@MASTERSTHESIS{ 2020:546989283,
 	title = {Variabilidade espacial da produtividade da soja na região oeste do Paraná associada a variáveis agrometeorológicas utilizando Bootstrap},
 	year = {2020},
 	url = "http://tede.unioeste.br/handle/tede/5029",
 	abstract = "É importante o acompanhamento da produtividade da soja para as estratégias do mercado
 e para a segurança alimentar mundial. Para previsões da cultura é preciso compreender de
 forma espaço-temporal as relações dos fatores que influenciam o crescimento da cultura,
 destacando-se os aspectos agrometeorológicos com maior atuação no ciclo da soja. A
 estatística espacial de áreas busca padrões de associação em um determinado local por
 meio de índices de autocorrelação e correlação espacial. Uma vez detectada a correlação
 dos fatores na produtividade da soja, é possível realizar as predições por meio de modelos
 de regressão espacial, os quais incorporam ao modelo a estrutura espacial dos dados. No
 entanto, em amostras pequenas há dificuldade em atender aos pressupostos destes
 modelos; assim, explora-se a técnica de reamostragem bootstrap dos resíduos como
 estimador dos coeficientes. Diante disso, realizou-se uma análise espacial da produtividade
 da soja e das variáveis agrometeorológicas temperatura média, radiação solar global média
 e precipitação pluvial, por meio dos índices Ι de Moran Global e Índice Local de Associação
 Espacial (LISA) para, assim, predizer a produtividade da soja por meio dos modelos
 espaciais Spatial AutoRegressive (SAR) e Conditional AutoRegressive (CAR) nos
 anos-safras 2014/2015, 2015/2016 e 2016/2017, na região Oeste do Paraná. Observou-se
 que a produtividade da soja está fortemente autocorrelacionada nos municípios do estudo,
 e a significância dos índices de correlação confirmaram a influência das variáveis
 agrometeorológicas na produtividade da soja. Além disso, na modelagem da produtividade
 da soja a partir das variáveis agrometeorológicas encontraram-se os melhores valores dos
 critérios de seleção Critério de Informação de Akaike – AIC, Máximo Valor do Logaritmo da
 Função Verossimilhança – MVLFV e Raiz do Erro Quadrático Médio – RMSE com o modelo
 CAR no ano-safra 2015/2016. A análise dos modelos SAR e CAR a partir das estimativas
 pela técnica de bootstrap resultou em valores dos coeficientes aproximados aos estimados
 por máxima verossimilhança, o que corrobora para o uso do método bootstrap dos resíduos.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Agrícola},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}