AVALIAÇÃO DIRETA DA ABUNDÂNCIA DE RECURSOS

PESQUEIROS DEMERSAIS : APLICABILIDADE , DESEMPENHO

E CUSTO BENEFÍCIO DA IMPLEMENTAÇÃO DESTE MÉTODO
SOBRE DADOS GERADOS POR OBSERVADORES A BORDO DA
FROTA COMERCIAL DE ARRASTO DO SUDESTE E SUL DO
B RASIL

RODRIGO S ANT ’A NA

Itajaí
2013
 UNIVERSIDADE DO VALE DO ITAJAÍ

RODRIGO S ANT ’A NA

AVALIAÇÃO DIRETA DA ABUNDÂNCIA DE RECURSOS

PESQUEIROS DEMERSAIS : APLICABILIDADE , DESEMPENHO
E CUSTO BENEFÍCIO DA IMPLEMENTAÇÃO DESTE MÉTODO
SOBRE DADOS GERADOS POR OBSERVADORES A BORDO DA
FROTA COMERCIAL DE ARRASTO DO SUDESTE E SUL DO
B RASIL

Itajaí
2013

i
 UNIVERSIDADE DO VALE DO ITAJAÍ

RODRIGO S ANT ’A NA

AVALIAÇÃO DIRETA DA ABUNDÂNCIA DE RECURSOS

PESQUEIROS DEMERSAIS : APLICABILIDADE , DESEMPENHO
E CUSTO BENEFÍCIO DA IMPLEMENTAÇÃO DESTE MÉTODO
SOBRE DADOS GERADOS POR OBSERVADORES A BORDO DA
FROTA COMERCIAL DE ARRASTO DO SUDESTE E SUL DO
B RASIL

Trabalho de Conclusão apresentado ao

Programa de Pós-Graduação em Ciência e Tec-
nologia Ambiental, como parte dos requisitos
para obtenção do grau de Mestre em Ciência e
Tecnologia Ambiental.

Orientador: PhD. José Angel Alvarez Perez

Itajaí
2013

ii
 Dedico este trabalho a minha amada imortal, Irene Marschalek, e ao meu pequeno vikingzinho,
Anakin M. Sant’Ana, que é fruto deste amor... à vocês que entenderam a importância deste
trabalho e os momentos ausentes que existiram durante estes dois longos anos... À vocês, todo
meu amor!

iv
Probability theory is nothing but common sense
reduced to calculation.

— Pierre Simon, Marquis de Laplace, 1819

If you can’t explain it to a six year old, you don’t

understand it yourself.

— Albert Einstein

Do not worry about your difficulties in Mathe-

matics. I can assure you mine are still greater

— Albert Einstein

v
Agradecimentos
Ao longo destes, curtos dois anos, muito aconteceu. Momentos bons, ruins outros perfeitos.
Mas em todos os momentos desta empreitada, mesmo nos piores deles, quando eu já estava
exaurido, nervoso e/ou triste, Você estava lá para ser meu pilar, minha luz, minha amada mais
que imortal. No meio desta tempestade ou tsunami que foram estes últimos anos, você ainda
me deu minha jóia mais rara, meu viking, meu equilibrio na força, meu Darth Vader ou meu
Anakin. Não tenho palavras ou atitudes para lhe agradecer, para lhe retribuir ou para dizer o
quanto te amo. Muito obrigado por todo apoio e todo amor, te amo mais que ontem e muito
menos que amanhã, minha vida.
Como dito por Daisaku Ikeda ... “grandes feitos são alcançados em meio a dificuldades
imensas. Ser herói não significa acertar constantemente. É muito mais que isso, o verdadeiro
espírito do herói encontra-se na intensa convicção de enfrentar e vencer as dificuldades ao invés
de desistir de tudo. Sempre existirão tempestades, mas é exatamente em meio a estas que
revelamos o que realmente carregamos no coração.” Não tenho a pretenção de achar que realizei
um grande feito ou achar-me um herói, mas sim de lembrar, que por menor que seja o obstaculo
a sua frente, desistir não deve ser uma opção, momentos dificeis existiram sempre, transcender
esta tempestade é levar você ao status de herói de sua própria meta.
Em meio a uma jornada, sempre existirão pessoas que, a cada tropeço te ajudam a levantar,
que a cada esquecimento te ajudam a lembrar, que em cada dificuldade te ajudam a ver o quão
fácil pode ser resolver o problema. E por isso gostaria de agradecer ao meu mais que amigo, meu
irmão de vida, André Santoro, não tenho como te agradecer por tudo, mas também nem preciso,
você sabe que sou teu irmão e estarei aqui sempre, e lembre-se “if you’re through hell, stop for
a cold one, enjoy the little things and keep going, because we’re brothers, broo!!”. Ao meu
grande amigo e mestre no tortuoso caminho da estatística, do R e do LaTeX, Obiwan Fernando
Mayer Kenobi, desde a gradução, passando pelo mercado de trabalho, curtição, mestrado e
agora doutorado (pelo menos para você), estamos juntos... E vamos continuar broo, que os
próximos passos sejam melhores dos que já foram!! A amiga recente, e não menos importante,
Franci, xu muito obrigado por tudo... foi muito bom ter seu ombro amigo por perto, valeu!!?
Ao meu pai e irmãs que souberam entender toda minha ausência, e nos poucos momentos
juntos, toleraram meu mal humor. Amo vocês!! A minha mãe, eterno coração do meu céu!!
Como já disse na graduação, te devo tudo que sou, te amo demais.
Ao meu orientador e amigo, José Angel Alvarez Perez, que compreendeu todas as difi-
culdades enfrentadas ao longo destes dois anos, que me apoiou, confiou e acreditou que esta
dissertação chegaria ao fim, mesmo com todas as atribuições que eu tinha. Valeu Angel, muito
obrigado por essa confiança e ajuda. Ao pessoal do Projeto Albatroz (Tati, Fabiano, Dimas,
Caio, Carol M., MC, Carol R., Daniel, Cynthia, Jéssica, Guilherme e Cassi) que entenderam o
quão era importante para mim esta etapa, e seguraram uma barra pesada para que eu pudesse
chegar aqui.

vi
 Por fim, e não menos importante, gostaria de agradecer a CAPES/IGEPESCA pela bolsa de
estudos, sem este apoio o desenvolvimento deste trabalho não seria possível. E sem esquecer
dos senhores, Gonzalo Velasco Canziani, Felipe Farias Albanez e Fernando Pinto das Neves,
que prontamente responderam as entrevistas base para terceira etapa deste trabalho. Muito
Obrigado!!

vii
Sumário

Lista de Tabelas xi

Lista de Figuras xv

Resumo xvi

Abstract xviii

1 INTRODUÇÃO 1

2 OBJETIVOS 8
2.1 Objetivos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 MATERIAIS E MÉTODOS 9
3.1 Área de Estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Fonte dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Análise de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.1 Simulação de densidades das populações virtuais . . . . . . . . . . . . 12
3.3.2 Avaliação do efeito dos distintos desenhos amostrais sobre as estimati-
vas diretas de abundância das populações simuladas . . . . . . . . . . 14
3.3.2.1 Desenhos amostrais implementados . . . . . . . . . . . . . . . 14
3.3.2.2 Expansão baseada nos princípios da amostragem . . . . . . . . 16
3.3.2.3 Expansões baseadas nos princípios da modelagem geoestatística 20
3.3.3 Implementação do método de área varrida para estimativa de biomassa
de recursos demersais com base em dados coletados por observadores
à bordo de embarcações comerciais de arrasto . . . . . . . . . . . . . . 24
3.3.3.1 Análise exploratória . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.3.2 Cálculo das densidades por área varrida . . . . . . . . . . . . . 25
3.3.3.3 Estimativa de biomassa com base nos modelos geoestatísticos . 29
3.3.4 Análise de custo-benefício no uso do método de área varrida com base
em dados coletados por observadores na frota comercial em relação à
cruzeiros científicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

4 RESULTADOS 33
4.1 Estimações em Ambiente Virtual . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.1 Simulações das Populações Virtuais . . . . . . . . . . . . . . . . . . . 33
4.1.2 Expansões Baseadas nos Príncipios da Teoria de Amostragens Complexas 34

viii
 4.1.3 Expansões Baseadas em Modelos Geoestatísticos . . . . . . . . . . . . 38
4.2 Aplicação dos Modelos Geoestatísticos aos Dados da Frota Comercial de Ar-
rasto de Fundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1 Análises Exploratórias . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Padronização das Capturas, Cálculo dos Coeficientes de Eficiência das
Redes e Estimativas das Densidades por Área Varrida . . . . . . . . . . 65
4.2.3 Estimativas de Biomassa com Base em Modelos Geoestatísticos . . . . 72
4.3 Análise do Custo-Benefício de Diferentes Estratégias para Avaliações Con-
tínuas de Biomassa de Recursos Demersais . . . . . . . . . . . . . . . . . . . 77

5 DISCUSSÃO 79

6 CONSIDERAÇÕES FINAIS 92

7 REFERÊNCIAS 94

ANEXOS 101

ix
Lista de Tabelas
1 Número de embarcações estrangeiras que operaram com observadores de bordo
à bordo durante o perído de 2000 à 2009, bem como os respectivos dados de
esforço amostral em número de viagens e lances. . . . . . . . . . . . . . . . . 12
2 Resumo das estimativas dos parâmetros dos modelos de correlação espacial
ajustados para uma parte dos desenhos amostrais implementados sobre as po-
pulações virtualizadas neste estudo. Identificador do modelo (ID), indicador da
população, desenho amostral, m - número de fundos selecionados, n - número
de lances selecionados, β 0 - intercepto dos modelos com estrutura de mé-
dia fixa, β 1 e β 2 - interceptos dos modelos com estruturas de média móvel,
σ 2 , φ , τ 2 eκ - parâmetros dos modelos de correlação espacial, λ - parâmentro
de transformação da variável, LogL - Logarítmo da verossimilhança, AIC -
critério de informação de Akaike, BIC - critério de informação bayesiano, Mo-
delo - estrutura de correlação espacial utilizada . . . . . . . . . . . . . . . . . 41
3 Resumo das estimativas de biomassa e variância pontual total em toneladas para
cada uma das predições baseadas nos modelos com estrutura espacial “Matérn”,
discriminadas por População, desenho amostral, Esforço amostral (m - fundos;
n - lances), Tipo de ajuste - classificado como: cte.ll.1 - média fixa, ajuste por
verossimilhança; fst.ll.1 - média móvel, ajuste por verossimilhança e cte.wls.1
- média fixa, ajuste por mínimos quadrados ponderados. . . . . . . . . . . . . . 51
4 Sumário estatístico das dimensões das tralhas das redes (em metros) utilizadas
por cada uma das 8 embarcações arrendadas de arrasto de fundo que operaram
no talude superior entre os anos de 2000 e 2002. . . . . . . . . . . . . . . . . . 63
5 Sumário estatístico das dimensões das malhas (em milímetros) presentes nos
ensacadores das redes utilizadas por cada uma das 8 embarcações arrendadas
de arrasto de fundo que operaram no talude superior entre os anos de 2000 e 2002. 63
6 Sumário dos modelos lineares generalizados aplicados aos dados de captura
para cada uma das três espécies, considerando o esforço como preditor do mo-
delo e como peso (weights); Critério de informação de Akaike (AIC) e % de
explicação de cada modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7 Sumário das estimativas de biomassa total (em t), desvio padrão, intervalo de
confianção de 95% para cada uma das espécies alvo desta etapa do trabalho
discriminadas por ano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
8 Custos de manutenção/operação de embarcações de pesquisa, pesca e de um
programa de observadores de bordo. . . . . . . . . . . . . . . . . . . . . . . . 77

x
9 Sumário de custos (em R$), deslocamento total (em milhas náuticas) e dias de
navegação e operação gastos em cada pernada discriminados por cada uma das
estratégias previstas para implementação do plano de avaliação de abundância
de recursos demersais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
10 Comparação entre as estimativas de biomassa das três espécies avaliadas neste
estudos, os valores estimados no âmbito do REVIZEE e outras estimativas de
abundância realizadas para estas espécies na porção sudeste do Oceano Atlân-
tico (em toneladas), bem como as respectivas taxas de remoção baseadas nas
produções de cada uma das espécies em relação as biomassas estimadas pelo
REVIZEE e por este trabalho, e os rendimentos máximos sustentáveis para
cada recurso. 1 Taxa de remoção em relação ao rendimento máximo susten-
tável retirada de Perez (2006); 2 Captura média anual de Urophycis mystacea
estimada entre o período de 2000 e 2003 retirada de Anon (2005); 3 Biomassa
estimada para porção Argentino-Uruguaia do estoque de Merluccius hubbsi por
Bezzi & Ibáñez (2009); 4 Capturas totais de merluza retiradas de Anon (2005);
5 Biomassa e captura total de Lophius gastrophysus retirada de Perez et al.

(2005); 6 Captura total de peixe-sapo retirada de IBAMA (2004) . . . . . . . . 89

11 Estimativas de biomassa e respectivos erros padrões das duas populações vir-
tualizadas com expansão baseada nos princípios e estimadores da teoria de
amostragens complexas para cada um dos 240 desenhos amostrais implemen-
tados. A titulo de comparação: a biomassa real estípulada para a população 1 é
de 20.000.000 kg e para população 2 é de 5.000.000 kg. . . . . . . . . . . . . . 244

xi
Lista de Figuras
1 Área de estudo e suas sub-divisões latitudinais (ou estratos) utilizadas somente
nas simulações das populações virtuais. . . . . . . . . . . . . . . . . . . . . . 9
2 Populações de peixes simuladas virtualmente. Lado esquerdo: População 1 -
alta biomassa global, alta variabilidade nas densidades por km2 e pontos de
concentração distribuídos por toda área. Lado direito: População 2 - biomassa
global relativamente menor, baixa variabilidade nas densidades por km2 e con-
centração marcada ao sul da área de estudo. . . . . . . . . . . . . . . . . . . . 13
3 Marcação da área de estudos e a respectiva divisão dos fundos de pesca estabe-
lecidos para compor as amostragens por conglomerados em dois estágios. . . . 15
4 Desenho amostral simulado para estimativa dos dias necessários para execução
de cada “pernada”, bem como os custos envolvidos para sua execução. . . . . . 32
5 Populações de peixes simuladas virtualmente. Lado esquerdo: População 1 -
alta biomassa global, alta variabilidade nas densidades por km2 e pontos de
concentração distribuídos por toda área. Lado direito: População 2 - biomassa
global relativamente menor, baixa variabilidade nas densidades por km2 e con-
centração marcada ao sul da área de estudo. . . . . . . . . . . . . . . . . . . . 33
6 População 1 - Lado esquerdo: Decaimento do erro padrão em função do au-
mento do esforço amostral; Modelo loess com média suavizada (linha azul) e
simulação do intervalo de confiança para o decaimento médio do erro (som-
breado cinza). Lado direito: Estimativa da biomassa global (linha preta) e res-
pectivo erro padrão em função do esforço (sombreado cinza). Linha vermelha
corresponde a biomassa real da população virtualizada. . . . . . . . . . . . . . 35
7 População 2 - Lado esquerdo: Decaimento do erro padrão em função do au-
mento do esforço amostral; Modelo loess com média suavizada (linha azul) e
simulação do intervalo de confiança para o decaimento médio do erro (som-
breado cinza). Lado direito: Estimativa da biomassa global (linha preta) e res-
pectivo erro padrão em função do esforço (sombreado cinza). Linha vermelha
corresponde a biomassa real da população virtualizada. . . . . . . . . . . . . . 37
8 Exemplificação da transformação dos dados de densidade em função do com-
portamento assimétrico e heteroscedásticos dos mesmos. Exemplo baseado em
uma amostragem estratificada por profundidade, 100 lances selecionados sobre
a população 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
9 Comparação da diferença relativa entre as biomassas estimadas por cada de-
senho amostral implementado em relação as biomassas reais para cada uma das
populações virtualizadas no presente estudo. “Amostra” - Expansões baseadas
no emprego de estimadores amostrais complexos; “Modelo” - Expansões baseadas
no emprego de modelos geoestatísticos. . . . . . . . . . . . . . . . . . . . . . 50

xii
10 População 1 - Mapa da distribuição da biomassa real e distribuição dos pontos
selecionados; Mapa distribuição da biomassa total estimada com base em uma
amostragem por conglomerados em dois estágios com probabilidade desiguais,
e; Mapa da distribuição das variabilidades ou incertezas das estimativas pontuais. 55
11 População 2 - Mapa da distribuição da biomassa real e distribuição dos pontos
selecionados; Mapa distribuição da biomassa total estimada com base em uma
amostragem por conglomerados em dois estágios com probabilidade desiguais,
e; Mapa da distribuição das variabilidades ou incertezas das estimativas pontuais. 57
12 Exemplificação geral do comportamento dos resíduos resultantes dos modelos
geoestatísticos ajustados para as populações virtualizadas. . . . . . . . . . . . 58
13 Proporção de lances com capturas positivas das principais espécies exploradas
pela frota arrendada de arrasto durante os anos de 2000 à 2009. . . . . . . . . . 59
14 Distribuição de frequência das profundidades em que a frota arrendada de ar-
rasto de fundo operou durante os anos de 2000, 2001 e 2002. . . . . . . . . . . 60
15 Distribuição de frequência das velocidades (nós) utilizadas pela frota arrendada
de arrasto de fundo durante os anos de 2000, 2001 e 2002. . . . . . . . . . . . 61
16 Distribuições de frequência das horas de arrasto realizadas pela frota arrendada
de arrasto de fundo durante os anos de 2000, 2001 e 2002. . . . . . . . . . . . 62
17 Distribuições de frequência das distâncias arrastadas (km) pela frota arrendada
de arrasto de fundo durante os anos de 2000, 2001 e 2002. . . . . . . . . . . . 62
18 Distribuições de frequência das áreas varridas (km2 ) estimadas para cada lance
de pesca realizado pela frota arrendada de arrasto de fundo durante os anos de
2000, 2001 e 2002. Comparando diferentes descritores de tendência central
para a variável comprimento da tralha superior, bem como distintos valores de
coeficiente de entralhamento descritos na literatura. . . . . . . . . . . . . . . . 64
19 Exemplificação dos cenários de depleção identificados para cada uma das três
espécies alvo do presente estudo. A linha vermelha representa a regressão ajus-
tada para cada cenário em questão. . . . . . . . . . . . . . . . . . . . . . . . . 68
20 Diagrama de caixa das eficiências das redes estimadas para abrótea-de-fundo,
merluza e peixe-sapo; Distribuíção de frequência das eficiências das redes esti-
madas para as mesmas três espécies. . . . . . . . . . . . . . . . . . . . . . . . 69
21 Distribuição das densidades (em kg/km2 ) estimadas para cada lance de pesca
amostrado e para cada uma das espécies alvo desta etapa do estudo. . . . . . . 71
22 Distribuições espacial das densidades amostradas em cada lance de pesca reali-
zados pela frota arrendada de arrasto de fundo durante os anos 2000, 2001 e
2002, discriminadas por espécie. . . . . . . . . . . . . . . . . . . . . . . . . . 72

xiii
23 Parâmetros dos modelos geoestatísticos com estrutura de correlação espacial
do tipo “Matérn” ajustados para cada uma das espécies alvo desta etapa do
estudo, considerando cada um dos processos de reamostragem e os anos de
2001 e 2002. Modelos de 1 à 50 representam os modelos ajustados para 2001,
e modelos de 51 à 100 para 2002. . . . . . . . . . . . . . . . . . . . . . . . . . 73
24 Distribuições espaciais das densidades (em kg/km2 ) preditas para área de es-
tudo (lado esquerdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado
direito). Abrótea-de-fundo Urophycis mystacea. . . . . . . . . . . . . . . . . . 75
25 Distribuições espaciais das densidades (em kg/km2 ) preditas para área de es-
tudo (lado esquerdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado
direito). Merluza Merluccius hubbsi. . . . . . . . . . . . . . . . . . . . . . . . 76
26 Distribuições espaciais das densidades (em kg/km2 ) preditas para área de es-
tudo (lado esquerdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado
direito). Peixe-sapo Lophius gastrophysus. . . . . . . . . . . . . . . . . . . . . 77
27 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem aleatória simples sem reposição. . . . . . 111
28 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem estratificada por área. . . . . . . . . . . . 120
29 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem estratificada por profundidade. . . . . . . 129
30 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem aleatório-sistemática. . . . . . . . . . . . 138
31 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem por conglomerados em dois estágios com
probabilidades iguais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
32 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 1, amostragem por conglomerados em dois estágios com
probabilidades desiguais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
33 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem aleatória simples sem reposição. . . . . . 173
34 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem estratificada por área. . . . . . . . . . . . 182
35 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem estratificada por profundidade. . . . . . . 191
36 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem aleatório-sistemática. . . . . . . . . . . . 200
37 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem por conglomerados em dois estágios com
probabilidades iguais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214

xiv
38 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - População 2, amostragem por conglomerados em dois estágios com
probabilidades desiguais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
39 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - Abrótea-de-fundo (Urophycis mystacea). . . . . . . . . . . . . . . . 234
40 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - Merluza (Merluccius hubbsi). . . . . . . . . . . . . . . . . . . . . . 238
41 Mapas da distribuição das densidades e incertezas preditas pelos modelos geoes-
tatísticos - Peixe-sapo (Lophius gastrophysus). . . . . . . . . . . . . . . . . . . 242

xv
Resumo
Conhecer a abundância total dos estoques pesqueiros têm sido um ponto crucial para subsidiar
medidas de gestão para o acesso e uso sustentável desses recursos naturais em todo mundo.
Alternativamente, este conhecimento tem auxiliado também na avaliação dos efeitos diretos de
mudanças climáticas sobre populações naturais, bem como, na estimação do grau de degradação
dos habitats marinhos submetidos à ação antrópica. Nesse sentido, programas científicos com
a especificidade de estimar, por métodos diretos, a biomassa de recursos valiosos e alvos da
pesca mundial têm sido sustentados, ano após ano, por organizações de pesquisa e fomento
pesqueiro nacionais e internacionais. Devido aos elevados custos envolvidos, países com ZEE’s
relativamente mais pobres e/ou com pescarias de menor valor, dificilmente podem justificar a
sustentação de tais programas de forma rotineira, o que traz prejuízos aos processos de gestão
de seus recursos pesqueiros. Uma alternativa, potencialmente, menos onerosa, para limitação
seria o aproveitamento de dados de captura gerados a bordo das embarcações pesqueiras com-
erciais por observadores treinados. Esse tipo de procedimento, pode gerar incertezas quanto aos
preceitos fundamentais da teoria de amostragem, principalmente, por se tratar de uma atividade
disciplinada pela maximização econômica e social. Desta forma, o presente trabalho buscou
identificar, isoladamente, os possíves viéses provenientes de diferentes desenhos amostrais, in-
cluindo um desenho com a expectativa de representar os padrões tendenciosos da frota, em
um ambiente simulado sobre populações virtualizadas que buscavam se assimilar à recursos
reais e alvos da frota comercial de arrasto de fundo. Cada desenho amostral foi submetido
a métodos de expansão distintos, um baseado no desenho amostral (método clássico) e outro
baseado na aplicação de modelos geoestatísticos. Os resultados das simulações em ambientes
virtuais mostraram que as estimativas globais das biomassas de cada população virtualizada
tenderam a sobre-estimações quando utilizado o método clássico (diferença entre biomassa real
e estimada, em geral, > 20%), já o método baseado em modelos geoestatísticos tende a corri-
gir o problema do enviesamento amostral implementado pela frota, e apresentando, de modo
geral estimativas bem próximas da biomassa real de cada recurso (diferença normalmente <
20%). Por fim, este último método foi também aplicado aos dados reais coletados a bordo
das embarcações comerciais de arrasto, e resultou em estimativas bastante robustas para as três
espécies de peixes, Urophycis mystacea (2001 - 16.402 t/2002 - 23.816 t), Merluccius hubbsi
(2001 - 267.712 t/2002 - 233.107 t) e Lophius gastrophysus (2001 - 51.947 t/2002 - 16.998
t), estudadas nesta etapa do trabalho. Adicionalmente, uma relação entre custo e benefício em
executar avaliações de abundância com base em cruzeiros científicos, arrendamento de embar-
cações pesqueiras e manutenção de um programa de observadores a bordo da frota comercial
de pesca também foi traçado. Os custos destes comparativos demonstraram que a manutenção
de um programa de observadores de bordo (R$ 94.413,47) chegou a ser 990% menor que o pior
cenário para realização de um cruzeiro científico (R$ 935.185,01), enquanto o melhor cenário,
baseado no arrendamento de uma embarcação de pesca para este fim teve um custo total esti-

xvi
mado na ordem de R$ 365.151,25 (≈ 387%). A aplicação do método desenvolvido sobre os
dados pretéritos gerados a bordo das embarcações de arrasto comercial pode ser marco inicial
para geração de pontos de referência espaço e temporalmente definidos, que poderão contribuir
para os processos de gestão ambiental, econômica e social desta atividade de pesca no Brasil.

xvii
Abstract
An accurate knowledge of the total fish stock biomass is crucial for supporting management
measures for the sustainable use of these natural resources worldwide. This information has
also been of use in assessing the direct impacts of climate changes on natural fish populations,
and in estimating the level of degradation of the marine habitats submitted to anthropic action.
Thus, scientific programs aimed at estimating, though direct methods, the biomass of valuable
resources that are targets of fishing activity worldwide, have been nanced, year after year, by
research bodies and organizations that promote the fishing industry at national and interna-
tional levels. Due to the high costs involved, countries with relatively poor EEZs and/or smaller
fishing industries can barely justify maintaining such programs on a routine basis, which can
compromise the process of managing their shery resources. A potentially less costly solution
is to use capture data generated by trained observers on board commercial shing trawlers. This
procedure can lead to doubts regarding the fundamental concepts of sampling theory, partic-
ularly when dealing with an activity that has the sole purpose of maximize prots. This work
therefore aims to identify the possible biases originating from different sampling designs, and
proposes a model designed to represent the trends in the fishing fleet in an environment of vir-
tual populations aimed at simulating real resources and targets of the commercial bottom trawl
eet. Each sampling design was submitted to two expansion methods: one based on the classic
method of sampling design, and the other based on the application of geostatistical models. The
results of the virtual environment simulations showed that the global biomass estimates of each
virtual population tended to be overestimated when using the classic method (average differ-
ence between real and estimated biomass > 20%), whereas the geostatistical models tended to
correct the biases inherent to onboard sampling. The geostatistical models also demonstrated,
on the whole, biomass estimates that were very close to the real volumes for each resource (av-
erage difference < 20%). Finally, the latter method was also applied to the real data collected
onboard commercial trawlers, resulting in robust estimates for each of the three fish species
studied in this phase of the work: Urophycis mystacea (2001 – 16,402 t/2002 – 23,816 t), Mer-
luccius hubbsi (2001 – 267,712 t / 2002 – 233,107 t) and Lophius gastrophysus (2001 – 51,947
t/2002 – 16,988 t). The study also analyzed the cost-benefit ratio of carrying out abundance
estimates based on scientic survey cruises, of shing boat yields, and of maintaining a program
of onboard observers. These comparisons showed that the cost of maintaining a program of
onboard observers (R$ 94,413.47) is up to 990% lower than the worst case scenario of carrying
out a scientic survey cruise (R$ 935,185.01), while the best case scenario, based on the leasing
of a shing vessel for this purpose, had a total cost of around R$ 365,151.25. The application
of the method developed to the historical data, generated by commercial trawlers, could act as
spatial and temporal reference points that could contribute to the processes of environmental,
economic and social management of this shing activity in Brazil.

xviii
1 INTRODUÇÃO

A abundância total de um estoque pesqueiro em determinada área e período de tempo é um

atributo populacional de grande valor para o manejo das pescarias no mundo todo. O conhe-

cimento desse atributo serve como base para a definição de níveis de captura potencialmente

sustentáveis e compatíveis com os demais objetivos pré-determinados de uma pescaria. Li-

mitações globais ou individuais de capturas (e.g. controle de saídas) e do esforço pesqueiro

empregado (e.g. controle de entradas) são ações concretas de manejo que derivam diretamente

da possibilidade de se ter um acompanhamento temporal da abundância absoluta do estoque.

Além da gestão pesqueira, esse acompanhamento também é crítico para a avaliação do efeito de

mudanças climáticas, poluição e degradação de habitats sobre os ambientes aquáticos. Frente à

crise ambiental, caracterizada em níveis regionais e globais e a multiplicação do uso dos ambi-

entes aquáticos, a demanda por esse tipo de informação tem sido crescente. O aparente declínio

nas produções mundiais de pescado marinho observado a partir da década de 1990, e reportado

pela Organização das Nações Unidas para Agricultura e Alimentação – FAO (FAO, 2010), tem

mobilizado cientistas ao longo do mundo, e ressaltado a importância no entendimento da com-

posição e abundância das comunidades de peixes alvo da atividade pesqueira (Pauly et al., 1998;

Pauly & Palomares, 2000; Myers & Worm, 2003; Clark, 2006; Garcia & Rosenberg, 2010).

Avaliações de estoques como um todo, e entre estas, as estimativas de abundância, derivam

de processos matemáticos e estatísticos capazes de predizer, quantitativamente, as reações dos

estoques pesqueiros às medidas de manejo e gestão destes recursos (Hilborn & Walters, 1992).

A simples escolha do melhor método a ser utilizado para uma análise pode resultar em cenários

distintos e complexos, de modo que estas escolhas, geram incertezas que precisam ser avaliadas.

As ferramentas que a ciência dispõe para estimar a abundância de estoques pesqueiros in-

cluem métodos indiretos, dependentes de dados provenientes da atividade pesqueira, e métodos

diretos que independem da pesca (Holden & Raitt, 1975). Os primeiros têm como base a re-

construção da abundância das coortes de estoques de peixes a partir de capturas conhecidas de

1
cada grupo etário disponível à pesca. As técnicas conhecidas como “Análise de Populações Vir-

tuais” (Gulland, 1965) e “Análise de Coortes” (Pope, 1975) são exemplos das ferramentas acima

e que normalmente demandam o conhecimento completo das capturas anuais e os meios para

se determinar, de forma rotineira, a idade dos indivíduos capturados. Apesar de mundialmente

empregadas (Lassen & Medley, 2001), essas ferramentas têm aplicação limitada às pescarias

submetidas a um monitoramento histórico e contínuo, normalmente conduzido por robustos

programas científicos pouco comuns em muitas regiões economicamente menos desenvolvidas

do planeta. Soma-se a isso a inexistência, em muitos recursos de importância comercial, de for-

mas confiáveis de se estimar a idade individual (i.e. . camarões, lagostas e outros crustáceos).

Alternativamente, estimativas diretas de abundância derivam de procedimentos tipicamente

experimentais, onde se utilizam ”amostradores” capazes de medir a densidade de organismos

na natureza. Através da distribuição de um determinado número de lances amostrais dentro

da área conhecida de ocorrência do estoque pesqueiro, estimam-se densidades médias (ou de

tendência central) as quais, multiplicadas por esta área total, permitem o cálculo da abundância

absoluta do estoque (em número ou biomassa) (Saville, 1978). Estas estimativas se aplicam

a um determinado instante e independem da existência de uma pescaria estabelecida, de seu

histórico ou do conhecimento de elementos biológico-populacionais dos recursos envolvidos.

Ainda que sejam, nesse sentido, vantajosas, as avaliações diretas de abundância são normal-

mente dispendiosas e sofrem limitações fundamentalmente associadas a aspectos tecnológicos

e estatísticos dos métodos empregados (Gunderson, 1993).

Amostradores, por exemplo, devem permitir a contabilização de todos os indivíduos pre-

sentes em uma área amostral conhecida. Definidos de acordo com o habitat e comportamento

dos recursos estudados, estes incluem equipamentos de captura (e.g. quadrats, dragas, redes,

armadilhas), de registro acústico (e.g. ecossondas e eco-integradores) e de imagens (e.g. censos

visuais, câmeras, ROVs) que invariavelmente apresentam deficiências tanto no registro efetivo

dos indivíduos quanto na resolução da real área coberta (Godø, 1998). Adicionalmente, devido

aos organismos exibirem padrões característicos de distribuição espacial, normalmente agru-

2
pada ou contagiosa, a estimativa de valores de tendência central (e intervalos de confiança) das

densidades na área de distribuição não é trivial, sendo altamente sensível à quantidade e padrão

de distribuição dos lances amostrais (Gunderson, 1993; Smith, 1996). A eficácia do amostrador

e do desenho amostral constituem, portanto, fatores determinantes da precisão de estimativas

de abundância e são suas principais fontes de incerteza. Estas fontes tornam-se tão mais rele-

vantes quando são avaliados estoques marinhos que se distribuem em regiões extensas e pouco

acessíveis da plataforma e talude continentais, os quais, muitas vezes, demandam elaborados e

onerosos cruzeiros científicos.

Programas de avaliação direta da biomassa de estoques demersais de peixes, moluscos

e crustáceos a partir do uso de redes de arrasto de fundo têm sido estabelecidos em impor-

tantes áreas de pesca do planeta, incluíndo o Atlântico Nordeste, Atlântico Noroeste e Pacífico

Nordeste (Smith, 1996; Walsh, 1996; Somerton et al., 2002). Estimativas de abundância geradas

por estes programas têm subsidiado por décadas o processo de gestão da pesca demersal, tanto

dentro das áreas sob jurisdição de nações costeiras quanto em áreas de pesca internacionais,

sob controle de organizações regionais de manejo pesqueiro (i.e. E.U., NAFO, ICNEAF, entre

outras) (Doubleday & Rivard, 1981). Os elevados custos operacionais de cruzeiros científicos,

realizados de forma contínua, são justificados pela importância econômica das pescarias demer-

sais nessas áreas de grande produtividade biológica. Por outro lado, estes custos, assim como

a disponibilidade de embarcações adequadas para pesquisa pesqueira, têm sido limitantes para

o desenvolvimento de programas similares em regiões menos produtivas, e em pescarias de

menor valor econômico (ainda que, muitas vezes, de grande importância social). Este é o caso

do Brasil, onde recursos demersais de plataforma e talude jamais foram submetidos a progra-

mas contínuos de avaliação de abundância baseados em métodos diretos, ainda que iniciativas

pontuais e descontinuadas, sobretudo com redes de fundo, tenham ocorrido principalmente nas

regiões sudeste e sul do país (vide revisão em Haimovici (2007)). Como consequência, a gestão

desses recursos em nível nacional raramente levou em consideração o tamanho efetivo dos esto-

ques explotados, sendo fundamentalmente baseada em condições biológicas dos mesmos (e.g.

3
defesos reprodutivos, tamanhos mínimos e outros) (vide revisão em Perez et al. (2001)). Como

exceção, pode-se destacar as avaliações diretas realizadas por redes de arrasto de fundo em

2001/2002, no âmbito do Programa REVIZEE (Haimovici et al., 2008), as quais subsidiaram

a definição de limites de captura para peixes ósseos alvos da emergente pesca de arrasto de

talude nas regiões sudeste e sul do Brasil, incluindo o peixe-sapo (Lophius gastrophysus), a

merluza (Merluccius hubbsi) e a abrótea-de-profundidade (Urophycis mystacea) (Perez et al.,

2009a). Considerando-se o estado precário de vários recursos pesqueiros demersais explotados

na plataforma e talude do sudeste e sul, há poucas perspectivas de continuidade de progra-

mas como o REVIZEE, e menos ainda do estabelecimento de programas rotineiros de avalia-

ção direta desses estoques, a exemplo dos programas internacionais (NAFO, ASFC, NFSM).

Nesse sentido, o atual modelo de gestão pesqueira, ou mesmo eventuais reformas dessse mo-

delo (Perez et al., 2001), deverão manter sua abrangência e efetividade limitadas.

Há pouco mais de uma década, iniciou-se o desenvolvimento de programas de observadores

de pesca voltados exclusivamente à coleta de dados durante as operações das frotas industriais

na costa brasileira (Perez et al., 2003; BRASIL, 2006). Esses programas nasceram como uma

das ações de apoio ao programa governamental de arrendamento de embarcações estrangeiras

para a pesca de atuns e recursos demersais de profundidade, sendo gradualmente formatados

em duas vertentes: o programa de Observadores de Bordo voltado ao atendimento de pescarias

cujo plano de manejo determina um monitoramento a bordo (BRASIL, 2006) e o programa de

Observadores Científicos de caráter voluntário e voltado a geração de dados pesqueiros inde-

pendente de ações de manejo (Convênio SEAP/PR/027/2007). Através do primeiro, um volume

expressivo de dados de pesca lance a lance tem sido acumulado, sobretudo entre 2001 e 2009,

os quais permitiram estimativas de abundância absolutas ou relativas dos recursos demersais de

profundidade, além dos padrões de captura não-intencional, ambos diretamente utilizados na

elaboração dos planos de manejo desses recursos (Perez et al., 2002a; Pezzuto et al., 2006a;

Dallagnolo et al., 2009; Perez et al., 2009a). Mais recente, o segundo programa tem permitido

as primeiras análises da pesca industrial na plataforma continental do Sudeste e Sul do Brasil a

4
partir de volumes também significativos de lances monitorados a bordo (Pio, 2011). Conjunta-

mente, ambos os programas acumulam registros pesqueiros detalhados de mais de 28 mil lances

de pesca demersal na região sudeste e sul brasileira, com destaque para operações de pesca de

arrasto de fundo sobre a plataforma e talude continentais. Parece evidente que não apenas essa

massa de dados, mas também registros futuros a serem gerados a partir da continuidade dos

programas de observadores da pesca, poderiam constituir uma forma alternativa de se aplicar

métodos diretos de avaliação da abundância dos recursos demersais, assim como consolidar

programas contínuos de monitoramento dessa abundância, como já ressaltado, de grande valia

para gestão pesqueira e outras análises ambientais.

Entretanto, dois problemas se antepõem a concretização dessa ideia, ambos fundamentados

nos requerimentos do método de avaliação direta de abundância utilizando a rede de arrasto

de fundo como amostrador. Inicialmente este método requer o conhecimento preciso da “área

varrida” pela rede de arrasto durante cada lance “amostral”. Esta área assume-se como um

retângulo onde o lado maior corresponde à distância percorrida pela rede e o lado menor como

a abertura horizontal efetiva da rede (Saville, 1978). Em redes de arrasto de fundo esta aber-

tura se dá fundamentalmente pela ação de “portas” conectadas lateralmente às extremidades da

“boca” da rede que se afastam uma da outra devido a ação da resistência da água quando a

rede é tracionada pela embarcação. Trata-se de uma medida de grande variabilidade e cuja di-

mensão nas diferentes redes utilizadas pelas embarcações de pesca de arrasto no Brasil é pouco

conhecida. Em segundo lugar, como já ressaltado, as estimativas de densidade média de um

recurso em sua área de distribuição são sensíveis ao desenho amostral empregado, sendo esta

uma importante fonte de vício (Gunderson, 1993). A distribuição dos lances de pesca durante

uma viagem comercial tende a fugir dos preceitos estatísticos de amostragens espaciais, sendo

essencialmente vinculada à maximização dos rendimentos das operações de pesca. Esta estraté-

gia de maximização de lucros está intrinsecamente ligada à preceitos econômicos (e.g. aumento

dos lucros, redução das despesas/custos com combustível e alimentação) e sociais (e.g. tempo

de permanência dos pescadores no mar, distanciamento das respectivas famílias, entre outros)

5
que envolvem e definem a atividade pesqueira comercial, e que foram evoluíndo, substâncial-

mente com o passar dos anos (Ribeboim, 2010). Nesse sentido, há um considerável risco para

introdução de vício na amostra, muito embora a dimensão desse potencial tenha sido raramente

abordada na literatura pesqueira mundial. A combinação de tecnologias acústicas aplicadas aos

equipamentos de pesca (Godø, 1998), com métodos de modelagem e simulação da efetividade

de desenhos amostrais para o cálculo de densidades médias (Canales & Arana, 2009) apresenta-

se como ponto de partida para abordar os problemas supracitados e, adaptar o método de “área

varrida” aos dados pesqueiros gerados pela frota comercial.

Nesse sentido, a análise combinada das estratégias econômicas e sociais utilizadas pela

frota comercial, e biológicas, adotadas pelos organismos em seu habitat natural, pode revelar

o potencial dos dados gerados por observadores à bordo das embarcações de pesca industrial

para subsidiar avaliações diretas de biomassa das populações naturais submetidas a este tipo de

monitoramento, substituíndo os onerosos cruzeiros científicos comumente utilizados para este

fim.

Desta forma, a ideia de se estimar a abundância de recursos demersais com base em dados

gerados à bordo de embarcações comerciais de pesca leva a uma série de perguntas específicas,

tais como: qual o viés proveniente de distintos desenhos amostrais implementados para este

fim? Existe a possibilidade de aplicação deste método de estimação com base em dados gerados

por observadores a bordo da frota comercial de pesca? Qual o erro amostral em se utilizar

este tipo de informação para subsidiar estimativas de biomassa com esta abordagem? Existe

uma maneira matemática ou estatística para amenizar tais erros? Essas informações podem

subsidiar medidas de ordenamento pesqueiro com segurança e confiabilidade? Qual a relação

custo-benefício em manter estimativas de biomassa de recursos demersais com base em dados

levantados à bordo da frota comercial de pesca em relação à cruzeiros científicos? Em virtude

destas perguntas, esta proposta visa explorar as informações levantadas, historicamente, pelos

programas de monitoramento a bordo das embarcações de pesca comercial de arrasto no sudeste

e sul do Brasil, visando o desenvolvimento de um método de avaliação direta da abundância de

6
estoques marinhos, de baixo custo e suficientemente célere, confiável e eficaz para subsídiar

informações cruciais, não apenas para a gestão pesqueira, mas também, como indicador da

resposta do ambiente marinho frente as mudanças climáticas observadas contínuamente neste

último século, e as demais adversidades as quais este ambiente está submetido (i.e. exploração

petrolífera; poluição antrópica; mudanças climáticas). Adicionalmente, busca-se comparar a

ferramenta acima com programas científicos de avaliação de biomassa observando a relação

custo-benefício desta alternativa em proporcionar subsídios para tomada de decisão no que se

refere à futuras linhas de ação pautadas no monitoramento contínuo dos estoques e do ambiente

marinho.

7
2 OBJETIVOS

2.1 Objetivos Gerais

Avaliar a relação custo benefício de avaliações de abundância de recursos pesqueiros de-

mersais por intermédio de uma adaptação do método de “área varrida”, utilizando como base

informações coletadas por observadores à bordo de embarcações de arrasto industrial atuantes

no sudeste e sul do Brasil.

2.2 Objetivos Específicos

a) Conhecer o viés associado a distintos métodos amostrais, incluíndo aqueles semelhantes

às estratégias de distribuição dos lances comerciais da frota, sobre populações simuladas

com diferentes características de distribuição de densidades e sob efeitos de perturbações

no “n” amostral;

b) Desenvolver um método amostral que permita estimar, com nível aceitável de precisão,

a abundância dos recursos demersais a partir de dados gerados a bordo das operações

comerciais;

c) Testar a aplicabilidade do método desenvolvido avaliando a abundância de três esto-

ques demersais habitantes da plataforma e talude continental do sudeste e sul do Brasil,

sendo eles: peixe-sapo (Lophius gastrophysus), merluza (Merluccius hubbsi) e abrótea-

de-fundo (Urophycis mystacea);

d) Avaliar o custo benefício em termos de eficiência, precisão e valor da aplicação do método

de “área varrida” para estimativas de biomassa de recursos demersais tecendo uma com-

paração entre diferentes estratégias de coleta de dados.

8
3 MATERIAIS E MÉTODOS

3.1 Área de Estudo

De modo a tecer um comparativo com estimativas de biomassa de recursos demersais por

área varrida anteriormente realizadas no Brasil, a área de estudo utilizada no presente trabalho,

tanto para as simulações virtuais quanto para as aplicações sobre os dados da frota pesqueira foi

baseada na área utilizada pelas prospecções do REVIZEE - Score Sul (Avaliação do Potencial

Sustentável de Recursos Vivos da Zona Econômica Exclusiva) (Haimovici et al., 2008).

Esta área está localizada entre as latitude de 23◦ 05’S e 34◦ 34’S e entre 100 e 600 m de

profundidade; totalizando aproximadamente, 134.724 km2 (Figura 1). Similar ao utilizado em

Haimovici et al. (2008), para o caso particular das simulações virtuais, tema que será melhor

abordado no item 3.3.1, a área total ainda foi dividida em 4 sub-áreas configuradas da seguinte

forma: área A → 34◦ 34’S à 31◦ 30’S; área B → 31◦ 30’S à 28◦ 30’S; área C → 28◦ 30’S à

25◦ 30’S e área D → 25◦ 30’S à 23◦ 05’S (Figura 1).

Figura 1: Área de estudo e suas sub-divisões latitudinais (ou estratos) utilizadas somente nas simulações
das populações virtuais.

9
 Em termos morfológicos, a margem continental da região sudeste e sul do Brasil é con-

siderada ampla, com área aproximada de 1.155.000 km2 . Esta distingui-se das demais regiões

por sua regularidade e monotonia na representação do relevo sob a plataforma, talude e sopé

continental (Zembruscki et al., 1972). A plataforma continental possui uma transição morfoló-

gica suave em direção ao talude, apresentando declividades menores que 2 m/km (Batista Neto

& Silva, 2004; Amaral et al., 2004). A região sudeste e sul é marcada ainda, por duas zonas

distintas: o Embasamento São Paulo e a Bacia de Pelotas, que possui uma largura média de

150 km (variando entre 210 km na foz do rio Iguape (SP) à 90 km frente ao Cabo de Santa

Marta (SC)) (Zembruscki et al., 1972). O talude continental tem características progradantes,

com interrupções por presença de cânions submarinos ou por zonas de intenso ravinamento

e erosão, interrompidas pelo terraço de Rio Grande (RS) associado à erosão por correntes de

fundo (Batista Neto & Silva, 2004).

Conforme Figueiredo & Madureira (2004), nesta região há uma predominância de lamas na

área sul de Cabo Frio, principalmente nas porções mais profundas que 100 m, com surgimento

de formações arenosas ao longo do talude. Na plataforma média e interna são encontradas áreas

com presença de areias finas e muito finas, principalmente ao sul do Rio de Janeiro, onde este

sedimento é intercalado com material mais grosseiro (areias grossas e cascalhos).

Quanto a distribuição vertical das massas d’água, a área de estudo apresenta o domínio de

águas quentes (< 20◦ C) e salinas (> 36,4) nos primeiros 200 m da coluna d’água, fluindo em

direção sul, caracterizando a presença da Água Tropical (AT), essas águas ocorrem na porção

superior da Corrente do Brasil. Entre os 200 e 750 m, a temperatura (6◦ - 20◦ C) e a salinidade

(34,6 - 36,0) são características da Água Central do Atlântico Sul (ACAS), também fluindo

em direção sul, entretanto, numa posição inferior à Água Tropical. A partir dos 750 m de

profundidade, observa-se uma sucessão pela Água Intermediária Antártica (AIA) (3◦ - 6◦ C e

34,2 - 34,6), que se estende até a isóbata de 950 m (Almeida, 2001).

10
3.2 Fonte dos Dados

As informações utilizadas nas análises presentes neste estudo foram provenientes de duas

estratégias diferentes; a primeira baseada na simulação das densidades de duas populações vir-

tuais de peixes distribuídas sobre a respectiva área de estudo, apresentando concentrações por

km2 , agregações latitudinais e biomassa total distintas. O procedimento para simulação das

populações virtuais será descrito na próxima seção.

A segunda estratégia foi concentrada na utilização das informações geradas pelo programa

de observadores de bordo PROA (Programa de Observadores de Bordo da Frota Arrendada),

que em 2006 foi incorporado ao Programa Nacional de Observadores de Bordo (PROBORDO)

através do ato normativo SEAP/PR-MMA n.◦ 1, de 26 de setembro do referido ano. Ambos

os programas foram executados pelo Grupo de Estudos Pesqueiros - GEP, da Universidade do

Vale do Itajaí – UNIVALI, no âmbito de convênios de cooperação técnico-científica celebrados

entre essa universidade e o Governo Federal1 .

Visto o interesse em tecer um comparativo com estimativas de abundância de espécies de-

mersais já realizadas no Brasil com dados provenientes de arrastos-de-fundo, as análises da

segunda etapa deste estudo concentram-se sobre as informações da frota estrangeira de arrasto

de fundo, compreendidas entre os anos 2000 e 2009, totalizando 136 viagens e quase 26 mil

lances de pesca (Tabela 1).

3.3 Análise de Dados

Todas as análises estatísticas e geoestatísticas desenvolvidas neste estudo foram executadas

através do software R 2.15.0 (R Development Core Team, 2012), de código aberto e distribuição

gratuíta, com auxílio dos pacotes survey (Lumley, 2010) e sampling (Tillé & Matei, 2012) para

as implementações e análises dos desenhos amostrais complexos, do pacote geoR (Ribeiro Jr.

& Diggle, 2001) para o ajuste dos modelos geoestatísticos e dos pacotes MASS (Venables & Ri-
1 Convênios MA/SARC/03/2000; MAPA/SARC/DPA/003/2001; MAPA/SARC/DENACOOP/176/2002;
SEAP/PR/001/2003; SEAP/PR/078/2004; SEAP/PR/064/2005; SEAP/PR/027/2007; MPA/039/2009

11
Tabela 1: Número de embarcações estrangeiras que operaram com observadores de bordo à bordo
durante o perído de 2000 à 2009, bem como os respectivos dados de esforço amostral em número de
viagens e lances.

Ano Número de Embarcações Número de Viagens Número de Lances

2000 1 2 223
2001 6 13 1.959
2002 11 35 4.329
2003 3 13 2.863
2004 4 8 1.682
2005 6 31 6.735
2006 3 16 3.671
2007 2 11 2.490
2008 2 5 1.412
2009 2 2 460
Total geral 17 136 25.824

pley, 2002) e tweedie (Dunn, 2012) para implementação e ajuste dos modelos com distribuição

Tweedie. Todos os mapas e gráficos foram confeccionados com adaptações dos pacotes Lattice

(Sarkar, 2008) e ggplot2 (Wickham, 2009).

3.3.1 Simulação de densidades das populações virtuais

A fim de verificar o comportamento das estimativas de biomassa global determinada com

base em desenhos amostrais e métodos distintos de estimação decidiu-se simular duas popula-

ções de peixes hipotéticas, com distribuições espaciais, estratégias de concentração por área e

tamanhos populacionais diferentes.

As densidades simuladas para as duas populações “virtuais” foram baseadas em distribui-

ções reais de organismos demersais capturados na plataforma continental e talude do sudeste

e sul do Brasil. Estas virtualizações foram geradas com auxílio de distribuições normais mul-

tivariadas concatenadas buscando aproximar-se o máximo possível de dois casos distintos: (i)

uma população de peixes com grande variação das densidades por km2 e picos de grandes den-

sidades em distintos pontos da área de estudo simulada, bem como, uma biomassa total con-

sideravelmente grande, e; (ii) distribuição de uma população de peixes com alta concentração

em um ponto especifíco da área de estudo com redução gradativa variando latitudinalmente,

12
baixa variação das densidades por quilômetro quadrado e biomassa global relativamente pe-

quena (Figura 2).

Figura 2: Populações de peixes simuladas virtualmente. Lado esquerdo: População 1 - alta biomassa
global, alta variabilidade nas densidades por km2 e pontos de concentração distribuídos por toda área.
Lado direito: População 2 - biomassa global relativamente menor, baixa variabilidade nas densidades
por km2 e concentração marcada ao sul da área de estudo.

Assim como em Canales & Arana (2009), as densidades simuladas para cada população

foram dependentes da posição geográfica definida por LL = (Latitude; Longitude), considerando

ainda, um vetor de médias (µ) para definição das altas concentrações, ou hotspots e uma matriz

variância-covariância (∑) com simetrias positivas (n) definindo a dispersão ao redor do vetor de

médias µ. Sendo a função de probabilidade normal multivariada expressada por:

1 1
f (LL|µ, ∑) = ∗ exp(− (LL − µ)T ∗ ∑ −1 ∗ (LL − µ)) (1)
(2π) − 2n ∗|∑|− 21 2

Os valores de densidades resultantes da equação anterior, foram re-escalonados para pro-

porções variantes entre 0 e 1, que por sua vez, foram multiplicadas por escalares que repre-

sentavam a biomassa global de cada uma das populações virtualizadas - 20.000.000 kg para

população 1 e 5.000.000 kg para população 2.

13
3.3.2 Avaliação do efeito dos distintos desenhos amostrais sobre as estimativas diretas de

abundância das populações simuladas

3.3.2.1 Desenhos amostrais implementados

Os desenhos amostrais implementados sobre ambas populações buscaram simular padrões

e estratégias utilizadas comumente em cruzeiros de pesquisa com o objetivo de estimar a abun-

dância de recursos pesqueiros demersais por intermédio de redes de arrasto. Adionalmente,

buscou-se também recriar desenhos amostrais que se aproximassem dos padrões de operação

da frota comercial de arrasto, comumente enviesados e destinados a operar, na maioria das

vezes, sobre as altas densidades das espécies que desejam capturar, ou das espécies de maior

interesse econômico. Assim sendo, a unidade de investigação neste estudo foi padronizada para

ser o lance de pesca, convencionado como um arrasto com dimensões de 1 x 1 km (ou 1 km2 ).

Desta forma, foram implementados sobre ambas populações virtualizadas anteriormente e

em um ambiente controlado, sem efeito de nenhuma outra fonte de vício (e.g. variações na

eficiência das redes e na determinação da área efetivamente amostrada pelas mesmas), diferen-

tes desenhos amostrais. Estes planos consistiram em: (i) Amostragem Aleatória Simples sem

reposição (AAS); (ii) Amostragem Estratificada (AE); (iii) Amostragem Aleatória Sistemática

(AS) e (iv) Amostragem Aleatória por Conglomerados em Dois Estágios (AA2E).

A amostragem aleatória simples (AAS) foi considerada neste estudo como a amostragem

padrão, totalmente aleatória e livre de efeitos induzidos por quaisquer decisões a priori, ou

conhecimento pretérito sobre a distribuição das espécies-alvo das estimativas. De forma a si-

mular os métodos comumente utilizados em cruzeiros científicos dirigidos para estimação da

biomassa de recursos demersais com redes de arrasto foram implementadas três estratégias dis-

tintas: a) uma amostragem estratificada (AE) considerando dois níveis de estratificação: um

considerando as áreas descritas na seção 3.1 e outro considerando 5 faixas batimétricas dis-

tribuídas de 100 em 100 m, entre as isóbatas de 100 e 600 m de profundidade (100 a 200 m;

14
201 a 300 m; 301 a 400 m; 401 a 500 m e de 501 a 600 m), e; b) uma amostragem aleatória

sistemática (AS).

Com o fim de recriar o padrão utilizado pela frota pesqueira de arrasto foram implemen-

tados dois desenhos amostrais baseados em amostragens por conglomerados em dois estágios

(AA2E). Em ambos os casos, os estágios amostrais foram considerados como sendo: os fun-

dos de pesca (“m”) e os lances de pesca (“n”) selecionados dentro dos respectivos m fundos de

pesca previamente escolhidos na primeira etapa deste processo amostral. Deste modo, a área

de estudo foi sub-dividida em 60 fundos de pesca possiveis de serem amostrados, configurados

latitudinalmente por intervalos iguais de 1 x 1◦ S e longitudinalmente pelas isóbatas de 100, 200,

300, 400, 500 e 600 m de profundidade (Figura 3).

−23.0 ●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●●
●●
●
●●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●●●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
−23.5 ●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●●
●
●●●
●
●●●
●●
●●
●●
●
●●●
●
●●●
●●
●
●●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●
●●
●●
●●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●●●
●
●●
●●
●●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
● ●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●●
●
●●
●
●●
●●
●
●
●●
●
●
●●
●
●●
●●●
●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●●
●
●●●
●
●●●
●●
●●
●●
●
●●●
●
●●●
●●
●
●●
●●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●●
●
●●
●
−24.0 ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●●●
●●
●
●●
●
●●
●●
●
●
●
●
●●●
●
●●
●
●
●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●●
● ●
●
●●
●●
●
●
●
●
●
●●
●●
●
●
●●●
●●
●
●●
●
●●
●
●●●
●●
●●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●●●
●●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●●●
●●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
lat

●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●●
●●
●●
●
●●●
●
●●●
●
●
●
●●
●
●●
●●
●
●
●●
●
●●
●
●●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
−24.5 ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●●
●
●●
●●
●●
●
●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●

●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●●●
●
●●
●
●
●●●
●
●
●
●
●●●
●
●
●●
●●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●
●●
●●●
●
●
●
●
●●
●●
●●
●●
●●
●
●
●
●●
●
●●
●●
●
●●●
●
●
●
●●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●●
●●
●
●
●
●●●
●
●●
●●●
●
●
●
●
●
●●
●●
●●
●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●●●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●●
●●
●●
●
●
●
●●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●
●●
●●
●●
●
●
●
●●
●●
●●
●●
●●
●
●●
●
●
−25.0 ●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●

●●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●●
−25.5

−26.0

−46 −45 −44 −43 −42

long

−21

−23

BRASIL D
−25

−27 C
Latitude (°)

−29

B
−31

−33 A
25 m
100 m
−35 600 m
1000
m

−37
−54 −52 −50 −48 −46 −44 −42 −40 −38

Longitude (°)

Figura 3: Marcação da área de estudos e a respectiva divisão dos fundos de pesca estabelecidos para
compor as amostragens por conglomerados em dois estágios

O primeiro desenho amostral por conglomerados em dois estágios considerou uma expec-

tativa de que a frota comercial possui uma tendência de operar sobre áreas ou fundos de pesca

que apresentam grandes concentrações de sua espécie-alvo ou de interesse momentâneo dando

15
origem a um procedimento de AA2E com probabilidades desiguais na seleção de fundos de

pesca “m”(primeiro estágio). Para tal, assumiu-se que a frota comercial de arrasto tende a acer-

tar as áreas que concentram grandes densidades de sua espécie de interesse em 70% de suas

viagens de pesca. Em contrapartida, cada lance “n” realizado dentro de cada fundo de pesca

“m” tem chances iguais de obter êxito (captura abundante) e de fracasso (captura escassa). Por

fim, foi implementada também uma amostragem por conglomerados em dois estágios com pro-

babilidades iguais sobre a escolha dos fundos de pesca, assumindo que a frota possui chances

similares de escolher uma área de pesca com densidades altas ou baixas.

Cada um destes desenhos amostrais, para cada uma das populações simuladas, foi ainda

perturbado em termos de lances de pesca (“n”), e nos casos particulares das amostragens por

conglomerados em dois estágios, receberam interferências também no número de fundos de

pesca (“m”) selecionados. As perturbações no “n” variaram de 100 à 1000 lances, a um passo

incremental de 100 lances de pesca, já para as AA2E, os “m” fundos de pesca variaram entre

5 e 50, incrementando de 5 em 5 fundos selecionados. Em suma, foram implementados, con-

siderando as duas populações virtuais, 480 desenhos amostrais distintos.

3.3.2.2 Expansões baseadas nos princípios da amostragem

O interesse principal do presente estudo é conhecer o parâmetro τ, aqui consensuado como

sendo a biomassa global das espécies-alvo das estimativas em toda área de estudo, e sua vari-

abilidade em relação ao esforço e desenho amostral empregada dado uma variável Y de interesse

e descrição da população (captura por unidade de área). Desta maneira, a biomassa total esti-

mada por cada desenho amostral adotado (e dentro desta, de cada nível de esforço amostral) foi

confrontada com as biomassas globais conhecidas para cada população e a diferença (ou “ví-

cio”) assumida como indicador de desempenho. Em termos gerais, um levantamento amostral

introduz algum tipo de erro, que pode ser resumido na diferença entre o valor observado na

amostra e os parâmetros de interesse na população (Bolfarine & Bussab, 2005), como se trata

16
de uma simulação com parâmetros populacionas conhecidos, torna-se mais fácil tecer tais com-

parações entre as estimativas populacionais que se deseja calcular e os valores reais assumidos

pela população.

A seguir são apresentados os estimadores populacionais da biomassa total (ou global) e seus

respectivos estimadores de variância para cada uma das estratégias de amostragem utilizadas.

Todas as estratégias empregadas neste estudo, bem como seus estimadores populacionais, foram

baseados na literatura clássica de princípios de amostragem (vide Bolfarine & Bussab (2005);

Kish (1965); Cochran (1963)).

Amostragem Aleatória Simples sem reposição (AAS) - o estimador da biomassa total τ, para

uma população finita Y1 ,Y2 , ...,YN foi dado por:

N n
τ(AAS) = ∗ ∑ Yi (2)
n i=1

onde, N é a dimensão total da área de estudo, n é a área total amostrada e Yi é a captura no i-

ésimo lance, com área de 1 km2 , realizados e considerados na amostra. E variância do estimador

τ (σ 2 ) estimada como segue:

n
1 N −n
s2(AAS) = ∗ ∑ (Yi − y)2 ∗ (3)
n − 1 i=1 N −1

onde, s2 é a variância amostral, y a média amostral e n a área amostrada. A estimativa da vari-

ância populacional (σ 2 ) pode ser estimada pela variância amostral (s2 ) que é um estimador não

viesado de σ 2 .

Amostragem Estratificada (AE) - aqui considerando tanto a estratificação por área, quanto

por profundidade, sendo assim o estimador da biomassa total τ foi dado por:

H H Nh H
τ(AE) = ∑ τh = ∑ ∑ Yhi = ∑ Nhyh (4)
h=1 h=1 i=1 h=1

17
de modo que Nh é a área total do estrato h e yh é a média estimada para cada um dos h estratos

cálculada conforme a equação a seguir:

1 nh
µ(h) = Y h = ∑ Yhi (5)
nh i=1

onde Yhi é a captura amostrada no lance i, com área padronizada de 1 km2 , dentro do estrado h.

O estimador não viesado da variância populacional foi dado seguindo a fórmula abaixo:

H
2 s2
σAE = ∑ Nh2 nh (6)
h=1

com s2 estimado da seguinte maneira:

1 NH N −n
s2h = ∑ (Yhi − µh )2 ∗ (7)
Nh − 1 i=1 N −1

Amostragem Sistemática (AS) - esta técnica pode ser considerada uma variação da amostragem

aleatória simples, desde que sua aplicação seja realizada sobre uma população ordenada a ponto

de que cada um dos elementos da população seja identificado pela sua posição, com processo

de seleção dermarcado por um intervalo “k” fixo e o primeiro evento sorteado aleatoriamente

(Thomas, 1991). Uma vez estas premissas satisfeitas, o estimador total não viesado segue des-

crito conforme a equação a seguir:

n
τ(AS) = k ∑ Yi (8)
i=1

de modo que k é o passo ou intervalo entre as amostras e Yi são as i medidas retiradas da po-

pulação. No caso do estimador de variância não viesado, Scheaffer et al. (1996) relatam que

este não pode ser estimado com base em um único processo de amostragem sistemática sobre a

mesma base de dados. Entretanto, assumindo que a população alvo do processo amostral está

18
distribuída aleatoriamente, não existe tanto problema em assumir como estimador de variância

de uma amostragem sistemática o mesmo estimador utilizado pela amostragem aleatória sim-

ples (equação 3) (Bolfarine & Bussab, 2005).

Amostragem por Conglomerados em Dois Estágios (AA2E) - como o intuito do emprego

deste desenho amostral é de recriar o padrão da frota pesqueira e o efeito de uma amostragem

com maiores chances de selecionar fundos de pesca que apresentem altas densidades, ambos

desenhos amostrais, com probabilidades iguais e desiguais, utilizaram os mesmos estimadores

populacionais, sendo o estimador do total populacional dado por:

Mh H
τ(AA2E) = ∑ Yh (9)
mh h=1

de modo que, Y h é a média estimada para o h-ésimo fundo de pesca amostrado, M o total de

fundos existentes na população e m o número de fundos de pesca pertencentes na amostra. A

média de cada h-ésimo fundo de pesca selecionado pode ser estimada por:

Nh Nh
Yh = ∑ yhi = Nhyh (10)
nh h=1

onde Nh é a área total do h-ésimo fundo de pesca, nh é a área amostrada no fundo h e yhi são as

i medidas amostradas em cada fundo h selecionado anteriormente. O estimador de variância é

dado por:

mh 2
M
Mh − mh s2h Mh Nhp − nhp shp
V(AA2E) = ∑ V (Yh) ← V (Yh) = Mh2( Mh
) +
mh mh
2
∑ Nhp (
Nhp
)
nhp
(11)
h=1 p=1

de forma que, s2h consiste na porção da variabilidade referente à variância entre os h fundos de

pesca, determinada através de seguinte equação:

19
 mh Yh 2
∑ p=1 (Yh − M )
s2h = h
(12)
mh − 1

e s2hp consiste na porção da variabilidade que se refere à variância dentro do h-ésimo fundo

de pesca amostrado, descrita neste estudo por:

n
hp
∑d=1 (Yhpd − yhp )
s2hp = (13)
nhpd − 1

3.3.2.3 Expansões baseadas nos princípios da modelagem geoestatística

Considerando que os valores de densidades (y) de ambas populações virtualizadas e amostra-

dos com base em cada uma das estratégias amostrais citadas anteriormente possuem dependên-

cia espacial, e não existem repetições dos pontos xi selecionados, onde xi = (x1i , x2i ) identifica

sua localização espacial, têm-se então um vetor bidimensional de observações correlacionadas

espacialmente. Possibilitando que y seja medido, a princípio, em qualquer lugar da região estu-

dada (Diggle & Ribeiro Jr., 2007).

Por definição, um modelo geoestatístico pode ser especifícado por: [S,Y ] = [S][Y |S], em que:

Y (x) : x ∈ A é o processo de medida, onde a variável Y é a medida de abundância que está em

função de x pontos localizados dentro da área A ⊂ ℜ2 . Deste modo, se o processo anterior é

um processo estocástico, representado por S(x), então pode-se assumir que S = S(x) : x ∈ ℜ2

é um processo gaussiano com média µ, variância σ 2 e função de correlação φ (u), sendo u a

distância entre pares de observações (Diggle & Ribeiro Jr., 2007; Gaetan & Guyon, 2010). Em

consequência, as observações de Yi podem ser consideradas um versão com ruído de S(xi ) para

um conjunto de localizações xi . Desta forma, a função que descreve os parâmetros do modelo

do campo Gaussiano aleatório é especificado por:

20
 Y (x) = µ(x) + S(x) + ε (14)

onde, Y segue uma distribuição gaussiana, x define a localização espacial pertencente aos ℜ2 ,

µ(x) é o componente média do modelo, que pode ser fixo ou móvel conforme a tendência es-

pacial observada nos dados, S(x) é o processo Gaussiano estacionário com variância σ 2 (“Pata-

mar”) e função de correlação parametrizada na forma de φ (“Alcance”). Adicionalmente, a

função de correlação pode ser atribuída de parâmetros extras, tais como, um parâmetros de

suavização k (“kappa”) e parâmetros de anisotropia. E o ε é o termo do erro com parâmetro de

variância τ 2 (“Efeito pepita”) (Diggle & Ribeiro Jr., 2007). Para o caso de um conjunto finito

de pontos, o vetor Y segue uma distribuição gaussiana multivariada.

Para garantir uma aproximação dos dados de densidade Y no espaço x à uma distribuição

livre de heteroscedasticidade, ou seja, buscar a normalidade dos dados em questão, foi im-

plementada uma adaptação simplificada da transformação de Box-Cox (Box & Cox, 1964),

conforme descrito abaixo:

(Y λ − 1)
Y (λ ) = (15)
λ

para tal, dois casos particulares foram considerados:

λ = 0 → indica uma transformação logaritmica;

λ = 1 → nenhuma transforção empregada.

Por conseguinte, para cada um dos desenhos amostrais implementados sobre cada uma das

populações virtualizadas foram ajustados quatro modelos distintos para estimar os parâmetros

da função de correlação espacial para os dados de densidade. Por assumir uma condição de

covariância estacionária C(h) = C(0) − γ(h), os modelos podem ser apresentados na forma de

variogramas, delimitados pelos parâmetros: alcance (a > 0) e patamar (σ 2 ) conforme exposto

a seguir:

21
Modelo Gaussiano - (Gau) - este modelo, segundo Pannatier (1996), é comumente utilizado

para modelar fenômenos contínuos, sendo descrito pela seguinte fórmula:

γ(h; a,σ 2 ,α) = σ 2 (1 − exp(−(||h||/a))α ), se 0<α ≤2 (16)

Modelo Exponencial - (Exp) - esse modelo tem por característica atingir o patamar (σ 2 ) as-

sintoticamente e seu alcance (φ ) definido facilmente quando a distância atinge 95% do parâmetro

patamar (σ 2 ) subtraído do efeito pepita (τ 2 ) (Isaaks & Srivastava, 1989).

γ(h; a,σ 2 ) = σ 2 (1 − exp(−||h||/a)), se h≥0 (17)

Modelo Esférico - (Sph) - o modelo esférico se destaca por seu comportamento linear para

pequenos valores de h, sendo descrito pela equação condicionada da seguinte forma:


3
 σ 2 [1.5( ||h|| ) − 0.5( ||h|| )], se ||h|| ≤ a

a a
γ(h; a,σ 2 ) =
(18)
σ 2 , se ||h|| > a



Modelo Matérn - (Mat) - modelo este que permite a incorporação do parâmetro de suaviza-

ção κ que é uma modificação da função original de Bessel.

21−v
γ(h; a,σ 2 ,v) = σ 2 (1 − (||h||/a)v κ(||h||/a)), se h≥0 (19)
Γ(v)

A estimação dos parâmetros dos modelos geoestatísticos foi realizada por intermédio de

dois métodos distintos: (i) o método dos mínimos quadrados ponderados (WLS) e o (ii) método

de máxima verossimilhança.

O método dos mínimos quadrados ponderados consiste na minimização dos quadrados pon-

derados pelo número de pares de pontos amostrais que contribuem para a semivariância esti-

mada a cada passo de distância realizado. Esta ponderação é dada pelo vetor de parâmetros θ

22
que minimiza a expressão a seguir (Cressie, 1993):

m
W LS(θ ) = ∑ n(hi )[γ̂(hi ) − γ(hi ,θ̂ )]2 (20)
i=1

em que, h é a distância para qual a semivariância foi calculada, n(hi ) é o número de pares

utilizados no cálculo da semivariância, m é o número de pontos que compõe o semivariagrama,

γ̂(hi ) é o valor da semivariância estimado para o ponto h, θ̂ são os parâmetros (σ 2 , φ , τ 2 )

estimados para o modelo em questão e γ(hi , θ̂ ) é o valor do semivariograma ajustado com base

nos parâmetros θ .

A estimação dos parâmetros de campos gaussianos aleatórios pelo método de máxima ve-

rossimilhança requer alguns pressupostos ligados a distribuição do processo. De modo que, o

vetor de observações Z, dado por Z(s1 ), Z(s2 ), ..., Z(sn ), deve assumir uma distribuição Z(s) ∼

G(µ, ∑(θ )), sendo assim, a função de verossimilhança consiste na maximização do logaritmo

da distribuição normal multivariada.

1
L(µ,θ ) = − ln(| ∑(θ )|) + n ln(2π) + (Z(s) − 1µ)0 ∑(θ )−1 (Z(s) − 1µ) (21)
2

Embora sejam utilizados constantemente para ajuste de modelos em estatística, muitas vezes

considerados mais seguros que os ajustes por mímimos quadrados, o estimador de máxima

verossimilhança para ajuste de modelos geoestatísticos requer uma configuração computacional

bastante robusta, sendo este um considerável limitante para o processo dependendo do tamanho

da matriz de covariância.

A comparação entre os modelos ajustados para cada desenho amostral implementado sobre

cada população virtualizada foi realizado através dos critérios de informação de Akaike (AIC)

e de Bayes (BIC) (Schwarz, 1978). O modelo que registrou o menor valor de AIC/BIC foi

selecionado para predição.

O método de predição utilizado neste estudo é tipicamente conhecido como “krigagem”

simples. Este procedimento consiste na utilização de um preditor linear dado pela seguinte

23
relação:

−1
ρ(z; s) = µz + σ 2 r0 ∑(z − µ) (22)

onde a esperança condicional do processo para as localizações não observadas na amostra está

condicionada à todos os valores observados, sendo o preditor de krigagem simples dado pela

minimização do erro quadrático médio. E a acurácia da estimativa pontual pode ser verificada

pelo erro quadrado da predição (Andriotti, 2003).

σi2 = E(Zs − ρ(z; s))2 (23)

Adicionalmente, foram implementadas análises gerais dos comportamentos dos resíduos

com intuito de diagnosticar os modelos ajustados, bem como, todas as predições e suas respec-

tivas variâncias foram mapeadas.

3.3.3 Implementação do método de área varrida para estimativa de biomassa de recursos

demersais com base em dados coletados por observadores à bordo de embarcações

comerciais de arrasto

3.3.3.1 Análise exploratória

Como o intuito desta etapa do trabalho é de avaliar a biomassa de recursos demersais com

base no método de área varrida tendo sua expansão baseada em modelos geoestatísticos, foram

selecionadas três espécies capturadas pela frota de arrasto de fundo arrendada, sendo elas: (i)

o peixe-sapo (Lophius gastrophysus); (ii) a abrótea-de-profundidade (Urophycis mystacea), e;

(iii) a merluza (Merluccius hubbsi). Estas espécies foram estrategicamente selecionadas pois já

foram alvos de estimativas de abundância similares no Brasil anteriormente (Haimovici, 2007;

Haimovici et al., 2008) possibilitando a comparação das abundâncias totais estimadas para cada

espécie.

24
 Por se tratar de uma frota que, ao longo de sua estada operando em águas brasileiras, passou

por diferentes estágios de explotação de recursos pesqueiros, com fases direcionadas à cap-

tura de peixes demersais e posteriormente à captura de camarões-de-profundidade (Perez et al.,

2009a; Dallagnolo, 2008) foi necessário identificar o período aproximado em que esta frota se

direcionou especificamente sobre estes recursos, a fim de reduzir as possiveis interferências so-

bre os processos amostrais por interesse ou direcionamento do petrecho de pesca e estratégia

de operação para produção de outros recursos demersais. Para tal, foi estimada a proporção de

lances com capturas positivas das principais espécies-alvo desta frota ao longo do período de

2000 à 2009, sendo selecionados para as análises os períodos com maior participação das três

espécies-alvo deste estudo.

Uma vez identificados os períodos a serem utilizados nas análises de biomassa das três es-

pécies, foi necessário identificar outros padrões e estratégias de operação da frota, tais como,

profundidades de operação, velocidade de arrasto, distância arrastada e área arrastada (ou área

varrida pela rede). Com este objetivo, foram construídas distribuições de frequência para cada

uma das variáveis anteriores. Estas servirão também para observar os padrões nos dados, bem

como, para remoção de possíveis informações discrepantes. Adicionalmente, e de suma im-

portância para compor os cálculos de densidade por área varrida, foram examinados os tipo de

redes utilizadas por cada embarcação, em termos de comprimento da tralha superior e tamanho

da malha no ensacador da rede. Estes foram contrastados entre si a fim de identificar diferenças

nos principais componentes das redes que podem influenciar nas estimativas por área varrida.

Esta mesma abordagem foi utilizada por Dallagnolo (2008) para definição das estratégias de

pesca desta frota no período em que a mesma operou sobre os camarões-de-profundidade.

3.3.3.2 Cálculo das densidades por área varrida

As densidades por área varrida para cada uma das três espécies (Lophius gastrophysus,

Urophycis mystacea e Merluccius hubbsi) selecionadas neste estudo foram estimadas para cada

25
lance comercial de pesca através do método clássico proposto por Saville (1978). Assim sendo,

para cada lance de pesca foram estimadas as densidades de cada espécie conforme as equações

a seguir:

Ci
Swi = Li ∗ h ∗ X2 ⇒ di = (24)
Swi

onde Swi é a área varrida no i-ésimo lance de pesca (em km2 ), Li é a distância arrastada (em

km) estimada pelo produto da velocidade de arrasto pelo tempo de arrasto; h é o comprimento

mediano da tralha superior das redes utilizadas pela frota e X2 é o coeficiente de entralhamento

da rede definido neste trabalho como sendo 0,56 seguindo o utilizado por Haimovici (2007);

Alverson & Pereyra (1969). E Ci é a captura padronizada predita por modelos lineares ge-

neralizados (MLG) visando à remoção de possíveis efeitos espaço-temporais, ambientais e de

estratégia de pesca distintas, este procedimento será melhor detalhado posteriormente, ainda

nesta seção.

As densidades estimadas anteriormente (di ) ainda foram corrigidas (dˆi ) conforme a eficiên-

cia mediana (X1 ) das redes de pesca para cada uma das espécies estudadas.

dˆi = di /X1 (25)

As eficiências que compuseram o coeficiente mediano X1 foram determinadas por intermé-

dio da identificação de cenários de depleção aplicados à cada uma das três espécies, presumindo

que a eficência das redes pode ser determinada pelo quociente da fração de biomassa retida pela

rede e a biomassa existente em frente à rede (Dallagnolo, 2008). Entretanto, Gunderson (1993)

ressalta dois pontos importantes a serem considerados sobre este método: (i) que a eficiência

da rede não é constante entre o início e fim de cada lance, de forma que esta eficiência estimada

seria aproximação da eficiência real da rede, e; (ii) que a estimativa de eficiência das redes

com base na aplicação de modelos de depleção são eficazes para espécies sésseis e/ou com

capacidade de locomoção limitada.

26
 Em virtude disto, a aplicação deste método para estimar a eficiência das redes sobre as três

espécies de peixes alvo deste estudo foi implementada de maneira exploratória e com a ciência

de todas as suas implicações.

O modelo utilizado então foi o modelo de depleção de Leslie (Leslie & Davis, 1939). Este

assume uma priori de “estoque fechado”, significando que, toda variação de biomassa, em uma

pequena área geográfica e em um curto espaço de tempo, é ocasionada pela ação pesqueira

sem efeitos de entrada por recrutamento ou de saída por mortalidade natural. Desta forma em

um cenário futuro hipotético onde a abundância inicial fosse totalmente depletada pela pesca,

a captura total corresponderia a uma estimativa da abundância inicial (Leslie & Davis, 1939;

Hilborn & Walters, 1992; Gunderson, 1993). Assim sendo, para construção dos cenários de de-

pleção, a área de estudo foi dividida em sub-áreas considerando faixas de 0.5 grau de latitude e,

em um primeiro momento, os cenários foram identificados visualmente considerando cada sub-

área, ano de explotação e variações diárias entre a captura e CPUE. Posteriormente, cada um

dos cenários que apresentaram valores do coeficiente angular ( - declividade) pré-identificados,

foram submetidos à um teste de significância da inclinação da reta contra o valor 0, sendo que

todos os cenários que apresentaram nível descritivo (p-valor) inferior à 0,1 foram considerados

como cenários válidos e incorporados nas estimativas de eficiência das redes.

No modelo de depleção aplicado, a captura por unidade de esforço é a variável-resposta

e que indica a variação da abundância do estoque no cenário de depleção identificado. Esta

variável deverá diminuir em função do acúmulo das capturas resultando nos possíves cenários

de depleção, que conforme Gunderson (1993) podem ser descritos pela função regressão abaixo:

Ct
= qP1 − q(Kt ) (26)
ft

Ct
onde ft é a captura por unidade de esforço no tempo t, q é o coeficiente de capturabilidade, P1

é a abundância da população no tempo 0 e Kt é a captura acumulada até o período t. Assim

sendo, o simples quociente do intercepto da regressão (qP1 ) pela declividade (q) permite o

dimensionamento da abundância inicial P1 , e por sua vez, de X1 para cada um dos cenários.

27
 Entretanto, a captura por unidade de esforço (CPUE), como indicador de abundância de

um estoque, e por sua vez, as densidades por área varrida do mesmo, em suas formas nominais

estão sujeitas a efeitos espaço-temporais e pesqueiros tais como área, estações do ano, variações

ambientais, estratégias de pesca, etc (Shono, 2008). Na Ciência Pesqueira, estes eventos são

suavizados, comumente, pelo emprego de modelos lineares generalizados (Hilborn & Walters,

1992; Quinn & Deriso, 1999; Shono, 2008). Modelos lineares generalizados, em sua essência,

consistem na busca de relações lineares entre o valor esperado da variável preditiva Y dada pelo

vetor Y = {Y1 , . . . ,Yn } e a matrix de variáveis explicativas X, estimando seu respectivo vetor de

efeitos Θ e a distribuição dos erros da estimação definidos pelo vetor ε (Shono, 2008; Nelder &

Wedderburn, 1972).

Y = XΘ + ε, E[Y ] = µ = g−1 (XΘ), Var[Y ] = φVar[µ] (27)

onde, g(.) é uma a função de ligação conhecida; φ o parâmetro de dispersão e µ a expectativa

da variável resposta.

Desta forma, para remover os efeitos sazonais, temporais e de estratégia de pesca distinta

de cada embarcação sobre os indicadores de biomassa utilizados no presente estudo foram ajus-

tados dois modelos lineares generalizados assumindo uma distribuição Tweedie para a variável

resposta devido sua alta frequência de zeros (Shono, 2008). Sendo estes modelos descritos

conforme as equações à seguir:

(A) Captura = Embarcação + latitude + trimestre + ano + profundidade + esforço + ε

⇒ E[Y] = E[Captura] = µ = g−1 (XΘ);

(B) Captura = Embarcação + latitude + trimestre + ano + profundidade + ε, com esforço

sendo considerado como peso do modelo

⇒ E[Y] = E[Captura] = (Esforço) * µ = (Esforço) * g−1 (XΘ);

Os modelos ajustados foram comparados para cada uma das espécies através do critério de

informação de Akaike (AIC) (Akaike, 1974). Em ambos os casos decidiu-se trabalhar com a

28
Captura como variável resposta pois a mesma poderia ser utilizada livre dos efeitos acima des-

critos, tanto nos cálculos de densidade por área varrida quanto para os modelos de depleção

ajustados para estimar a eficiência das redes. Deste modo, todos os cálculos apresentados an-

teriormente nesta seção, (i.e. densidades por área varrida, captura por unidade de esforço dos

modelos de depleção) se basearam na predição da captura dada pelo melhor ajuste resultante da

padronização por modelos lineares generalizados citada acima, e sua respectiva CPUE calcu-

lada pelo simples quociente entre a captura predita por este modelo para cada lance de pesca e

o esforço observado nos respectivos lances.

3.3.3.3 Estimativa de biomassa com base nos modelos geoestatístico

Os métodos utilizados para estimação da biomassa das três espécies-alvo deste estudo por

intermédio de modelos geoestatísticos se assimilaram bastante com o procedimento apresen-

tado na seção 3.3.2.3. Entretanto, devido a base de dados para cada espécie e ano, ser consi-

deravelmente grande, e os ajustes terem sido baseados no método da verossimilhança, algumas

adaptações foram necessárias para que o procedimento fosse possível. Como visto anterior-

mente, a demanda computacional (e.g. por hardware) para implementação deste tipo de análise

é consideravelmente alta.

Assim sendo, foi necessário realizar sub-amostragens de cada espécie em cada ano, para

que a matriz de correlação espacial fosse estimada com êxito pelos computadores utilizados. De

cada uma das espécies estudadas em cada ano, foram retirados aleatoriamente e sem reposição

- através de uma amostragem aleatória simples - 500 lances de pesca espalhados por toda área

de estudo; sobre estes foi implementado um modelo geoestatístico com aproximação para cor-

relação espacial de Matérn, e por sua vez, preditos os valores para toda área, com base no

procedimento de krigagem descrito anteriormente.

De forma a incorporar às estimativas de biomassa totais e pontuais (para cada ponto x do

espaço S(x)) toda a incerteza existente em toda a base de dados, o processo anterior foi repitido

29
50 vezes para cada uma das três espécies analisadas em cada ano, gerando 50 estimativas distin-

tas de biomassa total, densidades pontuais e incertezas da predição. Sendo assim, foi possível

estimar uma biomassa global mais acurada com base na média dos 50 processos, bem como a

variância em torno desta estimativa.

3.3.4 Análise de custo-benefício no uso do método de área varrida com base em dados

coletados por observadores na frota comercial em relação à cruzeiros científicos

Esta etapa do trabalho consistiu em tecer um comparativo dos custos para implementação

de um programa de avaliação direta da biomassa de recursos pesqueiros demersais utilizando

a metodologia proposta no presente estudo, entre diferentes perspectivas de ação; desde a re-

alização de cruzeiros cientifícos com este fim, a bordo de embarcações de pesquisa capazes

de realizar tais estudos no Brasil, passando pelos custos de arrendamento de uma embarcação

pesqueira de arrasto, disponibilizada para executar o mesmo transecto utilizado em cruzeiros

científicos com este intuito, até os custos de manutenção de um programa de observadores de

bordo acompanhando a frota pesqueira comercial em seu dia-a-dia.

Para tal, foi necessário levantar as informações de custos mensais sobre a manutenção de

embarcações de pesquisa capazes de realizar este tipo de estudo no país, sendo selecionadas as

embarcações Atlântico Sul (FURG) e Soloncy Moura (CEPSUL/MMA) como principais repre-

sentantes desta classe (Návios de pesquisa). Os respectivos responsáveis por cada uma destas

embarcações, Sr. Dr. Gonzalo Velasco Canziani e o Sr. Felipe Farias Albanez, foram contacta-

dos e responderam com prontidão a entrevista, que consistiu, simplesmente, na contabilização

de todos os custos mensais de manutenção de cada uma das referidas embarcações. O mesmo

questionamento foi feito ao Sindicato dos Armadores e das Indústrias da Pesca de Itajaí e Região

(SINDIPI), em nome do Sr. Msc. Roberto Wahrlich, que intermediou a entrevista com o ar-

mador de pesca de arrasto, Sr. Fernando Pinto das Neves, que também forneceu prontamente

as informações sobre os custos mensais para o arrendamento de sua embarcação - Corumbá

I. Os custos para manutenção de um programa de observadores de bordo foram cedidos pelo

30
Grupo de Estudos Pesqueiros (GEP/UNIVALI). Estes custos envolveram a manutenção de 3

profissionais (e.g. para a gestão dos observadores, preparação dos materiais para embarque,

digitação, conferência e organização dos dados, etc); gastos com materiais diversos e soldo dos

observadores de bordo em dias de mar (diária de mar igual à R$ 240,00).

A etapa posterior, foi criar desenhos amostrais otimizados, enxutos e capazes de respon-

der com acurácia, eficiência e baixo custo os levantamentos sobre a abundância de recursos

demersais com base na metodologia proposta neste trabalho. Esta simulação, considerou duas

estratégias distintas, uma baseada em um transecto sistemático a ser executando por cruzeiros

científicos, com 200 pontos amostrais espacialmente distribuídos pela área de estudo, e outra

baseada na atuação da frota comercial de pesca, com observadores de bordo à bordo desta

frota, com os mesmo 200 lances considerados sobre a mesma área de estudo, porém, não mais

em um transecto sistemático mas sim, respeitando a comum estratégia de atuação da frota co-

mercial de arrasto (vide seção 3.3.2). Sobre estes, foram otimizados cruzeiros (ou pernadas),

tomando como base o porto de Itajaí/SC, levando em consideração: (i) um tempo máximo

de mar ou autonomia de mar de 20 dias; (ii) um tempo médio gasto para cada arrasto de 4

horas, e; (iii) uma velocidade média de navegação de 6 nós. Adicionamente, duas outras pre-

missas foram atribuidas sob o desenho amostral que simularia a atuação da frota pesqueira: a

primeira, que esta frota se limite a realizar o mesmo número de lances dados pela simulação

utilizada por cruzeiros científicos, dentro de cada sub-área prevista em cada pernada, e que os

lances dentro de cada uma destas sub-áreas apresentem um mínimo de distribuição espacial

satisfatório (Figura 4). Devido ao comportamento observado sobre as comparações entre os

desenhos amostrais simulados no presente trabalho (vide Resultados) a estratégia acima foi a

melhor forma encontrada para executar este comparativo.

Por fim, os custos diários de manutenção de cada uma das estratégias levantadas anterior-

mente (i.e. cruzeiros de científicos com návios de pesquisa, cruzeiros científicos com návio

de pesca e programa de observadores de bordo) foram extrapolados para o tempo máximo

otimizado para realização de um cruzeiro com o intuito de estimar a biomassa de recursos

31
demersais com base na metodologia proposta neste trabalho e comparados, em termos gerais,

entre sí.

(a) Desenho amostral - Cruzeiro Científico

(b) Desenho amostral - Frota Comercial de Arrasto

Figura 4: Desenho amostral simulado para estimativa dos dias necessários para execução de cada “per-
nada”, bem como os custos envolvidos para sua execução.

32
4 RESULTADOS

4.1 Estimações em Ambiente Virtual

4.1.1 Simulações das Populações Virtuais

Como já adiantado na seção 3.3.1, as populações virtualizadas consistiram em distribui-

ções espaciais das densidades distintas, bem como em estratégias de investimento em biomassa

populacional também diferentes. A população 1 se assemelhando a uma espécie com alto in-

vestimento em biomassa, resultando em grandes populações e latitudinalmente bem distribuída

por toda área de estudo. E a população 2, já se assemelhando à um recurso mais séssil, de baixa

mobilidade, com baixo investimento em biomassa populacional e agregação mais limitada a um

ponto específico da área estudada (Figura 5)

Figura 5: Populações de peixes simuladas virtualmente. Lado esquerdo: População 1 - alta biomassa
global, alta variabilidade nas densidades por km2 e pontos de concentração distribuídos por toda área.
Lado direito: População 2 - biomassa global relativamente menor, baixa variabilidade nas densidades
por km2 e concentração marcada ao sul da área de estudo.

33
4.1.2 Expansões Baseadas nos Príncipios da Teoria de Amostragens Complexas

As expansões com base em estimadores comuns de amostragens complexas apresentaram

decaimentos significativos dos erros padrões sobre as estimativas totais para todos os desenhos

em função do aumento do eforço amostral, seja no número de lances realizados (“n”), ou no

caso dos desenhos que representavam as estratégias da frota comercial, também em função do

aumento sob os fundos de pesca visitados (“m”) (observar redução na escala do eixo y em função

do aumento nos m fundos selecionados), comportamento normal para qualquer procedimento

amostral (População 1 - Figuras 6, População 2 - Figuras 7).

1000
800
Erro padrão (t)

Erro padrão (t)

800
600
600

400 400

250 500 750 1000 250 500 750 1000

22000
Biomassa total
21000 Biomassa total
Erro padrão Erro padrão

21000
Toneladas

Toneladas

20000

20000 19000

19000 18000

250 500 750 1000 250 500 750 1000

Número de eventos amostrais (n) Número de eventos amostrais (n)

(a) População 1 - AASsr (b) População 1 - AE por área

1000
Erro padrão (t)

Erro padrão (t)

750
800

500 600

400
250
200
250 500 750 1000 250 500 750 1000

Biomassa total 22000 Biomassa total

20500 Erro padrão Erro padrão

Toneladas

Toneladas

21000
20000

20000
19500

19000
19000
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(c) População 1 - AE por profundidade (d) População 1 - AS

34
 30000
Biomassa (t) Erro padrão (t)
20000

5
10000 60000
0 40000

5
20000
10000

10
5000 30000
25000
0

10
20000
15000
9000 10000
40000

15
6000
3000 30000

15
8000 20000

6000 10000
30000

20
4000 25000

20
2000 20000
15000
6000 10000
4000 30000

25
Erro padrão (t)

2000 25000

25
20000
0

Toneladas
15000
5000
10000
4000 30000

30
3000 25000

30
2000 20000
15000
4000
3000 25000

35
20000

35
2000
15000
3000
2500 24000

40
2000

40
20000
1500
16000
1000
2250
25000
2000
22500
45

1750

45
20000
1500
17500
2000
22000
1500 20000
50

50
18000
1000 16000
14000
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(e) População 1 - AA2E com probabilidades iguais

30000
20000 Biomassa (t) Erro padrão (t)

10000
5

0 60000
−10000

5
15000 40000

10000 20000
10

60000
5000
50000
10

0 40000
10000 30000
8000 20000
15

6000 50000
4000 40000
15

2000 30000
6500
6000 20000
5500 50000
20

5000 40000
20

4500
30000
4900 20000
4800
40000
25
Erro padrão (t)

4700 35000
25

4600 30000
Toneladas

25000
4500 20000
4200
35000
30

3900
30000
30

3600
25000
3300
20000
3400
30000
35

3300
35

25000
3200
2900 20000
2800 30000
2700 27500
40

40

2600 25000
2500 22500
20000
2200 26000
45

24000
45

2100
22000
2000 20000
1650 24000
1600 23000
50

50

22000
1550
21000
1500 20000
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(f) População 1 - AA2E com probabilidades desiguais

Figura 6: População 1 - Lado esquerdo: Decaimento do erro padrão em função do aumento do esforço
amostral; Modelo loess com média suavizada (linha azul) e simulação do intervalo de confiança para
o decaimento médio do erro (sombreado cinza). Lado direito: Estimativa da biomassa global (linha
preta) e respectivo erro padrão em função do esforço (sombreado cinza). Linha vermelha corresponde a
biomassa real da população virtualizada.
35
 110
250

Erro padrão (t)

Erro padrão (t)

90
200
70
150
50
100
30
250 500 750 1000 250 500 750 1000

Biomassa total
5100 Biomassa total
5400 Erro padrão Erro padrão
Toneladas

Toneladas
5200 5000

5000 4900

4800
4800
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(a) População 2 - AASsr (b) População 2 - AE por área

250
250
Erro padrão (t)

Erro padrão (t)

200
200

150 150

100 100

250 500 750 1000 250 500 750 1000

5200 Biomassa total Biomassa total

Erro padrão 5200 Erro padrão

5100
Toneladas

Toneladas

5100
5000 5000
4900 4900
4800 4800
4700 4700
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(c) População 2 - AE por profundidade (d) População 2 - AS

6000
4000 Biomassa (t) Erro padrão (t)

2000
5

0 7500
5000
5
−2000
4000
2500
3000
12500
10

2000
10000
1000 7500
10

0 5000
2500
2500
2000
10000
15

1500 8000
15

1000 6000
1800
4000
1600
8000
20

1400 7000
1200 6000
20

5000
1000
4000
1500 3000
1250 8000
25

7000
Erro padrão (t)

1000
6000
25

750 5000
Toneladas

4000
1200 3000
7000
1000
6000
30

5000
30

800
4000
1100 3000
900 7000
6000
35

700
35

5000
500
4000
3000
800
700 6000
40

40

600 5000

4000
700
6000
600
45

45

500 5000
400 4000

450
5500
425
50

5000
50

400
375 4500
350 4000
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(e) População 2 - AA2E com probabilidades iguais

36
 6000
5000 Biomassa (t) Erro padrão (t)

4000
20000

5
3000
2000 15000

5
10000
3500
3000 5000
2500

10
2000 12000
1500

10
9000
2500 6000
2000

15
1500 12000
1000 10000

15
8000
6000
1700
13000

20
1600 11000
1500 9000

20
7000
1400 5000
10000

25
1200 9000
Erro padrão (t)

8000

25
1000 7000

Toneladas
1160 6000
5000
1120 10000
9000

30
1080
8000

30
1040 7000
6000
920 5000
910 8000
35
900
7000

35
890
880 6000
5000
740
730 7000
40

720

40
710 6000

5000
7000
590
6500
580
45

6000

45
570 5500
450 5000

440 6000
50

50
430 5500
420 5000
250 500 750 1000 250 500 750 1000
Número de eventos amostrais (n) Número de eventos amostrais (n)

(f) População 2 - AA2E com probabilidades desiguais

Figura 7: População 2 - Lado esquerdo: Decaimento do erro padrão em função do aumento do esforço
amostral; Modelo loess com média suavizada (linha azul) e simulação do intervalo de confiança para
o decaimento médio do erro (sombreado cinza). Lado direito: Estimativa da biomassa global (linha
preta) e respectivo erro padrão em função do esforço (sombreado cinza). Linha vermelha corresponde a
biomassa real da população virtualizada.

Os desenhos amostrais que buscavam simular estratégias comuns de cruzeiros científicos

apresentaram comportamento satisfatório, com estimativas próximas da biomassa real de cada

uma das populações virtualizadas, e cada vez mais acuradas quanto maior o esforço empre-

gado (e.g. com estimativas mais próximas da biomassa real e erros padrões consideravelmente

menores em função do aumento do esforço) (População 1 - Figuras 6, População 2 - Figuras

7). Quanto aos desenhos que representavam as estratégias da frota, a amostragem por con-

glomerados em dois estágios com probabilidades iguais se comportou similar ao observado

nas estratégias aplicadas para simular os desenhos amostrais utilizados em cruzeiros científicos

(AASsr, AE e AS), com estimativas próximas da biomassa real de cada espécie. Por outro lado,

37
a AA2E com probabilidade desiguais - que possivelmente, é o desenho amostral que se apro-

xima melhor das estratégia utilizadas pela frota pesqueira - essa apresentou sobre-estimativas da

biomassa total para as duas populações simuladas (i.e. com estimativas globais 3 vezes maiores

do que a biomassa real das duas populações) (vide ANEXOS).

4.1.3 Expansões Baseadas em Modelos Geoestatísticos

Em geral, todas as amostras com base nas diferentes estratégias de amostragem, para cada

uma das populações virtualizadas, necessitaram transformação para reduzir a assimetria na dis-

tribuição da variável resposta - densidade (kg/km2 ), um exemplo desta transformação segue

apresentado na Figura 8.

Ao todo, foi buscado implementar 1920 modelos distintos sobre cada uma das populações

virtualizadas, considerando 240 desenhos amostrais, 4 estruturas de distribuição para as corre-

lações espaciais (Gaussiana, Esférica, Exponencial e Matérn) e 2 considerações para variável

resposta (média fixa e média móvel), todos baseados em ajustes por máxima verossimilhança.

Entretanto, a aplicação das estruturas de correlação espacial Gaussianas para muitos dos casos

anteriomente citados não apresentaram convergência dos modelos (Tabela 2). Adicionalmente,

demandas por hardware e tempo de execução de cada modelo acabaram resultando em um

resumo no número total de modelos ajustados (Tabela 2). De maneira geral, esta aplicação re-

sumida não causou nenhum impacto sobre a aplicação e entendimento dos efeitos que variações

nas estratégias amostrais podem resultar nas estimativas totais e pontuais.

Em geral, os modelos com estrutura de correlação espacial do tipo “Matérn” foram os que

apresentaram os “melhores” ajustes para cada uma das populações analisadas em cada um dos

respectivos desenhos amostrais (vide os valores de AIC e BIC na Tabela 2 comparando-os con-

siderando a mesma população, estratégia e esforço amostral). Os modelos ajustados com es-

trutura “Gaussiana”, quando convergentes, apresentaram resultados próximos aos modelos com

estrutura “Matérn” de acordo com os critérios de informação estimados. Já os modelos “Es-

féricos” e “Exponenciais”, de acordo com os mesmos critérios, não se demonstraram bons

38
modelos para explicar a correlação espacial dos dados de densidade das espécies virtualizadas

na presente simulação. Outro ponto interessante pôde ser observado comparando os valores

dos critérios de informação, AIC e BIC, dentro da mesma população, considerando o mesmo

desenho amostral (combinação da desenho amostral e esforço utilizados) e estrutura de corre-

lação espacial “Matérn”, em função de considerações sobre as médias distintas (fixa e móvel),

para quase a totalidade destes modelos (80%) a implementação da média móvel não apresentou

melhorias no ajuste.

Como o objetivo dos ajustes por mínimos quadrados ponderados (WLS) foi apenas de ve-

rificar as diferenças nas predições em relação aos ajustes por verossimilhança, a verificação da

bondade sobre estes ajustes se deu sobre o distanciamento das predições realizadas com base

nestes modelos em relação a biomassa real das populações virtualizadas, sobre as estimações

por verossimilhança para os mesmos desenhos amostrais e as incertezas das predições.

39
 ● ●●●●
● ●●

−24

−24
● ●●● ●●
●
●● ●● ● ●
●
●
● ●
● ● ●● ●
● ● ●
●●●

−26

−26
● ●
● ● ● ●
●● ● ● ●
● ● ●
● ● ●
● ● ● ●
●
● ● ●
● ●●
● ●●

−28

−28
●

Y Coord
● ● ●
Y Coord ●● ●
●
● ● ●
● ● ● ●
● ●
●
−30

−30
● ● ●
● ● ● ● ●
●
● ● ●
●● ● ●●
● ●●
●
● ●● ●● ●●
●● ●
●
● ●
−32

−32
●
●

●
−34

−34
● ●

−52 −50 −48 −46 −44 −42 50 100 150 200 250
X Coord data

●
● ●
250

0.006
●
● ●
200

● ●
●●●
●●●

0.004
● ● ●
● ● ●

Density
●
data
150

● ● ●
●
●
●
● ● ● ●●
●
● ● ●
● ●●
● ●● ●
●
● ● ● ●
100

● ●● ●

0.002
● ● ●
● ●● ● ●
● ●● ●
● ● ●
● ●
● ● ●
●●● ●
● ●
●
●●●
● ●
50

●
●● ●
● ● ●
● ● ●
● ●
●
0.000

−52 −50 −48 −46 −44 −42

X Coord 0 50 100 150 200 250 300
data

(a) Sem transformação

● ●●●●
● ●●
−24

−24

● ●●● ●
●
●
● ● ●● ● ●
●
●
● ●
● ● ●● ●
● ● ●
●●● ●
−26

−26

●
● ● ● ●
●● ● ● ● ● ●●
● ●●
● ● ● ●
●
● ● ●
● ●●
● ●●
−28

−28

●
Y Coord

● ● ●
Y Coord

●● ●
●
● ● ●
● ● ●●
● ●
●
−30

−30

● ● ●
● ● ● ● ●
●
● ● ●
●● ● ●●
● ● ●
●
● ●● ● ● ●●
●● ●
●
● ●
−32

−32

●
●

●
−34

−34

● ●

−52 −50 −48 −46 −44 −42 3.5 4.0 4.5 5.0 5.5
X Coord data

●
● ●
5.5

●
0.6

●
● ●
●
●●
●● ●
●
● ● ●●
● ● ● ●● ●●
0.5
5.0

●
● ●
●
● ● ● ●●
●
● ● ● ●●●
● ●● ●
●
● ● ●
0.4

●
● ●● ●
● ●
4.5

Density
data

● ●● ● ● ●
●● ● ●
● ●
● ●
● ● ●
0.3

● ●
● ●
● ●●
● ●
● ●
4.0

●● ●
0.2

●● ●
● ●
●
● ●
0.1

●
3.5

● ●

●
0.0

−52 −50 −48 −46 −44 −42

X Coord 3.0 3.5 4.0 4.5 5.0 5.5 6.0
data

(b) Com transformação

Figura 8: Exemplificação da transformação dos dados de densidade em função do comportamento as-

simétrico e heteroscedásticos dos mesmos. Exemplo baseado em uma amostragem estratificada por
profundidade, 100 lances selecionados sobre a população 1.

40
 Tabela 2: Resumo das estimativas dos parâmetros dos modelos de correlação espacial ajustados para uma parte dos desenhos amostrais implementados sobre
as populações virtualizadas neste estudo. Identificador do modelo (ID), indicador da população, desenho amostral, m - número de fundos selecionados, n -
número de lances selecionados, β 0 - intercepto dos modelos com estrutura de média fixa, β 1 e β 2 - interceptos dos modelos com estruturas de média móvel,
σ 2 , φ , τ 2 eκ - parâmetros dos modelos de correlação espacial, λ - parâmentro de transformação da variável, LogL - Logarítmo da verossimilhança, AIC - critério
de informação de Akaike, BIC - critério de informação bayesiano, Modelo - estrutura de correlação espacial utilizada. Os modelos marcados com (**) foram os
que apresentaram os melhores ajustes conforme os critérios de informação de Akaike e Bayesiano, comparados dentro de cada desenho amostral.

ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo

1 Pop. 1 AASsr 100 cte.ll.1 6,39 NA NA 24,16 20,51 0 0,27 0,5 -444,08 898,16 911,18 Exp
2 Pop. 1 AASsr 100 fst.ll.1 42,21 1,77 -1,67 7,15 8,64 0 0,25 0,5 -435,37 884,73 902,97 Exp
3 Pop. 1 AASsr 100 cte.ll.1 5,01 NA NA 6031,1 1,28 0,02 0,8 0,5 -360,41 730,82 743,85 Gau
4 Pop. 1 AASsr 100 fst.ll.1 44,58 1,45 -1,14 17,14 0,99 0 0,4 0,5 -314,74 643,48 661,71 Gau**
5 Pop. 1 AASsr 100 cte.ll.1 6,39 NA NA 24,16 20,51 0 0,27 0,5 -444,08 900,16 915,79 Mat
6 Pop. 1 AASsr 100 fst.ll.1 42,21 1,77 -1,67 7,15 8,64 0 0,25 0,5 -435,37 886,73 907,58 Mat
7 Pop. 1 AASsr 100 cte.ll.1 8,67 NA NA 3,27 3,38 0 0,29 0,5 -443,45 896,89 909,92 Sph
8 Pop. 1 AASsr 100 fst.ll.1 45,15 1,61 -1,37 2,17 3,52 0 0,26 0,5 -435,16 884,33 902,56 Sph
9 Pop. 1 AASsr 500 cte.ll.1 3,5 NA NA 291,08 120,24 0 0,47 0,5 -1688,17 3386,34 3407,41 Exp
10 Pop. 1 AASsr 500 fst.ll.1 86,77 4,07 -3,84 34,04 24,24 0 0,42 0,5 -1659,73 3333,46 3362,97 Exp
11 Pop. 1 AASsr 500 cte.ll.1 -349,29 NA NA 45024 31,66 0 0,09 1,77 -529,66 1069,31 1090,38 Mat**

41
12 Pop. 1 AASsr 500 fst.ll.1 -306,06 2,57 -2,63 58647,05 43,37 0 0,12 1,64 -644,49 1302,98 1332,49 Mat
13 Pop. 1 AASsr 500 cte.ll.1 10,06 NA NA 11,14 6,01 0 0,48 0,5 -1687,68 3385,36 3406,43 Sph
14 Pop. 1 AASsr 500 fst.ll.1 97,69 3,82 -3,28 3,57 3,67 0 0,43 0,5 -1655,58 3325,15 3354,66 Sph
15 Pop. 1 AASsr 1000 cte.ll.1 2,37 NA NA 191,34 147,88 0 0,47 0,5 -2853,76 5717,53 5742,07 Exp
16 Pop. 1 AASsr 1000 fst.ll.1 74,99 3,86 -3,84 33,04 38,71 0 0,43 0,5 -2808 5630,01 5664,36 Exp
17 Pop. 1 AASsr 1000 cte.ll.1 -347,94 NA NA 52154,12 71,76 0 0,15 1,49 -623,59 1257,18 1281,72 Mat
18 Pop. 1 AASsr 1000 fst.ll.1 -211,3 2,07 -2,48 8041,1 22,42 0 0,08 1,8 66,21 -118,43 -84,08 Mat**
19 Pop. 1 AASsr 1000 cte.ll.1 11,38 NA NA 4,03 3,67 0 0,49 0,5 -2863,36 5736,73 5761,27 Sph
20 Pop. 1 AASsr 1000 fst.ll.1 92,39 3,44 -2,93 2,02 2,25 0 0,48 0,5 -2820,11 5654,21 5688,57 Sph
21 Pop. 1 AE-Área 100 cte.ll.1 6,26 NA NA 57,58 26,66 0 0,33 0,5 -438,7 887,4 900,42 Exp
22 Pop. 1 AE-Área 100 fst.ll.1 67,27 2,73 -2,4 13,95 9,3588 0 0,31 0,5 -428,21 870,42 888,66 Exp
23 Pop. 1 AE-Área 100 cte.ll.1 17,21 NA NA 22948,54 1,4771 12,9302 0,98 0,5 -407,16 824,32 837,34 Gau
24 Pop. 1 AE-Área 100 fst.ll.1 -69,57 -1,86 -0,08 2598,94 1,3441 2,1212 0,83 0,5 -386,94 787,87 806,11 Gau
25 Pop. 1 AE-Área 100 cte.ll.1 2,5927 NA NA 14,11 0,41 0 0,19 5,5 -294,26 598,52 611,54 Mat**
26 Pop. 1 AE-Área 100 fst.ll.1 18,8 0,86 -0,87 10,1382 0,4 0 0,17 5,5 -293,16 600,32 618,56 Mat
27 Pop. 1 AE-Área 100 cte.ll.1 9,4584 NA NA 5,762 3,5138 0 0,34 0,5 -438,69 887,38 900,4 Sph
28 Pop. 1 AE-Área 100 fst.ll.1 66,41 2,3819 -1,93 3,5277 3,5624 0 0,31 0,5 -427,68 869,36 887,6 Sph
29 Pop. 1 AE-Área 500 cte.ll.1 4,5417 NA NA 203,39 123,24 0 0,43 0,5 -1656,52 3323,03 3344,11 Exp
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo

30 Pop. 1 AE-Área 500 fst.ll.1 66,46 3,4039 -3,47 27,13 24,94 0 0,4 0,5 -1628,47 3270,94 3300,44 Exp
31 Pop. 1 AE-Área 500 cte.ll.1 -415,97 NA NA 74160,04 35,38 0 0,06 1,81 -442,96 895,92 916,99 Mat
32 Pop. 1 AE-Área 500 fst.ll.1 -102,81 1,1788 -2 2433,97 10,465 0 0,05 1,99 -307,32 628,63 658,13 Mat**
33 Pop. 1 AE-Área 500 cte.ll.1 9,6248 NA NA 7,3193 5,9994 0 0,44 0,5 -1655,68 3321,35 3342,43 Sph
34 Pop. 1 AE-Área 500 fst.ll.1 76,89 3,3676 -3,19 4,2635 5,9604 0 0,4 0,5 -1621,86 3257,72 3287,23 Sph
35 Pop. 1 AE-Área 1000 cte.ll.1 2,13 NA NA 258,34 151,11 0 0,5 0,5 -2862,73 5735,47 5760,01 Exp
36 Pop. 1 AE-Área 1000 fst.ll.1 86,94 4,44 -4,38 40,94 38,61 0 0,46 0,5 -2814,62 5643,24 5677,6 Exp
37 Pop. 1 AE-Área 1000 cte.ll.1 -209,05 NA NA 6211,29 21,69 0 0,1 1,75 -76,31 162,62 187,15 Mat**
38 Pop. 1 AE-Área 1000 fst.ll.1 -183,22 2,08 -2,38 6453,34 22,04 0 0,1 1,75 -77,44 168,87 203,23 Mat
39 Pop. 1 AE-Área 1000 cte.ll.1 16,87 NA NA 5,29 2,22 0 0,57 0,5 -2887,78 5785,57 5810,11 Sph
40 Pop. 1 AE-Área 1000 fst.ll.1 109,24 4,07 -3,42 2,65 2,28 0 0,51 0,5 -2830,33 5674,66 5709,02 Sph
41 Pop. 1 AE-profundidade 100 cte.ll.1 8,9969 NA NA 122,29 31,77 0 0,39 0,5 -444,95 899,91 912,93 Exp
42 Pop. 1 AE-profundidade 100 fst.ll.1 87,15 3,4809 -3,02 11,6619 6,4465 0 0,33 0,5 -431,44 876,89 895,12 Exp
43 Pop. 1 AE-profundidade 100 cte.ll.1 11,1058 NA NA 27903,81 1,4745 25,84 0,98 0,5 -424,49 858,98 872,01 Gau**
44 Pop. 1 AE-profundidade 100 fst.ll.1 -1.228,43 -49,42 38,73 23571,77 1,4674 22,54 0,97 0,5 -422,14 858,28 876,52 Gau
45 Pop. 1 AE-profundidade 100 cte.ll.1 8,9969 NA NA 122,29 31,77 0 0,39 0,5 -444,95 901,91 917,54 Mat
46 Pop. 1 AE-profundidade 100 fst.ll.1 87,15 3,4809 -3,02 11,6619 6,4465 0 0,33 0,5 -431,44 878,89 899,73 Mat
47 Pop. 1 AE-profundidade 100 cte.ll.1 11,3682 NA NA 11,4235 3,8877 0 0,39 0,5 -446,1 902,2 915,23 Sph
48 Pop. 1 AE-profundidade 100 fst.ll.1 88,39 3,191 -2,55 3,7958 3,1483 0 0,33 0,5 -430,64 875,28 893,52 Sph

42
49 Pop. 1 AE-profundidade 500 cte.ll.1 3,4954 NA NA 205,66 117,46 0 0,43 0,5 -1679,78 3369,55 3390,63 Exp
50 Pop. 1 AE-profundidade 500 fst.ll.1 67,49 3,4085 -3,41 29,73 25,45 0 0,4 0,5 -1653,44 3320,88 3350,38 Exp
51 Pop. 1 AE-profundidade 500 cte.ll.1 -39,27 NA NA 1388,54 2,8452 0 0,08 3 223,14 -436,28 -415,2 Mat**
52 Pop. 1 AE-profundidade 500 fst.ll.1 -253,32 2,1866 -2,68 25629,19 18,56 0 0,05 2 -340 694 723,5 Mat
53 Pop. 1 AE-profundidade 500 cte.ll.1 7,9782 NA NA 9,5292 8,1569 0 0,43 0,5 -1678,8 3367,6 3388,67 Sph
54 Pop. 1 AE-profundidade 500 fst.ll.1 75,03 3,3728 -3,21 5,7435 8,0297 0 0,39 0,5 -1647,77 3309,53 3339,04 Sph
55 Pop. 1 AE-profundidade 1000 cte.ll.1 2,3766 NA NA 200,61 156,42 0 0,47 0,5 -2847,94 5705,89 5730,42 Exp
56 Pop. 1 AE-profundidade 1000 fst.ll.1 78,38 3,9777 -3,92 32,09 39,45 0 0,43 0,5 -2797,95 5609,9 5644,25 Exp
57 Pop. 1 AE-profundidade 1000 cte.ll.1 -230,72 NA NA 7670,08 22,25 0 0,07 1,799 65,49 -120,98 -96,44 Mat
58 Pop. 1 AE-profundidade 1000 fst.ll.1 -206,42 2,1815 -2,41 8424,87 22,58 0 0,08 1,799 66,51 -119,01 -84,66 Mat**
59 Pop. 1 AE-profundidade 1000 cte.ll.1 15,25 NA NA 3,9534 2,2433 0 0,54 0,5 -2874,34 5758,69 5783,23 Sph
60 Pop. 1 AE-profundidade 1000 fst.ll.1 97,92 3,6496 -3,08 2,0313 2,3129 0 0,48 0,5 -2814,2 5642,4 5676,76 Sph
61 Pop. 1 AS 100 cte.ll.1 7,8976 NA NA 48,12 20,32 0 0,34 0,5 -451,1 912,19 925,22 Exp
62 Pop. 1 AS 100 fst.ll.1 66,81 2,451 -1,99 6,6865 5,5898 0 0,29 0,5 -440,95 895,89 914,13 Exp
63 Pop. 1 AS 100 cte.ll.1 -5,29 NA NA 30363,37 1,468 16,24 0,98 0,5 -422,34 854,68 867,71 Gau
64 Pop. 1 AS 100 fst.ll.1 -155,98 -6,99 5,7417 3243,32 1,313 1,6829 0,82 0,5 -396,41 806,82 825,06 Gau
65 Pop. 1 AS 100 cte.ll.1 -6,07 NA NA 80,62 1,3655 0 0,08 3 -331,47 672,95 685,97 Mat**
66 Pop. 1 AS 100 fst.ll.1 16,92 1,0029 -0,87 68,05 1,3421 0 0,07 3 -331,1 676,21 694,45 Mat
67 Pop. 1 AS 100 cte.ll.1 10,8223 NA NA 6,8845 3,3248 0 0,37 0,5 -450,32 910,63 923,66 Sph
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
68 Pop. 1 AS 100 fst.ll.1 66,12 2,2437 -1,71 2,6185 3,3145 0 0,29 0,5 -439,27 892,53 910,77 Sph
69 Pop. 1 AS 500 cte.ll.1 2,9434 NA NA 315,68 115,69 0 0,48 0,5 -1699,6 3409,2 3430,28 Exp
70 Pop. 1 AS 500 fst.ll.1 85,4 4,2106 -4,11 42,61 24,74 0 0,44 0,5 -1673,2 3360,4 3389,91 Exp
71 Pop. 1 AS 500 cte.ll.1 -352,24 NA NA 52421,64 38,91 0 0,11 1,68 -630,18 1270,36 1291,44 Mat
72 Pop. 1 AS 500 fst.ll.1 -267,55 2,4853 -2,91 29992,91 26,88 0 0,08 1,799 -526,51 1067,03 1096,53 Mat**
73 Pop. 1 AS 500 cte.ll.1 10,1077 NA NA 12,3945 5,9426 0 0,49 0,5 -1699,13 3408,25 3429,33 Sph
74 Pop. 1 AS 500 fst.ll.1 98,19 4,2045 -3,85 6,8931 5,8866 0 0,45 0,5 -1667,28 3348,55 3378,06 Sph
75 Pop. 1 AS 1000 cte.ll.1 2,6378 NA NA 177,31 155,08 0 0,46 0,5 -2838,85 5687,7 5712,24 Exp
76 Pop. 1 AS 1000 fst.ll.1 76,7 3,7715 -3,65 28,03 38,56 0 0,42 0,5 -2789,19 5592,38 5626,73 Exp
77 Pop. 1 AS 1000 cte.ll.1 -149,35 NA NA 3056,3 21,16 0 0,11 1,65 -216,34 442,68 467,22 Mat**
78 Pop. 1 AS 1000 fst.ll.1 -107,66 1,8963 -2,09 2582,55 21,05 0 0,11 1,62 -285,62 585,24 619,59 Mat
79 Pop. 1 AS 1000 cte.ll.1 14,51 NA NA 3,4201 2,2779 0 0,52 0,5 -2866,86 5743,71 5768,25 Sph
80 Pop. 1 AS 1000 fst.ll.1 92,54 3,3994 -2,83 1,6973 2,2951 0 0,46 0,5 -2804,98 5623,96 5658,31 Sph
81 Pop. 1 AA2E-prob iguais 5 100 cte.ll.1 5,5188 NA NA 1,6179 13,46 0 0,13 0,5 -160,76 331,52 341,08 Exp
82 Pop. 1 AA2E-prob iguais 5 100 fst.ll.1 57,56 1,7211 -1,08 0,89 5,4838 0 0,2 0,5 -150,78 315,56 328,95 Exp
83 Pop. 1 AA2E-prob iguais 5 100 cte.ll.1 -4,38 NA NA 209,21 3,2817 0 0,34 1,65 -80,35 170,69 180,25 Mat**
84 Pop. 1 AA2E-prob iguais 5 100 fst.ll.1 103,11 3,3766 -2,08 53,5 2,2673 0 0,34 1,62 -79,83 173,66 187,05 Mat
85 Pop. 1 AA2E-prob iguais 5 100 cte.ll.1 5,985 NA NA 0,53 5,6606 0 0,15 0,5 -159,49 328,99 338,55 Sph
86 Pop. 1 AA2E-prob iguais 5 100 fst.ll.1 61,23 1,884 -1,24 0,36 2,9324 0 0,22 0,5 -148,97 311,94 325,33 Sph

43
87 Pop. 1 AA2E-prob iguais 5 500 cte.ll.1 3,0094 NA NA 0,09 60,46 0 -0,18 0,5 -537,32 1084,63 1102,24 Exp
88 Pop. 1 AA2E-prob iguais 5 500 fst.ll.1 5,0217 0,03 0,03 0,02 14,34 0 -0,2 0,5 -531,41 1076,82 1101,47 Exp
89 Pop. 1 AA2E-prob iguais 5 500 cte.ll.1 -1,49 NA NA 9,2289 6,6886 0 -0,16 1,65 94,54 -179,08 -161,48 Mat
90 Pop. 1 AA2E-prob iguais 5 500 fst.ll.1 10,9782 0,11 0,19 3,5719 5,8525 0 -0,19 1,6 71 -128,01 -103,36 Mat**
91 Pop. 1 AA2E-prob iguais 5 500 cte.ll.1 3,0265 NA NA 0,02 16,95 0 -0,18 0,5 -536,22 1082,43 1100,04 Sph
92 Pop. 1 AA2E-prob iguais 5 500 fst.ll.1 4,6859 0,01 0,04 0 4,0924 0 -0,21 0,5 -527,37 1068,74 1093,39 Sph
93 Pop. 1 AA2E-prob iguais 25 100 cte.ll.1 10,0508 NA NA 21,21 17,62 0 0,41 0,5 -817,99 1645,97 1663,58 Exp
94 Pop. 1 AA2E-prob iguais 25 100 fst.ll.1 24,29 0,54 -0,38 19,56 17,42 0 0,4 0,5 -817,55 1649,1 1673,75 Exp
95 Pop. 1 AA2E-prob iguais 25 100 cte.ll.1 -121,2 NA NA 11230,12 22,94 0 0,1 1,65 -352,4 714,8 732,4 Mat**
96 Pop. 1 AA2E-prob iguais 25 100 fst.ll.1 -111,79 0,73 -0,58 14702,44 26,34 0 0,11 1,62 -364,35 742,71 767,36 Mat
97 Pop. 1 AA2E-prob iguais 25 100 cte.ll.1 15,03 NA NA 3,8588 3,4003 0 0,45 0,5 -813,34 1636,68 1654,29 Sph
98 Pop. 1 AA2E-prob iguais 25 100 fst.ll.1 9,2251 -0,89 1,1768 3,458 2,0529 0 0,49 0,5 -813,92 1641,85 1666,5 Sph
99 Pop. 1 AA2E-prob iguais 25 500 cte.ll.1 1,9218 NA NA 292,7 110,09 0 0,59 0,5 -2972,29 5954,58 5980,23 Exp
100 Pop. 1 AA2E-prob iguais 25 500 fst.ll.1 91,74 4,5722 -4,57 21,28 12,5905 0 0,54 0,5 -2942,18 5898,37 5934,28 Exp
101 Pop. 1 AA2E-prob iguais 25 500 cte.ll.1 -187,5 NA NA 4841,85 26,4 0 0,19 1,55 693,49 -1376,98 -1351,33 Mat
102 Pop. 1 AA2E-prob iguais 25 500 fst.ll.1 -134,28 1,778 -2,25 3311,8 25,28 0 0,2 1,5 514,38 -1014,75 -978,83 Mat**
103 Pop. 1 AA2E-prob iguais 25 500 cte.ll.1 26,03 NA NA 8,4536 2,1053 0 0,67 0,5 -2966,71 5943,42 5969,07 Sph
104 Pop. 1 AA2E-prob iguais 25 500 fst.ll.1 115,02 4,1038 -3,56 5,4269 2,1518 0 0,63 0,5 -2937,92 5889,83 5925,75 Sph
105 Pop. 1 AA2E-prob iguais 50 100 cte.ll.1 3,9511 NA NA 240,34 74,77 0 0,5 0,5 -1628,42 3266,84 3287,92 Exp
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
106 Pop. 1 AA2E-prob iguais 50 100 fst.ll.1 81,77 3,8956 -3,74 51,6 22,87 0 0,47 0,5 -1611,16 3236,31 3265,82 Exp
107 Pop. 1 AA2E-prob iguais 50 100 cte.ll.1 -265,54 NA NA 25025,94 28,71 0 0,16 1,65 -463,98 937,97 959,04 Mat**
108 Pop. 1 AA2E-prob iguais 50 100 fst.ll.1 -30,57 1,6404 -1,68 690,98 10,094 0 0,16 1,6 -526,36 1066,72 1096,22 Mat
109 Pop. 1 AA2E-prob iguais 50 100 cte.ll.1 18,4 NA NA 9,6539 2,1696 0 0,58 0,5 -1631,48 3272,96 3294,03 Sph
110 Pop. 1 AA2E-prob iguais 50 100 fst.ll.1 104,13 3,6404 -2,96 6,2483 2,206 0 0,54 0,5 -1612,65 3239,31 3268,81 Sph
111 Pop. 1 AA2E-prob desiguais 5 100 cte.ll.1 52,12 NA NA 1442,96 12,1134 0 0,78 0,5 -210,63 431,26 440,82 Exp
112 Pop. 1 AA2E-prob desiguais 5 100 fst.ll.1 444,71 13,09 -7,18 20,26 2,482 0 0,54 0,5 -198,27 410,55 423,93 Exp
113 Pop. 1 AA2E-prob desiguais 5 100 cte.ll.1 8,5216 NA NA 32,15 1,0821 0 0,41 0,5 -112,23 234,45 244,01 Gau**
114 Pop. 1 AA2E-prob desiguais 5 100 fst.ll.1 93,07 2,7487 -1,66 28,5 1,0583 0 0,42 0,5 -111,14 236,28 249,67 Gau
115 Pop. 1 AA2E-prob desiguais 5 100 cte.ll.1 6,5491 NA NA 128,09 4,8579 0 0,31 1,2 -170,25 350,49 360,05 Mat
116 Pop. 1 AA2E-prob desiguais 5 100 fst.ll.1 132,17 4,0383 -2,47 15,19 1,8716 0 0,32 1,2 -166,88 347,75 361,14 Mat
117 Pop. 1 AA2E-prob desiguais 5 100 cte.ll.1 49,4 NA NA 649,85 9,4292 0 0,77 0,5 -209,57 429,15 438,71 Sph
118 Pop. 1 AA2E-prob desiguais 5 100 fst.ll.1 413,23 12,146 -6,64 10,4477 2,4685 0 0,52 0,5 -195,76 405,51 418,9 Sph
119 Pop. 1 AA2E-prob desiguais 5 500 cte.ll.1 23,91 NA NA 2547,6 47,97 0 0,86 0,5 -707,88 1425,76 1443,37 Exp
120 Pop. 1 AA2E-prob desiguais 5 500 fst.ll.1 232,64 14,8 -17,2 565,33 24,6 0 0,79 0,5 -690,56 1395,13 1419,78 Exp
121 Pop. 1 AA2E-prob desiguais 5 500 cte.ll.1 -276,55 NA NA 57876,57 28,87 0 0,26 1,649 -109,84 229,68 247,29 Mat**
122 Pop. 1 AA2E-prob desiguais 5 500 fst.ll.1 -281,7 2,4525 -5,42 42938,84 26,47 0 0,26 1,649 -109,52 233,03 257,68 Mat
123 Pop. 1 AA2E-prob desiguais 5 500 cte.ll.1 51,64 NA NA 259,64 6,3963 0 0,87 0,5 -707,4 1424,79 1442,4 Sph
124 Pop. 1 AA2E-prob desiguais 5 500 fst.ll.1 280,42 15,45 -17,28 92,62 5,6138 0 0,8 0,5 -688,3 1390,59 1415,24 Sph

44
125 Pop. 1 AA2E-prob desiguais 25 100 cte.ll.1 12,9616 NA NA 2054,21 51,91 0 0,71 0,5 -952,43 1914,86 1932,47 Exp
126 Pop. 1 AA2E-prob desiguais 25 100 fst.ll.1 241,72 11,3822 -10,86 228,28 12,3972 0 0,65 0,5 -936,42 1886,83 1911,48 Exp
127 Pop. 1 AA2E-prob desiguais 25 100 cte.ll.1 -18,4 NA NA 555,92 2,0644 0 0,12 3 -202,63 415,26 432,87 Mat**
128 Pop. 1 AA2E-prob desiguais 25 100 fst.ll.1 -40,92 -0,56 0,13 565,65 2,0676 0 0,12 3 -202,61 419,22 443,87 Mat
129 Pop. 1 AA2E-prob desiguais 25 100 cte.ll.1 41,98 NA NA 131,61 2,1055 0 0,8 0,5 -952,88 1915,76 1933,37 Sph
130 Pop. 1 AA2E-prob desiguais 25 100 fst.ll.1 292,74 10,9898 -9,07 44,9 2,1526 0 0,7 0,5 -934,65 1883,3 1907,95 Sph
131 Pop. 1 AA2E-prob desiguais 25 500 cte.ll.1 0,36 NA NA 2675,16 154,12 0 0,78 0,5 -3209,88 6429,77 6455,42 Exp
132 Pop. 1 AA2E-prob desiguais 25 500 fst.ll.1 255,24 13,39 -13,62 61,98 10,1014 0 0,68 0,5 -3141,5 6297,01 6332,93 Exp
133 Pop. 1 AA2E-prob desiguais 25 500 cte.ll.1 -122,38 NA NA 2842,66 21,68 0 0,24 1,5 -30,24 70,48 96,13 Mat**
134 Pop. 1 AA2E-prob desiguais 25 500 fst.ll.1 -146,04 1,7353 -3,78 2698,35 21,51 0 0,24 1,5 -28,27 70,54 106,45 Mat
135 Pop. 1 AA2E-prob desiguais 25 500 cte.ll.1 48,24 NA NA 66,8 2,1163 0 0,88 0,5 -3248,01 6506,02 6531,67 Sph
136 Pop. 1 AA2E-prob desiguais 25 500 fst.ll.1 334,65 14,34 -12,95 20,62 3,6861 0 0,72 0,5 -3137,48 6288,96 6324,88 Sph
137 Pop. 1 AA2E-prob desiguais 50 100 cte.ll.1 4,7513 NA NA 354,06 89,03 0 0,53 0,5 -1610,82 3231,63 3252,7 Exp
138 Pop. 1 AA2E-prob desiguais 50 100 fst.ll.1 108,89 4,7175 -4,18 52,97 21,62 0 0,49 0,5 -1589,65 3193,3 3222,8 Exp
139 Pop. 1 AA2E-prob desiguais 50 100 cte.ll.1 -217,52 NA NA 15738,14 26 0 0,14 1,649 -435,86 881,73 902,8 Mat**
140 Pop. 1 AA2E-prob desiguais 50 100 fst.ll.1 -146,46 2,4515 -2,22 12318,13 24,1 0 0,14 1,649 -435,97 885,93 915,43 Mat
141 Pop. 1 AA2E-prob desiguais 50 100 cte.ll.1 20,61 NA NA 12,6654 2,1147 0 0,61 0,5 -1618,63 3247,26 3268,33 Sph
142 Pop. 1 AA2E-prob desiguais 50 100 fst.ll.1 122,6 4,4888 -3,6 6,0672 3,5951 0 0,49 0,5 -1582,71 3179,41 3208,92 Sph
143 Pop. 2 AASsr 100 cte.ll.1 3,768 NA NA 1,0329 8,995 0 0,15 0,5 -262,51 535,02 548,04 Exp
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
144 Pop. 2 AASsr 100 fst.ll.1 -4,9 -0,11 -0,13 0,17 1,7022 0 0,12 0,5 -258,84 531,67 549,91 Exp
145 Pop. 2 AASsr 100 cte.ll.1 3,768 NA NA 1,0329 8,995 0 0,15 0,5 -262,51 537,02 552,65 Mat
146 Pop. 2 AASsr 100 fst.ll.1 -4,9 -0,11 -0,13 0,17 1,7022 0 0,12 0,5 -258,84 533,67 554,51 Mat**
147 Pop. 2 AASsr 100 cte.ll.1 3,7287 NA NA 0,78 9,9698 0 0,15 0,5 -262,06 534,13 547,15 Sph
148 Pop. 2 AASsr 100 fst.ll.1 -5,56 -0,14 -0,09 0,6 8,9741 0 0,13 0,5 -260 533,99 552,23 Sph
149 Pop. 2 AASsr 500 cte.ll.1 2,7006 NA NA 1,3808 23,95 0 0,16 0,5 -878,97 1767,95 1789,02 Exp
150 Pop. 2 AASsr 500 fst.ll.1 -3,35 -0,07 -0,1 0,72 13,09 0 0,15 0,5 -877,37 1768,73 1798,23 Exp
151 Pop. 2 AASsr 500 cte.ll.1 -233,21 NA NA 36460,7 67,73 0 0,06 1,5 -73,74 157,47 178,55 Mat**
152 Pop. 2 AASsr 500 fst.ll.1 -230,12 1,0154 -1,2 41114,14 70,55 0 0,06 1,5 -73,56 161,11 190,61 Mat
153 Pop. 2 AASsr 500 cte.ll.1 2,9927 NA NA 0,36 8,9924 0 0,17 0,5 -876,07 1762,14 1783,22 Sph
154 Pop. 2 AASsr 500 fst.ll.1 -3,7 -0,08 -0,11 0,3 8,48 0 0,15 0,5 -872,66 1759,31 1788,81 Sph
155 Pop. 2 AASsr 1000 cte.ll.1 2,5249 NA NA 2,512 45,34 0 0,23 0,5 -1301,58 2613,17 2637,7 Exp
156 Pop. 2 AASsr 1000 fst.ll.1 -5,87 -0,09 -0,16 1,1673 22,13 0 0,23 0,5 -1298,67 2611,34 2645,69 Exp
157 Pop. 2 AASsr 1000 cte.ll.1 -193,01 NA NA 9261,18 48,8 0 0,09 1,5 747,99 -1485,98 -1461,44 Mat
158 Pop. 2 AASsr 1000 fst.ll.1 -246,33 0,85 -1,46 18125,29 61,24 0 0,09 1,5 749,58 -1485,15 -1450,8 Mat**
159 Pop. 2 AASsr 1000 cte.ll.1 3,0463 NA NA 0,34 8,7324 0 0,24 0,5 -1297,53 2605,06 2629,6 Sph
160 Pop. 2 AASsr 1000 fst.ll.1 -6,02 -0,1 -0,16 0,3 8,5451 0 0,22 0,5 -1290,31 2594,63 2628,98 Sph
161 Pop. 2 AE-Área 100 cte.ll.1 3,2584 NA NA 1,4283 13,67 0 0,11 0,5 -267,2 544,4 557,42 Exp
162 Pop. 2 AE-Área 100 fst.ll.1 -4,07 -0,04 -0,21 0,2 1,8283 0 0,12 0,5 -263 540 558,24 Exp

45
163 Pop. 2 AE-Área 100 cte.ll.1 -11,92 NA NA 209,29 8,2105 0 0,08 1,49 -220,89 451,79 464,82 Mat
164 Pop. 2 AE-Área 100 fst.ll.1 -40,04 0,64 -1,36 1066,24 11,3693 0 0,05 1,64 -210,86 435,73 453,96 Mat**
165 Pop. 2 AE-Área 100 cte.ll.1 3,4494 NA NA 0,63 7,8903 0 0,13 0,5 -267,39 544,79 557,82 Sph
166 Pop. 2 AE-Área 100 fst.ll.1 -3,27 -0,01 -0,25 0,13 1,5665 0 0,14 0,5 -258,35 530,7 548,94 Sph
167 Pop. 2 AE-Área 500 cte.ll.1 2,9587 NA NA 1,7252 29,01 0 0,17 0,5 -862,12 1734,24 1755,31 Exp
168 Pop. 2 AE-Área 500 fst.ll.1 -5,08 -0,09 -0,13 0,62 11,1896 0 0,16 0,5 -859,45 1732,89 1762,39 Exp
169 Pop. 2 AE-Área 500 cte.ll.1 -180,63 NA NA 22196,96 60,73 0 0,05 1,49 -62,54 135,08 156,16 Mat**
170 Pop. 2 AE-Área 500 fst.ll.1 -317,63 0,88 -2,09 38003,2 48,57 0 0,04 1,64 76,73 -139,47 -109,97 Mat
171 Pop. 2 AE-Área 500 cte.ll.1 3,045 NA NA 0,67 16,47 0 0,18 0,5 -860,66 1731,32 1752,39 Sph
172 Pop. 2 AE-Área 500 fst.ll.1 -5,29 -0,1 -0,15 0,21 5,8467 0 0,16 0,5 -853,47 1720,94 1750,45 Sph
173 Pop. 2 AE-Área 1000 cte.ll.1 2,75 NA NA 0,73 17,78 0 0,19 0,5 -1294 2598 2622,54 Exp
174 Pop. 2 AE-Área 1000 fst.ll.1 -3,21 -0,03 -0,15 0,87 21,76 0 0,19 0,5 -1291,04 2596,08 2630,43 Exp
175 Pop. 2 AE-Área 1000 cte.ll.1 -282,71 NA NA 11387,99 31,8 0 0,08 1,7 1179,75 -2349,51 -2324,97 Mat
176 Pop. 2 AE-Área 1000 fst.ll.1 -177,06 1,6356 -1,67 5984,29 30,01 0 0,08 1,64 1045,55 -2077,11 -2042,75 Mat**
177 Pop. 2 AE-Área 1000 cte.ll.1 2,78 NA NA 0,43 15,59 0 0,19 0,5 -1290,4 2590,8 2615,34 Sph
178 Pop. 2 AE-Área 1000 fst.ll.1 -3,63 -0,05 -0,16 0,22 8,3699 0 0,19 0,5 -1282,85 2579,7 2614,05 Sph
179 Pop. 2 AE-profundidade 100 cte.ll.1 4,1139 NA NA 2,9007 15,07 0 0,23 0,5 -256,96 523,93 536,96 Exp
180 Pop. 2 AE-profundidade 100 fst.ll.1 -10,01 -0,24 -0,12 0,31 1,9665 0 0,2 0,5 -252,82 519,64 537,87 Exp
181 Pop. 2 AE-profundidade 100 cte.ll.1 2,9785 NA NA 12,852 1,0719 0 0,43 0,5 -140,6 291,21 304,23 Gau
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
182 Pop. 2 AE-profundidade 100 fst.ll.1 -19,77 -0,35 -0,23 9,8244 1,0619 0 0,41 0,5 -138,3 290,6 308,84 Gau**
183 Pop. 2 AE-profundidade 100 cte.ll.1 -69,56 NA NA 4633,09 10,3625 0 0,2 1,799 -182,46 374,92 387,95 Mat
184 Pop. 2 AE-profundidade 100 fst.ll.1 -103,12 1,1256 -3,35 3444 9,5191 0 0,21 1,799 -182,03 378,05 396,29 Mat
185 Pop. 2 AE-profundidade 100 cte.ll.1 4,2411 NA NA 1,4287 10,371 0 0,25 0,5 -256,48 522,97 536 Sph
186 Pop. 2 AE-profundidade 100 fst.ll.1 -8,71 -0,17 -0,18 0,19 1,9317 0 0,2 0,5 -249,66 513,31 531,55 Sph
187 Pop. 2 AE-profundidade 500 cte.ll.1 3,0284 NA NA 3,0296 30,27 0 0,25 0,5 -875,77 1761,53 1782,61 Exp
188 Pop. 2 AE-profundidade 500 fst.ll.1 -7,67 -0,14 -0,15 1,1377 12,3008 0 0,24 0,5 -873,15 1760,31 1789,81 Exp
189 Pop. 2 AE-profundidade 500 cte.ll.1 -288,13 NA NA 31151 41,86 0 0,07 1,65 63,17 -116,35 -95,27 Mat
190 Pop. 2 AE-profundidade 500 fst.ll.1 -395,22 0,77 -2,4 56476,58 50,36 0 0,07 1,65 64,08 -114,16 -84,66 Mat**
191 Pop. 2 AE-profundidade 500 cte.ll.1 3,2187 NA NA 1,0495 15,54 0 0,25 0,5 -874,12 1758,25 1779,32 Sph
192 Pop. 2 AE-profundidade 500 fst.ll.1 -8,06 -0,14 -0,17 0,37 6,1268 0 0,24 0,5 -866,81 1747,62 1777,12 Sph
193 Pop. 2 AE-profundidade 1000 cte.ll.1 2,8003 NA NA 1,0568 17,57 0 0,25 0,5 -1281,82 2573,65 2598,19 Exp
194 Pop. 2 AE-profundidade 1000 fst.ll.1 -5,72 -0,09 -0,15 0,64 11,2037 0 0,24 0,5 -1279,2 2572,41 2606,76 Exp
195 Pop. 2 AE-profundidade 1000 cte.ll.1 -278,71 NA NA 10708,67 30,98 0 0,09 1,7 1220,74 -2431,48 -2406,95 Mat
196 Pop. 2 AE-profundidade 1000 fst.ll.1 -274,26 1,5521 -2,26 11043,9 31,3 0 0,09 1,7 1221,48 -2428,96 -2394,61 Mat**
197 Pop. 2 AE-profundidade 1000 cte.ll.1 2,8506 NA NA 0,63 15,67 0 0,25 0,5 -1277,95 2565,89 2590,43 Sph
198 Pop. 2 AE-profundidade 1000 fst.ll.1 -5,79 -0,1 -0,14 0,39 10,4263 0 0,24 0,5 -1271,38 2556,76 2591,12 Sph
199 Pop. 2 AS 100 cte.ll.1 3,3416 NA NA 1,3025 10,7539 0 0,13 0,5 -275,91 561,82 574,85 Exp
200 Pop. 2 AS 100 fst.ll.1 -5,73 -0,14 -0,11 0,2 1,7918 0 0,11 0,5 -272,22 558,44 576,68 Exp

46
201 Pop. 2 AS 100 cte.ll.1 -1,72 NA NA 18,1 0,54 0 0,15 5 -180,78 371,57 384,59 Mat**
202 Pop. 2 AS 100 fst.ll.1 -8,74 0,07 -0,37 15,97 0,53 0 0,14 5 -180,41 374,83 393,06 Mat
203 Pop. 2 AS 100 cte.ll.1 3,6035 NA NA 0,58 6,2087 0 0,15 0,5 -276,34 562,68 575,71 Sph
204 Pop. 2 AS 100 fst.ll.1 -4,97 -0,1 -0,15 0,12 1,6949 0 0,12 0,5 -268,51 551,02 569,26 Sph
205 Pop. 2 AS 500 cte.ll.1 2,8907 NA NA 2,3891 26,42 0 0,23 0,5 -897,76 1805,52 1826,59 Exp
206 Pop. 2 AS 500 fst.ll.1 -6,54 -0,14 -0,11 1,0511 12,4557 0 0,22 0,5 -895,67 1805,35 1834,85 Exp
207 Pop. 2 AS 500 cte.ll.1 -289,51 NA NA 19033,24 18,09 0 0,04 2 324,36 -638,72 -617,65 Mat**
208 Pop. 2 AS 500 fst.ll.1 -98,88 1,1146 -1,7 1810,24 15,57 0 0,03 1,75 115,23 -216,46 -186,96 Mat
209 Pop. 2 AS 500 cte.ll.1 3,0356 NA NA 0,94 15,58 0 0,23 0,5 -895,98 1801,97 1823,04 Sph
210 Pop. 2 AS 500 fst.ll.1 -6,9 -0,14 -0,13 0,33 5,9768 0 0,22 0,5 -889,66 1793,31 1822,82 Sph
211 Pop. 2 AS 1000 cte.ll.1 2,9178 NA NA 1,0221 17,02 0 0,25 0,5 -1307,61 2625,22 2649,76 Exp
212 Pop. 2 AS 1000 fst.ll.1 -6,87 -0,1 -0,18 1,2154 21,3 0 0,24 0,5 -1303,26 2620,52 2654,87 Exp
213 Pop. 2 AS 1000 cte.ll.1 -81,23 NA NA 3469,16 61,58 0 0,12 1,3 306,26 -602,52 -577,99 Mat
214 Pop. 2 AS 1000 fst.ll.1 -96,41 0,47 -0,89 5509,64 73,71 0 0,12 1,3 306,79 -599,57 -565,22 Mat**
215 Pop. 2 AS 1000 cte.ll.1 2,6594 NA NA 1,0351 25,33 0 0,25 0,5 -1305,08 2620,15 2644,69 Sph
216 Pop. 2 AS 1000 fst.ll.1 -7,22 -0,1 -0,2 0,22 5,9419 0 0,24 0,5 -1291,83 2597,66 2632,02 Sph
217 Pop. 2 AA2E-prob iguais 5 100 cte.ll.1 7,807 NA NA 7,4504 21,44 0 0,41 0,5 -105,57 221,14 230,7 Exp
218 Pop. 2 AA2E-prob iguais 5 100 fst.ll.1 -37,64 -1,28 0,61 0,46 4,5254 0 0,28 0,5 -96,08 206,16 219,55 Exp
219 Pop. 2 AA2E-prob iguais 5 100 cte.ll.1 3,5902 NA NA 7,2684 1,0497 0 0,33 0,5 -30,87 71,74 81,3 Gau**
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
220 Pop. 2 AA2E-prob iguais 5 100 fst.ll.1 -37,41 -1,38 0,86 4,3312 1,0165 0 0,29 0,5 -29,19 72,37 85,76 Gau
221 Pop. 2 AA2E-prob iguais 5 100 cte.ll.1 -1,22 NA NA 42,12 0,62 0 0,23 4,3 -35,66 81,31 90,87 Mat
222 Pop. 2 AA2E-prob iguais 5 100 fst.ll.1 -37,25 -1,57 1,3234 32,87 0,6 0 0,22 4,3 -34,96 83,92 97,3 Mat
223 Pop. 2 AA2E-prob iguais 5 100 cte.ll.1 7,8151 NA NA 2,8361 12,4258 0 0,41 0,5 -104,53 219,07 228,63 Sph
224 Pop. 2 AA2E-prob iguais 5 100 fst.ll.1 -38,86 -1,3 0,6 0,28 4,7339 0 0,27 0,5 -94,38 202,77 216,15 Sph
225 Pop. 2 AA2E-prob iguais 5 500 cte.ll.1 4,6356 NA NA 2,724 50,87 0 0,28 0,5 -208,15 426,3 443,91 Exp
226 Pop. 2 AA2E-prob iguais 5 500 fst.ll.1 -29,33 -1,06 0,62 0,31 21,47 0 0,13 0,5 -175,88 365,76 390,41 Exp
227 Pop. 2 AA2E-prob iguais 5 500 cte.ll.1 -108,79 NA NA 5662,91 6,2378 0 0,54 1,89 674,9 -1339,79 -1322,19 Mat
228 Pop. 2 AA2E-prob iguais 5 500 fst.ll.1 60,55 -2,27 7,0779 1289,52 4,5417 0 0,57 1,79 615,76 -1217,51 -1192,86 Mat**
229 Pop. 2 AA2E-prob iguais 5 500 cte.ll.1 6,4761 NA NA 0,25 4,1839 0 0,35 0,5 -209,26 428,52 446,13 Sph
230 Pop. 2 AA2E-prob iguais 5 500 fst.ll.1 -32,94 -1,18 0,67 0,04 3,8831 0 0,16 0,5 -166,72 347,43 372,08 Sph
231 Pop. 2 AA2E-prob iguais 25 100 cte.ll.1 6,3692 NA NA 8,3126 12,2217 0 0,5 0,5 -499,21 1008,43 1026,03 Exp
232 Pop. 2 AA2E-prob iguais 25 100 fst.ll.1 -15,39 -0,67 0,35 6,1226 9,376 0 0,5 0,5 -498,04 1010,07 1034,72 Exp
233 Pop. 2 AA2E-prob iguais 25 100 cte.ll.1 -284,33 NA NA 54163,4 19,22 0 0,08 2 33,19 -56,38 -38,77 Mat**
234 Pop. 2 AA2E-prob iguais 25 100 fst.ll.1 -22,45 1,498 1,2678 19061,77 33,52 0 0,1 1,6 -108,74 231,48 256,13 Mat
235 Pop. 2 AA2E-prob iguais 25 100 cte.ll.1 7,6652 NA NA 2,2772 4,0824 0 0,53 0,5 -496,05 1002,1 1019,71 Sph
236 Pop. 2 AA2E-prob iguais 25 100 fst.ll.1 -27,93 -0,83 0,15 1,7133 3,8295 0 0,51 0,5 -489,69 993,38 1018,03 Sph
237 Pop. 2 AA2E-prob iguais 25 500 cte.ll.1 3,6963 NA NA 1,3521 95,67 0 0,14 0,5 -875,02 1760,04 1785,7 Exp
238 Pop. 2 AA2E-prob iguais 25 500 fst.ll.1 -7,6 -0,45 0,35 0,25 33,06 0 0,06 0,5 -830,99 1675,99 1711,9 Exp

47
239 Pop. 2 AA2E-prob iguais 25 500 cte.ll.1 -4,35 NA NA 49,54 24,02 0 0,04 1,2 1419,86 -2829,72 -2804,07 Mat**
240 Pop. 2 AA2E-prob iguais 25 500 fst.ll.1 8,2105 -0,15 0,67 44,47 23,46 0 0,04 1,2 1422,44 -2830,88 -2794,97 Mat
241 Pop. 2 AA2E-prob iguais 25 500 cte.ll.1 3,6956 NA NA 0,49 51,67 0 0,14 0,5 -873,41 1756,82 1782,47 Sph
242 Pop. 2 AA2E-prob iguais 25 500 fst.ll.1 -7,03 -0,45 0,37 0,09 17,38 0 0,06 0,5 -827,1 1668,2 1704,12 Sph
243 Pop. 2 AA2E-prob iguais 50 100 cte.ll.1 3,8569 NA NA 5,025 25,95 0 0,36 0,5 -827,06 1664,12 1685,2 Exp
244 Pop. 2 AA2E-prob iguais 50 100 fst.ll.1 -13,87 -0,45 0,1 2,1638 12,2372 0 0,35 0,5 -824,17 1662,33 1691,84 Exp
245 Pop. 2 AA2E-prob iguais 50 100 cte.ll.1 -203,48 NA NA 14025,4 31,36 0 0,11 1,62 185,35 -360,69 -339,62 Mat
246 Pop. 2 AA2E-prob iguais 50 100 fst.ll.1 -224,93 1,3833 -1,7 21729,01 35,98 0 0,11 1,62 186,2 -358,41 -328,9 Mat**
247 Pop. 2 AA2E-prob iguais 50 100 cte.ll.1 4,0506 NA NA 1,9824 15,46 0 0,36 0,5 -825,16 1660,33 1681,4 Sph
248 Pop. 2 AA2E-prob iguais 50 100 fst.ll.1 -16,28 -0,43 -0,03 0,41 3,6301 0 0,35 0,5 -813,17 1640,35 1669,85 Sph
249 Pop. 2 AA2E-prob desiguais 5 100 cte.ll.1 5,2524 NA NA 1,1655 5,3422 0 0,32 0,5 -110,16 230,32 239,88 Exp
250 Pop. 2 AA2E-prob desiguais 5 100 fst.ll.1 -23,76 -0,57 -0,09 0,59 2,1137 0 0,36 0,5 -108,04 230,08 243,46 Exp
251 Pop. 2 AA2E-prob desiguais 5 100 cte.ll.1 -3,76 NA NA 136,62 0,68 0 0,51 4 -28,19 66,38 75,94 Mat**
252 Pop. 2 AA2E-prob desiguais 5 100 fst.ll.1 -110,13 -2,89 1,0441 109,14 0,66 0 0,51 4 -27,77 69,54 82,92 Mat
253 Pop. 2 AA2E-prob desiguais 5 100 cte.ll.1 5,4285 NA NA 0,79 5,0786 0 0,34 0,5 -109,05 228,09 237,65 Sph
254 Pop. 2 AA2E-prob desiguais 5 100 fst.ll.1 -34,14 -0,83 -0,05 0,69 3,0902 0 0,41 0,5 -106,01 226,03 239,41 Sph
255 Pop. 2 AA2E-prob desiguais 5 500 cte.ll.1 5,47 NA NA 1,9807 21,11 0 0,31 0,5 -380,21 770,42 788,03 Exp
256 Pop. 2 AA2E-prob desiguais 5 500 fst.ll.1 0,92 0,12 -0,36 0,68 7,4758 0 0,3 0,5 -377,25 768,49 793,14 Exp
257 Pop. 2 AA2E-prob desiguais 5 500 cte.ll.1 -192,46 NA NA 21188,16 20,23 0 0,17 1,8 212,5 -414,99 -397,39 Mat
Continua na próxima página...
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de média β0 β1 β2 σ2 φ τ2 λ κ LogL AIC BIC Modelo
258 Pop. 2 AA2E-prob desiguais 5 500 fst.ll.1 -30,42 0,81 -0,07 6883,09 26,35 0 0,2 1,5 52,75 -91,5 -66,85 Mat**
259 Pop. 2 AA2E-prob desiguais 5 500 cte.ll.1 5,626 NA NA 0,53 7,7749 0 0,32 0,5 -378,81 767,62 785,22 Sph
260 Pop. 2 AA2E-prob desiguais 5 500 fst.ll.1 -4,09 0,02 -0,38 0,19 3,1133 0 0,31 0,5 -368,85 751,69 776,34 Sph
261 Pop. 2 AA2E-prob desiguais 25 100 cte.ll.1 4,917 NA NA 3,5277 11,7221 0 0,38 0,5 -518,62 1047,24 1064,85 Exp
262 Pop. 2 AA2E-prob desiguais 25 100 fst.ll.1 -3,72 -0,11 -0,12 2,2165 7,8351 0 0,37 0,5 -518 1050 1074,65 Exp
263 Pop. 2 AA2E-prob desiguais 25 100 cte.ll.1 -102,99 NA NA 7669,35 5,8353 0 0,1 2,5 151,67 -293,34 -275,73 Mat**
264 Pop. 2 AA2E-prob desiguais 25 100 fst.ll.1 122,76 4,6399 0,31 6636,99 7,3678 0 0,09 2,3 98,77 -183,55 -158,9 Mat
265 Pop. 2 AA2E-prob desiguais 25 100 cte.ll.1 5,3959 NA NA 1,3818 6,0541 0 0,4 0,5 -516,42 1042,84 1060,45 Sph
266 Pop. 2 AA2E-prob desiguais 25 100 fst.ll.1 -7,78 -0,13 -0,25 0,69 3,6264 0 0,38 0,5 -510,61 1035,21 1059,86 Sph
267 Pop. 2 AA2E-prob desiguais 25 500 cte.ll.1 3,7673 NA NA 4,0249 34,06 0 0,4 0,5 -1310,34 2630,69 2656,34 Exp
268 Pop. 2 AA2E-prob desiguais 25 500 fst.ll.1 3,6102 0,2 -0,35 2,8479 24,91 0 0,4 0,5 -1307,91 2629,82 2665,74 Exp
269 Pop. 2 AA2E-prob desiguais 25 500 cte.ll.1 -99,49 NA NA 672,55 11,2767 0 0,13 1,8 2638,56 -5267,12 -5241,47 Mat
270 Pop. 2 AA2E-prob desiguais 25 500 fst.ll.1 -220,53 2,406 -1,35 26968,4 63,8 0 0,17 1,5 1695,02 -3376,04 -3340,12 Mat**
271 Pop. 2 AA2E-prob desiguais 25 500 cte.ll.1 4,6613 NA NA 0,49 5,9225 0 0,41 0,5 -1301,79 2613,59 2639,24 Sph
272 Pop. 2 AA2E-prob desiguais 25 500 fst.ll.1 -0,4 0,16 -0,45 0,27 3,7254 0 0,39 0,5 -1279,71 2573,43 2609,35 Sph
273 Pop. 2 AA2E-prob desiguais 50 100 cte.ll.1 3,8339 NA NA 4,7539 22,18 0 0,36 0,5 -863,61 1737,21 1758,29 Exp
274 Pop. 2 AA2E-prob desiguais 50 100 fst.ll.1 -12,16 -0,45 0,17 2,5296 12,9098 0 0,35 0,5 -861,2 1736,41 1765,91 Exp
275 Pop. 2 AA2E-prob desiguais 50 100 cte.ll.1 -191,92 NA NA 8152,61 10,1784 0 0,14 2,1 534,33 -1058,65 -1037,58 Mat**
276 Pop. 2 AA2E-prob desiguais 50 100 fst.ll.1 -263,48 1,1873 -1,14 72312,11 72,06 0 0,14 1,49 -11,3 36,61 66,11 Mat

48
277 Pop. 2 AA2E-prob desiguais 50 100 cte.ll.1 4,5026 NA NA 1 6,3353 0 0,38 0,5 -860,5 1731 1752,07 Sph
278 Pop. 2 AA2E-prob desiguais 50 100 fst.ll.1 -14,05 -0,46 0,12 0,78 6,1416 0 0,35 0,5 -854,72 1723,44 1752,94 Sph
 As biomassas globais e pontuais preditas para ambas as populações virtualizadas se basea-

ram nos modelos que apresentaram os melhores ajustes determinados pelos critérios de infor-

mações, AIC e BIC, conforme visto anteriormente (i.e. Modelos com estrutura de correlação

espacial “Matérn”, vide Tabela 2). No caso dos ajustes com base no método dos mínimos

quadrados ponderados, os mesmos foram ajustados considerando a mesma estrutura de corre-

lação espacial.

No computo geral, as estimativas de biomassa total, tanto baseadas no ajuste por verossimi-

lhança quanto pelo método dos mínimos quadrados ponderados apresentaram-se mais acuradas

quanto maior o esforço amostral. Mesmo se tratando de uma aproximação do estimador de

variância para estimativa total, a variância total pontual pode fornecer uma boa ideia da in-

certeza global imbutida nas estimativas de biomassa (Tabela 3). Comparando os métodos de

ajuste, as estimativas de biomassa determinadas com base no método de verossimilhança foram

relativamente mais acuradas que as estimativas baseadas em WLS.

Traçando um comparativo entre as desenhos amostrais que buscaram representar os dese-

nhos empregados comumente em cruzeiros científicos (AE por área; AE por profundidade e

AS), todas apresentaram estimativas muito próximas da biomassa real de cada uma das popula-

ções virtualizadas, distanciando-se cada uma, em uma média geral, 156,04 t para população 1 e

16,33 t para população 2 (população 1 - 20.000 t; população 2 - 5.000 t) (Tabela 3). Diferente-

mente do padrão supracitado, para as estimativas que buscavam recriar a atuação da frota co-

mercial, ambas apresentaram comportamentos bastante similares em termos do distanciamento

das estimativas em relação a biomassa real de cada uma das populações simuladas, também em

uma média geral, estas se distanciaram, pouco mais de 2000 t para cada uma das populações.

Todavia, em ambos os casos, para ambas populações, os maiores distanciamentos foram obser-

vados para os menores esforços amostrais. De maneira distinta do observado nas expansões com

base nos princípios de desenhos amostrais complexos, as estimativas dadas pelas aplicações de

modelos geoestatísticos apresentaram, consideravelmente, as melhores predições de biomassa

total, bem como as menores variações em torno deste estimador. Se comparados os valores

49
estimados para os desenhos amostrais com base em amostragens por conglomerados em dois

estágios com probabilidades desiguais, os modelos geoestatísticos não só resolveram o pro-

blema de superestimação, como também, quando os processos amostrais foram razoavelmente

distribuídos pela área de estudo, estes apresentaram, relativamente, uma baixa variabilidade

(comparar as Tabelas 11 e 3). Este fato pode ser melhor observado na figura 9, o distancia-

mento relativo entre as biomassas estimadas e a biomassa real, em termos gerais, foi menor

para as estimativas baseadas nos modelos geoestatísticos. Para o caso dos desenhos enviesados,

que buscavam simular a atividade da frota comercial, fica envidenciada a capacidade dos mod-

elos geoestatísticos em reduzir o viés do desenho amostral utilizado, enquanto as estimativas

baseadas no método clássico, quase na totalidade, ficaram acima da faixa de 20% da biomassa

real.

AA2E−Prob.Desiguais AA2E−Prob.Iguais AASsr AE−Area AE−Prof AS

●
2

● ●
● ●
● ●
● ●
● ●
● ● ●
● ●
Diferença relativa entre a Biomassa estimada e a Biomassa real

● ●
● ● ● ●
●
● ● ●
● ●
●
1 ● ● ● ● ●
● ●
●
● ● ● ● ●

Pop. 1
●
●
● ● ● ● ●
● ● ●
● ● ●
● ● ●
●
● ● ● ● ● ● ●
● ●
● ●
● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ●
●
● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
0 ● ● ●
●
●
●
●
●
●
● ●
●
● ●
●
●
●
●
●
●
●
●
● ●
●
● ● ● ● ●
● ●
●
●
● ●
● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●
● ● ● ● ●
● ●
● ● ● ● ● ●
● ● ● ● ●
● ● ● ●
●
● ● ● ●
● ●
●
● ●
● ●
●
● ●

● Amostra
● ● Modelo
2

●
●
●
● ●
●
● ● ●
1 ● ●
● ● ●
● ●
Pop. 2

● ● ●
● ● ● ● ●
● ● ● ● ● ● ● ●
●
● ●
● ● ● ●
● ● ●
● ●
● ● ● ● ● ● ● ● ●
● ●
● ●
● ● ● ● ● ● ● ●
● ●
● ● ●
●
●
● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ●
●
●
● ● ● ● ●
●
● ● ● ● ●
● ● ●
● ● ● ● ● ●
● ● ● ● ●
0 ●
● ●
●
●
●
●
●
●
● ●
●
●
●
● ● ●
●
●
●
●
● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ●
●
● ● ● ● ● ● ●
● ● ● ● ●
●
● ● ●
● ●
●
●
●
●
●
● ●

250 500 750 1000 250 500 750 1000 250 500 750 1000 250 500 750 1000 250 500 750 1000 250 500 750 1000
Esforço amostral (n)

Figura 9: Comparação da diferença relativa entre as biomassas estimadas por cada desenho amostral
implementado em relação as biomassas reais para cada uma das populações virtualizadas no presente
estudo. “Amostra” - Expansões baseadas no emprego de estimadores amostrais complexos; “Modelo” -
Expansões baseadas no emprego de modelos geoestatísticos.

50
Tabela 3: Resumo das estimativas de biomassa e variância pontual total em toneladas para cada uma das
predições baseadas nos modelos com estrutura espacial “Matérn”, discriminadas por População, desenho
amostral, Esforço amostral (m - fundos; n - lances), Tipo de ajuste - classificado como: cte.ll.1 - média
fixa, ajuste por verossimilhança; fst.ll.1 - média móvel, ajuste por verossimilhança e cte.wls.1 - média
fixa, ajuste por mínimos quadrados ponderados.

ID Popululação desenho amostral m n Tipo de média Biomassa estimada (t) Variância pontual total (t)
1 Pop. 1 AASsr 100 cte.ll.1 20038 2741
2 Pop. 1 AASsr 100 fst.ll.1 20070 945
3 Pop. 1 AASsr 100 cte.wls.1 20768 130642
4 Pop. 1 AASsr 500 cte.ll.1 20004 26
5 Pop. 1 AASsr 500 fst.ll.1 20006 45
6 Pop. 1 AASsr 500 cte.wls.1 20370 602942
7 Pop. 1 AASsr 1000 cte.ll.1 20002 16
8 Pop. 1 AASsr 1000 fst.ll.1 20001 3
9 Pop. 1 AASsr 1000 cte.wls.1 19758 596810
10 Pop. 1 AE-área 100 cte.ll.1 20033 1098
11 Pop. 1 AE-área 100 fst.ll.1 20041 1158
12 Pop. 1 AE-área 100 cte.wls.1 19740 63142
13 Pop. 1 AE-área 500 cte.ll.1 20008 34
14 Pop. 1 AE-área 500 fst.ll.1 20005 19
15 Pop. 1 AE-área 500 cte.wls.1 19604 593971
16 Pop. 1 AE-área 1000 cte.ll.1 20001 4
17 Pop. 1 AE-área 1000 fst.ll.1 20001 4
18 Pop. 1 AE-área 1000 cte.wls.1 20315 588153
19 Pop. 1 AE-profundidade 100 cte.ll.1 20033 42810
20 Pop. 1 AE-profundidade 100 fst.ll.1 20116 38727
21 Pop. 1 AE-profundidade 100 cte.wls.1 20461 210262
22 Pop. 1 AE-profundidade 500 cte.ll.1 20000 1
23 Pop. 1 AE-profundidade 500 fst.ll.1 20002 14
24 Pop. 1 AE-profundidade 500 cte.wls.1 19530 541427
25 Pop. 1 AE-profundidade 1000 cte.ll.1 20001 4
26 Pop. 1 AE-profundidade 1000 fst.ll.1 20001 4
27 Pop. 1 AE-profundidade 1000 cte.wls.1 19904 620236
28 Pop. 1 AS 100 cte.ll.1 20034 760
29 Pop. 1 AS 100 fst.ll.1 20036 779
30 Pop. 1 AS 100 cte.wls.1 21253 601374
31 Pop. 1 AS 500 cte.ll.1 20004 44
32 Pop. 1 AS 500 fst.ll.1 20003 27
33 Pop. 1 AS 500 cte.wls.1 20076 592145
34 Pop. 1 AS 1000 cte.ll.1 20000 23
35 Pop. 1 AS 1000 fst.ll.1 20000 26
36 Pop. 1 AS 1000 cte.wls.1 19433 543877
37 Pop. 1 AA2E-prob iguais 5 100 cte.ll.1 11502 227056
38 Pop. 1 AA2E-prob iguais 5 100 fst.ll.1 11832 272655
39 Pop. 1 AA2E-prob iguais 5 100 cte.wls.1
40 Pop. 1 AA2E-prob iguais 5 500 cte.ll.1 21616 100565
41 Pop. 1 AA2E-prob iguais 5 500 fst.ll.1 22590 135544
42 Pop. 1 AA2E-prob iguais 5 500 cte.wls.1
43 Pop. 1 AA2E-prob iguais 25 100 cte.ll.1 21676 8938
44 Pop. 1 AA2E-prob iguais 25 100 fst.ll.1 21791 9519
45 Pop. 1 AA2E-prob iguais 25 100 cte.wls.1 21273 28320
46 Pop. 1 AA2E-prob iguais 25 500 cte.ll.1 20326 481
47 Pop. 1 AA2E-prob iguais 25 500 fst.ll.1 20373 555
48 Pop. 1 AA2E-prob iguais 25 500 cte.wls.1 20418 28378
49 Pop. 1 AA2E-prob iguais 50 100 cte.ll.1 20009 122
50 Pop. 1 AA2E-prob iguais 50 100 fst.ll.1 20012 156
51 Pop. 1 AA2E-prob iguais 50 100 cte.wls.1 20045 3100
52 Pop. 1 AA2E-prob desiguais 5 100 cte.ll.1 17739 143172
Continua na próxima página...

51
...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de ajuste Biomassa estimada (t) Variância pontual total (t)
53 Pop. 1 AA2E-prob desiguais 5 100 fst.ll.1 21086 591400
54 Pop. 1 AA2E-prob desiguais 5 100 cte.wls.1 25713 632791
55 Pop. 1 AA2E-prob desiguais 5 500 cte.ll.1 16723 144154
56 Pop. 1 AA2E-prob desiguais 5 500 fst.ll.1 16806 149050
57 Pop. 1 AA2E-prob desiguais 5 500 cte.wls.1 27331 1171858
58 Pop. 1 AA2E-prob desiguais 25 100 cte.ll.1 20026 372
59 Pop. 1 AA2E-prob desiguais 25 100 fst.ll.1 20026 386
60 Pop. 1 AA2E-prob desiguais 25 100 cte.wls.1 25335 775507
61 Pop. 1 AA2E-prob desiguais 25 500 cte.ll.1 20060 62
62 Pop. 1 AA2E-prob desiguais 25 500 fst.ll.1 20061 63
63 Pop. 1 AA2E-prob desiguais 25 500 cte.wls.1
64 Pop. 1 AA2E-prob desiguais 50 100 cte.ll.1 20006 185
65 Pop. 1 AA2E-prob desiguais 50 100 fst.ll.1 20006 186
66 Pop. 1 AA2E-prob desiguais 50 100 cte.wls.1 24320 683739
67 Pop. 2 AASsr 100 cte.ll.1 5068 1793
68 Pop. 2 AASsr 100 fst.ll.1 5070 1870
69 Pop. 2 AASsr 100 cte.wls.1 5080 2271
70 Pop. 2 AASsr 500 cte.ll.1 5004 8
71 Pop. 2 AASsr 500 fst.ll.1 5004 8
72 Pop. 2 AASsr 500 cte.wls.1 4949 6436
73 Pop. 2 AASsr 1000 cte.ll.1 5001 1
74 Pop. 2 AASsr 1000 fst.ll.1 5001 1
75 Pop. 2 AASsr 1000 cte.wls.1
76 Pop. 2 AE-área 100 cte.ll.1 5017 755
77 Pop. 2 AE-área 100 fst.ll.1 5020 616
78 Pop. 2 AE-área 100 cte.wls.1 4932 6257
79 Pop. 2 AE-área 500 cte.ll.1 5004 7
80 Pop. 2 AE-área 500 fst.ll.1 5003 4
81 Pop. 2 AE-área 500 cte.wls.1 5043 5844
82 Pop. 2 AE-área 1000 cte.ll.1 5001 1
83 Pop. 2 AE-área 1000 fst.ll.1 5001 1
84 Pop. 2 AE-área 1000 cte.wls.1 4978 6153
85 Pop. 2 AE-profundidade 100 cte.ll.1 5025 920
86 Pop. 2 AE-profundidade 100 fst.ll.1 5041 968
87 Pop. 2 AE-profundidade 100 cte.wls.1 5071 9005
88 Pop. 2 AE-profundidade 500 cte.ll.1 5004 5
89 Pop. 2 AE-profundidade 500 fst.ll.1 5004 5
90 Pop. 2 AE-profundidade 500 cte.wls.1 5037 6906
91 Pop. 2 AE-profundidade 1000 cte.ll.1 5002 1
92 Pop. 2 AE-profundidade 1000 fst.ll.1 5002 1
93 Pop. 2 AE-profundidade 1000 cte.wls.1 4987 6310
94 Pop. 2 AS 100 cte.ll.1 5010 66
95 Pop. 2 AS 100 fst.ll.1 5012 70
96 Pop. 2 AS 100 cte.wls.1 5025 7198
97 Pop. 2 AS 500 cte.ll.1 5001 1
98 Pop. 2 AS 500 fst.ll.1 5003 3
99 Pop. 2 AS 500 cte.wls.1 5004 6640
100 Pop. 2 AS 1000 cte.ll.1 5000 4
101 Pop. 2 AS 1000 fst.ll.1 5000 4
102 Pop. 2 AS 1000 cte.wls.1 4992 6008
103 Pop. 2 AA2E-prob iguais 5 100 cte.ll.1 4038 11560
104 Pop. 2 AA2E-prob iguais 5 100 fst.ll.1 4020 9858
105 Pop. 2 AA2E-prob iguais 5 100 cte.wls.1
106 Pop. 2 AA2E-prob iguais 5 500 cte.ll.1 7132 72027
107 Pop. 2 AA2E-prob iguais 5 500 fst.ll.1 9516 295836
108 Pop. 2 AA2E-prob iguais 5 500 cte.wls.1 5979 18565
109 Pop. 2 AA2E-prob iguais 25 100 cte.ll.1 5138 1486
110 Pop. 2 AA2E-prob iguais 25 100 fst.ll.1 5227 1816
111 Pop. 2 AA2E-prob iguais 25 100 cte.wls.1 5023 11990
112 Pop. 2 AA2E-prob iguais 25 500 cte.ll.1 5504 178
Continua na próxima página...

52
 ...continuação da página anterior.
ID Popululação desenho amostral m n Tipo de ajuste Biomassa estimada (t) Variância pontual total (t)
113 Pop. 2 AA2E-prob iguais 25 500 fst.ll.1 5516 181
114 Pop. 2 AA2E-prob iguais 25 500 cte.wls.1 4973 12920
115 Pop. 2 AA2E-prob iguais 50 100 cte.ll.1 5005 15
116 Pop. 2 AA2E-prob iguais 50 100 fst.ll.1 5005 15
117 Pop. 2 AA2E-prob iguais 50 100 cte.wls.1 4903 8350
118 Pop. 2 AA2E-prob desiguais 5 100 cte.ll.1 4207 8562
119 Pop. 2 AA2E-prob desiguais 5 100 fst.ll.1 4482 32440
120 Pop. 2 AA2E-prob desiguais 5 100 cte.wls.1 4018 8772
121 Pop. 2 AA2E-prob desiguais 5 500 cte.ll.1 4430 2970
122 Pop. 2 AA2E-prob desiguais 5 500 fst.ll.1 4774 4131
123 Pop. 2 AA2E-prob desiguais 5 500 cte.wls.1 4624 12089
124 Pop. 2 AA2E-prob desiguais 25 100 cte.ll.1 5086 467
125 Pop. 2 AA2E-prob desiguais 25 100 fst.ll.1 5099 461
126 Pop. 2 AA2E-prob desiguais 25 100 cte.wls.1 5024 13647
127 Pop. 2 AA2E-prob desiguais 25 500 cte.ll.1 5006 2
128 Pop. 2 AA2E-prob desiguais 25 500 fst.ll.1 5011 5
129 Pop. 2 AA2E-prob desiguais 25 500 cte.wls.1 4985 9150
130 Pop. 2 AA2E-prob desiguais 50 100 cte.ll.1 5000 3
131 Pop. 2 AA2E-prob desiguais 50 100 fst.ll.1 5005 17
132 Pop. 2 AA2E-prob desiguais 50 100 cte.wls.1 4887 10861

As estimativas baseadas na estratégia da frota pesqueira dada pela aplicação das amostra-

gens por conglomerados em dois estágios com probabilidade desiguais, foram mais dependentes

dos locais amostrados do que do incremento no esforço amostral. Ou seja, se os fundos sele-

cionados, bem como os lances de pesca dentro de cada fundo, fossem uma amostra representa-

tiva da variabilidade espacial das densidades da população alvo, as estimativas se tornavam mais

acurádas, caso contrário a variabilidade sobre a estimativa total, bem como, sobre as estimativas

pontuais se distanciaram dos padrões observados na população real (Figura 10 - população 1;

Figura 11 - população 2). Todos os mapas das predições das densidades (kg/km2 ), bem como

suas variâncias pontuais foram adicionados nos apêndices deste trabalho.

53
54
(a) População 1 - Alta variabilidade
55
(b) População 1 - Baixa variabilidade

Figura 10: População 1 - Mapa da distribuição da biomassa real e distribuição dos pontos selecionados; Mapa distribuição da biomassa total estimada com base
em uma amostragem por conglomerados em dois estágios com probabilidade desiguais, e; Mapa da distribuição das variabilidades ou incertezas das estimativas
pontuais.
56
(a) População 2 - Alta variabilidade
57
(b) População 2 - Baixa variabilidade

Figura 11: População 2 - Mapa da distribuição da biomassa real e distribuição dos pontos selecionados; Mapa distribuição da biomassa total estimada com base
em uma amostragem por conglomerados em dois estágios com probabilidade desiguais, e; Mapa da distribuição das variabilidades ou incertezas das estimativas
pontuais.
 A análise dos resíduos dos modelos com estrutura de correlação espacial “Matérn” foi bas-

tante similar para todos os modelos ajustados. Na sua maioria, os valores se concentraram em

torno do valor zero, com alguns extremos conforme apresentado na exemplificação exposta nas

Figuras 12A e 12B.

●
● ●
●
●●

250
●
●
●
●
●
●●● ●
●
●●
●
●

0.8
observed prob
●
●●
●●● ●
●
●
●●
●● ●
●
●●
●●
●
● ● ●
●
●
●
●
●
●
●
●
●● ●
data

●
150
●
●
● ●●
●
●●
●●
● ●
●●
●
●●
●
●●
●●
● ●●
●
●●

0.4
● ●●
●
●●
●
●
● ●●
●
●●
●
● ●
●
●
●
●●
●
●
●●● ●
●●
●
●●
●
● ●
●
●●
● ●
●●● ●
●●
●
●
●
●● ●
●●
50

●
●
●●
●
● ●●
● ●●
●

0.0
●
●● ●
●
●●
●
●●

50 150 250 0.0 0.4 0.8

predicted theoretical prob

+ +x x+
++xx+x+x + xx++x+xx
+
xxx
x+x+x xx+ x
xx+
+x+x+x
+
xx
++
x
−30 −26

−30 −26
+
xx+
++xx++x+xx+x+xxx+ +x+++ x
+
x x+x+xx
x+
Coord Y

Coord Y
+xx+x x
++
xx
+x+x+xx+x
+x+x+
++x
x++xxx + x
+
xx+
+x+x
x+
+
+
+
xx+x
+xx++xx
xx++xxx
+
+xx++
+ x
xx+
+x+
x+x+x x+x+x
+x
xx xx
−34

−34
+ x+
+

−52 −48 −44 −52 −48 −44

Coord X Coord X
0.10 0.20

0.4
Density

Density
0.2
0.00

0.0

−10 −5 0 5 10 15 −3 −2 −1 0 1 2 3
data − predicted std residuals

● ●
3

●
data − predicted

● ●
10

std residuals

● ●
● ●
● ● ● ● ●
● ● ● ●
1

● ● ● ● ● ● ● ●
● ● ● ● ●
● ● ● ● ● ● ●● ●● ●
● ●
● ●● ●● ●● ●● ● ● ● ●
●● ● ●● ●●● ●●●●● ● ● ●●●●●● ●●●
●●● ● ●● ● ● ●
●● ● ● ● ● ● ●● ● ● ● ● ●● ● ● ● ●●● ●● ● ● ● ●
−10 0

●
● ●● ● ● ●●
●●●●● ● ● ● ●●● ●
●
● ● ● ● ● ●
● ● ● ● ● ● ●● ● ●
● ● ● ● ●● ●● ● ●●●
● ● ● ● ●
−1

● ● ● ●●
● ● ● ● ●● ● ●
● ●
● ● ●
● ●
● ●
−3

50 100 150 200 250 50 100 150 200 250

predicted predicted

● ●
3

●
data − predicted

● ●
10

std residuals

● ●
● ●
● ● ● ● ●
● ● ● ●
1

● ● ● ● ● ● ● ●
● ● ● ● ●
● ● ●●
● ● ●● ● ●● ● ● ●
● ●●
● ●
● ● ● ●●● ●● ●● ● ● ● ●
●● ● ●● ●
●● ● ● ●● ● ● ● ●●●
●●●● ●
●● ● ● ● ● ● ● ●● ● ●● ● ●● ● ● ● ●
● ●● ●● ● ● ●● ●
−10 0

●
● ●● ●
● ●●
●●
●●●
● ● ● ● ● ●● ●● ●
●
● ● ● ● ● ●●
● ● ● ● ●● ● ● ● ● ● ● ●● ● ●
● ●● ● ● ● ● ● ● ●
−1

● ● ● ●●
● ● ● ● ● ● ● ●
● ●
● ● ●
● ●
● ●
−3

50 100 150 200 250 50 100 150 200 250

data data

(a) Exemplificação das análises dos resíduos - população 1

●●
70

●
●
●●
● ●
0.8

●
observed prob

●●
●● ●
●
●
●
●●
●
●●
●
●●
●
●●
● ● ●●
●
●●
●
●●
●
●
30 50

●●
●
●●
●
● ●●
●
●
data

● ●
●●
●
●● ●
●
●●
●
●●
●
●● ●
●● ●
●
●
●
●
●●
●
●
●● ●
0.4

●
●
●
●
●●●
●
●
●●● ●
●
●●
●
●
●
●
●●
●● ●
●●
●
●
●● ●
●
●●
●● ●
●
●
●●
●
● ● ●
●
●
●
●●
●
●
● ●
●
●
●●
●
●
●
●
●
●
●
●
●●●● ●
●
●
●
●
● ●
10

●
0.0

●
●
●●
●
●
●

10 30 50 70 0.0 0.4 0.8

predicted theoretical prob

x+++x
x+x+xx+++x
++x+++x++ ++
xxx ++x
x+++x+++
x++x
+
++x
x+x++x+xx x++x++x+x+x+x
−26

−26

+
+x+x
x++++xx
x++ x++x++++xxx
x++x++xx
Coord Y

Coord Y

x+x++xx
x++ x++
+
++ x+
x ++ xx
+
−30

−30

xx++x++x
xx++x+ x
x+
xx++x x x +xxx x x++x+xx++
xx
+ xx
+xx
++ ++
+x xx xx
+x
−34

−34

xx xx

−52 −48 −44 −52 −48 −44

Coord X Coord X
0.20

0.4
Density

Density
0.10

0.2
0.00

0.0

−10 −5 0 5 10 −3 −2 −1 0 1 2 3
data − predicted std residuals

●
1 2 3
data − predicted

●
std residuals

● ● ● ● ●
● ●
0 5

● ● ● ● ● ● ●
● ●● ●● ● ● ●●● ● ●● ● ● ●●● ●● ●● ●
● ● ●● ●●
● ● ●●● ● ● ● ● ● ●●●
● ● ● ● ●
● ● ●●●●●● ●
●
● ●●● ●● ● ●● ● ● ●
●●
●● ●● ●●● ●● ● ● ●●●● ● ● ●
●● ●
●● ●●● ●
●● ● ● ●●● ●●●● ●● ●● ●● ●● ● ● ● ● ●● ●● ●● ●
● ●● ●
● ● ● ● ● ● ● ● ● ● ● ● ●
−1

● ● ● ● ●
● ●● ● ● ● ● ● ●
● ● ● ● ●
● ●
●●● ●
−10

● ●
●
−3

10 20 30 40 50 60 70 10 20 30 40 50 60 70
predicted predicted

●
1 2 3
data − predicted

●
std residuals

● ● ● ● ●
● ●
0 5

● ● ● ● ● ● ●
● ● ●● ●
●● ●● ●
●●● ● ● ●● ●● ●● ●● ● ● ●
● ● ● ●● ● ●● ●
●● ● ● ●● ●● ● ●
● ● ● ●●●●
●●
●● ● ● ●
●●
●
●
●
●● ●● ● ● ●● ●●● ● ●
●● ●
● ●●●●●
●● ●● ●●● ● ●● ●
●● ●●
● ●
● ● ●
●● ●
● ●●●● ●
● ● ●● ● ●
● ●
●● ●
● ●
●
● ●●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
−1

● ● ●● ●
● ●● ● ● ● ● ●
● ●● ● ●
● ●●● ● ●
−10

● ●
●
−3

10 20 30 40 50 60 70 10 20 30 40 50 60 70
data data

(b) Exemplificação das análises dos resíduos - população 2

Figura 12: Exemplificação geral do comportamento dos resíduos resultantes dos modelos geoestatísticos
ajustados para as populações virtualizadas.

58
4.2 Aplicação dos Modelos Geoestatísticos aos Dados da Frota Comercial

de Arrasto de Fundo

4.2.1 Análises Exploratórias

As proporções de lances com capturas positivas das principais espécies alvo da frota arren-

dada de arrasto mostraram uma mudança visualmente forte na busca por recursos ao longo do

período de atuação desta frota no Brasil (Figura 13). Nos anos de 2000, 2001 e 2002 esta frota

buscou explorar recursos como peixe-sapo (Lophius gastrophysus), abrótea-de-fundo (Urophy-

cis mystacea) e merluza (Merluccius hubbsi), nos anos seguintes, a frota se direcionou para

explorar outros recursos de maior interesse econômico, como os camarões aristeídeos, padrão

este já longamente discutido pela comunidade científica (Pezzuto et al., 2006b; Perez et al.,

2009a; Dallagnolo et al., 2009) (Figura 13).

1.0

0.8
Proporção de lances com capturas positivas

Espécies
0.6
carabineiro
alistrado
moruno
caranguejo
merluza
0.4 sapo
abrotea

0.2

0.0

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Ano

Figura 13: Proporção de lances com capturas positivas das principais espécies exploradas pela frota
arrendada de arrasto durante os anos de 2000 à 2009.

59
 Com base nos anos em que a frota se direcionou à explorar os peixes demersais (2000, 2001

e 2002) as principais informações sobre as estratégias de operação adotadas pela frota foram

analisadas com o intuito de verificar a existência de informações discrepantes que pudessem

interferir nas estimativas de biomassa das três espécies alvo deste estudo. A análise das profun-

didades de atuação para os três anos em questão corroborou o padrão observado anteriormente,

onde a atuação da frota se concentrou, fortemente, sobre o talude superior, em principal entre

as isóbatas de 200 e 400 metros (Figura 14).

2000
100

80

60

40

20

0
2001
Frequência (Número de lances)

400

300

200

100

0
2002
1000

800

600

400

200

0
0 200 400 600 800
Profundidade (m)

Figura 14: Distribuição de frequência das profundidades em que a frota arrendada de arrasto de fundo
operou durante os anos de 2000, 2001 e 2002.

As velocidades de operação, utilizadas para as estimativas de distância arrastada apresen-

taram uma distribuição, praticamente, uniforme entre os anos. Com tendência central próxima

60
dos 3 nós e algumas ocorrências de valores extremos, tais como, 10 nós de velocidade du-

rante um arrasto, valores estes que foram desconsiderados das estimativas de distância arrastada

(Figura 15).

2000

80

60

40

20

0
2001
Frequência (Número de lances)

800

600

400

200

0
2002
800

600

400

200

0
0 2 4 6 8 10
Velocidade (nós)

Figura 15: Distribuição de frequência das velocidades (nós) utilizadas pela frota arrendada de arrasto de
fundo durante os anos de 2000, 2001 e 2002.

O tempo de arrasto das redes em cada lance de pesca foi de aproximadamente, 4 horas.

Com alguns poucos casos em que o tempo de arrasto durou mais que 8 horas (Figura 16). As

distâncias arrastadas, estimadas pelo produto da velocidade pelo tempo, apresentaram-se uni-

formemente ao longo dos 3 anos, com tendência central observada entre 15 e 20 km arrastados

por lance de pesca (Figura 17).

61
 2000

80

60

40

20

0
2001
Frequência (Número de lances)

800

600

400

200

0
2002

1000

500

0
0 2 4 6 8 10
Horas de arrasto

Figura 16: Distribuições de frequência das horas de arrasto realizadas pela frota arrendada de arrasto de
fundo durante os anos de 2000, 2001 e 2002.

2000

60

40

20

0
2001
Frequência (Número de lances)

600

400

200

0
2002

1000

800

600

400

200

0
0 20 40 60 80 100 120
Distância arrastada (km)

Figura 17: Distribuições de frequência das distâncias arrastadas (km) pela frota arrendada de arrasto de
fundo durante os anos de 2000, 2001 e 2002.

62
 As variáveis comprimento da tralha superior da rede e tamanho da malha no ensacador da

rede foram utilizadas para descrever as redes utilizadas pelas embarcações durante o período

de exploração dos recursos pesqueiros na porção superior do talude. Estas duas variáveis são

de suma importância para as análises futuras deste estudo, pois a primeira determina a abertura

da rede, ou seja, o lado menor do retângulo que descreve a área varrida e a segunda define o

tamanho de seleção dos organismos retidos pela rede. Nas tabelas 4 e 5 pode-se observar um

sumário estatístico das variáveis supracitadas.

Tabela 4: Sumário estatístico das dimensões das tralhas das redes (em metros) utilizadas por cada uma
das 8 embarcações arrendadas de arrasto de fundo que operaram no talude superior entre os anos de 2000
e 2002.

ID Embarcação Comprimento mín. 1◦ quartíl Mediana Média 3◦ quartíl Comprimento máx.

1 Arneles 92.00 92.00 92.00 92.00 92.00 92.00
2 CIPI 58.50 67.00 67.00 66.25 67.00 67.20
3 Costa Grande 45.00 60.20 70.00 72.02 80.00 101.50
4 Emanguluko 38.00 38.00 80.00 63.56 80.00 80.00
5 Hermanos Vaqueros 65.40 65.40 65.40 65.60 65.40 67.00
6 Insung 207 55.00 62.00 62.00 63.44 62.00 76.00
7 Joana 37.00 37.00 41.00 45.83 56.00 70.00
8 Nuevo Apenino 33.00 40.00 70.00 66.29 85.00 85.00
9 Rio Bouzos Uno 58.00 58.00 58.00 59.40 58.00 65.00

Tabela 5: Sumário estatístico das dimensões das malhas (em milímetros) presentes nos ensacadores das
redes utilizadas por cada uma das 8 embarcações arrendadas de arrasto de fundo que operaram no talude
superior entre os anos de 2000 e 2002.

ID Embarcação Tamanho mín. 1◦ quartíl Mediana Média 3◦ quartíl Tamanho máx.

1 Arneles 100.00 100.00 100.00 100.00 100.00 100.00
2 CIPI 60.00 60.00 75.00 72.73 82.50 85.00
3 Costa Grande 50.00 60.00 75.00 77.67 80.00 120.00
4 Emanguluko 70.00 70.00 100.00 97.78 120.00 120.00
5 Hermanos Vaqueros 70.00 70.00 70.00 80.25 70.00 152.00
6 Insung 207 40.00 40.00 50.00 50.00 50.00 70.00
7 Joana 135.00 135.00 135.00 135.00 135.00 135.00
8 Nuevo Apenino 50.00 60.00 90.00 74.39 90.00 90.00
9 Rio Bouzos Uno 65.00 70.00 70.00 69.00 70.00 70.00

Em termos centrais, os comprimentos das tralhas superiores e os tamanhos das malhas no

ensacador das redes utilizadas por esta frota, durante o este período, foram bastante similares.

Exceto para a embarcação Joanna, quanto ao comprimento da tralha superior, que apresentou os

63
menores valores (comprimento médio = 45.83 m) e a embarcação Insung 207, que apresentou

tamanhos médios da malha no ensacador de 50 mm (Tabelas 4 e 5). Entretanto, para as estima-

tivas por área varrida (km2 ) estas diferenciações não resultaram em mudanças perceptíveis, ou

que pudessem influenciar, consideravelmente, nestas estimativas. O mesmo observou-se para

os coeficientes de entralhamento proposto pela literatura (0.5 com base no proposto por Sparre

& Venema (1997), e; 0.56 com base no proposto por Haimovici (2007); Alverson & Pereyra

(1969)) (Figura 18).

Média TS − coef 0,5 Mediana TS − coef 0,5 Média TS − coef 0,56 Mediana TS − coef 0,56

2000

100

50

0
Frequência (Número de lances)

2001

600

400

200

0
2002
1200

1000

800

600

400

200

0
0 1 2 3 4
Área arrastada (km2)

Figura 18: Distribuições de frequência das áreas varridas (km2 ) estimadas para cada lance de pesca
realizado pela frota arrendada de arrasto de fundo durante os anos de 2000, 2001 e 2002. Comparando
diferentes descritores de tendência central para a variável comprimento da tralha superior, bem como
distintos valores de coeficiente de entralhamento descritos na literatura.

64
4.2.2 Padronização das Capturas, Cálculo dos Coeficientes de Eficiência das Redes e

Estimativas das Densidades por Área Varrida

Entre os modelos lineares generalizados ajustados para padronização das capturas de cada

uma das três espécies analisadas nesta etapa do trabalho (Lophius gastrophysus, Merluccius

hubbsi e Urophycis mystacea), os que apresentaram os melhores ajustes, considerando o critério

de informação de Akaike, foram os modelos com a variável “Esforço” como preditora da vari-

ável resposta captura (Tabela 6).

Tabela 6: Sumário dos modelos lineares generalizados aplicados aos dados de captura para cada uma
das três espécies, considerando o esforço como preditor do modelo e como peso (weights); Critério de
informação de Akaike (AIC) e % de explicação de cada modelo.

Espécie Modelo AIC Percentual de Explicação

Preditor 31.831 30%
Abrótea
Peso 126.685 28%
Preditor 62.699 33%
Merluza
Peso 225.467 31%
Preditor 45.065 19%
Peixe-Sapo
Peso 164.484 18%

Desta forma, para cada uma das espécies alvo deste trabalho, as capturas foram preditas

considerando o modelo linear generalizado com esforço como variável explicativa. E por sua

vez, utilizadas nos experimentos de depleção para estimar a eficiência das redes. Ao todo,

considerando as três espécies, ao longo dos três anos, foram identificados 142 cenários de de-

pleção, sendo 42 cenários significativos para abrótea-de-fundo, 48 para a merluza e 52 para o

peixe-sapo (Figura 19).

65
 ● ● ● ● ●

● ●

9.5
● ●

3.0

3.6
8.5
●
● ●
●

3.2
●

2.6

3.35 3.50
● ● ● ●

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)

7.5
60 80 100 120 140 20 40 60 80 100 120 140 100 200 300 400 20 30 40 50 60 70

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ●
●
● ● ●

20
● ●

30

25
20
● ●
● ● ●
●

15
● ● ● ●
● ● ●

10

20
●●●
● ●

5
●● ● ● ● ● ●

5 10

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
100 300 500 700 200 400 600 800 1200 500 1000 2000 3000 200 300 400 500 600 700 800

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ●
9

● ● ● ●
● ●
● ● ● ●
● ●

20
● ●

13
7

● ●

20
●

66
● ● ● ●●
● ●
5

● ●
● ●

10

10
3

8 10
● ●
● ● ● ● ●● ● ●

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)

1000 1200 1400 1600 400 600 800 1000 1400 0 500 1000 1500 2000 2500 200 600 1000 1400

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

9
● ●
●
● ● ● ●
●
●

7
●
● ●
●

5
● ●

CPUE (kg/hora)
CPUE (kg/hora)
7.0 8.0 9.0
500 1000 1500 500 1000 1500 2000

Captura acumulada (kg) Captura acumulada (kg)

(a) Cenários de depleção - Abrótea-de-profundidade

 ● ● ● ●
●

14

43.0

60
●
●

2.9
● ●

12
●

42.0

55
●
●

2.7
10
● ●
●

41.0
●

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)

50
8

2.5
● ● ● ●

40.0
40 60 80 100 140 1000 1400 1800 2200 500 1000 1500 50 100 150 200 250

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ●

120

15
100
● ●

100

14
80
●

13
80
● 60
● ● ● ●

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
● ●
●
40

12
●

60

16 17 18 19 20 21
● ● ● ●

67
100 200 300 400 500 600 700 100 200 300 400 1000 2000 3000 4000 5000 600 800 1000 1200 1400

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ●

400

500

160
380
600

400
●

140
360

300
500

●
●

340

120

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)

200
●
●
320
400

● ● ● ● ●

100
1000 2000 3000 4000 5000 1000 2000 3000 4000 1000 1500 2000 1000 3000 5000 7000

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

(b) Cenários de depleção - Merluza

 ● ● ● ● ● ●

7.5
105

15.0
20
● ● ● ●

6.5
●
● ●
●
●

95

5.5
●

14.0
● ● ● ●

10

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
200 300 400 500 600 700 800 20 40 60 80 100 500 1000 1500 2000 2500 200 400 600 800 1200

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ●
● ●

12
●

90
●

20
● ●

22
●

70
18
●

10
●
●

50
●

4 6 8
● ● ● ● ● ● ● ● ●

14

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
800 1000 1400 1800 500 1000 1500 200 400 600 800 40 60 80 100

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ● ● ● ●
● ● ●
●
50

25

68
●

56
●

●
30

54
● ● ●
●

15
● ● ●
●

24 26 28 30
● ● ● ● ●● ●
10

52

CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)
CPUE (kg/hora)

100 200 300 400 500 400 600 800 1000 1200 1000 3000 5000 7000 500 1000 1500 2000 2500

Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg) Captura acumulada (kg)

● ●
●

30
20
●
● ●

10

CPUE (kg/hora)
800 1200 1600 2000

Captura acumulada (kg)

(c) Cenários de depleção - Peixe-sapo

Figura 19: Exemplificação dos cenários de depleção identificados para cada uma das três espécies alvo do presente estudo. A linha vermelha representa a
regressão ajustada para cada cenário em questão.
 A partir dos quocientes entre as capturas acumuladas, ou seja, biomassa retida pelas redes, e

as biomassas estimadas por cada cenário de depleção foi possível determinar as eficiências das

redes para cada uma das espécies alvo deste estudo. Em termos gerais, as eficiências calculadas

para cada espécie (abrótea-de-fundo, merluza e peixe-sapo) apresentaram comportamentos bas-

tante similares (Figura 20). As tendências centrais (medianas) para as três espécies foram bas-

tante próximas entre sí (abrótea-de-fundo = 0,5077; merluza = 0,4193; peixe-sapo = 0,6059),

bem como suas medidas de dispersão (abrótea-de-fundo - 1◦ quartíl = 0,344/3◦ quartíl = 0,745;

merluza - 1◦ quartíl = 0,285/3◦ quartíl = 0,619; peixe-sapo - 1◦ quartíl = 0,365/3◦ quartíl =

0,695;).

0.8

0.6
Eficiência (X1)

0.4

0.2

Abrótea Merluza Peixe−sapo

Espécie

(a) Boxplot eficiências

Abrótea
8

0
Merluza
12

10
Frequência

0
Peixe−sapo

10

0
0.0 0.2 0.4 0.6 0.8 1.0
Eficiência (X1)

(b) Histogramas eficiências

Figura 20: Diagrama de caixa das eficiências das redes estimadas para abrótea-de-fundo, merluza e
peixe-sapo; Distribuíção de frequência das eficiências das redes estimadas para as mesmas três espécies.

69
 Subsequentemente, as densidades para cada lance foram estimadas levando em consideração

a eficiência mediana estimada para cada uma das espécies alvo deste trabalho, um coeficiente

de entralhamento igual à 0,56 e as capturas padronizadas por intermédio do melhor ajuste dos

MLG apresentados anteriormente. Desta forma, as densidades estimadas para cada espécie

apresentaram comportamentos bastante assimétricos (Figura 21). Para a abrótea-de-fundo, as

densidades (em kg/km2 ) amostradas variaram, em média, entre 0 e 200 kg/km2 (variação con-

siderando os três anos), com presença de valores bastante altos, porém pouco frequentes nos

anos de 2001 e 2002. A merluza já apresentou densidades relativamente mais altas, entre 0 e

2900 kg/km2 em geral para os três anos, também apresentando grandes concentrações pouco

frequentes nos lances amostrados. E no peixe-sapo, as variações nas densidades amostradas

variaram entre 0 e 400 kg/km2 , com alguns casos apresentando concentrações maiores que

estes limites (Figura 21).

2000

200

150

100

50

0
2001
Frequência (Número de lances)

900

600

300

0
2002
2000

1500

1000

500

0
0 1000 2000 3000 4000 5000
Densidades (kg/km2)

(a) Densidades amostradas - Abrótea-de-fundo

70
 2000

200

150

100

50

0
2001
Frequência (Número de lances)

750

500

250

0
2002
2000

1500

1000

500

0
0 20000 40000 60000
Densidades (kg/km2)

(b) Densidades amostradas - Merluza

2000

60

40

20

0
2001
Frequência (Número de lances)

600

400

200

0
2002

1000

750

500

250

0
0 2000 4000 6000
Densidades (kg/km2)

(c) Densidades amostradas - Peixe-sapo

Figura 21: Distribuição das densidades (em kg/km2 ) estimadas para cada lance de pesca amostrado e
para cada uma das espécies alvo desta etapa do estudo.

71
4.2.3 Estimativas de Biomassa com Base em Modelos Geoestatísticos

Para as estimativas anuais de biomassa de abrótea-de-fundo, merluza e peixe-sapo foi ne-

cessário observar a distribuição espacial dos dados em cada respectivo ano. Desta forma, para

compor estas estimativas foram descartados da base de dados todos os lances realizados no

ano 2000. Esta decisão se deu dado o nível de cobertura espacial apresentado para o referido

ano, conforme pode ser observado na Figura 22. Apesar de existirem lacunas nas distribuições

espaciais dos lances para os anos 2001 e 2002, a distribuição latitudinal destes foi satisfatória

(Figura 22).

Figura 22: Distribuições espacial das densidades amostradas em cada lance de pesca realizados pela frota
arrendada de arrasto de fundo durante os anos 2000, 2001 e 2002, discriminadas por espécie.

72
 Desta forma, os lances de pesca monitorados em 2001 e 2002 foram reamostrados 50 vezes

para cada ano, onde foram selecionados 600 lances dentro de cada processo de reamostragem,

dando origem à 100 modelos geoestatísticos com estrutura de correlação espacial “Matérn”.

As variações nos parâmetros estimados para cada processo de reamostragem estão dispostas na

Figura 23.

Abrótea−de−fundo Merluza Peixe−sapo

150
100

beta.0
50
0

beta.1
2
0

beta.2
0
−2
−4
8
6

tau.sq
4
2
0
40

sigma.sq
30
20
10
0
5
4
3

phi
2
1
0
1.00
0.75

kappa
0.50
0.25
0.00
0.3
0.2

lambda
0.1
0.0
−0.1
−0.2
0 25 50 75 100 0 25 50 75 100 0 25 50 75 100
Modelos

Figura 23: Parâmetros dos modelos geoestatísticos com estrutura de correlação espacial do tipo “Matérn”
ajustados para cada uma das espécies alvo desta etapa do estudo, considerando cada um dos processos
de reamostragem e os anos de 2001 e 2002. Modelos de 1 à 50 representam os modelos ajustados para
2001, e modelos de 51 à 100 para 2002.

Em função de cada modelo ajustado anteriormente foi possível estimar um valor de biomassa

total e sua distribuição de densidades e incertezas para cada ano, resultando em 50 estimativas

anuais distintas para cada espécie e ano (vide ANEXOS). Deste modo, baseando-se nos pro-

cesso de reamostragem e suas respectivas biomassas globais estimadas, bem como, utilizando o

princípio do Teorema do Limite Central (vide (Bussab & Morettin, 2010)) foi possível estimar

valores de biomassa mais acurados e suas respectivas medidas de dispersão e de credibilidade

para cada espécie e ano analisados (Tabela 7). A abrótea-de-fundo apresentou um incremento

73
de biomassa de 2000 para 2001 de cerca de 7 mil toneladas. No sentido oposto, a merluza

e, principalmente, o peixe-sapo apresentaram reduções na biomassa estimada para cada ano,

queda de aproximandamente 34 mil toneladas para primeira espécie e 35 mil toneladas para a

segunda (Tabela 7). A acurácia das estimativas podem ser observadas pelos intervalos de confi-

ança estimados para cada uma destas, onde na pior das estimativas o intervalo de confiança foi

de 11% da estimativa total e na melhor delas foi de 2% do total (Tabela 7).

Tabela 7: Sumário das estimativas de biomassa total (em t), desvio padrão, intervalo de confianção de
95% para cada uma das espécies alvo desta etapa do trabalho discriminadas por ano.

Ano Espécie Biomassa (t) Desvio Padrão (t) I.C. 95% sup. (t) I.C. 95% inf. (t) Percentual I.C.95%
2001 Abrótea 16.401,96 249,37 16.903,08 15.900,84 3
2002 Abrótea 23.816,21 1.277,01 26.382,47 21.249,96 11
2001 Merluza 267.712,49 4.761,26 277.280,60 258.144,37 4
2002 Merluza 233.107,45 12.663,87 258.556,45 207.658,44 11
2001 Peixe-sapo 51.947,39 1.246,34 54.452,01 49.442,77 5
2002 Peixe-sapo 16.998,15 135,55 17.270,55 16.725,76 2

Outro ponto interessante que deve ser ressaltado, é a distribuição espacial das predições das

densidades. Para a abrótea-de-fundo, foi possível identificar duas áreas de agregação, ou de

grandes densidades, uma localizada entre os paralelos de 24 e 27◦ S e outra ao sul de 34◦ S,

ambas áreas foram observadas tanto para 2001 quanto para 2002. As densidades por km2 para

a abrótea-de-fundo variaram entre 0 e 600 kg/km2 em 2001 e entre 0 e 1000 kg/km2 (Figura

24).

(a) 2001

74
 (b) 2002

Figura 24: Distribuições espaciais das densidades (em kg/km2 ) preditas para área de estudo (lado es-
querdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado direito). Abrótea-de-fundo Urophycis
mystacea.

No caso da merluza, a presença de pequenas áreas de grande concentração de biomassa não

foi tão evidente para ambos os anos. De modo geral, as maiores concentrações desta espécie

tenderam a se encontrar na porção norte da área de estudos (entre o limite norte da área de

estudos e a latitude de -28◦ S). As densidades preditas por km2 para 2001 e 2002 variaram entre

0 e 650 kg/km2 e 0 e 1400 kg/km2 respectivamente (Figura 25).

(a) 2001

75
 (b) 2002

Figura 25: Distribuições espaciais das densidades (em kg/km2 ) preditas para área de estudo (lado es-
querdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado direito). Merluza Merluccius hubbsi.

Já para o peixe-sapo, as maiores densidades foram observadas, em ambos os anos, também

na porção norte da área de estudos, mais precisamente, ao norte do paralelo de -28,5◦ S. No

entanto, a porção superior do talude, foi onde se distribuíram as mas altas concentrações desta

espécie. As variações anuais das densidades por km2 foram de 0 à 1400 kg/km2 para 2001 e de

0 à 300 kg/km2 em 2002 (Figura 26).

(a) 2001

76
 (b) 2002

Figura 26: Distribuições espaciais das densidades (em kg/km2 ) preditas para área de estudo (lado es-
querdo) e respectivas incertezas da krigagem (em kg/km2 ) (lado direito). Peixe-sapo Lophius gastro-
physus.

4.3 Análise do Custo-Benefício de Diferentes Estratégias para Avaliações

Contínuas de Biomassa de Recursos Demersais

Com base nas respostas das entrevistas dirigidas para cada um dos responsáveis citados ante-

riormente, bem como, com o levantamento dos custos mensais de manutenção de um programa

de observadores de bordo, foi possível traçar uma tabela com as despesas gerais, diárias e men-

sais, de cada uma das possíveis estratégias para implementação de um programa de avaliação

de estoques demersais de maneira contínua no Brasil (Tabela 8).

Tabela 8: Custos de manutenção/operação de embarcações de pesquisa, pesca e de um programa de

observadores de bordo.

Embarcação Tipo Fonte da Informação Custo I (R$/dia) Custo II (R$/mês)

Soloncy Moura Pesquisa Felipe Farias Albanez (CEPSUL/MMA) 6.568,00 197.040,00
Atlântico Sul Pesquisa Gonzalo Velasco Canziani (ESANTAR/FURG) 13.658,29 409.748,70
Corumbá I Pesqueiro Fernando Pinto das Neves (Armador de Pesca) 5.333,00 159.990,00
Programa de Observadores de Bordo Pesqueiro Grupo de Estudos Pesqueiros (GEP/UNIVALI) 1.378,90 41.367,00

De maneira geral, os custos para implementação de cruzeiros científicos com a utilização de

návios de pesquisa, sem sombra de dúvidas, são altamente expensivos. Principalmente, quando

77
comparados com a manutenção de um programa de observadores de bordo. As simulações

observadas na seção 4.1 deste trabalho denotaram que um desenho amostral viesado, imple-

mentado para simular a ação da frota comercial sobre as maiores densidades de pesca, com 200

lances selecionados, apresenta, em média, um afastamento relativo da biomassa real do estoque

alvo da pesca de 5% (em relação ao valor real). Por outro lado, as estimativas baseadas na imple-

mentação de desenhos amostrais sistemáticos, comuns em cruzeiros científicos, com 200 lances

de pesca, em termos médios, teve o afastamento relativo entre a biomassa real e as estimadas, de

1%. Em termos gerais, o investimento financeiro para reduzir o viés de uma estimativa baseada

na manutenção de um programa de observadores de bordo, através da realização de cruzeiros

científicos, no melhor cenário é de 387% sobre o valor do programa de observadores de bordo

para o mesmo período (acréscimo de R$ 270.737,78 no valor do programa de observadores); e

no pior cenário, o investimento adicional chega ao valor de R$ 840.771,54 (acréscimo de 990%)

(Tabela 9).

As diferenças sobre os custos de manutenção de cada estratégia foram consideravelmente

altas, a manutenção de um programa de observadores de bordo para o período em questão (≈ 69

dias) foi 4 vezes menor do que os gastos para a segunda menor estimativa (i.e. arrendamento de

uma embarcação de pesca). Os valores para realização desta simulação com base em cruzeiros

científicos garantiriam a manutenção de um programa de observadores de bordo por um ano,

se utilizados os gastos estimados com a embarcação Soloncy Moura, e de mais de dois anos

baseando-se nos gastos estimados para a embarcação Atlântico Sul (Tabela 9).

Tabela 9: Sumário de custos (em R$), deslocamento total (em milhas náuticas) e dias de navegação e
operação gastos em cada pernada discriminados por cada uma das estratégias previstas para implemen-
tação do plano de avaliação de abundância de recursos demersais.

Etapa Deslocamento (mn) Dias Soloncy Moura (R$) Atlântico Sul (R$) Corumbá I (R$) Observadores (R$)
Pernada 1 1309,9 15,10 99.153,99 206.192,75 80.509,78 20.816,60
Pernada 2 1249 18,67 122.648,28 255.049,60 99.586,37 25.749,04
Pernada 3 1246,7 19,82 130.206,04 270.766,11 105.723,02 27.335,73
Pernada 4 1254,1 14,88 97.703,56 203.176,55 79.332,08 20.512,10
Total 5059,7 68,47 449.711,87 935.185,01 365.151,25 94.413,47

78
5 DISCUSSÃO

Em termos gerais, a adaptação realizada na função de densidade normal multivariada per-

mitiu o controle completo na virtualização das distribuições das densidades dos recurso que se

buscou simular sobre a área de estudo. Assim como em Canales & Arana (2009), para as simu-

lações de distribuições de densidade das populações virtualizadas não se estipulou, de maneira

fixa, um valor de correlação espacial. Assimiu-se que a agregação de várias distribuições bi-

variadas poderia ser a melhor forma de simular a estratégia de agregação de uma espécie. Esta

adaptação já foi utilizada em outros trabalhos de simulação de estoques pesqueiros correlaciona-

dos espacialmente (ICES, 2004a,b). Embora tenha permitido um maior controle dos pontos de

agregação ou hotspots sobre a distribuição das espécies virtualizadas, esta abordagem exigiu

um desempenho computacional consideravelmente alto, sendo um limitante para operações em

simples computadores pessoais ou de trabalho.

Esta virtualização ou simulação da distribuição de densidades de uma espécie em um espaço

amostral conhecido, partiu de uma pergunta específica que se desejou responder: qual o efeito

de distintos desenhos amostrais sobre as estimativas de um parâmetro populacional de interesse?

Estimativas de biomassa de recursos pesqueiros por métodos diretos (e.g. por área varrida ou

por quadrats), na prática, partem de premissas especifícas, tais como, o conhecimento da dis-

tribuição da espécie que se deseja avaliar, que implica, por sua vez, na distribuição dos lances

amostrais; e o conhecimento da área efetivamente varrida pelo amostrador empregado (Gun-

derson, 1993; Doubleday & Rivard, 1981). De modo que, a determinação destas incertezas,

isoladamente, em uma aplicação em ambiente real, torna-se difícil decompor os viéses embuti-

dos por cada uma destas fontes de vicío. Desta forma, experimentos sobre ambientes simulados

e controlados podem oferecer uma boa perspectiva sobre os erros embutidos em cada desenho

amostral de maneira isolada (McKillup & Dyar, 2010), de modo que, as interferências oca-

sionadas por incertezas no dimensionamento do amostrador podem ser reduzidas a zero, e o

viés apresentado ao final do processo está intrinsecamente ligado ao desenho amostral adotado

79
(Jardim & Ribeiro Jr., 2007).

Em geral, expansões de uma variável de interesse amostrada para sua correspondente popu-

lacional comumente podem se basear em duas abordagens distintas, uma baseada nos princípios

da amostragem (i.e. baseada no desenho) e outra baseada na aplicação de modelos estatísticos

ou geoestatísticos (i.e. baseada em modelos). A primeira, tem o processo de inferência baseado

na aleatorização do desenho amostral implementado sobre a população alvo, tratando a variá-

vel resposta como fixa para cada unidade selecionada. Já as expansões baseadas em modelos

tem sua inferência dada sobre a aproximação da variável resposta à uma distribuição de pro-

babilidade específica, assumindo que a aleatorização ocorre ao natural no ambiente e que os

pontos amostrais podem ser fixos, ignorando a aleatoriedade associada à seleção de unidades

de amostragem (Thompson, 1992; Chen et al., 2004; Liu et al., 2009).

Desta forma, a aplicação tradicional, baseada nos princípios da amostragem e, principal-

mente, sob desenhos amostrais enviesados, como a simulação do desenho amostral utilizada

neste estudo (i.e. AA2E com probabilidades desiguais), que tinha o intuito de representar a

atuação da frota comercial de pesca (i.e. com maior probabilidade de operar sobre os fundos

com grandes concentrações de seu recurso alvo) (vide seção 4.1.2), para quaisquer esforços

amostrais implementados, retornou sobre-estimativas do parâmetro populacional de interesse

(abundância global), pois não houve aleatoriedade na escolha dos pontos amostrados e a média

estimada para a variável resposta tendeu a apresentar um deslocamento para os grandes valores,

uma vez que todos os fundos de pesca e/ou pontos selecionados na amostra tenderam as grandes

concentrações presentes na área de estudo.

O método clássico de expansão baseada no desenho amostral ainda pode apresentar compli-

cações vinculadas ao padrão de distribuição da espécie, a comum estratégia de agregação dos

recursos em pequenas sub-áreas (i.e. distribuição agregada ou contagiosa) pode acabar resul-

tando na não satisfação do preceito básico de aleatoriedade dos indivíduos no espaço amostrado

(Liu et al., 2009). Este tipo de incerteza está vinculada tanto para as estratégias utilizadas

pela frota, quanto as comumente utilizadas em cruzeiros científicos (Liu et al., 2009). Pettigas

80
(2001) ressalta ainda que, possíves correlações espaciais entre as distribuições de densidades

de uma determinada espécie podem proporcionar incertezas sobre os estimadores de variância

utilizados em métodos tradicionais, o que poderia ser considerado como uma nova fonte de in-

certeza sobre as estimativas de incertezas, ou seja, um efeito cascata sobre as estimativas e suas

variações.

Entretanto, as estimativas baseadas em modelos, em especifíco, as baseadas em modelos

geoestatísticos criam uma formalização entre o relacionamento dos pontos amostrais, a estru-

tura de correlação espacial de uma população e a precisão das estimativas, sendo capazes de

fornecer, não só a estimativa global, como também, o mapeamento das abundâncias e suas in-

certezas pontuais dentro do espaço que se deseja predizer (Megrey & Moksness, 2009). Em

contraste com expansões baseadas no desenho (i.e. método tradicional), a abordagem geoes-

tatística permite separar a análise dos dados coletados e o desenho amostral utilizado, dando

uma maior flexibilidade ao método amostral e minimizando interferências geradas por enviesa-

mento dos desenhos amostrais adotados (Rivoirard et al., 2000; Megrey & Moksness, 2009).

Este comportamento pôde ser observado neste trabalho, quando comparadas as estimativas

baseadas em ambos os métodos de expansão utilizados (i.e. baseado na amostra x baseado nos

modelos) (vide seções 4.1.2 e 4.1.3 - desenho amostral AA2E com probabilidades desiguais).

Para quaisquer incremento no esforço amostral, as expansões baseadas no desenho apresen-

taram sobre-estimações das biomassas para ambas as populações simuladas. Já as expansões

baseadas na aplicação de modelos geoestatísticos, de forma geral, tenderam a corrigir este pro-

blema de sobre-estimativas, e apresentaram biomassas totais mais próximas da biomassa real

de cada recurso virtualizado.

Conforme observado, a abordagem geoestatística não só resolveu o problema do uso de in-

formações coletadas a bordo de embarcações de pesca comercial (e.g. consideradas viciosas;

vide a seção de simulações), como também aumentou a acurácia e precisão das estimativas,

mesmo com um esforço amostral pequeno. Muitos autores consideram que a geoestatística é a

resposta para os problemas de estimações precisas de abundância global de recursos pesqueiros,

81
principalmente sobre a ótica das incertezas geradas por desenhos amostrais e a aleatoriedade dos

pontos selecionados (Rivoirard et al., 2000; Pettigas, 2001; Megrey & Moksness, 2009). Adi-

cionalmente, as incertezas sobre as estimativas globais de abundância baseadas na aplicação de

modelos de correlação espacial estão mais relacionadas a representatividade espacial dos pon-

tos amostrais (e.g. na representatividade da variabilidade geral das densidades da população

amostrada), do que sobre o real aumento do esforço amostral. No entanto, mesmo quando os

processos amostrais foram restritos a pequenas sub-áreas da área de estudo em questão (Figura

10a) as estimativas globais se aproximaram dos valores reais de biomassa da população estu-

dada e a distribuição espacial das densidades buscou assemelhar-se, consideravelmente, com a

distribuição real da espécie simulada, porém a variabilidade em torno destas estimativas foi re-

lativamente alta se comparado com a predição pela aplicação do mesmo método sobre amostra-

gens menos restritas espacialmente.

A escolha do método de estimação dos parâmetros dos modelos de correlação espacial tam-

bém foi testada nesta etapa do trabalho. Tradicionalmente, a forma de estimação dos parâmetros

de correlação espacial aplicados em métodos geoestatísticos é dada de forma subjetiva, com a

intervenção direta do analista sobre a definição dos mesmos (i.e. estimação à olho) (Jardim &

Ribeiro Jr., 2007). Este processo pode resultar em estimações tendenciosas visto o grau de in-

terferência humana sobre os parâmetros do modelo. Deste modo, neste estudo, foram testados

dois métodos distintos, o primeiro baseado na minimização dos quadrados dos resíduos ponde-

rados e o segundo baseado no método da máxima verossimilhança. Ambos os métodos baseiam

suas estimações dos parâmetros de covariância espacial sem qualquer intervenção subjetiva do

analista dos dados, permitindo a total automação do processo de estimação, e por sua vez, ma-

ximizando a confiabilidade sobre as estimativas finais, mesmo que muitas vezes, seja bastante

moroso o processo para cada ajuste (e.g. cada modelo ajustado e predito levou, em média, 4

horas de duração) e a demanda computacional (e.g. por hardware) consideravelmente alta.

As estimativas dos parâmentros dos modelos com base no método da máxima verossimi-

lhança, para todos os casos, apresentaram estimativas globais mais precisas e acuradas, com as

82
respectivas somas das incertezas pontuais relativamente menores do que as estimativas baseadas

na minimização dos quadrados dos resíduos ponderados (WLS). Este resultado é fortemente

influenciado pelas formas com que cada método trabalha para identificar os parâmetros que

melhor descrevem (ou se ajustam) aos dados observados. O método WLS tende a identificar os

parâmetros com base no ajuste sobre o variograma empiríco dos dados que apresentem a menor

soma dos quadrados dos resíduos, ou seja, de uma forma mais simples, este método tende a

ajustar o modelo de maneira a cruzar o ponto médio entre toda a dispersão de pontos de semi-

variância em função da distância entre os pontos amostrados. Este procedimento pode resultar

em grandes variações, tanto da combinação dos parâmetros identificados, quanto das incertezas

assumidas pela amplitude das observações da variável resposta (e.g. nuvem de pontos) em

função da reta média que descreve o modelo. No caso do método da máxima verossimilhança,

este tende a estimar combinações distintas de parâmetros que resultem na melhor, ou mais

aproximada relação entre os dados observados e os dados ajustados, não se baseando na dis-

tribuição do variograma experimental. Ou seja, o vetor de dados (X) é fixado e busca-se procu-

rar, de maneira iterativa, o valor de θ (parâmetros) que maximiza a probabilidade de ocorrer esta

amostra (X) como vetor de dados estimados (Myung, 2003). Assim sendo, o método de verossi-

milhança amplifica a capacidade preditiva dos modelos, conforme visto neste trabalho, gerando

estimativas relativamente mais robustas que o método tradicional de minimização dos quadra-

dos dos resíduos ponderados. Outra preocupação comum na aplicação de modelos estatísticos

ou geoestatísticos para interpretação de fenômenos biológicos é a sobre-parametrização (Jardim

& Ribeiro Jr., 2007; Aitkin et al., 2009). Este processo acaba resultando em modelos super bem

ajustados, porém pouco confiáveis ou de difícil explicação em termos ecológicos e/ou biológi-

cos. Assim como em Jardim & Ribeiro Jr. (2007), para evitar esta sobre-parametrização dos

modelos, todos os ajustes foram considerados isotrópicos, evitando dois novos parâmetros de

anisotropia. Esta abordagem garantiu uma capacidade explicativa/preditiva dos modelos um

pouco mais restrita, porém torna-se mais fácil compreender o que cada parâmetro ajustado está

acrescentando para predição da variável resposta (i.e. abundância populacional).

83
 As aplicações dos modelos geoestatísticos sobre os dados coletados a bordo das embar-

cações de pesca arrendadas apresentaram um desempenho bastante robusto e funcional. As

estimativas de biomassa das três espécies avaliadas no presente estudo, abrótea-de-fundo (Uro-

phycis mystacea), merluza (Merluccius hubbsi) e peixe-sapo (Lophius gastrophysus), em ter-

mos gerais, se aproximaram de outras estimativas já realizadas para estas espécies no Atlântico

Sul (Perez et al., 2005; Bezzi & Ibáñez, 2009). No entanto, as estimativas observadas no pre-

sente trabalho, embora tenham se concentrado sobre o mesmo período em que foram realizados

os cruzeiros científicos do REVIZEE (vide Haimovici (2007); Haimovici et al. (2008)) foram,

relativamente, maiores para os três recursos (Tabela 10). Estas diferenciações observadas em

ambos os estudos, de certo modo, eram esperadas, devido a particularidades adotadas em ambos

os trabalhos (e.g. coeficiente de eficiência das redes utilizadas, método de expansão, fonte de

informação utilizada). As estimativas de eficiência das redes sobre cada um dos recursos é um

ponto bastante discutido na literatura, a simples adoção de um coeficiente de eficiência igual a

1, ou seja, a consideração que todos os organismos que estão na área de atuação das redes são

capturados pela ação das mesmas, pode ser um pressuposto bastante frágil e pouco realista para

subsidiar os cálculos da biomassa de cada recurso que se deseja estimar (Harden-Jones et al.,

1977; Dickson, 1993a,b; Gunderson, 1993; Hoffman et al., 2009; Doray et al., 2010). Embora,

consideravelmente, conservativo em termos de manejo pesqueiro, a adoção deste pressuposto

acaba gerando estimativas globais de abundância inconsistentes e/ou insustentáveis, principal-

mente, se comparadas com as capturas observadas nos últimos anos. No caso da abrótea-de-

profundidade, os desembarques realizados entre os anos de 2000 e 2003 registraram, em média,

4.000 t/ano (Anon, 2005; Perez et al., 2009b). Quando comparada a produção média registrada

em 2001 contra a estimativa de biomassa obtida no âmbito do REVIZEE, observa-se uma taxa

de remoção por pesca para este período na ordem de 46% da biomassa estimada para esta es-

pécie (Tabela 10). Este nível de remoção sobre um recurso com crescimento lento, comumente

resultaria em desestabilizações na manutenção deste recurso ao longo dos anos, o que não é

observado por Haimovici (2007). Adicionalmente, entre 2001 e 2002, as estimativas geradas

84
por estes autores apresentaram um incremento de aproximadamente 30% na biomassa global

deste recurso. Este mesmo incremento (≈ 30%) foi observado nas estimativas para esta espécie

realizadas no presente trabalho, que quando contrastadas com as médias anuais de desembar-

ques deste recurso, resultaram em taxas de remoção mais aceitáveis para manutenção deste

estoque (2001 - 24%; 2002 - 17%). Embora ainda estas capturas apresentem-se acima do rendi-

mento máximo sustentável (RMS) cálculado para a espécie (Perez, 2006; Perez et al., 2009b)

(Tabela 10), as estimativas de abundância encontradas no presente estudo correlacionadas com

os parâmetros populacionais e pesqueiros observados na literatura, parecem justificar melhor

a coerência dos valores observados neste trabalho. Outro ponto que deve ser levado em con-

sideração, é a distribuição espacial deste organismo. Bernardes et al. (2005), em prospecções

também no âmbito do REVIZEE, com o emprego de pargueiras e armadilhas, encontraram

grandes densidades de Urophycis mystacea entre os 500 e 800 metros de profundidade (501-

600 m ≈ 35 kg/20 horas de fundo; 601-700 m ≈ 50 kg/20 horas de fundo; 701-800 m ≈ 3 kg/20

horas de fundo). Esta porção da biomassa populacional deslocada para áreas mais profundas

que a faixa limítrofe utilizada neste trabalho e nos estudos conduzidos por Haimovici (2007)

(Isóbata de 600 m) não incorporada nas análises de ambos estudos, pode ser considerada uma

fonte de entrada de biomassa para manutenção deste recurso. O que poderia justificar o incre-

mento das biomassas estimadas entre os dois anos em questão, mesmo tendo sido observadas

taxas de exploração acima dos limites sustentáveis para a porção deste estoque que se encontra

entre as isóbatas de 100 e 600 m (Perez, 2006) (Tabela 10).

Para o peixe-sapo (Lophius gastrophysus), assim como para abrótea-de-fundo, as estimati-

vas evidenciadas no presente trabalho foram consideravelmente mais altas que as observadas

por Haimovici (2007) (Tabela 10). No entanto, outras estimativas de abundância conduzidas

sobre esta espécie no Brasil, com base na aplicação de métodos distintos (e.g. Análises de Po-

pulações Virtuais (VPA), índices relativos de abundância) apresentaram cenários bem próximos

dos observados aqui (Anon, 2005; Perez et al., 2002a,b, 2005; Perez, 2006). Uma Análise de

Populações Virtuais (VPA) conduzida sobre os dados de composição de tamanhos amostrados

85
a bordo da frota de arrasto arrendada, em 2001, levaram a uma biomassa de 61.000 toneladas

(I.C.80% 42.300 - 70.700 t), uma diferença de 9 mil toneladas para a estimativa observada neste

trabalho para o mesmo ano. Estas proximidades nas estimativas por métodos distintos, podem

ser consideradas fortes evidências para comprovação da robustez dos valores encontrados em

ambos estudos (Perez et al., 2002a,b, 2005) (Tabela 10). O ano de 2001, principalmente para

as regiões sudeste e sul do Brasil, foi marcado por uma tendência de deslocamento do esforço

pesqueiro e ocupação da plataforma continental externa e talude superior, onde o peixe-sapo

foi o principal motivador desta exploração (Perez et al., 2002c). Em virtude disto, as remoções

por pesca para o referido ano atingiram cerca de 10.000 t, entre desembarques e descartes da

espécie (Perez et al., 2005) (Tabela 10). Este cenário de remoção observado em 2001 (≈ 20%

da biomassa estimada no presente estudo 51.947 t) e em função de características intrínsecas

da espécie (e.g. crescimento lento, baixa mobilidade, estratégia de camuflagem para predação e

baixa capacidade de reposição das densidades depletadas (Almeida et al., 1995; Hartley, 1995;

Azevedo, 1996; Duarte et al., 2001; Perez et al., 2005)) resultaram em uma redução interanual

do estoque de cerca de 60% (de 51.947 t em 2001 para 16.998 t em 2002). Esta redução corro-

bora o cenário observado por Perez et al. (2005), onde análises baseadas na abundância relativa

do peixe-sapo, entre os mesmos anos, mostraram uma redução na biomassa global deste es-

toque também de 60% (Tabela 10). Como já referido anteriormente, estas similaridades encon-

tradas entre distintos estudos e abordagens metodológicas, acabam ressaltando, de certo modo,

a robustez das estimativas realizadas, que por sua vez, acabam mostrando a funcionalidade do

método proposto.

As grandes abundâncias estimadas para merluza (Merluccius hubbsi) no presente trabalho

(mais de 200.000 t), podem ser justificadas, de certo modo, por características intrínsecas da es-

pécie, bem como, a existência de duas populações distintas dentro da área de estudo (Tabela 10).

Segundo Vaz-dos-Santos (2006), diferenciações nos padrões de crescimento e reprodução, bem

como, associações as condições oceanográficas distintas, estabelecem no Brasil distinções entre

os estoques de merluza aqui explorados, sendo um estoque concentrado ao norte do paralelo de

86
29◦ S (Estoque Norte) e outro na porção austral da área estudada, entre 29◦ S e 34◦ S (Estoque

Sul), este segundo estoque é considerado ainda, uma extensão do estoque bonaerense (e.g. es-

toque compartilhado com Uruguai e Argentina) (Vaz-dos-Santos, 2006; Vaz-dos-Santos et al.,

2007, 2009). Estimativas conduzidas na porção Argentino-Uruguaia do estoque sul de merluza

(área compreendida entre os parelelos de 34◦ S e 41◦ S), flutuaram entre 370 mil toneladas (em

1994) e 156 mil toneladas (em 2003) (Bezzi & Ibáñez, 2009) (Tabela 10). Deste modo, em-

bora estas estimativas sejam isoladas para cada uma das populações (Estoque Norte e Estoque

Sul), a biomassa total do recurso, não pode ser considerada a simples soma das abundâncias

estimadas por este trabalho e por Bezzi & Ibáñez (2009). O que pode-se esperar é que, con-

siderando as estimativas observadas neste trabalho e as realizadas na Zona Econômica Exclu-

siva Argentino-Uruguaia, as biomassas globais observadas em ambos os casos são uma mistura

destes valores. De uma maneira linear, dividindo simplesmente a biomassa global estimada

neste trabalho pelas respectivas áreas dos estoques norte e a porção brasileira do estoque sul,

teríamos estimativas similares às observadas para porção Argentino-Uruguaia do estoque sul

estimada por Bezzi & Ibáñez (2009) para o mesmo período. Os padrões reprodutivos da es-

pécie, com desovas múltiplas localizadas em áreas e épocas distintas (Vaz-dos-Santos et al.,

2009) bem como, as estratégias alimentares, que devido a sua voracidade, faz com que não en-

cardumem, nem mesmo quando em baixas densidades (Vaz-dos-Santos, 2006) e o crescimento,

relativamente, mais rápido do que as duas outras espécies, são características de um recurso que

investe em grandes biomassas para garantir o sucesso biológico da espécie. Perez (2006), em

um estudo sobre os potenciais rendimentos dos principais alvos da pesca de arrasto de talude

do sudeste e sul do Brasil, havia observado que a merluza, devido à alguns parâmetros do ciclo

de vida desta espécie, tinha uma capacidade de suporte, expressada em termos de potenciais de

produção, maior que a abrótea-de-fundo e o peixe-sapo.

Apesar dos indícios apresentados anteriormente apontarem uma certa robustez sobre as es-

timativas dos três recursos avaliados no presente estudo, outra fontes de vícios devem ser con-

sideradas e avaliadas para que as estimativas baseadas na aplicação do método de área-varrida

87
com expansão dada pela aplicação de modelos geoestatísticos sobre os dados coletados a bordo

da frota comercial de arrasto de fundo sejam mais acurados e precisos, sendo estas: (i) melhor

definição sobre a real abertura da rede para determinação da área efetivamente varrida. Apesar

dos coeficientes padronizados (e.g. 0,5 como citado por Sparre & Venema (1997) ou 0,56 como

utilizado por Alverson & Pereyra (1969); Haimovici (2007)) serem largamente utilizados em

estudos de abundância de recursos pesqueiros por redes de arratos, esta é uma fonte de viés

desconhecida e que pode resultar em flutuações indesejáveis sobre as estimativas finais; (ii)

a determinação das eficiências das redes também pode resultar em variações nas estimativas,

apesar do método utilizado ter apresentado coerência nas eficiências das redes, a aplicação do

mesmo sobre recursos com capacidade de locomoção relativamente alta, pode ocasionar fontes

de variações sobre as estimativas globais e pontuais. Por fim, (iii) algumas incertezas sobre a

padronização das capturas utilizando o esforço como preditor podem ser consideradas como

fontes de viés sobre as estimativas finais. Por ser uma variável fortemente ligada ao sucesso e

falha das capturas, assumir o esforço como preditor direto poderia, hipoteticamente, ocasionar

algum tipo de alavancagem sobre as demais cováriaveis utilizadas no modelo. Geralmente, o

emprego do esforço como preditor direto da captura serve apenas para garantir melhorias no

ajuste e explicação dos modelos. No entanto, o que pode ser observado brevemente sobre os

modelos aqui aplicados foi que, a utilização do esforço como preditor ou como peso no modelo,

resultaram em distinções de escala sobre os valores preditos por cada modelo ajustado, o que,

de certo modo, influencia nas análises posteriores, gerando alguma variabilidade das estima-

tivas finais de biomassa para cada recurso. Mesmo com todos estes pontos que precisam ser

aperfeiçoados e melhor estudados, o método foi satisfatório, e o viés presente em cada um dos

pontos relatados acima não inferiorizam a resultante final, pois, em geral, estão previstos nas

incertezas ou intervalos de confiança das estimativas globais.

Quanto ao desempenho dos desenhos amostrais utilizados (i.e. Amostragem Aleatória Sim-

ples (AAS); Amostragem Estratificada (AE); Amostragem Sistemática (AS); Amostragens por

Conglomerados em dois Estágios (AA2E)) como estratégia a ser adotada em cruzeiros científi-

88
cos com o mesmo intuito, no presente trabalho não houveram diferenças consideráveis entre as

estratégias utilizadas sob a ótica dos modelos geoestatísticos para as expansões. Por outro lado,

a literatura aponta para a aplicação de amostragens sistemáticas otimizadas, assumindo que es-

tas otimizações possibilitam adaptar os pontos selecionados à realidade dos recursos pesqueiros

(e.g. agregações das populações e suas migrações) e variações ambientais que impossibilitam

a atividade de pesca (e.g. fundos de pesca não arrastáveis ou problemas climáticos) (Jardim

& Ribeiro Jr., 2007; Liu et al., 2009; Megrey & Moksness, 2009). Deste modo, o desenho

amostral sistemático foi considerado como melhor estratégia para definição das simulações de

custo-benefício para cruzeiros científicos.

Tabela 10: Comparação entre as estimativas de biomassa das três espécies avaliadas neste estudos, os
valores estimados no âmbito do REVIZEE e outras estimativas de abundância realizadas para estas espé-
cies na porção sudeste do Oceano Atlântico (em toneladas), bem como as respectivas taxas de remoção
baseadas nas produções de cada uma das espécies em relação as biomassas estimadas pelo REVIZEE
e por este trabalho, e os rendimentos máximos sustentáveis para cada recurso. 1 Taxa de remoção em
relação ao rendimento máximo sustentável retirada de Perez (2006); 2 Captura média anual de Urophycis
mystacea estimada entre o período de 2000 e 2003 retirada de Anon (2005); 3 Biomassa estimada para
porção Argentino-Uruguaia do estoque de Merluccius hubbsi por Bezzi & Ibáñez (2009); 4 Capturas
totais de merluza retiradas de Anon (2005); 5 Biomassa e captura total de Lophius gastrophysus retirada
de Perez et al. (2005); 6 Captura total de peixe-sapo retirada de IBAMA (2004)

Espécie Ano BREV IZEE BLIT ERATURA BMODELOS Capturas T x.R.REV IZEE T x.R.MODELOS T x.R.1RMS

2001 8.597 - 16.402 46% 24%

Abrótea 4.0002 9,5%
2002 12.446 - 23.816 32% 17%
2001 19.497 150.0013 267.712 2.6004 13% 1%
Merluza 10%
2002 21.934 - 233.107 4.5004 20,5% 2%
2001 15.753 62.7765 51.947 10.0005 63% 19%
Peixe-sapo 6%
2002 11.006 - 16.998 5.1426 44% 31%

Os custos estimados para cada uma das estratégias de coleta de informações com o intuito

de subsidiar avaliações de estoque com base no método proposto neste trabalho, apontaram para

uma única verdade, o custo de um programa de observadores de bordo é, realmente, irrisório

em relação a manutenção de quaisquer uma das opções para implementação de um programa

científico com o mesmo objetivo levantadas neste trabalho. Por mais que se tratem de estima-

tivas lineares entre número de dias e custo agregado de operação de cada uma das estratégias

abordados aqui, é notório que somente a manutenção de uma embarcação de pesquisa resulta

em muito mais despêndios, do que a implementação de um programa de observadores de bordo

89
sério e contínuo. A estruturação de um Programa de Observadores de Bordo, com profissionais

bem treinados e preparados para a vida no mar, pode resultar em informações adicionais às

necessárias para as avaliações de abundância por métodos diretos, a exemplo, as composições

das capturas, rejeitos e descartes realizados pela frota, esta é uma informação coletada que,

dificilmente, pode ser acessada sem o intermédio de uma pessoa a bordo da frota pesqueira.

A possibilidade de observar, na prática, as decisões tomadas a bordo em função do estado

da pescaria naquele exato momento, as interações entre organismos não-comerciais (e.g. aves,

mamíferos, cetáceos e quelônios) e a pesca, a coleta de informações ambientais e oceanográficas

(e.g. temperatura superficial do mar, clorofila, salinidade, composição e biomassa do plâncton,

componentes químicos, etc), são outros exemplos de oportunidades únicas e que resultam em

informações cruciais para o entendimento das flutuações de biomassa dos recursos pesqueiros,

e por sua vez, do impacto destas sobre a produção pesqueira. Estudos recentes ainda sugerem

que as mudanças ambientais, por variações cíclicas do ambiente natural, acabam influenciando

consideravelemnte nas flutuações de biomassa dos estoques pesqueiros, e que por muitas vezes

desconsideradas nos cenários de manejo, acabam resultando em um impacto maior que a própria

atividade pesqueira em sí (Hilborn & Hilborn, 2012; Branch et al., 2012).

Por fim, por se tratar de um método direto de avaliação da biomassa, que obedece as premis-

sas normais do método de área varrida, exceto às ligadas aos desenhos amostrais implementa-

dos, que não necessita de grandes esforços amostrais, e que desconsidera quaisquer necessidade

sobre o conhecimento pretérito do estado dos estoques ou características biológicas dos recursos

a serem estudados, este pode ser considerado uma saída bastante funcional para a definição de

pontos de referência dos principais estoques alvos da frota arrasteira, ou da pesca demersal do

Brasil. A existência de dados pretéritos provenientes dos programas de observadores de bordo e

científicos pode ser um início para a aplicação continua deste método e geração de informações

cruciais para os processos de gestão no país. Tratam-se de aproximandamente 30 mil lances

de pesca de arrasto-de-fundo monitorados entre 2000 e 2009. A retomada dos programas de

monitoramento a bordo das embarcações pesqueiras, com certeza, é um ponto importante so-

90
bre a dinâmica deste processo, a simples possibilidade de se manter avaliações contínuas (ou

anuais), de baixo custo e precisas denota um grande avanço nos processos de manejo do país,

demonstrando também a eficiência do trabalho feito por observadores de bordo bem treinados

para a manutenção de medidas de manejo íntegras e sustentáveis.

91
6 CONSIDERAÇÕES FINAIS

A aplicação de modelos geoestatísticos para predição de abundância de recursos demersais

sob a ótica de dados coletados a bordo de embarcações de pesca comercial pode ser considerada

uma nova etapa na geração de informações/pontos de referência para subsidiar os processos de

manejo/gestão pesqueira no Brasil. Aperfeiçoamentos no método, principalmente, dos pontos

frágeis das estimativas de densidade por área varrida deverão ser considerados para melhoria

das estimativas finais. Coletas de informações sobre o modus operandis das redes de pesca

durante cada arrasto, em termos do comportamento da abertura da rede, o momento exato em

que a rede toca o fundo e começa a operar, bem como, padrões de seletividade e/ou eficiência

dos principais modelos de redes utilizados pela frota de arrasto industrial brasileira, são fatores

de grande influência nas estimativas de densidades por área varrida e devem ser considerados

como pontos cruciais para o melhor entendimento e aplicação do método.

Implicações e dificuldades durante a aplicação dos modelos geoestatísticos foram obser-

vadas e contornadas ao longo de todo o estudo, no entanto, ficou claro que, uma das principais

dificuldades encontradas estava centrada nas exigências computacionais do mesmo. A demanda

por hardware durante a aplicação dos modelos foi a principal fonte de dificuldade observada

e que por inúmeras vezes resultou em adaptações sobre o esforço amostral total utilizado nas

análises. Simples computadores pessoais, para áreas muito grandes ou muitas amostras, podem

inibir a execução do trabalho, ou ainda, levar a estimativas distantes dos melhores ajustes. Outra

alternativa para tentar reduzir esta demanda computacional, distinta da utilizada neste trabalho,

estaria centrada na operacionalização de áreas menores ou sub-divisões da área de interesse em

pequenas áreas, criando estimativas que poderiam ser agregadas posteriormente.

Estudos mais aprofundados sobre as diferenças ocasionadas pelas distintas estratégias uti-

lizadas para padronização das capturas devem ser levadas em consideração. A sugestão feita

por Shono (2008) foi levada em consideração no presente estudo, e realmente, o emprego da

distribuição Tweedie para modelagem de dados de captura de espécies com excesso de zeros

92
atendeu as expectativas. No entanto, o real impacto sobre a decisão entre utilizar o esforço como

offset, peso ou como preditor direto da variável resposta deve ser melhor estudado. Apesar de

já ter sido discutido e aplicado por Venables & Ripley (2002) e Shono (2008) para dados de

contagem, os efeitos sobre esta decisão para dados contínuos ainda não esta claro.

Em termos gerais, a abordagem geoestatística pode ser considerada uma alternativa, não

só para estimação acurada da biomassa global dos recursos pesqueiros, mas também, para o

entendimento das variações espaço-temporais dos estoques. A capacidade de correlacionar

espacialmente uma ou mais variáveis de interesse possibilita o entendimento da dinâmica popu-

lacional das espécies estudadas, os padrões de ocupação dos habitats e os comportamentos dos

recursos em função de impactos causados por mudanças climáticas ou ações antrópicas (Megrey

& Moksness, 2009). Abrindo uma janela para utilização em outros métodos de avaliações de

estoque que podem servir como validações cruzadas para as estimativas com base no método

proposto.

Finalmente, cabe ressaltar que algumas fontes de vícios elencadas no presente trabalho e

que foram consideradas como pontos que necessitam melhor entendimento, já são alvos de

projetos de pesquisa recentemente aprovados junto a Conselho Nacional de Desenvolvimento

Científico e Tecnológico - CNPq. Acredita-se que as informações provenientes destes estudos

ajudarão a reduzir, ainda mais, os intervalos de confiança sob futuras estimativas de biomassa de

recursos demersais baseadas neste método, e principalmente, contribuirão com o entendimento

das interações entre as redes de arrasto, o fundo oceânico e as populações alvo e não-alvo da

atividade pesqueira.

93
7 REFERÊNCIAS
Aitkin, M.; Francis, B.; Hinde, J. & Darnell, R. 2009. Statistical modelling in R. Oxford Statis-
tical Science Series. Oxford University Press, New York. 576 p.

Akaike, H. A. 1974. A new look at the statistical model identification. IEEE Transactions on
Automatic Control, 19(6): 716-723.

Almeida, F. P.; Hartley, D. Burnett, J. 1995. Length-weight relationship and sexual maturity of
goosefish off the Northeast coast of the United States. N. Am. J. Fish. Manage. 15, 14-25.

Almeida, E.M. de 2001. Estrutura da população, crescimento e reprodução de Maurolicus

stehmanni Parin & Kobaliansky, 1993 (Teleostei: Sternoptychidae) na Zona Econômica Ex-
clusiva do Sul e Sudeste do Brasil. Dissertação de Mestrado, Instituto Oceanográfico, Uni-
versidade de São Paulo, 118 p.

Alverson, D. L. & Pereyra, W. T. 1969. Demersal fish exploration in the Northeastern Pacific
Ocean an evaluation of exploratory fishing methods and analytical approaches to stock size
and yield forecasts. J. Fish. Bd. Canada, 26(8): 1985-2001.

Amaral, A. C. Z.; Lana, P. C.; Fernandes, F. C. & Coimbra, J. C. 2004. Caracterização do

ambiente e da macrofauna bentônica. In: Amaral, A. C. Z. & Rossi-Wongtschowski, C. L. D.
B. (Eds.). Biodiversidade bentônica da região Sudeste-Sul do Brasil - Plataforma Externa e
Talude Superior. Série Documentos REVIZEE - Score Sul. 216 p.

Andriotti, J. L. S. 2003. Fundamentos de estatística e geoestatística. Editora Unisinos: São

Leopoldo. 165 p.

Anon, 2005. Relatório da 3a Reunião Ordinária. Comitê Consultivo Permanente de Gestão dos
Recursos Demersais de Profundidade. Subcomitê Científico. Secretaria Especial de Aqüicul-
tura e Pesca da Presidência da República (SEAP/PR). Itajaí, SC, 14 – 16 de março de 2005.
34p.

Azevedo, M. 1996. Contribution to the study of the biology of black monkfish, Lophius bude-
gassa, Spinola (ICES division VIIIc and IXa). Bol Inst. Port. Invest. Marít. Lisboa 2, 5-13.

Batista Neto, J. A. & Silva, C. G. 2004. Morfologia do Fundo Oceânico. In: Batista Neto, J.
A.; Ponzi, V. R. A.; Sichel, S. E. (Org.) Introdução a geologia marinha. Rio de Janeiro:
Interciência, 2004, p. 31-51.

Bernardes, R. A.; Rossi-Wongtschowski, C. L. D. B.; Wahrlich, R.; Vieira, R. C.; Santos, A.

P. & Rodrigues, A. R. 2005. Prospecção pesqueira de recursos demersais com armadilhas e
pargueiras na Zona Econômica Exclusiva da região Sudeste-Sul do Brasil. Série Documentos
REVIZEE - Score Sul. 112 p.

Bezzi, S. I. & Ibáñez, P. M. 2009. Estimaciones de la biomassa de merluza (Merluccius hubbsi)

en los sectores argentino y uruguayo de la zona común de pesca argentino-uruguaya (34◦ 000 S
- 39◦ 300 S) y en el área que se extiende hasta 41◦ S (ZEE Argentina) en 1994, 1996-2001 y
2003. INIDEP Informe Técnico 72. Instituto Nacional de Investigación y Desarrollo Pesquero
- INIDEP.

94
Biseau, A. 1998. Definition of a directed fishing effort in a mixed-species trawl fishery, and its
impact on stock assessments. Aquat. Living Resour. 11(3):119-136.

Bolfarine, H. & Bussab, W. O. 2005. Elementos de amostragem. Projeto Fisher - ABE, Edgard
Blücher, São Paulo. 274 p.

Box, G.E.P. & Cox, D. R. 1964. An analysis of tranformations. Journal of the Royal Statistical
Society (B), 26 (2): 211–252.

Brasil. 2006. Instrução Normativa Conjunta SEAP/PR/MMA n.o 1, de 29 de setembro de 2006.

Diretrizes para a elaboração e condução do Programa Nacional de Observadores de Bordo da
Frota Pesqueira – PROBORDO. Diário Oficial da União.

Branch, T. A.; Jensen, O. P.; Ricard, D.; Ye, Y. & Hilborn, R. 2012. Contrasting global trends
in marine fisheries status obtained from catches and from stock assessments. Conservation
Biology. 25(4): 777-786.

Bussab, W. O. & Morettin, P. A. 2010. Estatística Básica. Editora Saraiva: São Paulo. 6 ed. 540
p.

Canales, C. & Arana, P. 2009. Desempeño de los diseños de mustreo empleados em la evalu-
ación de crustáceos demersales mediante el método de área barrida. Lat. Am. J. Aquat. Res.
37(2): 211-219.

Chen, J.; Thompson, M. E. & Wu, C. 2004. Estimation of fish abundance indices based on
scientific research trawl surveys. Biometrics, 60: 116-123.

Clark, C. W. 2006. The worldwide crisis in fisheries: economic models and human behavior.
Cambridge University Press, New York. 263 p.

Clarke, K. R. & Warwick, R. M. 1994. Change in marine communities: an approach to statistical

analysis and interpretation. Plymouth: Plymouth Marine Laboratory, 144p.

Cochran, W. G. 1963. Sampling techniques. New York: John Wiley & Sons.

Correia, E. A. 2008. Elaboração de um catálogo de plantas de redes de arrasto utilizadas pela

frota industrial de Itajaí/Navegantes. Monografia de graduação em Oceanografia. Universi-
dade do Vale do Itajaí - UNIVALI.

Cressie, N. 1993. Statistics for spatial data. New York: John Wiley & Sons. 900 p.

Dallagnolo, R. 2008. A pesca de camarões-de-profundidade (Aristeidae) na região sudeste-sul

do Brasil: avaliação da dinâmica de biomassa como ferramenta para gestão. Dissertação
(Mestrado em Ciência e Tecnologia Ambiental) - Centro de Ciências Tecnológicas, da Terra
e do Mar - CTTMar, Universidade do Vale do Itajaí, Itajaí.

Dallagnolo, R., Perez, J.A.A. & P.R. Pezzuto.2009.O ordenamento da pescaria de camarões-de-
profundidade (Decapoda:Aristeidae) no sudeste e sul do Brasil. Brazilian Journal of Aquatic
Science and Technology, 13(2): 31-43.

Dickson, W. 1993a. Estimation of the capture efficiency of trawl gear I: Development of a

theoretical model. Fish. Res. 16: 239-253.

95
Dickson, W. 1993b. Estimation of the capture efficiency of trawl gear II: Testing a theoretical
model. Fish. Res. 16: 255-272.

Model-based geostatistics. 2007. New York: Springer, 228 p.

Doray, M.; Mahévas, S. & Trankel, V. M. 2010. Estimating gear efficiency in a combined
acoustic and trawl survey, with reference to the spatial distribution of demersal fish. ICES
Journal of Marine Science. 67(4): 668-676.

Doubleday, W. G. & Rivard, D. (ed.) 1981. Bottom trawl surveys. Can. Spec. Publ. Fish. Aquat.
Sci. 58. 273 p.

Duarte, R.; Azevedo, M.; Landa, J. E. & Pereda, P. 2001. Reproduction of anglesifh (Lophius
budegassa, Spinola and Lophius piscatorius Linnaeus) from the Atlantic Iberian coast. Fish.
Res. 51, 349-361.

Dunn, P. K. 2012. Tweedie: exponential distribution family. R. 21 p.

FAO, 2010. The state of the world fisheries and aquaculture 2008. FAO Fisheries and Aquacul-
ture Department. Rome, 192 pp.

Figueiredo, A. G. & Madureira, L. S. P. 2004. Topografia, composição, refletividade do sub-

strato marinho e identificação de províncias sedimentares na Região Sudeste-Sul do Brasil.
São Paulo: Instituto Oceanográfico, USP. Série documentos - REVIZEE - Score Sul, 64 p.

Gaetan, C. & Guyon, X. 2010. Spatial statistics and modeling. Springer Series in Statistics.
Springer: New York, 297 p.

Garcia, S. M. & Rosenberg, A. A. 2010. Food security and marine capture fisheries: character-
istics, trends, drivers and future perspectives. Phil. Trans. R. Soc. B. 365: 2869-2880.

Godø, O. R. 1994. Factors affecting the reliability of groundfish abundance estimates from
bottom trawl surveys. In: Fernö, A. & Olsen, S. (ed.) Marine fish behaviour: in capture and
abundance estimation. Blackwell - Fishing New Books, Paris. 221 p.

Godø, O. R. 1998. What can technology offer the future fisheries scientist - possibilities for
obtaining better estimates of stock abundance by direct observation. J. Northw. Atl. Fish. Sci.
23: 105-131.

Gulland, J. 1965. Estimation of mortality rates. Annex to Arctic fisheries working group report.
ICES C.M. Doc 3. (mimeo).

Gunderson, D. R. 1993. Surveys of fisheries research. John Wiley & Sons, New York. 249 p.

Haimovici, M. 2007. A Prospecção pesqueira e abundância de estoques marinhos no Brasil nas

décadas 1960 à 1990: levantamento de dados e avaliação crítica. PROGRAMA REVIZEE –
levantamento de dados pretéritos. 329 p.

Haimovici, M.; Rossi-Wongtschowski, C. L. D. B.; Bernardes, R. A.; Fischer, L. G.; Vooren,

C. M.; Santos, R. A.; Rodrigues, A. R. & Santos, S. 2008. Prospecção pesqueira de espécies
demersais com rede de arrasto-de-fundo na Região Sudeste-Sul do Brasil. Série Documentos
REVIZEE - Score Sul. 182 p.

96
Harden-Jones, F. R.; Margetts, A. R.; Greer Walker, M. & Arnold, G. P. 1977. The efficiency of
the Granton otter trawl determined by sector-scanning sonar and acoustic transponding tags.
Rapp. P. V Reun. Cons. Int. Explor. Mer. 170: 45-51.

Hartley, D. L. 1995. The population biology of goosefish, Lophius americanus in Gulf of Maine.
MSc. thesis, University of Massachusetts, Amherst, MA. 142 p.

Hilborn, R. & Walters, C. J. 1992. Quantitative fisheries stock assessment: choice, dynamics
and uncertainty. New york: Chapman & Hall.

Hilborn, R. & Hilborn, U. 2012. Overfishing: what everyone needs to know. Oxford University
Press, New York. 150 p.

Hoffman, J. C.; Bonzek, C. F. & Latour, R. J. 2009. Estimation of bottom trawl catch efficiency
for two demersal fishes, the Atlantic croaker and white perch, in Chesapeake Bay. Marine
and Coastal Fisheries: Dynamics, Management and Ecosystem Science. 1: 255-264.

Holden, M. J. & Raitt, D. F. S. 1975. Manual de ciencia pesquera - parte II - Métodos para
investigar los recursos y suaplicación. Doc. Tec. FAO Pesca. 115, 211 p.

IBAMA, 2004. Estatística da pesca 2002: Brasil, grandes regiões e unidades da federação. 129
p.

International Council for the Exploration of the Sea (ICES). 2004a. Report of the workshop on
survey design and data analysis (WKSAD). ICES CM 2004/B:07, Ref. DG: 261 pp.

International Council for the Exploration of the Sea (ICES). 2004b. Report of the planning
group for herring surveys. ICES CM 2004/G05: 191 pp.

Isaaks, E. H. & Srivastava, R. M. An introduction to applied geostatistics. New York: Oxford

University Press, 561 p.

Jardim, E. & Ribeiro Jr., P. J. 2007. Geostatistical assessment of sampling designs for por-
tuguese bottom trawl surveys. Fisheries Research. 85: 239-247.

Kish, L. 1965. Survey sampling. New York: John Wiley & Sons.

Lassen, H. & Medley, P. 2001. Virtual population analysis: a practical manual for stock assess-
ment. FAO Fish. Tech. Pap. 400. Rome - FAO, 1299 p.

Leemis, L. M. & McQueston, J. T. 2008. Univariate distribution relationships. The American

Statician. 62(1): 45-53.

Leslie, P. H. & Davis, D. H. S. 1939. An attempt to determine the absolute number of rats on a
given area. Journal of Animal Ecology. 8: 94-113.

Liu, Y.; Chen, Y. & Cheng, J. 2009. A comparative study of optamization methods and conven-
tional methods for sampling design in fishery-independent surveys. ICES Journal of Marine
Science, 66: 1873-1882.

Lumley, T. 2010. Complex surveys: a guide to analysis using R. John Wiley & Sons, New
Jersey. 276 p.

97
McKillup, S. & Dyar, M. D. 2010. Geostatistics explained: an introductory guide for earth
scientists. Cambridge University Press, New York: US.

Megrey, B. A. & Moksness, E. 2009. Computers in fisheries research. 2 Ed. Springer. 421 p.

Myers, R. A. & Worm, B. 2003. Rapid worldwide depletion of predatory fish communities.
Nature. 423: 280-283.

Myung, J. 2003. Tutorial on maximum likelihood estimation. Journal of Mathematical Psychol-

ogy. 47: 90-100.

Nelder, J. A. & Wedderburn, R. W. M. 1972. Generalized Linear Models. J. R. Statist. Soc. A.

135(3): 370–384.

Pannatier, Y. 1996. Variowin 2.2. Software for special data analysis in 2D. New York: Springer-
Verlag, 96 p.

Pauly, D.; Christensen, V.; Dalsgaard, J.; Froese, R. & Torres, F. 1998. Fishing down marine
food webs. Science. 279: 860-863.

Pauly, D & Palomares, M. D. 2000. Approaches for dealing with three sources of bias when
studying the fishing down marine food web phenomenon. Kerkyra. p. 26-30.

Perez, J. A. A.; Pezzuto, P. R.; Rodrigues, L. F.; Valentini, H. & C.M. Vooren. 2001. Relatório
da reunião técnica de ordenamento da pesca de arrasto nas regiões sudeste e sul do Brasil.
NotasTécnicas da FACIMAR, 5: 1-34.

Perez, J. A. A.; Pezzuto, P. R.; Andrade, H.; Schwingel, P. R.; Rodrigues-Ribeiro, M. & R.
Wahrlich. 2002a. O ordenamento de uma nova pescaria direcionada ao peixe-sapo (Lophius-
gastrophysus) no sudeste e sul do Brasil. Notas Técnicas FACIMAR, 6:65-83.

Perez, J. A. A.; Andrade, H. A.; Rodrigues-Ribeiro, M.; Pezzuto, P. R.; Schwingel, P. R.;
Wahrlich, R.; Silva, A. Z.; Lopes, F. R. A.; Pacheco, A. A. M.; Kindermann, M. E.; Yoko-
hama, M. M.; Mazzoleni, R. & Santos, R. C. 2002b. Análise da pescaria do peixe-sapo
Lophius gastrophysus no sudeste e sul do Brasil - Ano 2001. Relatório Técnico - Convênio
MAPA/SARC/DPA/03/2001.

Perez, J. A. A.; Wahrlich, R. .; Pezzuto, P. R.; & Lopes, F. R. A. 2002c. Estrutura e dinâmica da
pescaria de peixe-sapo Lophius gastrophysus no sudeste e sul do Brasil. Boletim do Instituto
de Pesca de São Paulo. 28(2): 205-231.

Perez, J. A. A.; Wahrlich, P. R.; Pezzuto, P.R.; Schwingel, P.R.; Lopes, F.R.A. & Rodrigues-
Ribeiro, M. 2003. Deep-sea Fishery off Southern Brazil: Recent Trends of the Brazilian
Fishing Industry. J. Northw. Atl. Fish. Sci., 31: 1-18.

Perez, J. A. A.; Pezzuto, P. R. & Andrade, H. A. 2005. Biomass assessment of the monkfish
Lophius gastrophysus stock exploited by a new deep-water fishery in southern Brazil. Fish-
eries Research. 72: 149-162.

Perez, J. A. A. 2006. Potenciais de rendimento dos alvos da pesca de arrasto de talude do sudeste
e sul do Brasil estimados a partir de parâmetros do ciclo de vida. Braz. J. Aquat. Sci. Technol.
10(2): 1 - 11.

98
Perez, J. A. A.; Wahrlich, R.; Pezzuto, P. R. 2009. Chartered trawling on slope areas off Brazil.
Marine Fisheries Review, 72(1): 24-36.

Perez, J. A. A.; Pezzuto, P. R.; Wahrlich, R. & Soares, A. L. S. 2009b. Deep-water fisheries in
Brazil: history, status and perspectives. Lat. Am. J. Aquat. Res. 37(3): 513-541.

Pettigas, P. 2001. Geostatistics in fisheries survey design and stock assessment: models, vari-
ances and applications. Fish and Fisheries, 2: 231-249.

Pezzuto, P. R.; Perez, J.A.A. & R. Wahrlich. 2006. O ordenamento das pescarias de caranguejos-
de-profundidade (Chaceon spp.) (Decapoda: Geryonidae) no sul do Brasil. Boletim do Insti-
tuto de Pesca, 32(2): 229-247.

Pezzuto, P. R.; Perez, J. A. A. & Wahrlich, R. 2006. Deep-sea shrimps (Decapoda: Aristeidae):
new targets of the deep-water trawling fishery in Brazil. Brazillian Journal of Oceanography,
54: 123-134.

Pio, V.M. 2011. A Pesca Industrial de Emalhe de Fundo em Santa Catarina-Brasil: Dinâmica,
Tecnologia, Economia e Gestão. Dissertação apresentada à Universidade do Vale do Itajaí,
como parte dos requisitos para obtenção do grau de Mestre em Ciência e Tecnologia Ambi-
ental. 101 pp.

Pope, J. G. 1972. An investigation in the accuracy of the virtual population analysis using cohort
analysis. Res. Bull. Int. Comm. NW. Atlantic. Fish. 9: 65-74.

Quinn, T. J. & Deriso, R. B. 1999. Quantitative Fish Dynamics. New York: Oxford University
Press. 542 p.

R: A language and environment for statistical computing. R Foundation for Statistical Comput-
ing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/.

Ribeboim, J. 2010. Economia da pesca sustentável no Brasil. Recife, Ed. Bagaço. 262 p.

Ribeiro Jr., P. J. & Diggle, P. J. 2001. GeoR: a package for geostatistical analysis. R-News, vol.
1, n. 2. ISSN 1609-3631.

Rivoirard, J.; Simmonds, J.; Foote, K. G.; Fernandes, P. & Bez, N. 2000. Geostatistics for
estimationg fish abundance. Blackwell Science: Oxford. 205 p.

Rufino, M. M.; Stelzenmuller, V.; Maynou, F. & Zauke, P. Assessing the performance of linear
geostatistical tools applied to artificial fisheries data. Fisheries Research. 82: 263-279.

Sarkar, D. 2008. Lattice: multivariate data visualization with R. Springer, Nova Iorque. 265 p.

Saville, A. 1978. Métodos de reconocimiento para la evaluación de los recursos pesqueros. FAO
Doc. Téc. Pesca. 171. 78 p.

Scheaffer, R. L.; Mendenhall, W. & Ott, L. 1996. Elementary survey sampling. Fifth Edition.
Wadsworth Publishing, Belmont, California.

Schwarz, G. 1978. Estimating the dimension of a model. Annals of Statistics, 6(2): 461–464.

Application of the tweedie distribution to zero-catch data in CPUE analysis. Fisheries Research,
93:154-162.

99
Smith, S. 1996. Assessment of groundfish stocks based on bottom trawl survey results. NAFO
Sci. Coun. Studies. 28: 25-53.

Somerton, D. A.; Otto, R. S. & Syrjala, S. E. 2002. Can changes in tow duration on bottom
trawl surveys lead to change in CPUE and mean size? Fisheries Research. 55: 63-70.

Sparre, P. & Venema, S. C.; 1997. Introdução à avaliação de mananciais de peixes tropicas.
FAO Documento Técnico sobre as Pescas, 306/1. Roma: FAO.

Tillé, Y. & Matei, A. 2012. Sampling: survey sampling. R. 75 p.

Thomas, R. B. 1991. Systematic sampling for suspended sediment. In: Fan, S. & Kuo, Y. 1991.
Proceedings of the 15th Federal Interagency Sedimentation Conference. Las Vegas, Nevada.
p. 2-24.

Thompson, S. K. 1992. Sampling. John Wiley & Sons. New York, 343 p.

Walsh, S. J. 1996. Efficiency of bottom sampling trawls in deriving survey abundance indices.
NAFO Sci. Coun. Studies. 28: 9-24.

Wickham, H. ggplot2: elegant graphics for data analysis. Use R!. Springer, New York. 211 p.

Vaz-dos-Santos, A. M. 2006. Identificação de estoques da merluza, Merluccius hubbsi Marini,

1933 (Gadiformes: Merlucciidae) na região Sudeste-Sul do Brasil. Tese apresentada à Uni-
versidade de São Paulo como parte dos requisitos para a obtenção do título de Doutor em
Ciências, área de Oceanografia Biológica.

Vaz-dos-Santos, A. M.; Rossi-Wongtschowski, C. L. D. B.; Figueiredo, J. L. 2007. Recursos

pesqueiros compartilhados: bioecologia, manejo e aspectos aplicados no Brasil. Bol. Inst. de
Pesca de São Paulo. 33(2) 273-292.

Vaz-dos-Santos, A. M.; Rossi-Wongtschowski, C. L. D. B.; Figueiredo, J. L. 2009. Parâmetros

da reprodução e relação comprimento-peso da merluza Merluccius hubbsi (Teleostei: Mer-
lluccidae), estoque sudeste brasileiro (21◦ S - 29◦ S, ano 2004). Bol. Inst. de Pesca de São
Paulo. 35(1) 1-16.

Venables, W. N.; Ripley, B. D. 2002. Modern applied statistics with S. Springer, Nova Iorque,
495 p.

Zembruscki, S. G.; Barreto, H. T.; Palma, J. C. & Milliman, J. D. 1972. Estudo preliminar das
províncias geomorfológicas da margem continental brasileira. In: 26◦ Congresso Brasileiro
de Geologia. Belém, Anais... SBG, v. 2, 1972, p. 187-209.

100
ANEXOS

101
Mapas com as biomassas e incertezas preditas pelos modelos
geoestatísticos para as população virtualizadas

102
103
(a) População 1 - AASsr - n = 100 - Verossimilhança com média fixa
104
(b) População 1 - AASsr - n = 100 - Verossimilhança com média móvel
105
(c) População 1 - AASsr - n = 100 - WLS com média fixa
106
(d) População 1 - AASsr - n = 500 - Verossimilhança com média fixa
107
(e) População 1 - AASsr - n = 500 - Verossimilhança com média móvel
108
(f) População 1 - AASsr - n = 500 - WLS com média fixa
109
(g) População 1 - AASsr - n = 1000 - Verossimilhança com média fixa
110
(h) População 1 - AASsr - n = 1000 - Verossimilhança com média móvel
111
(i) População 1 - AASsr - n = 1000 - WLS com média fixa

Figura 27: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem aleatória simples sem reposição.
112
(a) População 1 - AE Área - n = 100 - Verossimilhança com média fixa
113
(b) População 1 - AE Área - n = 100 - Verossimilhança com média móvel
114
(c) População 1 - AE Área - n = 100 - WLS com média fixa
115
(d) População 1 - AE Área - n = 500 - Verossimilhança com média fixa
116
(e) População 1 - AE Área - n = 500 - Verossimilhança com média móvel
117
(f) População 1 - AE Área - n = 500 - WLS com média fixa
118
(g) População 1 - AE Área - n = 1000 - Verossimilhança com média fixa
119
(h) População 1 - AE Área - n = 1000 - Verossimilhança com média móvel
120
(i) População 1 - AE Área - n = 1000 - WLS com média fixa

Figura 28: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem estratificada por área.
121
(a) População 1 - AE Profundidade = 100 - Verossimilhança com média fixa
122
(b) População 1 - AE Profundidade - n = 100 - Verossimilhança com média móvel
123
(c) População 1 - AE Profundidade - n = 100 - WLS com média fixa
124
(d) População 1 - AE Profundidade - n = 500 - Verossimilhança com média fixa
125
(e) População 1 - AE Profundidade - n = 500 - Verossimilhança com média móvel
126
(f) População 1 - AE Profundidade - n = 500 - WLS com média fixa
127
(g) População 1 - AE Profundidade - n = 1000 - Verossimilhança com média fixa
128
(h) População 1 - AE Profundidade - n = 1000 - Verossimilhança com média móvel
129
(i) População 1 - AE Profundidade - n = 1000 - WLS com média fixa

Figura 29: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem estratificada por profundidade.
130
(a) População 1 - AS = 100 - Verossimilhança com média fixa
131
(b) População 1 - AS - n = 100 - Verossimilhança com média móvel
132
(c) População 1 - AS - n = 100 - WLS com média fixa
133
(d) População 1 - AS - n = 500 - Verossimilhança com média fixa
134
(e) População 1 - AS - n = 500 - Verossimilhança com média móvel
135
(f) População 1 - AS - n = 500 - WLS com média fixa
136
(g) População 1 - AS - n = 1000 - Verossimilhança com média fixa
137
(h) População 1 - AS - n = 1000 - Verossimilhança com média móvel
138
(i) População 1 - AS - n = 1000 - WLS com média fixa

Figura 30: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem aleatório-sistemática.
139
(a) População 1 - AAC2EPI - m = 5/n = 100 - Verossimilhança com média fixa
140
(b) População 1 - AAC2EPI - m = 5/n = 100 - Verossimilhança com média móvel
141
(c) População 1 - AAC2EPI - m = 5/n = 500 - Verossimilhança com média fixa
142
(d) População 1 - AAC2EPI - m = 5/n = 500 - Verossimilhança com média móvel
143
(e) População 1 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média fixa
144
(f) População 1 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média móvel
145
(g) População 1 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média móvel
146
(h) População 1 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média fixa
147
(i) População 1 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média móvel
148
(j) População 1 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média móvel
149
(k) População 1 - AAC2EPI - m = 50/n = 100 - Verossimilhança com média fixa
150
(l) População 1 - AAC2EPI - m = 50/n = 100 - Verossimilhança com média móvel
151
(m) População 1 - AAC2EPI - m = 50/n = 100 - WLS com média fixa

Figura 31: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem por conglomerados em dois
estágios com probabilidades iguais.
152
(a) População 1 - AAC2EPD - m = 5/n = 100 - Verossimilhança com média fixa
153
(b) População 1 - AAC2EPD - m = 5/n = 100 - Verossimilhança com média móvel
154
(c) População 1 - AAC2EPD - m = 5/n = 100 - WLS com média fixa
155
(d) População 1 - AAC2EPD - m = 5/n = 500 - Verossimilhança com média fixa
156
(e) População 1 - AAC2EPD - m = 5/n = 500 - Verossimilhança com média móvel
157
(f) População 1 - AAC2EPD - m = 5/n = 500 - WLS com média fixa
158
(g) População 1 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média fixa
159
(h) População 1 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média móvel
160
(i) População 1 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média móvel
161
(j) População 1 - AAC2EPD - m = 25/n = 500 - Verossimilhança com média fixa
162
(k) População 1 - AAC2EPD - m = 25/n = 500 - Verossimilhança com média móvel
163
(l) População 1 - AAC2EPD - m = 50/n = 100 - Verossimilhança com média fixa
164
(m) População 1 - AAC2EPD - m = 50/n = 100 - Verossimilhança com média móvel
165
(n) População 1 - AAC2EPD - m = 50/n = 100 - WLS com média fixa

Figura 32: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 1, amostragem por conglomerados em dois
estágios com probabilidades desiguais.
166
(a) População 2 - AASsr - n = 100 - Verossimilhança com média fixa
167
(b) População 2 - AASsr - n = 100 - Verossimilhança com média móvel
168
(c) População 2 - AASsr - n = 100 - WLS com média fixa
169
(d) População 2 - AASsr - n = 500 - Verossimilhança com média fixa
170
(e) População 2 - AASsr - n = 500 - Verossimilhança com média móvel
171
(f) População 2 - AASsr - n = 500 - WLS com média fixa
172
(g) População 2 - AASsr - n = 1000 - Verossimilhança com média fixa
173
(h) População 2 - AASsr - n = 1000 - Verossimilhança com média móvel

Figura 33: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem aleatória simples sem reposição.
174
(a) População 2 - AE Área - n = 100 - Verossimilhança com média fixa
175
(b) População 2 - AE Área - n = 100 - Verossimilhança com média móvel
176
(c) População 2 - AE Área - n = 100 - WLS com média fixa
177
(d) População 2 - AE Área - n = 500 - Verossimilhança com média fixa
178
(e) População 2 - AE Área - n = 500 - Verossimilhança com média móvel
179
(f) População 2 - AE Área - n = 500 - WLS com média fixa
180
(g) População 2 - AE Área - n = 1000 - Verossimilhança com média fixa
181
(h) População 2 - AE Área - n = 1000 - Verossimilhança com média móvel
182
(i) População 2 - AE Área - n = 1000 - WLS com média fixa

Figura 34: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem estratificada por área.
183
(a) População 2 - AE Profundidade = 100 - Verossimilhança com média fixa
184
(b) População 2 - AE Profundidade - n = 100 - Verossimilhança com média móvel
185
(c) População 2 - AE Profundidade - n = 100 - WLS com média fixa
186
(d) População 2 - AE Profundidade - n = 500 - Verossimilhança com média fixa
187
(e) População 2 - AE Profundidade - n = 500 - Verossimilhança com média móvel
188
(f) População 2 - AE Profundidade - n = 500 - WLS com média fixa
189
(g) População 2 - AE Profundidade - n = 1000 - Verossimilhança com média fixa
190
(h) População 2 - AE Profundidade - n = 1000 - Verossimilhança com média móvel
191
(i) População 2 - AE Profundidade - n = 1000 - WLS com média fixa

Figura 35: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem estratificada por profundidade.
192
(a) População 2 - AS = 100 - Verossimilhança com média fixa
193
(b) População 2 - AS - n = 100 - Verossimilhança com média móvel
194
(c) População 2 - AS - n = 100 - WLS com média fixa
195
(d) População 2 - AS - n = 500 - Verossimilhança com média fixa
196
(e) População 2 - AS - n = 500 - Verossimilhança com média móvel
197
(f) População 2 - AS - n = 500 - WLS com média fixa
198
(g) População 2 - AS - n = 1000 - Verossimilhança com média fixa
199
(h) População 2 - AS - n = 1000 - Verossimilhança com média móvel
200
(i) População 2 - AS - n = 1000 - WLS com média fixa

Figura 36: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem aleatório-sistemática.
201
(a) População 2 - AAC2EPI - m = 5/n = 100 - Verossimilhança com média fixa
202
(b) População 2 - AAC2EPI - m = 5/n = 100 - Verossimilhança com média móvel
203
(c) População 2 - AAC2EPI - m = 5/n = 500 - Verossimilhança com média fixa
204
(d) População 2 - AAC2EPI - m = 5/n = 500 - Verossimilhança com média móvel
205
(e) População 2 - AAC2EPI - m = 5/n = 500 - WLS com média fixa
206
(f) População 2 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média fixa
207
(g) População 2 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média móvel
208
(h) População 2 - AAC2EPI - m = 25/n = 100 - Verossimilhança com média móvel
209
(i) População 2 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média fixa
210
(j) População 2 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média móvel
211
(k) População 2 - AAC2EPI - m = 25/n = 500 - Verossimilhança com média móvel
212
(l) População 2 - AAC2EPI - m = 50/n = 100 - Verossimilhança com média fixa
213
(m) População 2 - AAC2EPI - m = 50/n = 100 - Verossimilhança com média móvel
214
(n) População 2 - AAC2EPI - m = 50/n = 100 - WLS com média fixa

Figura 37: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem por conglomerados em dois
estágios com probabilidades iguais.
215
(a) População 2 - AAC2EPD - m = 5/n = 100 - Verossimilhança com média fixa
216
(b) População 2 - AAC2EPD - m = 5/n = 100 - Verossimilhança com média móvel
217
(c) População 2 - AAC2EPD - m = 5/n = 100 - WLS com média fixa
218
(d) População 2 - AAC2EPD - m = 5/n = 500 - Verossimilhança com média fixa
219
(e) População 2 - AAC2EPD - m = 5/n = 500 - Verossimilhança com média móvel
220
(f) População 2 - AAC2EPD - m = 5/n = 500 - WLS com média fixa
221
(g) População 2 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média fixa
222
(h) População 2 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média móvel
223
(i) População 2 - AAC2EPD - m = 25/n = 100 - Verossimilhança com média móvel
224
(j) População 2 - AAC2EPD - m = 25/n = 500 - Verossimilhança com média fixa
225
(k) População 2 - AAC2EPD - m = 25/n = 500 - Verossimilhança com média móvel
226
(l) População 2 - AAC2EPD - m = 25/n = 500 - Verossimilhança com média móvel
227
(m) População 2 - AAC2EPD - m = 50/n = 100 - Verossimilhança com média fixa
228
(n) População 2 - AAC2EPD - m = 50/n = 100 - Verossimilhança com média móvel
229
(o) População 2 - AAC2EPD - m = 50/n = 100 - WLS com média fixa

Figura 38: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - População 2, amostragem por conglomerados em dois
estágios com probabilidades desiguais.
 Mapas com as biomassas e incertezas preditas pelos modelos
geoestatísticos com estrutura de correlação espacial do tipo “Matérn”
para as três espécies alvo deste estudo: Abrótea-de-fundo, Merluza e
Peixe-sapo

230
231
(a) Abrótea-de-fundo - 2001 - Densidades kg/km2
232
(b) Abrótea-de-fundo - 2002 - Densidades kg/km2
233
(c) Abrótea-de-fundo - 2001 - Incertezas kg/km2
234
(d) Abrótea-de-fundo - 2001 - Incertezas kg/km2

Figura 39: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - Abrótea-de-fundo (Urophycis mystacea).
235
(a) Merluza - 2001 - Densidades kg/km2
236
(b) Merluza - 2002 - Densidades kg/km2
237
(c) Merluza - 2001 - Incertezas kg/km2
238
(d) Merluza - 2002 - Incertezas kg/km2

Figura 40: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - Merluza (Merluccius hubbsi).
239
(a) Peixe-sapo - 2001 - Densidades kg/km2
240
(b) Peixe-sapo - 2002 - Densidades kg/km2
241
(c) Peixe-sapo - 2001 - Incertezas kg/km2
242
(d) Peixe-sapo - 2002 - Incertezas kg/km2

Figura 41: Mapas da distribuição das densidades e incertezas preditas pelos modelos geoestatísticos - Peixe-sapo (Lophius gastrophysus).
Tabela com os resultados das expanssões amostrais baseadas nos
princípios básicos da teoria de amostragens complexas.

243
Tabela 11: Estimativas de biomassa e respectivos erros padrões das duas populações virtualizadas com
expansão baseada nos princípios e estimadores da teoria de amostragens complexas para cada um dos
240 desenhos amostrais implementados. A titulo de comparação: a biomassa real estípulada para a
população 1 é de 20.000.000 kg e para população 2 é de 5.000.000 kg.

ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
1 pop 1 AASsr 100 20.466.941,35 1.000.733,09 0.05
2 pop 1 AASsr 200 19.929.322,72 695.086,86 0.03
3 pop 1 AASsr 300 18.914.883,72 581.941,15 0.03
4 pop 1 AASsr 400 21.368.696,98 525.520,28 0.02
5 pop 1 AASsr 500 20.369.979,96 459.049,15 0.02
6 pop 1 AASsr 600 19.956.325,53 412.385,34 0.02
7 pop 1 AASsr 700 20.214.414,06 392.071,67 0.02
8 pop 1 AASsr 800 19.819.823,60 352.674,28 0.02
9 pop 1 AASsr 900 19.279.886,83 322.593,45 0.02
10 pop 1 AASsr 1.000 19.757.907,59 323.103,95 0.02
11 pop 1 AE-area 100 18.107.126,04 866.005,54 0.05
12 pop 1 AE-area 200 18.986.786,45 653.027,09 0.03
13 pop 1 AE-area 300 20.672.786,92 553.753,15 0.03
14 pop 1 AE-area 400 19.934.926,87 487.077,03 0.02
15 pop 1 AE-area 500 19.603.574,38 426.099,28 0.02
16 pop 1 AE-area 600 19.664.557,26 390.859,36 0.02
17 pop 1 AE-area 700 19.943.068,21 355.520,79 0.02
18 pop 1 AE-area 800 20.276.160,70 350.048,15 0.02
19 pop 1 AE-area 900 20.310.590,40 328.187,60 0.02
20 pop 1 AE-area 1.000 20.316.507,33 299.142,34 0.01
21 pop 1 AE-prof 100 19.911.681,52 851.882,92 0.04
22 pop 1 AE-prof 200 20.256.822,42 549.750,97 0.03
23 pop 1 AE-prof 300 19.769.927,58 496.465,78 0.03
24 pop 1 AE-prof 400 20.094.395,27 401.970,34 0.02
25 pop 1 AE-prof 500 19.529.002,01 367.857,29 0.02
26 pop 1 AE-prof 600 20.006.841,69 350.096,39 0.02
27 pop 1 AE-prof 700 19.677.393,82 291.649,09 0.01
28 pop 1 AE-prof 800 20.183.496,86 287.127,83 0.01
29 pop 1 AE-prof 900 20.342.259,03 282.404,84 0.01
30 pop 1 AE-prof 1.000 19.903.695,72 264.027,38 0.01
31 pop 1 AS 100 21.253.458,63 1.020.985,33 0.05
32 pop 1 AS 200 19.594.374,73 695.692,00 0.04
33 pop 1 AS 300 20.007.080,65 594.905,02 0.03
34 pop 1 AS 400 19.389.583,45 504.258,86 0.03
35 pop 1 AS 500 20.075.757,08 454.920,28 0.02
36 pop 1 AS 600 19.685.004,36 403.001,10 0.02
37 pop 1 AS 700 20.139.708,15 379.758,12 0.02
38 pop 1 AS 800 19.927.333,99 362.923,32 0.02
39 pop 1 AS 900 19.714.297,06 342.363,90 0.02
40 pop 1 AS 1.000 19.432.626,85 308.442,87 0.02
41 pop 1 AA2E-iguais 5 10 18.362.311,78 14.742.950,01 0.80
42 pop 1 AA2E-iguais 5 20 22.693.021,02 9.640.714,78 0.42
43 pop 1 AA2E-iguais 5 30 7.333.220,93 3.702.201,77 0.50
44 pop 1 AA2E-iguais 5 40 14.710.811,11 3.930.391,79 0.27
45 pop 1 AA2E-iguais 5 50 8.087.880,19 2.626.473,53 0.32
46 pop 1 AA2E-iguais 5 60 27.895.625,00 9.533.293,74 0.34
47 pop 1 AA2E-iguais 5 70 31.677.679,67 11.569.045,73 0.37
Continua na próxima página...

244
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
48 pop 1 AA2E-iguais 5 80 9.548.655,26 4.274.771,95 0.45
49 pop 1 AA2E-iguais 5 90 40.162.282,29 16.527.474,57 0.41
50 pop 1 AA2E-iguais 5 100 46.924.197,24 18.200.848,48 0.39
51 pop 1 AA2E-iguais 10 10 11.126.876,10 2.176.085,78 0.20
52 pop 1 AA2E-iguais 10 20 20.503.340,93 7.660.149,50 0.37
53 pop 1 AA2E-iguais 10 30 25.871.455,41 7.717.712,58 0.30
54 pop 1 AA2E-iguais 10 40 13.018.600,91 3.266.262,02 0.25
55 pop 1 AA2E-iguais 10 50 15.372.488,40 3.962.845,10 0.26
56 pop 1 AA2E-iguais 10 60 18.381.771,84 7.047.165,34 0.38
57 pop 1 AA2E-iguais 10 70 22.128.173,14 8.257.604,53 0.37
58 pop 1 AA2E-iguais 10 80 16.709.406,52 5.845.314,13 0.35
59 pop 1 AA2E-iguais 10 90 12.295.939,88 4.097.786,46 0.33
60 pop 1 AA2E-iguais 10 100 23.020.631,90 9.025.733,04 0.39
61 pop 1 AA2E-iguais 15 10 20.963.397,18 5.409.639,30 0.26
62 pop 1 AA2E-iguais 15 20 17.479.410,71 5.096.599,64 0.29
63 pop 1 AA2E-iguais 15 30 31.002.244,02 8.418.861,91 0.27
64 pop 1 AA2E-iguais 15 40 34.057.950,84 8.915.093,36 0.26
65 pop 1 AA2E-iguais 15 50 16.311.593,26 5.109.511,04 0.31
66 pop 1 AA2E-iguais 15 60 15.976.565,10 4.687.955,70 0.29
67 pop 1 AA2E-iguais 15 70 16.728.281,23 4.535.029,72 0.27
68 pop 1 AA2E-iguais 15 80 21.277.739,63 6.174.209,93 0.29
69 pop 1 AA2E-iguais 15 90 26.404.489,28 7.886.692,17 0.30
70 pop 1 AA2E-iguais 15 100 16.714.527,78 5.000.812,76 0.30
71 pop 1 AA2E-iguais 20 10 14.622.917,72 3.659.626,68 0.25
72 pop 1 AA2E-iguais 20 20 12.392.301,09 3.144.011,15 0.25
73 pop 1 AA2E-iguais 20 30 18.126.793,29 4.659.222,86 0.26
74 pop 1 AA2E-iguais 20 40 16.898.926,90 3.781.894,87 0.22
75 pop 1 AA2E-iguais 20 50 24.492.277,72 5.508.202,61 0.22
76 pop 1 AA2E-iguais 20 60 17.926.349,97 5.159.853,10 0.29
77 pop 1 AA2E-iguais 20 70 20.733.971,48 4.908.672,55 0.24
78 pop 1 AA2E-iguais 20 80 14.026.836,78 3.424.615,92 0.24
79 pop 1 AA2E-iguais 20 90 19.871.526,24 4.795.976,62 0.24
80 pop 1 AA2E-iguais 20 100 25.923.081,37 6.390.637,70 0.25
81 pop 1 AA2E-iguais 25 10 14.254.696,96 2.242.698,85 0.16
82 pop 1 AA2E-iguais 25 20 14.060.642,63 2.891.076,76 0.21
83 pop 1 AA2E-iguais 25 30 16.346.056,69 2.352.570,57 0.14
84 pop 1 AA2E-iguais 25 40 26.401.455,42 4.707.380,19 0.18
85 pop 1 AA2E-iguais 25 50 24.461.914,68 4.918.278,95 0.20
86 pop 1 AA2E-iguais 25 60 11.495.893,44 2.056.952,00 0.18
87 pop 1 AA2E-iguais 25 70 21.463.798,45 4.536.473,30 0.21
88 pop 1 AA2E-iguais 25 80 18.671.754,91 4.071.347,75 0.22
89 pop 1 AA2E-iguais 25 90 19.012.445,13 4.070.676,93 0.21
90 pop 1 AA2E-iguais 25 100 16.912.493,03 3.435.318,04 0.20
91 pop 1 AA2E-iguais 30 10 19.655.762,51 3.516.455,38 0.18
92 pop 1 AA2E-iguais 30 20 25.924.622,01 3.770.946,66 0.15
93 pop 1 AA2E-iguais 30 30 19.663.662,61 3.094.711,88 0.16
94 pop 1 AA2E-iguais 30 40 18.770.376,19 2.763.544,53 0.15
95 pop 1 AA2E-iguais 30 50 18.481.673,18 2.641.383,12 0.14
96 pop 1 AA2E-iguais 30 60 19.032.079,50 3.455.257,00 0.18
97 pop 1 AA2E-iguais 30 70 19.928.105,92 3.960.342,94 0.20
98 pop 1 AA2E-iguais 30 80 24.124.075,46 3.956.364,59 0.16
99 pop 1 AA2E-iguais 30 90 15.627.412,22 2.517.358,37 0.16
100 pop 1 AA2E-iguais 30 100 23.209.520,49 3.237.626,17 0.14
Continua na próxima página...

245
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
101 pop 1 AA2E-iguais 35 10 19.643.784,49 2.780.117,46 0.14
102 pop 1 AA2E-iguais 35 20 16.910.329,83 2.010.063,55 0.12
103 pop 1 AA2E-iguais 35 30 14.302.016,78 2.304.089,33 0.16
104 pop 1 AA2E-iguais 35 40 21.797.426,19 3.188.093,68 0.15
105 pop 1 AA2E-iguais 35 50 17.236.205,02 2.597.475,23 0.15
106 pop 1 AA2E-iguais 35 60 18.045.719,45 2.416.459,67 0.13
107 pop 1 AA2E-iguais 35 70 15.234.222,20 2.294.065,70 0.15
108 pop 1 AA2E-iguais 35 80 21.136.172,85 2.973.120,77 0.14
109 pop 1 AA2E-iguais 35 90 15.728.538,52 2.176.220,67 0.14
110 pop 1 AA2E-iguais 35 100 24.396.706,75 3.330.308,18 0.14
111 pop 1 AA2E-iguais 40 10 15.951.846,20 1.810.736,34 0.11
112 pop 1 AA2E-iguais 40 20 19.928.348,41 2.368.541,31 0.12
113 pop 1 AA2E-iguais 40 30 19.276.094,05 2.449.182,23 0.13
114 pop 1 AA2E-iguais 40 40 21.266.746,12 2.444.477,54 0.11
115 pop 1 AA2E-iguais 40 50 19.804.622,47 2.464.230,21 0.12
116 pop 1 AA2E-iguais 40 60 21.651.165,45 2.494.765,61 0.12
117 pop 1 AA2E-iguais 40 70 23.121.244,75 2.694.469,72 0.12
118 pop 1 AA2E-iguais 40 80 16.965.138,16 1.978.934,17 0.12
119 pop 1 AA2E-iguais 40 90 23.517.705,49 2.675.590,04 0.11
120 pop 1 AA2E-iguais 40 100 20.935.608,63 2.221.529,42 0.11
121 pop 1 AA2E-iguais 45 10 17.560.235,74 1.457.234,92 0.08
122 pop 1 AA2E-iguais 45 20 19.500.282,56 1.942.675,67 0.10
123 pop 1 AA2E-iguais 45 30 22.940.682,00 2.100.027,31 0.09
124 pop 1 AA2E-iguais 45 40 21.713.726,88 2.122.999,95 0.10
125 pop 1 AA2E-iguais 45 50 21.818.561,13 1.989.598,56 0.09
126 pop 1 AA2E-iguais 45 60 21.483.450,58 2.107.035,26 0.10
127 pop 1 AA2E-iguais 45 70 18.977.317,03 2.012.026,33 0.11
128 pop 1 AA2E-iguais 45 80 19.393.039,69 2.060.451,62 0.11
129 pop 1 AA2E-iguais 45 90 20.667.984,36 2.044.647,92 0.10
130 pop 1 AA2E-iguais 45 100 22.876.544,63 2.086.884,67 0.09
131 pop 1 AA2E-iguais 50 10 21.350.663,64 1.662.163,46 0.08
132 pop 1 AA2E-iguais 50 20 18.610.579,23 1.528.685,03 0.08
133 pop 1 AA2E-iguais 50 30 19.688.644,38 1.567.100,06 0.08
134 pop 1 AA2E-iguais 50 40 20.587.710,48 1.608.966,83 0.08
135 pop 1 AA2E-iguais 50 50 21.596.215,90 1.596.690,53 0.07
136 pop 1 AA2E-iguais 50 60 14.753.261,22 941.965,16 0.06
137 pop 1 AA2E-iguais 50 70 15.285.059,30 993.532,34 0.07
138 pop 1 AA2E-iguais 50 80 19.776.375,54 1.473.024,80 0.07
139 pop 1 AA2E-iguais 50 90 20.421.377,13 1.568.351,76 0.08
140 pop 1 AA2E-iguais 50 100 21.666.034,20 1.575.225,96 0.07
141 pop 1 AA2E-desiguais 5 10 38.813.064,64 5.276.096,76 0.14
142 pop 1 AA2E-desiguais 5 20 51.648.459,27 16.049.809,50 0.31
143 pop 1 AA2E-desiguais 5 30 62.200.090,44 10.973.257,17 0.18
144 pop 1 AA2E-desiguais 5 40 49.598.438,98 9.109.612,50 0.18
145 pop 1 AA2E-desiguais 5 50 45.353.562,29 19.999.455,55 0.44
146 pop 1 AA2E-desiguais 5 60 39.090.504,79 13.017.231,62 0.33
147 pop 1 AA2E-desiguais 5 70 25.539.219,49 1.957.209,06 0.08
148 pop 1 AA2E-desiguais 5 80 52.657.325,74 18.212.318,17 0.35
149 pop 1 AA2E-desiguais 5 90 29.421.697,61 3.768.635,72 0.13
150 pop 1 AA2E-desiguais 5 100 31.312.041,13 5.385.983,84 0.17
151 pop 1 AA2E-desiguais 10 10 33.055.261,40 3.409.006,11 0.10
152 pop 1 AA2E-desiguais 10 20 47.540.846,80 7.753.812,70 0.16
153 pop 1 AA2E-desiguais 10 30 48.170.109,97 8.570.351,75 0.18
Continua na próxima página...

246
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
154 pop 1 AA2E-desiguais 10 40 38.530.102,28 5.063.201,74 0.13
155 pop 1 AA2E-desiguais 10 50 46.220.123,27 7.954.137,11 0.17
156 pop 1 AA2E-desiguais 10 60 52.605.797,61 10.111.978,54 0.19
157 pop 1 AA2E-desiguais 10 70 46.121.023,50 9.870.199,90 0.21
158 pop 1 AA2E-desiguais 10 80 35.810.859,77 4.059.484,88 0.11
159 pop 1 AA2E-desiguais 10 90 47.741.722,38 7.780.966,72 0.16
160 pop 1 AA2E-desiguais 10 100 49.395.676,74 10.297.383,23 0.21
161 pop 1 AA2E-desiguais 15 10 40.387.720,84 5.011.483,47 0.12
162 pop 1 AA2E-desiguais 15 20 46.044.268,08 7.359.590,26 0.16
163 pop 1 AA2E-desiguais 15 30 48.358.587,01 8.144.258,49 0.17
164 pop 1 AA2E-desiguais 15 40 49.833.601,33 6.691.240,82 0.13
165 pop 1 AA2E-desiguais 15 50 46.496.210,77 7.583.304,14 0.16
166 pop 1 AA2E-desiguais 15 60 42.977.205,56 4.640.969,10 0.11
167 pop 1 AA2E-desiguais 15 70 48.753.661,58 6.820.552,40 0.14
168 pop 1 AA2E-desiguais 15 80 51.316.793,35 6.571.680,55 0.13
169 pop 1 AA2E-desiguais 15 90 39.603.310,46 5.726.860,58 0.14
170 pop 1 AA2E-desiguais 15 100 41.174.659,12 7.482.889,49 0.18
171 pop 1 AA2E-desiguais 20 10 46.386.934,39 5.303.546,28 0.11
172 pop 1 AA2E-desiguais 20 20 40.856.199,84 4.666.567,13 0.11
173 pop 1 AA2E-desiguais 20 30 42.249.157,65 5.224.270,37 0.12
174 pop 1 AA2E-desiguais 20 40 43.980.674,70 5.809.278,59 0.13
175 pop 1 AA2E-desiguais 20 50 41.831.397,38 5.193.392,40 0.12
176 pop 1 AA2E-desiguais 20 60 44.846.433,15 5.241.204,14 0.12
177 pop 1 AA2E-desiguais 20 70 44.013.033,26 5.295.534,62 0.12
178 pop 1 AA2E-desiguais 20 80 44.140.588,22 5.669.738,65 0.13
179 pop 1 AA2E-desiguais 20 90 43.711.385,78 5.459.227,20 0.12
180 pop 1 AA2E-desiguais 20 100 42.241.071,36 5.784.589,28 0.14
181 pop 1 AA2E-desiguais 25 10 38.895.123,29 4.854.910,06 0.12
182 pop 1 AA2E-desiguais 25 20 38.650.983,13 4.732.261,53 0.12
183 pop 1 AA2E-desiguais 25 30 37.293.280,25 4.711.380,63 0.13
184 pop 1 AA2E-desiguais 25 40 38.059.209,75 4.723.342,72 0.12
185 pop 1 AA2E-desiguais 25 50 38.280.860,72 4.661.597,39 0.12
186 pop 1 AA2E-desiguais 25 60 38.213.403,55 4.587.754,38 0.12
187 pop 1 AA2E-desiguais 25 70 38.169.275,39 4.656.830,42 0.12
188 pop 1 AA2E-desiguais 25 80 38.256.647,92 4.639.105,55 0.12
189 pop 1 AA2E-desiguais 25 90 38.328.756,49 4.753.848,82 0.12
190 pop 1 AA2E-desiguais 25 100 38.518.325,19 4.672.622,90 0.12
191 pop 1 AA2E-desiguais 30 10 32.641.366,31 4.113.829,95 0.13
192 pop 1 AA2E-desiguais 30 20 31.844.374,35 3.616.335,78 0.11
193 pop 1 AA2E-desiguais 30 30 34.181.383,49 4.061.993,59 0.12
194 pop 1 AA2E-desiguais 30 40 32.187.017,10 3.756.945,68 0.12
195 pop 1 AA2E-desiguais 30 50 33.388.988,37 3.960.231,60 0.12
196 pop 1 AA2E-desiguais 30 60 32.312.094,57 3.990.159,79 0.12
197 pop 1 AA2E-desiguais 30 70 34.381.113,71 4.144.859,98 0.12
198 pop 1 AA2E-desiguais 30 80 33.216.335,11 3.928.491,12 0.12
199 pop 1 AA2E-desiguais 30 90 33.981.007,39 3.891.706,16 0.11
200 pop 1 AA2E-desiguais 30 100 34.095.576,66 3.905.364,24 0.11
201 pop 1 AA2E-desiguais 35 10 29.216.732,80 3.288.930,23 0.11
202 pop 1 AA2E-desiguais 35 20 29.656.979,28 3.281.822,65 0.11
203 pop 1 AA2E-desiguais 35 30 28.710.060,96 3.271.387,50 0.11
204 pop 1 AA2E-desiguais 35 40 29.450.925,19 3.352.315,69 0.11
205 pop 1 AA2E-desiguais 35 50 29.303.510,70 3.436.040,49 0.12
206 pop 1 AA2E-desiguais 35 60 28.624.022,95 3.279.732,08 0.11
Continua na próxima página...

247
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
207 pop 1 AA2E-desiguais 35 70 29.726.680,92 3.252.573,86 0.11
208 pop 1 AA2E-desiguais 35 80 29.487.505,57 3.287.007,55 0.11
209 pop 1 AA2E-desiguais 35 90 29.778.147,38 3.293.367,68 0.11
210 pop 1 AA2E-desiguais 35 100 29.176.668,47 3.246.732,63 0.11
211 pop 1 AA2E-desiguais 40 10 26.689.135,77 2.723.875,78 0.10
212 pop 1 AA2E-desiguais 40 20 27.510.105,13 2.698.698,66 0.10
213 pop 1 AA2E-desiguais 40 30 26.614.767,13 2.680.547,34 0.10
214 pop 1 AA2E-desiguais 40 40 26.273.049,34 2.578.694,12 0.10
215 pop 1 AA2E-desiguais 40 50 27.313.575,65 2.759.013,68 0.10
216 pop 1 AA2E-desiguais 40 60 26.776.530,60 2.636.114,09 0.10
217 pop 1 AA2E-desiguais 40 70 26.603.011,12 2.600.701,13 0.10
218 pop 1 AA2E-desiguais 40 80 26.957.657,26 2.620.019,06 0.10
219 pop 1 AA2E-desiguais 40 90 26.477.644,70 2.660.303,65 0.10
220 pop 1 AA2E-desiguais 40 100 27.112.327,92 2.607.620,15 0.10
221 pop 1 AA2E-desiguais 45 10 24.717.132,28 2.194.221,27 0.09
222 pop 1 AA2E-desiguais 45 20 24.387.036,70 2.140.480,72 0.09
223 pop 1 AA2E-desiguais 45 30 24.875.166,18 2.094.334,87 0.08
224 pop 1 AA2E-desiguais 45 40 24.759.755,00 2.047.073,32 0.08
225 pop 1 AA2E-desiguais 45 50 24.346.495,16 2.111.308,83 0.09
226 pop 1 AA2E-desiguais 45 60 24.877.294,50 2.038.419,24 0.08
227 pop 1 AA2E-desiguais 45 70 25.040.740,61 2.077.531,88 0.08
228 pop 1 AA2E-desiguais 45 80 25.147.030,21 2.112.478,77 0.08
229 pop 1 AA2E-desiguais 45 90 24.316.849,48 2.087.464,93 0.09
230 pop 1 AA2E-desiguais 45 100 24.692.117,81 2.091.940,00 0.08
231 pop 1 AA2E-desiguais 50 10 21.866.115,00 1.609.583,49 0.07
232 pop 1 AA2E-desiguais 50 20 22.235.632,92 1.542.503,56 0.07
233 pop 1 AA2E-desiguais 50 30 22.414.699,13 1.584.811,15 0.07
234 pop 1 AA2E-desiguais 50 40 22.208.996,91 1.554.863,97 0.07
235 pop 1 AA2E-desiguais 50 50 21.991.798,47 1.536.732,66 0.07
236 pop 1 AA2E-desiguais 50 60 22.702.470,07 1.585.147,01 0.07
237 pop 1 AA2E-desiguais 50 70 22.802.324,62 1.521.083,91 0.07
238 pop 1 AA2E-desiguais 50 80 22.709.095,83 1.559.327,57 0.07
239 pop 1 AA2E-desiguais 50 90 22.948.320,50 1.545.643,13 0.07
240 pop 1 AA2E-desiguais 50 100 22.334.198,81 1.578.280,52 0.07
241 pop 2 AASsr 100 5.024.275,53 258.945,93 0.05
242 pop 2 AASsr 200 5.291.166,83 211.269,74 0.04
243 pop 2 AASsr 300 4.928.314,31 152.732,90 0.03
244 pop 2 AASsr 400 4.973.726,43 139.264,76 0.03
245 pop 2 AASsr 500 4.988.563,89 120.239,41 0.02
246 pop 2 AASsr 600 4.997.005,98 107.785,38 0.02
247 pop 2 AASsr 700 4.910.626,22 102.079,80 0.02
248 pop 2 AASsr 800 5.006.763,93 96.063,46 0.02
249 pop 2 AASsr 900 4.905.699,49 85.913,08 0.02
250 pop 2 AASsr 1.000 4.989.043,78 86.290,76 0.02
251 pop 2 AE-area 100 4.901.413,01 99.257,47 0.02
252 pop 2 AE-area 200 4.953.838,44 85.766,00 0.02
253 pop 2 AE-area 300 4.963.132,88 74.735,09 0.02
254 pop 2 AE-area 400 4.971.176,44 55.424,96 0.01
255 pop 2 AE-area 500 5.011.464,67 56.382,42 0.01
256 pop 2 AE-area 600 5.063.319,20 49.973,56 0.01
257 pop 2 AE-area 700 4.950.279,07 45.810,54 0.01
258 pop 2 AE-area 800 4.982.509,39 45.276,67 0.01
259 pop 2 AE-area 900 4.968.987,59 42.030,42 0.01
Continua na próxima página...

248
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
260 pop 2 AE-area 1.000 5.000.986,90 37.248,19 0.01
261 pop 2 AE-prof 100 4.974.794,40 255.831,85 0.05
262 pop 2 AE-prof 200 5.016.843,42 196.624,50 0.04
263 pop 2 AE-prof 300 5.082.146,03 158.111,82 0.03
264 pop 2 AE-prof 400 5.090.601,81 143.018,74 0.03
265 pop 2 AE-prof 500 5.026.401,71 120.758,48 0.02
266 pop 2 AE-prof 600 4.997.341,44 111.876,75 0.02
267 pop 2 AE-prof 700 4.875.325,37 98.420,83 0.02
268 pop 2 AE-prof 800 4.966.047,02 93.815,21 0.02
269 pop 2 AE-prof 900 4.961.853,99 88.133,97 0.02
270 pop 2 AE-prof 1.000 4.958.431,40 82.705,17 0.02
271 pop 2 AS 100 4.995.410,35 276.792,18 0.06
272 pop 2 AS 200 5.009.801,42 191.091,77 0.04
273 pop 2 AS 300 4.989.280,74 156.708,66 0.03
274 pop 2 AS 400 5.038.660,33 138.461,39 0.03
275 pop 2 AS 500 4.996.149,27 120.500,09 0.02
276 pop 2 AS 600 5.000.833,12 109.627,65 0.02
277 pop 2 AS 700 4.959.270,92 101.029,49 0.02
278 pop 2 AS 800 4.968.417,44 95.163,71 0.02
279 pop 2 AS 900 5.005.716,95 90.230,11 0.02
280 pop 2 AS 1.000 4.986.575,57 85.032,86 0.02
281 pop 2 AA2E-iguais 5 10 4.941.982,11 3.237.975,65 0.66
282 pop 2 AA2E-iguais 5 20 5.714.852,82 3.398.958,05 0.59
283 pop 2 AA2E-iguais 5 30 6.150.314,38 3.247.692,39 0.53
284 pop 2 AA2E-iguais 5 40 2.250.197,80 1.054.140,51 0.47
285 pop 2 AA2E-iguais 5 50 1.082.148,03 252.974,82 0.23
286 pop 2 AA2E-iguais 5 60 1.483.557,21 278.415,63 0.19
287 pop 2 AA2E-iguais 5 70 5.377.061,55 3.103.027,95 0.58
288 pop 2 AA2E-iguais 5 80 2.541.393,57 950.382,13 0.37
289 pop 2 AA2E-iguais 5 90 3.314.003,12 702.840,47 0.21
290 pop 2 AA2E-iguais 5 100 3.971.092,47 2.003.476,99 0.50
291 pop 2 AA2E-iguais 10 10 9.166.945,85 2.901.532,93 0.32
292 pop 2 AA2E-iguais 10 20 3.393.811,65 1.493.712,99 0.44
293 pop 2 AA2E-iguais 10 30 2.012.671,34 371.934,36 0.18
294 pop 2 AA2E-iguais 10 40 3.938.526,87 2.007.005,23 0.51
295 pop 2 AA2E-iguais 10 50 2.824.462,85 1.504.712,12 0.53
296 pop 2 AA2E-iguais 10 60 5.272.447,78 2.281.238,54 0.43
297 pop 2 AA2E-iguais 10 70 6.196.666,40 2.319.816,26 0.37
298 pop 2 AA2E-iguais 10 80 5.878.658,58 2.457.264,59 0.42
299 pop 2 AA2E-iguais 10 90 3.769.151,88 2.131.678,41 0.57
300 pop 2 AA2E-iguais 10 100 6.181.727,57 2.209.199,18 0.36
301 pop 2 AA2E-iguais 15 10 5.948.158,85 1.634.092,26 0.27
302 pop 2 AA2E-iguais 15 20 6.273.524,38 1.910.431,08 0.30
303 pop 2 AA2E-iguais 15 30 4.972.812,45 1.429.675,40 0.29
304 pop 2 AA2E-iguais 15 40 4.239.879,72 1.548.722,73 0.37
305 pop 2 AA2E-iguais 15 50 4.651.075,59 1.624.063,36 0.35
306 pop 2 AA2E-iguais 15 60 8.545.362,79 2.188.957,61 0.26
307 pop 2 AA2E-iguais 15 70 5.127.384,34 1.933.564,59 0.38
308 pop 2 AA2E-iguais 15 80 4.161.234,70 1.139.976,34 0.27
309 pop 2 AA2E-iguais 15 90 4.985.303,19 1.477.170,87 0.30
310 pop 2 AA2E-iguais 15 100 5.758.626,14 1.813.439,42 0.31
311 pop 2 AA2E-iguais 20 10 5.532.099,60 1.420.883,54 0.26
312 pop 2 AA2E-iguais 20 20 4.196.422,76 1.150.045,87 0.27
Continua na próxima página...

249
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
313 pop 2 AA2E-iguais 20 30 4.972.233,90 1.345.209,67 0.27
314 pop 2 AA2E-iguais 20 40 5.934.430,60 1.469.758,36 0.25
315 pop 2 AA2E-iguais 20 50 5.362.583,57 1.385.798,09 0.26
316 pop 2 AA2E-iguais 20 60 4.831.170,39 1.280.169,56 0.26
317 pop 2 AA2E-iguais 20 70 5.009.117,76 1.393.879,69 0.28
318 pop 2 AA2E-iguais 20 80 5.699.692,07 1.520.895,14 0.27
319 pop 2 AA2E-iguais 20 90 6.451.997,46 1.309.495,83 0.20
320 pop 2 AA2E-iguais 20 100 6.457.449,83 1.506.811,05 0.23
321 pop 2 AA2E-iguais 25 10 6.906.518,25 1.264.810,29 0.18
322 pop 2 AA2E-iguais 25 20 4.678.545,59 917.540,56 0.20
323 pop 2 AA2E-iguais 25 30 3.691.008,97 844.607,89 0.23
324 pop 2 AA2E-iguais 25 40 4.202.813,87 797.606,00 0.19
325 pop 2 AA2E-iguais 25 50 4.393.306,82 1.124.815,86 0.26
326 pop 2 AA2E-iguais 25 60 5.623.744,52 1.136.811,96 0.20
327 pop 2 AA2E-iguais 25 70 5.398.707,90 1.118.494,31 0.21
328 pop 2 AA2E-iguais 25 80 6.335.032,65 1.304.828,14 0.21
329 pop 2 AA2E-iguais 25 90 4.533.998,42 946.011,38 0.21
330 pop 2 AA2E-iguais 25 100 5.946.886,43 1.238.554,28 0.21
331 pop 2 AA2E-iguais 30 10 5.149.096,13 906.361,04 0.18
332 pop 2 AA2E-iguais 30 20 5.418.357,62 892.615,95 0.16
333 pop 2 AA2E-iguais 30 30 3.599.401,29 682.592,52 0.19
334 pop 2 AA2E-iguais 30 40 5.550.880,86 945.139,10 0.17
335 pop 2 AA2E-iguais 30 50 4.938.991,27 971.934,39 0.20
336 pop 2 AA2E-iguais 30 60 4.901.363,03 947.079,71 0.19
337 pop 2 AA2E-iguais 30 70 4.958.746,19 978.680,76 0.20
338 pop 2 AA2E-iguais 30 80 4.629.675,46 824.786,07 0.18
339 pop 2 AA2E-iguais 30 90 4.181.639,72 779.257,57 0.19
340 pop 2 AA2E-iguais 30 100 5.822.642,47 998.306,12 0.17
341 pop 2 AA2E-iguais 35 10 4.245.883,08 626.145,62 0.15
342 pop 2 AA2E-iguais 35 20 5.493.085,84 771.155,96 0.14
343 pop 2 AA2E-iguais 35 30 4.719.655,19 751.802,37 0.16
344 pop 2 AA2E-iguais 35 40 6.340.949,04 865.627,75 0.14
345 pop 2 AA2E-iguais 35 50 3.650.271,71 576.738,80 0.16
346 pop 2 AA2E-iguais 35 60 5.464.501,42 803.079,71 0.15
347 pop 2 AA2E-iguais 35 70 5.411.085,66 821.414,52 0.15
348 pop 2 AA2E-iguais 35 80 5.382.584,81 827.916,76 0.15
349 pop 2 AA2E-iguais 35 90 5.107.905,30 754.143,35 0.15
350 pop 2 AA2E-iguais 35 100 5.082.227,25 855.602,20 0.17
351 pop 2 AA2E-iguais 40 10 5.613.902,20 725.783,16 0.13
352 pop 2 AA2E-iguais 40 20 4.637.909,58 630.213,75 0.14
353 pop 2 AA2E-iguais 40 30 5.841.600,69 714.400,31 0.12
354 pop 2 AA2E-iguais 40 40 5.930.170,26 734.998,00 0.12
355 pop 2 AA2E-iguais 40 50 5.718.402,26 676.083,04 0.12
356 pop 2 AA2E-iguais 40 60 5.474.578,33 678.864,48 0.12
357 pop 2 AA2E-iguais 40 70 5.851.732,92 734.454,34 0.13
358 pop 2 AA2E-iguais 40 80 4.660.336,33 589.175,64 0.13
359 pop 2 AA2E-iguais 40 90 4.469.887,64 576.450,29 0.13
360 pop 2 AA2E-iguais 40 100 5.789.618,13 706.351,97 0.12
361 pop 2 AA2E-iguais 45 10 5.594.744,14 582.357,91 0.10
362 pop 2 AA2E-iguais 45 20 6.003.488,28 582.898,50 0.10
363 pop 2 AA2E-iguais 45 30 3.849.789,34 394.468,26 0.10
364 pop 2 AA2E-iguais 45 40 4.632.605,34 493.895,01 0.11
365 pop 2 AA2E-iguais 45 50 4.798.130,07 551.498,11 0.11
Continua na próxima página...

250
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
366 pop 2 AA2E-iguais 45 60 4.196.406,31 459.433,56 0.11
367 pop 2 AA2E-iguais 45 70 4.498.089,68 518.139,93 0.12
368 pop 2 AA2E-iguais 45 80 4.966.168,36 492.132,19 0.10
369 pop 2 AA2E-iguais 45 90 5.022.334,41 530.280,18 0.11
370 pop 2 AA2E-iguais 45 100 5.629.814,79 577.970,40 0.10
371 pop 2 AA2E-iguais 50 10 5.463.103,40 433.166,59 0.08
372 pop 2 AA2E-iguais 50 20 5.076.049,56 424.418,94 0.08
373 pop 2 AA2E-iguais 50 30 4.922.034,99 422.616,36 0.09
374 pop 2 AA2E-iguais 50 40 5.324.788,53 419.031,00 0.08
375 pop 2 AA2E-iguais 50 50 4.366.208,28 366.799,26 0.08
376 pop 2 AA2E-iguais 50 60 5.190.077,13 396.500,74 0.08
377 pop 2 AA2E-iguais 50 70 5.244.725,47 410.996,41 0.08
378 pop 2 AA2E-iguais 50 80 4.765.078,06 387.190,23 0.08
379 pop 2 AA2E-iguais 50 90 5.204.121,46 399.840,59 0.08
380 pop 2 AA2E-iguais 50 100 4.595.371,82 388.824,58 0.08
381 pop 2 AA2E-desiguais 5 10 6.430.477,55 2.908.472,79 0.45
382 pop 2 AA2E-desiguais 5 20 7.021.671,93 4.267.656,48 0.61
383 pop 2 AA2E-desiguais 5 30 16.142.608,75 4.256.646,66 0.26
384 pop 2 AA2E-desiguais 5 40 5.926.487,72 3.313.412,99 0.56
385 pop 2 AA2E-desiguais 5 50 12.115.548,92 4.466.096,70 0.37
386 pop 2 AA2E-desiguais 5 60 9.959.831,99 4.017.819,29 0.40
387 pop 2 AA2E-desiguais 5 70 6.974.288,25 3.957.255,79 0.57
388 pop 2 AA2E-desiguais 5 80 11.009.400,16 3.911.785,49 0.36
389 pop 2 AA2E-desiguais 5 90 6.499.844,17 2.770.697,81 0.43
390 pop 2 AA2E-desiguais 5 100 7.080.527,30 4.433.871,16 0.63
391 pop 2 AA2E-desiguais 10 10 6.252.196,37 2.075.715,33 0.33
392 pop 2 AA2E-desiguais 10 20 11.303.201,07 2.609.235,59 0.23
393 pop 2 AA2E-desiguais 10 30 9.555.909,85 2.282.421,95 0.24
394 pop 2 AA2E-desiguais 10 40 10.273.246,39 2.804.301,97 0.27
395 pop 2 AA2E-desiguais 10 50 7.551.052,82 1.920.109,16 0.25
396 pop 2 AA2E-desiguais 10 60 10.298.022,14 2.617.198,61 0.25
397 pop 2 AA2E-desiguais 10 70 8.887.671,60 2.809.643,34 0.32
398 pop 2 AA2E-desiguais 10 80 8.173.654,80 2.507.160,21 0.31
399 pop 2 AA2E-desiguais 10 90 9.443.723,83 2.877.364,48 0.30
400 pop 2 AA2E-desiguais 10 100 11.491.483,13 2.624.153,83 0.23
401 pop 2 AA2E-desiguais 15 10 7.826.818,68 1.544.136,68 0.20
402 pop 2 AA2E-desiguais 15 20 8.819.724,51 2.160.487,22 0.24
403 pop 2 AA2E-desiguais 15 30 7.394.815,55 1.455.040,76 0.20
404 pop 2 AA2E-desiguais 15 40 10.021.102,07 2.098.863,63 0.21
405 pop 2 AA2E-desiguais 15 50 10.397.486,92 1.982.142,05 0.19
406 pop 2 AA2E-desiguais 15 60 8.382.480,73 1.938.231,35 0.23
407 pop 2 AA2E-desiguais 15 70 6.368.850,32 1.576.221,35 0.25
408 pop 2 AA2E-desiguais 15 80 10.882.639,71 2.151.214,54 0.20
409 pop 2 AA2E-desiguais 15 90 9.562.700,24 2.099.657,64 0.22
410 pop 2 AA2E-desiguais 15 100 6.702.530,20 1.412.468,46 0.21
411 pop 2 AA2E-desiguais 20 10 9.301.432,81 1.640.794,85 0.18
412 pop 2 AA2E-desiguais 20 20 8.482.814,70 1.548.228,25 0.18
413 pop 2 AA2E-desiguais 20 30 8.595.899,40 1.512.980,58 0.18
414 pop 2 AA2E-desiguais 20 40 9.340.115,71 1.573.273,67 0.17
415 pop 2 AA2E-desiguais 20 50 11.099.972,91 1.669.129,22 0.15
416 pop 2 AA2E-desiguais 20 60 8.293.951,59 1.546.689,58 0.19
417 pop 2 AA2E-desiguais 20 70 8.902.146,32 1.604.389,53 0.18
418 pop 2 AA2E-desiguais 20 80 9.440.359,72 1.674.972,04 0.18
Continua na próxima página...

251
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
419 pop 2 AA2E-desiguais 20 90 9.186.427,86 1.575.959,47 0.17
420 pop 2 AA2E-desiguais 20 100 8.887.784,35 1.577.044,14 0.18
421 pop 2 AA2E-desiguais 25 10 8.037.154,88 1.179.813,97 0.15
422 pop 2 AA2E-desiguais 25 20 8.435.399,90 1.147.549,83 0.14
423 pop 2 AA2E-desiguais 25 30 8.355.474,68 1.196.799,94 0.14
424 pop 2 AA2E-desiguais 25 40 8.968.770,51 1.273.915,07 0.14
425 pop 2 AA2E-desiguais 25 50 8.963.973,77 1.218.891,73 0.14
426 pop 2 AA2E-desiguais 25 60 8.411.131,79 1.256.436,01 0.15
427 pop 2 AA2E-desiguais 25 70 9.083.075,24 1.288.614,81 0.14
428 pop 2 AA2E-desiguais 25 80 9.033.058,88 1.318.959,84 0.15
429 pop 2 AA2E-desiguais 25 90 7.485.076,49 1.046.877,98 0.14
430 pop 2 AA2E-desiguais 25 100 8.781.805,55 1.291.723,16 0.15
431 pop 2 AA2E-desiguais 30 10 8.980.934,28 1.116.213,79 0.12
432 pop 2 AA2E-desiguais 30 20 8.802.732,91 1.087.660,13 0.12
433 pop 2 AA2E-desiguais 30 30 8.867.642,89 1.057.719,99 0.12
434 pop 2 AA2E-desiguais 30 40 9.032.914,17 1.094.843,99 0.12
435 pop 2 AA2E-desiguais 30 50 8.478.993,69 1.098.969,93 0.13
436 pop 2 AA2E-desiguais 30 60 8.743.666,92 1.082.807,63 0.12
437 pop 2 AA2E-desiguais 30 70 7.679.495,00 1.033.230,03 0.13
438 pop 2 AA2E-desiguais 30 80 8.878.194,10 1.071.450,81 0.12
439 pop 2 AA2E-desiguais 30 90 8.854.568,65 1.083.911,27 0.12
440 pop 2 AA2E-desiguais 30 100 8.336.375,57 1.071.545,66 0.13
441 pop 2 AA2E-desiguais 35 10 7.808.593,29 912.612,03 0.12
442 pop 2 AA2E-desiguais 35 20 7.705.189,62 897.110,05 0.12
443 pop 2 AA2E-desiguais 35 30 7.905.297,89 890.977,24 0.11
444 pop 2 AA2E-desiguais 35 40 7.792.114,33 901.141,60 0.12
445 pop 2 AA2E-desiguais 35 50 7.779.310,12 895.694,26 0.12
446 pop 2 AA2E-desiguais 35 60 7.743.505,07 883.904,20 0.11
447 pop 2 AA2E-desiguais 35 70 7.769.977,72 899.217,43 0.12
448 pop 2 AA2E-desiguais 35 80 7.783.587,08 892.360,72 0.11
449 pop 2 AA2E-desiguais 35 90 7.754.180,78 895.252,73 0.12
450 pop 2 AA2E-desiguais 35 100 7.811.073,11 892.339,66 0.11
451 pop 2 AA2E-desiguais 40 10 6.817.991,08 715.429,60 0.10
452 pop 2 AA2E-desiguais 40 20 6.984.351,08 743.818,88 0.11
453 pop 2 AA2E-desiguais 40 30 7.000.548,66 733.295,29 0.10
454 pop 2 AA2E-desiguais 40 40 7.018.091,75 726.856,03 0.10
455 pop 2 AA2E-desiguais 40 50 6.906.048,54 714.568,54 0.10
456 pop 2 AA2E-desiguais 40 60 6.970.705,25 717.306,42 0.10
457 pop 2 AA2E-desiguais 40 70 7.014.126,94 726.563,52 0.10
458 pop 2 AA2E-desiguais 40 80 6.961.239,83 726.643,57 0.10
459 pop 2 AA2E-desiguais 40 90 6.939.237,34 735.414,07 0.11
460 pop 2 AA2E-desiguais 40 100 6.976.996,63 724.751,40 0.10
461 pop 2 AA2E-desiguais 45 10 6.339.282,40 587.872,55 0.09
462 pop 2 AA2E-desiguais 45 20 6.401.881,01 591.594,63 0.09
463 pop 2 AA2E-desiguais 45 30 6.332.552,06 583.827,66 0.09
464 pop 2 AA2E-desiguais 45 40 6.249.759,59 575.520,75 0.09
465 pop 2 AA2E-desiguais 45 50 6.219.438,42 566.167,29 0.09
466 pop 2 AA2E-desiguais 45 60 6.317.539,53 570.338,07 0.09
467 pop 2 AA2E-desiguais 45 70 6.280.247,11 572.171,39 0.09
468 pop 2 AA2E-desiguais 45 80 6.316.778,38 574.719,54 0.09
469 pop 2 AA2E-desiguais 45 90 6.273.716,91 577.232,54 0.09
470 pop 2 AA2E-desiguais 45 100 6.346.027,44 584.054,38 0.09
471 pop 2 AA2E-desiguais 50 10 5.867.801,18 436.877,79 0.07
Continua na próxima página...

252
...continuação da página anterior.
ID População desenho amostral m n Biomassa estimada (kg) Erro padrão E.P. relativo
472 pop 2 AA2E-desiguais 50 20 5.794.630,59 436.565,39 0.08
473 pop 2 AA2E-desiguais 50 30 5.738.668,23 422.622,39 0.07
474 pop 2 AA2E-desiguais 50 40 5.766.288,28 431.697,78 0.07
475 pop 2 AA2E-desiguais 50 50 5.801.375,32 435.065,89 0.07
476 pop 2 AA2E-desiguais 50 60 5.751.518,65 430.178,24 0.07
477 pop 2 AA2E-desiguais 50 70 5.743.259,15 425.230,56 0.07
478 pop 2 AA2E-desiguais 50 80 5.848.035,77 430.272,68 0.07
479 pop 2 AA2E-desiguais 50 90 5.794.886,28 429.560,57 0.07
480 pop 2 AA2E-desiguais 50 100 5.795.203,91 428.678,04 0.07

253