Representação espectral de dados espacialmente correlacionados

  • Edilenia Queiroz Pereira Departamento de Estatística – Universidade Estadual de Maringá – UEM
  • Diogo Francisco Rossoni Departamento de Estatística - Universidade Estadual de Maringá
  • Carla Eloize Carducci Universidade Federal de Santa Catarina – Campus de Curitibanos – UFSC
Palavras-chave: Densidade Espectral, Estatística Espacial, Geoestatística, Big data

Resumo

Pesquisadores da área espacial se deparam muitas vezes com grandes conjuntos de dados, normalmente coletados em uma região de grande porte. Neste contexto, a densidade espectral pode ser uma alternativa viável para o estudo de dados espacialmente correlacionados. Esse trabalho tem o objetivo de verificar a aplicabilidade de técnicas espectrais para a obtenção de estimativas de semivariância e covariância; realizar comparações com estimativas obtidas pelos métodos clássicos da Geoestatística com intuito de otimização computacional; e verificar a aplicabilidade das técnicas espectrais em conjuntos reais de dados.

Referências

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.

Publicado
08-01-2017
Seção
Applied Statistics