Geoestatística e modelos não lineares e de efeito misto para modelagem da capacidade produtiva do sítio em florestas de Pinus taeda L.
Maitê dos Santos Ribeiro
Defesa Pública: 30 de junho de 2021
Banca Examinadora:
Dr. Edgar de Souza Vismara – UTFPR – Primeiro Examinador
Dr. João Luis Ferreira Batista – USP – Segundo Examinador
Dr. Samuel de Pádua Chaves e Carvalho – UFMT – Terceiro Examinador
Dra. Andrea Nogueira Dias – UNICENTRO – Quarta Examinadora
Dr. Julio Eduardo Arce – UFPR / UNICENTRO – Orientador e Presidente da Banca Examinadora
Resumo:
O presente trabalho explorou a modelagem da dependência de dados autocorrelacionados utilizando covariáveis de baixo custo e alta intensidade amostral, originadas do sensoriamento remoto, na determinação da capacidade produtiva do sítio de florestas de Pinus taeda. Para tal, utilizou-se de modelos avançados que permitem a manipulação das estruturas de variância e covariância. A geoestatística foi aplicada com a técnica de krigagem de deriva externa para altura dominante, com o processamento de 255 unidades amostrais, coletadas no município de Coronel Domingo Soares, Paraná, Brasil, adicionando oito covariáveis de sensoriamento remoto das imagens LANDSAT-8 (SRI, NDVI, NDWI, NBR e SAVI) e SRTM (altitude, declividade e classes de relevo) além de um modelo múltiplo escolhido pelo Best Subset Selection. Testou-se três semivariogramas teóricos e a qualidade do ajuste foi avaliada pela validação cruzada leave-one-out, considerando critérios estatísticos e análise gráfica de resíduos. A modelagem não linear gaussiana heterocedástica e de efeito misto utilizaram as variáveis altura dominante e idade de 1.277 amostras, remedidas no mínimo 3 vezes, coletadas na região centro sul do Paraná, Brasil, além da covariável classe de declividade originada da imagem SRTM. O modelo tradicional, foi comparado com as abordagens avançadas, em todos os cenários possíveis da inclusão ou não da classe de declividade nos parâmetros do modelo. A qualidade do ajuste se deu por critérios estatísticos e análise gráfica dos resíduos. As três metodologias testadas mostraram se adequadas para atingir os objetivos propostos, corrigindo problemas de heterocedasticidade e correlação dos erros. Além disso apresentaram estatísticas superiores, consequentemente produziram estimativas mais confiáveis.
