Publicação: Densidade de biomassa na Amazônia Legal: estimativa com modelos espaciais
Carregando...
Arquivos
Paginação
Primeira página
Última página
Data
item.page.date.journal
Data da Série
Data do evento
Data
Data de defesa
Data
Edição
Idioma
por
Cobertura espacial
Amazônia Legal
Cobertura temporal
País
BR
organization.page.location.country
Tipo de evento
Tipo
Grau Acadêmico
Fonte original
ISBN
ISSN
DOI
dARK
item.page.project.ID
item.page.project.productID
Detentor dos direitos autorais
Instituto de Pesquisa Econômica Aplicada (Ipea)
Acesso à informação
Acesso Aberto
Termos de uso
É permitida a reprodução deste texto, desde que obrigatoriamente citada a fonte. Reproduções para fins comerciais são rigorosamente proibidas.
Titulo alternativo
Texto para Discussão (TD) 891: Densidade de biomassa na Amazônia Legal: estimativa com modelos espaciais, Biomass density in the Legal Amazon: estimation with spatial models
item.page.organization.alternative
Variações no nome completo
Autor(a)
Orientador(a)
Editor(a)
Organizador(a)
Coordenador(a)
item.page.organization.manager
Outras autorias
Moreira, Ajax
Reis, Eustáquio
Boher, Cláudio
Fioravante, Hugo
Reis, Eustáquio
Boher, Cláudio
Fioravante, Hugo
Palestrante/Mediador(a)/Debatedor(a)
Coodenador do Projeto
Resumo
Neste trabalho temos como objetivo estimar a densidade de biomassa na Amazônia Legal, extrapolando os dados pontuais do projeto Radam-Brasil. Partindo da hipótese de que a densidade, ou uma das suas componentes, varia suavemente no espaço, trabalhamos com duas especificações de modelo: Armae [Anselin (1988)] e PVE Besag (1975) e Gamerman, Moreira e Rue (2001)]. Para a especificação dos modelos consideramos duas questões preliminares: estabelecer um critério para a vizinhança e escolher as variáveis explicativas. Após fazer uma análise, estabelecemos um limite de 80 km para a vizinhança. Escolhemos, dentre as classificações de solos e cobertura vegetal, as que melhor explicam a densidade de biomassa, e obtivemos o melhor modelo. Para analisar o efeito do regime de chuvas nesse modelo foi necessário extrapolar os dados originais (observados em pontos diferentes do Radam), mas essa extrapolação não ajudou a aumentar a capacidade explicativa do modelo. Para a matriz de vizinhanças W, sugerimos três especificações, uma com pesos do tipo 0-1, e duas com pesos dependendo da distância entre os pontos e um parâmetro de decaimento. Verificamos uma superioridade dessas duas últimas pelo critério de comparação de modelos de Gelfand e Ghosh (1998). Graficamente, entretanto, não é possível observar essa superioridade. O modelo PVE foi superior aos modelos Armae pelo critério de Gelfand e Ghosh e, graficamente, mostrou se ajustar melhor aos dados.
Resumo traduzido
In this work our aim is to estimate the biomass density over Amazônia Legal, extrapolating the punctual data from the project Radam-Brasil. Under the hypothesis that the density, or one of it’s components, varies smoothly in space, we worked with two different model specifications: Armae [Anselin (1988)] and PVE [Besag (1975) and Gamerman, Moreira and Rue (2001)]. To specify the models we considered two preliminary tasks: establish a criterion to define neighborhood and choose explanatory variables. After some analysis, we established an 80 km limit of neighborhood. We chose the best solo and vegetal classification available, and obtained the best model. To analyze the effect of rainfall data in this model it was necessary to extrapolate the original data (observed in other locations then Radam), but this extrapolation didn’t help to increase the model explanatory power. We suggested three specifications to the neighborhood matrix W, one considering 0-1 weights, and two with weighs depending on the distance between the points and a decay parameter. We verified that these last two models were superior by the model comparison criterion of Gelfand and Ghosh (1998). Graphically, however, it’s not possible to observe such superiority. The PVE model was better then the Armae ones by the Gelfand and Ghosh criterion and graphically it showed to fit the data better.