Variabilidade espacial da composição do leite cru refrigerado no estado de Alagoas e na mesorregião do Agreste Pernambucano / Spatial variability of refrigerated raw milk composition in the Alagoas State and Agreste Pernambucano Mesorregion

O objetivo da realização deste trabalho foi analisar a variabilidade espacial da composição do leite cru refrigerado e elaborar mapas com interpolação de dados sobre os teores de gordura, proteína, lactose, sólidos totais e extrato seco desengordurado, no estado de Alagoas e na mesorregião do Agreste Pernambucano, em 2014 e 2015. Foram analisados 3.863 laudos oficiais de amostras de leite cru refrigerado, coletados de 432 tanques de expansão direta da região estudada. O grau de dependência espacial e a regressão geograficamente ponderada das variáveis foram analisados pelo software ArcGIS 10.3. A análise espacial mostrou predominância de áreas com teor de gordura de 3,1 a 3,6g/100g e áreas com teor de gordura de 3,6 a 4,2g/100g. Para o teor de lactose, foi observada área predominante com 4,32 a 4,45g/100g e algumas áreas com 4,46 a 4,54g/100g. Foi observada baixa influência da altitude, precipitação pluviométrica e interação precipitação x altitude sobre o teor de gordura, proteína, lactose, sólidos totais e extrato seco desengordurado na área estudada. Por fim, conclui-se que há variabilidade espacial para gordura, lactose, proteína, sólidos totais e extrato seco desengordurado do leite cru refrigerado produzido no estado de Alagoas e na mesorregião do Agreste Pernambucano.(AU)

The aim of this work was to analyze the spatial variability and draw maps with data interpolation on the fat, protein, lactose, total solids, and nonfat dry extract of refrigerated raw milk in the state of Alagoas and Mesoregion the Pernambuco Agreste in 2014 and 2015. A total of 3,863 fficial reports of samples of raw milk collected from 432 refrigerated tanks direct expansion of the studied region were analyzed. The degree of spatial dependence and geographically weighted regression of variables was analyzed using ArcGIS 10.3 software. The spatial analysis showed predominance of areas with a fat content of 3.1 to 3.6g/100g and areas with a fat content of 3.6 to 4.2g/100g. For lactose content predominant area of 4.32 to 4,45g/100g and some areas with 4.46 to 4,54g/100g were observed. Altitude, rainfall, and precipitation interaction x altitude of the fat, protein, lactose, total solids and nonfat dry extract in the study area showed little influence. Finally, there is spatial variability in fat, lactose, protein, total solids, and nonfat dry extract of refrigerated raw milk produced in the state of Alagoas and Pernambuco Mesoregion of Agreste.

Evaluation of geostatistical techniques to estimate the spatial distribution of aboveground biomass in the Amazon rainforest using high-resolution remote sensing data / Avaliação de técnicas geoestatísticas na estimativa da distribuição espacial da biomassa acima do solo na Amazônia utilizando sensoriamento remoto de alta resolução espacial

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 Sucumbíos - 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.

A distribuição espacial da biomassa na Amazônia é heterogênea, variando temporalmente e espacialmente em relação aos diferentes tipos de formações vegetais abrangidas por este bioma. Estimativas de biomassa nesta região variam significativamente dependendo da abordagem aplicada e do conjunto de dados utilizados para sua modelagem. Assim, este estudo teve como objetivo avaliar três diferentes técnicas geoestatísticas na estimativa da distribuição espacial da biomassa acima do solo (BAS). As técnicas escolhidas foram: 1) regressão por mínimos quadrados ordinários (OLS), 2) regressão geograficamente ponderada (RGP) e, 3) regressão geograficamente ponderada - krigagem (RGP-K). Estas técnicas foram aplicadas sobre um mesmo conjunto de dados de campo, utilizando as mesmas variáveis ambientais decorrentes de dados cartográficos e de sensoriamento remoto de alta resolução espacial (RapidEye). Este trabalho foi desenvolvido na floresta amazônica da província de Sucumbíos no Equador. Os resultados deste estudo mostraram que a RGP-K, sendo uma técnica híbrida, forneceu estimativas estatisticamente satisfatórias com menor erro de predição em comparação com as outras duas técnicas. Além disso, observou-se que 75% da BAS foi explicada pela combinação de dados de sensoriamento remoto e variáveis ambientais, sendo os tipos de formações vegetais a variável de maior importância para estimar BAS. Cabe ressaltar que, embora o uso de imagens de alta resolução espacial melhora significativamente a estimativa da distribuição espacial da BAS, o processamento desta informação requer alta demanda computacional.