Uma nova proposta metodológica para cubagem rigorosa e ajuste de modelos hipsométricos
O presente estudo teve como objetivos desenvolver e testar um equipamento para realizar a cubagem rigorosa de árvores, sem o abate das mesmas, utilizando fotos digitais e propor uma abordagem Bayesiana para resolver o problema de inferência com restrição nos parâmetros do modelo de Curtis e Prodan p...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2007 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufla.br:1/4070 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/4070 |
| Access Level: | acceso abierto |
| Palabra clave: | CNPQ_NÃO_INFORMADO Fotodendro Cubagem rigorosa Modelo de Curtis Modelo de Prodan Relação hipsométrica Restrição de parâmetros Inferência bayesiana MCMC |
| Sumario: | O presente estudo teve como objetivos desenvolver e testar um equipamento para realizar a cubagem rigorosa de árvores, sem o abate das mesmas, utilizando fotos digitais e propor uma abordagem Bayesiana para resolver o problema de inferência com restrição nos parâmetros do modelo de Curtis e Prodan para representar a relação hipsométrica (altura-diâmetro) em clones de Eucalyptus sp. As estimativas realizadas através de equações de afilamento ajustadas a partir de mensurações realizadas pelo Fotodendro (nome definido para o equipamento) foram acuradas, precisas e não viesadas, sendo que, dentre os diferentes números de árvores, comprimentos de seções e distâncias do equipamento até as árvores testados, do ponto de vista operacional, a melhor opção foi aquela em que foram mensuradas com o equipamento 10 árvores com seções de 4 metros a uma distância até as árvores igual a 25 metros. As restrições nos parâmetros dos modelos hipsométricos em estudo foram modeladas considerando-se densidades a priori truncadas para os parâmetros e suas estimativas foram calculadas com a técnica de simulação de Monte Carlo em Cadeia de Markov (MCMC). O método proposto foi aplicado em diferentes conjuntos de dados reais, e os resultados foram comparados aos obtidos pelo método de mínimos quadrados, destacando-se a superioridade da abordagem Bayesiana proposta. |
|---|