ABORDAGEM BORROW STRENGHT APLICADA A MODELO GEOESTATÍSTICO PARA ESTIMATIVA DE VOLUME

Julio Cesar Wojciechowski, Julio Eduardo Arce, Saulo Henrique Weber, Paulo Justiniano Ribeiro Junior, Carlos Alberto da Fonseca Pires

Resumo


O presente estudo teve como objetivo utilizar o compartilhamento de parâmetros de modelos geoestatísticos aplicado aos estimadores de máxima verossimilhança para predizer os volumes por hectare em três fragmentos de Floresta Estacional Subtropical localizados em Santa Teresa - RS empregando a abordagem Borrow strenght. Os dados foram coletados em 56 unidades amostrais (U.A) de tamanho variável com aproximadamente 250 m2 em um total de 9 ha, distribuídas em um grid sistemático de 40 x 40 m, sendo medidas as variáveis dendrométricas dos indivíduos com DAP ≥ 10 cm próximas ao centro das unidades. Foram elaboradas duas abordagens para o conjunto de dados, sendo que a primeira considerou as áreas totalmente independentes entre si, subdivididas em dois tipos: ajuste ao modelo não espacial (NSM) e ajuste pelo método de máxima verossimilhança (MV) não compartilhado (ajuste individual). A segunda abordagem descreveu os ajustes dos modelos de máxima verossimilhança compartilhados em função do erro aleatório ou nugget, sendo: modelos sem nugget fixo (variabilidade entre as U.A) e com nugget fixo (variabilidade dentro das U.A), utilizando como correlação a função exponencial da família Matèrn. Em seguida, os modelos foram comparados pelo critério de informação de Akaike (AIC) e grau de dependência espacial para posterior krigagem e elaboração das superfícies de predição dos modelos selecionados. Foi observado que os modelos combinados para estimativa do volume foram superiores para os valores de AIC e grau de dependência espacial em relação aos ajustes para as áreas individuais. Entre os modelos compartilhados, observou-se que houve um ganho nas estimativas dos parâmetros utilizando o nugget fixo, que resultaram em uma correlação das amostras e grau de dependência espacial maior (AP = 88 m), em relação aos modelos compartilhado sem nugget fixo (AP = 75 e 66 m). O AIC mostrou-se eficiente, uma vez que comparou os diferentes níveis de ajustes propostos na metodologia do trabalho, selecionando um modelo com parcimônia e compatível com os padrões de distribuição espacial encontrados nas áreas. Sugere-se o uso de modelos compartilhados para dados de amostragem em diferentes áreas, com introdução da estimativa do erro intraparcela (nugget fixo) nas equações de MV, para aumentar a correlação entre as U.A, com avaliação conjunta do AIC somado ao grau de dependência espacial na estimativa de variáveis dendrométricas.


Palavras-chave


máxima verossimilhança; silvicultura de precisão; critério de Akaike; inventário florestal.

Texto completo:

PDF

Referências


AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, Boston, v. 19, n. 6, p. 716–723, dec. 1974.

BAS, D.; VAN PUIJENBROEK, R. A. G. Conditional Regression Analysis. Quality & Quantity, Dordrecht, v. 23, n. 1, p. 83-108, feb. 1989.

BOX, G. E. P.; COX, D. R. An Analysis of Transformations. Journal of the Royal Statistical Society, London, v. 26, n. 2, p. 211-252, 1964.

BUONGIORNO, J.; GILLESS, J. K. Decision methods for forest resource management. San Diego: Academic Press, 2003. 429 p.

BRILLINGER, D. Selected works in probability and statístics. Oslo: Springer, 1997. 609 p.

BURNHAM, P. K.; ANDERSON, D. R. Model selection and multimodel inference – a pratical information - theroretic approach. 2. ed. Colorado: Springer, 2002. 347 p.

DIGGLE, P. J.; RIBEIRO JUNIOR, P. J. Model-Based geostatistics. New York: Springer, 2007. 228 p.

EMBRAPA. Sistema brasileiro de classificação de solos. 3. ed. Brasília: EMBRAPA, 2013. 353 p.

FINLEY, A. O.; BANERJEE, S.; MACFARLANE, D. W. A hierarchical model for quantifying forest variables over large heterogeneous landscapes with uncertain forest areas. Michigan: Department of Forestry, 2010. 88 p.

GREGOIRE, T. G.; SCHABENBERGER, O. Fitting bole-volume equations to spatially correlated within-tree data. In: ANNUAL CONFERENCE OF APPLIED STATISTICS IN AGRICULTURE, 6., 1994, Manhatan. Procedings… Kansas, 1994. p. 120-133.

KANGAS, A.; MALTANO, M. Forest inventory – methodology and applications. New York: Springer, 2006. 350 p.

MACHADO, S. A.; FIGUEIREDO FILHO, A. Dendrometria. Curitiba: Os autores, 2003. 309 p.

MALCZEWSKI, J. GIS and multicriteria decision analysis. New York: Wiley, 1999. 298 p.

MATÈRN, B. Spatial Variation. Berlin: Springer, 1986. 594 p.

MATTHIOPOUOS, J. How to be a quantitative ecologist – the ‘A to R’ of green mathematics and statistics. Scotland: Wiley, 2011. 1091 p.

MELLO, J. M. Geoestatística aplicada ao inventário florestal. 2004. 110 f. Tese (Doutorado em Recursos Florestais) - Escola Superior de Agricultura Luiz de Queiroz, Piracicaba, 2004.

MORENO, J. A. Clima do Rio Grande do Sul. Porto Alegre: Secretaria da Agricultura, 1961. 73 p.

PEBESMA, E. J.; BIVAND, R. S. Classes and methods for spatial data in R. R News, Ontario, v. 5, n. 2, 2005.

PINHEIRO, J.; BATES, D. Mixed-Effects Models in S and S-PLUS. New York: Springer, 2000. 530 p.

PRODAN, M. Holzmesslehre. Frankfurt: Sauerlände’s Verlag, 1965. 644 p.

R CORE TEAM. R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2013. Disponível em: . Acesso em: 12 abr. 2014.

RIBEIRO JÚNIOR, P. J. Métodos geoestatísticos no estudo da variabilidade espacial dos parâmetros do solo. 1995. 99 f. Dissertação (Mestrado) - Escola Superior de Agricultura "Luiz de Queiroz", Universidade de São Paulo, Piracicaba, 1995.

RIBEIRO JUNIOR, P. J.; DIGGLE, P. J. The geoR package functions for geostatistical data analysis. R News, Ontario, v. 1, n. 2, p. 15-18, 2001.

RONGXIA. L.; PETE, B.; KEVIN, B. Informed development of meta heuristics for spatial forest planning problems. The Open Operational Research Journal, Sharjah, n. 4, p. 1-11, 2010.

RIO GRANDE DO SUL. Secretaria Estadual do Meio Ambiente. Relatório Final do Inventário Florestal Contínuo do Rio Grande do Sul. Porto Alegre: SEMA/RS, 2001. 2 v. 706 p.

VENABLES, W. N.; RIPLEY, B. D. Modern applied statistics with S. 4th ed. New York: Springer, 2002.




DOI: https://doi.org/10.5902/1980509827739

Licença Creative Commons