Técnicas de diagnósticos em modelos espaciais lineares gaussianos

Detalhes bibliográficos
Autor(a) principal: Borssoi, Joelmir André
Data de Publicação: 2007
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações do UNIOESTE
Texto Completo: http://tede.unioeste.br:8080/tede/handle/tede/276
Resumo: 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.
id UNIOESTE-1_d4a6f8b30e53deb66ccce880df5862de
oai_identifier_str oai:tede.unioeste.br:tede/276
network_acronym_str UNIOESTE-1
network_name_str Biblioteca Digital de Teses e Dissertações do UNIOESTE
repository_id_str
spelling Opazo, Miguel Angel UribeCPF:13761312857http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4746318E8Nóbrega, Lúcia Helena PereiraCPF:00921380801http://lattes.cnpq.br/9106840210671906Souza, Eduardo Godoy deCPF:04584214808http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721691H5CPF:03829082959http://lattes.cnpq.br/6054221596474652Borssoi, Joelmir André2017-05-12T14:47:42Z2008-06-272007-12-04BORSSOI, Joelmir André. DIAGNOSTICS TECHNIQUES IN SPATIAL LINEAR GAUSSIANS MODELS. 2007. 168 f. Dissertação (Mestrado em Engenharia) - Universidade Estadual do Oeste do Parana, Cascavel, 2007.http://tede.unioeste.br:8080/tede/handle/tede/276Tracking 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: 2007-12-04Conselho Nacional de Desenvolvimento Científico e Tecnológicoapplication/pdfporUniversidade Estadual do Oeste do ParanaPrograma de Pós-Graduação "Stricto Sensu" em Engenharia AgrícolaUNIOESTEBREngenhariaInfluência localgeoestatísticamáxima verossimilhançamáxima verossimilhança restritaLocal influencegeoestatisticmaximum likelihoodrestrict maximum likelihoodCNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLATécnicas de diagnósticos em modelos espaciais lineares gaussianosDIAGNOSTICS TECHNIQUES IN SPATIAL LINEAR GAUSSIANS MODELSinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações do UNIOESTEinstname:Universidade Estadual do Oeste do Paraná (UNIOESTE)instacron:UNIOESTEORIGINALJOELMIR ANDRE BORSSOI.pdfapplication/pdf1897222http://tede.unioeste.br:8080/tede/bitstream/tede/276/1/JOELMIR+ANDRE+BORSSOI.pdf4bfaafc0659eed32ceef8dc0fe90a8feMD51tede/2762017-05-12 11:47:42.443oai:tede.unioeste.br:tede/276Biblioteca Digital de Teses e Dissertaçõeshttp://tede.unioeste.br/PUBhttp://tede.unioeste.br/oai/requestbiblioteca.repositorio@unioeste.bropendoar:2017-05-12T14:47:42Biblioteca Digital de Teses e Dissertações do UNIOESTE - Universidade Estadual do Oeste do Paraná (UNIOESTE)false
dc.title.por.fl_str_mv Técnicas de diagnósticos em modelos espaciais lineares gaussianos
dc.title.alternative.eng.fl_str_mv DIAGNOSTICS TECHNIQUES IN SPATIAL LINEAR GAUSSIANS MODELS
title Técnicas de diagnósticos em modelos espaciais lineares gaussianos
spellingShingle Técnicas de diagnósticos em modelos espaciais lineares gaussianos
Borssoi, Joelmir André
Influência local
geoestatística
máxima verossimilhança
máxima verossimilhança restrita
Local influence
geoestatistic
maximum likelihood
restrict maximum likelihood
CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
title_short Técnicas de diagnósticos em modelos espaciais lineares gaussianos
title_full Técnicas de diagnósticos em modelos espaciais lineares gaussianos
title_fullStr Técnicas de diagnósticos em modelos espaciais lineares gaussianos
title_full_unstemmed Técnicas de diagnósticos em modelos espaciais lineares gaussianos
title_sort Técnicas de diagnósticos em modelos espaciais lineares gaussianos
author Borssoi, Joelmir André
author_facet Borssoi, Joelmir André
author_role author
dc.contributor.advisor1.fl_str_mv Opazo, Miguel Angel Uribe
dc.contributor.advisor1ID.fl_str_mv CPF:13761312857
dc.contributor.advisor1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4746318E8
dc.contributor.referee1.fl_str_mv Nóbrega, Lúcia Helena Pereira
dc.contributor.referee1ID.fl_str_mv CPF:00921380801
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/9106840210671906
dc.contributor.referee2.fl_str_mv Souza, Eduardo Godoy de
dc.contributor.referee2ID.fl_str_mv CPF:04584214808
dc.contributor.referee2Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721691H5
dc.contributor.authorID.fl_str_mv CPF:03829082959
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/6054221596474652
dc.contributor.author.fl_str_mv Borssoi, Joelmir André
contributor_str_mv Opazo, Miguel Angel Uribe
Nóbrega, Lúcia Helena Pereira
Souza, Eduardo Godoy de
dc.subject.por.fl_str_mv Influência local
geoestatística
máxima verossimilhança
máxima verossimilhança restrita
topic Influência local
geoestatística
máxima verossimilhança
máxima verossimilhança restrita
Local influence
geoestatistic
maximum likelihood
restrict maximum likelihood
CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
dc.subject.eng.fl_str_mv Local influence
geoestatistic
maximum likelihood
restrict maximum likelihood
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
description 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.
publishDate 2007
dc.date.issued.fl_str_mv 2007-12-04
dc.date.available.fl_str_mv 2008-06-27
dc.date.accessioned.fl_str_mv 2017-05-12T14:47:42Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv BORSSOI, Joelmir André. DIAGNOSTICS TECHNIQUES IN SPATIAL LINEAR GAUSSIANS MODELS. 2007. 168 f. Dissertação (Mestrado em Engenharia) - Universidade Estadual do Oeste do Parana, Cascavel, 2007.
dc.identifier.uri.fl_str_mv http://tede.unioeste.br:8080/tede/handle/tede/276
identifier_str_mv BORSSOI, Joelmir André. DIAGNOSTICS TECHNIQUES IN SPATIAL LINEAR GAUSSIANS MODELS. 2007. 168 f. Dissertação (Mestrado em Engenharia) - Universidade Estadual do Oeste do Parana, Cascavel, 2007.
url http://tede.unioeste.br:8080/tede/handle/tede/276
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual do Oeste do Parana
dc.publisher.program.fl_str_mv Programa de Pós-Graduação "Stricto Sensu" em Engenharia Agrícola
dc.publisher.initials.fl_str_mv UNIOESTE
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Engenharia
publisher.none.fl_str_mv Universidade Estadual do Oeste do Parana
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do UNIOESTE
instname:Universidade Estadual do Oeste do Paraná (UNIOESTE)
instacron:UNIOESTE
instname_str Universidade Estadual do Oeste do Paraná (UNIOESTE)
instacron_str UNIOESTE
institution UNIOESTE
reponame_str Biblioteca Digital de Teses e Dissertações do UNIOESTE
collection Biblioteca Digital de Teses e Dissertações do UNIOESTE
bitstream.url.fl_str_mv http://tede.unioeste.br:8080/tede/bitstream/tede/276/1/JOELMIR+ANDRE+BORSSOI.pdf
bitstream.checksum.fl_str_mv 4bfaafc0659eed32ceef8dc0fe90a8fe
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do UNIOESTE - Universidade Estadual do Oeste do Paraná (UNIOESTE)
repository.mail.fl_str_mv biblioteca.repositorio@unioeste.br
_version_ 1811723333581930496