RELATÓRIO DAS ANÁLISES ESTATÍSTICAS DE UM TALH~AO

PADRÕES ESPACIAIS NA EPIDEMIOLOGIA DA MORTE SÚBITA DOS CITROS RELATÓRIO DAS ANÁLISES ESTATÍSTICAS DE UM TALH~AO Responsável técnico: Elias Teixeira Krainski Supervisão: Dr. Paulo Justiniano Ribeiro Jr. Curitiba Estado do Paraná - Brasil Janeiro de 5

Página SUMÁRIO Introdução 3 Descrição e Validação dos dados 4 3 Análise por quadrat counts 6 3. Índice de Dispersão............................................ 6 3. Lei de Taylor............................................... 4 Métodos de Análise dos Vizinhos Próximos 3 4. Distância Mínima Média......................................... 3 4. Número Médio de Vizinhos Doentes.................................. 6 5 Análise de Processos Pontuais 9 5. Suavização por Kernel.......................................... 9 5. Função K de Ripley........................................... 6 Conclusões 3

Introdução Segundo [] a Morte Súbita dos Citrus - MSC, provoca rápido definhamento e morte de plantas. A MSC ocorre, praticamente, apenas nas plantas enxertadas em limoeiro Cravo. O Estado de São Paulo sozinho, responde por 8% da produção citrícola nacional, sendo que seus pomares apresentam baixa variabilidade com aproximadamente 85% das laranjeiras doces enxertadas sobre limoeiro cravo, o que gera elevada vulnerabilidade da cultura à ocorrência de novas epidemias. A importância desta doença é devida a representatividade desse porta-enxerto na citricultura brasileira, pela rusticidade, vigor à copa e resistência às deficiências hídrica. O primeiro relato oficial da doença foi realizado em fevereiro de no município de Comendador Gomes, MG. Em a MSC atingiu o estado de São Paulo e vários trabalhos tem sido conduzidos para a descoberta de informações a respeito. O Citrus Sudden Death Virus - CSDV, novo vírus da família Tymoviridae, tem sido associado à MSC em pesquisas feitas pela empresa de biotecnologia Alellyx. Em abril de 4 a mesma empresa anunciou a descoberta da presença do patógeno da MSC. O CSDV foi encontrado em três insetos, dois deles sendo capazes de transmitir o vírus para as plantas, []. A análise de agregação é feita para avaliar o padrão da incidência de uma determinada doença no espaço, tendo-se padrões agregação regular, aleatório ou agregado. Segundo [3] esta análise é preliminar à uma modelagem estatística espacial. Este relatório traz resultados de análises para um talhão com MSC, ilustrando métodos para avaliação dos padrões da doença que auxiliam o entendimento do comportamento de expansão da epidemia. São apresentados alguns dos métodos implementados e utilizados até o momento no escopo da colaboração entre o Departamento de Estatística da UFPR e do FUNDECITRUS. Os métodos e resultados obtidos tem como objetivo subsidiar discussões entre as equipes envolvidas e deverão ser extendidos para análise de todos os talhões monitorados pelo FUNDECITRUS. As análises dos dados contidas neste relatório foram produzidas utilizando-se o pacote Rcitrus, que foi desenvolvido em R [5] para automatizar as análises dos dados de incidência de doenças em citrus. Desta forma no decorrer do texto são referenciados as funções do Rcitrus utilizadas nas análises. 3

Descrição e Validação dos dados Os dados analisados são do talhão 33 da fazenda Vale Verde. Neste talhão há 9 plantas e foram feitas 5 avaliações, entre as os dias /8/ e 9/5/3. Os códigos utilizados para identificar o status da doença foram,,, e 3, indicando, respectivamente: planta sadia, estado inicial da doença, estado avançado da doença e morte. Nos dados apareceram outros códigos não relacionados ao status da MSC, tais como: F - Falha, R - Replante, G - Gomose e O - Erro de digitação. Na Tabela, podemos ver o número de plantas e respectivo status em cada avaliação. Tabela : Número de Plantas com Código Atribuido em Cada Avaliação Data da Avaliação 3 F G O R /8/ 93 7 5 4 8/8/ 9 5 4 6/8/ 873 45 8 4 /8/ 856 59 8 3 4 9/8/ 847 68 8 3 4 6/9/ 794 9 8 5 4 /9/ 77 5 9 5 4 5/9/ 698 93 35 5 4 5 6// 646 5 34 5 4 // 66 68 36 5 4 7// 478 43 44 9 4 6// 44 438 55 9 4 8// 369 477 55 45 4 // 357 4 69 4 5/3/ 36 488 7 6 4 5/4/ 38 49 8 66 4 4/4/ 5 8 3 4 8/5/ 68 554 8 6 4 3/6/ 64 554 6 4 5/8/ 385 8 333 3 //3 69 3 544 3 //3 68 7 98 56 3 6/3/3 69 566 3 4/4/3 7 5 774 3 9/5/3 7 5 774 3 Às plantas com códigos G e O foram atribuídos o status de sadias, usando a função change.code(). As plantas replantadas e os locais onde ouveram falhas foram desconsiderados das análises. Para identificá-las e removê-las utilizou-se a função select.code(). O status da MSC não regride no tempo e essa informação foi utilizada para fazer uma validação temporal nos dados. Foram encontrados nove erros que foram corrigidos usando a função valid.time.citrus(). Os dados originais com erros e após validados estão na Tabela. Na primeira avaliação 3 plantas (.43%) estavam infectadas com MSC, sendo que apenas uma planta estava morta (.%). Em menos de dois anos, 646 dias, 98 plantas estavam infectadas (97.4%) com 773 já mortas pela MSC (8.8%). 4

Tabela : Dados das nove plantas com sequência temporal errada, antes e depois da validação temporal. 3 4 5 6 7 8 9 3 4 5 6 7 8 9 3 4 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3..8 Sadias Inicial Avançado Morte Proporção.6.4.. 3 4 Tempo em Dias Figura : Evolução temporal do estágio da Morte Súbita no talhão 5

3 Análise por quadrat counts Define-se quadrat uma área retangular de plantas abrangendo determinado número de linhas l e de plantas na linha c, o número de plantas em um quadrat é n = l c. Na análise por quadrat podemos ter quadrats fixos ou quadrats aleatórios. Em quadrats fixos, o talhão é subdividido em quadrat e é feita a análise todos os dados, tendo-se um número determinístico de q. Usando quadrats aleatórios os quadrat são selecionados de qualquer parte do talhão e é especificado um número de quadrat. O Índice de Dispersão e a Lei de Taylor, são análises do padrão espacial feitas a partir da variância observada em um conjunto de dados e da variância esperada segundo um modelo [4]. A variância observada para o número de plantas doentes por quadrat é dada por V o (Y ) = i (Y i np) /(N ) () onde Y i é o número de plantas doentes no i-ésimo quadrat, n é o número de plantas por quadrat, p é a proporção de plantas doentes no talhão e N o número de quadrats avaliados. A variância teórica do número de plantas doentes por quadrat considerando um modelo Binomial é dada por No modelo Poisson, a variância teórica é a média ponderada, dada por: V t (Y ) = np( p) () V t (Y ) = E(Y ) = i Y i n i / i n i, (3) onde n i é o número de plantas no í-ésimo quadrat. No modelo binomial há uma restrição no tamanho dos quadrat, que devem ter o mesmo número de plantas. No modelo Poisson a restrição é que o número de plantas deve ser suficientemente grande de forma que a aproximação da binomial pela Poisson seja satisfatória e portanto para que os resultados sejam válidos. 3. Índice de Dispersão O índice de dispersão é dado por D = V o /V t, (4) e a quantidade (N )D tem distribuição χ N. Para a análise do índice de dispersão por quadrat counts, foi utilizado a função disp.quadrats(). Esta função usa internamente as funções disp.index(), para o cálculo do índice de dispersão baseado em um vetor de contagens; e a função quadrat.count(), utilizada para efetuar a contagem de plantas doentes nos quadrat, podendo ser utilizada em outro métodos de análises baseados em quadrat counts. A função disp.quadrats() foi utilizada para a análise por quadrat counts para os modelos binomial e de Poisson. Pode-se selecionar todos os quadrat possíveis ou selecionar aleatoriamente com reposição, sendo possível, descartar os quadrat incompletos. A análise pode ser feita para todas as avaliações feitas no talhão e para diversos tamanhos de quadrat ao mesmo tempo, retornando-se uma lista de tabelas com os resultados. Na Tabela 3, tem-se os resultados da avaliação do padrão espacial usando o Índice de Dispersão binomial considerando quadrat fixos de tamanho 3 3. Na Tabela 4, temos os resultados da avaliação do padrão espacial usando o Índice de Dispersão binomial considerando quadrat aleatórios de tamanho 3 3. Na Tabela 5, temos os resultados da avaliação do padrão espacial usando o Índice de Dispersão Poisson considerando quadrat fixos de tamanho 3 3. Na Tabela 6, temos os resultados da avaliação do padrão espacial usando o Índice de Dispersão Poisson considerando quadrat aleatórios de tamanho 3 3. Observa-se que o Índice de Dispersão binomial detectou mais agregação enquanto que o Índice de Dispersão Poisson detecta menos o padrão agregado, detectando mais o padrão regular. Isso pode ser apontado como uma falha do método, que é baseado em aproximações. 6

Tabela 3: Análise do Índice de Dispersão usando o modelo binomial com quadrats fixos. Avaliação n N nn p obs.var theor.var index p.value conc Av 9 85 765.64.37.83.34.839 Agregado Av 9 85 765.337.43.338.7.4697 Agregado Av3 9 85 765.85.58.88.399.95 Agregado Av4 9 85 765.65.73.6.733.5 Agregado Av5 9 85 765..764.97.7.35 Agregado Av6 9 85 765.634.575.59.695.7 Agregado Av7 9 85 765.645.88.59.3338.7 Agregado Av8 9 85 765.6667.96.73.34.995 Agregado Av9 9 85 765.368.38.444.435.55 Agregado Av 9 85 765.345.3587.5.483.6 Agregado Av 9 85 765.4984.455.778.656.6 Agregado Av 9 85 765.5587.55.74.8448. Agregado Av3 9 85 765.69.5476.65.938. Agregado Av4 9 85 765.63399.59.578.987. Agregado Av5 9 85 765.673.57.444.567. Agregado Av6 9 85 765.694.538.359.54. Agregado Av7 9 85 765.769.49.5.34. Agregado Av8 9 85 765.8876.96.577.8558. Agregado Av9 9 85 765.83399.84.538.846. Agregado Av 9 85 765.87843.37.87.9973. Agregado Av 9 85 765.93464.4.679.95. Agregado Av 9 85 765.93464.4.679.95. Agregado Av3 9 85 765.93464.4.679.95. Agregado Av4 9 85 765.9756.43.69.573.66 Agregado Av5 9 85 765.9756.43.69.573.66 Agregado 7

Tabela 4: Análise do Índice de Dispersão usando o modelo binomial com quadrats aleatórios. Avaliação n N nn p obs.var theor.var index p.value conc Av 9 9.556.3.77.587.3363 Aleatorio Av 9 9.556.495.77.7897. Agregado Av3 9 9.7.33.73.856. Agregado Av4 9 9.7889.4.87.986. Agregado Av5 9 9.556.968.36.7333. Agregado Av6 9 9.4333..364.8335. Agregado Av7 9 9.6.3979..89. Agregado Av8 9 9.7778.344.9.573.57 Agregado Av9 9 9.35333.434.539.733. Agregado Av 9 9.33.395.46.59.7 Agregado Av 9 9.45444.4367.755.5853.9 Agregado Av 9 9.55.658.749.767. Agregado Av3 9 9.6333.5973.635.667. Agregado Av4 9 9.6889.4795.6.896. Agregado Av5 9 9.64889.47.53.785. Agregado Av6 9 9.66667.635.469.4848. Agregado Av7 9 9.75889.379.33.8653. Agregado Av8 9 9.8667.35.59.58. Agregado Av9 9 9.83333.38.543.5. Agregado Av 9 9.86667.394.84.8648. Agregado Av 9 9.9333.539.787.9563. Agregado Av 9 9.94333.84.594.63. Agregado Av3 9 9.93333.47.69.837. Agregado Av4 9 9.98.67.94.378.756 Agregado Av5 9 9.97667.33.53.395.3 Agregado 8

Tabela 5: Análise do Índice de Dispersão usando o modelo Poisson com quadrats fixos. Avaliação n np p obs.var theor.var index p.value conc Av 96 8.47.7797.8.5676.4 Agregado Av 96 8.94.395.6353.79.73 Aleatorio Av3 96 8.835.9364.7359.87.33 Agregado Av4 96 8.8.3364.89647.4974.37 Agregado Av5 96 8.59.36799.988.3943.67 Agregado Av6 96 8.647.939.4.354.856 Agregado Av7 96 8.68.78.38.955.447 Aleatorio Av8 96 8.6353.457.3435.95874.59478 Aleatorio Av9 96 8.384.67534.994.9955.69895 Aleatorio Av 96 8.3476.74 3.7647.898.7674 Aleatorio Av 96 8.47 3.5569 4.4776.7954.996 Aleatorio Av 96 8.5647 3.89475 5.353.7784.949 Aleatorio Av3 96 8.676 4.359 5.55647.74.9785 Regular Av4 96 8.6388 3.87 5.6635.68348.997 Regular Av5 96 8.674 4.37 5.98.6743.9938 Regular Av6 96 8.694 4.484 6.588.6567.996 Regular Av7 96 8.7647 3.688 6.7847.46696. Regular Av8 96 8.884.373 7.359.373. Regular Av9 96 8.8394.338 7.3994.3. Regular Av 96 8.8788.89933 7.7988.4354. Regular Av 96 8.9394.688 8.835.539. Regular Av 96 8.9394.688 8.835.539. Regular Av3 96 8.9394.688 8.835.539. Regular Av4 96 8.9759.6339 8..73. Regular Av5 96 8.9759.6339 8..73. Regular 9

Tabela 6: Análise do Índice de Dispersão usando o modelo Poisson com quadrats aleatórios. Avaliação n np p obs.var theor.var index p.value conc Av 9.556.597.3.9.796 Aleatorio Av 9.556.4.3.74396. Agregado Av3 9.7.6374.63.68847. Agregado Av4 9.7889.9889.7.894. Agregado Av5 9.556.59434.4.533.5 Agregado Av6 9.4333.66.9.5767.5 Agregado Av7 9.6 3.63.36.3655.99 Agregado Av8 9.7778.75758..33.7 Aleatorio Av9 9.35333 3.63 3.8.45.36 Aleatorio Av 9.33 3.73.98.64.34 Aleatorio Av 9.45444 3.5377 4.9.86486.8879 Aleatorio Av 9.55 5.699 4.96.99.437 Aleatorio Av3 9.6333 4.83798 5.5.87645.85 Aleatorio Av4 9.6889 3.88394 5.57.6973.9947 Regular Av5 9.64889 3.69 5.84.656.9987 Regular Av6 9.66667 4.9697 6..888.8997 Aleatorio Av7 9.75889 3.78 6.83.44975. Regular Av8 9.8667.653 7.44.355. Regular Av9 9.83333.65657 7..354. Regular Av 9.86667.93939 7.8.4864. Regular Av 9.9333.4636 8.3.4998. Regular Av 9.94333.43 8.49.53. Regular Av3 9.93333. 8.4.5. Regular Av4 9.98.657 8.84.4. Regular Av5 9.97667.6859 8.79.356. Regular

3. Lei de Taylor Assume-se que a variância de dados de contagem de plantas doentes é proporcional a uma potência da média [4]: v = a.m b, (5) onde v é a variância observada, m é a média da densidade populacional e a e b são parâmetros. As estimativas de a e b são obtidas através do modelo de regressão linear simples, fazendo; log(v) = log(a) + b.log(m) (6) Usando a função Taylor.citrus(), os coeficientes a e b foram estimados considerando as 5 avaliações feitas, usando quadrat 3 3, fixos e aleatórios com quadrats. Na Tabela 7 pode-se observar as estimativas obtidas para os parâmetros da Lei de Taylor. O modelo binomial detectou agregação enquanto o modelo Poisson não detectou padrão agregado. Tabela 7: Estimativas e Intervalo de Confiança dos Parâmetros da Lei de Taylor para Quadrats Fixos e Aleatórios. Modelo/Coeficiente Inferior Estimado Superior Binomial Quadrats Fixos a.3994.893.4643 b.9695.6383.585 Binomial Quadrats Aleatorios a.59.84997.945 b.9846.65.373 Poisson Quadrats Fixos a -.335.98.49888 b.334.3876.6488 Poisson Quadrats Aleatorios a -.86.94.75 b.537.3538.6539 Na Figura 3., produzida utilizando-se o método plot implementado no Rcitrus para o resultado da função Taylor.citrus, visualiza-se o logaritmo da variância esperada versus o logaritmo da variância observada. A linha tracejada em azul é o modelo ajustado e a linha pontilhada em vermelho é a reta sob padrão aleatório. Vê-se que há uma associação linear forte usando o modelo binomial. Usando o modelo de Poisson observa-se que não é adequado utilizar a Lei de Taylor e por isso os resultados para este modelo estão comprometidos.

Figura : Logaritmo da variância observada versus o logaritmo da variância esperada, considerando os modelos binomial com quadrats fixos (superior esquerdo), binomial com quadrats aleatórios (superior direito), Poisson com quadrats fixos (inferior esquerdo) e Poisson com quadrats aleatórios (inferior direito). log(obsvar) 5.5 5. 4.5 4. 3.5 3. log(obsvar) 5.5 5. 4.5 4. 3.5 3. 6. 5.5 5. 4.5 4. 3.5 log(theorvar) 6. 5.5 5. 4.5 4. 3.5 log(theorvar) log(obsvar)..5..5..5 log(obsvar).5..5..5..5 log(theorvar) log(theorvar)

Tabela 8: Resultados do Método da Distância Mímina Média Avaliação Incidencia Observado P.valor Padrao Av.4339.653.5 Agregado Av.857 3.895.5 Agregado Av3.7749 9.644.5 Agregado Av4.948 8.599.5 Agregado Av5.374 7.837.5 Agregado Av6.5767 6.749.5 Agregado Av7.59 5.94.5 Agregado Av8.5743 5.9383.5 Agregado Av9.374 5.5567.5 Agregado Av.3354 5.48.5 Agregado Av.4963 4.93.45 Agregado Av.5538 4.739.5 Aleatorio Av3.658 4.598.65 Aleatorio Av4.638 4.4897. Aleatorio Av5.6585 4.49.95 Aleatorio Av6.6753 4.3753.9 Aleatorio Av7.76963 4.33.385 Aleatorio Av8.838 4.44.4 Aleatorio Av9.8753 4.439.64 Aleatorio Av.8736 4.976.795 Aleatorio Av.96984 4.679.995 Aleatorio Av.96984 4.679. Aleatorio Av3.96984 4.679. Aleatorio Av4.9749 4.67.99 Aleatorio Av5.9749 4.67. Aleatorio 4 Métodos de Análise dos Vizinhos Próximos O padrão espacial pode ser detectado analizando as propriedades dos eventos próximos a cada evento. Podese avaliar uma estatística que incorpore a dependência espacial entre os eventos. Para testar a hipótese de aleatoriedade espacial, é feito um teste de Monte Carlo, comparando o valor da estatística de teste observado nos dados com valores obtidos de dados simulados sob hipótese de aleatoriedade espacial completa. Seja t a estatística observada e t i : i =,..., s a i-ésima estatística obtida sob a hipótese de aleatoriedade. Seja t (j) a j-ésima estatística de ordem, então e para o cálculo do p-valor, seja t = t (k), então o p-valor será k/s. Para um teste ao nível de 5% de significância, s = é adequado, [3]. 4. Distância Mínima Média P [t = t (j) ] = s : j =,..., s. (7) A distância mínima é a distância entre uma planta doente e a planta doente mais próxima a ela. Calculando a distância mínima para cada planta doente em uma avaliação feita no talhão, pode-se obter a distância mínima média. No teste de Monte Carlo, rejeita-se a hipótese de padrão aleatório em favor da hipótese de padrão agregado quando a distância mínima média observada for menor que k/s distâncias simuladas. O teste da distância mínima pode ser aplicado utilizando-se a função mmdist.test e os resultados podem ser vistos utilizando-se os métodos summary, plot e hist, implementados para os resultados dessa função. O p-valor obtido pelo teste de Monte Carlo com 99 simulações mostra padrão agregado em todas as avaliações, Tabela 8. Na Figura 4. observa-se os valores da distância mínima média sob hipótese de CSR. Na Figura 4. em cada gráfico estão o histograma dos valores da distância mínima média observada simuladas. A linha vertical indica o valor observado. 3

5 5 4 6 8 9 3 9 8. 9.. 7. 7.5 8. 8.5 6. 6. 6.4 6.6 6.8 6. 6. 6.4 6.6 6.8 5.6 5.8 6. 6. 5.5 5.7 5.9 6. 4.8 4.9 5. 5. 5. 4.3 4.4 4. 4. 4.3 4.5 4.7 4.65 4.75 4.85 4.95 4. 4. 4.7 4.45 4.55 4.65 4.35 4.45 4.55 4. 4.4 4.8 4.3 4. 4.3 4.5 4.7 4.8 4. 4.6 4. 4. 4.3 4.5 4.7 4.8 4. 4.6 4.6 4.8 4. 4. 4.5 4.5 4.5 4.5 4.5 4.5 Figura 3: Distância Mínima Média Sob Hipótese de Aleatoriedade Espacial Completa 4

3 7 3 4 3 4 8 3 4 4 8 5 5 3 4 4 6 8 3 4 9 3 3 8 9 3 4 7.5 8.5 9.5.5 7. 7.5 8. 8.5 6. 6.4 6.8 6. 6.4 6.8 5.6 5.8 6. 6. 5.4 5.6 5.8 6. 6. 3 4 3 4 3 3 3 4 4.8 4.9 5. 5. 5. 4.3 4.4 4. 4. 4.5 4.3 4.6 4.7 4.8 4.9 5. 4.45 4.55 4.65 4.75 4.45 4.55 4.65 4.75 4.35 4.45 4.55 3 4 3 4 4 8 3 4 3 4 3 4 3 4 3 4 4.8 4. 4.6 4. 4.8 4. 4.6 3 3 4 4. 4.3 4.5 4.7 4. 4.3 4.5 4.7 4. 4.3 4.5 4.74. 4. 4. 4.3 4.6 4.8 4. 4. 4.5 4.5 4.5 Figura 4: Vizualização dos Valores Simulados Sob Hipótese de Aleatoriedade Espacial Completa 5

O padrão foi agregado na maioria das avaliações, Tabela 8, concordando com os resultados da análise do índice de dispersção do modelo binomial na análise por quadrat. 4. Número Médio de Vizinhos Doentes O número de vizinhos doentes é o número de plantas doentes dentro de um raio em torno de cada planta doente. O número médio de vizinhos doentes é a média do número de vizinhos doentes para cada planta doente. Aplicando-se um teste de Monte Carlo, se o padrão é agregado, espera-se que o número médio de vizinhos doentes seja maior nos dados observados que o número obtido em dados simulados sob a hipótese de CSR. O teste do número de vizinhos doentes pode ser aplicado utilizando-se a função neigh.test e a melhor vizualização dos resultados pode ser obtida utilizando-se os métodos summary, plot e hist, implementados para os resultados dessa função. O número médio de vizinhos foi calculado para cada avaliação. O p-valor do teste de Monte Carlo com 99 simulações mostra padrão agregado em todas as avaliações, Tabela 9. Tabela 9: Resultados do Médodo do Número Médio de Vizinhos Próximos Avaliação Incidencia Observado P.valor Padrao Av.4339.8696. Agregado Av.857 3.3333.5 Agregado Av3.7749 7.67.5 Agregado Av4.948 9.865.5 Agregado Av5.374 9.637.5 Agregado Av6.5767 5.463.5 Agregado Av7.59.963.5 Agregado Av8.5743.37.5 Agregado Av9.374 6.933.5 Agregado Av.3354 7.469.5 Agregado Av.4963 39.88.5 Agregado Av.5538 44.99.5 Agregado Av3.658 49.9445.5 Agregado Av4.638.799.5 Agregado Av5.6585 5.945.5 Agregado Av6.6753 54.947.5 Agregado Av7.76963 58.76.5 Agregado Av8.838 63.83.5 Agregado Av9.8753 63.393.5 Agregado Av.8736 66.679.5 Agregado Av.96984 7.7694.5 Agregado Av.96984 7.7694.5 Agregado Av3.96984 7.7694.5 Agregado Av4.9749 73.86.5 Agregado Av5.9749 73.86.5 Agregado Na Figura 4. estão plotados os valores do número de vizinhos doentes observado e os valores simulados sob hipótese CSR para cada avaliação, com 99 simulações. Na Figura 4. observa-se que em todas as avaliações o número médio de vizinhos doentes observado é geralmente maior. 6

..5..5 3. 3 4 5 36 37 38 39..5..5 3. 4.5 5.5 6.5 7.5 6 7 8 9 6.5 7.5 8.5 9.5 7.5 8.5 9.5.5 8. 9... 3 4 5 6 4 5 6 7 4 4 4 43 44 45 44 45 46 47 48 49 45 46 47 48 49 48 49 5 5 53 49 5 5 53 54 56. 57. 58..5 6.5 6.5 6. 6. 63. 64. 65. 66. 68.5 69.5 7.5 68.5 69.5 7.5 68.5 69.5 7.5 7. 7.5 73. 73.5 7. 7.5 73. 73.5 Figura 5: Número Médio de Vizinhos Doentes Sob Hipótese de Aleatoriedade Espacial Completa 7

3 7 3 7 4 8 3 4 3 4 4 8 4 8 4 8..5..5 3...5..5 3. 4.5 5.5 6.5 7.5 3 4 5 4 4 7 8 9 3 7 3 7 8 9 3 7 3 7 6 7 8 9 3 4 5 6 36 37 38 39 4 4 4 4 43 44 45 44 46 48 45 46 47 48 49 5 4 8 3 4 4 8 4 8 3 7 4 8 6.5 7.5 8.5 9.5 3 4 5 6 7 47 48 49 5 5 53 49 5 5 53 54 55.5 56.5 57.5 58.5.5 6.5 6.5.5 6.5 6.5 63.5 64. 65. 66. 67. 3 4 4 3 4 8 4 8 68.5 69.5 7.5 68.5 69.5 7.5 68.5 69.5 7.5 7. 7.5 73. 73.5 74. 7. 7.5 73. 73.5 74. Figura 6: Vizualização dos Valores Simulados Sob Hipótese de Aleatoriedade Espacial Completa 8

5 Análise de Processos Pontuais A análise de processos pontuais é o estudo da ocorrência de eventos no espaço. Nessa abordagem, a localização do evento é estocástica. Na análise da MSC, o evento de interesse considerado foi a incidência no estado inicial e avançado e a morte. Para detectar padrões espaciais, podemos inicialmente avaliar se a intensidade do processo varia no espaço. Neste trabalho utilizamos a suavização por kernel, para vizualizar a intensidade do processo no talhão em vários momentos, e a função K de Ripley, para avaliar o padrão espacial. 5. Suavização por Kernel A suavização consiste em ajustar uma função bidimensional com valores proporcionais ao número de eventos na área. O valor da função em cada ponto da área é o número de pontos dentro de uma região de influëncia ponderado pela distância, também chamado de intensidade do processo. A partir de uma n eventos com coordenadas u, u,..., u n, o estimador de intensidade kernel estimator é dado por: λˆ τ (u) = τ n i= k( d(u i, u) ), d(u i, u) τ, (8) τ onde τ é o raio de influência e k uma função de estimação com propriedades de suavização. É comum usar funções de terceira ou quarta ordem, como ou o estimador gaussiano: k(h) = 3 π ( h ) k(h) = h exp( πτ τ ), (9) onde h é a distância entre o ponto e o evento observado. Nos dados de MSC, pode-se aplicar o kerneld utilizando a função kerneld.citrus do Rcitrus. Na Figura 5. observamos a suavização da intensidade da ocorrência de MSC nas 5 avaliações. A escala de cores é única para todas as avaliações, permitindo observar melhor a evolução da incidência no talhão. Na Figura 5. observamos a suavização da intensidade da ocorrência de MSC nas 5 avaliações, com escala de cores individual para cada uma das avaliações, permitindo observar melhor a evolução da incidência dentro do talhão e observar os focos de maior intensidade. 9

Figura 7: Intensidade da MSC nas 5 avaliações com escala global de cor.

Figura 8: Intensidade da MSC nas 5 avaliac o es com escala individual de cor.

5. Função K de Ripley A função K é uma medida de momento de segunda ordem reduzido. Para um processo univariado é definida como: λk(t) = E[N (t)], () onde λ é o número médio de eventos por unidade de área, ou seja, o número de esperado de eventos a menos de uma distância t de um evento arbitrário. O estimador não viesado, considerando o efeito de borda e substituindo o parâmetro desconhecido λ por (n )/ A obtido por Ripley é: K(t) = n(n ) A n w ij I t(u ij ) () i= j i Para a estimação da função K para os dados de MSC, pode-se usar a função Kenv.csr.citrus. =.434 =.857 8 =.775 =.948 6 6 8 =.37 5 5 4 6 4 4 5 5 4 3 4 3 4 3 4 3 4 3 4 8=.5767 6 4 3 4 5 =.59 4 3 4 =.574 3 5 =.3746 3 4 3 4 3 4 4 3 4 =.33545 3 3 4 4 =.496 3 4 =.5538 3 5 =.658 4 3 4 =.638 3 4 =.658 3 3 4 3 4 3 4 3 4 3 4 4 =.6753 3 =.7696 3 =.838 3 =.875 3 =.873 3 3 4 3 4 3 4 3 4 3 4 3 =.9698 3 4 3 =.9698 3 =.9698 3 4 3 4 3 4 3 4 3 =.9743 3 =.9743 Figura 9: Função K de Ripley e envelopes simulados para as 5 avaliações.

6 Conclusões Foi analizado o padrão espacial da MSC em 5 avaliações de um talhão usando-se de vários métodos estatísticos e constatou-se agregação pela maioria dos métodos em todas as avaliações. O modelo Poisson na análise por quadrat counts foi o que mais detectou padrão regular e em outro extremo, o número de vizinhos foi o que detectou mais padrões agregados. O modelo binomial na análise por quadrat counts e a distância mínima média tiveram resultados parecidos. Na abordagem por processos pontuais, o kernel permitiu vizualizar o padrão da incidência de MSC em cada avaliação no talhão. O envelope simulado para a função K de Ripley permitiu concluir que o padrão espacial é agregado observando-se uma escala razoavel. Agradecimentos Este trabalho foi desenvolvido como parte das atividades do convênio firmado entre o Fundo de Defesa da Citricultura (FUNDECITRUS) e o Departamento de Estatística da Universidade Federal do Paraná e financiado pelo FUNDECITRUS. Referências Bibliográficas [] Alellyx. Alellyx identifica vetor da morte súbita dos citros. Alellyx, 4. URL: http://www.gravena.com.br/dicas alellyx vetor MSC.htm. [] R. B. BASSANEZI, N. G. FERNANDES, and P. T. YAMMAMOTO. Morte súbita do citros. Technical report, Fundecitrus, 3. [3] P. J. DIGGLE. Statistical Analysis of Spatial Point Patterns. Oxford University Press Inc, 3. [4] L. V. MADDEN and G. HUGHES. Plant disease incidence: Distributions, heterogeneity, and temporal analysis. Phytopathology, 995. [5] R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 4. ISBN 3-95--3. 3