Representação espectral de dados espacialmente correlacionados

Autores

  • 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

Palavras-chave:

Densidade Espectral, Estatística Espacial, Geoestatística, Big data

Resumo

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. 

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.

Downloads

Publicado

08-01-2017

Como Citar

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

Edição

Seção

Estatística Aplicada