Resumo A construção de curvas de sítio a partir da modelagem da altura de árvores dominantes medidas em parcelas permanentes em diferentes idades, considerando uma idade de referência, se constitui no método mais prático e difundido no meio florestal para classificar a capacidade produtiva local. Dentro de um processo de Planejamento Florestal, o grau de assertividade das curvas geradas tem consequências quantitativas e qualitativas na alocação de recursos, de forma que a melhoria contínua dos métodos de classificação é de suma importância. Este estudo teve como objetivo propor o uso de modelos de Redes Neurais Artificiais (RNA) para estimar a altura de árvores dominantes de eucalipto, e aplicá-los na geração de curvas de sítio utilizando o método da curva guia, como uma alternativa aos modelos tradicionais de regressão não-linear, avaliando a precisão das estimativas e a estabilidade da classificação da capacidade produtiva local gerada por essas abordagens. Os dados utilizados foram provenientes das medições de 8.819 parcelas permanentes instaladas em povoamentos clonais de Eucalyptus urophylla × Eucalyptus grandis. Foram ajustados cinco modelos não lineares clássicos e as RNA foram treinadas com dois algoritmos: Feed Forward Back Propagation Network (FFBP) e Cascade Forward Back Propagation Network (CFBP). Os resultados mostraram que, de maneira geral, quando utilizada somente a idade das parcelas para estimativa da altura dominante, não houve diferença nos resultados entre as RNA treinadas com os dois algoritmos e os modelos não lineares. Contudo, com adição de novas variáveis do povoamento durante o treinamento das RNA, houve uma melhora nas estimativas das alturas dominantes e gerou uma classificação da capacidade produtiva 13% mais estável se comparada aos modelos de regressão não linear.
Abstract The generation of site curves built from modeling the height of dominant trees measured in permanent plots at different ages considering a reference age constitutes the most practical and widespread method to classify the local productive capacity. Within a Forest Planning process, the assertiveness of the generated curves has quantitative and qualitative consequences in the allocation of resources, so that the continuous improvement of classification methods is of paramount importance. This study aimed to propose models of Artificial Neural Networks (ANN) to estimate the height of dominant eucalyptus trees, and apply them in the generation of site curves using the guide curve method, as an alternative to non-linear and assess the accuracy of estimates and stability of the classification of local productive capacity generated by these approaches. The data used are from measurements of 8,819 permanent plots installed in clonal stands of Eucalyptus urophylla × Eucalyptus grandis. Five classical non-linear models were fitted and the ANN were trained with two algorithms: Feed Forward Back Propagation Network (FFBP) and Cascade Forward Back Propagation Network (CFBP). In general, when only the age of the plots was used to estimate the dominant height, there was no difference in the results between the ANN trained with the two algorithms and the non-linear models. However, with the addition of new stand variables during ANN training, there was an improvement in estimates of dominant heights and generated a 13% more stable productive capacity classification compared to non-linear regression models.
