ABORDAGEM BORROW STRENGHT APLICADA A MODELO GEOESTATÍSTICO PARA ESTIMATIVA DE VOLUME

• Published in: Ciência florestal Vol. 27; no. 2
• Main Authors: Wojciechowski, Julio Cesar, Arce, Julio Eduardo, Weber, Saulo Henrique, Ribeiro Junior, Paulo Justiniano, Pires, Carlos Alberto da Fonseca
• Format: Journal Article
• Language: Portuguese
• Published: Centro de Pesquisas Florestais - CEPEF, Departamento de Ciências Florestais - DCFL, Programa de Pós Graduação em Engenharia Florestal - PPGEF 26-07-2018
• Subjects: Akaike criterion; critério de Akaike; forest inventory; inventário florestal; maximum likelihood; máxima verossimilhança; precision silviculture; silvicultura de precisão
• ISSN: 0103-9954

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.
This study aimed to use the share parameters of the geo-statistical
models applied to maximum likelihood estimators to predict the volumes
per hectare in three fragments of a Deciduous Forest located in Santa
Teresa, RS state, employing the 'Borrow Strength' approach.
Data were collected in 56 sampling units (S.U) of variable sizes with
approximately 250 m2 for a total of nine ha, distributed in a
systematic grid of 40 x 40 m. Dendrometric variables from individuals
with DBH ≥ 10 cm near the center of the S.U. were measured. Two
approaches to the data set were prepared, the first of which
considering both areas entirely independent themselves, subdivided into
two types: a fit to non-spatial model (NSM) and a fit to the maximum
likelihood (ML) not shared (individual adjustment) model. The second
approach described the adjustment of the shared as a function of random
error or nugget, comprising models: a shared model without fixed nugget
(variability between S.U) and a shared model with fixed nugget
(variability within S.U) models, using a logarithmic function of M.L
applied to the Matèrn family of exponential correlation model.
Then, the models were compared using Akaike information criterion (AIC)
and by degree of spatial dependence for subsequent preparation of both
kriging and prediction surfaces of the selected models. It was observed
that the combined volume models to estimate values were higher for the
AIC values and spatial dependence with respect to the adjustments for
the individual areas. Among the shared models, it was observed that
there was a gain in the parameter estimates using the fixed nugget,
which resulted in a higher correlation of samples and spatial
dependence (AP = 88 m), than the shared models without the fixed nugget
(AP = 75 and 66 m). The AIC was efficient because it compared the
different levels of proposed adjustments to the methodology of the
study, selecting a model with parsimony and compatible with the spatial
distribution patterns found in the areas. The use of combined models
for data sampling in different areas with the introduction of the error
estimate intra-plot (fixed nugget) in the equations of MV can be
suggested to increase the correlation between the S.U and combined
evaluation of the AIC plus the degree of spatial dependence in
estimating dendrometric variables.