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 2017-05-12T14:47:42Z (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.