Clusterização Espacial e Não Espacial: Um Estudo Aplicado à Agropecuária Brasileira
DOI:
https://doi.org/10.5540/tema.2017.018.01.0069Keywords:
clusterização espacial, algoritmos hierárquicos, k-means.Abstract
Este trabalho apresenta uma análise de clusterização de áreas mínimas comparáveis (AMCs) para traçar um mapa de agrupamentos homogêneos a partir de uma combinação de variáveis climáticas, de características do solo e de produção agropecuária. A metodologia permite a visualização de interações entre as diversas variáveis utilizadas, identificando, por exemplo, padrões de coexistência, no nível municipal, de diferentes culturas agrícolas. A discussão apresenta os algoritmos tradicionais sem contiguidade (aglomerativo hierárquico e k-means) e o algoritmo aglomerativo hierárquico com imposição de contiguidade. Busca-se, dessa forma, explorar diferenças entre as tipologias construídas com diferentes abordagens, além de prover configurações alternativas de agrupamentos. As metodologias discutidas permitem ainda a incorporação de critérios tradicionais de escolha do número de clusters, tais como estatísticas CCC, pseudo-F e pseudo-t2.
References
L. Anselin, “Spatial econometrics: methods and models”, Dordrecth: KluwerAcademic, 1988.
L. Anselin; R. Florax, “Advances in spatial econometrics”, Heidelberg:Springer-Verlag, 2000.
A. X. Y. Carvalho et al., Spatial hierarchical clustering,Revista Brasileira deBiometria,27, n.3, (2009), 412-443, São Paulo.
A. X. Y. Carvalho et al., Clusterização hierárquica espacial com atributos bi-nários,Revista Brasileira de Biometria,19, n.1, (2011), p.147-197, São Paulo.
A. X. Y. Carvalho et al., Clusterização espacial e não espacial: um estudo apli-cado à agropecuária brasileira,Coleção Texto para Discussão, Ipea, no prelo,Brasília.
M. Charrad et al., Nbclust: an r package for determinig the relevant numberof clusters in a data set.Journal of Statistical Software,61, n. 6, 2014.
C. C. Diniz. Dinâmica regional e ordenamento do território brasileiro: desafiose oportunidades.Texto para Discussão, Cedeplar/UFMG,471, (2013), BeloHorizonte.
T. Hastie, R. Tibshirani, J. Friedman, “The elements of statistical learning:data mining, inference and prediction”, Standford: Springer, 2001.
R. Khattree, D. N. Naik, “Multivariate data reduction and discrimination withSAS software”, Cary: SAS Institut, 2000.
E. Reis, M. Pimentel, A. I. Alvarenga, Áreas mínimas comparáveis para osperíodos intercensitários de 1872 a 2000,Ipea/Dimac, (2008), Mimeografado,Rio de Janeiro.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright
Authors of articles published in the journal Trends in Computational and Applied Mathematics retain the copyright of their work. The journal uses Creative Commons Attribution (CC-BY) in published articles. The authors grant the TCAM journal the right to first publish the article.
Intellectual Property and Terms of Use
The content of the articles is the exclusive responsibility of the authors. The journal uses Creative Commons Attribution (CC-BY) in published articles. This license allows published articles to be reused without permission for any purpose as long as the original work is correctly cited.
The journal encourages Authors to self-archive their accepted manuscripts, publishing them on personal blogs, institutional repositories, and social media, as long as the full citation is included in the journal's website version.