Wykorzystanie metod geostatycznych w badaniach środowiska przyrodniczego

Zawadzki, J.

Artykuł - szczegóły

Tytuł artykułu

Wykorzystanie metod geostatycznych w badaniach środowiska przyrodniczego

Autorzy

Zawadzki J.

Identyfikatory

Warianty tytułu

Języki publikacji

Abstrakty

W pracy zaprezentowano szeroko możliwości zastosowania metod geostatystycznych w badaniach środowiska przyrodniczego. Metody geostatystyczne zostały wykorzystane w szczegółowych badaniach korelacji przestrzennych zawartości wybranych pierwiastków śladowych w glebach Warszawy i okolic oraz w analizie rozkładu przestrzennego zanieczyszczenia tych gleb cynkiem, miedzią i ołowiem przy zastosowaniu krigingu wskaźnikowego. Wynikami tych obliczeń są mapy rozkładów przestrzennych zawartości badanych pierwiastków oraz mapy prawdopodobieństwa przekroczenia wybranych wartości progowych zanieczyszczenia. Takie rozkłady stanowią precyzyjną i wygodną informację dotyczącą zanieczyszczenia badanego obszaru. Metody geostatystyczne pozwalają na znaczną redukcję kosztów badań środowiska naturalnego. Zaprezentowano to na przykładzie wykorzystania własności wskaźnika dopasowania IGF w celu ograniczania liczby punktów opróbowania w cyklicznych kampaniach pomiarowych, stosując dane dotyczące zanieczyszczenia gleb. Warszawy i okolic. Ograniczenia kosztów badań środowiska i możliwość uzyskania z tych samych danych bardziej precyzyjnych informacji wynikają również z faktu, że metody geostatystyczne umożliwiają wykorzystywanie i integrację różnorodnych typów informacji przestrzennej. Przedstawione w pracy badania rozkładu zanieczyszczeń na przedpolu zbiornika "Żelazny Most" przy użyciu metody kokrigingu wykazały możliwość połączenia tanich i wygodnych pomiarów elektrooporowych z pomiarami chemicznymi pochodzącymi ze statycznego i kosztownego systemu monitoringu składającego się z systemu studni drenażowych i piezomet-rów przystudziennych. Na przykładzie badań rozkładu zanieczyszczeń na przedpolu zbiornika "Żelazny Most" pokazano również, że wykorzystanie pomiarów geooporowych jako zmiennej dodatkowej powoduje zmianę zarówno kształtu, jak i rozmiaru obszarów, które można uznać za zanieczyszczone, co ma kluczowe znaczenie dla oceny rzeczywistego zagrożenia ekologicznego. Inny obszar zastosowań metod geostatystycznych przedstawiono na przykładzie badań lasów za pomocą technik satelitarnych. W pracy omówiono wykorzystanie metod geostatystycznych do klasyfikacji ekosystemów leśnych przy użyciu technik satelitarnych, jak również zaprezentowano semiwarian-cje tekstury zdjęć satelitarnych obszarów leśnych sondy Landsat TM.

The goal of geostatistics is to describe, analyze, and interpret uncertainty caused by a limited spatial sampling of a property under study. The classical statistical methods are not appropriate for this purpose because they ignore the spatial information in data sets. Geostatistics offers a variety of tools for describing spatial continuity, which is an essential feature of many phenomena. Despite constant advances in geostatistics and its many successful applications, it remains a relatively unknown field in Poland. At the same time, the application of geostatistical methods has extended intensively in other countries to many fields relating to geological and environmental studies as well as economics and sociology.This work presents the capacity to use geostatistical methods in environmental engineering and environmental protection research. The introductory part of the work presents the basic concepts, the most important geostatistical tools such as semivariogram, covariance function, correlogram, cross-se-mivariance, etc, and essential geostatistical methods. The modeling of variograms using positive definite functions is then described. The first part presents the most important type of spatial estimation method, which is known as kriging. I then explain cokriging, which is the most important tool of spatial estimation taking into account secondary information. This type of estimation is often called data integration. The cokriging method, which uses more than one variable for prediction, is particularly useful when primary variable information is sparse, and at the same time the secondary variables are plentiful or even exhaustive. Cokriging is ideally suited to spatial estimation in many fields of environmental studies such as geology, geochemistry, remote sensing, etc, where expensive or difficult measurements are required. This technique significantly improves estimation and reduces the variance of estimation error. A large number of environmental phenomena may be regarded as realizations of space-time random fields. Phenomena such as the greenhouse effect, ozone depletion in the upper atmosphere, atmospheric pollution, forest inventory and rainfall are spatial-temporal in nature. Therefore, at the end of the theoretical part, space-time models have also been briefly described The empirical part of the work presents the use of geostatistical methods for different types of environmental studies: 1. Spatial correlation analysis of vestigial element concentrations in the soil of Warsaw and its surroundings. 2. Spatial distribution analysis of Zn, Pb and Cu contamination in the soil of Warsaw and its vicinity. 3. Use of the indicative goodness of fit parameter (IGF) to decrease the number of sample points in periodical field measurement. 4. Cokriging-based analysis of underground water contamination on the foreground of the ,,Zelazny Most" reservoir. 5. Determination of semivariances calculated from Landsat TM remote sensing images of forested areas. 6. Classification of forest ecosystems using satellite imagery. Some important conclusions and results obtained from the above-listed studies are: A classical direct correlation analysis between the measured values, which are regionalized variables, such as the concentrations of elements in soil and texture of the remote sensing image, is not very useful. This is due to the omission of structured aspects of natural phenomena. Therefore, the Pearson coefficient of correlation is not an appropriate tool for the assessment of correlation among vestigial element concentrations in soil, and calculation of geostatistical measures of spatial continuity is necessary. The use of classical interpolation methods for such data such as e.g. inverse-distance weighing or least-square methods leads to non-realistic distributions of pollution. Indicator kriging, which is a sophisticated, non-parametric geostatistical method of spatial estimation, takes into account spatial correlation, and as such does not require the assumption of global stationarity or normal (log-normal) distribution of data. Probability maps showing the risk that concentration of studied metals exceeds given thresholds calculated using indicator kriging help make reasonable decisions on the extent of clean-up action. . The variogram modeling and analysis of the IGF parameter allow for a decrease in the number of sampling points in periodical field measurements without significant deterioration of the quality of obtained results. Geostatistical methods are a very useful tool both in planning complementary measurement campaigns and in an analysis of environmental pollution data. The analysis of spatial distribution of underground water contamination at the eastern foreground of the ,,Zelazny Most" reservoir takes advantage of additional geoelectrical measurements and use of the cokriging method. Maps made using cokriging are more precise in comparison with those madeusing the IDW method and kriging, which both take into account only one variable. Making use of geoelectrical measurements as an additional variable causes the shape and size of those areas considered contaminated to change significantly. It has important influence on ecological risk estimation. The texture of remote sensing images of the forests can be highly complex, but at the same time it is very useful in the interpretation of these images. The analysis concerned the differences in semiva-riances calculated from transects of the Landsat TM images associated with images of young, middle- -aged, old, and natural versus planted stands, as well as compared semi variances for loblolly pine and longleaf pine in Georgia, USA. The semivariances for loblolly pine depend on age as well as on the forest stand origin (natural vs. planted). Important differences for sill value as well as for semivariance values for the distances of a few lags have been found. These parameters have proved useful for forest stand discrimination. The role of geostatistical methods in analyzing remote sensing images of forest areas have increased rapidly over the last few years following advancements in high-resolution remote-sensor technology. The results of applications of geostatistical methods for remote sensing classification of forest ecosystems are very encouraging.

Słowa kluczowe

badanie środowiska przyrodniczego metody geostatystyczne techniki satelitarne

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Inżynieria Środowiska

Rocznik

2005

Tom

z. 49

Strony

3--134

Opis fizyczny

Bibliogr. 227 poz., tab., rys., wykr.

Twórcy

autor

Zawadzki J.

Instytut Systemów Inżynierii Środowiska, Wydział Inżynierii Środowiska, Politechnika Warszawska

Bibliografia

1. Abiodun A.A., 1988. Remote sensing in the information age. Space Policy. 14: 229-238.
2. Anderson T.W., 1971. The statistical Analysis of Time Series. Wiley, New York.
3. Anselin L., 1995. Local indicators of spatial association - LISA. Geogr. Anal. 27: 93-115.
4. Anttila P., 2002. Nonparametic estimation of stand volume using spectral and spatial features of aerial photographs and old inventory data. Canadian Journal of Forest Research. 32 (10): 1849-1857.
5. Aplin P., Atkinson P.M., Curran P.J., 1999a. Fine Spatial Resolution Satellite Sensors for the next decade. Int. J. Remote Sens. 18: 3873-3881.
6. Aplin P., Atkinson P.M., Curran P.J., 1999b. Fine Spatial Resolution· Simulated Satellite Sensor Imagery for Land Cover Mapping in the United Kingdom. Int. J. Remote Sens. 68: 206-216.
7. Arai K., 1993. A classification method with a spatial-spectral variability. Int. J. Remote Sens. 33: 768-776.
8. Armstrong M., 1984. Common Problems Seen in Variograms. Mathematical Geology. 16 (3).
9. Asrar G., Fuchs M., Kanemasu E., Hatfield J., 1984. Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal 76: 300-306.
10. Atkinson P.M., 1993. The effect of spatial resolution on the experimental semivariogram of airborne MSS imagery. International Journal of Remote Sensing. 5: 1005-1011.
11. Atkinson P.M., 1997. Selecting the spatial resolution of airborne MSS imagery for small-scale agricultural mapping. International Journal of Remote Sensing. 18: 1903-1917.
12. Atkinson P.M., Tate N.J., 1999. Advances in remote sensing and GIS analysis. Wiley, Chichester, s. 257-258.
13. Badyda A., Wawrzonek P., 2002. Wykorzystanie geostatystycznych metod estymacji i symulacji do ograniczenia kosztów pomiarów zanieczyszczenia środowiska. Praca magisterska. Politechnika Warszawska. Wydział Inżynierii Środowiska.
14. Badyda A., Wawrzonek R., Zawadzki J., 2003. Wykorzystanie właściwości wskaźnika dopasowania IGF w celu ograniczania liczby punktów opróbowania w cyklicznych kampaniach pomiarowych. (Using features of indivative goodness of fit in order to decrease the number of sample points in periodical measurement campaignes). Technika poszukiwań geologicznych i geotermia, XLII-221.
15. Baranowski P., Kossowski J., Usowicz B., 1994. Spatial variability of soil water content in cultivated fields. Zesz. Prob. Post. Nauk Rol. 405: 9-19.
16. Benson B.E., 1966. Using co-kriging to enhance subsurface characterization for prediction of contaminant transport. W: Geostatistics for Environmental and Geotechnical Applications, ASTM STP 1283. R. Mohan Srivastava, S. Rouhani, M.V. Cromer, A.I. Johnson, Eds., American Society for Testing and Materials, Philadelphia.
17. Bilonick E. A., 1983. Risk qualified maps of hydrogen ion concentration for the New York State area for 1966-1978. Atmospheric Environment 17: 2513-2524.
18. Bilonick E.A., 1985. The space-time distribution of sulfate deposition in the Northeastern United States. Atmos. Environ. 19: 1829-1845.
19. Bivand R., 1998. A review of spatial technics for location studies. Department of Geography, Norwegian School of Economics and Business Administration.
20. Box G.E.P., Jenkins G.M., 1983. Time Series Analysis. Forecasting and Control. Holden Day Inc. 500.
21. Bowers W., Franklin S., Hudak J., McDerrmid G., 1994. Forest structural damage analysis using semivariance. Can. J. Remote Sens. 20: 102-115.
22. Bradley R., Hanslett J., 1992. Interactive Graphics for the Exploratory Analysis of Spatial Data - The Interactive Variogram Cloud, in Proc. of the Second CODATA Conference on Geomathematics and Geostatistics, P.A. Dowd & J.J. Royer (eds.), Sci. de la Terre, Ser. Inf., Nancy 31.
23. Bruniquel-Pinel V., Gastellu-Etchegorry J.P., 1998. Sensitivity of Texture of High Resolution Images of Forest to Biophysical and Acquisition Parameters. Remote Sens. of Environ. 65: 61-85.
24. Cambell J.B., 1994. Introduction to Remote Sensing. Guilford Press. New York.
25. Carr J.R., 1996. Spectral and textural classification of single and multiple band digital images. Computers & Geosciences 22 (8), 849-865.
26. Chen J.M., 1996. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands. Agriculture and Forest Meteorology 80: 135-163.
27. Chen Y.Q., Nixon M.S., Thomas D.W., 1997. On texture classification. Int. J. Syst. Sci. 28: 669-682.
28. Chica-Olmo M., Abarca-Hernandez F., 2000. Computing geostatistical image texture for remotely sensed data classification. Comput. Geosci. 26: 373-383.
29. Cieszewski C., Zasada M., Lowe R., Zawadzki J., Borders B., Clutter M., Daniels D., Izlar R., 2002. Analysis of pooled FIA and remote sensing data for fiber supply assessment - other studies and effective information dissemination. Contributed Paper, Fourth Annual FIA Symposium & The 2002 Southern Mensurationists' Conference, November 19-21. New Orleans, LA, USA.
30. Cieszewski C.J., Zasada M., Borders B.E., Lowe R.C., Zawadzki J., Clutter M.L., Daniels R.F., 2003. Spatially-explicit sustainability analysis of long-term fiber supply in Georgia, USA:. Journal of Forest Ecology and Management. 187 (2-3): 345-359.
31. Ciołkosz A., Kęsik A., 1989. Teledetekcja satelitarna. PWN, Warszawa.
32. Cohen W.B., Spies T.A., Bradshaw G.A., 1990. Semivariograms of digital imagery for analysis of conifer canopy structure Remote Sensing of Environment 34: 167-178.
33. Cressie N.A.C., 1990. The Origins of Kriging, Mathematical Geology. 22 (3).
34. Cressie N., Huang H., 1999. Classes of Nonseparable Spatiotemporal Stationary Covariance Functions. J. Amer. Statist. Assoc. 94: 1330-1340.
35. Cressie N.A.C., 1993. Statistics for Spatial Data. Wiley, Inc.
36. Creyer J.D., 1986. Time Series Analysis, PWS Publishers. Boston. USA.
37. Curran P., 1980. Multispectral remote sensing of vegetation amount. Prog. Phys. Geog. 22: 61-78.
38. Curran P.J., 1988. The semivariances in remote sensing: an introduction. Remote Sensing of Environment 24: 493-507.
39. Czaban S., Górski R., 1995. VII Bilans wód i zanieczyszczeń składowiska "Żelazny Most". Konferencja Sozologiczna. Polkowice.
40. Czaban S., Kalisz M., Lewiński J., 1995. Metody ograniczenia migracji wód ze składowiska "Żelazny Most". VII Konferencja Sozologiczna, Polkowice.
41. Czeranka M., Odermatt A., Frehner M., 2002. Regulation of Intercommunal Financial Flows with Geostatistics and GIS. Proceedings of ERSA Conference, 27-31 August. Germany.
42. Czerwiakowski I., 1859. Botanika szczególna. Opisanie roślin dwulistnych. Kraków.
43. Czubek J.A., Łaskiewicz J., Gyursak J., Lenda A., Umiastowski K., Zorski T., 1977. Charakterystyki geostatystyczne niektórych serii litostratygraficznych monokliny przedsudeckiej. VI Sympozium: Zastosowanie Metod Matematycznych i Informatycznych w Geologii, AGH, Kraków.
44. David M., 1975.The practice of kriging, in Geostat 75.
45. David M., 1988. Handbook of Applied Advanced Geostatistical Ore Reserve Estimation. Elsevier, Amsterdam.
46. De Bruin S., 2000. Predicting the Areal Extent of Land-Cover Types Using Classified Imagery and Geostatistics. Remote Sensing of Environment 74.
47. De Cesare L., Myers D., Posa D., 1997. Spatial-Temporal Modeling of SO2 in Milan District, 5th International Geostatistical Congress, Wollongong, Australia. 22-27 September.
48. De Fries R.S., Townshend J.R.G., 1994. NDVI-derives land cover classifications at a global scale. International Journal of Remote Sensing. 15: 3567-3586.
49. De Iaco S., Myers D.E, Posa D., 2002. Space-time variograms and a functional form for total air pollution measurements. Computational Statistics & Data Analysis, 42 (2): 311-328.
50. Deutsch C.V., Journel A.G., 1992. GSLIB Geostatistical Software Library and User's Guide. Oxford University Press, New York, NY.
51. Dillworth M., Whistler J., Merchant J., 1994. Measuring landscape structure using geographic and geometric windows, Photogramm. Eng. and Rem. 60: 1215-1224.
52. Dimitrakopoulos R., Luo X., 1994. Spatiotemporal Modeling: Covariances and Ordinary Kriging Systems. Geostatistics for the Next Century. Kluwer Academic Publishers. Dordrecht. 88-93.
53. Dojlido J.R., 1995. Chemia wód powierzchniowych. Wydawnictwo Ekonomia i Środowisko. Białystok.
54. Duncan O.D., Cuzzort R.P., Duncan B., 1961. Statistical geography: problems in analysing areal data. (Glencoe, Illinois: Free Press).
55. Dungan J., 1998. Spatial prediction of vegetation quantities using ground and image data. International Journal of Remote Sensing. 19.
56. Egbert G.D., Lettenmaier D.P., 1986. Stochastic modeling of the space-time structure of atmospheric chemical deposition. Water Resources Research. 22: 165-179.
57. Elhorst J.P., 2001. Dynamic Models in Space and Time Geographical Analysis. 33: 119-140.
58. Elvidge C.D., Chen Z., 1995. Comparison of Broad-Band and Narrow-Band Red and Near-Infrared Vegetation Indices. Remote Sens. Environ. 54: 38-48.
59. Englund E., Sparks A., 1991. Geo-EAS 1.2.1 User's Guide, US-EPA Report #600/8-91/008, EPA-EMSL. Las Vegas, NV.
60. ERDAS Field Guide, 1990. Fifth Edition. Erdas Inc., Atlanta, Georgia.
61. Fabijańczyk P., Sobiech M., 2003. Znaczenie kokrigingu w Inżynierii Środowiska na przykładzie badań rozkładu zanieczyszczeń na fragmencie przedpola wschodniego zbiornika osadów poflotacyjnych "Żelazny Most". Praca Magisterska. Wydział Inżynierii Środowiska. Politechnika Warszawska.
62. Fabiszewski J., Żołnierz L., 1993. Monitoring leśny w Sudetach i praktyczne jego wykorzystanie. Sylwan 11: 49-56.
63. Fisz M., 1967. Rachunek prawdopodobieństwa i statystyka matematyczna, PWN, Warszaw a.
64. Ford J.P., Casey D.J .. 1988. Shuttle radar mapping with diverse incidence angles in the rainforest of Borneo. Int. J. Remote Sens. 9: 927-943.
65. Franklin S.E., McDermid G.J., 1993. Empirical relations between digital SPOT HRV and CASI spectral response and lodgepole pine (Pinus contorta) forest stand parameters. Int. J. Remote Sens. 14: 2331-2348.
66. Franklin S.E., Wulder M.A., Lavigne M.B., 1996. Automated derivation of geographic window sizes for use in remote sensing digital image texture analysis. Comput. Geosci. 22: 665-673.
67. Franklin S.E., Lavigne M., Deuling M., Wulder M., Hunt E., 1997. Estimation of forest leaf area index using remote sensing and GIS data for modeling net primary productivity. Int. J. Remote Sens. 18: 3459-3471.
68. Fritz L., 1996. The era of commercial earth observation satellites. Photogramm. Eng. and Rem. 62: 39-45.
69. Froideevaux R., 1990. Geostatistical Toolbox Primer, version 1.30. FSS International. Troinex, Switzerland.
70. Gastellu-Etchegorry V., Demarez V., Pinel V., Zagolski F., 1966. Modeling Radiative Transfer in Heterogeneous 3-D Vegetation Canopies. Remote Sens. Environ. 58: 131-156.
71. Gillis M., Leckie D., 1996. Forest inventory update in Canada. The Forestry Chronicle 72: 138-56.
72. Golden Software, Inc., 1997. Surfer version 8. User's Guide.
73. Goodchild, M., 1986. Spatial autocorrelation. Concepts and Techniques in Modern Geography, 47. GeoBooks. Norwich.
74. Goovaerts P., 1997a. Geostatistics for Natural Resources Evaluation. Oxford University Press, New York.
75. Goovearts P., Journel A.G., Goovearts P., 1997b. Ordinary cokriging revisited, Mathematical Geology. 29.
76. Grabczyński S., 2000. Struktura biologiczna drzewostanów sosnowych w regionach przemysłowych. Sylwan 8: 71-81.
77. Granberg H.B., 1987. A forest shading model using bit-mapped graphics. Agric. For. Meteorol. 43: 225-234.
78. Gringarten E., Clayton V., 2001. Deutsch Teacher's Aide Variogram Interpretation and Modeling. Mathemathical Geology. 33(4).
79. Groenigen van J.W., 2000. The influence of variogram parameters on optimal sampling schemes for mapping by kriging. Geoderma 97. Enschede.
80. Groenigen van J.W., 1999. Constrained optimisation of soil sampling for minimisation of the kriging variance. Geoderma 87. Enschede.
81. Guyot G., Guyon D., Riom J., 1989. Factors affecting spectral response of forest canopies: a review. Geocarto Int. 3: 3-18.
82. Handcook M.S., Wallis J.R., 1994. An approach to statistical spatial-temporal modelling of meteorological fields. Journal of the American Statistical Associacion. 89 (426) 368-390.
83. Hannan E.J.. 1970. Multiple Time Series. Wiley, New York, USA.
84. Hansen J., Lebedeff. S., 1987. Global trends of measured surface air temperatures. J. Geophys. Research. D92: 13345-13372.
85. Haralick R.M., 1979. Statistical And Structural Approaches to Texture. Proceedings Of The IEEE. 67:786-804.
86. Haslett J., Raftery A.E., 1989. Space-time modelling with long-memory dependence: assessing Ireland's power resource. Applied Statistics 38: 1-50.
87. Hay G.J., Niemann K.O., McLean G.F., 1996. An object-specific image-texture analysis of H-resolution forest imagery. Remote Sens. Environ. 55: 108-122.
88. Hermanowicz W., Dożańska W., Dojlido J., Koziorowski B., 1976. Fizyczno-chemiczne badanie wody i ścieków. Arkady. Warszawa.
89. Holmgren J., Joyce S., Nilsson M., Olsson H., 2000. Estimating Stem Volume and Basal Area in Forest Compartments by Combining Satellite Image Data with Field Data. Scand. J. For. Res. 15: 103-111.
90. Hudak T.A., Lefsky M.A., Cohen W.B., Berterretche M., 2002. Integration of lidar and Landsat ETN+ data for estimating and mapping forest canopy height. Remote Sensing of Environment. 82: 397-416.
91. Huijbregts C.J., 1975. Regionalized variables and quantitative analysis of spatial data. in: Display and Analysis of Display Data. Davis J.C., and McCullagh M.J. (eds.), 1975. Wiley, London. s. 38-53.
92. Isaaks E.H., Srivastava R.M., 1989. An Introduction to Applied Geostatistics, Oxford University Press. New York, NY.
93. Isaaks E.H., Srivastava, R.M, 1988. Spatial continuity measures for probabilistic and deterministic geostatistics, Mathematical Geology. 20 (4).
94. Jakomulska A., Clarke K., 2001. Semivariogram-derived measures of textural image classification. In: Monestiez P., Allard D., Froidevaux R. (eds.), Geostatistics for Environmental Applications, Kluwer Academic Publishers, Dordrecht Hardbound, s. 345-355.
95. Jordan C.F., 1969. Derivation of leaf area index from quality of light on the forest floor. Ecology. 50: 663-666.
96. Journel A.G., Huibregts C.J., 1978. Mining Geostatistics. Academic Press, London.
97. Journel A.G., 1986. Geostatistics: models and tools for the earth sciences. Math. Geol. 18: 119-140.
98. Journel A.G., 1989. Fundamentals of Geostatistics in Five Lessons. Washington, DC.
99. Journel A.G., Rossi M.E., 1989. When Do We Need A Trend Model in Kriging? Mathematical Geology, 21: 715-739.
100. Journel A.G., 1993. Geostatistics: roadblocks and challenges. In Proc. of Fourth International Geostatistics Congress. Geostatistics Troia’92. A.Soares (eds). Kluwer Academic Publisher, Dordrecht. s. 213-224.
101. Jupp D.L.B., Strahler A.H., Woodcock C.E., 1988. Autocorrelation and regularization in digital images. I. Basic theory, IEEE Geosciences and Remote Sensing, 26: 467-473.
102. Jupp D.L.B., Strahler A.H., Woodcock C.E., 1989. Autocorrelation and regularization in digital images. I. Simple image models. IEEE Geosciences and Remote Sensing, 27: 247-258.
103. Kabata-Pendis A., Motowicka-Terelak T., Piotrowska M., Terelak H., Witek T., 1993. Ocena stopnia zanieczyszczenia gleb metalami ciężkimi i siarką. Ramowe wytyczne dla rolnictwa. Wyd. IUNG Puławy, Seria P(53).
104. Kacewicz M., 1994. "Fuzzy" geostatistics - an integration of qualitative description into spatial analysis. In Geostatistics for the Next Century, R. Dimitrakopoulous, ed. Kluwer, Dordrecht, Netherlands, 448-463.
105. Kasprzak T., Lasek M., Pęczkowski M., 1997. Statystyczna analiza wielowymiarowa za pomocą komputera. Wydawnictwa Uniwersytetu Warszawskiego. Warszawa.
106. Kelley B.C., Tuovinien O.H., 1988. Microbiological oxidation of minerals in mine tailings. In: Salomons W., Forstner U. (ed.), Chemistry and Biology of Solid Waste, Springer-Verlag. New York, s. 33-53.
107. Kint V., van Meirvenne M., Nachtergale L., Guedens G., Lust N., 2003. Spatial methods for quantifying forest stand structure development: A comparison between nearest-neighbor indices and variogram analysis. Forest Science 49 (1): 26-49.
108. Kitandis P., 1999. Introduction to Geostatistics (Application in hydrogeology). Cambrigde University.
109. Kohl M., Gertner G., 1997. Geostatistics in evaluating forest damage surveys: considerations on methods for describing spatial distributions. Forest Ecology and Management. 95: 131-140.
110. Kozlowski T.T. Kramer P.J., Pallardy S.G., 1991. Physiological Ecology of Woody Plants. Academic Press, NY.
111. Krige D.G., 1951. A statistical approach to some mine valuations and allied problems at the Witwatersrand. Master's thesis. University of Witwatersrand. South Africa.
112. Krige D.G., 1966. Two-dimensional weighted moving average trend surfaces for ore valuation, in Proceedings of the Symposium on Mathematics, Statistics and Computer Applications in Ore Valuation, Johannesburg. South African Institute of Mining and Metallurgy. Johannesburg.
113. Kucharek M., 2002. Modelowanie geostatystyczne rozkładu oraz migracji zanieczyszczeń na przedpolu zbiornika "Żelazny Most". Praca magisterska. Politechnika Warszawska. Wydział Inżynierii Środowiska. (Wyróżnienie w konkursie Ministra Środowiska "Nauka na rzecz ochrony środowiska i przyrody" na najlepsze prace magisterskie i licencjackie w polskich szkołach wyższych w 2001 i 2002 roku).
114. Labowitz M., Masouka E., 1984. The intfuence of autocorrelation in signature extraction – An example from a geobotanical investigation of Cotter Basin. Montana. Int. J. Remote Sens. 5: 315-332.
115. Lasota-Angelow Z., 1995. Strefa ochronna jako element podporządkowania problemów ekologicznych i społecznych. VII Konferencja Sozologiczna. Polkowice.
116. Lappi J., 2001. Forest inventory of small areas combining the calibration estimator and a spatial model. Canadian Journal of Forest Research. 31 (9): 1551-1560.
117. Lefsky M.A., Cohen W.B., Acker S.A., Parker G.G., Spies T.A., Harding D., 1999. Lidar Remote Sensing of the Canopy Structure and Biophysical Properties of Douglas-Fir Western Hemlock Forests. Remote Sensing of Environment. 70: 339-361.
118. Lévesque J., King J.D., 1999. Airborne Digital Camera Image Semivariance for Evaluation of Forest Structural Damage at an Acid Mine Site. Remote Sens. Environ. 68: 112-124.
119. Lipiec J., Usowicz B., 1997. Spatial variability of penetration resistance of soil at different compaction level. Bibliotheca Agronomica. s. 423-426.
120. Lis J., 1992. Atlas geochemiczny Warszawy i okolic. Państwowy Instytut Geologiczny.
121. Luc A., 2000. Spatial Econometrics. In B. Baltagi (ed.), Companion to Econometrics. Oxford: Basil Blackwell.
122. Lunetta R.S., Congalton R.G., Fenstermaker L.K., Jensen J.R., McGwire K.C., Tinney L.R., 1991. Remote sensing and geographic information system data integration - error sources and research issues. Photogrametric Engineering and Remote Sensing, 57.
123. Magiera T., Zawadzki J., Gajda B., 2003. Using of high resolution screening for comparison of topsoil magnetic susceptibility data obtained in forest and open areas. (Wysłano do Catena).
124. Marceau D., Howarth P., Gratton D., 1994a. Remote sensing and the measurement of geographical entities in a forested environment. 1. The scale and spatial aggregation problem. Remote Sens. Environ. 49: 93-104.
125. Marceau D., Gratton D., Fournier R., Fortin J., 1994b. Remote sensing and the measurement of geographical entities in a forested environment. 2. The optimal spatial resolution. Remote Sens. Environ. 49: 105-117.
126. Matheron G., 1962-1963. Traité de Géostatistuque Appliquée. Technip, Paris.
127. Matheron G., 1965. Les variables régionaliseés et leur estimation. Une application de la théorie des fonctions aléatoires aux Sciences de la Nature. Masson, Paris.
128. McBratney A.B., Webster R., 1986. Choosing function for semivariograms of soil properties and fitting them to sampling estimates. Journal of Soil Sciences. 37: 617:-639.
129. McIlveen W.D., McLaughin D.L., Arnup R.W., 1989. A survey to document the decline status of the sugar maple forest of Ontario: 1986, Ontario Ministry of Environment Publication, 22.
130. Meer van der F., 1996. Classification of remotely sensed imagery using an indicator kriging approach: application to the problem of calcite-dolomite mineral mapping. Int. J. Remote Sens. 17: 1233-1249.
131. Merchant J., 1984. Using spatial logic in classification of Landsat TM data in Proc. of 9th Ann. Pecora Symp. Sioux Falls. South Dakota. s. 378-385.
132. Miranda F., MacDonald J., Carr J.R., 1992. Application of the semivariogram textural classifier (STC) for vegetation discrimination using SIR-B data of Borneo. Int. J. Remote Sens. 13: 2349-2354.
133. Miranda F., Carr J.R., 1994. Application of the semivariogram textural classifier (STC) for vegetation discrimination using SIR-B data of the Guiana Shield, north-western Brazil. Rem. Sens. Rev. 10: 155-168. ·
134. Miranda F., Fonesca L., Carr J.R., Taranik J., 1996. Analysis of JERS-1 (Fuyo-1) SAR data for vegetation discrimination in northwestern Brazil using the semivariogram textural classifier (STC). Int. J. Remote Sens. 17: 3523-3529.
135. Mozgawa J., 2000. Teledetekcja obszarów leśnych - powiązania z SIP i zastosowania w LP. W: System informacji przestrzennej w lasach państwowych. Podręcznik użytkownika leśnej mapy numerycznej. 72-82.
136. Mozgawa J., Kadlewicz T., Kosiński K., Grudziński T., Botul K., 1994. Odwzorowanie biogeocenoz Białowieskiego Parku Narodowego na zdjęciach satelitarnych TM. Fotointerpretacja w Geografii. 24: 90-99.
137. Murray R., 1978. Theorie et Applications de la Statistique. Spiegel, Serie Schaum.
138. Myers D., 1984. Cokriging - new developments. In G. Verly et al. editors. Geostatistics for Natural Resources Characterization. Reidel, Dordrecht. Holland.
139. Myers D.E., Journel A.G., 1990. Variograms with zonal anisotropies and non-invertible kriging systems. Math. Geol. 22, 779-785.
140. Namysłowska-Wilczyńska B., Wilczyński A., 2002. Multivariate estimation and simulation for environmental data modelling: processing of heavy metals concentration data in soil, Data Science Journal 1(1), 27-44.
141. Namysłowska-Wilczyńska B., Wilczyński A., 1997. Badania geostatystyczne zanieczyszczenia gleb metalami ciężkimi w wybranych rejonach Górnego Śląska, Ochrona Środowiska 2(65).
142. Namysłowska-Wilczyńska B., 1994. Geostatystyka i GIS w ochronie środowiska. Mat. Konf. "Komputerowe Wspomaganie Badań Naukowych - KOWBAN'94", Wrocławskie Towarzystwo Naukowe, Wrocław.
143. Nanos N., Montero G., 2002. Spatial prediction of diameter distribution models in forestry. Forest Ecology and Management 161 (1-3), 147-158.
144. Nemani R., Pierce L., Running S., 1993. Forest ecosystem process at the watershed scale: Sensitivity to remotely-sensed Leaf Area Index estimates. International Journal of Remote Sensing. 14: 2519-2539.
145. Ochrona Środowiska. 1997, 1998, 1999, 2000. Biuletyny KGHM Polska Miedź SA, Oddział Zakład Hydrotechniczny,
146. Orzeł S., Rutkowska L., 2000. Struktura grubości drzewostanów sosnowych wzrastających w różnych strefach przemysłowego uszkodzenia. Sylwan 7: 55-63.
147. Paolo M.J., Stein A., Tome M., 2002. A spatial statistical analysis of cork oak competition in two Portugese silvopastoral systems. Canadian Journal of Forest Research 32 (11): 1893-1903.
148. Pace R.K., Barry R., Clapp J., Rodriguez M., 1998. Spatiotemporal Autoregressive Models of Neighborhood Effects. Journal of Real Estate Finance and Economics 17, s. 15-33.
149. Pannatier Y., 1996. Variowin, Software for Spatial Data Analysis in 2D. Springer-Verlag.
150. Papritz A., Fühler H., 1994. Temporal change of spatially autocorelated soil properties: Optimal estimation by cokriging. Geoderma, 25.
151. Popławski Z.F., Zawiła-Niedźwiecki T., 1995. System informacji przestrzennej w analizie stanu lasu Sudetów z wykorzystaniem danych teledetekcyjnych. Sylwan, 8: 73-86.
152. Posa D., 1993. A simple description of spatial-temporal processes. Comput. Statist. Data Anal. 15: 425-437.
153. Ramstein G., Raffy M., 1989. Analysis of the structure of radiometric remotely-sensed images. International Journal of Remote Sensing. 17: 3523-3529.
154. Ranneby B., 1982. Stochastic models of variation in time and space. In Statistics in Theory and practice. Essays in honour of Bertil Matern, B. Ranneby, ed. Swedish University of Agricultural Sciences. Umea. s. 227-245.
155. Ripley B.D., 1981. Spatial Statistics. Wiley. New York.
156. Robertson G.P., 2000. GS+: Geostatistics for the Environmental Sciences, Gamma Design Software. Plainwell, Michigan USA.
157. Rodriguez-Iturbe I., Meija J.M., 1974. The design of rainfall networks in time and space. Water Resources Res. 10: 713-728.
158. Roger C., Lowe R., Cieszewskl C.J., Zasada M., Zawadzki J., 2002. Distributing FIA Inventory Information Onto Segmented Landsat Thematic Mapper Images Stratified With Industrial Ground Data, Contributed Paper, Fourth Annual FIA Symposium & The 2002 Southern Mensurationists' Conference, November 19-21, 2002, New Orleans, LA, USA.
159. Rouhani S., Srivastava R., Desbarats A., Cromer M., Johnson A., 1996. Geostatistics for Environmental and Geotechnical Applications, ASTMP STP 1283.
160. Rouhani S., Myers D.E., 1990. Problems in space-time kriging of hydrogeological data. Math. Geology 22: 611-623.
161. Rouhani S., Hall T.J., 1989. Space-Time Kriging of Groundwater Data. In: Armstrong, M. (ed.), Geoststistics. Kluwer Academic Publishers, Dordrecht 2: 639-651.
162. Rouse J.W., Haas R.H., Schell J.A., Deering D.W., 1973. Monitoring vegetation systems in the great plains with ERTS. In: Proceedings, Third ERTS Symposium, NASA SP-351, NASA, Washington, DC, 1: 309-317.
163. Royle A.G., 1975. A practical Introduction to Geostatistics, Mining Sciences Departament, University of Leeds, Leeds.
164. Rozporządzenie Ministra Ochrony Środowiska, Zasobów Naturalnych i Leśnych z dnia 5 listopada 1991 r. Dz.U., 1991. 116. 503 - Klasyfikacja wód oraz warunki, jakim powinny odpowiadać ścieki wprowadzane do wód lub do ziemi.
165. Running S., Peterson D., Spanner M., Teueber K., 1986. Remote sensing of coniferous forest leaf area. Ecology 67: 273-76.
166. Rymer-Dudzińska T., 2001. Indykacja skażenia środowiska leśnego na podstawie zróżnicowania wybranych cech dendrometrycznych drzewostanów sosnowych. Sylwan 5: 15-31.
167. SADA, 1998. Spatial Analysis and Decision Assistance Home Page: http://www.tiem.utk.edu/-sada/.
168. Shinozaki K., Yoda K:, Hozumi K., Kira T., 1964a. A quantitative analysis of plant form - the pipe model theory. I. Basic analysis. Japanese Journal of Ecology. 14: 97-105.
169. Shinozaki K., Yoda K., Hozumi K., Kira T., 1964b. A quantitative analysis of plant form - the pipe model theory. II. Further evidence of the theory and its application in forest ecology. Japanese Journal of Ecology. 14: 133-139.
170. Smith R.L., Kolenikov S., Cox L.H., 2003. Spatio-temporal modeling of PM 2.5 data with missing values. Journal of Geophysical Research-Atmospheres (w druku).
171. Sobczyk M., 1996. Statystyka. PWN. Warszawa.
172. Song C., Woodcock C.E., 2002. The spatial manifestation of forest succesion in optical imagery. The potential of multiresolution imagery. Remote Sensing of Environment. 82: 271-284.
173. Spanner M.A., Pierce L.L., Peterson D.L., Running S.W., 1990. Remote sensing of temperate coniferous forest leaf area index, the influence. of canopy closure, understorey vegetation and background reflectance. Int. J. Remote Sens., 11: 95-111.
174. Srivastava R.M., Parker H.M., 1989. Robust Measures of Spatial Continuity in Geostatistics, in Geostatistics, M. Armstrong (ed.), Proc. of the Third International Geostatistics Congress, September 5-9. 1988, Avignin, France. D. Reidel, Dordrecht, Holland.
175. Stein M.L., 1985. A simple model for spatio-temporal processes with an application to estimation of acid deposition. Technical Report No 82, Department of Statistics, Stanford University. CA, USA.
176. Stein M.L., 1986. A simple model for spatial-temporal processes. Water Resources Research. 22: 2107-22110.
177. St-Onge B.A., Cavayas F., 1995. Estimating forest stand structure from high resolution imagery using the directional semivariogram. International Journal of Remote Sensing. 16: 1999-2001.
178. St-Onge B.A., Cavayas F., 1997. Automated forest structure mapping from high resolution imagery based on directional semivariogram estimates. Remote Sens. Environ. 61: 82-95.
179. Sun X.H., Quin P., 1993. Texture analysis for remotely sensed imagery. In Proc. of the Ninth Thematic Conference on Geological Remote Sensing, Pasadena, California. s. 311-322.
180. Strahler A., Woodcock C.E., Smith J., 1986. On the nature of models in remote sensing. Remote Sens. Environ. 20: 121-139.
181. Switzer P., Sølna K., 1966. Time-trend estimation for geographic region. Journal of the American Statistical Association. 91(434): 575-589
182. Treitz P., Howarth P., 2000. High spatial remote sensing data for forest ecosystem classification: an examination of spatial scale. Remote Sensing of Environment. 72: 268-289.
183. Tucker C.J., Fung I. Y., Keeling C.D., Gammon R.H., 1986. Relationship between atmospheric CO2 variations and a satellite-derived index. Nature. 319: 195-199.
184. Tulej M., Sekular J., 2001. Wykorzystanie metod geostatystycznych w ocenie wyników badań wykonanych metodą sondowań geoelektrycznych elektrooporowych. Praca Magisterska. Politechnika Warszawska. Wydział Inżynierii Środowiska.
185. Uproszczona dokumentacja hydrogeologiczna z realizacji I etapu "Koncepcji ochrony przedpola zachodniego przed infiltracją wód ze składowiska "Żelazny Most”. 2000. Wrocław.
186. Usowicz B., 1999. Zastosowanie analizy geostatystycznej i teorii fraktali w badaniach dynamiki wilgotności w profilu glebowym na polach uprawnych. Acta Agrophysica. 22: 229-243.
187. Vogelmann J.E., SohJ T.L., Campell P.V., Shaw D.M., 1998. Regional land cover characterization using Landsat Thematic Mapper data sources. Environmental Monitoring and Assessment. 51: 415-428.
188. Wackernagel H., 1998. Principal Component Analysis for Autocorrelated Data. A geostatistical perspective. Technical Report N-22/98/G, Centre de Geostatique - Ecole des Mines de Paris.
189. Wackernagel H., 1995. Cokriging versus kriging in regionalized multivariate data analysis. Geoderma. 62.
190. Wallace C.S.A., Watts J.M., Yool S.R., 2000. Characterizing the spatial structure of vegetation communities in the Mojave Desert using geostatistical techniques. Comput. Geosci. 26: 395-410.
191. Wallerman J., Joyce S., Vencatasawmy C.P., Olsson H., 2002. Prediction of forest stem volume using kriging adapted to detected edges. Can. J. Forest Res. 32: 509-518.
192. Webster R.M., Oliver M., 2000. Geostatistics for Environmental Scientists. Wiley, Ltd.
193. Westoby J., 1989. Introduction to forestry: people and their trees. Basil Blackwell Ltd., Oxford.
194. Witczak S., Duda R., 1995. Koncepcja drenażu wód słonych przenikających na przedpole składowiska "Żelazny Most" jako a ochrony wód powierzchniowych i podziemnych. VII Konferencja Sozologiczna. Polkowice.
195. Woodcock C.E., Strahler A.H., Jupp D.B., 1988a. The use of semivariograms in remote sensing: I Scene models and simulated images. Remote Sensing of Environment. 25: 323-348.
196. Woodcock,C.E., Strahler A.H., Jupp D.B., 1988a. The use of semivariograms in remote sensing: II Real digital images. Remote Sensing of Environment. 25: 349-379.
197. Woodcock C.E., Harvard V.J., 1992. Nested-hierarchical scene models and image segmentation. Int. J. Remote Sens. 13: 3165-3187.
198. Woodcock C.E., Macomber S.A., Pax-Lenney M., Cohen W.B., 2001. Monitoring large areas for forest change using Landsat: Generalization across space, time and Landsat sensors. Remote Sens. Environ. 78: 194-203.
199. Wulder M., Franklin S., Lavigne M., Deuling M., Hunt E., 1996a. Estimation of the net primary productivity of the Fundy Model Forest. FL, 4-7, 10: 325-332. in Proc. of conference on Global Networks for Environmental Information, Eco-Informa '96, Lake Buena Vista. Florida.
200. Wulder M., Lavigne M., Franklin S., 1996b. High spatial resolution optical image texture for improved estimation of forest stand leaf area index. Canadian Journal of Remote Sensing. 22: 441-49.
201. Wulder M., 1998. Optical remote-sensing techniques for assessment of forest inventory and biophysical parameters. Progress in Physical Geography. 22: 449-476.
202. Wulder M., LeDrew E., Franklin S., Lavigne M., 1998. Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI). Remote Sens. Environ. 64: 67-76.
203. Wulder M., 1999. Image spectral and spatial information in the assessment of forest structural and biophysical data. In Proc. of the International Forum on Automated Interpretation of High Spatial Resolution Digital Imagery for Forestry. Natural Resources Canada, Canadian Forest Service. Pacific Forestry Center. Victoria. BC. Canada. s. 267-281.
204. Wulder M.A., LeDrew E.F., Franklin S.E., Lavigne M.B., 2000. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery. Remote Sens. Environ. 73: 103-114.
205. Wynne R.H., Oderwald R.G., Reams G.A., Scrivani J.A., 2000. Optical remote sensing for forest area estimation. Journal of Forestry. 98(5): 31-36.
206. Xu W., Tran T., Srivastava, R., Journel A., 1992. Integrating seismic data in reservoir modeling: the collocated alternative. SPE paper #24742.
207. Treichel W., Zawadzki J., 1998. Porównanie i ocena geostatystycznych pakietów komputerowych (Comparison and evaluation of geostatistical software). Report in frame of Dean's Grant.
208. Zasada M., Cieszewski C., Lowe R., Zawadzki J., 2002. Using FIA and GIS Data to Estimate Areas and Volumes of Potential Stream Management Zones and Road Beautifying Strips, Contributed Paper, Fourth Annual PIA Symposium & The 2002 Southern Mensurationists' Conference. November 19-21, 2002, New Orleans, LA, USA.
209. Zawadzki J., 1997. Modelowanie geostatystyczne w Inżynierii Środowiska (Geostatistical Modelling in Environmental Engineering). Report in frame of Rector's Grant.
210. Zawadzki J., 2002a. Geostatystyczne metody oceny ciągłości i korelacji na przykładzie badań zawartości cynku, ołowiu i żelaza w glebie. (Geostatistical Methods for Continuity and Correlation Evaluation: Application to Zn, Pb and Fe content in soil), Inżynieria i Ochrona Środowiska (Engineering and Protection of Environment). 4 (3-4): 369-391.
211. Zawadzki J., 2002b. Wykorzystanie metod geostatystycznych do analizy danych przestrzennych (Using geostatistical methods for spatial data analysis). Wiadomości Statystyczne Głównego Urzędu Statystycznego. 12: 23-37.
212. Zawadzki J., 2002c. Badania korelacji przestrzennych zawartości pierwiastków śladowych w glebach Warszawy i jej okolic (Spatial Correlation Studies of Vestigial Elements Concentrations inSoil of Warsaw and its Environs) - accepted for publication in Environment Pollution Control (Journal of Polish Sanitary Engineer's Associacion). 4 (87).
213. Zawadzki J., Wojtkowska M., 2002. Zastosowanie korelogramów do badania współzależności wartości stężenia cynku i miedzi w Jeziorku Czerniakowskim (Study of Spatial Correlation between Zinc and Copper Concentrations in Czerniakowskie Lake Using Correlograms). National Conference on Water Reservoirs and Fishing Lakes. Agricultural University, Water Management and Protection Department. Kraków, Poland, June 26-28.
214. Zawadzki J., Treichel W., 2002. Opracowanie techniki i metodyki badań elektrooporowych stosowanychw kontroli i monitoringu oddziaływań odpadów na środowisko gruntowo-wodne. (Dzieło będące częścią umowy z Inspekcją Ochrony Środowiska, Głównym InspektoratemOchrony Środowiska) (Elaborating of technology and methodology of geoelectrical measurements for waste deposit control. Geostatistical Modelling ordered by the National Foundation for Environment Protection).
215. Zawadzki J., Cieszewski C.J., Zasada M., 2002a. Use of semivariances for studies of Landsat TM image textural properties of loblolly pine forests. Contributed Paper, Fourth Annual FIA Symposium & The 2002 Southern Mensurationists' Conference. November 19-21. New Orleans, LA, USA.
216. Zawadzki J., Cieszewski C.J., Zasada M., 2002b. The use of semivatiograms for the studies of textural properties of Landsat TM images of loblolly pi ne forests, Poster, Fourth Annual FIA Symposium & The 2002 Southern Mensurationists' Conference. November 19-21. New Orleans. LA. USA.
217. Zawadzki J., Cieszewski C.J., Zasada M., 2002c. Semiwariancje tekstury obrazów satelitarnych Landsat TM obszarów leśnych, Semivariances of Landsat TM satellite imagery texture of forested areas, Czasopismo Leśne, Sylwan, 7: 46-58.
218. Zawadzki J., 2003a. Wstęp do integracji danych przestrzennych metodami kokrigingu (Introduction to Data Integration Using Cokriging Methods), Wiadomośsci Statystyczne Głównego Urzędu Statystycznego, 5: 5-20.
219. Zawadzki J., 2003b. Analiza rozkładu przestrzennego zanieczyszczenia gleb Warszawy i okolic cynkiem, miedzią i ołowiem przy zastosowaniu krigingu wskaźnikowego. (Spatial Distribution Studies of Zn, Pb and Cu Contamination in the Soils of Warsaw and its Vicinity). Inżynieria i Ochrona Środowiska (Engineeting and Protection of Environment) 6 (3-4).
220. Zawadzki J., 2004. Wstęp do modelowania czasowo-przestrzennego metodami geostatystycznymi. Wiadomości Statystyczne Głównego Urzędu Statystycznego. 3: 15-24.
221. Zawadzki J., Cieszewski C.J., Zasada M., 2004a. Zastosowanie geostatystycznych metod estymacji do wyznaczania miar inwentaryzacyjnych oraz parametrów biofizycznych lasów technikami zdalnymi. Czasopismo Leśne. Sylwan. 3: 51-62.
222. Zawadzki J., Magiera T., Strzyszcz Z., 2004b. Analiza korelacji i regresji pomiędzy zawartością metali ciężkich i innych pierwiastków w glebach Górnośląskiego Okręgu Przemysłowego a ich podatnością magnetyczną. Archiwum Ochrony Środowiska (Archives of Environmental Protection). 30 (2).
223. Zawadzki J., Cieszewski C.J., Zasada M., 2004c. Wykorzystanie metod geostatystycznych do klasyfikacji ekosystemów leśnych przy użyciu technik satelitarnych, Czasopismo Leśne, Sylwan. 2: 26-41.
224. Zawadzki J., Fabijańczyk P., 2004d. Analysis of underground water contamination on the fore ground of the "Żelazny Most" reservoir using cokriging, (Konferencja Międzynarodowa: Zrównoważone Zarządzanie Obszarami Poprzemysłowymi. BAT w gospodarce odpadami górniczymi, 4-5 listopada 2004, Kraków. (Przyjęto do druku w Sustainable Post-miming Land Management).
225. Zawadzki J., Cieszewski C.J., Zasada M., 2004e. Semivariances of Landsat TM digital imagery of loblolly pine forests. (Przyjęto do publikacji w International Journal of Forest Science).
226. Zawadzki J., Cieszewski C.J., Zasada M., 2004f. Use of geostatistics for satellite remote sensing investigations of forest ecosystems. (Przyjęto do druku w Silva Fennica) .
227. Zawadzki J., Kucharek M., Treichel W., 2004g. Modelowanie przestrzennego rozkładu stężeń jonów Cl- w wodach podziemnych na przedpolu zbiornika odpadów poflotacyjnych. Inżynieria i Ochrona Środowiska (Engineering and Protection of Environment). 6 (3-4): 407-424.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-PWA5-0010-0009