Application of fisher's discriminant analysis to classify forest communities in the pampa biome.

• Autor(a) principal: KILCA, R. V.
• Data de Publicação: 2015
• Outros Autores: LONGHI, S. J., SCHWARTZ, G., SOUZA, A. M., WOJCIECHOVSKI, J. C.
• Tipo de documento: Artigo
• Idioma: eng
• Título da fonte: Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice)
• Texto Completo: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1034484
• topic: Fisionomia florestal; Estrutura arbórea; Estatística multivariada; Rio Grande do Sul; Inventário Florestal

A análise discriminante de Fisher (ADF) busca realizar uma combinação linear das variáveis independentes com objetivo de maximizar a separação de grupos preditos em um espaço reduzido bidimensional e ainda permitir que novas observações sejam classificadas ou não dentro dos grupos conhecidos a priori. Empregou-se a ADF utilizando oito variáveis estruturais obtidas de inventários sistemáticos do componente arbóreo (DAP>10 cm) realizados em cinco tipos florestais (total de 5 ha) distintos no bioma Pampa do sul do Brasil. Posteriormente foram sorteadas 10 novas amostras provenientes das mesmas fitofisionomias para realizar a validação do modelo. A AD gerou quatro funções discriminantes (FDs), sendo que as duas primeiras funções desempenharam uma capacidade de 88,4% de habilidade para discriminação dos grupos: FD1 = 74,4% (autovalor FD1 = 33,99) e FD2 = 14% (autovalor FD2 = 6,34). Os atributos estruturais que estiveram mais relacionados com a FD1 foram riqueza de espécies, altura comercial e altura total. Em FD2 prevaleceu a área basal e o diâmetro máximo atingido pelo caule. As outras FDs e variáveis estruturais apresentaram menor capacidade de discriminação dos grupos. A AD classificou 100% dos casos nos respectivos grupos preditos, revelando a alta eficiência das variáveis discriminadoras escolhidas. As novas amostras também foram classificadas em seus respectivos grupos, porém, com pequeno grau de erro. O uso da AD para a classificação das florestas deveria ser incentivado porque o método é simples e os resultados são estatisticamente mais confiáveis do que outros métodos descritivos da estatística multivariada que são amplamente utilizados.