Escolar Documentos
Profissional Documentos
Cultura Documentos
Capitulo 5
Capitulo 5
MANEJO E INVENTÁRIO
DE FLORESTAS
PLANTADAS
Capítulo 5
MÓDULO I
O INVENTÁRIO
REALIZAÇÃO
INVENTÁRIO E MANEJO DE FLORESTAS PLANTADAS
MÓDULO I – O INVENTÁRIO
CAPÍTULO 5
2
5 Processos de Amostragem
Aplicações
• Amostragem Sistemática
3
Este processo é recomendado quando se deseja mapear a população ou conhecer a
distribuição espacial de espécies florestais, visto que a distribuição das parcelas no campo é
feita de forma a varrer toda a floresta na propriedade, possibilitando a identificação de aspectos
físicos e mesmo estabelecer o contorno da propriedade.
Aplicações
• Amostragem Estratificada
4
Figura 5.3 – Representação do arranjo da distribuição espacial das unidades amostrais na (a)
amostragem estratificada sistemática e (b) amostragem estratificada aleatória.
Aplicações
Este processo pode ser aplicado em florestas naturais com diferentes estágios
sucessionais, sendo que os diferentes estágios serão os diferentes estratos da população.
Neste processo a intensidade amostral para a variável de interesse é calculada para cada um
dos estratos. Outra possibilidade de aplicação diz respeito a plantios florestais de diferentes
espécies (por exemplo: Pinus elliottii e Pinus taeda) ou para diferentes idades, regimes de
manejo, entre outros.
Aplicações
5
Figura 5.4 – Representação da distribuição das unidades amostrais na amostragem em dois
estágios.
• Amostragem em Conglomerados
Aplicações
6
Figura 5.6 – Representação da distribuição das unidades amostrais na amostragem em
múltiplos inícios aleatórios.
Aplicações
5.1. Estimativas
Obter informações de uma variável em 100% de uma população, em muitos casos, é
impraticável pelo alto custo, bem como por dificuldades operacionais. Por isso utiliza-se de
informações de uma parte da população, ou seja, a amostra, a qual deve ser representativa da
população e gerar as estimativas da variável de interesse, visando obter estimativas precisas e
sem tendência dos parâmetros dessa variável.
5.1.2. Variância
7
propiciará a quantificação da variabilidade do povoamento florestal. Em outras palavras, é uma
medida de dispersão entre os dados advindos das parcelas do inventário.
Assim como a variância, o desvio padrão também é uma medida de variabilidade, que
indica o quanto, em termos médios, os valores observados variam em relação a sua média.
Então, quanto maior for o desvio padrão, mais heterogênea será a população e vice-versa.
A diferença entre variância e desvio padrão se dá pelo fato de a primeira ter a unidade
da característica de interesse elevada ao quadrado, enquanto que a unidade do desvio padrão
é a mesma dos dados originais (SCOLFORO e MELO, 2006).
É o erro que se comete por não medir toda a população, ou seja, pelo emprego da
amostragem. Novamente vale salientar que não se trata de um engano, de uma falha, ou de
uma não conformidade operacional. Em realidade representa a diferença entre a média
paramétrica e a média estimada pela amostragem e não em si um erro cometido pelo executor
do inventário. A rigor o termo “erro” deveria ser substituído pela palavra “diferença”, mas como
já é um termo consagrado não é conveniente adotar uma nova nomenclatura.
A parte da área que é medida, ou seja, a amostra é expressa por n ( N ), onde (n) é o
número de parcelas amostradas e (N) é o número de parcelas que cabem em uma população
florestal de área conhecida. Portanto, considerando que (n) é igual a (N), o erro de amostragem
será zero (SCOLFORO e MELO, 2006).
Para diminuir este erro é necessário aumentar a intensidade amostral até o ponto que
se torna zero quando a amostragem for a 100%, ou seja, um censo. O erro de amostragem
pode ser absoluto ou relativo. O erro absoluto é uma diferença na unidade da média, enquanto
o erro relativo expressa a diferença em termos percentuais da média.
8
5.1.9. Intervalo de Confiança para Média
As população florestais que têm distribuição similar à normal (Figura 5.7) terão intervalo
de confiança com menor amplitude, se for considerado um desvio padrão para mais e para
menos em relação à média. Da mesma forma, o intervalo de confiança terá uma amplitude
maior se forem considerados 2 ou 3 desvios padrão. Assim, a probabilidade da média
verdadeira estar situada dentro do intervalo é de 66,8% no caso de ser considerado um desvio
padrão e 95 e 99% no caso de ser considerado 2 ou 3 desvios padrão, respectivamente
(SCOLFORO e MELO, 2006).
9
Onde f é o é a fração de amostragem que é calculado a partir do quociente entre o
número de parcelas amostradas (n) e o número total de parcelas da população (N) ou número
potencial de unidades amostrais:
n A
f = Considerando que: N =
N a
Onde:
A = Área total da população (m²)
a = Área da unidade amostral ou parcela (m²)
Quando a população for considerada infinita, o fator de correção pode ser desprezado,
tanto no cálculo da intensidade amostral, como no cálculo de algumas estimativas, que levam
em consideração o fator de correção.
5.2.1. Notação
Para realização dos cálculos das estimativas é necessário conhecer algumas notações.
10
5.2.2. Cálculos das Estimativas
Em função da variância
• Populações finitas:
2 2
Nt s x
n=
NE + t s x
2 2 2
O nde :
E = (LE ⋅ x ) ;
LE = limite de erro admitido no inventário, fixado pelo executor ou pelo cliente.
• Populações infinitas:
2 2
t sx
n= 2
E
• Populações finitas:
Nt (cv % )
2 2
n=
N (LE % ) + t (cv % )
2 2 2
• Populações infinitas:
t (cv % )
2 2
n=
(LE %) 2
11
5.2.2.2. Média aritmética
n
∑ ( Xi )
x = i =1
n
5.2.2.3. Variância
n
∑ ( Xi − x )
2
sx =
2 i =1
n −1
s x = i =1
n −1
sx ⎛ N − n ⎞
2
sx = ⋅⎜ ⎟
2
n ⎝ N ⎠
⎛N −n⎞
Onde ⎜ ⎟ é o fator de correção para população finita. Quando a população for
⎝ N ⎠
definida como infinita, não há necessidade de aplicá-lo, conforme QUEIROZ (1998).
sx
sx = ± ⋅ (1 − f )
n
sx
cv = ⋅ 100
x
• Absoluto:
Ea = ±t ⋅ s x
• Relativo:
t ⋅ sx
Er = ± ⋅ 100
x
12
5.2.2.9. Intervalo de confiança para a média
[ ]
IC x − (t ⋅ s x ) ≤ X ≤ x + (t ⋅ s x ) = P
Xˆ = N ⋅ x
Para os cálculos das estimativas foi considerado que o erro máximo admissível é de 10
% e o nível de probabilidade é de 95%.
16
sx =
2 267,37
16 − 1
(
= 17,82 m / parcela
3
)
2
13
Desvio padrão dos volumes:
Coeficiente de variação:
4,222
cv = ⋅ 100 = 17,72%
23,83
Intensidade amostral:
• O valor de E:
E = (LE ⋅ x )
E = 2,383 m / parcela
3
Neste exemplo a área total da população é de 400.000 m2 (40 ha) e a área das
parcelas é de 600 m2, logo a população tem um total de 667 unidades amostrais potenciais.
400.000
N = = 667 parcelas
600
16
f = = 0,0240 e ( 1 - f) = 1 − 0,0240 = 0,976 < 0,98
667
n1 = = 13,9 = 14 parcelas
667(2,383 ) + (2,131) 17,82
2 2
667(2,160 ) 17,82
2
n2 = = 14,3 = 14 parcelas
667(2,383 ) + (2,160 ) 17,82
2 2
14
Como (n) tornou-se constante, os cálculos realizados acima indicam que 14 parcelas
amostram bem a população. Devido ao fato de terem sido instaladas e medidas 16 unidades e
o cálculo da intensidade amostragem ideal apontar 14 parcelas, o inventário piloto pode ser
convertido em inventário definitivo. Ao contrário, se a intensidade amostral tivesse sido maior,
dever-se-ia retornar ao campo e medir mais algumas parcelas, complementando a amostra
para o inventário definitivo, de modo que o número de parcelas pudesse representar bem a
população.
Variância da média:
⎟ = 1,0870 (m / parcela )
17,82 ⎛ 667 − 16 ⎞ 2
sx = ⋅⎜
2 3
16 ⎝ 667 ⎠
Erro padrão:
4,222
sx = ± ⋅ 0,976 = ±1,043 m / parcela
3
16
2,131 ⋅ 1,043
Er = ± ⋅ 100 = ±9,33%
23,83
[
IC 23,83 − (2,131⋅ 1,043 ) ≤ X ≤ 23,83 + (2,131⋅ 1,043 ) = 95%]
[
IC 21,61m / parcela ≤ X ≤ 26,05m / parcela = 95%
3 3
]
Total da população:
[ ]
IC 15.895 − 667(2,131 ⋅ 1,043 ) ≤ X ≤ 15.895 + 667(2,131 ⋅ 1,043 ) = 95%
[
IC 14.413 m ≤ X ≤ 17.377 m
3 3
] = 95%
15
5.3. Processo de Amostragem Estratificada
Este processo consiste em eliminar fontes de variação que podem mascarar resultados
do inventário, para tanto a variabilidade dentro dos estratos deve ser menor que a variabilidade
da floresta como um todo. Além disto, a estratificação permite obter estimativas mais precisas,
uma vez que a variabilidade de cada estrato será tanto menor quanto melhor for a
estratificação da floresta. A estratificação ainda facilita a coleta de dados e o processamento
destes por estrato, sendo também conveniente para planejamento e condução de trabalho de
campo. O número de estratos a serem adotados depende da conveniência administrativa, do
custo do levantamento e da variabilidade da característica (SCOLFORO e MELO, 2006).
A estratificação deve ser feita com base na variável de interesse, podendo ser a
espécie, a idade, a procedência, regiões administrativas, tipologia, condições topográficas,
estágio de desenvolvimento, classes de densidade ou diâmetro, índice de sítio ou altura média
das árvores dominantes e a característica de interesse (volume, peso, etc.).
16
5.3.2. Notação
Para realização dos cálculos das estimativas é necessário conhecer algumas notações.
L = número de estratos;
h = índice de estratos;
Nh = número potencial de unidades dos estratos (h);
nh = número total de unidades amostradas nos estratos (h);
N = número total potencial de unidades da população;
L
N= ∑N
h =1
h
n = ∑ nh
h =1
Ah = área do estrato;
A = área total da população;
L
A = ∑ Ah
h =1
Alocação proporcional
Nh
nh = ⋅n
N
17
A intensidade amostral é calculada em função da variância estratificada (PÉLLICO
NETTO e BRENA, 1997), como segue:
t2 ∑W s h
2
h
• Populações finitas: n = h =1
L
W h s h2
E2 +t2 ∑ h =1 N
t 2 ∑ W h s h2
• Populações infinitas: n= h =1
E2
Alocação ótima
PÉLLICO NETTO e BRENA (1997) afirmam que a distribuição das unidades amostrais
no estrato é feita de forma proporcional à variação e ao custo de amostragem dos estratos. Os
mesmos autores citam Cochran (1963), que representa a alocação ótima a pela seguinte
expressão:
Wh sh
Ch
nh = ⋅n
L ⎛W s ⎞
∑ ⎜ h h
⎜ C
⎟
⎟
h =1
⎝ h ⎠
Onde:
Ch = custo de amostragem no estrato (h).
• Populações finitas:
⎧⎪⎛ L ⎞⎛ L s ⎞⎫⎪
t 2 ⎨⎜⎜ ∑ Whsh Ch ⎟⎟⎜ ∑ Wh h ⎟⎬
⎪⎩⎝ h =1 ⎠⎜⎝ h =1 Ch ⎟⎪
⎠⎭
n= L 2
Ws
E2 + t2 ∑ h h
h =1 N
• Populações infinitas:
⎧⎪⎛ L ⎞⎛ L s ⎞⎫⎪
t 2 ⎨⎜⎜ ∑ Whsh Ch ⎟⎟⎜ ∑ Wh h ⎟⎬
⎪⎝ h =1 ⎜
⎠⎝ h =1 Ch ⎟⎪
⎠⎭
n= ⎩ 2
E
Conforme PÉLLICO NETTO e BRENA (1997), essa alocação foi proposta por Neyman
(1934) e é uma variação da alocação ótima, onde se considera custos iguais de amostragem
em todos os estratos, sendo representada, segundo Cochran (1963), pela seguinte expressão:
Wh sh
nh = L
⋅n
∑Wh sh
h =1
18
Na alocação de Neyman, os estratos com maior variabilidade recebem
proporcionalmente mais parcelas que os estratos mais homogêneos, visando assim,
proporcionar um menor erro possível.
• Populações finitas:
2
L
t
W L h
sh W
⎛ ⎞
2
⎜⎜ ∑ ⎟⎟
h
nh
h
1
⎝ = ⎠
s
=
2h
E
t
2
hN
+ ∑
1
• Populações infinitas:
2
L
t
W E
sh
⎛ ⎞
2
⎜⎜ ∑ ⎟⎟
h
nh
h
1
= ⎝ = ⎠
2
Este fato pode ser melhor compreendido, observando que o teste (t) de Student é
obtido a partir da relação entre estas estimativas, por meio da seguinte expressão
(SCOLFORO e MELO, 2006):
x −μ
±t =
sx
Onde:
x = média estimada
μ = média verdadeira
s x = erro padrão da média
O valor de (t) pode ser encontrado nas tabelas de distribuição normal, em função do
número efetivo de graus de liberdade e do nível de probabilidade admitido pelo inventário.
2
⎛ L ⎞
⎜
⎜ ∑ g h sh2 ⎟
⎟
ne = ⎝ hL=1 ⎠
2 4
∑
g h sh
nh − 1
h =1
19
Onde:
N h (N h − n h )
gh =
nh
FONTE DE VARIAÇÃO GL SQ QM F
Entre estratos L-1 SQe SQe/L-1 QMe/QMd
Dentro dos estratos n-L SQd SQd/n-L
TOTAL n-1 SQt
h =1
h =1 i =1
nh
Total: SQt = ∑∑ ( X ih − x )
L
2
h =1 i =1
• Quadrado médio:
SQe
Entre estratos: QMe =
GLe
SQd
Dentro dos estratos: QM d =
GLd
• Valor de F:
QM e
F=
QM d
∑( X ih
)
xh = h =1
nh
L
Nh N
xh
nh n
xh
∑( ) ∑( )
L
L
xs
W
xh
wh
xh
h
1
h
1
= =
= ∑( ) = =
= ∑( )
t
ou
h
1
h
1
= =
20
A segunda média é usada quando os valores de (Wh) ou a delimitação prévia dos
estratos, não são conhecidos. Em geral esta média é menos precisa que a primeira, entretanto
quando a distribuição da amostra é feita através da alocação proporcional, estas duas médias
são iguais (PÉLLICO NETTO e BRENA, 1997). Na prática a expressão com o peso (Wh)
calculado com base na área dos estratos é mais correta e, por conseguinte, a mais empregada.
∑( X ih
− x h )2
s = 2 h =1
nh − 1
h
∑ (W s )
L
s st2 = h
2
h
h =1
L
s h2 L
W s2
s x2( st ) = ∑ W h2 ⋅
h =1
−∑ h h
n h h =1 N
L
s h2 L
W h s h2
s x ( st ) = ∑h =1
W h2 ⋅
nh
− ∑
h =1 N
• Absoluto:
E a = ±t ⋅ s x (st )
• Relativo:
t ⋅ s x ( st )
Er = ± ⋅ 100
x ( st )
[ ]
IC x − (t ⋅ s x ( st ) ) ≤ X ≤ x + (t ⋅ s x ( st ) ) = P
Xˆ h = N h ⋅ x h
21
5.3.3.13. Total da população
Xˆ = ∑ Xˆ
h =1
h = N ⋅ x st
[ ]
IC Xˆ − N (t ⋅ s x (st ) ) ≤ X ≤ Xˆ + N (t ⋅ s x (st ) ) = P
Sendo uma população florestal composta por (N) unidades e (n) represente o tamanho
da amostra, o número de amostras possíveis é igual a k = N , conforme explica QUEIROZ
n
(1998).
Para que a amostragem sistemática não seja tendenciosa, é necessário que alguma
forma de seleção aleatória seja incorporada ao processo de amostragem, sendo assim, a
aleatorização é a seleção da primeira unidade amostral. Depois de escolhida a unidade
amostral inicial, todas as demais serão selecionadas em intervalos constantes de (k) unidades,
conforme PÉLLICO NETTO e BRENA (1997).
22
arranjados independentemente uns dos outros. Neste caso a amostragem sistemática deve ser
revista, pois poderão ser obtidas estimativas superestimadas da média se as parcelas
coincidirem com o efeito periódico que represente o limite superior dos elementos da população
ou subestimar no caso oposto (SCOLFORO e MELO, 2006).
A amostra é selecionada, mediante uma única etapa ou fase de amostragem. Pode ser
realizada através de faixas ou parcelas, de acordo com PÉLLICO NETTO e BRENA (1997).
Segundo PÉLLICO NETTO e BRENA (1997), a área florestal é dividida em (N) faixas
de igual largura, das quais se toma uma amostra de (n) faixas, com um intervalo de (k) faixas.
Conforme Husch, Miller e Beers (1982), citados por PÉLLICO NETTO e BRENA (1997),
a seleção de (n) faixas com um intervalo (k) de amostragem pode ser realizada de duas
maneiras:
Consiste na seleção de um número aleatório entre 1 e (k), para definir a primeira faixa.
As demais faixas da amostra são selecionadas, somando o intervalo (k) ao número da faixa
anterior escolhida.
• Por coordenadas:
Consiste no sorteio de uma linha entre 1 e (M) e de uma coluna entre 1 e (N). Os
números sorteados são divididos por (k.k). Os numeradores das frações residuais das divisões
indicam as coordenadas da primeira unidade amostral, identificando linha e coluna,
respectivamente. A partir dessa unidade inicial são selecionadas as outras unidades,
estendendo-se o intervalo (k) em ambas as direções.
23
Para áreas que não forem regulares, o primeiro procedimento requer a alocação de um
limite imaginário, que enquadre totalmente a área, enquanto que, no segundo método de
seleção, a amostra é definida, a partir da escolha arbitrária do canto inferior esquerdo da área
(PÉLLICO NETTO e BRENA, 1997).
5.4.3. Notação
Para realização dos cálculos das estimativas é necessário conhecer algumas notações.
∑( X ) i
x= i =1
24
5.4.4.3. Média - dois estágios
n nj
∑∑ ( X
j =1 i =1
ij
)
x=
mn j
n
∑ ( X i − x )2
s x2 = i =1 (1 − f )
n(n − 1)
∑ (X + X nj2 )
m
2
m nj m nj 1j
∑∑ X − ∑∑ X 2
ij ij ⋅ X (i +1) j −
j =1
s ≅ (1 − f )
2 j =1 i =1 j =1 i =1 2
n (n − m )
x
s x = s x2
• Absoluto:
E a = ±t ⋅ s x
• Relativo:
t ⋅ sx
Er = ± ⋅ 100
x
[
IC x − (t ⋅ sx ) ≤ X ≤ x + (t ⋅ sx ) = P ]
5.4.4.9. Total da população
Xˆ = N ⋅ x
[
IC Xˆ − N (t ⋅ s x ) ≤ X ≤ Xˆ + N (t ⋅ s x ) = P ]
25
5.5. Processo de Amostragem em Dois Estágios
Conforme Husch, Miller e Beers (1982), citados por PÉLLICO NETTO e BRENA (1997),
podem ser empregadas tanto unidades amostrais de área fixa, como de área variável na
amostragem em dois estágios.
Esse processo consiste em dividir a área de uma população florestal em (N) unidades
amostrais primárias, e estas são subdivididas em (M) unidades amostrais secundárias,
representando assim, o primeiro e segundo estágio.
5.5.1. Notação
Para realização dos cálculos das estimativas é necessário conhecer algumas notações.
N = número total de unidades primárias da população;
n = número de unidades primárias amostradas;
M = número total de unidades secundárias por unidade primária;
m =número de unidades secundárias amostradas por unidade primária;
Xij = variável de interesse na amostragem em dois estágios.
Unidades primárias
26
• Populações infinitas:
⎛ s2 ⎞
t 2 ⎜⎜ s e2 + d ⎟⎟
n= ⎝ 2
m⎠
E
• Populações finitas:
⎛ s2 ⎞
t 2 ⎜⎜ s e2 + d ⎟⎟
n= ⎝ m⎠
1 ⎛ s2 ⎞
E 2 + t 2 ⎜⎜ s e2 + d ⎟⎟
N ⎝ M ⎠
Unidades secundárias
⎛ s2 ⎞
t 2 ⎜⎜ s e2 + d ⎟⎟
C' = ⎝ 2
m⎠
(C1 + C 2 m )
E
Onde:
C1 = Custo médio de deslocamento;
C 2 = Custo médio de medição.
C1 s d2
m= ⋅
C 2 s e2
∑∑ X
i =1 j =1
ij
x=
nm
m
X
xi = ∑ mij
j =1
27
5.5.2.4. Variância por subunidade
s x2 = s e2 + s d2
∑∑ (X − x i )2
n m
ij
i =1 j =1
sd2 = QMdentro =
n (m − 1)
∑ m(x − x)
n
2
QM entre − QM dentro i
s e2 = , onde QM entre = i =1
m n −1
⎛ N − n ⎞ se ⎛ M − m ⎞ sd
2 2
s x2 = ⎜ ⎟ +⎜ ⎟
⎝ N ⎠ n ⎝ M ⎠ nm
s x = s x2
• Absoluto:
E a = ±t ⋅ s x
• Relativo
t ⋅ sx
Er = ± ⋅ 100
x
[
IC x − (t ⋅ s x ) ≤ X ≤ x + (t ⋅ s x ) = P ]
5.5.2.9. Total da População
Xˆ = N ⋅ M ⋅ x
28
5.5.2.10. Intervalo de confiança para o total
[ ]
IC = Xˆ − N ⋅ M (t ⋅ s x ) ≤ X ≤ Xˆ + N ⋅ M (t ⋅ s x ) = P
29