RESUMO A inventariação e previsão de descortiçamento ao longo do tempo e espaço tornam-se essenciais para os gestores florestais responsáveis pelo seu planejamento e logística (transporte, armazenamento etc.). Os métodos comuns de inventariação de campo que incluem a densidade de troncos, diâmetro e altura da estrutura são caros e geralmente baseados em pontos (parcelas). Além disso, a estrutura horizontal irregular dos povoamentos de sobreiro torna difícil, se não impossível, a interpolação entre os pontos (parcelas). Assim, propõe-se um novo método para estimar a produção de cortiça usando imagens digitais aéreas multiespectrais. Foi estudada a resposta espectral a árvores individuais nas faixas do visível e infravermelho próximo, e posteriormente foi correlacionada essa resposta com a produção de cortiça antes do descortiçamento. Foram usadas medidas terrestres de produção de árvores individuais para avaliar a capacidade preditiva do modelo. Propuseram-se 14 variáveis candidatas à predição de produção de cortiça baseadas no tamanho da copa combinada com diferentes índices derivados do NDVI. Foi usado o Critério de Informação de Akaike para escolher a melhor opção entre elas. O melhor modelo é composto por combinações de diferentes derivados de NDVI que incluem os canais do vermelho, verde e azul. O modelo proposto é 15% mais preciso que o modelo que inclui unicamente a projeção da copa sem qualquer tipo de informação espectral.

ABSTRACT Inventory and prediction of cork harvest over time and space is important to forest managers who must plan and organize harvest logistics (transport, storage, etc.). Common field inventory methods including the stem density, diameter and height structure are costly and generally point (plot) based. Furthermore, the irregular horizontal structure of cork oak stands makes it difficult, if not impossible, to interpolate between points. We propose a new method to estimate cork production using digital multispectral aerial imagery. We study the spectral response of individual trees in visible and near infrared spectra and then correlate that response with cork production prior to harvest. We use ground measurements of individual trees production to evaluate the model’s predictive capacity. We propose 14 candidate variables to predict cork production based on crown size in combination with different NDVI index derivates. We use Akaike Information Criteria to choose the best among them. The best model is composed of combinations of different NDVI derivates that include red, green, and blue channels. The proposed model is 15% more accurate than a model that includes only a crown projection without any spectral information.