A Dependencia Espacial em Modelagem Preditiva … Dependencia Espacial em...n4 m2 para amostragem de...
-
Upload
vuongkhanh -
Category
Documents
-
view
217 -
download
0
Transcript of A Dependencia Espacial em Modelagem Preditiva … Dependencia Espacial em...n4 m2 para amostragem de...
A Dependência Espacial em Modelagem Preditiva de Vegetação
Adair Santa CatarinaCurso de Informática
Unioeste – Campus de Cascavel – PR
INPE – Mai/2007
2
Artigo de referência
n Miller, J., Franklin, J., Aspinall, R., 2007. Incorporating spatial dependence in predictive vegetation models. Ecological Modelling, 202, 225-242.
3
Roteiro
n Introdução
n A Dependência Espacial em Dados Biogeográficos
n Métodos que Incorporam a Dependência Espacial:¨ Métodos autoregressivos;
¨ Métodos geoestatísticos;
¨ Métodos de estimação de parâmetros;
¨ Geographically weighted regression.
n Resumo
4
Introdução
n Modelagem Preditiva de Vegetação (MPV):¨ Predizer a distribuição da vegetação ao longo da
paisagem baseada nos relacionamentos entre a distribuição espacial da vegetação e as variáveis ambientais relevantes (Franklin, 1995).
¨ Variáveis ambientais + amostra da espécie;¨ Modelos (estatística tradicional) pressupõem
independência e aleatoriedade da amostra à Dn relacionamento entre distância e semelhança à “dogma”
(Tobler, 1979);n teoria ecológica: elementos de ecossistemas próximos são
influenciados pelos mesmos processos geradores (Legendre e Fortin, 1989).
5
Introdução
n A dependência espacial (DE) na MPV:¨ Ignorada na maioria dos estudos;¨ Considerada uma perturbação à manipulação da
amostragem para evitar autocorrelação;¨ Pesquisas por esquemas de amostragem, escala e
estatísticas mais adequadas para tratar dados espaciais em ecologia (Miller et al., 2004; Rushton etal., 2004).
n Variação nos dados espaciais (Haining, 1989).¨ 3 elementos:
n Primeira ordem (estrutura determinística);n segunda ordem (estrutura estocástica);n Erro.
Erro(Regressão)
6
Introdução
n 4 métodos estatísticos que incluem DE:¨ Modelos autoregressivos;¨ Geoestatística;¨ Geographically weighted regression (GWR);¨ Modelos de estimação de parâmetros.
n MPV:¨ métodos que analisam o relacionamento entre
composição e distribuição das espécies e os gradientes ambientais.
¨ Problema: a análise é realizada no espaço ambiental e não no espaço geográfico:n Leva a uma “fuga generalizada” de qualquer representação
explícita do espaço geográfico e sua correlação com a distribuição da vegetação.
7
Roteiro
n Introdução
n A Dependência Espacial em Dados Biogeográficos
n Métodos que Incorporam a Dependência Espacial:¨ Métodos autoregressivos;
¨ Métodos geoestatísticos;
¨ Métodos de estimação de parâmetros;
¨ Geographically weighted regression.
n Resumo
8
A DE em Dados Biogeográficos
n DE (Legendre e Legendre, 1998):¨ Propriedade das variáveis aleatórias que as faz
assumir valores, em pares de pontos afastados a uma certa distância, mais ou menos similares do que aqueles esperados para pares aleatórios.
n Fontes potenciais/causas fundamentais da DE:¨ Dispersão/crescimento;¨ Predação/interação/competição/mutualismo;¨ Ambiente/barreiras físicas;¨ Histórico biogeográfica;¨ DE nas variáveis preditoras;¨ Variáveis preditores ausentes ou mau escolhidas, etc.
9
A DE em Dados Biogeográficos
n Tipos de DE com relação à escala:¨ DE em larga escala ou efeito de 1a ordem:
n Refere-se a um padrão espacial previsível ou tendência espacial determinística associada à uma variável ambiental não avaliada.
n Verdadeiro gradiente (Legendre e Legendre, 1998).¨ DE em escala fina ou efeito de 2a ordem:
n Ocorre quando os efeitos que atuam sobre a variável resposta são inerentemente espaciais, refletindo a interação biótica entre os pontos amostrados.
n Falso gradiente.
n Interação entre diferentes fatores à gradiente indireto;
n DE em estudo à efeito de 2a ordem de Haining.
10
A DE em Dados Biogeográficos
n Escala:¨ Adequada ao nível e tipo de medidas
n Variação no nível de comunidade exige que as unidades sejam grandes o suficiente para descrever diferentes componentes da comunidade.
¨ Adequada à escala natural da vegetaçãon 4 m2 para amostragem de comunidades herbáceas e 0,1 a 1
ha para amostragem de florestas
¨ tamanho da unidade amostral à avaliação da DE.n Processos que ocorrem em escala igual ou menor àquela
usada na amostragem não serão detectados.
¨ Resolução das variáveis preditoras à f(escala ecológica da variável resposta).n IDisponibilidade de dados e limites computacionais.
11
A DE em Dados Biogeográficos
n Resumidamente, a capacidade de usar a DE como ferramenta de predição, depende:¨ Haver dependência espacial na distribuição da
vegetação;¨ Resolução adotada representar adequadamente a
natureza contínua do processo associado com a distribuição da vegetação;
¨ Intervalo de amostragem e a intensidade adequados para descrever a dependência espacial.
12
A DE em Dados Biogeográficos
n Efeitos da DE nos modelos tradicionais:¨ Regressão múltipla:
n A DE viola a suposição de independência das observações amostrais;
n Afeta a avaliação da significância das relações entre as variáveis preditoras e resposta à rejeitar hipótese de que não há relacionamento entre as variáveis.
n Alternativa utilizada:¨ Manipular a amostragem evitando autocorrelaçãoD.
n Autocorrelação reduz os graus de liberdade:¨ Modificar os graus de liberdade com base na DE e
continuar as análises (Thomson et al., 1996).
13
A DE em Dados Biogeográficos
n Variações em MPV:
a) Variação não explicada (erro);
b) Variação explicada pelas variáveis ambientais;
c) Variação explicada pelo ambiente espacialmente estruturado (1a ordem);
d) Variação explicada unicamente pela DE (2a
ordem).
14
Roteiro
n Introdução
n A Dependência Espacial em Dados Biogeográficos
n Métodos que Incorporam a Dependência Espacial:¨ Métodos autoregressivos;
¨ Métodos geoestatísticos;
¨ Métodos de estimação de parâmetros;
¨ Geographically weighted regression.
n Resumo
15
Métodos que incorporam a DE
n Krigagem e modelos autoregressivos:¨ Estimam valores a partir de médias ponderadas das
amostras próximas;
¨ Na krigagem a correlação entre valores vizinhos éestimada por um variograma (afetado pela quantidade e qualidade da amostragem) à modelar a DE em larga escala;
¨ Nos modelos autoregressivos as correlações são modeladas em função de uma vizinhança definida a priori à modelar a DE em escala fina.
16
Métodos Autoregressivos
ερα ++= Wyy
εβρα +++= XWyy
Generalização
(MM)
17
Métodos Autoregressivos
n Modelos Logísticos (ALM):
innni
i
pp
autocovcovcov1
log 111 +++++=
−
βββα L
∑∈
=iNj
jiji ywautocov
n Modelos logísticos são adequados para respostas binárias (presença/ausência);
n Se autocovi = 0 então a DE não é significativa e o modelo fica reduzido a um modelo de regressão logística normal.
18
Métodos Autoregressivos
n Dois motivos impedem a aplicação mais extensiva dos modelos autoregressivos em MPV:
¨ Os procedimentos para ajustar um modelo completo são computacionalmente intensivos e programas não estão facilmente acessíveis;
¨ A seleção de uma vizinhança apropriada para calcular a autocovariância é subjetiva e extremamente afetada pelo esquema de amostragem.
19
Métodos Geoestatísticos
n Explicitamente relacionados com a modelagem da DE;
n Consideram a DE como o maior determinante para predição;
n Divide a DE em 3 componentes (variograma):¨ Variação determinística;¨ Autocorrelação espacial;¨ Ruído.
n Variograma à ajuste subjetivo e depende dos dados amostrais.
20
Métodos Geoestatísticos
n Krigagem é pouco utilizada em MPV devido a dificuldade de incluir variáveis preditoras ambientais.¨ Está baseada no conceito de variáveis regionalizadas
que descrevem fenômenos contínuos;¨ Já a distribuição da vegetação está mais relacionada
com os gradientes ambientais.n Uso de co-krigagem e krigagem universal:
¨ Permitem incluir variáveis ambientais no cálculo das previsões;
¨ Incorporam informações sobre a co-variação espacial conjunta entre duas variáveis para modelar uma delas.
21
Métodos Geoestatísticos
n Método híbrido: Krigagem regressiva (KR)¨ Assume que os resíduos possuem estrutura espacial,
decorrente de:n Escolha inadequada das variáveis preditoras;n Fatores reais como os processos bióticos que geram padrões
espaciais.
n A Krigagem regressiva foca nos resíduos de um modelo determinístico.¨ Os resíduos compreendem a DE e o ruído;¨ Combina as informações das relações ambiente-
vegetação através do modelo determinístico usado bem como as componentes locais e o erro.
22
Métodos de Estimação de Parâmetros
n Usados para obter estimativas não viciadas dos parâmetros;
n Modelos mistos lineares generalizados:¨ Adiciona aos modelos lineares generalizados uma
componente espacial aleatória;¨ Avalia a correlação entre as observações e entre os
efeitos aleatórios à parâmetros não viciados.
n Equações de estimativa generalizadas:¨ Modela a resposta média das variáveis preditoras;¨ Incorpora-se a DE num MLG usando uma função de
covariância exponencial;
n Predição é interesse secundário.
23
Geographically Weighted Regression
n Métodos anteriores à consideram os relacionamentos persistentes por toda a área;
n Relacionamentos são não-estacionários;n GWR à diferenças locais à ajusta parâmetros e
modelos regressivos que variam no espaço.¨ Utiliza todas as observações para ajustar os
parâmetros, mas as informações mais próximas apresentam pesos maiores que informações mais distantes (kernel).
¨ Incorporar função variograma à computar a DE.
ik
ikki xy εββ ++= ∑0 ( ) ( ) ik
ikiikiii xvuvuy εββ ++= ∑ ,,0
24
Roteiro
n Introdução
n A Dependência Espacial em Dados Biogeográficos
n Métodos que Incorporam a Dependência Espacial:¨ Métodos autoregressivos;
¨ Métodos geoestatísticos;
¨ Métodos de estimação de parâmetros;
¨ Geographically weighted regression.
n Resumo
25
Resumo
n Métodos autoregressivos são mais apropriados quando a DE é intrínseca e gera agrupamentos locais nos dados.
n O uso de um termo de autocovariância pode clarear a influência de outras variáveis preditoras.
n Um termo de autocovariância significativo pode indicar um modelo inadequado ao invés de efeitos da DE.
26
Resumo
n Co-krigagem pode ser usada para incluir informações de uma variável ambiental usando a co-variação espacial conjunta entre esta variável e uma variável preditora simples.
n GWR é mais usada como método de análise exploratória do que método de previsão. O mapa resultante dos coeficientes dos modelos que variam espacialmente podem sugerir padrões ou variáveis preditoras faltantes.
27
Fim
28
Referências Bibliográficasn Franklin, J., 1995. Predictive vegetation mapping: geographic modeling of
biospatial patterns in relation to environmental gradients. Progr. Phys. Geogr., 19, 474-499.
n Tobler, W., 1979. Cellular geography. In: Gale, G. O. S. (Ed.), Philosophy in Geography. Reidel, Dordrecht, pp.379-389.
n Legendre, P., Fortin, M. J., 1989. Spatial patterns and ecological analysis. Vegetatio, 80, 107-138.
n Miller, J. R., Turner, M. G., Smithwick, E. A. H, Dent, C. L., Stantely, E. H., 2004. Spatial extrapolation: the science of predicting ecological patterns and process. BioScience, 54, 310-320.
n Rushton, S. P., Ormerod, S. J., Kerkby, G., 2004. New paradigms for modelling species distributions? Journal of Applied Ecology, 41, 193-200.
n Haining, R. 1989. Geography and spatial statistics: current positions, future developments. In: Macmillan, B. (Ed.), Remodelling Geography. Basil Blackwell, Cambridge, MA, pp. 191-203.
n Legendre, P., Legendre, L., 1998. Numerical Ecology, 2nd Edition, Ed. Elsevier, Amsterdam.
n Thomson, J., Weiblen, G., Thomson, B., Alfaro, S., Legendre, P., 1996. Untangling multiple factors in spatial distributions: lilies, gophers and rocks. Ecology, 77, 1698-1715.