View
0
Download
0
Category
Preview:
Citation preview
Análise Espacial da Colheita de
Cana-de-açúcar no estado de São
Paulo
Wagner F. Silva
Daniel A. Aguiar
2005
IMPORTÂNCIA DA CANA-DE-AÇÚCAR
- Brasil: maior produtor de cana-de-açúcar e exportador de açúcar e álcool do mundo.
- Informações confiáveis sobre a quantidade de matéria prima disponível para a produção de açúcar e álcool.
- Colheita se estende, tradicionalmente, de abril a novembro e é feita com o uso de máquinas de grande porte.
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
0
5
10
15
20
25
O6/04
22/04
08/05
24/05
09/06
25/06
11/07
27/07
12/08
28/08
13/09
29/09
15/10
31/10
16/11
02/12
18/12Período
Co
lhid
a (%
) Área colhida
Período analisado
A existência de cana bisada (4,16%), ao final da safra de 2004 (UNICA,
2005), se deu em decorrência à precipitação elevada (entre outros fatores).
- A chuva pode ajudar a explicar a diminuição da colheita de cana-de-açúcar?
- A chuva é um dos fatores que atrapalhou a colheita da cana no período analisado?
25°
59'0
0" 2
5°59'00"
24°
58'0
0" 2
4°58'00"
23°
57'0
0" 2
3°57'00"
22°
56'0
0" 2
2°56'00"
21°
55'0
0" 2
1°55'00"
20°
54'0
0" 2
0°54'00"
19°
53'0
0" 1
9°53'00"
52°59'00"
52°59'00"
51°58'00"
51°58'00"
50°57'00"
50°57'00"
49°56'00"
49°56'00"
48°55'00"
48°55'00"
47°54'00"
47°54'00"
46°53'00"
46°53'00"
45°52'00"
45°52'00"
44°51'00"
44°51'00"
43°50'00"
43°50'00"-52
-52
-50
-50
-48
-48
-46
-46
-44
-44
-26 -26
-24 -24
-22 -22
-20 -20
50 0 50 100 150 Kilometers
Cana não colhida (ha)0 - 190190 - 950950 - 18701870 - 36603660 - 58205820 - 1180011800 - 15260
LEGENDA
Área de cana-de-açúcar não colhidaEDR -SP
N
EW
S
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
DADOS DE PRECIPITAÇÃO
- CPTEC
- Previsão de 6 em 6h (Modelo ETA)
- Grade com resolução de 40X40Km
- Precipitação acumulada por período (composição MODIS)
13/09 – 28/09
Modelo: Gaussiano Pepita: 0,03
Alcance: 2,046
Patamar: 0,88
29/09 – 14/10
Modelo: GaussianoPepita: 0,06
Alcance: 5,301
Patamar: 1,0
SEMIVARIOGRAMA DA PRECIPITAÇÃO
Período 13/09 a 28/09/2004 Período 29/09 a 14/10/2004
0.05 63.1 mm 24.1 173.2 mm
INTERPOLAÇÃO – KRIGEAGEM
PRECIPITAÇÃO
0.05 63.1 mm 24.1 173.2 mm
INTERPOLAÇÃO – KRIGEAGEM
PRECIPITAÇÃO – ÁREA DE CANA-DE-AÇÚCAR
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
Área colhida de cana-de-açúcar nos dois períodos
13/09 – 28/09
29/09 – 14/10
Estatística por poligono – área colhida por EDR / Período
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
Técnica estatística que descreve a relação entre duas ou mais variáveis
através de função matemática.
Modelo Linear Clássico:
Y = β0 + β1X + ε
onde:
Y = Variável dependente;X = Variável independente;
β0 e β1 = parâmetros da regressão;
ε = erro aleatório
REGRESSÃO
REGRESSÃO LINEAR CLÁSSICA
Scatterplot (Spreadsheet1 in Analise_Est.stw 10v*35c)
colhida13 = 25379,0086-1246,8839*x
1,82993,0812
4,38925,8800
7,16129,2286
11,231612,8449
15,6421
CHUVA13
-10000
0
10000
20000
30000
40000
50000
60000
colh
ida1
3
Gráfico dispersão entre X e Y Mostra a correlação entre as duas variáveis
> Precipitação< Colheita
R2 = 0,11Akaike = 776,9
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004Scatterplot (Spreadsheet1 in Analise_Est.stw 12v*35c)
colhida29 = 10875,6007-61,9097*x
52,027262,2477
73,646885,1045
100,1219111,4693
122,6437133,1656
143,9402153,9802
CHUVA29
-2000
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
20000
22000
24000
26000
colh
ida2
9
> Precipitação< Colheita
R2 = 0,095Akaike = 707,6
Correlação = - 0,33 Correlação = - 0,30
Suposições do modelo de regressão
Para que um modelo de regressão seja válido
Resíduos devem ser:- Variância constante- Normalmente distribuídos;- Independentes.
Verificar a presença de outliers � verificar se são influentes na
determinação do modelo
REGRESSÃO LINEAR CLÁSSICA
Scatterplot (Spreadsheet1 in Analise_Est.stw 12v*35c)
RES_COLH_13 = -1,1637E-12+1,4921E-13*x
1,82993,0812
4,38925,8800
7,16129,2286
11,231612,8449
15,6421
CHUVA13
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
RE
S_C
OLH
_13
REGRESSÃO LINEAR CLÁSSICA
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
Scatterplot (Spreadsheet1 in Analise_Est.stw 12v*35c)
RES_COLH_29 = 1,7374E-12-1,3112E-14*x
52,027262,2477
73,646885,1045
100,1219111,4693
122,6437133,1656
143,9402153,9802
CHUVA29
-10000
-5000
0
5000
10000
15000
20000
25000
RE
S_C
OLH
_29
Gráfico dispersão entre resíduos e variável independente
Verificar se a variância é constante
Teste Breusch-Pagan (5% significância)
Variância constante Variância não constante
REGRESSÃO LINEAR CLÁSSICA
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
Gráfico de probabilidade normal dos resíduos Verificar se os resíduos são normalmente distribuídos
Teste Jarque-Bera (5% significância)
Distribuição Normal Distribuição não Normal
Normal Prob. Plot; Raw Residuals
Dependent variable: colhida13(Analysis sample)
-30000 -20000 -10000 0 10000 20000 30000 40000 50000
Residual
-3,0
-2,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
3,0
Exp
ecte
d N
orm
al V
alue
,01
,05
,15
,35
,55
,75
,95
,99
Normal Prob. Plot; Raw Residuals
Dependent variable: colhida29(Analysis sample)
-15000 -10000 -5000 0 5000 10000 15000 20000 25000
Residual
-3,0
-2,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
3,0
Exp
ecte
d N
orm
al V
alue
,01
,05
,15
,35
,55
,75
,95
,99
- Há correlação entre as variáveis, porém os modelos de Regressão Linear
Clássica não explicam bem essa correlação.
- Modelo não confiável para se fazer inferências para a variável dependente.
- Dependência espacial entre as variáveis � uso de modelos de regressão espacial.
CONSIDERAÇÕES
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
Índice de Moran
- Indicador global de autocorrelação espacial � Mostra como os valores estão
correlacionados no espaço.
Valores:
-1 a 0 � correlação inversa
0 a 1 � correlação direta
ANÁLISE DA AUTOCORRELAÇÃO ESPACIAL
DISTRIBUIÇÃO ESPACIAL DA CANA COLHIDA
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
Existem agrupamentos espaciais
DISTRIBUIÇÃO ESPACIAL DA PRECIPITAÇÃO
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
Existem agrupamentos espaciais
ANÁLISE DA AUTOCORRELAÇÃO ESPACIAL
Período 13/09/2004 a 28/09/2004
Diagrama de espalhamento de Moran para os resíduos da regressão
I = 0,36
Alto-altoBaixo-baixoAlto-baixoBaixo-alto
ANÁLISE DA AUTOCORRELAÇÃO ESPACIAL
Período 29/09/2004 a 14/10/2004
Diagrama de espalhamento de Moran para os resíduos da regressão
I = 0,73
Alto-altoBaixo-baixoAlto-baixoBaixo-alto
- Correlação espacial constatada
- O que fazer ?
- Uso de modelos de regressão que incorporam efeitos espaciais.
CONSIDERAÇÕES
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
Supõe que é possível capturar a estrutura de correlação espacial num único parâmetro adicionado ao modelo de regressão clássico.
Modelo Spatial Lag ���� atribui a autocorrelação espacial à var. dependente Y.
Y = ρWY + Xβ + ε
onde:W = matriz de correlação espacial;
WY = expressa a dependência espacial;
ρ = coeficiente espacial autoprogressivo
MODELO COM EFEITO ESPACIAL GLOBAL
MODELO SPATIAL LAG
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
R2 = 0,329Akaike = 769,5
R2 = 0,598Akaike = 684,4
I = 0,02 I = -0,09
Diagrama de espalhamento de Moran para os resíduos da regressão
CONSIDERAÇÕES
- Correlação espacial foi considerada na regressão com efeitos
espaciais globais.
- No entanto, os dados em estudo não são estacionários,
apresentando padrões espaciais.
- Uso de modelos espaciais com efeitos locais.
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
MODELO COM REGIMES ESPACIAIS
Determinação dos Regimes Espaciais � LISA MAP
Alto-altoBaixo-baixoAlto-baixoBaixo-alto
Alto-altoBaixo-baixoAlto-baixoBaixo-alto
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
Considerados 2 regimes espaciais:- região de maior produção de cana (vermelho)
- restante do estado
11
- Regiões: cada uma com seu próprio padrão espacial.
- As regressões separadas para cada uma das regiões.
- Uso de variáveis indicadoras
Y = β0 + β1X + β2R1 + β3R1X + ε
Y1 = β0 + β1X + ε (ind = 0)
Y2 = (β0 + β2) + (β1 + β3)X + ε (ind = 1)
ondeβi = parâmetros da regressão;X = variável independente;R1 = variável indicadora (0 ou 1);ε = erro aleatório
MODELOS COM REGIMES ESPACIAIS
MODELO COM REGIMES ESPACIAIS
Período 13/09/2004 a 28/09/2004 Período 29/09/2004 a 14/10/2004
R2 = 0,572Akaike = 753,4
R2 = 0,947Akaike = 609,9
I = 0,010 I = 0,007
Diagrama de espalhamento de Moran para os resíduos da regressão
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
0,07-0,090,67Moran
609,96684,4707,6Akaike
0,9470,600,10R²
Reg. RegimesReg. Espacial GlobalReg. Clássica
Período 29/09 a 14/10/2004
0,010,020,36Moran
753,4769,5776,9Akaike
0,570,330,11R²
Reg. RegimesReg. Espacial GlobalReg. Clássica
Período 13/09 a 28/09/2004
RESULTADOS GERAIS
colheita = 11837,94 – 471,21 * precipitação (outro)
colheita = 35451,52 – 471 * precipitação (regime 1)
colheita = 2701 – 12,426 * precipitação (outro)
colheita = 14728 – 12,75 * precipitação (regime 1)
13/09 a 28/09
29/09 a 14/10
Modelo com Regimes Espaciais
CONSIDERAÇÕES FINAIS
- Foi possível verificar que houve correlação entre a precipitação e a
colheita nos períodos analisados.
- A correlação é espacial
- O modelo que melhor descreveu a correlação da precipitação com a
colheita foi o modelo com regimes espaciais.
LISA MAP
Precipitação
Hipótese
Colheita
Análise Estatística
Análise ExploratóriaRegressão
Simples
RegressãoEspacial
RegressãoEspacial com
Regimes Espaciais
ConsideraçõesModelo Final
Spatial Lag
Confirmação
Recommended