Spatial interpolation methods of determination of digital elevation models for forestry planning
DOI:
https://doi.org/10.18554/rbcti.v6i2.5429Keywords:
Modelos digitais, Análise gráfica, Análise espacial de dados.Abstract
Topographic data acquisition methods are generally subject to measurement errors and subsequent digital terrain models (DTM) interpolation models can propagate these errors. For the forestry sector, the use of the DTM facilitates the planning stage in the road construction and mechanization phase in mountainous areas, especially in subsoiling, pesticide application and logging operations. To evaluate the results of interpolation methods, it is very common to use indicators such as the multiple determination coefficient and the residual error. This study aimed to compare and choose the best interpolation method in an elevation dataset to construct a DTM by applying the Taylor diagram to graphically analyze the results. Seventeen different methods of spatial interpolation were tested. The Spline method was selected as the best model tested over geostatistical models, most commonly adopted in spatial variability assays. The statistics of all methods were very similar, with slight variations, with the square mean square root error and the Spline method correlation being closer to the observed data, as easily shown by the Taylor diagram.
References
AGUTU, N. O.; NDEHEDEHE, C. E.; AWANGE, J. L.; KIRIMI, F.; MWANIKI, M. Understanding uncertainty of model-reanalysis soil moisture within Greater Horn of Africa (1982–2014). Journal of Hydrology, v. 603, p. 127169. 2021. DOI: https://doi.org/10.1016/j.jhydrol.2021.127169.
AMORIM, R. C. F.; RIBEIRO, A.; LEITE, C. C.; LEAL, B. G.; SILVA, J. B. G. Avaliação do desempenho de dois métodos de espacialização da precipitação pluvial para o Estado de Alagoas. Acta Scientiarum Technology, v. 30, n. 1, p. 87-91, 2008.
ANTAL, A.; GUERREIRO, P. M. P.; CHEVAL, S. Comparison of spatial interpolation methods for estimating the precipitation distribution in Portugal. Theoretical and Applied Climatology, n. 145, p. 1193–1206. 2021. DOI: https://doi.org/10.1007/s00704-021-03675-0.
BERRAR, D. Cross-Validation. Encyclopedia of Bioinformatics and Computational Biology, v.1, p. 542–545, 2018. DOI: https://doi.org/10.1016/B978-0-12-809633-8.20349-X.
BROZA, K. T.; GARRASTAZU, M. C.; BRAZ, E. M.; MATTOS, P. P.; ROSOT, M. A. D. Etapas do planejamento do projeto modeflora em SIG livre. In: Embrapa Florestas-Artigo em anais de congresso (ALICE). In: Seminário de atualização em sensoriamento remoto e sistemas de informações geográficas aplicados à Engenharia Florestal, 10. Curitiba, PR, 2012.
BURROUGH, P. A.; MCDONNELL, R. A.; LLOYD, C. D. Principles of geographical information systems. New York: Oxford University Press. 2006.
CHILDS, C. Interpolating Surfaces in ArcGIS Spatial Analyst. 2015. Disponível em: http://webapps.fundp.ac.be/geotp/SIG/interpolating.pdf. Acesso em: 5 nov. 2019.
FERREIRA, F. A. C.; LEITE, E. S.; FREITAS, L. C.; VIRGENS, A. P. Potencial de krigagem em modelos digitais de elevação para o planejamento da colheita florestal. Pesquisa Florestal Brasileira, v. 37, n. 92, p. 579–586, 2017. DOI: https://doi.org/10.4336/2017.pfb.37.92.1492.
GIACOMIN, G.; CARVALHO, M. B.; SANTOS, A. P.; FERRAZ, A. S. Análise comparativa entre métodos interpoladores de modelos de superfícies. Revista Brasileira de Cartografia, v. 6, n. 66/6, p. 1315-1329, 2014.
GIONGO, M.; KOEHLER, H. S.; MACHADO, S. A.; KIRCHNER, F. F.; MARCHETTI, M. LiDAR: princípios e aplicações florestais. Pesquisa Florestal Brasileira, v. 30, n. 63, p. 231, 2010. DOI: https://doi.org/10.4336/2010.pfb.30.63.231.
HILLEBRAND, F. L. Uma expansão da aplicação do modelo linear de mistura espectral: estudo das variações na concentração e área do gelo marinho para estatísticas climáticas na Região Norte da Península Antártica. Tese (Doutorado em Sensoriamento Remoto) - Universidade Federal do Rio Grande do Sul. Porto Alegre, RS, 2021. 176 p.
HUTCHINSON, M. F. A new procedure for gridding elevation and streamline data with automatic removal of spurious pits. Journal of Hydrology, v. 106, n. 3-4, p. 211-232, 1989. DOI: https://doi.org/10.1016/0022-1694(89)90073-5.
MACEACHREN, A. M.; DAVIDSON, J. V. Sampling and isometric mapping of continuous geographic surfaces. The American Cartographer, v. 14, n. 4, p. 299-320, 2016. DOI: https://doi.org/10.1559/152304087783875723.
MATLAB. The Language of Technical Computing. The Math Works, Matlab Version, R2010a, 2010.
MCROBERTS, R. E. Estimating Forest attribute parameters for small areas using nearest neighbor’s techniques. Forest Ecology and Management, v. 272, p. 3-12, 2012. DOI: https://doi.org/10.1016/j.foreco.2011.06.039.
MIRANDA, G. H. B.; MEDEIROS, N.; SANTOS, A.; SANTOS, G. Análise de Qualidade de Amostragem e Interpolação na Geração de MDE. Revista Brasileira de Cartografia, v. 70, n. 1, p. 226-257, 2018. DOI: https://doi.org/10.14393/rbcv70n1-45255.
MOHARANA, P. C.; DHARUMARAJAN, S.; KUMAR, N.; PRADHAN, U. K.; JENA, R. K.; NAITAM, R. K. et al. Digital Mapping Algorithms to Estimate Soil Salinity in Indira Gandhi Nahar Pariyojana. Agropedology, v. 30, n. 2, p.113-124, 2021. DOI: https://doi.org/10.47114/j.agroped.2021.dec2.
PEREIRA, D. P.; LIMA, J. S. S.; XAVIER, A. C.; PASSOS, R. R.; FIEDLER, N. C. Aplicação do diagrama de Taylor para avaliação de interpoladores espaciais em atributos de solo em cultivo com eucalipto. Revista Árvore, v. 38, n. 5, p. 899-905, 2014. DOI: https://doi.org/10.1590/S0100-67622014000500014.
PINTO, G. S. M. C. Avaliação da exatidão altimétrica de modelos digitais de superfície provenientes de veículos aéreos não tripulados em zonas de relevo acidentado. Dissertação (Mestrado em Engenharia Geográfica) – Universidade do Porto, Porto, Portugal, 2019. 60 p.
SANDWELL, D. T. Biharmonic Spline interpolation of GEOS?3 and SEASAT altimeter data. Geophysical research letters, v. 14, n. 2, p. 139-142, 1987.
SHI, W. J.; LI, Z.; BEDARD, Y. Theme issue: advanced techniques for analysis of geo-spatial data. ISPRS: Journal of Photogrammetry and Remote Sensing, v. 1, n. 59, p. 1-5, 2004. DOI: https://doi.org/10.1016/j.isprsjprs.2004.01.001.
TAYLOR, K. E. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research, v. 106, n. D7, p. 7183-7192, 2001. DOI: https://doi.org/10.1029/2000JD900719.
VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do solo. Tópicos em Ciência do Solo, 1. Viçosa-MG: Sociedade Brasileira de Ciência do Solo, 2000. p. 1-53.
ZEYNOLABEDIN, A.; GHIASSI, R.; NOROOZ, R.; NAJIB, S.; FADILI, A. Evaluation of geoelectrical models efficiency for coastal seawater intrusion by applying uncertainty analysis. Journal of Hydrology, v. 603, p.127086, 2021. DOI: https://doi.org/10.1016/j.jhydrol.2021.127086.
WEN, Z.; LIAO, H.; EMROUZNEJAD, A. Information representation of blockchain technology: Risk evaluation of investment by personalized quantifier with cubic Spline interpolation. Information Processing & Management, v. 58, n.4, p.102571, 2021. DOI: https://doi.org/10.1016/j.ipm.2021.102571.
WU, R. G.; CHEN, J. P.; WEN, Z. P. Precipitation–surface temperature relationship in the IPCC CMIP5 Models. Advances in Atmospheric Sciences, v.30, n.3, p. 766–778, 2013.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Daniel Pena Pereira, Maytê Maria Abreu Pires de Melo Silva, Renato Farias do Valle Júnior, Alexandre Cândido Xavier, Nilton César Fiedler
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
