Esta é uma versão desatualizada publicada em 2020-05-13. Leia a versão mais recente.

An Application of Generalized Additive Models of Location, Scale, and Shape (GAMLSS) to estimate the Eucalyptus Height

Autores

DOI:

https://doi.org/10.5902/2179460X41710

Palavras-chave:

Growth curves, Eucalyptus, GAMLSS, Probabilistic models.

Resumo

The Generalized Additive Models for Location, Scale, and Shape (GAMLSS) are a recent class of models that further flexibility
the distribution of the response variable. The regression analysis has been used to model biological phenomena, and its various
modalities have met the need for its use with precision. However, there are situations in which the adjustment of models with more
flexible assumptions in the specification of the distribution of the response variable becomes indispensable, thus justifying the use
of GAMLSS. The study of plant growth curves has full application in agricultural research; thus, it is crucial to know the habits of
growth and development of forest species is crucial for reforestation programs and in the most diverse researches. The study aimed
to model the growth of Eucalyptus through the adjusting of Generalized Additive Models for Location, Scale, and Shape, in order
to promote improvements on crop productivity. Considering all parameters of the independent variable (time) under GAMLSS
class modeling, the distribution model ST3 presented better results.

Downloads

Não há dados estatísticos.

Biografia do Autor

Tiago Almeida Oliveira, Universidade Estadual da Paraíba

Bacharel em Estatística pela Universidade Estadual da Paraíba - UEPB (2006). Mestre em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras - UFLA (2008). Doutor em Estatística e Experimentação Agronômica - Esalq/Usp (2012). Revisor dos periódicos: Revista Brasileira de Biometria (RBB) e Revista Brasileira de Parasitologia Veterinária (RBPV). Membro do grupo de pesquisa estatística aplicada e computacional da Universidade Estadual da Paraíba. Atualmente é Professor Doutor nível C e Chefe Adjunto do Departamento de Estatística da Universidade Estadual da Paraíba - UEPB. Foi Coordenador Adjunto do curso de Bacharelado em Estatística (UEPB) entre 2014-2016 e Coordenador do Curso de Estatística (UEPB) entre 2016-2018. Tem experiência na área de Probabilidade e Estatística, com ênfase em Planejamento de Experimentos, Análise de Sobrevivência e Modelos de Regressão. Sua linha de Pesquisa no Mestrado foi a de Planejamento de Experimentos com proeminência em Análise de Covariância. No Doutorado sua linha de Pesquisa foi a de Estatística Genética com ênfase em Melhoramento Genético Animal. (Texto informado pelo autor).

Sílvio Fernando Alves Xavier Júnior, Universidade Estadual da Paraíba - UEPB

Licenciado em Matemática (UFPE).

Possui Mestrado em Biometria e Estatísitica Aplicada (UFRPE).

Doutorado em Biometria e Estatística Aplicada (UFRPE). Realizou estágio sanduíche na Texas A & M University (duração de 6 meses), United States, Biological and Agricultural Engineering Department.

Coordenador do curso de Estatística (CCT/UEPB), presidente do colegiado do curso de Estatística.

Membro do PROFMAT - UEPB.

Áreas de interesse: Estatística Aplicada, Inferência Estatística, MF-DFA, Markov Chain, PSO, Entropia e Análise de Tendências. 

Gláucia Amorim Faria, UNESP - Ilha Solteira

Docente em RDIDP vinculado aos programas de Pós Graduação em Agronomia e Ciência e Tecnologia Animal da FEIS/UNESP. Professora da área de Estatística Aplicada do departamento de matemática da FEIS/UNESP. Possui graduação em Engenharia Agronômica pela Universidade Federal da Bahia (2002), mestrado em Ciências Agrárias, linha de pesquisa biotecnologia, melhoramento genético e conservação de recursos genéticos, pela Universidade Federal da Bahia (2004), Mestrado em Estatística e Experimentação pela Universidade Federal de Lavras (UFLA); Doutorado em Agronomia, especialidade Sistemas de Produção, linha de pesquisa Estatística e Experimentação Agropecuária, pela Universidade Estadual Paulista Júlio de Mesquita Filho (2008), desenvolveu pós doutorado no NBIO (Núcleo de Melhoramento Genético) da UFRB, nas linhas de pesquisa Melhoramento Genético, Biotecnologia e Estatística e Experimentação Agropecuária pela Universidade Federal do Recôncavo da Bahia. Desenvolveu Pós Doutorado na área de Estatística e Experimentação pela UFLA. Foi professora Efetiva na área de Estatística Aplicada na UDESC-CEO. Foi professora na área de métodos quantitativos na Faculdade de Ciência e Tecnologia Albert Einstein, lecionou aulas de Bioestatística, Experimentação Agropecuária e Experimentação Zootécnica nos cursos de Medicina Veterinária, Zootecnia, Engenharia Agronômica, Engenharia Ambiental, Engenharia Florestal e Engenharia de Pesca na Universidade Federal do Recôncavo da Bahia. Lecionou aulas na área ambiental e metodológica no curso de Pós Graduação em Gestão Ambiental do ICLA. Tem experiência nas áreas Melhoramento Vegetal, Recursos Genéticos, Biotecnologia, Estatística e Experimentação Agropecuária.

Beatriz Garcia Lopes, Doutoranda em Estatística e Experimentação Agronômica - ESALQ -USP.

Doutoranda em Estatística e Experimentação Agronômica pela USP/ESALQ. Foi Aluno Bolsista pelo Departamento de Matemática (DMAT) - UNESP/FEIS; disciplinas ministradas (Graduação): Estatística e Probabilidade (Engenharia Elétrica) e Estatística (Zootecnia). Mestrado em Agronomia (PPGA) - "Sistema de Produção pela UNESP - Campus de Ilha Solteira (UNESP/FEIS). Tem como áreas de atuação: Probabilidade e Estatística e Estatística Experimental. Trabalhou em projetos de Iniciação Científica como: Micropropagação de espécies de maracujazeiro,Tamanho ideal de parcelas para experimentos em casa de vegetação com a cultura do eucalipto, Avaliação do Coeficiente de Variação para Experimentos de Estabelecimentos in vitro da Cultura do Maracujazeiro, Comparação de Modelos de Crescimento aplicado à Cultura do Jatobá. Atuou como membro do Laboratório de Estatística Aplicada - LEA da FEIS/UNESP, financiado pela FAPESP e do grupo de pesquisa LCTV - Laboratório de Cultura de Tecidos Vegetais.

Ednário Mendonça Barbosa, Universidade Estadual da Paraíba

Possui bacharelado em Estatística pela Universidade Estadual da Paraíba (2014) e mestrado em Matemática (bolsista CAPES), com área de concentração em Estatística, pela Universidade Federal de Campina Grande (2017). Atualmente é professor substituto do Departamento de Estatística da Universidade Estadual da Paraíba e presta serviços de consultoria estatística e análise de dados para acadêmicos e empresas.

 

Ana Patrícia Bastos Peixoto, Departamento de Estatística - Universidade Estadual da Paraíba.

Possui graduação em Engenharia Agronômica pela Universidade Federal da Bahia (2006) e mestrado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2009). Doutora pela Universidade de São Paulo -Escola Superior de Agricultura "Luiz de Queiroz", Professora do Departamento de Estatística da Universidade Estadual da Paraíba.

 

Referências

Akaike, H. (1998). Information theory and an extension of the maximum likelihood principle. Em: Selected papers of hirotugu

akaike, Springer, pp. 199–213.

Eloy, R. A. O. (2016). Distribuição assimétrica t-student tipo 3: uma aplicação a delineamentos inteiramente casualizados. .

Fernandez, C., Steel, M. F. (1998). On bayesian modeling of fat tails and skewness. Journal of the American Statistical Association,

(441), 359–371.

Fumes, G., Demétrio, C. G. B., Villegas, C., Corrente, J. E., Bazzo, J. F. (2017). Growth curves for diameter and height using

mixed models: An application in eucalyptus seedling. Open Journal of Forestry, 7(04), 403.

Gonçalves, J. C., de Oliveira, A. D., de Pádua Chaves, S., Gomide, L. R., et al. (2017). Análise económica da rotaçâo florestal de

povoamentos de eucalipto utilizando a simulaçâo de monte carlo. Ciência Florestal, 27(4), 1339–1347.

HASTIE, R., T. ; TIBSHIRANI (1990). Generalized additive models. [s.1.]. Wiley Online Library.

Lopes, B. G. (2019). Classificação da variação, tamanho ótimo de parcela e curva de crescimento para experimentos com eucalipto.

Dissertação de Mestrado, Universidade Estadual Paulista. Faculdade de Engenharia de Ilha Solteira.

Maia, M. C. C., Resende, M. D. V., de Paiva, J. R., Cavalcanti, J. J. V., de Moura Barros, L. (2009). Seleção simultânea para

produção, adaptabilidade e estabilidade genotípicas em clones de cajueiro, via modelos mistos. Pesquisa Agropecuária Tropical,

(1), 43–50.

Melo, E., Calegario, N., Mendon A., Possato, E., Alves, J., Junior, M. (2017). Modelagem não linear da relaç ão hipsometrica e do

crescimento das arvores dominantes e codominantes de Eucalyptus sp. Ciência Florestal, 27(4), 1325-1338.

de Mendonça, A. R., Calegario, N., da Silva, G. F., de Souza, A. L., Trugilho, P. F., e Carvalho, S. P. C., Possato, E. L. (2014).

Modelagem da produção de sortimentos em povoamentos de eucalipto. CERNE, 20(4), 587-594.

Nelder, J. A., Wedderburn, R. W. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A (General),

(3), 370–384.

Paiva, C. S. M., Freire, D. M. C., Cecatti, J. G. (2008). Modelos aditivos generalizados para posição, escala e forma (gamlss) na

modelagem de curvas de referência. Rev bras ciênc saúde, 12(3), 289–310.

Prodan, M. (2013). Forest biometrics. Elsevier.

R Core Team (2018). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna,

Austria, URL https://www.R-project.org/.

Richards, F. (1959). A flexible growth function for empirical use. Journal of experimental Botany, 10(2), 290–301.

Rigby, R. A., Stasinopoulos, D. M. (2005). Generalized additive models for location, scale and shape. Journal of the Royal

Statistical Society: Series C (Applied Statistics), 54(3), 507–554.

Schumacher, F. (1939). A new growth curve and its application to timber yield studies. Journal of forestry, 37(10), 819–20.

Schwarz, G., et al. (1978). Estimating the dimension of a model. The annals of statistics, 6(2), 461–464.

Shapiro, S. S., Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611.

Stasinopoulos, D. M., Rigby, R. A., et al. (2007). Generalized additive models for location scale and shape (gamlss) in r. Journal

of Statistical Software, 23(7), 1–46.

Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., De Bastiani, F. (2017). Flexible regression and smoothing: using

GAMLSS in R. Chapman and Hall/CRC.

Thomas, G., Pereira, A. I. d. A., Lobos, C. M. V., et al. (2018). Analysis of a longitudinal multilevel experiment using gamlsss.

arXiv preprint arXiv:181003085.

Vendruscolo, D., Drescher, R., Souza, H., Moura, J. V. M., Mamore, F., Siqueira, T. (2015a). Estimativa da altura de eucalipto por

meio de regressão não linear e redes neurais artificiais. Revista Brasileira de Biometria, 33(4), 556-569.

Vendruscolo, D., Drescher, R., Souza, H., Silva, R. (2015b). Estratificação hipsometrica em plantios de eucaliptos na região

sudeste de Mato Grosso. Agrarian Academy, 2(3), 52-61.

Von Bertalanffy, L. (1951). General system theory, a new approach to unity of science. 5. conclusion. Human biology, 23(4), 337.

Voudouris, V., Gilchrist, R., Rigby, R., Sedgwick, J., Stasinopoulos, D. (2012). Modelling skewness and kurtosis with the bcpe

density in gamlss. Journal of Applied Statistics, 39(6), 1279–1293.

Zhang, D. d., Yan, D. h., Wang, Y. C., Lu, F., Liu, S. h. (2015). Gamlss-based nonstationary modeling of extreme precipitation in

beijing–tianjin–hebei region of china. Natural Hazards, 77(2), 1037–1053.

Downloads

Publicado

2020-05-13

Versões

Como Citar

Oliveira, T. A., Xavier Júnior, S. F. A., Faria, G. A., Lopes, B. G., Barbosa, E. M., & Peixoto, A. P. B. (2020). An Application of Generalized Additive Models of Location, Scale, and Shape (GAMLSS) to estimate the Eucalyptus Height. Ciência E Natura, 42, e15. https://doi.org/10.5902/2179460X41710

Edição

v. 42 (2020): CIÊNCIA E NATURA: Edição Comemorativa – 40 ANOS

Seção

Meio Ambiente

Licença

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.