RESUMO O presente estudo teve como objetivo utilizar o compartilhamento de parâmetros de modelos geoestatísticos aplicado aos estimadores de máxima verossimilhança para predizer os volumes por hectare em três fragmentos de Floresta Estacional Subtropical localizados em Santa Teresa - RS empregando a abordagem Borrow strenght. Os dados foram coletados em 56 unidades amostrais (U.A) de tamanho variável com aproximadamente 250 m2 em um total de 9 ha, distribuídas em um grid sistemático de 40 x 40 m, sendo medidas as variáveis dendrométricas dos indivíduos com DAP ≥ 10 cm próximas ao centro das unidades. Foram elaboradas duas abordagens para o conjunto de dados, sendo que a primeira considerou as áreas totalmente independentes entre si, subdivididas em dois tipos: ajuste ao modelo não espacial (NSM) e ajuste pelo método de máxima verossimilhança (MV) não compartilhado (ajuste individual). A segunda abordagem descreveu os ajustes dos modelos de máxima verossimilhança compartilhados em função do erro aleatório ou nugget, sendo: modelos sem nugget fixo (variabilidade entre as U.A) e com nugget fixo (variabilidade dentro das U.A), utilizando como correlação a função exponencial da família Matèrn. Em seguida, os modelos foram comparados pelo critério de informação de Akaike (AIC) e grau de dependência espacial para posterior krigagem e elaboração das superfícies de predição dos modelos selecionados. Foi observado que os modelos combinados para estimativa do volume foram superiores para os valores de AIC e grau de dependência espacial em relação aos ajustes para as áreas individuais. Entre os modelos compartilhados, observou-se que houve um ganho nas estimativas dos parâmetros utilizando o nugget fixo, que resultaram em uma correlação das amostras e grau de dependência espacial maior (AP = 88 m), em relação aos modelos compartilhado sem nugget fixo (AP = 75 e 66 m). O AIC mostrou-se eficiente, uma vez que comparou os diferentes níveis de ajustes propostos na metodologia do trabalho, selecionando um modelo com parcimônia e compatível com os padrões de distribuição espacial encontrados nas áreas. Sugere-se o uso de modelos compartilhados para dados de amostragem em diferentes áreas, com introdução da estimativa do erro intraparcela (nugget fixo) nas equações de MV, para aumentar a correlação entre as U.A, com avaliação conjunta do AIC somado ao grau de dependência espacial na estimativa de variáveis dendrométricas.

ABSTRACT This study aimed to use the share parameters of the geo-statistical models applied to maximum likelihood estimators to predict the volumes per hectare in three fragments of a Deciduous Forest located in Santa Teresa, RS state, employing the ‘Borrow Strength’ approach. Data were collected in 56 sampling units (S.U) of variable sizes with approximately 250 m2 for a total of nine ha, distributed in a systematic grid of 40 x 40 m. Dendrometric variables from individuals with DBH ≥ 10 cm near the center of the S.U. were measured. Two approaches to the data set were prepared, the first of which considering both areas entirely independent themselves, subdivided into two types: a fit to non-spatial model (NSM) and a fit to the maximum likelihood (ML) not shared (individual adjustment) model. The second approach described the adjustment of the shared as a function of random error or nugget, comprising models: a shared model without fixed nugget (variability between S.U) and a shared model with fixed nugget (variability within S.U) models, using a logarithmic function of M.L applied to the Matèrn family of exponential correlation model. Then, the models were compared using Akaike information criterion (AIC) and by degree of spatial dependence for subsequent preparation of both kriging and prediction surfaces of the selected models. It was observed that the combined volume models to estimate values were higher for the AIC values and spatial dependence with respect to the adjustments for the individual areas. Among the shared models, it was observed that there was a gain in the parameter estimates using the fixed nugget, which resulted in a higher correlation of samples and spatial dependence (AP = 88 m), than the shared models without the fixed nugget (AP = 75 and 66 m). The AIC was efficient because it compared the different levels of proposed adjustments to the methodology of the study, selecting a model with parsimony and compatible with the spatial distribution patterns found in the areas. The use of combined models for data sampling in different areas with the introduction of the error estimate intra-plot (fixed nugget) in the equations of MV can be suggested to increase the correlation between the S.U and combined evaluation of the AIC plus the degree of spatial dependence in estimating dendrometric variables.