Representação espectral de dados espacialmente correlacionados

Autores/as

  • Edilenia Queiroz Pereira Departamento de Estatística – Universidade Estadual de Maringá – UEM
  • Diogo Francisco Rossoni Departamento de Estatística - Universidade Estadual de Maringá https://orcid.org/0000-0001-6337-6628
  • Carla Eloize Carducci Universidade Federal de Santa Catarina – Campus de Curitibanos – UFSC

Palabras clave:

Densidade Espectral, Estatística Espacial, Geoestatística, Big data

Resumen

A Geoestatística busca detectar e explicar a dependência associada a um campo aleatório espacial contínuo.
Tanto a abordagem espacial quanto a espectral, podem ser instrumentos válidos para detectar essa  dependência espacial. O estudo da Geoestatística por meio do enfoque espectral busca recursos para solucionar problemas que a teoria Geoestatística enfrenta, como manipulação de grandes bancos de dados. Para este propósito, são utilizadas técnicas espectrais, sendo estas poderosas ferramentas para estudar a estrutura espacial, além de oferecerem significantes benefícios computacionais na manipulação dos dados. Constatou-se que a partir da densidade espectral foi possível obter estimativas para calcular a covariância; estando a covariância diretamente relacionada com a semivariância, pode-se obter a semivariância estimada. Além disso, mostrou-se que o tempo computacional gasto quando se trabalha com a densidade espectral permanece constante para todos os tamanhos n de amostras simuladas. Já no método clássico o tempo computacional gasto aumentou exponencialmente à medida que n aumentou. 

Citas

CARDUCCI, C. E. et al. Scaling of pores in 3D images of Latosols (Oxisols) with contrasting mineralogy under a conservation management systemSoil Research, 2014a. Disponível em: <http://dx.doi.org/10.1071/SR13238>

CARDUCCI, C. E. et al. Distribuição espacial das raízes de cafeeiro e dos poros de dois Latossolos sob manejo conservacionista. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 18, n. 3, p. 270–278, mar. 2014b.

CARDUCCI, C. E. et al. Spatial variability of pores in oxidic latosol under a conservation management system with different gypsium doses. Ciência e Agrotecnologia, v. 38, n. 5, p. 445–460, out. 2014c.

CARDUCCI, C. E. et al. Gypsum effects on the spatial distribution of coffee roots and the pores system in oxidic Brazilian Latosol. Soil and Tillage Research, v. 145, p. 171–180, jan. 2015.

CASAIS, R. M. C. CONTRIBUTIONS TO SPECTRAL SPATIAL STATISTICS. Santiago de Compostela: Universidade de Santiago de Compostela, 2006.

CHERRY, S. Nonparametric estimation of the sill in geostatistics. [s.l.] Environmetric, 1997.

CRESSIE, N. A. C. Fitting variogram models by weighted least squares. [s.l: s.n.].

CRESSIE, N. A. C.; HAWKINS, D. M. Robust estimation of the variogram: Mathematical Geology. [s.l: s.n.]. v. 12

FUENTES, M. Spectral methods for nonstationary spatial processes. Biometrika, v. 89, n. 1, p. 197–210, 2002.

GELFAND, A. et al. Handbook os Spatial Statistics. London: CRC Press, 2010.

GRINGARTEN, E.; DEUTSCH, C. V. Teacher’s Aide Variogram Interpretation and Modeling. Mathematical Geology, v. 33, n. 4, p. 507–534, 2001.

MATEU, J; JUAN, P; PORCU, E. Geostatistical Analysis Through Spectral Techniques: Some Words of Caution. Communications in Statistics - Simulation and Computation, v. 36, n. 5, p. 1035–1051, 2007.

R CORE TEAM. R: A language and environment for statistical computingVienna, AustriaR Foundation for Statistical Computing, 2015.

SCHLATHER, M. et al. Analysis, Simulation and Prediction of Multivariate Random Fields with Package RandomFields. Journal of Statistical Software, v. 63, n. 1, p. 1–25, 2015.

SEVCIKOVA, H.; PERCIVAL, D.; GNEITING, T. fractaldim: Estimation of fractal dimensions, 2014. Disponível em: <http://cran.r-project.org/package=fractaldim>

ZIMMERMAN, D. L.; ZIMMERMAN, M. B. A Monte Carlo comparison of spatial semivariogram estimators and corresponding ordinary kriging predictors. 33. ed. [s.l.] Technometrics, 1991.

Descargas

Publicado

08-01-2017

Cómo citar

Pereira, E. Q., Rossoni, D. F., & Carducci, C. E. (2017). Representação espectral de dados espacialmente correlacionados. Sigmae, 5(1), 27–36. Recuperado a partir de http://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/425

Número

Vol. 5 Núm. 1 (2016): "National Elections"

Sección

Applied Statistics

Licencia

Proposta de Política para Periódicos de Acesso Livre


Autores que publicam nesta revista concordam com os seguintes termos:

    1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

    1. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

  1. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).