Submitted by Milena Rubi (milenarubi@ufscar.br) on 2017-08-08T17:10:26Z No. of bitstreams: 1 ALO_Livia_2016.pdf: 35886856 bytes, checksum: e8f725fab0ed2763bd7a05881893a6d8 (MD5) / Approved for entry into archive by Milena Rubi (milenarubi@ufscar.br) on 2017-08-08T17:10:37Z (GMT) No. of bitstreams: 1 ALO_Livia_2016.pdf: 35886856 bytes, checksum: e8f725fab0ed2763bd7a05881893a6d8 (MD5) / Approved for entry into archive by Milena Rubi (milenarubi@ufscar.br) on 2017-08-08T17:10:47Z (GMT) No. of bitstreams: 1 ALO_Livia_2016.pdf: 35886856 bytes, checksum: e8f725fab0ed2763bd7a05881893a6d8 (MD5) / Made available in DSpace on 2017-08-08T17:11:12Z (GMT). No. of bitstreams: 1 ALO_Livia_2016.pdf: 35886856 bytes, checksum: e8f725fab0ed2763bd7a05881893a6d8 (MD5) Previous issue date: 2016-05-17 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Forest inventory is an important tool used to estimate forest wood production. However, some methodologies used in forest inventory are based in Classical Statistics, which disregards any spatial continuity that may exist between sample unities. Some geostatistic interpolators such as ordinary kriging (OK) and external drift kriging (EDK) allow us to assess this spatial structure. Furthermore, besides spatial variability, interpolators as EDK use one or more auxiliary variables. Satellite images have different components that interrelate with dendrometric variables and that can be used as auxiliary variables in order to increase the degree of precision of estimates. The aim of this study was to assess EDK performance on the volume estimation of Eucalyptus sp. stands using satellite image components as secondary variables and to compare it with OK performance. With this purpose, a forest inventory of 210 circular plots of 500 m² was carried out in order to estimate the volume (m³ ha-1 ) in each plot. Images obtained of studied area had blue, green, red and near infrared band. From these bands, it were extracted: gray level in each band, the ratio between bands, vegetation index (NDVI, SAVI e ARVI), texture measures and index generated from textures related to plot area. Covariance model adjustement throughout Stepwise method and selection by AIC (Akaike Information Criterion) method were made to EDK geostatistic. EDK and OK semivariograms were adjusted by different theoretical models through Ordinary Least Squares (OLS) method and the choice of the best model was given by the lowest value of residual standard error. From statistic analysis of images and correlation matrix, it was observed a correlation of variables with volume and also autocorrelation between these variables. The best covariance model selected was composed by band 2, measure of COR texture of band 2, MULCOR texture index of band 1 and by age. In the two semivariograms, the best model adjusted was the exponential one. Analysing the results, volume estimates generated by EDK produced better results than OK estimates and had the lowest value of residual standard error and the best area under curve (AUC) in receiver operating characteristic (ROC) curve analysis. / O inventário florestal é uma importante ferramenta utilizada para estimar a produção dos povoamentos florestais. Contudo, algumas metodologias utilizadas no inventário são embasadas na Estatística Clássica, que desconsidera qualquer continuidade espacial que possa existir entre as unidades amostrais. Alguns interpoladores geoestatísticos, tais como a krigagem ordinária (KO) e a krigagem de deriva externa (KDE), permitem avaliar essa estrutura espacial. Além disso, interpoladores como a KDE utilizam, além da variável espacial, uma ou mais variáveis auxiliares. As imagens de satélites possuem diferentes componentes que se correlacionam com as variáveis dendrométricas podendo ser usados como variáveis auxiliares, visando o aumento do grau de precisão das estimativas. O objetivo deste estudo foi avaliar o desempenho da KDE na estimativa do volume de povoamentos florestais de Eucalyptus sp., utilizando os componentes de imagens de satélites como variáveis auxiliares e compará-la com o desempenho da KO. Com esse propósito, processouse um inventário florestal de 210 parcelas circulares de 500 m², a fim de estimar o volume (m³ ha-1 ) por parcela. As imagens obtidas da área do estudo continham as bandas azul, verde, vermelho e infravermelho próximo. A partir destas, foram extraídos o nível de cinza (NC) de cada banda, da razão simples entre as bandas, índices de vegetação (NDVI, SAVI e ARVI), medidas de textura e índices gerados a partir das texturas referentes à área da parcela. Para a geoestatística KDE, foi feito o ajuste do modelo de covariância através do método Stepwise e a seleção pelo método AIC (Critério de Informação de Akaike). Os semivariogramas da KDE e da KO foram ajustados por diferentes modelos teóricos por meio do método dos Mínimos Quadrados Ordinários (MQO) e a escolha do melhor modelo se deu pelo menor valor do erro padrão residual. Nas análises das estatísticas das imagens e da matriz de correlação geradas, foi possível observar a correlação das variáveis com o volume e também a autocorrelação existente entre as variáveis. O melhor modelo de covariância selecionado foi composto por banda 2, medida de textura COR (correlação) da banda 2, índice de textura MULCOR (correlação multiplicado pela banda) da banda 1 e pela idade. Nos dois semivariogramas, o modelo que melhor se ajustou foi o exponencial. Nas análises dos resultados, as estimativas de volume geradas pela KDE produziram melhores resultados que as estimativas da KO, obtendo o menor valor de erro padrão residual e a melhor área sob a curva (AUC) na análise da curva ROC (Receiver Operating Characteristic).

Esta dissertação de mestrado apresenta os resultados de uma investigação sobre os métodos de co-estimativa comumente utilizados em geoestatística. Estes métodos são: cokrigagem ordinária; cokrigagem colocalizada e krigagem com deriva externa. Além disso, a krigagem ordinária foi considerada apenas a título de ilustração como esse método trabalha quando a variável primária estiver pobremente amostrada. Como sabemos, os métodos de co-estimativa dependem de uma variável secundária amostrada sobre o domínio a ser estimado. Adicionalmente, esta variável deveria apresentar correlação linear com a variável principal ou variável primária. Geralmente, a variável primária é pobremente amostrada enquanto a variável secundária é conhecida sobre todo o domínio a ser estimado. Por exemplo, em exploração petrolífera, a variável primária é a porosidade medida em amostras de rocha retiradas de testemunhos e a variável secundária é a amplitude sísmica derivada de processamento de dados de reflexão sísmica. É importante mencionar que a variável primária e a variável secundária devem apresentar algum grau de correlação. Contudo, nós não sabemos como eles funcionam dependendo do grau de correlação. Esta é a questão. Assim, testamos os métodos de co-estimativa para vários conjuntos de dados apresentando diferentes graus de correlação. Na verdade, esses conjuntos de dados foram gerados em computador baseado em algoritmos de transformação de dados. Cinco valores de correlação foram considerados neste estudo: 0,993, 0,870, 0,752, 0,588 e 0,461. A cokrigagem colocalizada foi o melhor método entre todos testados. Este método tem um filtro interno que é aplicado no cálculo do peso da variável secundária, que por sua vez depende do coeficiente de correlação. De fato, quanto maior o coeficiente de correlação, maior é o peso da variável secundária. Então isso significa que este método funciona mesmo quando o coeficiente de correlação entre a variável primária e a variável secundária é baixo. Este é o resultado mais impressionante desta pesquisa. / This master dissertation presents the results of a survey into co-estimation methods commonly used in geostatistics. These methods are ordinary cokriging, collocated cokriging and kriging with an external drift. Besides that ordinary kriging was considered just to illustrate how it does work when the primary variable is poorly sampled. As we know co-estimation methods depend on a secondary variable sampled over the estimation domain. Moreover, this secondary variable should present linear correlation with the main variable or primary variable. Usually the primary variable is poorly sampled whereas the secondary variable is known over the estimation domain. For instance in oil exploration the primary variable is porosity as measured on rock samples gathered from drill holes and the secondary variable is seismic amplitude derived from processing seismic reflection data. It is important to mention that primary and secondary variables must present some degree of correlation. However, we do not know how they work depending on the correlation coefficient. That is the question. Thus, we have tested co-estimation methods for several data sets presenting different degrees of correlation. Actually, these data sets were generated in computer based on some data transform algorithms. Five correlation values have been considered in this study: 0.993; 0.870; 0.752; 0.588 and 0.461. Collocated simple cokriging was the best method among all tested. This method has an internal filter applied to compute the weight for the secondary variable, which in its turn depends on the correlation coefficient. In fact, the greater the correlation coefficient the greater the weight of secondary variable is. Then it means this method works even when the correlation coefficient between primary and secondary variables is low. This is the most impressive result that came out from this research.

Esta dissertação de mestrado apresenta os resultados de uma investigação sobre os métodos de co-estimativa comumente utilizados em geoestatística. Estes métodos são: cokrigagem ordinária; cokrigagem colocalizada e krigagem com deriva externa. Além disso, a krigagem ordinária foi considerada apenas a título de ilustração como esse método trabalha quando a variável primária estiver pobremente amostrada. Como sabemos, os métodos de co-estimativa dependem de uma variável secundária amostrada sobre o domínio a ser estimado. Adicionalmente, esta variável deveria apresentar correlação linear com a variável principal ou variável primária. Geralmente, a variável primária é pobremente amostrada enquanto a variável secundária é conhecida sobre todo o domínio a ser estimado. Por exemplo, em exploração petrolífera, a variável primária é a porosidade medida em amostras de rocha retiradas de testemunhos e a variável secundária é a amplitude sísmica derivada de processamento de dados de reflexão sísmica. É importante mencionar que a variável primária e a variável secundária devem apresentar algum grau de correlação. Contudo, nós não sabemos como eles funcionam dependendo do grau de correlação. Esta é a questão. Assim, testamos os métodos de co-estimativa para vários conjuntos de dados apresentando diferentes graus de correlação. Na verdade, esses conjuntos de dados foram gerados em computador baseado em algoritmos de transformação de dados. Cinco valores de correlação foram considerados neste estudo: 0,993, 0,870, 0,752, 0,588 e 0,461. A cokrigagem colocalizada foi o melhor método entre todos testados. Este método tem um filtro interno que é aplicado no cálculo do peso da variável secundária, que por sua vez depende do coeficiente de correlação. De fato, quanto maior o coeficiente de correlação, maior é o peso da variável secundária. Então isso significa que este método funciona mesmo quando o coeficiente de correlação entre a variável primária e a variável secundária é baixo. Este é o resultado mais impressionante desta pesquisa. / This master dissertation presents the results of a survey into co-estimation methods commonly used in geostatistics. These methods are ordinary cokriging, collocated cokriging and kriging with an external drift. Besides that ordinary kriging was considered just to illustrate how it does work when the primary variable is poorly sampled. As we know co-estimation methods depend on a secondary variable sampled over the estimation domain. Moreover, this secondary variable should present linear correlation with the main variable or primary variable. Usually the primary variable is poorly sampled whereas the secondary variable is known over the estimation domain. For instance in oil exploration the primary variable is porosity as measured on rock samples gathered from drill holes and the secondary variable is seismic amplitude derived from processing seismic reflection data. It is important to mention that primary and secondary variables must present some degree of correlation. However, we do not know how they work depending on the correlation coefficient. That is the question. Thus, we have tested co-estimation methods for several data sets presenting different degrees of correlation. Actually, these data sets were generated in computer based on some data transform algorithms. Five correlation values have been considered in this study: 0.993; 0.870; 0.752; 0.588 and 0.461. Collocated simple cokriging was the best method among all tested. This method has an internal filter applied to compute the weight for the secondary variable, which in its turn depends on the correlation coefficient. In fact, the greater the correlation coefficient the greater the weight of secondary variable is. Then it means this method works even when the correlation coefficient between primary and secondary variables is low. This is the most impressive result that came out from this research.