Influência local em um modelo espacial linear da produtividade da soja utilizando distribuição t-Student

O uso das ferramentas da geoestatística, aliadas à agricultura de precisão permitem o acompanhamento das áreas agrícolas produtoras de soja, estabelecendo as relações de dependência espacial entre os pontos amostrados. A modelagem da estrutura de variabilidade espacial possibilita a construção de mapas temáticos dos atributos estudados, utilizando como método de interpolação a krigagem. Porém, a presença de valores atípicos entre os elementos amostrais pode influenciar na construção e interpretação desses mapas. A distribuição de probabilidades t-Student tem sido utilizada na tentativa de diminuir a influência dos valores atípicos durante a estimativa dos parâmetros de dependência espacial, por ter caudas mais pesadas que a distribuição normal. A detecção dos valores influentes na área em estudo, por meio da análise de diagnósticos de influência local, confere maior confiabilidade na utilização dos mapas gerados, corroborando a aplicação de insumos. Deste modo, o objetivo deste trabalho foi aplicar as técnicas de influência local em dados espacialmente referenciados, com os modelos de perturbação aditiva e utilizando a matriz escala, considerando a distribuição t-Student n-variada. Foi utilizado um modelo espacial linear para o estudo de dados da produtividade da soja em função da altura média de plantas e do número médio de vagens por planta. As técnicas de influência local foram eficientes para detectar pontos que influenciam na escolha do modelo geoestatístico, nas estimativas dos parâmetros e na construção do mapa temático. The use of geostatistical tools combined with precision agriculture, allow the monitoring of agricultural soybean producing areas, establishing relationships of spatial dependence between the sampled points. The modeling of spatial variability structure enables the construction of thematic maps of the attributes studied, using the kriging as the interpolation method. However, the presence of outliers among the elements sampling can influence the construction and interpretation of these maps. The distribution of t-Student probability has been used in attempts to reduce the influence of atypical points in the estimation of parameters of spatial dependence, having heavier tails than the normal distribution of probabilities. The detection of influential points in the study area, through the analysis of local influence diagnostics, provides greater reliability in the use of maps, providing an efficient use of inputs. Then, the objective