Spatial analysis of soybean yield in the western region of Paraná associated with agrometeorological variables using Bootstrap

Autor: Gabriel, Caroline Cristina Engel
Přispěvatelé: Uribe Opazo, Miguel Angel, Dalposso, Gustavo Henrique, Araújo, Everton Coimbra de, Cima, Elizabeth Giron, Oliveira, Marcio Paulo de, Christ, Divair
Jazyk: portugalština
Rok vydání: 2020
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações do UNIOESTE
Universidade Estadual do Oeste do Paraná (UNIOESTE)
instacron:UNIOESTE
Popis: Submitted by Neusa Fagundes (neusa.fagundes@unioeste.br) on 2020-10-13T18:05:24Z No. of bitstreams: 2 Caroline_Gabriel2020.pdf: 2957229 bytes, checksum: d4395ada6d7dce470742307f01420e0a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Made available in DSpace on 2020-10-13T18:05:24Z (GMT). No. of bitstreams: 2 Caroline_Gabriel2020.pdf: 2957229 bytes, checksum: d4395ada6d7dce470742307f01420e0a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2020-05-29 Monitoring soybean productivity is essential for market strategies and world food security. Considering crop forecasts, it is paramount to understand the relationship among factors that influence the growth of the crop from a space-time perspective, with closer attention to the agrometeorological aspects which affect the soy cycle. Spatial area statistics search for patterns of association in a given location through spatial correlation indices. Once the correlation of factors in soybean productivity is detected, it is possible to make predictions using spatial regression models, which incorporate the spatial structure of the data into the model. However, in small samples it is difficult to meet the assumptions of these models; thus, exploring the bootstrap resampling technique of the residues as an estimator of the coefficients is a valid option. Therefore, a spatial analysis of soybean productivity and the agrometeorological variables, mean temperature, mean global solar radiation, and pluvial precipitation were performed using the Moran Global I indexes and the Local Spatial Association Index (LISA), to predict soybean productivity through the Spatial AutoRegressive (SAR) and Conditional AutoRegressive (CAR) space models in the 2014/2015, 2015/2016 and 2016/2017 crop years, in the Western region of Paraná. It was observed that soybean productivity is strongly autocorrelated in the cities of the study, and the significance of the correlation indexes confirmed the influence of agrometeorological variables on soybean productivity. In addition, when using the agrometeorological variables in the productivity models, the best values were found for the Akaike Information Criteria – AIC, the Maximum Value of the Logarithm of the Likelihood Function – MVLFV, and the Root Mean Square Error – RMSE with the CAR model in the 2015/2016 crop year. The analysis of the SAR and CAR models from the estimates by the bootstrap technique resulted in values of the coefficients approximate to those estimated by maximum likelihood, which corroborates the use of the bootstrap of the residues. É importante o acompanhamento da produtividade da soja para as estratégias do mercado e para a segurança alimentar mundial. Para previsões da cultura é preciso compreender de forma espaço-temporal as relações dos fatores que influenciam o crescimento da cultura, destacando-se os aspectos agrometeorológicos com maior atuação no ciclo da soja. A estatística espacial de áreas busca padrões de associação em um determinado local por meio de índices de autocorrelação e correlação espacial. Uma vez detectada a correlação dos fatores na produtividade da soja, é possível realizar as predições por meio de modelos de regressão espacial, os quais incorporam ao modelo a estrutura espacial dos dados. No entanto, em amostras pequenas há dificuldade em atender aos pressupostos destes modelos; assim, explora-se a técnica de reamostragem bootstrap dos resíduos como estimador dos coeficientes. Diante disso, realizou-se uma análise espacial da produtividade da soja e das variáveis agrometeorológicas temperatura média, radiação solar global média e precipitação pluvial, por meio dos índices Ι de Moran Global e Índice Local de Associação Espacial (LISA) para, assim, predizer a produtividade da soja por meio dos modelos espaciais Spatial AutoRegressive (SAR) e Conditional AutoRegressive (CAR) nos anos-safras 2014/2015, 2015/2016 e 2016/2017, na região Oeste do Paraná. Observou-se que a produtividade da soja está fortemente autocorrelacionada nos municípios do estudo, e a significância dos índices de correlação confirmaram a influência das variáveis agrometeorológicas na produtividade da soja. Além disso, na modelagem da produtividade da soja a partir das variáveis agrometeorológicas encontraram-se os melhores valores dos critérios de seleção Critério de Informação de Akaike – AIC, Máximo Valor do Logaritmo da Função Verossimilhança – MVLFV e Raiz do Erro Quadrático Médio – RMSE com o modelo CAR no ano-safra 2015/2016. A análise dos modelos SAR e CAR a partir das estimativas pela técnica de bootstrap resultou em valores dos coeficientes aproximados aos estimados por máxima verossimilhança, o que corrobora para o uso do método bootstrap dos resíduos.
Databáze: OpenAIRE
Externí odkaz: