@Article{BenítezAndeForm:2016:EvGeTe,
               author = "Ben{\'{\i}}tez, F{\'a}tima L. and Anderson, Liana Oighenstein 
                         and Formaggio, Antonio Roberto",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)}",
                title = "Evaluation of geostatistical techniques to estimate the spatial 
                         distribution of aboveground biomass in the Amazon rainforest using 
                         high-resolution remote sensing data",
              journal = "Acta Amazonica",
                 year = "2016",
               volume = "46",
               number = "2",
                pages = "151--160",
                month = "June",
             keywords = "Geographically Weighted Regression, Geographically Weighted 
                         Regression-Kriging, RedEdge, Carbon emissions, Ecuadorian Amazon, 
                         Regress{\~a}o Geograficamente Ponderada, Regress{\~a}o 
                         Geograficamente Ponderada-Krigagem, RedEdge, emiss{\~o}es de 
                         carbono, Amaz{\^o}nia equatoriana.",
             abstract = "The spatial distribution of forest biomass in the Amazon is 
                         heterogeneous with a temporal and spatial variation, especially in 
                         relation to the different vegetation types of this biome. Biomass 
                         estimated in this region varies significantly depending on the 
                         applied approach and the data set used for modeling it. In this 
                         context, this study aimed to evaluate three different 
                         geostatistical techniques to estimate the spatial distribution of 
                         aboveground biomass (AGB). The selected techniques were: 1) 
                         ordinary least-squares regression (OLS), 2) geographically 
                         weighted regression (GWR) and, 3) geographically weighted 
                         regression - kriging (GWR-K). These techniques were applied to the 
                         same field dataset, using the same environmental variables derived 
                         from cartographic information and high-resolution remote sensing 
                         data (RapidEye). This study was developed in the Amazon rainforest 
                         from Sucumbios - Ecuador. The results of this study showed that 
                         the GWR-K, a hybrid technique, provided statistically satisfactory 
                         estimates with the lowest prediction error compared to the other 
                         two techniques. Furthermore, we observed that 75% of the AGB was 
                         explained by the combination of remote sensing data and 
                         environmental variables, where the forest types are the most 
                         important variable for estimating AGB. It should be noted that 
                         while the use of high-resolution images significantly improves the 
                         estimation of the spatial distribution of AGB, the processing of 
                         this information requires high computational demand. RESUMO: A 
                         distribui{\c{c}}{\~a}o espacial da biomassa na Amaz{\^o}nia 
                         {\'e} heterog{\^e}nea, variando temporalmente e espacialmente em 
                         rela{\c{c}}{\~a}o aos diferentes tipos de forma{\c{c}}{\~o}es 
                         vegetais abrangidas por este bioma. Estimativas de biomassa nesta 
                         regi{\~a}o variam significativamente dependendo da abordagem 
                         aplicada e do conjunto de dados utilizados para sua modelagem. 
                         Assim, este estudo teve como objetivo avaliar tr{\^e}s diferentes 
                         t{\'e}cnicas geoestat{\'{\i}}sticas na estimativa da 
                         distribui{\c{c}}{\~a}o espacial da biomassa acima do solo (BAS). 
                         As t{\'e}cnicas escolhidas foram: 1) regress{\~a}o por 
                         m{\'{\i}}nimos quadrados ordin{\'a}rios (OLS), 2) 
                         regress{\~a}o geograficamente ponderada (RGP) e, 3) 
                         regress{\~a}o geograficamente ponderada krigagem (RGP-K). Estas 
                         t{\'e}cnicas foram aplicadas sobre um mesmo conjunto de dados de 
                         campo, utilizando as mesmas vari{\'a}veis ambientais decorrentes 
                         de dados cartogr{\'a}ficos e de sensoriamento remoto de alta 
                         resolu{\c{c}}{\~a}o espacial (RapidEye). Este trabalho foi 
                         desenvolvido na floresta amaz{\^o}nica da prov{\'{\i}}ncia de 
                         Sucumb{\'{\i}}os no Equador. Os resultados deste estudo 
                         mostraram que a RGP-K, sendo uma t{\'e}cnica h{\'{\i}}brida, 
                         forneceu estimativas estatisticamente satisfat{\'o}rias com menor 
                         erro de predi{\c{c}}{\~a}o em compara{\c{c}}{\~a}o com as 
                         outras duas t{\'e}cnicas. Al{\'e}m disso, observou-se que 75% da 
                         BAS foi explicada pela combina{\c{c}}{\~a}o de dados de 
                         sensoriamento remoto e vari{\'a}veis ambientais, sendo os tipos 
                         de forma{\c{c}}{\~o}es vegetais a vari{\'a}vel de maior 
                         import{\^a}ncia para estimar BAS. Cabe ressaltar que, embora o 
                         uso de imagens de alta resolu{\c{c}}{\~a}o espacial melhora 
                         significativamente a estimativa da distribui{\c{c}}{\~a}o 
                         espacial da BAS, o processamento desta informa{\c{c}}{\~a}o 
                         requer alta demanda computacional.",
                  doi = "10.1590/1809-4392201501254",
                  url = "http://dx.doi.org/10.1590/1809-4392201501254",
                 issn = "0044-5967",
             language = "en",
           targetfile = "benitez_evaluation.pdf",
        urlaccessdate = "05 maio 2024"
}