euterpe euterpe edulisedulis martmart. e variáveis . e...

Relação entre abundância de Relação entre abundância de Euterpe Euterpe edulisedulis MartMart. e variáveis . e variáveis

ambientaisambientais

SER-301 – Análise Espacial de Dados GeográficosDocentes: Dr. Miguel e Dr. Eduardo

Discente: Luciana Satiko Arasato

dez/2009

PerguntaPergunta

• Será que existe relação entre a abundância da Euterpe edulis Mart. e as variáveis ambientais (altitude, declividade, umidade de solo e (altitude, declividade, umidade de solo e abertura de copa), considerando a escala estudada?

Contextualização do problemaContextualização do problema

• Área de estudo

ContextualizaçãoContextualização

Classes altitudinais Característica ambiental

5 – 50 m Floresta Ombrófila Densa das Terras Baixas –

solo de restinga

50 – 500 m Floresta Ombrófila Densa Submontana – sopé

da Serra do Mar

500 – 1200m Floresta Ombrófila Densa Montana – encosta

da Serra do Mar

> 1200 m Floresta Ombrófila Densa Altimontana – topo

de altitudes

Veloso (1991)IBGE

ContextualizaçãoContextualização

PerguntaPergunta


MetodologiaHipótese

Abundância AltitudeDeclividadeUmidade

Regressão espacial

Ab_copa

Análise estatística

Regressão simplesAnálise

Exploratória

DadosDados

• Abundância da E. edulis

N° de indívíduos

ABUNDÂNCIA

AbundânciaAbundância

100 parcelas

Variou de 0-7 ind.

quantil

DadosDados

• Variáveis ambientais*

- Altitude média (m)

- Declividade (%)- Declividade (%)

- Umidade do solo (%)

-Abertura de Copa (%)

Variáveis ambientais

• Altitude (m)

30 parcelasTotal: 0,3haTotal: 0,3ha


• Declividade (%)


• Umidade do solo (%)


• Abertura do dossel (%)

Metodologia

Hipótese


Regressão espacial

Ab_copa



Exploratória

Regressão Linear ClássicaRegressão Linear Clássica

Y = β0 + β1X + ε

Mostra a relação entre duas ou mais variáveis

onde:Y = Variável dependente;X = Variável independente;β0 e β1 = parâmetros da regressão;ε = erro aleatório

Resíduos devem ter:- Variância constante- Distribuição normal;- Independentes.

Tachibana et al (2007)

Análise de Regressão Linear ClássicaAnálise de Regressão Linear Clássica

Scatterplot (dados_plotI.sta 14v*100c)

EeduA = 36.8406-0.0993*x

5

6

7

altit:EeduA: r2 = 0.3811; r = -0.6173, p = 0.0003; y = 36.8405773 - 0.0993209871*x

Gráficos de dispersão de X e YCorrelação entre as variáveis

Altitude x abundância


Residuo_Eedu = 9.1632E-7-2.5172E-9*x

327.91 338.08 347.80 358.16 369.91-3

-2

-1

0

1

2

3

4

5

Res

iduo

_Eed

u

r2 = 0.0000; r = -0.0000, p = 1.0; y = 0.000000916323334 - 0.00000000251716376*x

327.91332.49

338.08342.83

347.80353.46

358.16362.93

369.91

altit

0

1

2

3

4

5

Eed

uA

R² = 0,3811p = 0,003Akaike = 112,051

327.91332.49

338.08342.83

347.80353.46

358.16362.93

369.91

altit

Histogram: Res_Eedu_alt

K-S d=.09844, p> .20; Lilliefors p> .20 Expected Normal

-4 -3 -2 -1 0 1 2 3 4 5

X <= Category Boundary

0

1

2

3

4

5

6

7

8

9

No.

of o

bs.


Declividade x abundância


EeduA = 0.7221+0.0181*x

5

6

7

decl:EeduA: r2 = 0.0298; r = 0.1727, p = 0.3614; y = 0.722117737 + 0.0181028795*x


EeduA = 0.7221+0.0181*x

0

1

2

3

4

5

6

7

Eed

uA

decl:EeduA: r2 = 0.0298; r = 0.1727, p = 0.3614; y = 0.722117737 + 0.0181028795*x

27.0 45.1 53.2 59.8 66.1 73.5 80.0 89.8 95.9

decl

0

1

2

3

4

Eed

uA

R² = 0,0298p = 0,3614Akaike = 125,523

27.0 45.1 53.2 59.8 66.1 73.5 80.0 89.8 95.9

decl

Histogram: Res_Eedu_decl


-4 -3 -2 -1 0 1 2 3 4 5


0

1

2

3

4

5

6

7

8

No.

of o

bs.



EeduA = -0.6479+0.0695*x

5

6

7

umid:EeduA: r2 = 0.0682; r = 0.2611, p = 0.1635; y = -0.647867983 + 0.069510892*x

Umidade do solo x abundânciaScatterplot (dados_plotI.sta 17v*100c)

Res_Eedu_umi = -4.1007E-7+1.0677E-8*x

-3

-2

-1

0

1

2

3

4

5

Res

_Eed

u_um

i

r2 = 0.0000; r = 0.0000, p = 1.0; y = -0.000000410069279 + 0.0000000106774879*x

22.403929.4867

32.377635.2905

38.111640.7962

43.593746.4605

56.9355

umid

0

1

2

3

4

Eed

uA

R² = 0,0682p = 0,1635Akaike = 124.315

22.403929.4867

32.377635.2905

38.111640.7962

43.593746.4605

56.9355

umid

-3

Histogram: Res_Eedu_umi

K-S d=.21065, p<.15 ; Lilliefors p<.01 Expected Normal

-3 -2 -1 0 1 2 3 4 5


0

1

2

3

4

5

6

7

8

9

No.

of o

bs.


Abertura da copa x abundância


EeduA = 4.7556-0.3781*x

5

6

7

ab_copa:EeduA: r2 = 0.0835; r = -0.2890, p = 0.1214; y = 4.75562839 - 0.378070299*x


Res_Eedu_abco = 1.3316E-7-6.6072E-9*x

-2

-1

0

1

2

3

4

5

Res

_Eed

u_ab

co

r2 = 0.0000; r = -0.0000, p = 1.0; y = 0.000000133157543 - 0.00000000660718144*x

3.25 5.61 6.21 6.87 7.47 8.38 9.43 10.22

ab_copa

0

1

2

3

4

Eed

uA

R² = 0,0835p = 0,1214Akaike = 123.212

3.25 5.61 6.21 6.87 7.47 8.38 9.43 10.22

ab_copa

-3

Histogram: Res_Eedu_abco


-4 -3 -2 -1 0 1 2 3 4 5


0

1

2

3

4

5

6

7

8

No.

of o

bs.

ConsideraçõesConsiderações

- Somente com a variável altitude foi possível observar correlação em relação a abundancia de E. edulis

- Será que a influência espacial pode melhorar essa explicação?explicação?

MetodologiaMetodologia

Hipótese


Regressão espacial

Ab_copa



Exploratória

Índice de Índice de MoranMoran

Esse índice analisa a autocorrelação espacial dos dados

- Global – baseada nas observações simultâneas no conjunto- Local – também indica o grau de associação espacial, porém sintetiza inúmeras possibilidades de padrões de associação local

Varia de -1 a 1:-1 autocorrelção espacial negativa

0 – sem correlação espacial+1 autocorrelação espacial positiva

Câmara et al (2002)

Autocorrelação espacial

ALTITUDE

I = 0,9055

p= 0,001

- Única variável que apresentou correlação espacial significativa

Autocorrelação espacial

ABUNDÂNCIA_T Transformação (T) = √ (abundância)

I = 0,5153I = 0,002

MetodologiaMetodologia

Hipótese


Regressão espacial

Ab_copa



Exploratória

Regressão EspacialRegressão Espacial

Spatial Lag

Supõe que é possível capturar a estrutura de correlação espacial num únicoparâmetro adicionado ao modelo de regressão clássico.

Modelo Spatial Lag atribui a autocorrelação espacial à var. dependente Y.

onde:W = matriz de correlação espacial;WY = expressa a dependência espacial;ρ = coeficiente espacial autoprogressivo

Modelo Spatial Lag atribui a autocorrelação espacial à var. dependente Y.

Y = ρWY + Xβ + ε

Aguiar e Silva (2005)

SpatialSpatial LagLag

Análise do resíduoR² = 0,511205Akaike = 56,7576

p = 0,31I = -0,11

NOVANOVA Análise Análise de Regressão Linear de Regressão Linear ClássicaClássica

Scatterplot (dados_2.sta 14v*30c)

EeduA_T = 16.9227-0.0449*x

2.0000

2.2361

2.4495

alt_ptb:EeduA_T: r2 = 0.4349; r = -0.6595, p = 0.00007; y = 16.9227 - 0.0449*x

Scatterplot (dados_2.sta 15v*30c)

res_EeduAT = -4.1672E-8+5.5699E-11*x

327.9 332.5 338.1 342.8 347.8 353.5 358.2 362.9 369.9

alt_ptb

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

res_

Eed

uAT

alt_ptb:res_EeduAT: r2 = 0.0000; r = 0.0000, p = ---; y = -4.1672E-8 + 5.5699E-11*x

Variância constante

Altitude x [√(Abundância)]

327.9 332.5 338.1 342.8 347.8 353.5 358.2 362.9 369.9

alt_ptb

0.0000

1.0000

1.4142

1.7321

2.0000

Eed

uA_T

R² = 0,4349p = 0,00007Akaike = 57,703

Histogram: res_EeduAT

K-S d=.09561, p> .20; Lilliefors p> .20

Expected Normal

-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


0

1

2

3

4

5

6

7

8

9

10

11

No.

of o

bs.

Variância constante

Resíduos - normal

ResultadoResultado

R² = 0,511205R² = 0,3811

Regressão linear clássica

Regressão espacial (Spatial Lag)

R² = 0,4349

Regressão linear clássica (abundância

transformada)

R² = 0,511205

Akaike = 56,7576

R² = 0,3811

Akaike = 112,051R² = 0,4349

Akaike = 57,703

Pergunta inicialPergunta inicial


ConsideraçõesConsiderações

- Mesmo na escala detalhada de estudo, é possível observar a influência do espaço nas análises de dados ambientais.

- Ainda é necessário aprofundar sobre as análises de - Ainda é necessário aprofundar sobre as análises de regressão espacial para esta área e, também, para as outras variáveis abióticas não analisadas.

- Melhorar o dado coletado, pois pode melhorar e indicar agrupamentos de abundância e evidenciar algumas relações ecológicas não consideradas para a região.

Referências bibliográficas utilizadas

AGUIAR, D.; SILVA, W. Análise Espacial da colheita de cana-de-açúcar no Estado de São Paulo. Apresentação oral. São José dos Campos, INPE, 2005. Disponível em: <http://www.dpi.inpe.br/cursos/ser301/trabalhos.html>. Acesso em: 01 de dezembro de 2009.

CÂMARA ,G.; CARVALHO, M.S.; CRUZ, O.G.; CORREA, V. Análise Espacial de Áreas. São José dos Campos, INPE, 2002. Disponível em: <http://www.dpi.inpe.br/gilberto/livro/analise/cap5-areas.pdf>. Acesso em: 27 de <http://www.dpi.inpe.br/gilberto/livro/analise/cap5-areas.pdf>. Acesso em: 27 de novembro de 2009.

TACHIBANA, V.M.; IMAI, N.N.; ENNES, R.; VICENTIN, D.M. Aplicação de técnicas utilizando regressão clássica e espacial na cidade de Presidente Prudente – SP. II Simpósio Brasileiro de Geomática e V Colóquio Brasileiro de Ciências Geodésicas. Presidente Prudente – SP, 24-27 de julho de 2007. p. 719-725.

VELOSO, H.P.; RANGEL FILHO, A.L.R. & LIMA, J.C.A. 1991. Classificação da vegetação brasileira, adaptada a um sistema universal. IBGE, Departamento de Recursos Naturais e Estudos Ambientais.

euterpe euterpe edulisedulis martmart. e variáveis . e...

Documents