A cultura do milho é uma das atividades agrícolas mais importantes para a economia no Brasil e a utilização de modelos estatísticos pode auxiliar a tomada de decisão neste setor produtivo. O presente estudo visou identificar áreas com correlação e autocorrelação espacial para a produtividade de milho e suas variáveis preditoras (temperatura média, precipitação pluvial, radiação solar, potencialidade agrícola do solo e altitude), e também, verificar o modelo de regressão espacial mais adequado para a explicação da cultura. O estudo foi realizado utilizando dados de municípios do estado do Paraná referente a safras de verão dos anos agrícolas de 2011/2012, 2012/2013 e 2013/2014. Os softwares utilizados para a análise estatística e geração dos mapas temáticos foram o ArcMap 9.3 e GeoDa 1.6.7. A identificação da dependência espacial entre as variáveis foi realizada por meio do índice de Moran Global (Univariado e Bivariado) e o índice local de associação espacial (LISA), concluindo-se que para todos os anos e critérios de vizinhança utilizados, houve autocorrelação espacial significativa ao nível de 1% para todas as variáveis. Verificou-se ainda que a temperatura média, precipitação e altitude, estão correlacionadas significativamente (P-value<5%) com a produtividade do milho em todos os anos e critérios estudados. As variáveis: radiação solar e potencialidade agrícola do solo não apresentaram correlação significativa para alguns dos anos (2012/2013) e matrizes de vizinhança (contingência queen e vizinho mais próximo). Para determinar o modelo de regressão mais apropriado para a estimativa da produtividade de milho, foi adotado o diagnóstico estatístico do modelo de regressão OLS - Ordinary Least Square, que verifica se é necessário aplicar algum modelo de regressão espacial para explicação dos dados. Para todos anos agrícolas foi recomendado a utilização do modelo de regressão espacial SAR – Spatial Lag Model, sendo que apenas para o ano agrícola 2013/2014 pode ser recomendado o modelo Spatial Error Model (CAR). A regressão espacial (SAR e CAR) adotada para a estimativa da produtividade de milho em diferentes anos, obteve melhores resultados quando comparada com os resultados da regressão que não incorpora a autocorrelação espacial dos dados (OLS). O coeficiente de determinação R², os critérios de informação bayesiano (BIC) e o máximo valor do logaritmo da função verossimilhança (Log-likelihood), apresentou melhora significativa na estimação da produtividade do milho quando utilizado SAR e CAR. / Corn cultivation is one of the most important agricultural activities for the Brazilian economy and the use of statistical models can help decision making in this productive sector. The present study aimed to identify areas with correlation and spatial autocorrelation for maize productivity and its predictive variables (mean temperature, rainfall, solar radiation, soil potential and altitude), and to verify the spatial regression model most appropriate for The explanation of culture. The study was carried out using data from municipalities in the state of Paraná referring to summer crops of the 2011/2012, 2012/2013 and 2013/2014 agricultural years. The software used for the statistical analysis and generation of thematic maps were ArcMap 9.3 and GeoDa 1.6.7. The identification of spatial dependence among variables was performed using the Moran Global Index (Univariate and Bivariate) and the local spatial association index (LISA). It was concluded that for all the years and neighborhood criteria used, there was spatial autocorrelation Significant at the 1% level for all variables. It was also verified that the average temperature, precipitation and altitude, are correlated significantly (P-value <5%) with corn yield in all years and criteria studied. The variables: solar radiation and soil agricultural potential did not present significant correlation for some of the years (2012/2013) and neighborhood matrices (queen contingency and nearest neighbor). To determine the most appropriate regression model for estimating maize productivity, the OLS - Ordinary Least Square regression model was used to verify if it is necessary to apply some spatial regression model to explain the data. For all agricultural years it was recommended to use the spatial regression model Spatial Lag Model (SLM), and only for the agricultural year 2013/2014 can the Spatial Error Model (SEM) be recommended. The spatial regression (SLM and SEM) adopted for estimating maize productivity in different years yielded better results when compared with regression results that did not incorporate spatial data autocorrelation (OLS). The coefficient of determination R², the Bayesian information criteria (BIC) and the maximum log-likelihood value, showed a significant improvement in corn productivity estimation when using SLM and SEM.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.utfpr.edu.br:1/2142 |
Date | 20 April 2017 |
Creators | Seffrin, Rodolfo |
Contributors | Araújo, Everton Coimbra de, Bazzi, Claudio Leones, Araújo, Everton Coimbra de, Santos, José Airton Azevedo dos, Menezes, Paulo Lopes de, Grzegozewski, Denise Maria |
Publisher | Universidade Tecnológica Federal do Paraná, Medianeira, Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio, UTFPR, Brasil |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UTFPR, instname:Universidade Tecnológica Federal do Paraná, instacron:UTFPR |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds