Projeto Fazenda Mobasa

1. Originais
   1. Pontos verdes. Essa planilha contém 39 linhas mas dispõe de 18 coordenadas devido a repetições de medidas em diferentes anos.
   2. Pontos azuis Essa planilha contém 86 linhas mas dispõe de 35 coordenadas devido a repetições de medidas em diferentes anos.
   3. Pontos vermelhos Essa planilha dispõe de 556 coordenadas (a confirmar com o Itamar)
   4. Bordas
      1. Pontos biii-a
      2. Pontos biii-b
      3. Pontos cerro-a
      4. Pontos cerro-b
      5. Pontos cerro-c
      6. Contorno
2. Variáveis
   1. Definição das variáveis do estudo (tb disponível em arquivo)

  (Itamar) Estas glebas são as fazendas da Mobasa, ou seja: 
  * Gleba A: Fazenda Cerro Azul A; 
  * Gleba B: Fazenda Cerro Azul B; 
  * Gleba C: Fazenda Cerrro Azul C e 
  * Fazenda Bonsucesso III.

1. vamos usar IMA como a variável de interesse primário
2. (Edson) Conversando com Itamar e Lorena, decidimos trabalhar com os pontos azuis pois azul=azul+verde (12/01/07)
3. (Itamar) Estive fazendo correlação de Pearson entre as (6) variáveis dependentes com as independentes, tendo cada fazenda apenas uma idade (na análise de variância peguei as idades que não diferiam entre si: 13, 14 e 15 anos) e verifiquei que a variável HDOM foi a que obteve maiores índices de correlações.
   1. com as variáveis químicas e físicas (bola azul):
      1. HDOM x SILTE1 (0,4426)
      2. HDOM x P1(fósforo da camada superficial) (0,5945)
      3. HDOM x PHCACL2 (-0,4800)
      4. HDOM x K2 (potássio da camada subsuperficial) (0,4323)
   2. com as variáveis físico-hídricas apresentou os maiores índices (no entanto são poucos os dados para correlação):
      1. HDOM x 6KPa2 (-0,6242);
      2. HDOM x UATUA2 (-0,6222);
      3. HDOM x 10 KpA2 (-0,6381).
4. (Itamar/Edson) Como HDOM é afetada pela idade, abandonamos essa variável. Escolhemos IMA pois esta não é afetada pela idade. As correlações ficaram:
   1. Bolas azuis
      1. IMA x Silte-1 (0,3699)
      2. IMA x Fósforo-1 (0,4650)
   2. Bolas verdes
      1. IMA x Macro-1 (0,6150)
      2. IMA x 6KPa-2 (-0,6238)
      3. IMA x 10KPa-2 (-0,6630)
      4. IMA x 1500KPA-2 (-0,6229)
      5. IMA x Argila-1 (0,6779)
5. (Paulo/Edson - 22/01) Escolhemos a variável IMA (verde) para as árvores mais velhas e Argila (vermelho)

Decisão final para a escolha de variáveis da Etapa 1

• Análise univariada (IMA e argila(?) – quem estiver mais corr. com IMA – ok decidimos por argila mesmo)
  1. podemos pegar duas variáveis: uma no vermelho e outra no azul (deixamos isto para depois)
• Análise com argila como covariável (argila explicando IMA)
• Análise bivariada (cokrigagem).

Nota: precisamos nos certificar que a relação de argila e IMA é linear.

a) colocar aqui o gráfico com o scatterplot de IMA vs argila

b) linearizar a relação se necessário (se possivel transformando somente a argila)

Pearson's product-moment correlation

data: IMA.csv$IMA and IMA.csv$ARG1

t = -2.9248, df = 16, p-value = 0.009917

alternative hypothesis: true correlation is not equal to 0

95 percent confidence interval:

-0.8287407 -0.1703052

sample estimates: cor -0.5902447

Até aqui fica para tese do Itamar e artigo 1

• (Itamar) Idéia para discussão e verificar possibilidade: comparar com resultado de análise de agrupamento
• (PJ) talvez não ainda aqui!

Script em desenvolvimento:

• bivariada.r – Versâo 1
• bivariada1.r – Versão 2 (15/03)

• Conversão dos dados Pontos azuis para o formato texto.

* CEP: Coeficiente de efeito pepita – IMA (Azul)+Argila (ARG1 é co-variável)

(Edson: 25/01) Problemas com a estimativa do Φ para a argila..... comentar com o Prof. Paulo 

Predict: Média = 25,7634 – SD = 3,3237

Krige.var: Média = 110,2289 – SD = 1,4820

Entregue a versão preliminar do Artigo para edição de texto

• Idéia utilizar resultados de análises multivariadas. Combinar métodos MV tais como análise fatorial e PCA com geoestatística

(afobações e anseios do Itamar)

• (PJ) no final a pergunta básica é: pq sob mesmas condições de manejo etc as produções variam? Podemos usar métodos de estatística espacial para quantificar e explicar esta variação?
• (PJ) no futuro evoluir para análise longitudinal de variáveis tais como o volume. Pensar em melhor forma de combinar dados de diferentes idades.
• (Itamar) De acordo com opinião na empresa a predição dificilmente terá uma melhora substancial na sua predição, mas a metodologia poderia ajudar reduzindo custos amostrais.

1. Artigo 01