Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos

• Autor(a) principal: Mello, Marcello Neiva de
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/11/11134/tde-11032020-114024/
• topic: Análise espaço-temporal; Dependência espacial; Experimental unit; Imputação múltipla; Multiple imputation; Parcela; Plot; Produção; Production; Spatial dependence; Spatio-temporal analysis; Unidade experimental

Experimentos são ferramentas comumente utilizadas para comparar ou melhorar alguma variedade de determinada cultura de produção. Milho, cana-de-açúcar, café e laranja são alguns exemplos de culturas que muito são estudadas. Em particular, o milho é subsídio para alimentação humana e animal em forma de ração. E como toda produção em larga escala, está sujeita à presença de doenças e pragas. Portanto o monitoramento desses cultivos são ações importantes para prevenção e controle. Assim, coletas de uma mesma amostra, em determinados períodos acabam se tornado rotina e gera o que chamamos de série temporal e uma análise adequada deve ser feita, o que muitas vezes pesquisadores de áreas aplicadas não fazem. Portanto, uma análise espaço-temporal será abordada com a utilização de uma distribuição de Poisson inflacionadas de zeros (ZIP) para modelagem do componente de tendência, além da utilização de um variograma espaço temporal para captar o efeito não explicado por esse modelo. Um capítulo inteiro servirá de base à esses profissionais. É comum também em experimentos de campo existirem perdas de unidades observacionais, parcelas ou até mesmo de linhas inteiras por vários fatores que não são ou não podem ser controlados. Neste sentido, métodos de imputação são alternativas valiosas para preencher o valor de uma ou mais amostras que foram perdidas. Utilizando métodos de imputação múltipla já conhecidos na literatura como o MICE e o Hotdeck múltiplo, além do modelo de interpolação espacial SGLMM, a ideia foi fornecer cenários de perdas coerentes e comparar os diferentes métodos de imputação. O diferencial, em relação ao que já existe na literatura, é que agora levamos em conta a dependência espacial entre as amostras. Foi verificado no primeiro artigo que dentro de amostra, o MICE apresentou desempenho próximo ao SGLMM, todos os métodos apresentaram dificuldades de previsão, SGLMM apresenta melhor desempenho de extrapolação e Hotdeck múltiplo apresentou melhor desempenho em perdas limítrofes. No segundo artigo, verificou-se que habitats não cultivados podem favorecer a abundância de pragas, conforme colônias de pragas começaram a aparecer e a aumentar, houve o aumento de inimigos naturais que saíram de áreas adjacentes de floresta e que as moscas podem servir como indicador biológico no controle em culturas para amenizar o uso de agroquímicos nas lavouras de produção.