@InProceedings{RamírezAndeFormSant:2014:ReGePo,
               author = "Ram{\'{\i}}rez, F{\'a}tima Lorena Ben{\'{\i}}tez and 
                         Anderson, Liana Oighenstein and Formaggio, Antonio Roberto and 
                         Santos, Clotilde Pinheiro Ferri dos",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and Funda{\c{c}}{\~a}o de 
                         Ci{\^e}ncia, Aplica{\c{c}}{\~o}es e Tecnologia Espaciais – 
                         FUNCATE, Av. Dr. Jo{\~a}o Guilhermino, 429 - S{\~a}o Jos{\'e} 
                         dos Campos, SP, Brasil",
                title = "Regress{\~a}o geograficamente ponderada aplicada a estimativa de 
                         biomassa acima do solo na Amaz{\^o}nia utilizando sensoriamento 
                         remoto de alta resolu{\c{c}}{\~a}o / Geographically weighted 
                         regression for estimating aboveground biomass in the amazon 
                         rainforest by high-resolution remote sensing data",
            booktitle = "Anais...",
                 year = "2014",
                pages = "637--645",
         organization = "Semin{\'a}rio de Atualiza{\c{c}}{\~a}o em Sensoriamento Remoto 
                         e Sistemas de Informa{\c{c}}{\~o}es Geogr{\'a}ficas Aplicados 
                         {\`a} Engenharia Florestal, 11. (SenGeF).",
            publisher = "IEP",
              address = "Curitiba",
             keywords = "Biomassa acima do solo, Regress{\~a}o geograficamente ponderada, 
                         Regress{\~a}o geogr{\'a}ficamente ponderada krigagem, RedEdge, 
                         Emiss{\~o}es, Aboveground biomass, geographically weighted 
                         regression, geographically weighted regression kriging, RedEdge, 
                         emissions.",
             abstract = "A Amaz{\^o}nia representa a maior {\'a}rea de floresta tropical 
                         {\'u}mida do Planeta, onde grandes quantidades de carbono 
                         s{\~a}o armazenadas na sua biomassa. Estimativas de biomassa 
                         nesta regi{\~a}o variam significativamente dependendo da 
                         abordagem aplicada e do conjunto de dados utilizados para sua 
                         modelagem. Assim, neste trabalho, foram aplicados dois tipos de 
                         abordagens para estimar espacialmente a biomassa acima do solo 
                         (BAS) utilizando conjuntamente informa{\c{c}}{\~a}o coletada em 
                         campo, dados de sensoriamento remoto de alta resolu{\c{c}}{\~a}o 
                         (RapidEye) e vari{\'a}veis ambientais para uma {\'a}rea teste na 
                         Amaz{\^o}nia equatoriana. A primeira abordagem corresponde a uma 
                         regress{\~a}o por m{\'{\i}}nimos quadrados ordin{\'a}ria 
                         (RMQO) e a segunda uma regress{\~a}o geograficamente ponderada 
                         (RGP). Os resultados destas t{\'e}cnicas foram comparados 
                         estatisticamente, colocando {\`a} RGP sobre a RMQO. Assim, 75% da 
                         BAS foi explicada pela combina{\c{c}}{\~a}o de dados de 
                         sensoriamento remoto e vari{\'a}veis ambientais atrav{\'e}s da 
                         RGP. Os pr{\'o}ximos passos, ser{\~a}o a aplica{\c{c}}{\~a}o 
                         de uma t{\'e}cnica h{\'{\i}}brida, que combina a RGP com a 
                         Krigagem, com o intuito de espacializar a BAS para toda a 
                         {\'a}rea de estudo. Espera-se que o m{\'e}todo h{\'{\i}}brido 
                         RGPK minimize os erros de predi{\c{c}}{\~a}o depois de adicionar 
                         a componente estoc{\'a}stica (res{\'{\i}}duos interpolados) 
                         {\`a} RGP. ABSTRACT The Amazon is the largest area of tropical 
                         rainforest on the Planet, where large amounts of carbon are stored 
                         in their biomass. Biomass estimates in this region vary 
                         significantly depending on the applied approach and the data set 
                         used for modeling it. So, in this paper, two types of approaches 
                         were applied to estimate aboveground biomass (AGB) using field 
                         observation of biomass, high-resolution remote sensing data 
                         (RapidEye) and environmental variables in a test area from 
                         Ecuadorian Amazon. The first approach corresponds to a common 
                         global regression (OLQ) and the second a geographically weighted 
                         regression (GWR). The results of these techniques were 
                         statistically compared, where the GWR improved the model fitting. 
                         Thus, 75% of the AGB was explained by the combination of remote 
                         sensing data and environmental variables through GWR. The next 
                         procedures, will be the application of a hybrid technique that 
                         combines the GWR with Kriging, aiming the spatialization of AGB in 
                         the study area. Thus, it is expected that the hybrid method GWRK 
                         minimizes prediction errors after adding the stochastic component 
                         (interpolated residues) to the GWR.",
  conference-location = "Curitiba",
      conference-year = "14-16 out. 2014",
                 issn = "2178-8634",
                label = "lattes: 7834780583735756 2 
                         Ram{\'{\i}}rezAndeFormSant:2014:ReGePo",
             language = "pt",
           targetfile = "Fatima, Ramirez - 2014.pdf",
                  url = "http://www.11sengef.com.br/arquivos/documentos/anaisonline/SENGEF2014.pdf",
        urlaccessdate = "16 jun. 2024"
}