Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos

Detalhes bibliográficos
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/
Resumo: 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.
id USP_f8f73f881eaeef7ee9454e3e91c87706
oai_identifier_str oai:teses.usp.br:tde-11032020-114024
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Modelos lineares generalizados espaciais mistos aplicados em estudos de insetosSpatial generalized linear mixed models applied in insects studiesAnálise espaço-temporalDependência espacialExperimental unitImputação múltiplaMultiple imputationParcelaPlotProduçãoProductionSpatial dependenceSpatio-temporal analysisUnidade experimentalExperimentos 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.Experiments are tools commonly used to compare or improve some variety of a particular production culture. Corn, sugar cane, coffee and orange are some examples of cultures that are studied. In particular, maize is a subsidy for human and animal food in the form of feed. And like all large-scale production, it is liable to the presence of diseases and pests. Therefore, the monitoring of these crops are important actions for prevention and control. Thus, collections from the same sample, in certain periods, end up becoming routine and generate what we call a time series and an adequate analysis must be made, which many times researchers in applied areas do not do. Therefore, a space-time analysis will be approached with the use of an inflated Poisson distribution of zeros (ZIP) for modeling the trend component, in addition to the use of a space-time variogram to capture the effect not explained by this model. An entire chapter will serve as a basis to these professionals. It is also common in field experiments to have losses of observational units, plots or even entire lines due to various factors that are not or cannot be controlled. In this sense, imputation methods are valuable alternatives to fill the value of one or more samples that have been lost. Using multiple imputation methods already known in the literature, such as MICE and multiple Hotdeck, in addition to the spatial interpolation SGLMM model, the idea was to provide coherent loss scenarios and compare the different imputation methods. The difference, in relation to what already exists in the literature, is that we now take into account the spatial dependence between the samples. It was verified in the first article that within the sample, MICE performed close to SGLMM, all methods showed difficulties in forecasting, SGLMM presented better extrapolation performance and multiple Hotdeck showed better performance in borderline losses. In the second article, it was found that uncultivated habitats can favor the abundance of pests, as pest colonies began to appear and increase, there was an increase in natural enemies that left adjacent forest areas and that flies can serve as a biological indicator in crop control to mitigate the use of agrochemicals in production crops.Biblioteca Digitais de Teses e Dissertações da USPDias, Carlos Tadeu dos SantosMello, Marcello Neiva de2020-01-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/11/11134/tde-11032020-114024/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2020-03-13T15:42:02Zoai:teses.usp.br:tde-11032020-114024Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-03-13T15:42:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
Spatial generalized linear mixed models applied in insects studies
title Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
spellingShingle Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
Mello, Marcello Neiva de
Análise espaço-temporal
Dependência espacial
Experimental unit
Imputação múltipla
Multiple imputation
Parcela
Plot
Produção
Production
Spatial dependence
Spatio-temporal analysis
Unidade experimental
title_short Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
title_full Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
title_fullStr Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
title_full_unstemmed Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
title_sort Modelos lineares generalizados espaciais mistos aplicados em estudos de insetos
author Mello, Marcello Neiva de
author_facet Mello, Marcello Neiva de
author_role author
dc.contributor.none.fl_str_mv Dias, Carlos Tadeu dos Santos
dc.contributor.author.fl_str_mv Mello, Marcello Neiva de
dc.subject.por.fl_str_mv Análise espaço-temporal
Dependência espacial
Experimental unit
Imputação múltipla
Multiple imputation
Parcela
Plot
Produção
Production
Spatial dependence
Spatio-temporal analysis
Unidade experimental
topic Análise espaço-temporal
Dependência espacial
Experimental unit
Imputação múltipla
Multiple imputation
Parcela
Plot
Produção
Production
Spatial dependence
Spatio-temporal analysis
Unidade experimental
description 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.
publishDate 2020
dc.date.none.fl_str_mv 2020-01-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/11/11134/tde-11032020-114024/
url http://www.teses.usp.br/teses/disponiveis/11/11134/tde-11032020-114024/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256857000804352