Ecossistemas marinhos costeiros são explorados por diversas atividades, como a portuária e a pesqueira, gerando impactos ambientais, além de interferências entre elas, visto que, frequentemente, apresentam sobreposição espacial na área de atuação. A identificação e avaliação dos padrões espaço-temporais e interações entre essas atividades são de extrema importância para a realização de um manejo eficaz, considerando os diversos usos de forma integrada. Esta Tese visa avaliar espaçotemporalmente a variação da pesca de arrasto-duplo de pequeno porte, e na abundância de sua espécie alvo, o camarão-sete-barbas (Xiphopenaeus kroyeri), na região do Porto de Santos, SP, Brasil, e áreas adjacentes, durante um período de 6 anos (2009 a 2014). Modelos lineares generalizados foram aplicados aos dados de captura e esforço pesqueiro da espécie, e a partir dos coeficientes destes, foi calculada a captura-por-unidade-de-esforço (CPUE; kg/ dia de pesca) padronizada por célula de 1 milha náutica (MN) de lado e ano, a qual é representativa da abundância da espécie. Técnicas de semivariograma e krigagem foram utilizadas para avaliar a existência de dependência espacial nos dados e estimar os valores da CPUE em locais não amostrados. Geovisualizações tridimensionais interativas foram aplicadas para identificar padrões espaço-temporais na variação das áreas preferenciais das pescarias e da abundância da espécie. Foram ajustados modelos esféricos de semivariograma, os quais mostraram padrão de dependência espacial e foram utilizados para estimar a abundância da espécie nos vazios amostrais. Conclui-se que, durante o período analisado as operações de pesca de arrasto-duplo de pequeno porte, na área de interferência do porto de Santos, apresentaram padrões de variação espaço-temporal relacionados ás mudanças nas atividades portuárias. Por sua vez, não foi identificado um padrão na variação espaço-temporal da abundância de sua espécie alvo, o camarão-sete-barbas, na região. / Coastal marine ecosystems around the world are exploited by various activities, including serving as ports and supporting fishing, which create important environmental impacts. These activities can interfere with each other because they often have spatial overlap. Identify and evaluate the spatiotemporal patterns and interactions between the activities is of great importance for a coastal management that considers the different uses in a integrate way. This thesis aims to evaluate the spatiotemporal variability in small double-trawl fisheries, and in the abundance of its target species, the Seabob shrimp (Xiphopenaeus kroyeri), in a region with port activity and adjacent environmental protection areas, during a 6-year period (2009 to 2014). Generalized linear models were applied to the catch, and effort data and model coefficients were used to calculate the catch per unit effort (CPUE, kg/fishing day) standardized per square nautical mile and year. Semivariogram and kriging techniques were used to evaluate the existence of spatial dependence in the data and to estimate the standardized CPUE in unsampled areas. Interactive three-dimensional geovisualization were applied to identify spatiotemporal patterns in fishing operations and in the species abundance. Spherical isotropic semivariogram models that showed a pattern of spatial dependence were fitted and used to estimate the species abundance in unsampled areas. It is concluded that, during the analyzed period, the small double-trawl fisheries operations in the port of Santos presented spatiotemporal patterns that are related to changes in port activities. On the other hand, a spatiotemporal pattern variation on the abundance of its target species, the Seabob shrimp, was not identified in the region.

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.