Beruflich Dokumente
Kultur Dokumente
CASCAVEL - PR
Janeiro 2010
em
Engenharia
Agrcola,
em
de
Cascavel,
Engenharia
de
rea
de
Sistemas
Agroindustriais.
CASCAVEL
Janeiro - 2010
D149
DEDICO
A Henrique Luis
AGRADECIMENTOS
Ao meu orientador Dr. Miguel Angel Uribe Opazo que me conduziu neste trabalho e
proporcionou o meu desenvolvimento no Programa de Ps-graduao e por ser um grande amigo e
profissional.
Ao meu co-orientador Dr. Erivelto Mercante pela parceria firmada, pois esta alm de render
diversos trabalhos, rendeu uma grande amizade.
Ao meu amigo professor Jerry Adriani Johann, pelos trabalhos desenvolvidos no LEA, pois
estes fizeram parte de minha formao.
SUMRIO
viii
ix
RESUMO .............................................................................................
xii
ABSTRACT .........................................................................................
xiii
INTRODUO ..................................................................................
DE
PRECISO .........................................................................................
2.1
INTRODUO ....................................................................................
2.2
2.2.1
2.2.2
2.2.3
2.2.4
2.2.5
10
2.2.6
13
2.2.7
15
2.2.8
16
2.2.9
18
2.2.10
19
2.2.11
24
2.3
25
2.3.1
Material .................................................................................................
25
2.3.2
Metodologia ..........................................................................................
25
2.4
29
2.5
CONCLUSO ......................................................................................
42
2.6
REFERNCIAS ...................................................................................
43
DE PRECISO ...................................................................................
46
3.1
INTRODUO ....................................................................................
46
3.2
47
3.2.1
47
3.2.2
47
3.2.3
49
3.2.4
50
3.2.5
51
3.2.6
52
3.2.7
52
3.2.8
53
3.3
54
3.3.1
Material .................................................................................................
54
3.3.2
Metodologia ..........................................................................................
55
3.4
56
3.5
CONCLUSO ......................................................................................
65
3.6
REFERNCIAS ...................................................................................
66
LISTA DE TABELAS
Tabela 1
18
Tabela 2
20
Tabela 3
21
Tabela 4
21
Tabela 5
22
Tabela 6
30
Tabela 7
31
Tabela 11
36
Tabela 12
36
Tabela 13
37
Tabela 14
37
Tabela 15
37
Tabela 16
38
Tabela 17
38
Tabela 18
55
Tabela 8
Tabela 9
Tabela 10
Tabela 20
Tabela 21
Tabela 19
31
33
34
57
58
59
LISTA DE FIGURAS
Figura 1
Figura 2
23
Figura 3
Figura 4
27
Figura 5
27
Figura 6
28
Figura 7
28
Figura 8
29
Figura 9
29
Figura 10
30
Figura 11
32
Figura 12
Figura 13
Figura 14
Figura 15
26
33
34
35
35
47
Figura 17
Figura 18
50
Figura 19
52
Figura 20
53
Figura 21
54
Figura 22
55
Figura 23
Figura 24
Figura 25
61
Figura 26
61
Figura 16
Paran ..........................................................................................
49
56
60
LISTA DE SMBOLOS
Captulo 2
Z (s )
Z ( s + h)
C(h)
Funo de covarincia
Mdia
Matriz de covarincia
(s)
Funo do alcance
In
( h)
Patamar
Vetor de parmetros.
OLS
WLS1
ML
Mxima verossimilhana
RML
L( )
Funo de verossimilhana
l ( )
Funo log-verossimilhana
EM
Erro mdio
Z (s (i ) )
ER
(s (i ) )
DPEM
SER
EA
Erro absoluto
Ponto de no perturbao
LD()
Afastamento da verossimilhana
EG
Exatido global
Ck
AU
Acurcia de usurio
AP
Acurcia de produtor
ndice Kappa
Varincia
ndice Tau
ndice de sensibilidade
ndice de especificidade
TFPk
TFNk
CCM
Wz
Ii
ndice LISA
RESUMO
ABSTRACT
The methods provided by the spatial statistics are of great importance for studies involving
data related to agriculture, for they allow one to know the space variability of the study and identify
regions that have similar characteristics, which allows completely localized treatment, maximizing
productivity and minimizing the impacts of excessive input application.
One of the branches of spatial statistics is geostatistics, which uses a set of regionalized
variables to model the structure of spatial dependence, allowing the preparation of thematic maps.
Currently, geostatistical studies do not end with the preparation of maps, but also estimates monitored
the attribute in non-sampled locations. It is necessary to investigate the quality of these maps,
investigating influential points and using measurements to compare maps and area estimations.
Another form of research is known as spatial statistics of areas where the objects of analysis
are polygons representing blocks, neighborhoods, cities, states and others. This type of analysis seeks
to identify spatial autocorrelation in global and local levels, and the usual form of reporting is through
thematic maps.
In this work we used geostatistics to investigate the productivity of wheat in an agricultural
area of 13.7 hectares in the municipality of Salto do Lontra PR. Out of the 50 samples, two were
identified as influential, and thus, we chose to build two thematic maps and to compare them using
metrics derived from the matrix of errors. The results showed that the maps are different and the
removal of influential points was essential to improve the quality of thematic map, since the difference
between the estimated yield and actual yield was only 40 Kilos.
In order to display the resources provided by the spatial statistics of areas we compared to the
vegetation rates NDVI and GVI's of soybean yield from 36 cities in Western Paran in the agricultural
year of 2004/2005. The results showed regions with similar characteristics and that soybeans grow at
different times in the region.
INTRODUO
A constante evoluo da informtica, no que diz respeito ao desenvolvimento de
representada por uma superfcie contnua, como o caso da geoestatstica, e sim por
variaes abruptas de valores. Apesar de limitadas s caractersticas de cada rea, muitas
inferncias sobre padres ou comportamentos espaciais dos diversos atributos podem ser
realizadas.
2.1
INTRODUO
O conjunto de atividades agrcolas, compreendendo a produo de alimentos, fibras
e energia, pode ser encarado como a alavanca da economia brasileira, e isto de grande
importncia, visto que muitos pases desenvolvidos tm excesso de produo agrcola,
sendo esta uma das condies para se terem tornado ricos, pois o fato de serem autosuficientes na produo agrcola tem sido determinante para os elevados nveis de
prosperidade.
Um fato que de certa forma barra o crescimento da agricultura no Brasil que muitas
reas agrcolas comerciais, por trabalharem com produo em larga escala, so tratadas
como homogneas, o que acaba trazendo prejuzos para o produtor e para o meio
ambiente. Um exemplo a aplicao de fertilizantes calculados com base em ndices
mdios de fertilidade. Esta aplicao feita de forma uniforme em toda a rea e, como
conseqncia, reas com maior nvel de fertilidade so adubadas em excesso e reas mais
pobres no so corrigidas. O mesmo ocorre na aplicao de agro qumicos no combate de
pragas e doenas, em que o tratamento uniforme gera problemas de poluio em reas com
baixos nveis de infestao.
Uma soluo eficaz para contornar este problema apresentada pela agricultura de
preciso por meio da geoestatstica, ramo da estatstica espacial que permite estudar
superfcies contnuas. A grande diferena em relao estatstica tradicional que, por
meio desta metodologia, alm do valor do atributo no ponto em estudo, a sua localizao
tambm incorporada na anlise. Esse fato faz com que elementos amostrais prximos
tenham valores mais semelhantes e sejam mais correlacionadas do que elementos
amostrais mais distantes do ponto estudado. Desta maneira, possvel realizar estimaes
em locais no amostrados, permitindo criar mapas temticos que descrevam o
comportamento do atributo que est sendo investigado na rea em estudo.
A geoestatstica fornece uma soluo para este tipo de problema atravs do
interpolador krigagem, nome dado em homenagem ao engenheiro de minas Daniel Krige,
pioneiro que, ao realizar trabalhos com dados de minerao, concluiu que a variao destes
apresentava uma estruturao que dependia da distncia de amostragem e, desta
constatao, surgiram os conceitos bsicos de geoestatstica.
2.2
REVISO BIBLIOGRFICA
possa ser repetido mesmo que as amostras sejam coletadas em pontos diferentes, pois elas
pertencem mesma populao com os mesmos momentos estatsticos (VIEIRA, 2000).
Uma funo aleatria considerada estacionria quando o valor esperado para sua
realizao o mesmo para todos os pontos da rea em estudo, ou seja, E[Z(s1)] = E[Z(s2)]
=...= E[Z(si)] = .
Este parmetro, que passa a ser independente da localizao de si, pode ser estimado por
uma mdia aritmtica dos valores das realizaes das variveis aleatrias. Concretamente,
a hiptese de estacionaridade da mdia, ou de primeira ordem como conhecida, implica
que possa ser estimada pela mdia aritmtica das observaes. Julgar esta hiptese de
estacionaridade como apropriada julgar a mdia das amostras como representativa da
rea em estudo.
Para a anlise geoestatstica necessrio tambm a estacionaridade de segunda
ordem, que implica que para cada par de uma varivel aleatria, a funo de covarincia
{Z (si ), si S } , em que
Z ( s i ) = ( s i ) + (s i )
(1)
( s ) = x u ( s) u
(2)
u =1
(3)
z i = xi + i
De forma equivalente, em notao matricial, tem-se:
(4)
Z = X +
Ento,
E ( ) = 0 e a matriz de covarincia de
= [( iu ) ] , em que
= 1 I n + 2 R
(5)
em que:
( h ) = C (0 ) C ( h )
(6)
(7)
ii) Contribuio ( 2 )
tambm conhecida como varincia de disperso e representa as diferenas
espaciais entre os valores de uma varivel tomada em dois pontos separados por distncias
cada vez maiores.
iii) Alcance ( a = g ( 3 ) )
a distncia a partir da qual os elementos amostrais passam a ser no
correlacionados. Em outras palavras, o alcance reflete o grau de homogeneizao entre os
elementos amostrais, ou seja, quanto maior for o alcance maior ser a homogeneidade
entre as amostras. O alcance a distncia que separa o campo estruturado (amostras
correlacionadas) do campo aleatrio (amostras independentes).
iv) Patamar ( C = 1 + 2 )
O Patamar ( 1 + 2 ) corresponde ao ponto onde toda semivarincia da amostra de
influncia aleatria, correspondendo a varincia total (s2) obtida pela estatstica clssica
(TRANGMAR et al., 1985).
A Figura 1 ilustra o andamento tpico das funes variograma (h) e covarincia
C (h) .Como a funo variograma uma medida da varincia das diferenas nos valores da
varivel regionalizada entre pontos separados por uma distncia h, pontos mais prximos,
por estarem correlacionados tero essa varincia pequena, aumentando medida que os
pontos se distanciam.
a) Modelo esfrico
Trata-se de um dos modelos mais usuais em geoestatstica. Ele apresenta um
crescimento rpido a atinge o patamar a 2/3 do alcance. A funo semivarincia deste
modelo tem a forma:
h=0
0,
3 h 1 h 3
(h) = 1 + 2 ,
2 3 2 3
h > 3
1 + 2 ,
0 < h 3
(8)
h=0
1 + 2 ,
3
3 h 1 h
C (h) = 2 1 + , 0 < h < 3
2 3 2 3
h > 3
0,
(9)
b) Modelo exponencial
Este modelo atinge o patamar assintoticamente, com o alcance prtico definido como
a distncia na qual o valor do modelo 95% do patamar (ISAAKS & SRIVASTAVA, 1989). A
funo semivarincia deste modelo tem a forma:
h=0
0,
(h) = 1 + 2 1 exp
3
+ ,
h > 3
2
1
0 < h 3
(10)
h=0
1 + 2 ,
h
C (h) = 2 exp ,
3
0,
h > 3
0 < h 3
(11)
c) Modelo gaussiano
Os modelos esfrico e exponencial apresentam um crescimento relativamente rpido
junto da origem, denunciando um comportamento tpico de fenmenos relativamente
irregulares. Outros fenmenos, bem mais regulares e contnuos, denunciam um crescimento
lento de ( h) com um comportamento parablico na origem. Este o caso de variogramas
ajustveis por modelos gaussianos. A funo semivarincia deste modelo tem a forma:
h=0
0,
h 2
(h) = 1 + 2 1 exp ,
3
h > 3
1 + 2 ,
0 < h 3
(12)
h=0
1 + 2 ,
2
h
C (h) = 2 exp ,0
3
h > 3
0,
(13)
< h 3
d) Modelo circular
O modelo circular apresenta validez apenas nos planos unidimensionais e
bidimensionais, no podendo ser aplicado a planos tridimensionais, onde aplicado o
modelo esfrico. A funo semivarincia deste modelo tem a forma:
h=0
0,
2
h 2h
h2
1 2
(h) = 1 + 2 1 cos 1 +
3
3 3
h > 3
1 + 2 ,
A funo covarincia dada por:
0 < h 3
(14)
h=0
1 + 2 ,
C (h) = 2 1 h h
h2
cos
,
2
2
3
3
0 < h 3
(15)
e) Famlia Matrn
MATRN (1986) apresentou uma funo chamada famlia Matrn. Esta funo
definida, em termos de modelo terico da funo semivarincia, e dada pela Equao
(16):
h=0
0,
( h) =
k 1
+
(k )
2 1 2
1
k
h
h
K k ,
3
3
h>0
(16)
em que:
1 , 2 , 3 e k so parmetros;
K k a funo de Bessel de terceiro tipo, de ordem k ;
A funo covarincia dada por:
h=0
0,
C (h) = k 1
2 2 (k )
h
h
K k ,
3
3
k
h>0
(17)
ao j-simo lag, para j =1, 2,..., k e (h j , ) representa o valor estimado que corresponde ao
j-simo lag para j =1, 2,...,k; obtido pelo modelo ajustado ao semivariograma experimental, e
depende do vetor de parmetros .
2
[ (h ) (h , )]
ou
j =1
[C (h ) C (h , )]
j
(18)
j =1
N (h j ) (h j ) (h j , )
j =1
N (h )[C (h
k
ou
) C (h j , )
(19)
j =1
L( ) = f Z1 ,...Z n ( z1 ,..., z n ; )
(20)
l ( ) =
n
1
1
log(2 ) log| ( ) | (Z X)T ( )
2
2
2
-1
(Z X)
(21)
ento, a melhor estimativa para o vetor de parmetros ser aquela que maximiza a
funo de verossimilhana ou de logaritmo da funo verossimilhana.
Outro mtodo, freqentemente utilizado para estimar os parmetros da matriz de
covarincia ( ) o mtodo de mxima verossimilhana restrita RML, que obtm
estimadores menos viciados que os estimadores obtidos por ML. Nos ensaios de campo na
agricultura e nas pesquisas com melhoramento animal, como mtodo de seleo, a
estimao de mxima verossimilhana restrita dos parmetros de covarincia espacial, tem
sido preferida de mxima verossimilhana (CRESSIE & LAHIRI, 1996). Neste caso, o
logaritmo da funo de log-verossimilhana restrita dada pela equao (22):
1
1
1
1 T
n p
T
T 1
l R ( ) =
log(2 ) + log(| X X |) log | | log(| X X |) Z PZ ,
2
2
2
2
2
(22)
em que ,
P = 1 ( I A) , com A = X ( X T 1 X ) 1 X T 1 .
Com o desenvolvimento de recursos computacionais os mtodos ML e RML tm sido
tcnicas de estimao muito utilizadas, pois tm propriedades da teoria das grandes
amostras que torna o seus resultados mais eficientes (DIGGLE & RIBEIRO JR., 2007).
Z ( s 0 ) = i Z ( si )
(23)
i =1
restrito a:
n
=1
i =1
em que:
n + 1 incgnitas, podendo ser representada por meio de uma equao matricial dada em
(24):
(24)
K = L
sendo:
21 C 22 ... C 2n 1
.
...
. . ,
K = .
C n1 C n 2 ... C nn 1
1
1
... 1 0
1
2
= . ,
n
C10
C
20
L= .
C n 0
1
EM =
1 n
( Z ( si ) Z ( s(i ) ))
n i =1
(25)
em que:
ER =
1 n Z ( s i ) Z ( s (i ) )
(s )
n i =1
(i)
(26)
em que:
S ER =
1 n Z ( s i ) Z ( s (i ) )
(s )
n i =1
(i)
(27)
EA = Z ( si ) Z ( S ( i ) )
(28)
i =1
l ( / ) =
n
1
1
log( 2 ) log | | ( Z X ) T 1 ( Z X )
2
2
2
.
L
L =
L
L
,
L
2 l ( / )
2 l ( / )
1 ,
,
com
= ( Z X ) T 1
T
T
i
em
que,
2 l ( )
1
= X T 1
, j = 1, ..., q ;
j
j
L = -(XT-1X);
L
LT;
L
e
=
L
2 l ( )
,
T
=
2 l ( ) ,
T
com
com
2l ( ) 1 1 1
2 1 T 1 2
1 1 1
= tr
i j 2 i
j i j 2
j j
i
i j i
Seja Lmax o auto-vetor, normalizado, associado ao maior autovalor, em mdulo, da
matriz B = TL-1. O grfico dos elementos |Lmax| versus i (ordem dos dados) pode revelar
qual o tipo de perturbao que tem a maior influncia em LD(), na vizinhana de 0
(COOK, 1986; BORSSOI et al., 2009).
Aglutinao das palavras Picture e Element, e representa o menor elemento num dispositivo de exibio ao
qual possvel atribuir-se um valor. Neste trabalho, os pixels sero definidos com os elementos da matriz dos
valores krigados.
C2
Mapa modelo
Classe
... Ck
Total por
linha
ni.
n1.
n2.
.
.
.
n k.
C1
n11
n12
... n1k
C2
n21
n22
... n2k
.
.
.
.
.
.
.
.
.
.
.
.
Ck
nk1
nkk
... nkk
Total por
coluna
n.1
n.2
... n.k
n
n.j
k: nmero de classes; nij: nmero de pixels classificados na classe i do mapa
modelo e na classe j do mapa de referncia.
n
EG =
ii
i =1
(29)
AU i =
nii
;
ni
i = 1,...,k
(30)
APi =
nii
;
n.i
i = 1,...,k
(31)
Como GONG & HOWARTH (1990) relatam, o ndice Kappa (COHEN, 1960) uma
estatstica utilizada para mensurar a exatido das classificaes temticas. Este ndice vem
sendo recomendado como uma medida apropriada da exatido por utilizar todos os
elementos da matriz dos erros ao invs de apenas utilizar aqueles que se situam na
diagonal principal da mesma, o que ocorre quando se calcula a exatido global da
classificao. O ndice Kappa fornece uma medida de concordncia entre os valores do
mapa modelo e os valores do mapa de referncia e segundo CONGALTON & GREEN
(1999) pode ser calculado pela Equao (32):
k
K =
n nii ni ni
i =1
i =1
(32)
n 2 n i n i
i =1
1 (1 1 )
1
2 ( K ) =
n (1 2 ) 2
2
2(1 1 )(21 2 3 ) (1 1 ) 2 ( 4 4 2 )
(1 2 ) 3
(1 2 ) 4
(33)
em que:
1 =
1 k
1
nii ; 2 = 2
n i =1
n
n i n i ; 3 =
i =1
1
n2
nii (ni + ni ) ; 4 =
i =1
1
n3
ij
(ni + n j ) 2 .
i =1 j =1
IC ( K ; (1 )%) = K z / 2 2 ( K )
(34)
Alm dos ndices de exatido global e Kappa, que so muito utilizados, MA &
REDMOND (1995) apresentaram o ndice Tau (T), que fornece uma medida quantitativa
relativamente precisa e intuitiva sobre a acurcia da classificao. O ndice Tau similar ao
ndice Kappa, sendo calculado conforme a equao (35), em que pk indica a probabilidades
a priori para cada classe.
ii
i =1
T =
pk
n
1 pk
(35)
Quando as probabilidades a priori para as classes forem iguais, temos pi = 1/k, onde
k representa o nmero de classes da matriz dos erros.
Uma outra forma de comparar mapas temticos pode ser utilizada mediante a criao da
matriz de confuso por classe (FIELDING & BELL, 1997), matriz esta que pode ser obtida
com os elementos da matriz dos erros. A Tabela 2 apresenta a forma genrica da matriz de
Mapa
modelo
ck
dk
Em que:
ak = n kk : quantidade de pixels da classe k do mapa real que foram classificados
corretamente como pertencentes a classe k no mapa modelo.
bk = n k nkk : quantidade de pixels que no pertencem a classe k do mapa real e
foram classificados como pertencentes a classe k no mapa modelo.
ck = n k nkk : quantidade de pixels que pertencem a classe k do mapa real e que
pertencem a uma classe diferente no mapa modelo.
dk = n (a k + bk + c k ) : quantidade de pixels que no pertencem a classe k no mapa
real e foram classificados como no pertencente a classe k no mapa modelo.
Mapa Modelo
Verdadeiro (V)
a=
b=
ii
c=
n
j =1 i j
ij
i =1 j i
i =1
Falso (F)
n
k
ij
d=
ij
i =1 i j j i
Mtrica
S
E
CCM
unidade
bsica
de
processamento
pixel,
que
pode
ser
processado
2.3
MATERIAL E MTODOS
2.3.1 Material
A anlise de um conjunto de dados reais foi efetuada com o propsito de
ilustrar a aplicao das tcnicas geoestatsticas. A rea experimental compreende uma rea
de produo de gros com 13,7 hectares de extenso, localizada no municpio de Salto do
Lontra PR, que foi cultivado com trigo variedade IAPAR 78. Na rea monitorada, foi
definida uma grade amostral regular de 50 x 50 m totalizando 50 posies georreferenciadas
(Figura 2 (A)). Na Figura 2 (B) observa-se que esta rea tambm foi dividida em nove
talhes denominados de A a I, para facilitar a colheita mecnica e com isso poder
determinar a produo real. A pequena rea em cinza na Figura 2 (B) representa uma
regio de pedras que no monitorada no experimento.
d) Validao cruzada
A idia central avaliada pela validao cruzada que se o fenmeno foi
satisfatoriamente modelado, possvel reproduzir, com boa aproximao, informaes da
amostra. Desta forma, o procedimento consiste em retirar um ponto do conjunto original das
amostras coletadas e estim-lo utilizando o restante das amostras. Aps realizar a
estimativa de todos os pontos, possvel obter medidas que ajudem a escolher o modelo
que melhor descreva a variabilidade espacial do atributo estudado.
e) Krigagem ordinria
Na maioria das pesquisas relacionadas geoestatstica, o profissional est
interessado em estimar valores em locais no amostrados, seja por um interesse local ou
pela inteno de obter um detalhamento da rea que vai alm do permitido pela amostra.
Nestes casos, o procedimento adotado a interpolao.
A literatura apresenta uma vasta coleo de interpoladores, desde os conhecidos
modelos deterministas, como polgonos de influncia, triangulao e inverso do quadrado
das distncias, at a proposta de predio geoestatstica, conhecida como krigagem. Neste
trabalho ser utilizado a krigagem ordinria, interpolador mais eficaz que os deterministas
por incorporar a estrutura de dependncia espacial do atributo estudado.
f) Anlise de diagnstico
Com o objetivo de investigar a existncia de pontos influentes no conjunto amostral
do atributo estudado, ser analisado o grfico de influncia local L max x i (ordem dos
dados), que prope avaliar a influncia conjunta das observaes sob pequenas
perturbaes no modelo, identificando assim, pontos que possam causar alguma
interferncia ou provoquem grandes desvios nos resultados do ajuste.
g) Comparao de mapas
Para comparar mapas obtidos por diferentes tcnicas, sero utilizadas as mtricas
derivadas da matriz dos erros e tambm ser criando um mapa de diferenas utilizando a
lgebra de mapas.
A Figura 3 apresenta o roteiro desta anlise. Observa-se que dois mapas sero
gerados. O primeiro obtido pelo ajuste de um modelo terico, selecionado por validao
cruzada, utilizando todos os pontos do conjunto de dados amostrais, e o segundo, utilizando
a anlise de diagnsticos para retirar pontos detectados como influentes. Para finalizar o
estudo, os mapas sero comparados utilizando a subtrao em mdulo de um mapa pelo
outro, que evidencia regies que foram diferentes em ambos os mapas e tambm ser
construda a matriz dos erros, considerando o mapa com todos os pontos como o de
referncia e o mapa sem os pontos influentes como modelo. Com esta matriz, ser possvel
calcular as mtricas de acurcia.
2.4
RESULTADOS E DISCUSSO
A anlise exploratria dos elementos amostrados apresentou uma produtividade mdia
de trigo de 1,31 t ha-1, sendo a produo mnima de 0,30 t ha-1 e mxima de 2,40 t ha-1 com
desvio padro de 0,54 t ha-1 e coeficiente de variao (CV) de 41,40%. Apesar desta alta
heterogeneidade entre os valores amostrais (CV > 30%), pode-se considerar que o conjunto
apresenta uma distribuio normal de probabilidades, pois pelo teste de normalidade de
Anderson-Darling obteve-se um nvel descritivo (p-valor) de 0,102 o que indica normalidade
dos dados com nvel de 5% de significncia. Analisando o grfico boxcox da produtividade
de trigo na Figura 4, observa-se que no h necessidade de transformar os dados, visto que
o = 1 encontra-se no intervalo de 95 % de confiana.
Destaca-se nesse grfico a regio norte da rea por apresentar um aglomerado com
produtividade baixa e a regio leste por apresentar um aglomerado com maiores valores de
produtividade. A Figura 6 apresenta o grfico boxplot da produtividade de soja.
envelopes simulados, apresentados na Figura 10. Na anlise dos envelopes simulados deve
haver ao menos um ponto do semivariograma fora do envelope. Se isso ocorrer rejeita-se a
hiptese nula, de que no h dependncia espacial.
estimao. Observa-se que o maior raio de dependncia espacial obtido com o modelo
exponencial, com aproximadamente 389 m nos mtodos WLS1, ML e RML.
Tabela 7 - Modelos ajustados e parmetros obtidos do conjunto amostral completo
da produtividade de trigo [t ha-1]
Modelo
Mtodo
1
2
1 + 2
a
E(%)
OLS
359,4886 0,0000 0,4229
0,4229
0,00
WLS1
389,4457 0,0000 0,4373
0,4373
0,00
Exponencial
ML
389,4450 0,0166 0,3518
0,3684
4,51
RML
389,4452 0,0086 0,3848
0,3934
2,19
OLS
310,1955 0,0672 0,3392
0,4064
16,54
WLS1
311,3712 0,0669 0,3405
0,4074
16,42
Esfrico
ML
137,6487 0,0117 0,2611
0,2728
4,29
RML
141,7012 0,0105 0,2759
0,2864
3,67
OLS
276,7686 0,1300 0,2797
0,4097
31,73
WLS1
273,0037 0,1284 0,2787
0,4071
31,54
Gaussiano
ML
269,1884 0,1051 0,2961
0,4012
26,20
RML
302,6388 0,1056 0,4164
0,522
20,23
OLS: mnimos quadrados ordinrios, WLS1: mnimos quadrados ponderados, ML: mxima
verossimilhana, RML: mxima verossimilhana restrita, a: ancance, 1 : efeito pepita, 2 :
contribuio,
Esfrico
Gaussiano
OLS
WLS1
ML
RML
OLS
WLS1
ML
RML
OLS
WLS1
ML
RML
-0,002074
-0,002310
-0,001719
-0,002006
-0,002417
-0,002439
0,0005531
0,0002486
-0,001874
-0,001864
-0,002367
-0,003308
-0,002220
-0,0025460
-0,001899
-0,002238
-0,002660
-0,002689
0,0010620
0,0006794
-0,001957
-0,001948
-0,002709
-0,003882
0,3564242
0,3563375
0,3581258
0,3571692
0,3674936
0,3675304
0,3620052
0,3630399
0,3687667
0,3683358
0,3652186
0,3645614
0,9521044
0,9716647
0,9950070
0,9924911
0,9379480
0,9391278
0,9890566
0,9865988
0,9190851
0,9220606
1,0011898
1,0007248
12,78630
12,78598
12,84087
12,79904
13,43437
13,43475
13,10038
13,20557
13,54737
13,52683
13,41738
13,42031
EM : erro mdio, ER : erro mdio reduzido, DPEM :desvio padro do erro mdio, SER: desvio padro
dos erros reduzidos e EA: erro absoluto.
Figura 11 - (A) Grfico de diagnstico |Lmax|; (B) Localizao dos pontos influentes
na rea monitorada.
Verifica-se que as observaes 12 e 18 foram consideradas influentes e podem
mudar algum tipo de deciso na construo de modelos geoestatsticos e/ou na construo
dos mapas temticos. A Figura 11 (B) apresenta a localizao dos pontos influentes na rea
monitorada. A amostra no 12 refere-se a uma produtividade de 2,40 t ha-1 e a amostra no 18
representa um elemento amostral com produtividade de 0,55 t ha-1. Desta forma, optou-se
por fazer uma nova anlise variogrfica retirando os dois pontos considerados influentes e
verificando de que maneira eles afetam a anlise espacial. A Figura 12 apresenta o
semivariograma experimental da produtividade de trigo gerado sem os dois pontos
influentes. Destaca-se um comportamento semelhante quando comparado com o
semivariograma que foi construdo com todos os pontos amostrais na Figura 9.
ER mais prximos de zero, menores valores para o DPEM , valores de SER mais prximo de
um e o menor erro absoluto. Analisando a Tabela 10, optou-se por escolher o gaussiano
RML como o modelo que melhor se ajusta ao semivariograma experimental gerado com o
conjunto de dados composto de 48 elementos amostrais.
Tabela 10 - Validao cruzada para a produtividade de trigo [t ha-1] sem as
amostras influentes
Modelo
Mtodo
DPEM
SER
EA
EM
ER
Exponencial
Esfrico
Gaussiano
RML
OLS
WLS1
ML
RML
OLS
WLS1
ML
RML
0,0009800
0,0010440
0,0011600
0,0037200
0,0036180
0,0007296
0,0007271
0,0026980
0,0019660
0,0017480
0,0018390
0,0021600
0,0057110
0,0055120
0,0015100
0,0015100
0,0048850
0,0036590
0,3053484
0,2974865
0,2918369
0,3017940
0,3026852
0,3222009
0,3221772
0,2720037
0,2723834
0,9413290
0,8996713
0,9390484
0,9260413
0,9203176
0,9596583
0,9614916
1,0011951
0,9993793
10,76085
10,42330
10,26458
10,74068
10,77810
11,35211
11,35204
9,813561
9,73965
EXP: exponencial, ESF: esfrico, GAUSS: gaussiano, EM : erro mdio, ER : erro mdio
reduzido, DP EM :desvio padro do erro mdio, SER: desvio padro dos erros reduzidos e EA: erro
absoluto.
Total
18,84
18,54
Observa-se na Tabela 12 que a produo total estimada pelo mapa padro foi de
18,84 toneladas, 350 quilos superior produo real, que foi de 18,49 toneladas e a
produo total estimada utilizando o mapa modelo foi de 18,54 toneladas, 50 quilos superior
produo real. Diante desta observao, destaca-se que a retirada dos pontos influentes
foi de grande importncia na anlise, pois permitiu estimar a produo com maior preciso.
A diagonal principal da matriz dos erros da Tabela 11 indica a quantidade de pixels
classificados identicamente nos dois mapas. Estes elementos permitem calcular a exatido
global (EG), uma das primeiras medidas de acurcia que pode ser utilizada na comparao
dos mapas. Da Tabela 11 tem-se que EG = 0,76 ou seja, a exatido global foi de 76 %. Este
valor tambm indica que os mapas temticos apresentam diferenas, pois de acordo com
ANDERSON et al. (1976), o nvel mnimo de preciso aceitvel de 85 %. A acurcia pode
ser investigada para cada classe individualmente por meio da anlise dos ndices de
acurcia de usurio e de produtor, apresentados na Tabela 13.
Tabela 13 ndices de acurcia de usurio (AU) e produtor (AP)
C1:[0,371;0784)
AUi
APi
0,6432
0,9032
0,8654
0,7155
0,7863
0,8197
0,6210
0,7097
0,8143
0,6948
2 ( K )
IC(K, 95%)
0,00084
[0,63; 0,75]
O ndice Tau obtido da matriz dos erros considerando a igualdade das probabilidades
a priori para cada classe foi 0,70, que apesar de ser superior ao ndice Kappa, tambm
indica uma semelhana muito boa entre os mapas temticos da produtividade de trigo. A
Tabela 15 apresenta os elementos das matrizes de confuso da classe Ck, que so
utilizados para calcular mtricas adicionais, proporcionando uma investigao mais
detalhada.
Tabela 15 Elementos (pixels) da matriz de confuso da
classe Ck
Ck
ak
bk
ck
dk
C1
485
281
52
4605
C2
1202
187
478
3556
C3
1218
331
268
3606
C4
616
376
252
4179
C5
592
135
260
4436
C1:[0,371;0,784)
C2:[0,784;1,198)
C3:[1,198;1,611)
C4:[1,611;2,024)
C5:[2,024;2,437]
0,9032
0,7155
0,8197
0,7097
0,6948
0,9425
0,9500
0,9159
0,9175
0,9705
0,0575
0,0500
0,0841
0,0825
0,0295
0,0968
0,2845
0,1803
0,2903
0,3052
S k: Sensibilidade, Ek: Especificidade, TFPk : Taxa de falso positivo e TFNk: Taxa de falso negativo
falso
verdadeiro
a = 4113
b = 1310
falso
c = 1310
d = 20382
CONCLUSO
A anlise geoestatstica permitiu identificar com preciso o comportamento da
produtividade de trigo na regio monitorada e com isso, a estimao da produo de trigo
ficou muito prxima a produo real. Destaca-se a validao cruzada como excelente
tcnica para escolher o modelo que melhor se ajusta ao semivariograma experimental.
Destaca-se que a preciso da estimao da produtividade de trigo deu-se pelo fato
de ter sido retirado dois elementos amostrais detectados como influentes. Assim, conclui-se
que a metodologia dos diagnsticos de fundamental importncia em estudos de
geoestatstica.
Os resultados mostraram que as mtricas derivadas da matriz dos erros so uma
excelente opo para realizar comparao entre mapas temticos, pois fornecem valores
globais e ainda permitem fazer comparaes por classes.
REFERNCIAS
ANDERSON, J. R. et al. A land use and land cover classification system for use with remote
sensor data. Geological Survey Professional Paper 964. Washington: USGS. 1976. 41 p.
BERRY, J. K. Cartographic modeling: the analytical capabilities of GIS. In: Goodchild, M;
Parks, B. O.; STEYAERT, L. T. Environmental modelling with GIS, New York, Oxford
University Press. 1993. 488 p.
BORSSOI, J. A. ; URIBE-OPAZO, M. A ; GALEA, M. Diagnostic techniques applied in
geostatistics for agricultural data analysis. Revista Brasileira de Cincia do Solo, Viosa,
v. 33, n.6, p. 1561-1570, 2009.
CAMBARDELLA, C. A.; MOORMAN, T. B.; NOVAK, J. M.; PARKIN, T. B.; KARLEN, D. L.; TURCO,
R. F.; KONOPKA, A. E. Field-scale variability of soil properties in central Iowa soils. Soil Science
Society America Journal, Madison, v.58, n.5, p.1501-1511, 1994.
CARVALHO, L. P.; URIBE-OPAZO, M. A.; JOHANN, J. A.; SOUZA, E. G. Estudo da
anisotropia na variabilidade espacial em propriedades qumicas do solo. Revista Brasileira
de Cincia do Solo, v.32, n.6, p.2217-2226, 2008.
CHRISTENSEN, R.; JOHNSON, W.; PEARSON, L. Covariance function diagnostics for
spatial linear models. International Association for Mathematical Geology, New York, v.
25, n.2, p.145-160, 1993.
CLARK, I. Pratical geostatistics. England: Applied Science Publishers, 1979. 129 p.
COHEN, J. A. A coefficient of agreement for nominal scales. Educational and
Psychological Measurement, v.20, p.37-46, 1960.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data:
principles and practices. New York: Lewis Publishers, 136p., 1999. 136 p.
COOK, R. D. Assessment of local influence (with discussion). Journal of the Royal
Statistical Society, Series B, London, v.48, p.133-169, 1986.
CRESSIE, N. Fitting variogram models by weighted least squares. Mathem. Geol., n.17, p.
563-586, 1985.
CRESSIE, N. Statistics for spatial data. New York: Jonh Wiley. 900p., 1993.
CRESSIE, N.; LAHIRI, S.N. Asymptotics for REML estimation of spatial covariance
parameters. Journal of Statistical Planning and Inference, p.327-341, 1996.
DIGGLE, P. J.; RIBEIRO JR, P. J. Model Based Geostatistics. New York: Springer. 2007.
230 p.
ROWLINSON, B.S.; DIGGLE, P. J. Splancs: Spatial Point Pattern Analysis Code in S-Plus.
Technical Report 92/63, Lancaster University, U.K, 1992.
SOARES, A. Geoestatstica para as Cincias da Terra e do Ambiente. Coleo Ensino
da Cincia e Tecnologia, n 9, Lisboa, IST Press. 2000. 206 p.
TOMLIN, C. D. Geographic Information Systems and Cartographic Modelling. PrenticeHall, Inc. New Jersey. 1990. 249 p.
TRANGMAR, B.B.; YOST, R.S.; WADE, M.K.; UEHARA, G. Applications of geostatistics to
spatial studies of soil properties. Advances in Agronomy, v.38, p.45-94, 1985.
VIEIRA, S.R.; HATFIELD, J.L.; NIELSEN, D.R.; BIGGAR, J.W. Geostatistical theory and
application to variability of some agronomical properties. Hilgardia, v.51, n.3, p.1-75, 1983.
VIEIRA, S. R. Geoestatstica em estudos de variabilidade espacial do solo. In: NOVAIS, R.
F.; ALVAREZ V., V. H.; SCHAEFER, C. E. (Ed.) Tpicos em cincia do solo. Viosa:
Sociedade Brasileira de Cincia do Solo, p. 1-54, 2000.
WEBSTER, R.; OLIVER, M.A. Statistical Methods in Soil and Land Resource Survey.
Oxford University Press, Oxford, 1990. 316 p.
3.1
INTRODUO
O avano da informtica proporciona, a cada dia, o acesso a novas tecnologias que
podem ser utilizadas na agricultura, resultando em grande fonte de informao para todos.
Uma destas tecnologias consiste na criao e explorao de mapas que descrevam o
comportamento de um atributo em determinada regio, como, por exemplo, os bairros de
uma cidade, os municpios de um estado ou at mesmo os estados de um pas. Os
Sistemas de Informao Geogrfica ou SIGs como so conhecidos, realizam tais tarefas,
pois so softwares que permitem a criao, manipulao e extrao de informaes de
bases de dados geogrficos.
A utilizao de tcnicas estatsticas que fazem uso explicito da localizao dos
fenmenos um recurso que vem ganhando destaque na comunidade cientfica pela
diversidade de suas aplicaes. Um dos casos pioneiros em que se incorporou a localizao
espacial em uma investigao aconteceu em 1854, em Londres, em que o mdico britnico
Johw Snow, ao marcar em uma mapa a localizao dos casos de clera e das torres de
gua, conseguiu identificar o local contaminado e acabar com a epidemia.
Porm,
mesmo
com
crescente
disponibilidade
de
bases
de
dados
3.2
espacial dos objetos (BAILEY & GATRELL, 1995). Dado um conjunto de n reas {A1, A2,...,
An}, constri-se a matriz W de ordem nxn onde cada um dos elementos wij representa uma
medida de proximidade entre Ai e Aj. Essa medida de proximidade pode ser calculada a
partir de um dos seguintes critrios:
i) wij = 1, se o centride de Ai est a uma determinada distncia de Aj; caso contrrio
wij = 0; para i j = 1,...,n.
ii) wij = 1, se Ai compartilha um lado comum com Aj, caso contrrio wij = 0; para i j =
1,...,n.
iii) wij = l ij/l i, onde lij o comprimento da fronteira entre Ai e Aj e li o permetro de Ai;
para i j = 1,...,n.
Ao utilizar matrizes de proximidade espacial que considerem a contiguidade,
importante convencionar as formas de vizinhana. Para tanto, os critrios so baseados em
movimentos de algumas peas do jogo de xadrez, como a rainha, torre e bispo. Por
exemplo, a Figura 16 apresenta os critrios de vizinhana para identificar os vizinhos da
rea J. Na Figura 16 (A) o critrio adotado o rainha Queen, o seja, todas as reas que
tiverem interseo no nula com a rea J sero vizinhas da rea J. Na Figura 16 (B)
apresentado o critrio torre Rook, em que os vizinhos sero apenas aqueles que tiverem
um lado em comum. Para o critrio bispo Bishop, apenas as reas que se localizam nas
diagonais so consideradas vizinhas (Figura 16 (C)).
Figura 16 Representao dos tipos de contiguidade entre reas. (A) Contiguidade Queen
rainha, (B) Contiguidade Rook torre e (C) Contiguidade Bishop bispo.
A idia da matriz de proximidade espacial pode ser generalizada para vizinhos dos
vizinhos, e isso caracteriza a ordem da matriz. Por exemplo, considerando o critrio de
vizinhana Rook e uma matriz de ordem 2, os vizinhos de F, I, N e K tambm seriam
considerados vizinhos de J. Como a matriz de proximidade utilizada em clculos de
indicadores na fase de anlise exploratria, muito til normalizar suas linhas, para que a
soma dos pesos de cada linha seja igual a 1. Isto simplifica os clculos de ndices de
autocorrelao espacial.
no espao. Caso esta estatstica seja negativa, ento pode-se esperar que uma regio
qualquer que apresente um valor elevado ou (baixo) para uma dada varivel, dever estar
cercada de regies cujos valores para esta mesma varivel devem ser baixos ou (elevados).
O ndice global de Moran indicado na Equao (36):
I = ( wij ( xi x )( x j x )) /( ( xi x ) 2 )
i =1 j =1
(36)
i =1
O mesmo clculo feito para matrizes de proximidade de maior ordem permite estimar
a funo de autocorrelao para cada ordem de vizinhana (ou lag). Para testar a
significncia do ndice I de Moran, utiliza-se uma distribuio de referncia aleatorizando os
valores do atributo estudado nas reas e calcula-se um novo valor do ndice para cada
permutao feita, permitindo a realizao do seguinte teste de hipteses: H0: = 0, que
representa a hiptese nula de ausncia de correlao espacial versus a hiptese alternativa
H1: 0. Se o nvel descritivo (p-valor) for menor que o nvel de significncia estipulado
(usualmente 0,05 de probabilidade) rejeita-se a hiptese nula de ausncia de correlao
espacial. Ao contrrio, se o nvel descritivo for maior que o nvel de significncia, no se
rejeita a hiptese nula.
O ndice I de Moran tambm pode ser definido em funo do vetor de desvios e do
vetor de mdias ponderadas, ou seja:
I=
Z t Wz
Zt Z
(37)
I i = z i Wz i / 2
(38)
em que:
3.3
MATERIAL E MTODOS
3.3.1 Material
A anlise de um conjunto de dados reais ser efetuada com o propsito de ilustrar a
aplicao das tcnicas de estatstica espacial de reas. Para criao do banco de dados
espaciais, ser utilizado um shapefile dos municpios da regio Oeste do Estado do Paran
(Figura 19).
(39)
3.3.2 Metodologia
A Figura 20 mostra o roteiro de anlise que ser trabalhado com ndices de
vegetao. Ser feita uma anlise exploratria dos ndices de vegetao e posteriormente,
ser criada a matriz queen de proximidade espacial referente ao shapefile da Regio Oeste
do Paran. Sero calculados ndices de correlao espacial global e local e confeccionados
diagramas de espalhamento de Moran, Lisa Maps e Moran Maps.
3.4
RESULTADOS E DISCUSSO
A Figura 21 apresenta a evoluo temporal do ndice NDVI. Os intervalos foram
definidos agrupando os valores de NDVI de todas as datas para obter o mximo (0,8750) o
mnimo (0,2609) e a amplitude geral (0,61403) dos ndices. Posteriormente, dividiu-se a
amplitude geral pelo nmero de classes desejado (5) para obter o intervalo de classe.
plantio, visto que alguns municpios tm seus ciclos mais tardios que os outros. A Figura 22
apresenta a evoluo temporal do ndice GVI, em que as classes foram calculadas de
maneira anloga ao ndice NDVI. A evoluo temporal do ndice GVI apresenta um
comportamento semelhante evoluo do ndice NDVI, no que diz respeito relao com o
ciclo fenolgico da cultura da soja, pois nas datas iniciais os valores so baixos e nas finais
os valores so altos. Destaca-se certa insensibilidade do ndice em 23/11/04, pois, como
97,22 % dos municpios encontram-se no primeiro intervalo da legenda, no se pode
identificar quais municpios apresentam um plantio antecipado.
A Tabela 20 apresenta o ndice I de Moran dos ndices de vegetao NDVI e GVI
com seu respectivo nvel descritivo (p-valor) referente hiptese de falta de correlao
espacial. Nesta anlise est sendo considerada que os dados apresentam uma distribuio
normal. Para cada data foram geradas distribuies empricas, por meio de 99 permutaes
ndice
NDVI
GVI
correlaes espaciais positivas dos ndices NDVI e GVI, nas datas monitoradas, so
significativas. Comparando o ndice I de Moran dos ndices de vegetao NDVI e GVI,
destaca-se que o comportamento de ambos semelhante, porm, nas trs primeiras datas
monitoradas os ndices calculados com o NDVI so superiores aos calculados com o GVI,
fato esse que se inverte nas duas ltimas datas, em que o ndice I de Moran do GVI mais
elevado. A Figura 23 apresenta os diagramas de espalhamento de Moran dos ndices NDVI
e GVI em 23/11/2004, 25/12/2004 e 11/02/2005. Primeiramente, destaca-se o coeficiente
angular da reta de regresso de Wz versus Z, que representa o ndice I de Moran.
encontra-se nos quadrantes AA e BB, tanto para o ndice NDVI quanto para o GVI, o que
evidencia a correlao espacial positiva. Considerando os diagramas em 25/12/04, verificase que os municpios, que anteriormente se localizavam nos quadrantes AA e BB, comeam
a se distribuir nos demais quadrantes, evidenciando um perodo de transio. Este
comportamento devido ao fato que nas regies em que os ndices so altos, alguns
municpios comeam a apresentar ndices menores, em virtude de estarem passando do
pico vegetativo. Em contrapartida, municpios que iniciaram o plantio posteriormente,
comeam a apresentar valores elevados, em virtude de estarem no estgio de maior
utilizao de um ndice que produza um valor especfico para cada municpio, o que vai
permitir a identificao de agrupamentos. A Tabela 20 apresenta os ndices locais de
associao espacial (LISA) do ndice NDVI para todas as datas monitoradas acompanhados
de sua classificao quanto significncia estatstica.
Tabela 20 ndice local de associao espacial (LISA) do ndice NDVI
Municpios
23/11/04
09/12/04
25/12/04
26/01/05
11/02/05
Anahy
Araruna
Assis Chateaubriand
Boa esperana
Braganey
Cafelndia
Campina da Lagoa
Campo Bonito
Campo Mouro
Cascavel
Corblia
Corumbata do Sul
Farol
Formosa do Oeste
Goioer
Iguatu
Iracema do Oeste
Janipolis
Jesutas
Juranda
Luiziana
Mambor
Marip
Nova Aurora
Nova Cantu
Ouro Verde do Oeste
Palotina
Peabiru
Quarto Centenrio
Rancho Alegre dOeste
Santa Tereza do Oeste
So Pedro do Iguau
Toledo
Tuneiras do Oeste
Tupssi
Ubirat
0,85
1,57
-0,14
1,51
0,79
0,22
0,28
0,12
0,87
1,07
0,53
0,40
1,35
0,35
0,78
0,25
0,54
1,15
0,34
0,29
0,13
0,28
0,85
0,02
-0,05
1,17
0,52
0,82
0,33
0,79
0,91
0,68
1,22
0,77
0,59
0,14
ns
*
*
**
*
ns
ns
*
**
**
*
ns
**
*
*
**
ns
**
ns
ns
ns
ns
*
ns
ns
ns
ns
*
ns
*
*
*
**
**
ns
ns
0,14
1,14
1,06
0,94
0,00
0,02
-0,11
0,03
0,42
0,57
0,05
0,03
0,78
0,02
0,56
0,29
0,09
1,34
-0,03
0,43
0,20
0,26
2,91
-0,01
-0,16
2,76
2,61
0,31
0,06
0,12
1,72
1,59
2,68
1,59
1,13
0,05
ns
*
**
*
ns
ns
ns
ns
*
*
ns
ns
**
ns
ns
ns
ns
**
ns
ns
ns
ns
**
ns
ns
*
*
ns
ns
*
**
**
**
**
*
ns
0,97
0,74
0,06
0,45
-0,01
-0,08
0,08
0,43
0,68
-0,01
0,18
0,84
0,32
1,58
0,86
0,50
1,73
0,01
1,66
0,54
0,08
0,45
-0,02
0,03
-0,36
0,11
-0,06
1,77
0,40
-0,11
1,01
0,47
-0,11
-0,35
-0,14
0,32
ns
ns
ns
ns
ns
ns
ns
ns
**
ns
ns
**
ns
**
ns
*
*
ns
*
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
*
ns
ns
ns
ns
ns
0,93
0,67
-0,01
1,13
1,15
1,39
0,00
0,98
0,56
0,93
1,36
0,27
0,77
0,00
0,64
1,24
0,11
1,42
0,09
0,48
0,36
0,75
0,00
0,24
0,70
-0,26
0,00
-0,42
0,22
0,92
0,85
0,24
-0,20
1,92
0,53
-0,02
*
*
ns
**
**
*
ns
ns
ns
**
**
ns
**
ns
*
**
ns
**
ns
*
*
**
ns
*
ns
ns
ns
*
ns
*
ns
ns
ns
*
ns
ns
-0,02
0,91
1,53
1,39
-0,03
0,62
0,16
-0,02
1,07
0,72
0,13
0,36
1,30
-0,18
-0,57
0,02
-0,09
0,73
0,12
0,69
1,54
1,28
2,70
0,35
0,96
0,10
3,03
0,54
-0,01
0,32
0,32
-0,06
1,80
0,91
2,32
0,00
ns
**
**
**
ns
*
ns
ns
**
*
ns
ns
**
ns
ns
ns
ns
*
ns
**
**
**
**
ns
*
ns
*
ns
ns
ns
*
ns
**
**
**
ns
0,31
0,87
-0,18
1,67
0,66
0,12
0,20
1,90
0,66
0,92
0,25
-1,05
1,31
0,09
0,71
-0,01
0,48
1,11
0,36
0,62
0,38
0,59
0,74
0,07
-0,12
0,84
0,40
0,27
0,45
1,04
0,55
0,50
0,82
0,56
0,30
0,00
ns
*
ns
**
*
ns
ns
*
*
**
ns
ns
**
*
*
ns
ns
**
ns
*
ns
*
*
ns
ns
ns
ns
ns
ns
**
*
ns
*
*
ns
ns
0,11
1,27
1,11
0,44
-0,04
0,06
-0,06
0,10
0,64
0,42
0,01
-0,08
0,43
0,08
0,28
0,11
0,26
0,48
-0,02
0,23
0,65
0,37
4,38
0,00
0,10
1,47
4,51
0,50
0,05
0,04
0,71
0,77
2,36
1,02
1,14
-0,07
ns
*
**
ns
ns
ns
ns
ns
**
ns
ns
ns
**
ns
ns
ns
ns
*
ns
ns
ns
*
**
ns
ns
ns
*
*
ns
ns
*
*
**
*
*
ns
1,06
0,23
0,08
-0,13
-0,04
0,46
0,02
0,33
-0,01
-0,33
0,60
-0,41
0,36
0,64
1,29
0,51
0,38
0,28
0,29
0,15
-0,45
0,01
0,97
0,14
-0,72
0,00
0,94
-0,37
0,07
-0,19
0,30
-0,12
-0,02
0,79
0,46
0,59
*
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
*
**
ns
*
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
ns
*
ns
ns
0,26
3,18
0,50
0,28
0,55
1,11
-0,04
0,41
1,51
0,97
0,96
2,00
1,22
0,02
0,16
0,49
0,50
0,64
0,73
-0,05
0,44
0,28
0,37
0,45
0,46
-0,29
0,59
2,09
-0,04
-0,06
0,86
0,17
-0,11
2,74
0,77
0,03
ns
**
*
ns
*
*
ns
ns
**
**
**
*
**
ns
ns
ns
ns
ns
ns
ns
ns
*
ns
**
ns
ns
ns
**
ns
ns
ns
ns
**
**
*
ns
0,20
0,43
1,96
2,09
-0,06
0,15
0,08
-0,02
0,89
0,39
0,05
-0,12
1,54
0,12
0,10
0,15
-0,08
1,16
0,42
0,74
1,96
1,69
2,55
0,54
0,95
0,06
3,05
0,07
-0,03
0,56
0,01
-0,06
1,45
0,70
1,89
0,01
ns
*
**
**
ns
*
ns
ns
**
ns
ns
ns
**
ns
ns
ns
ns
**
ns
*
**
**
**
*
*
ns
*
ns
ns
*
ns
ns
**
*
**
ns
indica os
municpios com ndice baixo. Este comportamento se inverte na ltima data monitorada, o
que deixa claro que a soja no cultivada no mesmo perodo na regio Oeste do Paran,
pois enquanto na regio de Cascavel (10) o desenvolvimento da cultura encontra-se no
estdio de maturao, a soja na regio Norte ainda est no estdio de enchimento das
vagens, atingindo o seu pico vegetativo. A Figura 27 apresenta o LISA cluster map
elaborado com base no ndice GVI.
de GVI, verifica-se que a cidade de Toledo (33) apresenta um valor baixo, indicando que
neste municpio a soja encontra-se em um estdio menos desenvolvido que nos demais.
3.5
CONCLUSO
Os resultados mostraram que a estatstica espacial de reas uma boa alternativa
para estudar o comportamento espectral da cultura da soja, pois ela permite identificar
regies com caractersticas semelhantes, o que por sua vez serve de informao para os
participantes da cadeia produtiva da soja, permitindo que produtores, cooperativas,
consumidores e demais membros da cadeia produtiva da soja fiquem mais informados e
possam traar melhor seus planos para o fortalecimento da cultura.
REFERNCIAS
ANSELIN, L. Local Indicators of Spatial Association--LISA. Geographical Analysis vol. 27,
p. 93-115, 1995.
ANSELIN, L. The Moran scatterplot as ESDA tool to assess local instability in spatial
association. In: Fisher, M.; Scholten, H. J.; Unwin, D. Spatial Analytical Perspectives on
GIS. London: Taylor & Francis, p. 111-126, 1996.
ANSELIN, L. Exploring Spatial Data with GeoDa: a Workbook, Urbana-Champaign, 2005.
244 p.
BAILEY, T. C.; GATRELL, A. C. Interactive Spatial Data Analysis. Essex: Longman. 1995.
432 p.
CMARA, G.; MONTEIRO, A. M.; DRUK, S.; CARVALHO, M. Anlise espacial de dados
geogrficos. Planaltina, DF: Embrapa Cerrados. 2004. 209 p.
CRIST E.P.; CICONE C.C. A Physically-Based transformation of Thematic Mapper data
The TM Tasseled Cap. Transactions on Geosciences and Remote Sensing, v.GE-22,
n.3. p. 256 263. 1984.
KLERING, E. V.; CUSTDIO, M. S.; FONTANA D. C.; BERLATO, M. A. Relao entre os
perfis temporais de NDVI/MODIS da cultura do arroz irrigado, a insolao e o
rendimento na regio da Campanha do Rio Grande do Sul. In: Simpsio Brasileiro de
Sensoriamento Remoto (SBSR), 8, Florianpolis, 2007.
MERCANTE, E. Dinmica Espectral da Cultura da Soja ao Longo do Ciclo Vegetativo e
sua Relao com a Produtividade na Regio Oeste do Paran. Tese de Doutorado.
FEAGRI UNICAMP. Campinas. 2007. 221 p.
MORAN, P.A.P. Notes on continuous stochastic phenomena. Biometrika, v.37, p. 1723,
1950.
NETER, J.; WASSERMAN, W. Applied Linear Statistical Models: regression, analysis of
variance and experimental designs. Ilinois: Richard D.Irwin, Inc. 1974. 842 p.
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation
systems in the great plains with ERTS. In: Earth Resources Technology Satellite 1
Symposium, 3., Washington, D. C., 1973. Proceedings. Washington, D. C.: NASA. Goddart
Space Flight Center, v. 1, p. 309-317. (NASA SP-351).1973.
SERRANO, R. M.; VALCARCE, E. V. Tcnicas economtricas para el tratamiento de
datos espaciales: la econometra espacial. 1 ed. Barcelona: Ediciones de la Universitat de
Barcelona. 2000. 158 p.
SONG, C.; WOODCOCK, C. E. Monitoring Forest Succession with Multitemporal Landsat
Images: Factors of Uncertainty. Transactions on Geosciences and Remote Sensing, v.
41, n.11, nov., p. 2557 2567. 2003.
Livros Grtis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administrao
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Cincia da Computao
Baixar livros de Cincia da Informao
Baixar livros de Cincia Poltica
Baixar livros de Cincias da Sade
Baixar livros de Comunicao
Baixar livros do Conselho Nacional de Educao - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Domstica
Baixar livros de Educao
Baixar livros de Educao - Trnsito
Baixar livros de Educao Fsica
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmcia
Baixar livros de Filosofia
Baixar livros de Fsica
Baixar livros de Geocincias
Baixar livros de Geografia
Baixar livros de Histria
Baixar livros de Lnguas