Modelos estatísticos para previsão de crescimento de plantações florestais

Abstract

Resumo: A eficiência de um sistema de planejamento florestal baseia-se em sua confiabilidade para prever a produção florestal, obtido a partir das estimativas de altura e diâmetro das árvores, dentro de um horizonte de planejamento. Neste estudo, são apresentados modelos para o ajuste de curvas de crescimento do diâmetro e altura de árvores tendo como base uma série histórica desses valores obtidos ao longo de t anos. Aplicou-se o processo de estimação de máxima verossimilhança em conjunto com o Método de Otimização de Newton com iterações sucessivas, optando-se por ajustar as funções Gumbel e Tangente-hiperbólica, uma vez que apresentam comportamentos similares aos de crescimento de árvores. De posse da série histórica de dados é possível projetar o crescimento e planejar o sistema de controle florestal. Apresenta também um ajuste para a função Polinomial pelo método dos mínimos quadrados, que é o método usualmente utilizado. A avaliação da função com melhor aderência aos dados foi realizada através da aplicação dos testes qui-quadrado e Kolmogorov-Smirnov. As análises foram apoiadas por um programa computacional especialmente desenvolvido para este trabalho. Os resultados obtidos com os dados analisados apontam para a função Gumbel, entre as que foram estudadas, como a função que melhor retrata o crescimento florestal.

Abstract: The success in planning forest management depends on the reliability in yield forecast, computed from the estimates of trees height and diameter, within a certain planning horizon. In this study, models to adjust trees height and diameter growth curves are presented. The method of maximum likelihood was applied in conjunction with Newton's method for optimization, with successive iterations, to a data set observed in t years. Gumbel and Hyperbolic-Tangent functions were used since their behaviors are similar to trees growth behavior. From a historical data series it was possible to predict trees height in many steps of the planning horizon. A polynomial adjustment using least squares method, one of the most usual method in this kind of study, are also presented to compare with the proposed models. The Chi-Square and Kolmogorov-Smirnov tests were used to determine the best-fit function, which adhered to data. A special software package was developed to support model analysis. It's shown that the best fit model was those based on the Gumbel function.