In sollano/forestmangr: Forest Mensuration and Management

knitr::opts_chunk$set(collapse = T, comment = "#>")
knitr::opts_chunk$set(fig.width=7, fig.height=5)
options(tibble.print_min = 6L, tibble.print_max = 6L)
library(forestmangr)
library(dplyr)

Vamos utilizar dados de inventário, e calcular o volume, e demais variávies por parcela.

library(forestmangr)
library(dplyr)
data(exfm9)
dados <- exfm9
dados

O primeiro passo é estimar a altura das árvores não medidas. Vamos avaliar dois modelos. O de Henricksen: $$ Ln(H) = \beta_0 + \beta_1*Ln(H) $$

E o de Campos & Leite, com altura dominante: $$ Ln(H) = \beta_0 + \beta_1\frac{1}{dbh} + \beta_2Ln(DH) $$ Para utilizar este modelo, primeiro precisamos calcular a altura dominante de cada parcela. Para isso vamos utilizar a função dom_height. Nela informamos o dataframe, e as variáveis altura, dap, parcela, e observação. A variável observação é referente à qualidade da árvore, se ela é normal, dominante, bifurcada, etc. Além disso, fornecemos o código utilizado para definir as variáveis dominantes. Neste caso, o código utilziado foi "dom":

dom_height(df=dados,th="TH",dbh="DBH",plot="PLOT",obs="OBS",dom="D")

Agora que conhecemos o valor da altura dominante, podemos rodar a função novamente, porém utilizando o argumento merge_data como TRUE, para unir a variável aos dados diretamente:

dados <- dom_height(dados,"TH","DBH","PLOT","OBS","D",merge_data = TRUE)
head(as.data.frame(dados))

Agora podemos ajustar os modelos hipsométricos. Vamos ajustá-los utilizando lm_table. A função forestmangr::inv nos permite ajustar o modelo de Campos & Leite sem a necessidade de criar novas variáveis:

dados <- dados %>% 
  lm_table(log(TH) ~ inv(DBH) + log(DH),output="merge_est",est.name="CL") %>% 
  lm_table(log(TH) ~ log(DBH), output="merge_est",est.name="Henricksen") 
head(dados)

Obs: a função lm_table verifica se o modelo possui log na variável y, e caso possua, ele o retira automaticamente. Por isso, não há a necessidade de calcular a exponencial dos dados estimados.

Vamos verificar a qualidade dos ajustes utilizando a função resid_plot. Árvores não medidas serão removidas automaticamente:

resid_plot(dados, "TH", "CL","Henricksen")

O modelo de campos & leite foi melhor, portanto vamos utilizá-lo.

Agora podemos estimar a altura das árvores não medidas, utilizando dplyr::mutate e ifelse:

 dados <- dados %>% 
  mutate( TH_EST = ifelse(is.na(TH), CL, TH ), CL=NULL,Henricksen=NULL )
head(dados)

Para estimar o volume, vamos pegar uma equação ajustada previamente com dados de cubagem, e salvá-la em um dataframe:

tabcoef_vwb <- data.frame(b0=-9.595863,b1=1.889372,b2=0.9071631)
tabcoef_vwb

Agora para volume sem casca:

tabcoef_vwob <- data.frame(b0=-9.808975,b1=1.918007,b2=0.908154)
tabcoef_vwob

Agora vamos estimar área basal, idade, e volume:

dados <- dados %>% 
    mutate(CSA = pi*DBH^2/40000,
         AGE = as.numeric(MEASUREMENT_DATE - PLANTING_DATE) / 30,
         VWB = exp(tabcoef_vwb$b0 + tabcoef_vwb$b1*log(DBH) + tabcoef_vwb$b2*log(TH_EST) ),
         VWOB = exp(tabcoef_vwob$b0 + tabcoef_vwob$b1*log(DBH) + tabcoef_vwob$b2*log(TH_EST) ) )
head(dados)

Agora, para totalizar as parcelas, utlizamos plot_summarise, informando as variáveis parcela, área da parcela, dap, altura,área total,volume com casca, volume without bark, altura dominante e idade. Iremos obter com isso as variáveis dap, diâmetro quadrático, altura e altura dominante média por parcela. Além de número de indivíduos, volume total com e sem casca, e área basal por parcela e por hectare.

tab_invt <- plot_summarise(df=dados,plot="PLOT",plot_area="PLOT_AREA",dbh="DBH",                           th="TH_EST",total_area="STRATA_AREA",vwb="VWB",vwob="VWOB",dh="DH",age="AGE")
head(as.data.frame(tab_invt))