Predictive habitat distribution models in ecology Part II
|
|
- Terezinha Carvalho da Mota
- 7 Há anos
- Visualizações:
Transcrição
1 Predictive habitat distribution models in ecology Part II Guisan, A. ; Thuiller, W. 2005, Predicting species distribution: offering more than simple habitat. Ecology Letters, 8: Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution models in ecology. Ecological Modelling, 135:
2 2. Preparação dos Dados SDMs modelos empíricos que relacionam observações de campo a variáveis ambientais preditoras, baseados em superfícies de respostas derivadas estatística ou teoricamente. Dados das espécies: presença, presença-ausência, observações de abundância a partir de amostragem de campo aleatória ou estratificada, ou oportunistas coleções Preditores ambientais efeitos diretos ou indiretos: Fatores limitantes (reguladores): controlam eco-fisiologia (temp, água, solo) Distúrbios: perturbações (naturais ou antropogênicas) no ambiente Recursos: todos componentes assimiláveis (energia, nutrientes, água) Padrões espaciais diferenciados conforme a escala, hierarquicamente:
3 SDM fatores limitantes x escala Distribuição gradual grande extensão e resolução grosseira controle por reguladores climáticos Distribuição agrupada pequena área e resolução fina controle por distribuição agrupada de recursos (variação micro-topográfica ou fragmentação de habitat)
4 Preparação dos Dados Informação Ambiental Dados de campo, mapeamentos sistemáticos, sensoriamento remoto, e resultantes de modelagem em GIS DEM- importante pela correlação com outras variáveis, maior precisão, porém pode não ser de alto poder preditivo Gradiente topográfico pode ser usado para verificar correspondência entre atributos digitais e aqueles observados no campo Tarefa: Selecionar conjunto apropriado de dados para parametrizar o modelo??? Como selecionar variáveis preditoras???
5 As variáveis ambientais Como selecionar? Baseado no conhecimento do especialista do grupo exigências ambientais mínimas, seguindo princípios fisiológicos. Conhecimento do grupo Procedimentos estatísticos para seleção de variáveis explicativas stepwise para LS, GLMs e CCA Jackknife, etc.
6 As variáveis ambientais Comumente utilizadas escalas regionais(!) Climáticas Topográficas Solo SR...
7 Para facilitar SDMs... AMBDATA Variáveis Ambientais para Modelagem de Distribuição de Espécies Departamento de Processamento de Imagens DPI/INPE Grupo de Modelagem para Estudos da Biodiversidade Variáveis ambientais normalmente usadas para MDE Recorte BRASIL e Amazônia Legal Dados para download com referências/metadados Disponível em
8 Para facilitar SDMs... AMBDATA Variáveis Ambientais para Modelagem de Distribuição de Espécies Departamento de Processamento de Imagens DPI/INPE Grupo de Modelagem para Estudos da Biodiversidade Variáveis ambientais normalmente usadas para MDE Recorte BRASIL e Amazônia Legal Dados para download com referências/metadados Disponível em
9 3. Ajuste do Modelo Formulação do Modelo estatístico: Escolha de um algoritmo adequado para predizer um tipo de variável-resposta e estimar os coeficientes do modelo Escolha de uma abordagem estatística ótima para o contexto do modelo A maioria dos modelos estatísticos é específica para um tipo de variável-resposta e está associada a uma distribuição de probabilidade específica. Tem que testar se a variável (distr empírica) se comporta conforme a distribuição estatística
10 Ajuste do Modelo Regressões Generalizadas Relacionam uma variável-resposta a uma única (simples) ou uma combinação (múltipla) de variáveis ambientais (preditoras) Preditoras as var ambientais ou componentes ortogonais derivados (evitar multicolinearidade) de análise multivariada (PCs). Regressão clássica (RL) válida qdo variável resposta tem distr normal e variância não muda com a média (homocedasticidade)
11 Ajuste do Modelo Regressões Generalizadas GLMs modelos de regressão mais flexíveis var.resposta com outras distribuições e funções de variância não-constantes. Combinação de preditores está relacionadada var.resposta através de uma função link, que possibilita: Transformar para linearidade Manter as predições (var.resposta) dentro de um intervalo de valores coerentes Lida com distribuições Gaussiana, Poisson, Binomial ou Gamma com as funções identidade, logaritmica, logistica e inversa Se a resposta não tem uma relação linear com o preditor, pode-se incluir um termo transformador para o preditor Quando o modelo inclui termos de ordem maiores, é chamada de regressão polinomial Regressão polinomial de segunda ordem simula resposta unimodal simétrica De terceira ordem - simula respostas bimodais e com desvios, ou ambos Outras funções de transformação...
12 Ajuste do Modelo Regressões Generalizadas GAMs - Regressão Alternativa baseadas em funções nãoparamétricas de suavização do preditor Médias-móveis, regressão ponderada pela localidade ou funções de densidade ponderadas localmente Modelo aditivo generalizado suaviza independentemente cada preditor e aditivamente calcula a var. resposta Smoothers Multidimensional - possíveis Modelos de regressão podem incorporar processos ecológicos dispersão ou conectividade
13 Ajuste do Modelo Técnicas de Classificação Árvores de classificação (qualitativa) e regressão (quantitativa), classificação baseada em regras, e class. Máxima Verossimilhança. Técnicas que associam uma classe da variável resposta (binomial ou multinomial) para cada combinação de preditores ambientais (nominais ou contínuos). Construídos a partir da inter-relação de regras simples deduzidas do conhecimento prévio sobre o fenômeno a ser modelado literatura, laboratório, etc.
14 Ajuste do Modelo Envelopes ambientais - comparam a atual distribuição de uma espécie com uma quantidade de variáveis climáticas, produzindo um envelope (hipercubo) que descreve a atuação das variáveis climáticas na variação de uma espécie ƒ Os parâmetros do envelope climático podem ser usados para para estimar mudanças potenciais na distribuição, subordinadas aos vários cenários de mudanças climáticas
15 Ajuste do Modelo Envelopes ambientais BIOCLIM cálculo de envelope mínimo retangular num espaço climático multi-dimensional HABITAT espaço mais restrito com envelopes convexo (convex hull). Resultados similares, classificação difere árvore de decisão dicotômica ou com muitos nós terminais DOMAIN baseado em métrica de similaridade ponto a ponto (medidas de distância multivariadas). Mais adequado quando dados disponíveis são limitados Environmental Distance (OM) - métricas de dissimilaridade ambiental. Gower e Distância Máxima == DOMAIN
16 Ajuste do Modelo Técnicas de Ordenação spp ou comunidades Maioria baseia-se em Análise de Correspondência Canônica Análise direta de gradiente onde os eixos de ordenação principais são combinações lineares dos descritores ambientais Baseia-se na média recíproca dos scores dos locais e das espécies Assume distr gaussina das spp, com limiar inf e sup de ocorrência e um ótimo ao longo do gradiente. Apropriado para conjunto de dados com muitas ausências. Método robusto. Análise de Redundância menos usada para simular distr de comunidades ou taxa ambientalmente dependente Limita-se a gradientes ambientais curtos (truncados)
17 Ajuste do Modelo Abordagem Bayesiana Combina uma probabilidade a priori de observar a sp ou comunidade com suas probabilidades condicionadas ao valor de cada preditor ambiental. Probabilidade condicional pode ser freq relativa da ocorrência de uma sp dentro de uma classe discreta de um preditor nominal. A P a priori pode ser baseada na literatura No mapeamento da vegetação a P a posteriori é calculada para cada unidade de vegetação, e a unidade com maior probabilidade é prevista para cada localidade candidata.
18 Ajuste do Modelo Redes Neurais Recurso promissor muitas referências para (ANN), poucas para predizer distr espacial de spp ou comunidades usando descritores biofísicos Mais poderoso que regressão múltipla para modelar relações não-lineares Problema classificação processo não-paramétrico ( black art ) Outras abordagens Modelos em SIG sobreposição de variáveis ambientais, medidas de variação, similaridade e regras para combinar probabilidades Análise de função discriminante
19 Ajuste do Modelo Outras abordagens ENFA Ecological Niche-factor analysis implementado no Biomapper, difere de CCA ou RDA por considerar uma sp a cada vez. Somente dados de presença (animais). Índice de marginalidade e tolerância situa o envelope ambiental da sp dentro de um envelope ambiental multidimensional definido pelo mapeamento de todas as unidades de estudo da área MONOMAX conjunto de algoritmos ajusta uma função monotônica de máxima verossimilhança através de processo iterativo Problema: probabilidade da var. resposta é obtida de no máx 2 preditores por vez Vantagem: nenhum pressuposto sobre a distr do dado, resíduo ou variância é necessário -> bom para análise exploratória
20 GARP GARP - Genetic Algorithm for Rule-set Production Um AG para predição da distribuição potencial de espécies biológicas a partir de dados raster ambientais e biológicos; Trabalha de forma automática e não-supervisionada; Robusto: testa diversas soluções e diversos modelos (regras); Maximiza a significância e a precisão de predição das regras. Ind. População inicial Fitness Cromossomos Cromossomos filhos pais Cromossomos Cromossomos (mutação) filhos Fitness População a geração Sorteio Indivíduo Indivíduo Ind. População inicial Fitness Source: Santa Catarina, 2006
21 Maxent Distribuição de probabilidade potencial para toda área (soma dos pixels =1) Distr Prob? Elisangela S. C. Rodrigues, 2010
22 Maxent Dado (não tem significado) = 25 - pode ser armazenado no computador Informação (tem significado associado) temperatura = 25 (informação pode ser representada pelos dados) Media da temperatura maxima de fevereiro = 25 二月份的平均最高氣溫 = 25 (esta representação não nos traz informação) Conhecimento se nao souber o que é média, a informação nao faz sentido! (depende da experiência de cada um) Entropia é uma medida de desordem ou previsibilidade de um sistema. É uma medida de incerteza de um acontecimento. Observacoes inesperadas tem mais informação que observações esperadas Elisangela S. C. Rodrigues, 2010
23 Maxent É uma Medida da incerteza de informação do acontecimento de um evento; Mas se eu não tenho nenhuma ideia inicial, e um evento ocorre, a entropia é maior porque me traz mais informação! Está relacionada à probabilidade de ocorrência de um evento: Quanto maior a probabilidade de ocorrer um evento, menor a entropia. Se P for alta, nao vai ter info associada. Vai ser uma surpresa! Vai trazer informação! Entropia máxima: P uniforme (dado não viciado), Se o dado for viciado, a entropia vai ser menor, pq a P será maior. Incerteza surpresa informação (entropia no acontecimento de um evento, ou incerteza) Elisangela S. C. Rodrigues, 2010
24 Maxent Princípio da Entropia Máxima: Tendo-se varias distribuições de probabilidade possíveis deve-se escolher a distribuição de probabilidade cuja a entropia é máxima (mais dispersa ou próxima da uniforme) de acordo com algumas restrições. Entropia: quantidade de incerteza na ocorrência de algum evento. Associado a quantidade de informação transmitida no evento ( métrica ) Distr Prob? Tendo-se várias distribuições de probabilidade possíveis para aquele conjunto de pontos e camadas, deve-se selecionar aquela distribuição que transmita o maior quantidade de informação possível => Entropia Máxima Elisangela S. C. Rodrigues, 2010
25 Maxent Restrições => representam as evidências, ou seja, fatos conhecidos sobre o conjunto de dados de entrada, neste caso são as camadas ambientais.(features) X => região geográfica de interesse x1, x2,...,xn => ptos observados/registrados f1, f2,...,fn => features (valor da camada ou uma função do valor de entrada ) Tarefa: Tendo conjunto de pontos e de camadas, tem-se que encontrar a distribuição de probabilidade para este conjunto de dados: Restrições: Features, evidências (critério sobre os valores das camadas) Soma das prob = 1. n distribuições de probabilidade possíveis x1 x2 x4 x3 xn Elisangela S. C. Rodrigues, 2010
26 Maxent Existem várias distribuições de probabilidade que satisfazem todas as restrições. Quando isso acontece, o modelo é considerado consistente e dentre estes, tem-se que escolher aquele q tem a entropia máxima (p *) Encontrar os pesos para cd uma das features de forma q o resultado seja de Max entropia Do modelo, faz-se a projeção para a área, usando as variáveis ambientais x1 x2 x4 x3 O modelo expressa a adequação de cada célula da grade como uma função das variáveis ambientais daquela célula. Um valor alto desta função numa célula indica que ali existem condições favoráveis para a espécie. Predição de condições favoráveis xn
27 Ferramentas para modelagem R - modelos estatísticos (RL, GLM, GAM, ) openmodeller (Bioclim, climate space model, envelope score, environmental distance (várias métricas), GARP, SVM, maxent) DesktopGarp Maxent BioClim & Domain Biomapper Spatial Analysis in Macroecology
28 4. Calibração do Modelo Ajuste do modelo matemático que foi selecionado para um conjunto de dados específico Melhorar a concordância entre a saída do modelo e o conj dados Seleção de variável explicativa quais usar, estimar seus coeficientes Seleção de preditores: Arbitrária (não recomendada) Automática stepwise para LS, GLMs e CCA Seguindo princípios fisiológicos ou seguindo regras de shrinkage (encolhimento) N preditores < m/10 (m= total de observações ou, para resposta binárias, observações para a categoria de menor representatividade)
29 Calibração do Modelo Preditores considerar também as transformações (termos polinomiais, função beta, eixos ordenados difícil de explicar por não ter valor biológico associado) Melhor selecionar os gradientes diretos e de recursos para calibrar o modelo, para otimizar significado ecológico e interpretabilidade Transformação de variáveis curvas resposta da sp aos gradientes ambientais. Tendo uma forma modelo estatístico deverá reproduzir e formalizar esta forma. Estimativa de parâmetros disponível na maioria dos softs (SAS, S-Plus, SPSS, SYSTAT, etc) Ajuste => medida da redução da variância (ou do desvio no caso da estimativa por Máx. Ver.)
30 Calibração do Modelo GLMs redução do desvio D 2 (equivalente ao R 2 do LS) D 2 = (desvio nulo desvio residual)/ Desvio nulo desvio nulo= desvio do modelo em relação ao intercepto desvio residual = desvio inexplicado após a inclusão de todas vars Modelo perfeito não tem desvio residual e D 2 = 1 D 2 ajustado (equivalente ao R 2 ajustado) D 2 adj= 1 [(n-1)/(n-p)] x [1 - D 2 ] (n de observações, p de parâmetros) D 2 ajustado permite comparar modelos com diferentes combinações de variáveis. Deve ser testado para um nível de significância, de acordo com o método escolhido para estimar os coeficientes. Para GLMs usa-se X 2 para testar a diferença das variâncias e teste t para testar se o coeficiente difere significativamente de zero.
31 Calibração do Modelo Métodos de classificação por árvores de decisão Modelo tenta prever o dado exatamente, e assim não precisa ajuste, pode fazer a avaliação do modelo após a calibração Árvores de regressão e classificação número de nós quase igual ao de obs. Modelo não é tem redução de complexidade. Pode ser feita redução de terminais, combinada com validação cruzada. Replicações seriam aconselhadas para evitar a aleatoriedade dos resultados Envelopes ambientais Ao invés de usar o mesmo conj de var ambientais para todas as spp (BIOCLIM), selecionar um sub-conjunto para usar no algoritmo CART Este sub-conj define o envelope multidimensional que melhor engloba a ocorrência das spp O modelo de HABITAT divide o envelope global em sub-envelopes de tamanhos variados A proporção de ocorrência da sp / total observações em cada sub-envelope dá uma medida do grau de pertinência de cada novo site para cada sub-envelope da sp. Para o DOMAIN há uma estimativa do grau de confiança para a classificação não é probabilístico tb.
32 Calibração do Modelo Métodos de ordenação ou análise de gradiente ou ordenação direta Como CCA semelhante à calibração da regressão linear critério de ajuste é minimizar a razão: Média da soma dos quad. da var entre spp / var da soma dos quad. total Variáveis selecionadas passo-a-passo Após a ordenação cada eixo pode ser testado para significância através de permutações de Monte-Carlo. (e segue...) Modelo Bayesiano Equivale a calcular a probabilidade condicional de estado multivariado de cada entidade considerada, dando os valores dos preditores ambientais Significância de cada variável é medida por análise de frequência X 2 - decidirá quais variáveis farão parte do modelo
33 Calibração do Modelo Funções discriminantes ou análise de gradiente ou ordenação direta Calibradas usando estatística Wilk s de ajuste medida equivalente ao R 2 para a regressão Durante a calibração do modelo a influência individual de cada observação pode ser avaliada graficamente LS e GLMs outliers, análise dos resíduos Método Jack-knife deixando sempre uma observação de fora a cada vez e observando o resultado do ajuste do modelo => valores de influência empírica para cada observação. Plotados em função do número de observações para detectar outliers
34 5.Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos)
35 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Distribuição de abundância mais provável (GLM ordinal)
36 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Abundância mais provável (GLM ordinal) Ocorrência predita métricas não probabilísticas (CCA) Distribuição potencial
37 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Abundância mais provável (GLM ordinal) Ocorrência prevista métricas não probabilísticas (CCA) Entidade mais provável (das análises hierárquicas)
38 Predições dos modelos Dificuldades de fazer modelagem diretamente em ambientes GIS Ausência dos procedimentos estatísticos para a modelagem e calibração Algumas opções são mais facilmente implementáveis (GLMs) As classificações baseadas em regras são as mais facilmente realizadas - de sobreposição de mapas com regras condicionais Alguns algoritmos de envelopes climáticos foram implementados com funcionalidades para visualização dos mapas Maioria são implementados através de macros TerraLib+OpenModeller
39 6. Avaliação dos modelos Validação medir a adequação entre o modelo predito e as observações de campo (~accuracy para RS) Mas Validação = análise lógica dos modelos, o que chamou de formulação do modelo teórico. Propõe termo avaliação não avalia se é V ou F, mas testa hipóteses e predição de padrões biológicos Avaliação medida de adequação, depende do objetivo do projeto e do domínio de aplicação do modelo
40 6. Avaliação dos modelos Duas abordagens gerais: Usar um conj de dados para calibrar o modelo e depois avaliá-lo por validação cruzada (CV) Técnicas de bootstrap - dois data set independentes, um para calibrar e outro para avaliar Primeiro passo - bootstrap e CV avaliam a estabilidade do modelo Segundo passo se tiver dados independentes a qualidade das predições do modelo pode ser avaliada
41 Avaliação dos modelos Jack-knife, validação cruzada e Bootstrap Jack Knife - Swiss penknife fácil de carregar (1958) abordagem genérica para testar hipóteses e calcular intervalos de confiança Computado deixando de fora uma observação por vez Cross-validation verificar a replicabilidade dos resultados. Hipótese - se o resultado é replicável ou simplesmente aleatório. Conhecido por usar parte das observações para ajustar o modelo e parte para testar o erro Simples computa para conj treinamento e computa o erro de predição com o de teste Dupla modelos para os dois conjuntos e ambas equações usadas para gerar a CV Multi CV- repete a dupla muitas vezes, selecionando sub-amostras aleatórias
42 Avaliação dos modelos Jack-knife, validação cruzada e Bootstrap Um conjunto de dados único para calibrar e avaliar Poucos dados (melhor usar JK ou bootstrap), ou quer usar todas as obs para calibrar neste caso não pode avaliar o modelo fora do intervalo de calibração. Bootstrap aborda o desvio da estimativa realizando reamostragens múltiplas com reposição, dentro do conj dados de calibração. Remove os desvios para obter uma estimativa unbiased. Bias diferença entre a estimativa do parâmetro e o valor real da população. Se a diferença entre o valor obtido e o corrigido para desvios é muito alta, a adequação do modelo deve ser questionada
43 Avaliação dos modelos Avaliação por conjunto de dados independente Dois conjuntos de dados independentes - calibrar e avaliar Abordagem split-sample um grande conjunto de dados é dividido para cada etapa Inapropriado para pequenos conj de dados Atraente quando se tem muitos dados CV ou bootstrap Se há dois conjuntos originais (amostragem e observacional) não misturar em uma mesma análise estatística: calibração e avaliação Interfere no desenho amostral, impedindo o ajuste adequado do modelo 1. Avaliar a predição com a mesma métrica de ajuste usada na calibração medir ajuste entre predito e do conj dados de avaliação. (LS calcular R 2 para valores preditos e valores de campo) 2. Usar qualquer medida discreta de associação entre o predito e o observado.
44 Métodos de avaliação Método de avaliação mais comum é a matriz de confusão Erro de comissão não são considerados erros do modelo Erros de omissão são graves Predito Real a b - c d Erros de omissão Erros de comissão Área mínima prevista - prever áreas com potencial de ocorrência as menores possíveis Iwashita, INPE
45 Métodos de avaliação Receiver operator characteristic (ROC-plot), gráfico de sensibilidade versus especificidade Sensibilidade é a probabilidade de um pixel x ser corretamente classificado como ocorrência Especificidade é a probabilidade de um pixel ser corretamente classificado como ausência Quanto mais próximo de 1 for a área sob a curva AUC, melhor o desempenho do modelo Iwashita, INPE
46 Métodos de avaliação Receiver operator characteristic (ROC-plot), gráfico de sensibilidade versus especificidade Sensibilidade é a probabilidade de um pixel x ser corretamente classificado como ocorrência Especificidade é a probabilidade de um pixel ser corretamente classificado como ausência Quanto mais próximo de 1 for a área sob a curva AUC, melhor o desempenho do modelo
47 All models are wrong but some are useful! (Box, 1979). Obrigada! (consultem e participem de nossas Referatas!
48 Referências Guisan, A. ; Thuiller, W. 2005, Predicting species distribution: offering more than simple habitat. Ecology Letters, 8: Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution models in ecology. Ecological Modelling, 135: Ambdata ( Referatas ( IWASHITA, F. Sensibilidade de modelos de distribuição de espécies a erros de posicionamento de dados de coleta p. (INPE TDI/1291). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, Disponível em: < Acesso em: 06 abr
49 Cenários para a Amazônia: Clima, Biodiversidade e Uso da Terra Meta 4. Modelagem Climática Regionalizada para Amazônia Modelagem da Distribuição Potencial das Palmeiras na Amazônia: Cenários Atuais e Futuros Reunião do Projeto Cenários INPA/Manaus 2012 Luciana S. Arasato Silvana Amaral 29 e 30 de outubro de
50 Meta 4 - Modelagem Climática Regionalizada para Amazônia Atividade 1: Aprimorar a modelagem de relações bioma-clima Atividade 2: Elaboração de Cenários Climáticos Futuros Regionalizados (Pedro Dias) CENÁRIOS PARA A AMAZÔNIA: USO DA TERRA, BIODIVERSIDADE E CLIMA Integrar ações e competências de três dos grandes programas de pesquisas do Ministério da Ciência e Tecnologia para a Amazônia e, assim, formar cenários mais completos que permitam ampliar o embasamento técnico-científico e o apoio à tomada de decisões em níveis estaduais e regionais na Amazônia incrementar e aprimorar as ações de disseminação dos conhecimentos gerados e de formação de recursos humanos qualificados nas áreas de atuação dos programas.
51 MODELAGEM DA DISTRIBUIÇÃO POTENCIAL DAS PALMEIRAS NA AMAZÔNIA: Cenários Atuais e Futuros
52 Objetivos 1) Selecionar o melhor conjunto de variáveis ambientais para descrever a distribuição das palmeiras na Amazônia, a partir dos MDEs, no cenário de clima atual; 2) Discutir a influência da mudança do clima na distribuição das palmeiras.
53 Objetivos específicos - Definir critérios para a escolha do conjunto de variáveis ambientais mínimas para a geração dos MDEs; - Gerar mapas de distribuição de ocorrência da espécie, baseado nos MDEs gerados; - Gerar um mapa que indique a riqueza (número de espécies) das palmeiras, considerando as espécies estudadas; - Realizar exercícios de modelagem de distribuição futura das palmeiras, com base nos MDEs de clima atual.
54 ALGORITMO Modelagem de distribuição potencial de espécies Pontos de ocorrência ou presença/ausência Posição geográfica Variáveis descritoras temperatura precipitação topografia MODELO de DISTRIBUIÇÃO de ESPÉCIES Distribuição Preditiva Arasato (2011)
55 Área de estudo Região da Amazônia Legal Brasileira
56 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Dados de presença de palmeiras Variáveis ambientais atuais Modelagem da distribuição de palmeiras em escala regional - Amazônia
57 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Maxent MDEs cenário atual
58 Dados de ocorrência Total: 2637 registros INSTITUTO DE BOTÂNICA Jardim Botânico de São Paulo espécies com ocorrência somente na Amazônia Legal do Brasil com mínimo de 10 ocorrências
59 Espécies modeladas 21 espécies Espécie número de ocorrências Mauritiella aculeata (Kunth) Burret 11 Mauritiella armata (Mart.) Burret 17 Attalea maripa (Aubl.) Mart. 10 Astrocaryum vulgare Mart. 10 Bactris concinna Mart. 10 Bactris elegans Barb.Rodr. 10 Bactris maraja Mart. 40 Bactris oligocarpa Barb.Rodr. 11 Barcella odora (Trail) Drude* 10 Socratea exorrhiza (Mart.) H. Wendl. 23 Chamaedorea pauciflora Mart. 18 Chamaedorea pinnatifrons (Jacq.) Oerst. 12 Euterpe oleracea Mart. 15 Euterpe precatoria Mart. 16 Geonoma brongniartii Mart. 16 Geonoma camana Trail 12 Geonoma deversa (Poit.) Kunth 45 Geonoma leptospadix Trail 15 Geonoma macrostachys Mart. 46 Geonoma maxima (Poit.) Kunth 32 Geonoma stricta (Poit.) Kunth 76
60 Variáveis ambientais CENÁRIO ATUAL Variáveis climáticas (67 variáveis): Bioclimáticas Precipitação Temperaturas: mínimas, médias e máximas
61 Variáveis ambientais Topografia: altitude declividade orientação de vertente distância vertical a drenagem mais próxima - HAND
62 Seleção das variáveis ambientais MDEs cenário atual 1) Geração de MDEs das palmeiras considerando todas as variáveis ambientais (71 variáveis) - Conjunto de teste e treino: Validação Cruzada
63 COM TODAS AS VARIÁVEIS AMBIENTAIS
64 Seleção das variáveis ambientais MDEs cenário atual Os critérios considerados para seleção das variáveis foram: 1) Variáveis apresentaram algum valor no teste de importância de permutação; 2) Variáveis apresentaram valores maiores que 1% na porcentagem de contribuição; 3) Entre as variáveis correlacionadas, escolheu-se a que apresentou maior importância no valor de permutação; 4) Variáveis importantes no teste de jackknife.
65 Espécies (ID) altitude declividade exposicao hand100 bio02 bio03 bio04 bio05 bio07 bio11 bio12 bio13 bio14 bio15 bio16 bio17 bio18 bio19 prec01 prec02 prec03 prec04 prec05 prec06 prec07 prec08 prec09 prec10 prec11 prec12 tmax01 tmax02 tmax03 tmax04 tmax05 tmax06 tmax07 tmax09 tmax10 tmax11 tmax12 tmean02 tmean05 tmean08 tmean09 tmean10 tmin01 tmin02 tmin03 tmin04 tmin05 tmin09 tmin11 tmin12 Variáveis ambientais cenário atual Variáveis ambientais 1 x x x x x x x x x x x 2 x x x x x x x x x 3 x x x x x x x x x x x x 4 x x x x x x x x x x 5 x x x x x x x x x x x x Cada espécie tem seu conjunto de variáveis ambientais 6 x x x x x x x x x x x x 7 x x x x x x x x x x x x x x x 8 x x x x x x x x x x x x 9 x x x x x x x x x 10 x x x x x x x x x x x x x 11 x x x x x x x x x x x x x x x 12 x x x x x x x x x x x x x x x x 13 x x x x x x x x x x 14 x x x x x x x x x x x x x x x 15 x x x x x x x x x x x x x x 16 x x x x x x x x x x x x 17 x x x x x x x x x x x x x x 18 x x x x x x x x x x x x x x 19 x x x x x x x x x x x x x x x x x 20 x x x x x x x x x x x x x x x x x 21 x x x x x x x x x x x x x x x x
66 MDE Total: 21 MDEs Mauritiella aculeata Modelagem da distribuição de palmeiras em escala regional - Amazônia
67 MDE Total: 21 MDEs Mauritiella aculeata MDEs descrevem a distribuição real das espécies? Henderson et al. (1995) Modelagem da distribuição de palmeiras em escala regional - Amazônia
68 Mapa de ocorrência MDE Mapa binário Barcella odora (Trail) Drude método LPT (Lowest presence threshold) (PEARSON et al., 2007) limiar = o menor valor de probabilidade entre os pontos de presença
69 Limiares de presença de espécie Espécie Limiar de presença da espécie Mauritiella aculeata (Kunth) Burret 0,431 Mauritiella armata (Mart.) Burret 0,196 Attalea maripa (Aubl.) Mart. 0,184 Astrocaryum vulgare Mart. 0,208 Bactris concinna Mart. 0,453 Bactris elegans Barb.Rodr. 0,298 Bactris maraja Mart. 0,167 Bactris oligocarpa Barb.Rodr. 0,524 Barcella odora (Trail) Drude 0,367 Socratea exorrhiza (Mart.) H. Wendl. 0,208 Chamaedorea pauciflora Mart. 0,234 Chamaedorea pinnatifrons (Jacq.) Oerst. 0,218 Euterpe oleracea Mart. 0,594 Euterpe precatoria Mart. 0,165 Geonoma brongniartii Mart. 0,259 Geonoma camana Trail 0,475 Geonoma deversa (Poit.) Kunth 0,117 Geonoma leptospadix Trail 0,104 Geonoma macrostachys Mart. 0,096 Geonoma maxima (Poit.) Kunth 0,106 Geonoma stricta (Poit.) Kunth 0,001
70 Sobreposição de mapas Mapa binário de ocorrência da espécie, baseado no MDE. Mapa de ocorrência da espécie de Henderson et al. (1995)
71 Sobreposição de mapas GEOREFERENCIADO
72 Sobreposição de mapas
73 Comparação dos mapas 21 espécies modeladas Adequado; Razoável; ou Inadequado.
74 Comparação dos mapas INADEQUADO
75 Comparação dos mapas Melhorar um pouco - RAZOÁVEL ausência presença
76 17 espécies Comparação dos mapas
77 Avaliação dos MDEs 21 espécies modeladas 2 espécies INADEQUADO Mauritiella aculeata (Kunth) Burret Bactris oligocarpa Barb.Rodr. 2 espécies RAZOÁVEL Geonoma stricta (Poit.) Kunth Mauritiella armata (Mart.) Burret 17 espécies ADEQUADO Astrocaryum vulgare Mart., Attalea maripa (Aubl.) Mart., Bactris concinna Mart., Bactris elegans Barb.Rodr., Bactris maraja Mart., Barcella odora (Trail) Drude, Chamaedorea pauciflora Mart., Chamaedorea pinnatifrons (Jacq.) Oerst., Euterpe oleracea Mart., Euterpe precatoria Mart., Geonoma brongniartii Mart., Geonoma camana Trail, Geonoma deversa (Poit.) Kunth, Geonoma leptospadix Trail, Geonoma macrostachys Mart., Geonoma maxima (Poit.) Kunth e Socratea exorrhiza (Mart.) H. Wendl.
78 Soma dos mapas de ocorrência Indicação de riqueza de nicho ecológico das palmeiras Mapas binários de ocorrência das palmeiras Mapa da riqueza de palmeiras
79 Soma dos mapas de ocorrência Indicação de riqueza de nicho ecológico das palmeiras Mapas binários de ocorrência das palmeiras Mapa da riqueza de palmeiras
80 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Maxent MDEs cenário atual
81 Modelagem de distribuição potencial na Amazônia Variáveis ambientais futuros Maxent MDEs cenário atual MDEs cenário futuro??? 2ª etapa Cenário de Clima futuro
82 E se o clima muda?? Simulação com as condições climáticas provenientes de cenários de mudanças futuro.? Contribuir para o entendimento das influências das mudanças do clima na região em relação os limites do nicho ecológico para a sobrevivência das palmeiras.
83 Exercício de Modelagem - Predição Espécies com MDE e mapas validados pela literatura: Barcella odora e Chamaedorea pauciflora Barcella odora Variáveis adequadas para o presente Método Delta; Projeção futura cenário SRES A2A HadCM3 Clima América Futuro do Sul WordClim período de B. odora: bio15, bio4, bio7, declividade, prec1, prec5, tmax4, tmax7, tmean2 C. pauciflora: bio15, bio16, bio18, Variáveis bio19, bio4, declividade, exposição, hand50, prec11, prec2, prec7, tmax1, tmax5, tmin9.
84 Exercício de Modelagem - Predição Maxent Validação Cruzada: 10 (B. odora) e 15 (C. pauciflora) runs América do Sul AMBDATA (30 arcsec) Variáveis topográficas mesmas do presente Método Delta; cenário SRES A2A; Clima HadCM3; Futuro WordClim América do Sul período de Chamaedorea pauciflora B. odora: bio15, bio4, bio7, declividade, prec1, prec5, tmax4, tmax7, tmean2 Variáveis C. pauciflora: bio15, bio16, bio18, bio19, bio4, declividade, exposição, hand50, prec11, prec2, prec7, tmax1, tmax5, tmin9.
85 Modelagem Barcella odora Resultados: Barcella odora
86 Modelagem Predição B. odora Resultados: avg max median min stddev treino AUC teste
87 Modelagem Predição B. odora Resultados: B.odora: - Preferência por solos mais úmidos (mal drenados); -Tipicamente presente ao norte do rio Amazonas; avg max median min stddev - Relacionada às regiões de baixa altitude umidade do solo e temperatura; - Cenário predito de mudanças climáticas favorável pelo exercício de simulação por MDE teria seu nicho ecológico potencial aumentado!!!
88 Modelagem Chamaedorea pauciflora Resultados: Chamaedorea pauciflora
89 Modelagem Predição C. pauciflora avg max median min stddev treino AUC teste
90 Modelagem Predição C. pauciflora C. pauciflora: - Exclusiva de terras baixas da Bacia Amazônica, em florestas de várzea da Colômbia, Equador, Peru e Brasil; avg max median min stddev - Oeste da Amazônia BR - restrita ao Acre); - simulação indica que ficará restrita às areas dos Andes e no sul do BR (condições semelhantes) improvável! - Cenário predito de mudanças climáticas desfavorável pelo exercício treino de simulação por MDE AUC teria seu nicho teste ecológico potencial muito reduzido na Amazônia!!!
91 Comentários Finais - Banco de dados de ocorrência com localização e identificação revisados; - identificar um conjunto de variáveis ambientais específico para a modelagem de nicho ecológico de cada espécie de palmeira estudada; - Resultados compatíveis com as áreas de ocorrência descrita por Henderson et al. (1995) - Critérios para banco de dados, seleção de variáveis, e validação dos resultados são críticos para construção de distribuição atual
92 Considerações finais Efeito dos cenários de MC sobre biodiversidade usando MDE Factível, útil PORÉM dependente de conhecimento das variáveis condicionantes de distribuição atual (modelagem tempo presente) simulação de respostas a MC futuras depende do conhecimento / descrição do processo atual.?
93 Considerações Continuidade: - Seleção de cenários de MC discussão junto aos pares - Reproduzir modelagem preditiva para todas as espécies cujos modelos atuais foram consistentes - Inferência de impacto sobre a distribuição do padrão de riqueza - Estudar dispersão do grupo/ das espécies em relação à paisagem possibilidade de migração e.g. áreas de floresta existentes (desmatamento) - Ampliação do banco de dados família Palmae Amazônica
94 Agromundo Família Arecaceae (Palmae) As mais características da flora tropical Brasil: ~ 36 gêneros e 195 espécies (Giulietti et al, 2005) Obrigada! buriti pupunha
Proposta: Modelagem da Distribuição Potencial das Palmeiras na Amazônia: Cenários Atuais e Futuros
CENÁRIOS PARA A AMAZÔNIA: USO DA TERRA, BIODIVERSIDADE E CLIMA Proposta: Modelagem da Distribuição Potencial das Palmeiras na Amazônia: Cenários Atuais e Futuros Luciana Satiko Arasato bolsista "Projeto
Leia maisPredictive habitat distribution models in ecology
Predictive habitat distribution models in ecology Guisan, A. ; Thuiller, W. 2005, Predicting species distribution: offering more than simple habitat. Ecology Letters, 8:993-1009. Guisan, A. ; Zimmermann.
Leia maisAssim, no algoritmo BIOCLIM, qualquer ponto do espaço pode ser classificado como:
ANEXO A ALGORITMOS BIOCLIM E GARP A.1 Algoritmo BIOCLIM O algoritmo BIOCLIM implementa o conceito de envelope bioclimático (Nix, 1986). O algoritmo calcula a média e o desvio-padrão para cada variável
Leia maisGeoprocessamento e Biodiversidade: contribuições para a modelagem da distribuição de palmeiras Amazônicas. Luciana Satiko Arasato 1 Silvana Amaral 1
Geoprocessamento e Biodiversidade: contribuições para a modelagem da distribuição de palmeiras Amazônicas Luciana Satiko Arasato 1 Silvana Amaral 1 1 Instituto Nacional de Pesquisas Espaciais - INPE Caixa
Leia maisModelagem de nicho ecológico de anuros da Mata Atlântica: estudo de caso com Hypsiboas bischoffi (Anura: Hylidae)
Modelagem de nicho ecológico de anuros da Mata Atlântica: estudo de caso com Hypsiboas bischoffi (Anura: Hylidae) João Giovanelli 1 *, Marinez Siqueira 2, Célio F. B. Haddad 1 & João Alexandrino 1 1 Laboratório
Leia maisPara que modelar a distribuição
Disciplina: Diversificação e Biogeografia da Biota Neotropical Ricardo Pinto da Rocha Novembro 2014 Imagem base de dados. Imagem obtida. Fonte: Cottrell - Maximum Entropy Modelling of Noisy and Incomplete
Leia maisÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2
COMO USAR ESTE LIVRO ÍNDICE PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 Variáveis, Populações e Amostras 1.1. VARIÁVEIS ESTATÍSTICAS E ESCALAS DE MEDIDA 27 1.2. POPULAÇÃO VS. AMOSTRA
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisFundamentos de Entropia Máxima para Aplicação na Modelagem de Distribuição Geográfica de Espécies
Escola Politécnica da Universidade de São Paulo EPUSP Departamento de Engenharia de Computação e Sistemas Digitais PCS Laboratório de Linguagens e Técnicas Adaptativas LTA Laboratório de Automação Agrícola
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia mais7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS 7.1. Conclusões Neste trabalho foi estudado o problema da dinâmica da atenuação aplicado a dados resultantes de 28 anos-sítio, sendo 7 de enlaces via satélite
Leia maisAjustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão.
Glossário Ajustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão. Análise de co-variância: Procedimento estatístico utilizado para análise de dados que
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Distribuição de Pontos Caracterização de Distribuição de Pontos Estimador de Kernel Método do Vizinho Mais Próximo Função K Exemplos Práticos com o Sistema SPRING Introdução 3 Consideramos
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisRisco de Desmatamento
Márcio Sales, Carlos Souza Jr. Resumo Neste boletim, comparamos os dados do Prodes, para o período de agosto de 2010 a julho de 2011, com os resultados apresentados no Boletim de Risco de Desmatamento
Leia maisProcessos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C.. L. F. de Carvalho Monitor: Valéria Carvalho lanejamento e Análise de Experimentos rincipais tópicos Estimativa do erro artição dos dados Reamostragem
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisA UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS NO PLANEJAMENTO E ANÁLISE DE ESTUDOS EXPERIMENTAIS EM ENGENHARIA DE SOFTWARE (FONTE:
A UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS NO PLANEJAMENTO E ANÁLISE DE ESTUDOS EXPERIMENTAIS EM ENGENHARIA DE SOFTWARE (FONTE: ESELAW 09 MARCOS ANTÔNIO P. & GUILHERME H. TRAVASSOS) 1 Aluna: Luana Peixoto Annibal
Leia maisInterpolação. Dr. Marcos Figueiredo
Introdução às Análises Espaciais para Ecologia e Conservação da Biodiversidade (PPGE, PPGBIO) (Graduação em Biologia - IBE 013) Interpolação Dr. Marcos Figueiredo (mslfigueiredo@gmail.com) Tópicos 1. Conceito
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisvariável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência
REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores. Estimativa da Acurácia. Introdução. Estimativa da Acurácia
Roteiro PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br
Leia maisLaboratório Nº 5. A geoestatística permite descrever a continuidade espacial, a qual é uma característica
Laboratório Nº 5 INTRODUÇAO A geoestatística permite descrever a continuidade espacial, a qual é uma característica essencial de muitos fenómenos naturais. Modelos inferenciais para este objetivo vêm sendo
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisMODELO DIGITAL DE TERRENO II
Geoprocessamento Graduação em Geografia 4º ano / 1º Semestre Profa. Dra. Fernanda Sayuri Yoshino Watanabe Departamento de Cartografia fernanda.watanabe@unesp.br 2019 MODELO DIGITAL DE TERRENO II TRABALHANDO
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisNoções de Exatidão, Precisão e Resolução
Noções de Exatidão, Precisão e Resolução Exatidão: está relacionada com o desvio do valor medido em relação ao valor padrão ou valor exato. Ex : padrão = 1,000 Ω ; medida (a) = 1,010 Ω ; medida (b)= 1,100
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia maisBioestatística UNESP. Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP
Bioestatística UNESP Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP Perguntas iniciais para reflexão I - O que é Estatística? II - Com que tipo de informação (dados)
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisInformações Climáticas para Estudos Hidrológicos no Distrito Federal. Pablo Borges de Amorim
Informações Climáticas para Estudos Hidrológicos no Distrito Federal Pablo Borges de Amorim Florianópolis, 18 de Agosto de 2016 1 Sumário 1. Pergunta científica 2. Objetivos 3. Clima recente 4. Projeções
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisClassificação e ordenação de um povoamento florestal atingido pelo fogo
Classificação e ordenação de um povoamento Flora Martins Eng. florestal, mestranda em sensoriamento remoto florarvm@dsr.inpe.br V Congreso Forestal Latinoamericano 18-21 Octubre 2011 Introdução Diante
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisINTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À ESTATÍSTICA ESPACIAL Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Métodos Índices de agregação Métodos de quantificação da dependência especial Correlograma Variograma Métodos
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR -20149072 DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DA QUANTIDADE DE MATRÍCULAS NO ENSINO REGULAR NO ESTADO DO
Leia maisCAPÍTULO 6. Incerteza de Medição. 6.1 Introdução
CAPÍTULO 6 Incerteza de Medição 6.1 Introdução O VIM define o mensurando como a grandeza específica submetida à medição, e o valor verdadeiro como sendo o valor de uma grandeza compatível com a definição
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisMedidas de Semelhança
Medidas de Semelhança Índices de Semelhança Grandezas numéricas que quantificam o grau de associação entre um par de objetos ou de descritores. Como escolher um Índice? O objetivo da análise é associar
Leia mais5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
Leia maisAutocorrelação Espacial. Sistemas de Informação Geográfica II. Estatística espacial MAUP. Estatísticas espaciais. Estatística espacial
Sistemas de Informação Geográfica II Estatística espacial Alexandre Gonçalves DECivil - IST alexandre.goncalves@tecnico.ulisboa.pt Autocorrelação Espacial Os dados de locais próximos entre si tendem a
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisProfessora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise
Leia maisPrincípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Leia maisIncerteza local e incerteza espacial SIMULAÇÃO
Incerteza local e incerteza espacial SIMULAÇÃO Situações em que o interesse na avaliação da incerteza não se resume a um ponto, mas a um conjunto de pontos simultaneamente. Com a krigagem é possível a
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisSCC Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos
Métodos de Amostragem e Avaliação de Algoritmos SCC-630 - Capítulo 10 Métodos de Amostragem e Avaliação de Algoritmos João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisVariância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
Leia maisCAPÍTULO 4 DESCRIÇÃO E EXPLORAÇÃO DOS DADOS 2ª parte
CAPÍTULO 4 DESCRIÇÃO E EXPLORAÇÃO DOS DADOS 2ª parte 4.3 Medidas de posição 4.4 Medidas de dispersão 4.5 Separatrizes Prof. franke 2 Vimos que a informação contida num conjunto de dados pode ser resumida
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisLuciana Satiko Arasato. Orientadores: Camilo Daleles Rennó e Silvana Amaral
Incluindo dependência espacial na modelagem da distribuição de Euterpe edulis Mart. (palmito juçara) no gradiente altitudinal da mata Atlântica em Ubatuba-SP. Luciana Satiko Arasato Orientadores: Camilo
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisAula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad
Aula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad Exercício 4 (spatial scale and rate of density) Inferência pode mudar com a escala espacial Problemas de agregação espacial
Leia maisPROVA DISCURSIVA. Com base no exemplo acima, descreva outros três métodos comumente utilizados na modelagem de nicho ecológico de espécies.
PROVA DISCURSIVA Nesta prova que vale cem pontos, sendo vinte e cinco pontos para cada questão, faça o que se pede, usando os espaços para rascunho indicados no presente caderno. Em seguida, transcreva
Leia maisRECONHECIMENTO DE PADRÕES - RP
RECONHECIMENTO DE PADRÕES - RP Definições Básicas O que é? 2 Ramo do aprendizado de máquina Consiste em atribuir um rótulo (ou classe) para uma certa amostra ou valor de entrada Exemplo: classificação
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisMapas e Estatística. Professores Ligia Vizeu Barrozo Reinaldo Paul Pérez Machado
Mapas e Estatística Professores Ligia Vizeu Barrozo Reinaldo Paul Pérez Machado Abordagens Características básicas Ciência Provisório Explicativo Lógico Empírico Filosofia Provisório Explicativo Lógico
Leia maisMEDIDAS DE POSIÇÃO E DE DISPERSÃO. Profª Andréa H Dâmaso
MEDIDAS DE POSIÇÃO E DE DISPERSÃO Profª Andréa H Dâmaso Bioestatística e Delineamento Experimental - 2012 Tópicos da aula Medidas de tendência central e dispersão Variáveis contínuas: distribuição normal
Leia maisEstatística descritiva
Estatística descritiva Para que serve a estatística? Qual o seu principal objectivo? obter conclusões sobre a população usando uma amostra? População Amostragem Amostra Uma ou mais variáveis (X) são observadas
Leia maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia mais