O presente trabalho objetivou analisar o comportamento espacial do estoque de carbono presente no fuste da vegetação (ECV) e da matéria orgânica do solo (MO) em uma floresta ombrófila densa na Serra da Mantiqueira, no Estado de Minas Gerais, por meio de krigagem. Pretendeu-se também testar a utilização da MO superficial como variável auxiliar na predição do ECV com o uso da cokrigagem. Para isso, foram analisados dados georreferenciados de 25 pontos amostrais de MO em três profundidades, 0-20 cm (P1), 20-50 cm (P2) e 50-100 cm (P3), e de 12 parcelas amostrais de 400 m2 de vegetação. As variáveis apresentaram estrutura de dependência espacial (maior em ECV e menor em MO em P1) e o semivariograma cruzado refletiu a correlação espacial entre ECV e MO em P1. O mapa de interpolação gerado por cokrigagem foi satisfatório na detecção de tendências da variável ECV, conservando os mesmos padrões do mapa gerado por krigagem ordinária para essa variável. Considera-se que, na área estudada, MO em P1 pode ser utilizada como covariável na caracterização espacial geral do ECV, em situações de subamostragem de ECV.

We aimed to analyze the spatial behavior of carbon present in the stems of trees (ECV) and soil organic matter (OM) in a dense ombrophilous forest at Serra da Mantiqueira, MG, using kriging. Also we tested the use of superficial organic matter as auxiliary variable in predicting ECV by cokriging. In order to achieve this, we analyzed georeferenced data from 25 sampling points of soil organic matter in three depths, 0-20 cm (P1), 20-50 cm (P2) and 50-100 cm (P3) and 12 vegetation sample plots of 400 m2. All variables presented spatial dependence structure (higher ECV and lower OM at P1). The cross semivariogram reflected the spatial correlation between ECV and OM at P1. The interpolation map generated by cokriging provided good notion of general ECV trends keeping the same patterns as the one generated by ordinary kriging for this variable. Our findings pointed that in our studied area, OM at P1 can be used as a covariate for ECV prediction of where ECV is under sampled.