Baixe o app para aproveitar ainda mais
Prévia do material em texto
INSTITUTO SUPERIOR POLITÉCNICO DE GAZA FACULDADE DE AGRICULTURA CURSO DE ENGENHARIA FLORESTAL PROJECTO FINAL AVALIAÇÃO DA CAPACIDADE PRODUTIVA DA PLANTAÇÃO DE Eucalyptus spp USANDO A GEOESTATÍSTICA Monografia apresentada e defendida como requisito para a obtenção do grau de Licenciatura em Engenharia Florestal Autor: João Chibue Domingos Supervisor: dr. Arão Raimundo Finiasse, MSc Co-supervisor: Eng o Emídio José Matusse, MSc Lionde, Março de 2021 ÍNDICE Pág. Declaração ........................................................................................... Erro! Marcador não definido. Lista de abreviaturas ........................................................................................................................... II Lista de figuras ................................................................................................................................... III Lista de tabelas .................................................................................................................................. IV Lista de Anexos ................................................................................................................................... V DEDICATÓRIA ............................................................................................................................... VI AGRADECIMENTOS..................................................................................................................... VII RESUMO .......................................................................................................................................... IX ABSTRACT ........................................................................................................................................ X 1. INTRODUÇÃO ........................................................................................................................ 1 1.1. Problema e justificativa ............................................................................................................ 3 1.2. Objectivos................................................................................................................................. 4 1.2.1. Geral ......................................................................................................................................... 4 1.2.2. Especifico ................................................................................................................................. 4 1.3. Hipóteses .................................................................................................................................. 4 2. REVISÃO BIBLIOGRÁFICA ................................................................................................. 5 2.1. Plantações florestais em Moçambique ..................................................................................... 5 2.2. Descrição do género Eucalipto ................................................................................................ 6 2.3. Classificação da produtividade florestal .................................................................................. 7 2.4. Estatística clássica .................................................................................................................... 8 2.5. Teoria de Amostragem ............................................................................................................. 9 2.6. Geoestatística ......................................................................................................................... 10 2.6.2. Modelos teóricos de semivariogramas ................................................................................... 14 2.6.3. Interpolação espacial (krigagem) ........................................................................................... 15 2.7. Validação cruzada .................................................................................................................. 17 3. MATERIAIS E METODOS ................................................................................................... 21 3.1. Descrição da área ................................................................................................................... 21 3.1.1. Localização geográfica da área de estudo .............................................................................. 21 3.1.2. Vegetação ............................................................................................................................... 22 3.1.3. Clima ...................................................................................................................................... 22 3.2. Materiais ................................................................................................................................. 22 3.3. Metodologia ........................................................................................................................... 23 3.3.1. Levantamento e análise dos principais parâmetros dendrométricos ...................................... 23 3.3.2. Modelos hipsómetros ............................................................................................................. 24 3.3.3. Determinação de volume ........................................................................................................ 26 1 3.3.4. Determinação da capacidade produtiva.................................................................................. 26 3.3.5. Mapeamento da Capacidade Produtiva .................................................................................. 27 3.3.7. Métodos de estimação de parâmetros da estatística clássica .................................................. 28 3.3.8. Analise geoestatística ............................................................................................................. 29 3.3.9. Estudo semivariográfico ......................................................................................................... 29 4. RESULTADOS E DISCUSSÃO ............................................................................................ 30 4.1. Análise exploratória dos dados .............................................................................................. 30 4.2. Modelos hipsométricos .......................................................................................................... 31 4.2.1. Classificação de sítio .............................................................................................................. 34 4.3. Analise geoestatística ............................................................................................................. 37 4.3.1. Modelos de semivariograma ajustados .................................................................................. 38 4.3.2. Escolha do modelo de semivariograma .................................................................................. 40 4.3.3. Predições geoestatísticas dos parâmetros volume e altura dominante ................................... 41 4.3.1. Validação cruzada .................................................................................................................. 47 5. CONCLUSÃO ........................................................................................................................ 48 6. RECOMENDAÇÕES ............................................................................................................. 49 7. REFERÊNCIAS BIBLIOGRÁFICAS .................................................................................... 50 8. ANEXOS ................................................................................................................................ 57 I II Lista de abreviaturas ISPG – Instituto SuperiorPolitécnico de Gaza UTM – Universal Transversal Mercator MAE – Ministério de administração estatal σ 2 - Contribuição τ 2 - Efeito Pepita ν- Patamar h - Distância hd - Altura dominante d - Distância máxima υ - Alcance V (xi) - Valores observados V* (xi) - Valores estimados Ha - Hectare SP- Silvicultura de precisão SIG- Sistema de Informações Geográficas GPS- Sistema de posicionamento global DAP- Diâmetro da Altura do Peito HD – Altura dominante Lags – distancia IDE% - índice de dependência espacial em percentagem Vi – volume individual Vi/ha- Volume por unidade da área Ni- Numero de indivíduos Ni/ha- Número de indivíduos por unidade da área Gi- Área basal Gi/ha- Área basal por unidade da área m 3 - Metros cúbicos m- metros π- Pi Ht - Altura total HDest – Altura dominante estimado I^-1 – Inverso da idade LnHD- Logaritmo natural da altura dominante DNTF- Direcção nacional de terras e florestas DUAT- Direito de uso e aproveitamento de terra III Lista de figuras Figura 1. Modelo típico de semivariograma experimental com os parâmetros efeito pepita (τ 2 ), contribuição (σ 2 ), patamar (v) e alcance (ϕ). ............................................................................ 13 Figura 2. Gráfico do semivariograma com os parâmetros efeito pepita (τ2), contribuição (σ2), patamar (v) e alcance (ϕ). ......................................................................................................... 14 Figura 3. Localização da Área de estudo .................................................................................. 21 Figura 4. Relações hipsométricas de Eucaliptus ssp, na Industria Florestal de Manica. ......... 32 Figura 5. Modelos hipsométricos tradicionais ajustados para todo o agrupamento ................. 33 Figura 6. Comparação das alturas dominantes com o feixe de curvas de determinação da capacidade produtiva desenvolvido para área estudada. .......................................................... 35 Figura 7.Feixes de curvas estabelecido para determinação da capacidade produtivo do plantio de eucalipto no IFLOMA-Manica ............................................................................................ 36 Figura 8. Distribuição de frequência (a) e box plot (b) dos dados de altura dominante metros da plantação de eucalipto .......................................................................................................... 38 Figura 9. Distribuição de frequência (a) e box plot (b) dos dados do volume (m 3 ) da plantação de eucalipto. .............................................................................................................................. 38 Figura 10. Modelos de semivariograma ajustados: esférico, exponencial e gaussiano, com distância de 700 m da variável altura dominante em metros, na área de estudo. ..................... 39 Figura 11.Modelos de semivariograma ajustados: esférico, exponencial e gaussiano, para a variável volume m 3 , na área de estudo. .................................................................................... 39 Figura 12. Mapa temático da distribuição espacial do índice de sítio (m) no povoamento de Eucalyptus spp. ......................................................................................................................... 45 Figura 13. Mapa temático da distribuição espacial da produção em volume (m 3 ) no povoamento de Eucalyptus spp. ............................................................................................... 45 Figura 14. Mapa da distribuição de probabilidade da produção em Altura dominante (m). .... 46 Figura 15. Mapa da distribuição de probabilidade de produção em volume (m 3 ).................... 46 Figura 16. Relação dos valores estimados e preditos da variável altura dominante (m). ......... 47 Figura 17. Relação dos valores estimados e preditos da variável volume (m 3 ). ...................... 47 file:///D:/Chibue/Defesa%20joao/TCC%20Final_%20Domingos.%20JC_%20Geoestatistica.docx%23_Toc67084747 IV Lista de tabelas Tabela 1. Área ocupada pelas empresas florestais em Moçambique ......................................... 6 Tabela 2. Materiais necessários e Softwares ............................................................................ 23 Tabela 3. Modelos hipsométricos, testados para estimar altura em função do diâmetro (DAP) .................................................................................................................................................. 25 Tabela 4. Classe de índice de sítio para o povoamento de Eucalyptus .................................... 28 Tabela 5. Resumo de análise estatístico e análise exploratória dos dados ............................... 30 Tabela 6. Parâmetros estimados (b0, b1, e b2) e das estatísticas de regressão R2aj, Syx e Syx% obtidos para todo o agrupamento de dados .................................................................... 32 Tabela 7. Classes de capacidade produtiva .............................................................................. 34 Tabela 8. Estimativas dos parâmetros efeito pepita (t2), patamar (v), contribuição (σ2) e alcance (ϕ), dos modelos esférico, exponencial e gaussiano, e o respectivo índice de dependência espacial (IDE%), ajustados para as variáveis altura dominante (m) e volume (m 3 ). .......................................................................................................................................... 39 Tabela 9. Estatísticas da validação cruzada, obtidas ao ajustar modelos de semivariograma esférico, exponencial e gaussiano de pares de pontos das duas variáveis, altura dominante (m) e volume (m 3 ) e o índice de dependência espacial (IDE%). .................................................... 41 Tabela 10. Relação de valores reais e preditos das variáveis altura dominante (m) e volume (m 3 ) ........................................................................................................................................... 43 Tabela 11. Estimativas de parâmetros dendrométricos feitas por talhão ................................. 58 Tabela 12. Predição de Altura dominante (m) e volume (m 3 ) por unidade de parcela ............ 58 Tabela 13. Estimativas dos parâmetros dendrométricos feitas por parcela .............................. 60 V Lista de Anexos Anexo 1A. Localização das parcelas, espécies e data de estabelecimento dos povoamentos, espaçamento entre as árvores, e área de cada talhão onde as parcelas foram estabelecidas. ... 57 Anexo 1B. Cálculos dos parâmetros dendrométricos ............................................................... 58 Anexo C. Ficha de campo......................................................................................................... 62 Anexo D. Resumo dos dados colectados .................................................................................. 63 VI DEDICATÓRIA A Deus e aos anjos que me iluminaram Aos meus pais: Domingos Castigo Maducas (in memoriam) e Tomásia Tomo (os meus deuses) Ao meu irmão: Meque Juias Domingos, que assegurou a família e dividiu o seu pão pela metade p’ra ver o meu sonho se realizar (o meu herói), a ti palavras me faltam para mostrar a minha gratidão e satisfação por tudo. A estes Dedico VII AGRADECIMENTOS Em primeiro lugar o meu agradecimento vai á Deus todo-poderoso a razão da minha existência, que me ajudou a ultrapassar os obstáculos e me deu forças suficientes para que o meu sonho tornasse numa realidade. A minha Mãe Tomásia Tomo, pelo amor que me dedicou desde que me fez contemplar o mundo até hoje em dia, a ela nenhuma palavra no mundo expressa o meu amorinfinito. Aos meus irmãos: Castigo João Domingos (in memoriam), Francisco Tomo Domingos (in memoriam), Júlia Massane Domingos, Juliana Tchone Domingos (in memoriam), Amélia Ndapsedjua Domingos, Meque Juias Domingos, Laurina Guva Dmingos, Luisa Ulombo Domingos, José Paulo Domingos e minha cunhada Ermelinda Sumbane, pelo apoio moral e financeiro que me deram durante o percurso da minha formação. Aos meus primos e Sobrinhos: Eduardo Charles Lunabo, João Charles Lunabo, Paulo Charles Lunabo, José Mubadje, Juniora Domingos Deva, José Zeca, Francisco, Tomasia, Fania, Fany, Psipa, Castra, Castigo, Domingos, Verónica, Duda, Salete, Esperança, Marizia e Luisa, que tanto acreditaram na realização do sonho. A Iodmila da Mira Paulino Nhampossa, minha melhor amiga, por dividir comigo todas as novas experiências, sempre me ajudando quando necessário não importando o motivo. Obrigado por todos os conselhos, criticas e por estar sempre ao meu lado em todos os momentos. Ao meu supervisor dr. Arão Raimundo Finiasse, (MSc) e o co-supervisor Eng o . Emídio José Matusse, (MSc) pelo apoio, paciência, sabedoria, critica, esclarecimentos e sugestões, espírito de investigação que demonstraram durante a colheita de dados e na realização deste trabalho, agradeço imensamente pela atenção e disponibilidade imediata na interacção Estudante- Docente e dicas profissionais. Os meus Profundos agradecimentos ao ISPG, pela oportunidade de realizar o curso, a Divisão de Agricultura e em especial ao corpo docente do curso de Engenharia Florestal que directamente ou indirectamente contribuíram na minha formação, com especial destaque aos docentes: Eng o Emídio José Matusse, dr. Arão Raimundo Finiasse, Eng o . Severino Macôo, dr Sérgio Bila, Eng o Pedro Wate, Eng o Edson Massingue, dr Eleutério Mapsanganhe, Prof. Doutor Mário Sebastião Tuzine, Eng a Juvência Yolanda, pela valiosa orientação e pelo conhecimento transmitido. VIII Ao IFLOMA e seus trabalhadores pela abertura e permissão para a colecta de dados na vossa empresa, especialmente ao Sr. Bonade e Sr. José pela orientação na identificação dos talhões onde foram estabelecidas as parcelas, pela companhia durante a colheita de dados e pela ajuda na colheita dos dados, e ao Lee Raice Champungo, pelo fornecimento do material. Aos meus companheiros do curso da engenharia florestal, especialmente Rassul, Inocente, Hedivânio, Iolanda, Timóteo, Válter, Lucrência, Nélia, Constância e Ester e a todos cujos nomes não foram mencionados, mas que sempre estiveram ao meu lado e directa ou indirectamente influenciaram na realização do meu sonho, pela companhia, confiança e cooperação durante o curso e durante a elaboração deste trabalho. Aos meus amigos: Hafsa Ussene, Matilde Jaime, Célia Bila, Alberto Dondo, Luís Xipenda, Armando Thequana, Filipe Matusse, Amanda Cossa, Reginalda Cossa, Armando Cossa e Tia Madina pela companhia, amizade, sugestões e conselhos. O meu muito obrigado. “A imaginação é mais importante que a ciência, porque a ciência é limitada, ao passo que a imaginação abrange o mundo inteiro. ” (Albert Einstein) IX RESUMO O presente estudo visa avaliar a capacidade produtiva da plantação de eucalipto usando técnicas geoestatística. O estudo foi realizado nas plantações da IFLOMA, no posto administrativo de Bandula, distrito de Manica, província de Manica. Foram estabelecidos 81 parcelas rectangulares de 0.07 ha (35x20m), e georreferenciados com auxílio de um GPS nos povoamentos de E. grandis e E. camaldulensis, E hybrid, E. grandis,e E grandis e urophyla de idades diferentes e estabelecidos no espaçamento inicial de 3 x 3 metros. Nas unidades amostrais estabelecidas foram colhidos valores de DAP altura das 10 primeiras árvores e altura dominante de 7 árvores. Para a produção as variáveis colectadas, através de inventário florestal, foram DAP e Altura total, que permitiram o cálculo da área basal e do volume. Visto que foram colhidos algumas árvores, recorreu-se a modelos de relação hipsométricas para a estimar as alturas das árvores restantes para a determinação de volume, sendo assim foram ajustados modelos lineares tradicionais de uma entrada. Para descrever a relação entre as variáveis altura dominante e idade, e classificar as áreas quanto ao seu potencial de produtividade foi ajustado a função de Schumacher. Na predição por geoestatística, foi ajustado o modelo de semivariograma, utilizado para avaliar a estrutura de dependência espacial das variáveis altura dominante e volume na área de estudo. Em seguida, utilizou-se a krigagem para obter as predições do volume e altura dominante. A comparação das estimações dos dois métodos foi feita com base no erro de amostragem, sendo encontrado um menor erro na geoestatística. Foi utilizado o método de interpolação de dados espaciais, utilizado o programa ArcGIS e a sua ferramenta de interpolação Geoestatística de Krigagem Ordinária, para a geração de mapas espaciais. Os resultados mostraram que o modelo de Stoffel & Van Soest foi o melhor pois propiciou melhores estatísticas de regressão para todo o conjunto de dados. Com o resultado da análise espacial de superfície pela Krigagem, foi possível notar que os resultados obtidos descreveram com excelente precisão o cenário encontrado em campo e o que foi processado no inventário florestal. O método de interpolação Krigagem Ordinária mostrou-se eficiente para estimar a altura dominante e volume em unidades produtivas no povoamento florestal em estudo. Conclui-se, assim, o uso da geoestatística para classificação da capacidade produtiva, quando existir estrutura de dependência espacial na região em estudo, uma vez que ela fornece predições mais precisas. Palavras-chave: Semivariograma; Geoestatística; Capacidade produtiva; Variabilidade espacial; Eucalipto; IFLOMA X ABSTRACT The present study aims to evaluate the productive capacity of eucalyptus plantations using geostatistical techniques. The study was carried out in the IFLOMA plantations, in the administrative post of Bandula, Manica district, Manica province. 81 rectangular 0.07 ha (35x20m) plots were established and georeferenced with the aid of a GPS in the stands of E. grandis and E. camaldulensis, E. hybrid, E. grandis, and E. grandis and urophyla of different ages and established at the initial spacing of 3 x 3 metres. In the established sample units, DAP height values of the first 10 trees and dominant height of 7 trees were collected. For production, the variables collected through the forest inventory were DAP and Total height, which allowed the calculation of basal area and volume. Since some trees were harvested, hypsometric relationship models were used to estimate the heights of the remaining trees for the determination of volume, thus adjusting traditional linear models of an entry. To describe the relationship between the variables dominant height and age, and to classify the areas in terms of their yield potential, the Schumacher function was adjusted. In the geostatistical prediction, the semivariogram model was adjusted, used to assess the spatial dependence structure of the dominant height and volume variables in the study area. Then, krigagem was used to obtain the predictions of volume and dominant height. The comparison of the estimates of the two methods was made on the basis of sampling error, and a smaller error was found in geostatistics. The spatial data interpolation method, ArcGIS programme and its Ordinary Krigagem Geostatistics interpolation tool, was used for the generation of spatial maps. The results showed that the Stoffel & Van Soest model was the best as it provided better regression statistics for the whole data set. With the result of Krigagem's surface spatial analysis, it was possible to notice thatthe results obtained described with excellent precision the scenario found in the field and what was processed in the forest inventory. The method of interpolation Ordinary Krigagem proved to be efficient to estimate the dominant height and volume in productive units in the forest stand under study. This concludes the use of geostatistics to classify productive capacity, when there is a structure of spatial dependence in the region under study, since it provides more accurate predictions. Keywords: Semivariogram; Geostatistics; Productive capacity; Spatial variability; Eucalyptus; IFLOMA; Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 1 1. INTRODUÇÃO Em Moçambique, as primeiras plantações florestais foram estabelecidas na época colonial, com objectivos de fornecer lenha a grandes centros urbanos e de estabilizar dunas ao longo da costa. E as plantações de carácter industrial e comercial foram estabelecidas nos finais da década 70 e início da década de 80 na província de Manica. Portanto, até 2016 o país contava com cerca de 64 mil hectares de plantações florestais comerciais (Ministerio da agricultura. MINAG, 2009; Mozambique investment climate.MIC, 2016) As plantações florestais apresentam grande importância socioecónomica em vários países, gerando produtos para consumo interno ou para exportação e geração de empregos para a população (Bila et al., 2010). O conhecimento sobre a sua dinâmica de crescimento e o desenvolvimento de planos de maneio adequados aos objectivos de produção é indispensável para avaliar o potencial volumétrico, quantificando e qualificando os recursos de forma a permitir a racionalização de seus usos, garantindo um suprimento contínuo de madeira e o delineamento da melhor política económica (Rosa, 2010). Com o aumento significativo da demanda por produtos florestais, o sector florestal exige cada vez mais o emprego de práticas de maneio para obter aumento da capacidade produtiva de modo a satisfazer as necessidades da demanda (Brandelero et al., 2006). O estudo da classificação das áreas florestais em relação ao potencial de produtividade é de grande importância, tanto para o maneio florestal como para o planeamento de uma empresa florestal, tendo em vista que expressa a produtividade de uma região e é uma variável requerida para o desenvolvimento de modelos de predição da produção florestal (Bila et al., 2010). A classificação produtiva por índice de local constitui um método prático, quantitativo e consistente da avaliação da qualidade do local, pois todos os factores ambientais são reflectidos de modo interactivo no crescimento em altura, a qual também esta relacionado com o volume (Campos & Leite 2013). O índice de sítio é um dos índices mais utilizados para determinar a produtividade de um povoamento florestal, expressando a qualidade do mesmo baseado na altura das árvores dominantes com referência a uma determinada idade índice (CARMEAN, 1970) citado por (Leal et al., 2011). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 2 A determinação de unidades de produção, advindas de vários procedimentos, umas delas a classificação de sítio, permite avaliar a capacidade de produção florestal em um determinado local. Assim sendo, para o maneio florestal essa classificação de unidades de produção/produtividade é de grande valia e indispensável para tomar decisões e planear acções de maneio no povoamento (MIGUEL, et al., 2011). A classificação de sítio tradicional, diferente da geoestatística, leva em consideração a média específica de um ponto amostral avaliado, não levando em consideração possíveis correlações entre unidades amostradas na região de sua vizinhança (Bognola et al., 2009; Mello, 2004). Nesse contexto o uso das técnicas de geoestatística ganha expressivo espaço funcional, visto que possíveis dependências espaciais existentes entre unidades amostradas possam ser explicadas de forma integrada. Ainda, como maior vantagem, locais não amostrados podem receber sem tendenciosidade atribuição quantitativa ou qualitativa, de forma correlacionada e interpolada dos pontos amostrados, geralmente por meio do emprego de técnicas de regressão linear múltipla (Filho, 2016). Essa ferramenta traz vantagens à modelagem do sítio e a processos de amostragem sobre distintas formas, permitindo a definição de espacialização geográfica de variáveis de interesse, quantificação de áreas, estratificação mais aprimorada da população, melhoria dos estimadores estatísticos e redução de erros amostrais, gerando ainda ferramentas para demarcação física das unidades de produção e do maneio silvicultural direccionado ou de precisão (Filho, 2016). A aplicação de sistemas de maneio específico para o planeamento de povoados florestais com fins comerciais exige informações precisas sobre a variação espacial dos atributos da cultura, que podem ser obtidas por meio dos mapas interpolados. Ter informações sobre a estrutura da continuidade espacial dos parâmetros dendrométricos contribui de forma significativa no maneio e planeamento florestal, permitindo que os resultados possam ser utilizados de maneira segura e estável (Mello, 2004). Portanto, este estudo pretende avaliar a capacidade produtiva da plantação de eucalipto usando a geoestatística, que visa gerenciar e melhorar a qualidade da tecnologia de aplicação, através da identificação de aspectos operacionais limitantes, melhorando a qualidade do produto final, e reduzindo custos ao se eliminar os desperdícios provenientes de operações mal realizadas, além de servir de base para o planeamento, controle, e tomadas de decisões na Industria Florestal de Manica-IFLOMA. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 3 1.1.Problema e justificativa A aparente homogeneidade espacial da estrutura dos povoamentos florestais é uma característica que, frequentemente dificulta observar as significativas variações dendrométricas existentes ao longo das áreas florestadas, tais como a estrutura diamétrica as quais são ocasionadas por factores edáficos, topográficos, silviculturas, entre outros. Assim um estudo detalhado sobre o potencial produtivo e dos factores que limitam a produção de uma determinada área ou região, torna-se essencial quando se tem como objectivo o maneio racional da floresta, visando à máxima produtividade sustentável, assim como sua produção (Rufino et al., 2006). Uma das actividades essenciais para a formação de povoamentos florestais é a realização da classificação de sítios florestais (Santos, 2012). De acordo com (Bila et al., 2010), a importância prática da classificação dos sítios quanto à produtividade está relacionada com a diminuição de custos das empresas florestais com parcelas permanentes, com o fornecimento de informações que irão definir técnicas de maneio mais adaptadas a determinada situação, considerando os aspectos sustentáveis e a rentabilidade económica. Apesar do passo dado no sector florestal moçambicano, na Indústria Florestal de Manica- IFLOMA, ainda existe um factor limitante para o maneio sustentável das plantações florestais no país e nas práticas silviculturais, a falta de informação detalhada sobre a capacidade produtiva (sitio florestal) usando técnicas geostátisticas. A IFLOMA é uma das empresas que possui e pretende estabelecer extensas áreas de plantações de Eucalyptus no país, e não possuem informações confiáveis sobre a capacidade produtiva nas suas plantações nas condições locais usando a geoestatística. Visto que, um dos principais objectivos da empresa é de disponibilizar sem interrupção os produtos madeireiros (madeira serrada, postes, etc), para o mercado nacional e internacional.Portanto, o mapeamento de produtividade, fornece mapas que ilustram “uma radiografia” da produtividade da cultura em cada unidade amostral dentro do talhão, possibilitando o maneio mais adequado para cada talhão (Antuniassi et al., 2015). Embora a classificação de sítio seja uma importante ferramenta para o maneio e o planeamento de uma empresa florestal, são poucas as empresas que têm suas áreas classificadas e mapeadas quanto à produtividade e seus potenciais produtivos (Miguel, et al. 2011). Dai que surge a necessidade de avaliar a capacidade produtiva da plantação de Eucalipto spp usando geoestatística, com vista a obter informações detalhadas sobre a variabilidade espacial dos parâmetros dendrométricos, o que ira auxiliar na planificação localizada da exploração e das actividades silviculturais naquele local. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 4 1.2.Objectivos 1.2.1. Geral Avaliar a capacidade produtiva na plantação de Eucalipto usando a geoestatística 1.2.2. Especifico Estimar a capacidade produtiva na plantação de eucalipto Classificar o índice de sítio, a partir da altura dominante; Modelar a continuidade espacial das características dendrométricas da espécie Eucalipto spp; 1.3.Hipóteses Hipótese nula H0: A geoestatística é uma ferramenta aplicável no sector florestal, podendo ser usado para avaliar a capacidade produtiva da plantação de Eucalyptus spp, na Industria Florestal de Manica; Nos parâmetros dendrométricos e produção na plantação de Eucalipto spp ocorre a variabilidade espacial. Hipótese alternativa HA: A geoestatística é uma ferramenta não aplicável no sector florestal, podendo não ser usado para avaliar a capacidade produtiva da plantação de Eucalyptus spp, na Industria Florestal de Manica; Nos parâmetros de dendrométricos e produção na plantação de Eucalyptus spp, não ocorre a variabilidade espacial. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 5 2. REVISÃO BIBLIOGRÁFICA 2.1.Plantações florestais em Moçambique Em Moçambique as primeiras plantações foram estabelecidas no século XIX com o plantio de árvores em Maputo, predominantemente com espécies do género Eucalyptus com o objectivo de secar os pântanos existentes na baixa de cidade, na foz do rio Limpopo e Ilha da Inhaca, com a finalidade de conter as areias e fixar dunas junto dos faróis. Na década de 1950 iniciaram-se plantações à escala comercial em Maputo, Manica, Zambézia e Niassa. As plantações florestais foram feitas no passado maioritariamente através do investimento público (DNTF, 2011). No que diz respeito á área plantada, há alguma discrepância na literatura disponível sobre esta matéria, visto que o MINAG (2009) só contabiliza as plantações em grande escala. Mas o relatório anual da DNTF (2011) contabiliza em cerca de 64 mil hectares de área plantada em todo o país, sendo as espécies do género Pinus e Eucalyptus as mais abundantes, maioritariamente usadas para a produção de madeira serrada. Em 2009 o Governo de Moçambique elaborou uma Estratégia para o Reflorestamento em Moçambique incluindo a indústria florestal. O objectivo da componente da indústria florestal é "estabelecer, desenvolver e consolidar plantações comerciais e indústrias, eficientes, competitivas e sustentáveis do ponto de vista económico, social e ambiental, para satisfazer as necessidades de matéria-prima a indústria local, a médio e longo prazo, e produzir produtos de maior valor acrescentado para o mercado interno e internacional" (Blid, 2014). Em 2011 cerca de 386,2 mil ha de DUATs haviam sido concedidos para as plantações florestais nas províncias de Niassa, Zambézia e Manica. Dentre as áreas autorizadas, foram plantadas cerca de 29,2mil ha principalmente com espécies do género Eucalyptus e Pinus. O relatório do MINAG (2015) contabiliza em mais de 700.000 ha a área ocupada pelas empresas florestais até ao ano de 2015, mas a área plantada até ao momento era relativamente pequena. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 6 Tabela 1. Área ocupada pelas empresas florestais em Moçambique Nr Nome da empresa Província Distrito Área com DUAT (ha) Área plantada (ha) 1 Chikweti Niassa Lago e Lichinga 63,04 14,25 2 Floresta do Niassa Niassa 42,102 5,77 3 Fundação Malonda Niassa Lichinga e Sanga 4,076 1,101 4 Green Resource Niassa Sanga 7,88 2,25 5 New Forest Niassa Lichinga 33,04 3,4 6 C. F. Massangulo Niassa Ngauma 5,332 4,378 7 Portucel Zambézia Ile e Namaroi 173,324 300 8 Ntacua Zambézia Ile, Alto Mulocué e Lugela. 9,5 2 00 9 Tectona Forest Zambézia Gurue, Milange e Namarroi 13,935 4,228 10 ATFC II Zambézia Namarroi 6 3,5 11 Green Resouce Nampula Mecuburi, Ribaué, Nampula 126,06 2,5 12 IFLOMA Manica Manica 23,6 15 13 Portucel Manica Manica, Gondola, Bárue, Sussundenga e Mussorize 182,886 70 14 MOFLOR Manica Manica, Gondola 3,1 520 15 CEFLOMA Manica Manica 1,117 497 16 IFLOMA Sofala Muanza 69,359 100 17 TOTAL ------------ ---------------------- 756,058 58,763 Fonte: (MINAG., 2015) 2.2.Descrição do género Eucalipto O género Eucalyptus pertence à família Myrtaceae, originalmente Australiano, e com grande dispersão mundial devido o seu crescimento satisfatório em grande amplitude edafo-climática, extrapolando a do local de origem. Actualmente, o género Eucalyptus é considerado como uma alternativa viável para abastecer este mercado devido, principalmente, ao seu rápido crescimento e às tecnologias silviculturas já desenvolvidas para sua produção (Assis, 2006) citador (Massingue, 2013). A partir dos anos 1970, alguns estudos apontaram que o género Eucalyptus não era um agrupamento taxionómico natural, apresentando duas diferentes linhagens, a primeira incluindo Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 7 os até então subgéneros Angophora e Corymbia, e a outra compreendendo o subgénero Eucalyptus. Nos anos 1990, o género Eucalyptus foi reagrupado, fazendo com que os géneros Angophora e Corymbia fossem criados. O género Corymbia possui 113 espécies, as quais possuem madeira com alta densidade básica, altos teores de extractivos e carboidratos, além de baixa proporção de lignina. Essas espécies apresentam importância comercial principalmente para a extracção de óleos essenciais de suas folhas e utilização da madeira na construção civil, para a produção de carvão vegetal e geração de energia (SEGURA, 2015). As espécies do género Eucalyptus, devido ao seu rápido crescimento e produção de madeira, aliado à sua grande diversidade genética entre as espécies e adaptabilidade a diferentes regiões, ocupam posição de destaque no sector florestal mundial (MARTINS et al., 2002). Os principais motivos para a escolha de espécies de eucalipto para implantação de florestas de produção são o rápido crescimento das espécies, fornecendo madeira em um curto espaço de tempo, e também a grande variedade de usos para os quais a madeira pode ser aproveitada (SILVA, 2005). O eucalipto apresenta grande importância pela possibilidade de uso múltiplo, podendo atender a todos os segmentos de celulose, madeira sólida, carvão vegetal e energia, principalmente para celulose e energia onde historicamente deu contribuição especial (FERREIRA, 2003). A escolha da espécie vai depender, principalmente, do clima da área a ser plantada e das características físicas e químicas do solo, além do destino da madeira produzida (SCAVINSKI, 2014). 2.3.Classificação da produtividade florestal O crescimento e a produção de um povoamentoflorestal dependem de vários factores como, a idade, a capacidade produtiva, o grau de utilização do potencial de produção do local e os tratamentos silviculturais utilizados no povoamento (Pinheiro, 2017). O sítio tem sido amplamente utilizado como variável nos modelos de crescimento e produção florestal, sendo importante por expressar um conjunto de factores ecológicos (climático, edáfico e biológico) (SCOLFORO, 1998). A capacidade produtiva de um local refere-se ao seu potencial para produzir madeira ou outro tipo de produto, em desenvolvimento, de uma determinada espécie sob diversas condições ambientais (edáficas, climáticas e bióticas) existentes e aos tratamentos silviculturas aos quais as árvores foram submetidas (Mamore, 2016). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 8 A classificação pelos índices de local é a forma mais disseminada. Campos e Leite (2013) afirmam que a vantagem do método é o seu resultado quantitativo. Mas citam a desvantagem de o método não ser aplicável em situações onde não se sabe a idade do povoamento ou quando não existirem árvores da espécie a ser cultivada. O mapeamento da produtividade pelo índice de sítio, obtido a partir da altura dominante, utiliza métodos tradicionais de estatística (media e variância), sem levar em consideração, as possíveis correlações entre observações vizinhas. Neste cenário diversos autores sugerem a utilização da geoestatística na classificação de sítio, pois estuda a dependência espacial entre as características dendrométricas da espécie em estudo com as variáveis do meio físico, no sentido de se obter resultados capazes de explorar adequadamente as relações espaciais existentes entre os dados (Ribeiro, 2014). 2.4.Estatística clássica As informações referentes à biometria florestal são obtidas com a realização de inventário florestal. Essas informações consistem, na maioria das vezes, em estimar o parâmetro volume médio e seu intervalo de confiança em determinado povoamento. Tais estimações são obtidas por meio de procedimentos de amostragem utilizando a estatística clássica, em que ela supõe que a variável em estudo seja aleatória e sua variação seja espacialmente independente, isto é, não leva em consideração a sua estrutura espacial, mas, sim, a sua variação ou dispersão. A estrutura de autocorrelação espacial da variável pode ser neutralizada pelo princípio da casualização utilizado na estatística clássica, pois seu objectivo é apenas avaliar a sua dispersão em torno da média pelo desvio-padrão e não a sua estrutura espacial (Santana, 2011). Com isso se espera que o valor médio de um fenómeno amostrado em dado local de uma região seja igual ao valor médio esperado do fenómeno para qualquer local dentro dessa região, associado a um erro de predição correspondente à variância dos dados amostrados (Mello, 2004). Na amostragem utilizando a estatística clássica, considera-se que a variação de uma variável pode ser decomposta pela soma de duas componentes: uma determinística associada a um valor médio; e a outra, um erro aleatório, representado pela equação 1 (GUEDES, 2009; Mello, 2004). ( ) ( ) [Equação 1] Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 9 Onde: ( ) é função determinística que descreve a componente estrutural ( )em x é a representação genérica de uma coordenada geográfica que a variável V (x) assumirá na região de estudo; e, é um erro aleatório de cada observação com média zero e variância σ 2 . 2.5.Teoria de Amostragem Métodos de Amostragem Vários métodos de amostragem são conhecidos na literatura, nos quais o destaque teórico entre eles é o critério probabilístico de selecção das árvores que vão participar da unidade amostral (Filho, 2016). Destacam-se, na literatura algumas concepções propostas para estudos ecológicos espaciais das espécies, como o método dos quadrantes, no qual a selecção probabilística das árvores é feita proporcional ao raio da árvore mais próxima do centro de um círculo ri, acrescida da restrição de aplicação do critério em quadrantes, ou seja, a unidade amostral circular é fraccionada em quatro subunidades, configurando-se subamostragem e, neste caso, eles formam um conglomerado com um indivíduo por subamostragem (COTTAM; CURTIS, 1956) citado por (Filho, 2016). Processos de Amostragem Os processos de amostragem possibilitam inferências sob a abordagem de um conjunto de unidades amostrais, como são lançadas na população, seja de forma aleatória, sistemática ou mista e seus critérios temporais, de única ocasião ou sucessivas ocasiões, nos quais os são apresentados de amostragens independentes, com repetição total, parcial ou dupla (Filho, 2016). O processo de amostragem aleatória tem sido amplamente utilizado para inventários florestais em florestas nativas e plantadas. Nesse processo, todas as unidades amostrais são sorteadas segundo critérios probabilísticos (PÉLLICO NETTO & BRENA, 1997), sendo que todas as n unidades da população têm as mesmas Chances de serem seleccionadas (SOARES, 2006). Ademais, esse processo pode incluir factores de proporcionalidade, como a área do compartimento, estrato ou talhão a ser inventariado. Quando essa premissa não é satisfeita, as ponderações podem ser tendenciosas, não representativas da verdadeira média da população, quando diferentes agrupamentos de dados de um mesmo local poderão resultar em valores desiguais. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 10 Outro facto restritivo do processo aleatório diz respeito à classificação de sítios e o emprego das técnicas de geoestatística, dado a probabilidade de não ser recoberta todo o domínio em estudo, criando áreas com modelagem espacial subjectiva (Filho, 2016). Na amostragem sistemática, somente a primeira unidade amostral é sorteada aleatoriamente, sendo as demais alocadas em um rígido padrão de distribuição, especializadas por uma distância k (m). O recobrimento igualitário de todo domínio em estudo é umas principais vantagens (YAMAMOTO & LANDIM, 2013). Nesse processo, independentemente da combinação e agrupamento do conjunto de dados, as médias resultarão em valores semelhantes, dado que o critério de proporcionalidade ao tamanho é satisfeito (Filho, 2016). 2.6.Geoestatística A geoestatística surgiu na década de 1950, a partir de publicações de Daniel Krige, engenheiro de Minas Auríferas da África do Sul. Krige (1951) percebeu que as variâncias obtidas pela estatística clássica não faziam sentido se não considerasse a distância entre os locais onde foram observadas as amostras. Baseado nas publicações de Krige, Matheron (1963) formulou a teoria da geoestatística, que trata as variáveis como variáveis regionalizadas. em que ele define variável regionalizada como a função espacial numérica, que varia de um local para outro, com continuidade aparente e cuja variação não pode ser representada por uma simples função matemática (Mello, 2004). Essa teoria supõe a existência de dependência espacial entre as variáveis, ou seja, correlação dos valores das variáveis com a distância dos pontos de onde eles foram obtidos. Portanto, diferente da estatística clássica, que supõe independência espacial entre os valores das variáveis (Mello, 2004). Uma ferramenta de precisão muito utilizada é a geoestatística (NETO, 2019). De acordo com Faraco et al. (2008), a geoestatística, é baseada no estudo de uma função espacial numérica que varia de um local para outro com continuidade e cujos valores são relacionados com a posição espacial que ocupam, o que permite a estimativa de uma determinada variável em locais não amostrados e a aplicação em mapeamentos,planeamentos de amostragens e modelagens. A geoestatística oferece técnicas para elaboração de mapas do comportamento de variáveis georreferenciadas, utilizando o método de interpolação de informações a partir de dados obtidos Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 11 em locais convenientemente amostrados e modelados em um semivariograma experimental (Faraco et al., 2008). A teoria das variáveis regionalizadas (VR) desenvolvida por Matheron pressupõe que cada observação V(xi ) pode ser modelada como variável aleatória. Essa teoria supõe que a variação espacial de uma VR pode ser decomposta na soma de três componentes: uma componente estrutural associada a um valor médio constante ou uma tendência constante; uma componente aleatória espacialmente correlacionada; e um erro aleatório (Mello, 2004). Mello (2004) comenta que se x representa uma posição em uma, duas ou três dimensões, então o valor da variável V, em x, é dado por: ( ) ( ) [equação 2] Onde: ( ) =é uma função determinística que descreve a componente estrutural; ( ); = é um termo estocástico ou aleatório, auto-correlacionado, que varia localmente no espaço e depende espacialmente de (x ); = é um ruído aleatório não correlacionado, com média zero e variância . A geoestatística atua no . (Mello, 2004; GUEDES, 2009). A geoestatística utiliza o conceito das VR para predizer valores de observações não amostradas. Essas predições são obtidas através da modelagem da estrutura espacial do termo estocástico. Essa modelagem é obtida através de uma função de momentos estatísticos de ordem k, com a restrição de que os momentos sejam idênticos para qualquer direcção em uma área de estudo (Santana, 2011). Essa restrição propõe que uma VR seja definida como uma função aleatória (FA), a qual representa um conjunto de variáveis aleatórias V(x) ,em que V(xi ) corresponde a uma única realização deV (x). Supõe-se que todas as variáveis aleatórias da FA apresentem idênticas distribuições de probabilidades e idênticos momentos estatísticos. Em circunstâncias, em que o segundo momento não se verifica, a hipótese de estacionariedade é substituída pela “hipótese intrínseca”, que consiste na estacionariedade apenas do variograma e não da variância. Nesta hipótese, portanto, assume-se que para dada distância h o primeiro momento seja constante e o variograma seja constante (Santana 2011). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 12 O primeiro momento, ou, a esperança matemática para a variável V(x) , para uma distância h é obtido por: | ( ) ( )| Ɐ μ [Equação 3] Por sua vez, a hipótese intrínseca supõe que o variograma da variável regionalizada V (x) existe para uma distância h e é obtido por: ( ) | ( ) ( ) | [Equação 4] 2.6.1. Semivariograma O semivariograma é uma ferramenta utilizada para analisar o grau de dependência espacial das amostras e define os parâmetros necessários para a estimativa de valores para locais não amostrados, utilizando a interpolação por Krigagem (Pereira, 2014). O semivariograma é a descrição matemática do relacionamento entre a variância de pares de observações (pontos) e a distância separando estas observações (h). A autocorrelação espacial pode então ser usada para fazer melhores estimativas para pontos não amostrados (inferência = krigagem) (Jakob, 2002). O semivariograma depende da distância h entre x e x+h (Vieira, 2000). A medida de dispersão dos dados em torno da média na estatística clássica é realizada pela variância. Na geoestatística, a variância das variáveis regionalizadas é caracterizada pela semivariância, que corresponde à metade da variância espacial. Portanto, a função semivariograma corresponde à metade da função variograma (Santana, 2011), a qual é obtida por: ( ) [ ( ) ( )] [equação 5] Onde: γ(h) corresponde a função de semivariância em função da distancia (semivariograma), V(x) e o valor da observação amostrada do ponto na posição x e ( ) representa a observação do ponto , com determinada distancia h, que corresponde a distancia. O semivariograma corresponde uma função matemática que descreve o gráfico da semivariância em função da distância h, e seu estimador, o semivariograma experimental, é obtido pela metade da média aritmética do quadrado das diferenças entre os pares de pontos separados por uma distância h. , Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 13 ̂ ( ) ( ) ∑ [ ( ) ( )] ( ) [equação 6] Onde: ̂ (h) e o estimador do semivariograma experimental, que representa o gráfico das variâncias em função da distância h; ( ) é o valor observado da variável num ponto a uma distância h de xi e N(h) é o número de pares de pontos separados entre si por uma distância h (ADELMAN et al., 2008; LIMA et al., 2008). Com o ajuste do semivariograma experimental obtém-se os parâmetros: efeito pepita (τ 2 ), contribuição (σ 2 ), patamar (v) e alcance (ϕ). Eles, além de auxiliarem na descrição da dependência espacial, são responsáveis pelo ajuste de um modelo teórico a um semivariograma empírico, utilizado para modelar a estrutura de dependência espacial em função da distância (KOZAR et al., 2002). A Figura 1 representa um modelo típico de semivariograma experimental, e seus parâmetros efeito pepita, contribuição, patamar e o alcance são responsáveis pelo ajuste da dependência espacial. Figura 1. Modelo típico de semivariograma experimental com os parâmetros efeito pepita (τ 2 ), contribuição (σ 2 ), patamar (v) e alcance (ϕ). Fonte: santana (2011). O efeito pepita (τ 2 ) é o valor da semivariância para (h) igual a zero. Seu valor representa a descontinuidade do semivariograma na origem. O efeito pepita representa a variância aleatória que o modelo de semivariograma conseguiu captar. Geralmente, ele é atribuído a erros de mensuração (LANDIM, 2003). Quando ocorre a inexistência de dependência espacial entre as variáveis regionalizadas, o modelo ajustado é de efeito pepita puro. Nesse caso, não é recomendada, sendo sugerido o uso de outros métodos de interpolação (LANDIM, 2003). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 14 O modelo de efeito pepita puro é difícil de ocorrer na prática. Uma possível explicação para tal resultado é o fato de a malha de amostragem não ter sido suficiente para captar a variabilidade espacial (ASSIS, 2005). De acordo com Santana (2011), o patamar (v) é o valor-limite do semivariograma, o que corresponde à soma do efeito pepita efeito pepita (τ 2 ), contribuição (σ 2 ), tal que essa contribuição se estabiliza a partir de determinada distância. A distância (h), a partir da qual os valores das semivariância se estabilizam, é denominada alcance (ϕ). O alcance do semivariograma representa a zona de influência de uma observação e separa o campo estruturado (amostras espacialmente correlacionadas) do campo aleatório (amostras espacialmente independentes), como pode ser visto na Figura 2. Figura 2. Gráfico do semivariograma com os parâmetros efeito pepita (τ2), contribuição (σ2), patamar (v) e alcance (ϕ). Fonte: (SILVA et al., 2011) 2.6.2. Modelos teóricos de semivariogramas As características do semivariograma experimental são responsáveis pela escolha de um modelo de semivariograma teórico, para representar a estrutura espacial desse fenómeno em estudo. Há vários modelos teóricos de semivariograma. No entanto, eles devem ser positivosdefinidos ou a matriz de krigagem não possuirá inversa definida (SOARES, 2006). Os principais modelos de semivariogramas são esféricos, exponenciais e gaussiano. Esférico ( ) { [ ‖ ‖ ( ‖ ‖ ) ] ‖ ‖ Para ‖ ‖ [Equação 8] Exponencial Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 15 ( ) { [ ( ‖ ‖ ) ] ‖ ‖ [Equação 9] Gaussiano ( ) { [ ( ‖ ‖ ) ] ‖ ‖ ‖ ‖ [Equação 10] 2.6.3. Interpolação espacial (krigagem) O conhecimento de determinada característica em locais não amostrados pode ser feita pelo método da krigagem, técnica usada na geoestatístico com os pesos atribuídos de acordo com a variabilidade espacial expressa no semivariograma com base nos seus vizinhos. A krigagem comporta-se como um interpolador óptimo, pela maneira como os pesos são distribuídos, não sendo tendenciosos, apresentando variância mínima e possibilitando o conhecimento da variância da estimativa (Amaral, 2010). Com o princípio da Primeira Lei de Geografia de Tobler, que diz que unidades de análise mais próximas entre si são mais parecidas do que unidades mais afastadas, a krigagem utiliza funções matemáticas para acrescentar pesos maiores nas posições mais próximas aos pontos amostrais e pesos menores nas posições mais distantes, e criar assim os novos pontos interpolados com base nessas combinações lineares de dados (Jakob, 2002). A krigagem é um interpolador geoestatístico que permite predizer valores de variáveis distribuídas no espaço, utilizando as propriedades estruturais do semivariograma (LANDIM 2002). O preditor da krigagem é considerado como o Best Linear Unbiased Predictor “BLUP”, ou seja, o melhor preditor linear não viesado, por fornecer variância mínima (GAETAN & GUYON 2010). A interpolação da krigagem para um ponto x0 é obtida por: ̂( ) ∑ ( ) [Equação 11] Onde: ̂( ) é o preditor da krigagem, ( ) é o valor observado na posição xi , e i são os pesos associados a k observações de vizinhança obtidos pela krigagem com a condição de que a soma dos pesos seja igual a 1 (WONG et al., 2004; LAGACHERIE; VOLTZ, 2000) citado por (Santana, 2011). A variância de predição é obtida por: ̂ ∑ ( ) [Equação 12] Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 16 Onde: ̂ é o preditor da variância de krigagem, ( ), é a semivariância entre os pontos amostrados, xi e ponto que se quer predizer xo, são os pesos associados a k observações de vizinhança obtidos pela krigagem com a condição de que a soma dos pesos seja igual a 1 e é o ponderador de Lagrange, que dá a condição para que a soma dos pesos seja igual a 1 (SOARES, 2006). O interpolador também pode ser escrito por um sistema de equações de krigagem, cuja solução minimiza a variância predição (BARDOSSY; LEHMANN, 1998) citado por (Santana, 2011). ∑ ( ) ( ) i=1,...,N [Equação 13] ∑ Onde: ( ) é a semivariância entre pontos amostrados xi e xj, em que j corresponde à posição xi h; ∑ o somatório dos pesos atribuídos aos pontos vizinhos xi com a condição de ser igual a 1; é o multiplicador de Lagrange necessário para satisfazer a condição ∑ ( ) é a semivariância entre cada ponto amostrado xi e o ponto xo Além do modelo proposto na fórmula (12), que é a krigagem ordinária (KO) que considera a média da VR como constante, há outros tipos de krigagem: krigagem simples (KS), que considera a média como conhecida; krigagem universal (KU), quando há tendência nos dados; krigagem indicativa (KI), recomendada quando a variável é binária, ou seja, assumindo valor zero ou 1 e a co-krigagem (CK), que está associada ao campo multivariado. Entretanto, elas só poderão ser utilizadas quando houver dependência espacial, ou seja, a variabilidade não for totalmente aleatória (YAMAMOTO, 2001). A krigagem pode ser pontual ou em bloco. A krigagem pontual prediz o valor de um ponto. A krigagem em blocos é utilizada para obter a predição do valor médio de uma área. A diferença na utilização delas está no vector de semivariâncias. Na krigagem pontual, os elementos que compõem o vector de semivariâncias são as semivariâncias de um ponto amostrado em relação ao ponto não amostrado. Na krigagem em bloco, os elementos que compõem o vector de semivariância são as médias das semivariâncias entre os pontos amostrados e aqueles contidos no bloco, sendo este a subárea ou local que se quer predizer (Santana, 2011). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 17 A krigagem ordinária em blocos pode ser obtida através da solução de um sistema de equações de krigagem: ∑ ( ) ̅( ) i=1,...,N [Equação 14] ∑ Onde: ( ) é a semivariância entre pontos amostrados xi com o seu vizinho xj; ∑ o somatório dos pesos dos pontos vizinhos xj; é o multiplicador de Lagrange necessário para satisfazer a condição ∑ ̅( ) ∑ ̅( ) é a semivariância entre cada ponto amostrado xi e o ponto xo e o conjunto dos pontos NB que compõe o bloco B, onde x está contido; ∑ é o somatório dos pesos dos pontos xi , com a restrição do multiplicador de Lagrange, para obtenção de predições não viesadas. 2.7.Validação cruzada A validação cruzada é um método que permite seleccionar o modelo de semivariograma que melhor expressa a estrutura da dependência espacial. Compara o valor observado de uma amostra com a respectiva predição obtida pela krigagem. Esse processo é repetido em todas as observações contidas no conjunto de dados, obtendo-se, assim, o erro de predição de cada valor verificado (Santana, 2011). A validação cruzada é um método de selecção do modelo semivariográfico e dos seus parâmetros, pois permite seleccionar o modelo teórico que melhor descreve a dependência espacial das observações entre as variáveis em função das distâncias. Essa técnica é útil para avaliar a capacidade do semivariograma ajustado e modelar a incerteza do atributo não amostrado (Hernandez & Emery, 2009). Para realizar validação cruzada, supõe-se que um elemento da amostra não tenha sido observado, e obtém-se a predição dele pela krigagem, usando os valores dos pontos vizinhos. Esse processo é realizado em todos os pontos amostrados. No final, em cada ponto amostrado existirão o valor Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 18 verdadeiro e o valor predito, sendo possível, portanto, obter estimativa do erro de predição. Estatísticas associadas a esses erros, também denominados resíduos, são obtidas para seleccionar o melhor modelo de semivariograma. Algumas delas são apresentadas nos tópicos subsequentes (Santana, 2011). Média dos erros preditos (M) Uma medida que avalia a precisão de uma predição pode ser obtida pela média do erro de predição. Essa medida consiste na média da diferença entre o valor predito e o valor amostrado. Quando esse valor é igual zero, essa predição é não viesada (Santana, 2011). ∑ ( ̂( ) ( )) [Equação 15] Onde: ( ) é o valor observado dos pontos amostrados, ̂( ) é o valor dos pontos preditos pela krigagem e n é o número de pontos amostrados. Média do erro padronizada (MS) Quando se deseja comparar ajuste de modelos de variáveis de escalas diferentes, realiza-se a padronização dos erros, dividindo cada desvio pela raiz quadrada da variânciado seu erro de predição (Santana 2011). ∑ ( ̂( ) ( )) ̂( ) [Equação 16] Onde: ( ) é o valor dos pontos amostrados, ̂( ) é o valor dos pontos preditos pela krigagem, ̂( ) é o valor obtido pela raiz quadrada da variância do erro de predição do ponto xi e n é o número de pontos amostrados. Raiz quadrada da média do erro ao quadrado (RMS) O RMS, a raiz quadrada do erro médio ao quadrado é utilizado para avaliar a qualidade da predição obtida por determinado método. Considera-se melhor quando está próximo de 1 (McBratney et al., 2000). √ ( ̂( ) ( )) [Equação 17] Onde: ( ) é o valor observado dos pontos amostrados, ̂( ) é o valor dos pontos preditos pela krigagem e n é o número de pontos amostrados. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 19 Média da variância dos erros padronizados (ASE) O ASE é utilizado para comparar diferentes modelos de predição. Se o ASE for menor que o RMS, o modelo proposto estará sub-predizendo a variabilidade da predição (ESRI, 2001). √ ∑ ̂ ( ) [Equação 18] Onde: ̂ ( ) é a variância do erro de predição e n é o número de pontos amostrados. Raiz Quadrada da média dos erros padronizados ao quadrado (RMSS) O RMSS também é utilizado para a escolha do modelo teórico de semivariograma (Santana, 2011). √ [∑ ( ̂( ) ( )) ̂( ) ] [Equação 19] Se RMSS for menor que 1, a predição do modelo proposto poderá estar superpredizendo a variabilidade da predição; caso contrário, estará subpredizendo-a. O melhor modelo de semivariograma será aquele que apresentar as estatísticas M e MS próximas de zero, valores semelhantes em RMS e ASE e RMSS próximo de 1 (ESRI, 2001). Índice de dependência espacial (IDE) A autocorrelação entre as variáveis pode ser considerada uma simetria das variáveis em relação à distância, ou seja, variáveis mais próximas são mais semelhantes entre si. A medida que expressa grau de autocorrelação ou dependência espacial de uma variável pode ser obtida utilizando os parâmetros do modelo de semivariograma. CAMBARDELLA et al, (1994), Propuseram o índice de dependência espacial (IDE), o qual é expresso pelo quociente entre o efeito pepita e o patamar, para estimar a dependência espacial das propriedades do solo em Iowa, EUA. Esses autores classificaram os possíveis valores desse índice em categorias. Dependência espacial forte ocorre quando o índice é menor que 25%, moderada quando está entre 25 e 75% e fraca quando for maior que 75% (CAMBARDELLA et al., 1994). Algebricamente, o IDE é obtido por: IDE(%) [Equação 20] Erro de amostragem Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 20 Em povoamentos florestais, a medida de precisão da estimação da média populacional é obtida pelo erro de amostragem. Isso também pode ser obtido em percentagem pelo quociente entre o erro-padrão da média associado a uma distribuição t, de Student, e a predição da média amostral (Santana, 2011). Algebricamente, o erro de amostragem é obtido por: E(%) ( ̅ ̅ ) [Equação 21] Erro-padrão para populações finitas ̅ √ √ [Equação 22] Onde: ̅ e o estimador do parametro media populacional; e o estimador do parametro desvio padrao populacional; ̅ e o erro-padrao amostral; n é o número de elementos contidos na amostra; N é o número de elementos contidos na população e é o valor da distribuição t de Student com n-1 grau de liberdade. Para variáveis autocorrelacionadas no espaço, o erro de amostragem é obtido de maneira análoga à estatística clássica, com a diferença de que o desvio-padrão amostral é a raiz quadrada da variância de predição obtida pela krigagem (Santana, 2011). Em povoamentos florestais, o volume de um talhão pode ser obtido pela krigagem em blocos e seu erro de amostragem, por: ̂( ) √ [Equação 23] Com √∑ ̅( ) ̅( ) [Equação 24] Onde: é o desvio-padrão amostral expresso pela raiz quadrada da variância de predição obtido pela krigagem em blocos, o valor da distribuição t de Student com n-1 grau de liberdade; ̂( ) o valor predito do bloco nbs é o número de sub-blocos considerados na predição do bloco (YAMAMOTO, 2001). Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 21 3. MATERIAIS E METODOS 3.1.Descrição da área 3.1.1. Localização geográfica da área de estudo O estudo foi realizado nas plantações de Eucalipto, pertencente a empresa privada IFLOMA, localizada na região Centro do país, na província de Manica, distrito de mesmo nome. O distrito de Manica, possui uma superfície de 4594 km 2 , e é limitado a Norte pelo distrito de Bárue, ao Sul pelo distrito de Sussundenga, a Este pelo distrito de Gondola e a Oeste pela República do Zimbabwe (MAE, 2014). As plantações estudadas localizam-se na Unidade de Produção de Bandula, no posto administrativos de Messica, e o actual distrito de Vanduzi de acordo com a noa dimensão administrativa, mas ainda não há base de dados, entre coordenadas geográficas WSG 84 / UTM zona 36 S, entres latitudes 510000 e 522000 e longitudes 7890000 e 7899000, como ilustra a figura 3. Figura 3. Localização da Área de estudo Fonte: Autor. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 22 As plantações de Bandula são basicamente espécies de género Pinus e Eucalyptus. A área da plantação está dividida em talhões de forma e área variáveis. Os talhões são blocos de produção homogéneos, delimitados pelos aceiros. E cada talhão corresponde a um povoamento puro e equiâneo, de uma determinada espécie e idade. A área é atravessada pelo Rio Vanduzi, que separa o posto administrativo de Messica e o actual distrito de Vanduzi. (Macôo, 2013). Este estudo foi realizado em 11 talhões (1.4; 1.7; 2.3; 3.12; 3.13; 4.14; 5.13; 7.13; 24.2; 25.4 e 7.14b), com povoamentos de diferentes idades. Destes povoamentos 5 são de E. grandis e E. camaldulensis, com (7, 10, 11 e 12) anos, um (1) de E hybrid, com (7 anos), quatro (4) de E. grandis, com (8, 9, 10, 13) anos e um de E grandis e urophyla, com (11 anos). 3.1.2. Vegetação A vegetação na unidade de Bandula é Savana composta de árvores dispersas combinada com extensas áreas de plantações florestais sendo estas de eucalipto e pinheiros. A floresta predominante é do tipo miombo onde se destacam a Pterocarpus angolensis, Millettia stuhlmannii, Dalbergia melanoxylon, Breonardia microcephala, Afielia quanzensis, dentre outras. Para além das plantações florestais e nativas o distrito também possui mangueiras, laranjeiras, bananeira, papaias sendo estes principais frutos comestíveis na região (MAE, 2005) 3.1.3. Clima O clima do distrito de Manica é quente e temperado. O verão tem uma boa quantidade de chuva, enquanto o inverno têm muito pouco. O clima foi classificado como Cwa pelo sistema Köppen- Geiger. De acordo com figura 4, Em Manica, a temperatura média anual é de 21,2 °C. As precipitações são, em média, de 1036 mm. O mês mais seco é Julho, com 9 mm de precipitação. A maior parte da precipitação aqui cai em Janeiro, com uma média de 231 mm. O mês mais quente do ano é Fevereiro, com uma temperatura média de 24,2 °C. Julho é o mês mais frio, com temperaturas médias de 16,0 °C. https://en.climate-data.org/africa/mozambique/manica/manica- 6018/. 3.2.Materiais A tabela abaixo ilustra os materiais que foram usados para a colecta dos dados para a realização deste trabalho assim como a finalidade dos mesmos. https://en.climate-data.org/africa/mozambique/manica/manica-6018/https://en.climate-data.org/africa/mozambique/manica/manica-6018/ Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 23 Tabela 2. Materiais necessários e Softwares 3.3.Metodologia 3.3.1. Levantamento e análise dos principais parâmetros dendrométricos O levantamento de dados consistiu primeiramente na avaliação visual dos talhões na plantação, abrangendo toda a amplitude de crescimento em altura dos locais escolhidas. Assim foram definidos pontos amostrais para a colecta de dados. Em cada ponto foram instaladas 81 parcelas temporárias de 700 m 2 de (35 X 20), sistematizadas e distantes entre si 100 m, e as parcelas aleatórias não seguiam uma distância padronizada. A primeira parcela foi alocada de forma aleatória em um dos cantos do talhão a uma distância de 50 m, devido ao efeito de bordadura e as restantes foram alocadas de forma sistemática, cada parcela foi georreferenciada no canto (o canto que completa os 100m). Dentro de cada parcela foram tomados valores de diâmetro medido a 1,3 m acima do solo (DAP) de todas as árvores inclusas na parcela, com DAP mínimo de 5 cm, usando suta, a altura total das 10 primeiras árvores e a altura das 7, definidas como árvores de maior diâmetro conforme o conceito de ASSMAM, utilizando hipsómetro Vértex. Também foram colectados informações usando a observação directa caso de sanidade nas áreas amostradas, e por entrevista ou uma conversa directa com os funcionários da empresa que estão ligados nas áreas de interesse, onde foram obtidas informações sobre as actividades silviculturais realizadas na área de interesse e idades dos povoamentos. # Materiais Finalidade 01 GPS Localizar e georreferenciar os pontos no campo. 02 FITA-METRICA Delimitação das parcelas e medição de CAP; 03 SUTA Medição de DAP; 04 Corda Delimitação da parcela 05 Hipsómetro vertex Medição de altura 06 Ficha de campo Anotação # Softwares 07 R-studio, QGIS e ArcGIS Análise de dados, Geoestatística, geração de mapas e edição 08 Excel Tabulações de dados e análises preliminares 09 Google Earth Geração dos polígonos na área de estudo Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 24 Medidas as variáveis dendrométricos foram ajustados modelos hipsométricos para estimar as alturas das árvores não medidas pois isso possível obter o volume individual, volume por hectare, a altura média das árvores dominantes e a área basal, dentre as quais altura dominante e volume foram espacialmente avaliados. Densidade O número total de árvore por hectare foi obtido a partir do somatório número de árvore dividido pela área da parcela ∑ . [equação 25] Onde: Ni/há= número de árvores em i-ésima parcela por hectare; ni= número de árvore em cada parcela; a= área da parcela (0,07ha); n= número de parcelas (81 parcelas) ∑ [equação 26] Número de árvore hectare foi obtido a partir da relação entre o número de árvore em cada parcela pela área da parcela. [equação 27] Área basal Área basal por hectare dita a densidade do povoamento em termos da área ocupada pelos troncos das árvores em uma determinada área e, foi determinada com base nas seguintes fórmulas: ∑ [equação 28] [equação 29] Onde: G/ha – Área basal por hectare em m 2 /ha; a – área da parcela; gi – secção transversal de cada árvore na parcela em m 2 . As equações para estimativa da altura total das árvores foram ajustadas a partir de dados colectados, onde 80% do total foi usado para ajuste e 20% para validação. 3.3.2. Modelos hipsómetros Para o ajuste aos dados de altura-diâmetro, foram utilizadas oito funções tradicionais seleccionadas na literatura as quais são apresentadas na TABELA 3, as quais foram ajustadas para todo o agrupamento e também por classe de idade. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 25 Tabela 3. Modelos hipsométricos, testados para estimar altura em função do diâmetro (DAP) Equação Autor Modelo Matemática 1 Modelo linear 2 Stoffels & van Soest ( ) 3 Henricksen ( ) 4 Exponencial [ ( )] 5 Schummacher ( ) 6 Naslund 3.3.2.1. Critérios estatísticos para a selecção do melhor modelo Preliminarmente ao ajuste dos modelos hipsométricos realizou-se a análise exploratória dos dados (AED) através da estatística descritiva, visando identificar possíveis erros na medição das variáveis diâmetro a 1,30 m do solo (DAP) e altura total (h) e, ainda, detectar potenciais outliers, advindos do processo de medição, ou mesmo, devido às variações biológicas inerentes a cada espécie florestal e de factores ambientais intrínsecos ao povoamento. O objectivo final de testar vários modelos de regressão é obter um modelo que apresente condições de explicar o fenómeno estudado, com baixa possibilidade de erro. Para a selecção da melhor equação hipsométrica analisou-se os seguintes critérios estatísticos: coeficiente de determinação ajustado (R²aj.); erro padrão da estimativa (Syx); erro padrão da estimativa em percentagem (Syx%); O Coeficiente de determinação (R²) expressa a quantidade da variação total que é explicada pela regressão (MACHADO et al., 2008), sendo calculado pela expressão: [ ( )] [equação 31] Em que R² = coeficiente de determinação; SQ resíduo = soma de quadrados de resíduos da regressão; e SQ total = soma de quadrados totais da regressão. Os valores de R² foram reajustados para que os modelos fossem comparáveis, tendo em vista os diferentes graus de liberdades entre os modelos testados. O Coeficiente de determinação ajustado foi calculado através da expressão matemática: [ ( )] [equação 32] Em que R²ajustado = coeficiente de determinação ajustado; n = número de dados observados; p = número de coeficientes do modelo; SQ resíduo = soma de quadrados de resíduos da regressão; e SQ total = soma de quadrados totais da regressão. Avaliação da capacidade produtiva da plantação de Eucalyptus spp usando Geoestatística Domingos, João Chibue ISPG-FA-CEF 26 O Erro Padrão da Estimativa indica a precisão do ajuste de um modelo matemático ao medir a dispersão média entre os valores observados e estimados ao longo da linha da regressão (THOMAS et al., 2006). O Erro Padrão da Estimativa foi calculado através da expressão matemática: √ [equação 33] 3.3.2.2.Validação dos modelos seleccionados Foi realizado o teste Qui-quadrado (χ²), ao nível de 5% de probabilidade, com banco de dados independente constituído de 20% dos dados, em duas situações: i) para avaliar a precisão das estimativas das alturas pelos modelos ajustados com as respectivas alturas reais; e ii) para avaliar a existência ou não de diferença estatística nas estimativas das alturas entre os modelos com melhores medidas de precisão, através da seguinte fórmula: ∑ ( ̂) ̂ [equação 34] Na primeira situação: i altura real das árvores e i altura estimada das árvores pelos modelos ajustados. As hipóteses testadas foram: Hipótese de nulidade: as alturas estimadas pelos modelos hipsométricos são estatisticamente iguais as alturas reais obtidas em campo; e Hipótese alternativa: as alturas estimadas pelos modelos hipsométricos são diferentes, estatisticamente, das alturas reais obtidas em campo. 3.3.3. Determinação de volume Com base nas alturas obtidas pelo melhor modelo seleccionado, determinou-se os volumes individuais das árvores, de acordo com a (equação 30). Os volumes por parcela e por
Compartilhar