Quantificação de riscos climáticos via modelos de regressão de Cox.

O gerenciamento de riscos climáticos requer informação sobre estados futuros de variáveis climáticas, geralmente representada por funções de distribuição de probabilidade acumulada (FDPA, P(Y?y) ou por sua funções complementares (P(Y>y)), ditas funções probabilidade de exceder (FPE). Uma variedade de métodos estatísticos tem sido utilizada para estimação de FPE, incluindo, modelos de regressão linear múltipla, regressão logística e métodos não paramétricos (MAIA et al, 2007; LO et al, 2008). Apesar de parecer intuitivo que a incerteza associada às estimativas das FPE é fundamental para os tomadores de decisão, esse tipo de informação raramente é fornecido. Modelos estatísticos de previsão baseados em séries históricas da variável de interesse (chuva, temperatura) e de preditores derivados de estados do oceano e da atmosfera (índices climáticos tais como: temperaturas da superfície do mar ? TSM, índice de oscilação sul, IOS, El Nino/Oscilação Sul - ENSO) se constituem em alternativas promissoras para auxílio às tomada de decisão, em escalas locais e regionais. O uso de tais indicadores permite incorporar mudanças de padrão derivadas de mudanças climáticas em modelos estatísticos que utilizam informação histórica. Neste trabalho, mostramos como o Modelo de Regressão de Cox (MRC; COX, 1972), tradicionalmente utilizado para modelagem de tempos de falha, em investigações na área médica e em ciências sociais, pode ser de grande utilidade para avaliação probabilística de riscos climáticos, mesmo para variáveis que não representam tempos de falha tais como chuva, produtividade de culturas, lucros, entre outras. O MRC pode ser utilizado para avaliar a influência de preditores (índices climáticos) sobre riscos de interesse (representados pelas FPE), estimar FPE para combinações específicas de preditores e incertezas associadas além de fornecer informação sobre riscos relativos, de grande valor para tomadores de decisão. Apresentamos dois estudos de caso nos quais o Modelo de Cox foi usado para investigar: a) o efeito do IOS e de um índice derivado de TSM do Pacífico sobre o início da estação chuvosa em Cairns (Austrália) e b) a influência o índice Nino 3.4, derivado de estados da TSM no Pacífico Equatorial sobre o chuva acumulada no período de Março a Junho em Limoeiro do Norte (Ceará, Brasil). O objetivo da apresentação desses estudos é meramente didático, para demonstrar o potencial do método proposto como ferramenta de auxílio à tomada de decisão.

Predição da fertilidade do solo do polo agrícola do Rio de Janeiro por meio de modelagem solo x paisagem.

O objetivo deste trabalho foi predizer a fertilidade do solo no polo agrícola do Estado do Rio de Janeiro, por meio da modelagem solo x paisagem. A área de estudo compreendeu as regiões mais produtivas do Estado do Rio de Janeiro: Norte, Noroeste e Serrana. Características químicas do solo ? pH em H2O e capacidade de troca catiônica (CTC) ? e ambientais ? elevação, plano de curvatura, perfil de curvatura, índice de umidade, aspecto e declividade do terreno, além de tipos de solos, índice de vegetação normalizada (NDVI), imagens Landsat 7 e litologia ? foram utilizadas como variáveis preditoras. A análise exploratória dos dados identificou valores extremos, os quais foram expurgados, na preparação para a análise por regressão linear múltipla (RLM). Aos resultados da RLM, foram adicionados os resultados de krigagem dos resíduos da regressão, com uma técnica de mapeamento digital de solos (MDS) denominada regressão-krigagem. Na região Serrana, as variáveis ambientais explicaram as variáveis químicas. A variável NDVI foi importante nas três regiões, o que evidencia a importância da cobertura vegetal para a predição da fertilidade do solo. Em geral, os solos analisados apresentaram baixo pH. Os valores de CTC, nas regiões estudadas, estão dentro do intervalo considerado bom para a fertilidade do solo.

Enfoque da estatística espacial em modelos dinâmicos de mudança do uso do solo.

O atual nível das mudanças uso do solo causa impactos nas mudanças ambientais globais. Os processos de mudanças do uso e cobertura do solo são processos complexos e não acontecem ao acaso sobre uma região. Geralmente estas mudanças são determinadas localmente, regionalmente ou globalmente por fatores geográficos, ambientais, sociais, econômicos e políticos interagindo em diversas escalas temporais e espaciais. Parte desta complexidade é capturada por modelos de simulação de mudanças do uso e cobertura do solo. Uma etapa do processo de simulação do modelo CLUE-S é a quantificação da influência local dos impulsores de mudança sobre a probabilidade de ocorrência de uma classe de uso do solo. Esta influência local é obtida ajustando um modelo de regressão logística. Um modelo de regressão espacial é proposto como alternativa para selecionar os impulsores de mudanças. Este modelo incorpora a informação da vizinhança espacial existente nos dados que não é considerada na regressão logística. Baseado em um cenário de tendência linear para a demanda agregada do uso do solo, simulações da mudança do uso do solo para a microbacia do Coxim, Mato Grosso do Sul, foram geradas, comparadas e analisadas usando o modelo CLUE-S sob os enfoques da regressão logística e espacial para o período de 2001 a 2011. Ambos os enfoques apresentaram simulações com muito boa concordância, medidas de acurácia global e Kappa altos, com o uso do solo para o ano de referência de 2004. A diferença entre os enfoques foi observada na distribuição espacial da simulação do uso do solo para o ano 2011, sendo o enfoque da regressão espacial que teve a simulação com menor discrepância com a demanda do uso do solo para esse ano.

Estatística: uso da análise de regressão.

Muitos experimentos tem sido analisados por métodos estatísticos inadequados. O uso não criterioso destes métodos, sem o devido cuidado ou sem considerar outras possibilidades, pode reduzir o valor das discussões, conclusões e o próprio valor da pesquisa. Há uma grande gama de tipos possíveis de abordagem estatística dos dados de pesquisa, cada qual atingindo uma finalidade. Por isso, o procedimento estatístico deve ser escolhido criteriosamente. Se o objetivo de um trabalho e estimar a magnitude de um efeito, então a analise usada deve estimá-la: não basta neste caso, apenas explicar qual dos resultados diferiram significativamente. Não obstante, se o objetivo da pesquisa é determinar um ponto, então a análise deve faze-lo. Neste caso, não e suficiente verificar somente o comportamento dos dados. A escolha de um modelo de regressão e uma ponderação na qual deve ser considerados, a adequação ao fenômeno estudado, o ajuste matemático obtido e a sua aplicabilidade. As propriedades do modelo escolhido devem ser justificáveis, tanto logicamente quanto biologicamente. Portanto, a análise deve ser sensata, lógica e apropriada as questões que procura-se responder.