Modelos para análise de dados espaciais binários: uma abordagem Bayesiana (2021)
- Authors:
- Autor USP: GARCÊZ, ANA CRISTINA ALVES - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LCE
- DOI: 10.11606/T.11.2021.tde-11112021-092856
- Subjects: GEOESTATÍSTICA; INFERÊNCIA BAYESIANA; AGRICULTURA DE PRECISÃO
- Keywords: Análise Espacial; Dados Binários; Imputação Múltipla; Modelos Hierárquicos
- Language: Português
- Abstract: A relação da geoestatística e agricultura de precisão podem resultar em tomada de decisões e intervenções específicas. A geoestatística e a agricultura de precisão possuem ferramentas que são complementares para o entendimento das variações que ocorrem no campo. Em várias situações a geoestatística oferece recursos ímpares a agricultura de precisão e, reciprocamente, a agricultura de precisão proporciona recursos que permitem determinar a estrutura de dependência espacial e juntas permitem construir cenários para tomada de decisões e ações práticas de manejo específico. A estatística bayesiana vem sendo utilizada como método de inferência na análise estatística de dados espaciais. Dada a importância atual e aplicações de modelagem de fenômenos espaciais com dados binários não serem tão abordadas na literatura, este trabalho tem por objetivo apresentar um estudo de modelos propostos na literatura para analisar dados espaciais binários utilizando modelo hierárquicos bayesianos, que envolvem o uso de modelos autorregressivos condicionais e modelos lineares generalizados para capturar a estrutura espacial dos dados. Foi verificado no primeiro artigo uma modelagem geoestatística espacial para analisar os dados de leprose dos citros em plantações de laranja. O uso de uma classe flexível de modelos, associada ao método de inferência computacionalmente eficiente através da aproximação de Laplace aninhada integrada (INLA), tornou a abordagem mais interessante e possibilitou aincorporação desta metodologia em sistemas da citricultura brasileira. Sabe-se que tanto no aspecto espacial quanto no espaço-temporal, perdas de observações ocorrem por diversos fatores. E, técnicas que possibilitem tratar tais tipos de dados tem sido propostas, dentre elas a imputação. No segundo artigo, utiliza-se o método de imputação múltipla da média preditiva para comparar o ajuste feito pelo método INLA com a utilização da imputaçã MICE e imputação INLA. A idéia foi fornecer diferentes tamanhos e perdas amostrais para comparar os dois procedimentos de imputação. Foi verificado na imputação INLA que a medida que aumentavam-se o tamanho e as perdas amostrais o valor da raiz normalizada do erro quadrático médio (NRMSE) ia diminuindo e para a imputação MICE esse valor aumentava. Porém, apesar de aumentar o valor do NRMSE neste método, o mesmo ainda apresentou valores imputados muito mais próximos aos valores originais. Mostrando assim, que o método de imputação da média preditiva utilizado na imputação MICE teve um melhor desempenho para dados espaciais binários
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2021
- Data da defesa: 27.08.2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
GARCÊZ, Ana Cristina Alves. Modelos para análise de dados espaciais binários: uma abordagem Bayesiana. 2021. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11134/tde-11112021-092856/. Acesso em: 03 maio 2024. -
APA
Garcêz, A. C. A. (2021). Modelos para análise de dados espaciais binários: uma abordagem Bayesiana (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11134/tde-11112021-092856/ -
NLM
Garcêz ACA. Modelos para análise de dados espaciais binários: uma abordagem Bayesiana [Internet]. 2021 ;[citado 2024 maio 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11134/tde-11112021-092856/ -
Vancouver
Garcêz ACA. Modelos para análise de dados espaciais binários: uma abordagem Bayesiana [Internet]. 2021 ;[citado 2024 maio 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11134/tde-11112021-092856/
Informações sobre o DOI: 10.11606/T.11.2021.tde-11112021-092856 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
