A relação da geoestatística e agricultura de precisão podem resultar em tomada de decisões e intervenções específicas. A geoestatística e a agricultura de precisão possuem ferramentas que são complementares para o entendimento das variações que ocorrem no campo. Em várias situações a geoestatística oferece recursos ímpares a agricultura de precisão e, reciprocamente, a agricultura de precisão proporciona recursos que permitem determinar a estrutura de dependência espacial e juntas permitem construir cenários para tomada de decisões e ações práticas de manejo específico. A estatística bayesiana vem sendo utilizada como método de inferência na análise estatística de dados espaciais. Dada a importância atual e aplicações de modelagem de fenômenos espaciais com dados binários não serem tão abordadas na literatura, este trabalho tem por objetivo apresentar um estudo de modelos propostos na literatura para analisar dados espaciais binários utilizando modelo hierárquicos bayesianos, que envolvem o uso de modelos autorregressivos condicionais e modelos lineares generalizados para capturar a estrutura espacial dos dados. Foi verificado no primeiro artigo uma modelagem geoestatística espacial para analisar os dados de leprose dos citros em plantações de laranja. O uso de uma classe flexível de modelos, associada ao método de inferência computacionalmente eficiente através da aproximação de Laplace aninhada integrada (INLA), tornou a abordagem mais interessante e possibilitou a incorporação desta metodologia em sistemas da citricultura brasileira. Sabe-se que tanto no aspecto espacial quanto no espaço-temporal, perdas de observações ocorrem por diversos fatores. E, técnicas que possibilitem tratar tais tipos de dados tem sido propostas, dentre elas a imputação. No segundo artigo, utiliza-se o método de imputação múltipla da média preditiva para comparar o ajuste feito pelo método INLA com a utilização da imputaçã MICE e imputação INLA. A idéia foi fornecer diferentes tamanhos e perdas amostrais para comparar os dois procedimentos de imputação. Foi verificado na imputação INLA que a medida que aumentavam-se o tamanho e as perdas amostrais o valor da raiz normalizada do erro quadrático médio (NRMSE) ia diminuindo e para a imputação MICE esse valor aumentava. Porém, apesar de aumentar o valor do NRMSE neste método, o mesmo ainda apresentou valores imputados muito mais próximos aos valores originais. Mostrando assim, que o método de imputação da média preditiva utilizado na imputação MICE teve um melhor desempenho para dados espaciais binários.

The relationship of geostatistics and precision agriculture can result in specific decision making and interventions. Geostatistics and precision agriculture have tools that are complementary to understanding the variations that occur in the field. In many situations, geostatistics offers unique resources to precision agriculture and, conversely, precision agriculture provides resources that allow the determination of the spatial dependence structure and together allow the construction of scenarios for decision-making and practical actions for specific management. Bayesian statistics has been used as an inference method in the statistical analysis of spatial data. Given the current importance and applications of modeling spatial phenomena with binary data are not so covered in the literature, this paper aims to present a study of models proposed in the literature to analyze binary spatial data using hierarchical Bayesian models, which involve the use of models conditional autoregressives and generalized linear models to capture the spatial structure of the data. A geostatistical spatial modeling to analyze citrus leprosis data in orange plantations was verified in the first article. The use of a flexible class of models, associated with the computationally efficient inference method through the integrated nested Laplace approximation (INLA), made the approach more interesting and enabled the incorporation of this methodology in Brazilian citrus farming systems. It is known that both in the spatial and in the spatiotemporal aspect, losses of observations occur due to several factors. And, techniques that make it possible to treat such types of data have been proposed, including imputation. In the second article, the predictive mean multiple imputation method is used to compare the adjustment made by the INLA method with the use of MICE imputation and INLA imputation. The idea was to provide different sample sizes and losses to compare the two imputation procedures. It was verified in the INLA imputation that as the sample size and losses increased, the value of the normalized root mean squared error (NRMSE) decreased and for the MICE imputation this value increased. However, despite increasing the NRMSE value in this method, it still presented imputed values much closer to the original values. Thus, showing that the predictive mean imputation method used in MICE imputation had a better performance for binary spatial data.