Clusterização Espacial e Não Espacial: Um Estudo Aplicado à Agropecuária Brasileira

Authors

  • Marina Garcia Pena Instituto de Pesquisa Econômica Aplicada - IPEA
  • Guilherme Costa Chadud Moreira Instituto de Pesquisa Econômica Aplicada - IPEA
  • Luiz Felipe Dantas Guimarães Instituto de Pesquisa Econômica Aplicada - IPEA
  • Camilo Rey Laureto Instituto de Pesquisa Econômica Aplicada - IPEA
  • Pedro Henrique Melo Albuquerque Universidade de Brasília - UnB
  • Alexandre Xavier Ywata de Carvalho Instituto de Pesquisa Econômica Aplicada - IPEA
  • Gustavo Gomes Basso Instituto de Pesquisa Econômica Aplicada - IPEA

DOI:

https://doi.org/10.5540/tema.2017.018.01.0069

Keywords:

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.

Published

2017-05-22

How to Cite

Pena, M. G., Moreira, G. C. C., Guimarães, L. F. D., Laureto, C. R., Albuquerque, P. H. M., Carvalho, A. X. Y. de, & Basso, G. G. (2017). Clusterização Espacial e Não Espacial: Um Estudo Aplicado à Agropecuária Brasileira. Trends in Computational and Applied Mathematics, 18(1), 69. https://doi.org/10.5540/tema.2017.018.01.0069

Issue

Section

Original Article