RESUMO -O objetivo deste trabalho foi comparar procedimentos de amostragem para espécies florestais com populações raras e padrão de distribuição espacial agregado. Para isso, foi simulada uma população em uma floresta de 90 ha, subdividida em 100 unidades amostrais (N = 100) de 9.000 m² de área cada uma, apresentando número total de indivíduos igual a 44, a qual foi submetida a três procedimentos de amostragem: amostragem casual simples; amostragem sistemática; e amostragem adaptativa em cluster, com amostras iniciais selecionadas casual ou sistematicamente. Após as análises, verificou-se que a amostragem sistemática foi o melhor procedimento para estimar o número total de indivíduos da espécie em questão. Além disso, constatou-se a necessidade de investigar o efeito do tamanho e forma de parcelas, a escala de agregação e o tamanho da população, bem como suas combinações, sobre a eficiência dos estimadores da amostragem adaptativa em cluster.Palavras-chave: Amostragem sistemática, amostragem aleatória e amostragem adaptativa em cluster. COMPARISON BETWEEN SAMPLING PROCEDURES FOR RARE FOREST SPECIES AND AGGREGATED SPATIAL DISTRIBUTION PATTERN ABSTRACT -The objective of this work was to evaluate the procedure adaptive sampling procedure used in forest inventories for species with low population density and aggregated spatial distribution pattern, in relation to procedures normally used in forest inventories. Thus, a population was simulated in a 90
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.