored: clay content, organic carbon con-tent, effective cation exchange capacity and bulk density. Five covariates, each with two levels of spatial detail, were used: area-class soil maps, digital elevation models, geologic maps, land use maps, and satellite images. These soil and covariate data constitute the Santa Maria dataset. Two packages for R were created in support to the case studies, the first (pedometrics) con-taining various functions for spatial exploratory data analysis and model calibration, the second (spsann) designed for the optimization of spatial samples using simulated annealing. The case studies illustrated that existing covariates are suitable for calibrating soil spatial models, and that using more detailed covariates results in only a modest increase in the prediction ac-curacy that may not outweigh the extra costs. More efficient means of increasing prediction accuracy should be explored, such as obtaining more soil observations. For this end, one should use objective means for selecting observation locations to minimize the effects of psycholog-ical responses of soil modellers to conceptual and operational factors on the sampling design. This because conceptual and operational difficulties encountered in the field determine how the motivation of soil modellers shifts between learning/verifying soil-landscape relationships and maximizing the number of observations and geographic coverage. For the sole purpose of spa-tial trend estimation, it should suffice to optimize spatial samples aiming only at reproducing the marginal distribution of the covariates. For the joint purpose of optimizing sample configu-rations for spatial trend and variogram estimation, and spatial interpolation, one can formulate a sound multi-objective optimization problem using robust versions of existing sampling algo-rithms. Overall, we have learned that a single, universal recipe for reducing our uncertainty in soil spatial modelling cannot be formulated. Deciding upon efficient ways of reducing our uncertainty requires, first, that we explore the full potential of existing soil and covariate data using sound spatial modelling techniques. / A modelagem espacial do solo moderna usa modelos estat?sticos para explorar a rela??o em-p?rica entre as condi??es ambientais e as propriedades do solo. Esses modelos s?o uma sim-plifica??o da realidade, e seu resultado (mapa do solo) estar? sempre errado. O que um mapa do solo transmite ? o que esperamos que o solo seja, reconhecendo que somos incertos sobre ele. O objetivo dessa tese ? avaliar importantes fontes de incerteza na modelagem espacial do solo, com ?nfase nos dados do solo e covari?veis. Estudos de caso foram desenvolvidos usando dados de uma bacia hidrogr?fica do sul do Brasil. A distribui??o espacial do solo na ?rea de estudo ? vari?vel, sendo determinada pela geologia e geomorfologia (escalas espaciais maiores) e pr?ticas agr?colas (escalas espaciais menores). Quatro propriedades do solo foram explora-das: teor de argila, teor de carbono org?nico, capacidade de troca cati?nica efetiva e densidade. Cinco covari?veis, cada um com dois n?veis de detalhe espacial, foram utilizadas: mapas areais de classes de solo, modelos digitais de eleva??o, mapas geol?gicos, mapas de uso da terra, e imagens de sat?lite. Esses dados constituem o conjunto de dados de Santa Maria. Dois paco-tes para R foram criados, o primeiro (pedometrics) contendo v?rias fun??es para a an?lise explorat?ria espacial de dados e calibra??o de modelos, o segundo (spann) projetado para a optimiza??o de amostras espaciais usando recozimento simulado. Os estudos de caso ilustraram que as covari?veis existentes s?o apropriadas para calibrar modelos espaciais do solo, e que o uso de covari?veis mais detalhadas resulta em modesto aumento na acur?cia de predi??o que pode n?o compensar os custos adicionais. Meios mais eficientes de aumentar a acur?cia de pre-di??o devem ser explorados, como obter mais observa??es do solo. Para esse fim, deve-se usar meios objetivos para a sele??o dos locais de observa??o a fim de minimizar os efeitos das res-postas psicol?gicas dos modeladores do solo a fatores conceituais e operacionais sobre o plano de amostragem. Isso porque as dificuldades conceituais e operacionais encontradas no campo determinam mudan?as na motiva??o dos modeladores do solo entre aprendizagem/verifica??o das rela??es solo-paisagem e maximiza??o do n?mero de observa??es e cobertura geogr?fica. Para estimar a tend?ncia espacial, deve ser suficiente otimizar as amostras espaciais visando so-mente reproduzir a distribui??o marginal das covari?veis. Para otimizar configura??es amostrais para estimar a tend?ncia espacial e o variograma, e interpola??o espacial, pode-se formular um problema de otimiza??o multi-objetivo s?lido usando vers?es robustas de algoritmos de amos-tragem existentes. No geral, aprendemos que uma receita ?nica, universal para a redu??o da incerteza na modelagem espacial do solo n?o pode ser formulada. Decidir sobre formas efi-cazes de redu??o da incerteza requer, em primeiro lugar, que exploremos todo o potencial dos dados existentes usando t?cnicas de modelagem espacial s?lidas.

Made available in DSpace on 2014-12-17T14:53:04Z (GMT). No. of bitstreams: 1 MelquiadesPLJ_DISSERT.pdf: 2472393 bytes, checksum: 59503f299bf1a82dcfc59bffce406c09 (MD5) Previous issue date: 2011-12-21 / The portfolio theory is a field of study devoted to investigate the decision-making by investors of resources. The purpose of this process is to reduce risk through diversification and thus guarantee a return. Nevertheless, the classical Mean-Variance has been criticized regarding its parameters and it is observed that the use of variance and covariance has sensitivity to the market and parameter estimation. In order to reduce the estimation errors, the Bayesian models have more flexibility in modeling, capable of insert quantitative and qualitative parameters about the behavior of the market as a way of reducing errors. Observing this, the present study aimed to formulate a new matrix model using Bayesian inference as a way to replace the covariance in the MV model, called MCB - Covariance Bayesian model. To evaluate the model, some hypotheses were analyzed using the method ex post facto and sensitivity analysis. The benchmarks used as reference were: (1) the classical Mean Variance, (2) the Bovespa index's market, and (3) in addition 94 investment funds. The returns earned during the period May 2002 to December 2009 demonstrated the superiority of MCB in relation to the classical model MV and the Bovespa Index, but taking a little more diversifiable risk that the MV. The robust analysis of the model, considering the time horizon, found returns near the Bovespa index, taking less risk than the market. Finally, in relation to the index of Mao, the model showed satisfactory, return and risk, especially in longer maturities. Some considerations were made, as well as suggestions for further work / A teoria de portf?lio ? um campo de estudos que se dedica a investigar a tomada de decis?o por investidores de recursos. O prop?sito desse processo ? a redu??o do risco por meio da diversifica??o e, portanto, a garantia de determinado retorno. Apesar disso, o modelo cl?ssico de M?dia-Vari?ncia cont?m cr?ticas quanto a sua parametriza??o, observa-se que o uso da vari?ncia e covari?ncias possui sensibilidade ao mercado e ? estima??o de par?metros. Como forma de redu??o dos erros de estima??o, os modelos bayesianos possuem mais flexibilidade na modelagem, com a possibilidade de inserir par?metros quantitativos e qualitativos sobre o comportamento do mercado como forma de redu??o de erros. Observando isso, o presente trabalho teve como objetivo formular um novo modelo de matriz por meio do teorema de Bayes, como forma de substitui??o da covari?ncia no modelo M-V, denominado de MCB - Modelo de Covari?ncia Bayesiana. Para avalia??o do modelo, algumas hip?teses s?o formuladas por meio do m?todo ex post facto e por an?lise de sensibilidade. Os benchmarks utilizados como refer?ncia foram: (1) o modelo cl?ssico de M?dia Vari?ncia; (2) o ?ndice de mercado da Bovespa; e, (3) 94 Fundos de Investimento. Os retornos acumulados durante o per?odo de maio de 2002 a dezembro de 2009 demonstraram superioridade do MCB em rela??o ao modelo cl?ssico M-V e o ?ndice Bovespa, por?m assumindo um pouco mais de risco diversific?vel que o M-V. A an?lise robusta do modelo, considerando o horizonte de tempo, constatou retornos pr?ximos ao Ibovespa, considerando menor risco que o mercado. Por ?ltimo, em rela??o ao ?ndice de Mao, o modelo se demonstrou satisfat?rio, em retorno e risco, principalmente em prazos mais longos. Por fim, algumas considera??es s?o realizadas, bem como sugest?es de futuros trabalhos