Geoestatística Aplicada à Agricultura de Precisão II Daniel Marçal de Queiroz Departamento de Engenharia Agrícola Universidade Federal de Viçosa
Geoestatística Aplicada à Agricultura de Precisão II
Daniel Marçal de QueirozDepartamento de Engenharia AgrícolaUniversidade Federal de Viçosa
Análise visual dos dados
A análise visual dos dados é um importante passo inicial para a análise de variabilidade especial
Pode revelar erros óbvios de localização dos dados ou chamar a atenção para dados errôneos
Dados coletados em malha irregular pode fornecer informações sobre como os dados foram coletados
Áreas em branco (sem dados) pode significar áreas de difícil acesso Áreas com uma malha concentrada de pontos pode indicar regiões de interesse
inicial A localização dos valores máximos e mínimos pode revelar certa tendência dos
dados
Análise visual dos dados(a)Localização dos menores valores da variável “V”
(b)Localização dos maiores valores da
variável “V”
Mapas de contorno
Tendências gerais podem ser reveladas em um mapa de contorno Geralmente os mapas de contorno são gerados por meio de
programas de computador Pontos a serem observados: localização dos máximos e mínimos;
regiões em que as linhas de contorno se encontram mais próximas; etc
Sistemas automáticos de geração de mapas de contorno a partir de malha irregular geralmente necessitam de processo de interpolação para obtenção de uma malha regular
Valores interpolados geralmente apresentam menor variabilidade que dados realmente coletados
Mapas de contorno
Mapa de contorno gerado a partir dos 100 valores selecionados da variável “V”.
Intervalos entre as linhas 10 ppm e faixa de 0 a 140 ppm.
Mapas simbólicos
Para conjunto de dados muito grandes a análise visual dos dados pode ser inviável e mapas de contorno pode mascarar muitos locais de interesse
Usando mapas simbólicos os dados são apresentados na forma de símbolos, cada símbolo representa uma faixa de valores
Mapas simbólicos
Mapa simbólico para os 100 valores da variável “V”
Mapas simbólicos
Mapa em tons de cinza para os 100 valores da variável “V”
Mapas indicadores
Mapas indicadores é um mapa simbólico em que é utilizado apenas dois símbolos
Por exemplo, pode-se usar quadrados brancos e pretos
Embora um mapa indicador possa parecer restritivo, quando se constrói uma série de mapas eles podem dar uma boa idéia do fator em análise
Mapas indicadores
Mapas indicadores para os 100 valores da variável “V”
Estatística aplicada a uma parte da malha
Mapa de contorno auxilia a localizar áreas em que o valor médio é anômolo
Estatística aplicada a uma parte da malha pode auxiliar a identificar areas cuja variabilidade é maior (heteroscesdasticity)
Área é dividida em muitas malhas de tamanho igual (janelas) e dentro dessa malha local os parâmetros da estatística simples são calculados
Janelas de formato retangular são geralmente usadas devido a melhor eficiência computacional
Estatística aplicada a uma parte da malha
•Exemplo de malha parcial com sobreposição para análise estatística
Estatística aplicada a uma parte da malha
•Estatística obtida para janelas defasadas de 2,00 m para os 100 valores da variável “V”.
•Valor superior corresponde à media e o valor inferior ao desvio padrão
Efeitos proporcionais
Anomalias na variabilidade local tem impacto na exatidão das estimativas
Se os valores são bem uniformes espera-se que a precisão dos valores estimados seja elevada
Se o valores apresentam grande variabilidade a precisão dos valores estimados é menor
Efeitos proporcionais
•Valor médio e variabilidade local.
•(a) valor médio e variabilidade constante.
•(b) tendência de modificação do valor médio e variabilidade constante.
• (c) valor médio constante e variabilidade com tendência de modificação.
• (d) tendência de mudança do valor médio e da variabilidade
Efeitos proporcionais
Gráfico do valor médio versus o desvio padrão para os 100 valores da variável “V”
Variabilidade espacial
Dois dados referentes a locais próximos tem maior chance de ter valor próximo que dois dados que são referentes a locais distantes
Gráficos de dispersão h
•Notação vetorial utilizada
•Gráfico de dispersão é feito entre o termo V(t) na abcissa e o termo V(t+h) na ordenada
h=(0,1) dados tomados em pares distantes de 1m na verticalh=(1,0) dados tomados em pares distantes de 1m na horizontalh=(1,1) dados tomados em pares distantes 1m na vertical e 1m na horizontal
Gráficos de dispersão h
•(a) h=(0,1)•(b) h=(1,1)
Gráficos de dispersão h
•Gráfico de dispersão analizando a dispersão na direção norte
A forma da nuvem de pontos fornece uma idéia de continuidade. À medida em que os dados se tornam descontínuos, a nuvem tende a “engordar” e tornar mais difusa
Funções de correlação, de covariância e variogramas
Quando a nuvem de dados torna-se “mais gorda” o coeficiente de correlação entre V(t) e V(t+h) diminui
O valor do coeficiente de correlação depende de h, sendo que h é um vetor portanto tem magnitude e direção
A função que descreve o comportamento entre o coeficiente de correlação e o vetor h é chamada de função de correlação ou correlograma (h)
Geralmente a função de correlação é analisada construíndo um gráfico de (h) versus h em uma dada direção
Funções de correlação, de covariância e variogramas
Uma outra forma de análise da continuidade é por meio da covariância.
A relação entre a covariância e o vetor h é chamada de função convariância C(h).
Funções de correlação, de covariância e variogramas
Uma outra forma de análise de quanto “gorda” é a nuvem de pontos é por meio do momento de inércia em torno da linha x=y. O momento de inércia é calculado por:
O momento de inércia de um par de pontos é a metade diferença entre as coordenadas x e y elevada ao quadrado.
O fator 2 da equação aparece porque se está interessado na distância do ponto até a reta x=y
A função que descreve a variação de (h) e h é chamada de semivariograma ou simplesmente variograma
n
iii yx
n 1
2
2
1
Funções de correlação, de covariância e variogramas
Embora o momento de inércia em torno da linha x=y não tenha um significado especial, o semivariograma tem pois trata-se do gráfico de uma variável em função dela própria
Se h=(0,0) os pontos cairão em cima da linha x=y
À medida que h aumenta, os pontos xi,yi vão se distanciando da linha x=y, portanto que o momento de inércia torna-se uma medida de quanto “gorda” está a nuvem de pontos
Funções de correlação, de covariância e variogramas
h
Coeficiente de Correlação
Covariância (ppm2)
Momento de Inércia (ppm2)
(0,1) 0,742 448,8 312,8 (0,2) 0,590 341,0 478,2 (0,3) 0,560 323,8 521,4 (0,4) 0,478 291,5 652,9
•Para os 100 valores da variável “V” obteve-se:
Funções de correlação, de covariância e variogramas
Gráfico da função de correlação, função de correlação e o semivariograma na direção norte para a variável “V”
Funções de correlação, de covariância e variogramas
Os três tipos de funções propostas para análise da continuidade espacial de uma dada variável são sensíveis a pontos completamente fora do comportamento esperado.
Na tabela abaixo é mostrado o valor do coeficiente de correlação para a mesma núvem de pontos excluindo-se um ponto
Coeficiente de correlação h
Todos os pontos Ponto com 19 ppm
excluído (0,1) 0,742 0,761 (0,2) 0,590 0,625 (0,3) 0,560 0,551 (0,4) 0,478 0,559
Funções de correlação, de covariância e variogramas
Equação para o cálculo da função de covariância
hhjihhji
ij
mmvvhN
hC,)(
1)(
hhiih
ij
vhN
m)(
1
hhjjh
ij
vhN
m)(
1
Funções de correlação, de covariância e variogramas
Equação para o cálculo da função de correlação
hh
hCh
hhi
hih
ij
mvhN
222
)(
1
hhj
hjh
ij
mvhN
222
)(
1
Funções de correlação, de covariância e variogramas
Equação para o cálculo do variograma
hhji
ji
ij
vvhN
h,
2
2
1
hh
Gráfico de dispersão cruzada
Ao invés de usar pares da mesma variável para dois locais distintos, usa-se pares de duas variáveis, por exemplo U(t+h) versus V(t)
Quando h=(0,0) compara-se o valor das duas variáveis para a mesma posição
Gráfico de dispersão cruzada
•Gráfico de correlação cruzada para os 100 valores da variáveis “V” e “U”
Gráfico de dispersão cruzada
h
Coeficiente de Correlação Cruzada
Covariância Cruzada (ppm2)
Variograma Cruzado (ppm2)
(0,0) 0,84 218,3 0,0 (0,1) 0,60 144,0 54,2 (0,2) 0,45 94,2 80,7 (0,3) 0,36 73,1 89,5 (0,4) 0,28 60,1 111,0
•Parâmetros de análise da correlação cruzada entre as variáveis V e U
Gráfico de dispersão cruzada
•Gráfico das funções de correlação cruzada, de covariância cruzada e do variograma cruzado
Gráfico de dispersão cruzada
Equações para o cálculo da função de variância cruzada
hhji
vujiuv
ij
hhmmvu
hNhC
,)(
1)(
hhiiu
ij
hu
hNm
)(
1
hhjjv
ij
hv
hNm
)(
1
Gráfico de dispersão cruzada
Equações para o cálculo da função de correlação cruzada
hh vu
uvuv
hCh
hhiuiu
ij
hhmu
hN222
)(
1
hhjvjv
ij
hhmv
hN222
)(
1
Gráfico de dispersão cruzada
Equações para o cálculo da função de variograma cruzado
hhji
jijiuv
ij
vvuuhN
h,2
1
hh uvuv