RESUMO Problemas de agendamento são tarefas da rotina operacional presentes nas empresas, que exigem uma solução ótima para apoiar a decisão. No entanto, esses problemas ainda não foram investigados com frequência na ciência florestal. Neste sentido, propôs-se descrever uma formulação matemática para a otimização da silvicultura sob restrição de agendamento da mão de obra/ sequenciamento das atividades (SSRRMM). Buscando o método mais adequado para solucionar este problema combinatório, comparou-se duas estratégias: i) Programação Linear Inteira (PLI) e ii) Simulated annealing (SA). Os principais critérios para avaliar o desempenho das estratégias foram fornecer soluções fáctiveis em tempo de processamento e custo final do projeto aceitáveis. A instância abordada é um problema real contendo 32 talhões e cinco atividades silviculturais programadas dentro de um prazo de 40 dias. Testou-se ainda três funções objetivo, definindo estudos de caso (S) para atender às decisões recorrentes dos gestores, minimizando: S1 - custo do projeto, S2 - makespan e S3 - utilização da mão de obra. Os resultados revelam um modelo robusto para apoiar o planejador florestal em tarefas a nível operacional. O PLI alcançou a solução ótima apenas para a minimização do custo do projeto (S1) devido à demora no tempo de processamento dos outros estudos de caso. Desta forma, destaca-se o SA como um método eficiente para solucionar o SSRRMM, fornecendo soluções satisfatórias em um tempo reduzido. Todas as funções objetivo se ajustaram adequadamente aos seus objetivos propostos. As funções de makespan e de uso da mão de obra aumentaram US$ 1.820,29 (S2) e US$ 2.146,39 (S3) em relação ao S1, respectivamente, para terminar o projeto mais cedo e reduzir a oscilação do uso da mão de obra ao longo dos dias. Diante dessas descobertas, sugere-se aos futuros pesquisadores incorporar outros desafios na tomada de decisão, envolvendo uma formulação multi-objetivo ou métodos para revelar novos insights dentro do manejo e planejamento florestal.

ABSTRACT Scheduling problems are tasks of the operational routine in companies, which demand an optimal solution to support the decision. However, these problems have not been frequently investigated in forestry science. Therefore, it was proposed to describe a mathematical formulation for silviculture optimization under scheduling restriction of the workforce /sequencing of tasks (SSRCMM). Seeking the most suitable method to solve this combinatorial problem, two strategies were compared: i) Integer Linear Programming (ILP) and ii) simulated annealing (SA). The main criteria to assess strategies’ performance were to provide feasible solutions at an acceptable processing time and final project cost. The instance approached is a real problem outlined in 32 stands and five silvicultural tasks scheduled within a 40-day deadline. Three objective functions were also tested, defining case studies (S) to attend to the recurring managers’ decisions by minimizing: S1 – project cost, S2 – makespan, and S3 – workforce usage. The results reveal a robust model to support the forest planner in operational-level tasks. The ILP achieved the optimal solution only for the minimization of the project cost (S1) due to the delay in processing time of the other case studies. Thus, the SA stands out as an efficient method to solve the SSRCMM by providing satisfactory solutions in a reduced time. All the objective functions fitted properly with their proposed goals. The makespan and workforce usage functions increased by US$1,820.29 (S2) and US$2,146.39 (S3) from the S1, respectively, to finish the project earlier and reduce the oscillation of workforce usage over the days. Facing these findings, it is suggested that future researchers incorporate other challenges in decision-making, involving a multi-objective formulation or methods to reveal new insights for forest management and planning.

Resumo O objetivo deste trabalho foi aplicar o algoritmo “random forest” (RF) à modelagem do estoque de carbono acima do solo (CAS) de uma floresta tropical, por meio da testagem de três procedimentos de seleção de variáveis: remoção recursiva e algoritmos genéticos (AGs) uniobjetivo e multiobjetivo. Os dados utilizados abrangeram 1.007 parcelas amostradas na bacia hidrográfica do Rio Grande, no estado de Minas Gerais, Brasil, e 114 variáveis ambientais (climáticas, edáficas, geográficas, de terreno e espectrais). A melhor estratégia de seleção de variáveis – a RF com AG multiobjetivo – chega ao menor erro quadrático de 17,75 Mg ha-1 com apenas quatro variáveis espectrais – índice de umidade por diferença normalizada, textura de correlação do índice de queimada por razão normalizada 2, cobertura arbórea e fluxo de calor latente –, o que representa redução de 96,5% no tamanho do banco de dados. As estratégias de seleção de variáveis ajudam a obter melhor desempenho da RF, ao melhorar a acurácia e reduzir o volume dos dados. Embora a remoção recursiva e o AG multiobjetivo mostrem desempenho semelhante como estratégias de seleção de variáveis, esta último apresenta menor subconjunto de variáveis, com maior precisão. As descobertas deste trabalho destacam a importância do uso de infravermelho próximo, comprimentos de onda curtos e índices de vegetação derivados para a estimativa de CAS baseada em sensoriamento remoto. Os produtos MODIS mostram relação significativa com o estoque de CAS e precisam ser melhor explorados pela comunidade científica para a modelagem deste estoque.

Abstract The objective of this work was to apply the random forest (RF) algorithm to the modelling of the aboveground carbon (AGC) stock of a tropical forest by testing three feature selection procedures – recursive removal and the uniobjective and multiobjective genetic algorithms (GAs). The used database covered 1,007 plots sampled in the Rio Grande watershed, in the state of Minas Gerais state, Brazil, and 114 environmental variables (climatic, edaphic, geographic, terrain, and spectral). The best feature selection strategy – RF with multiobjective GA – reaches the minor root-square error of 17.75 Mg ha-1 with only four spectral variables – normalized difference moisture index, normalized burnratio 2 correlation text ure, treecover, and latent heat flux –, which represents a reduction of 96.5% in the size of the database. Feature selection strategies assist in obtaining a better RF performance, by improving the accuracy and reducing the volume of the data. Although the recursive removal and multiobjective GA showed a similar performance as feature selection strategies, the latter presents the smallest subset of variables, with the highest accuracy. The findings of this study highlight the importance of using near infrared, short wavelengths, and derived vegetation indices for the remote-sense-based estimation of AGC. The MODIS products show a significant relationship with the AGC stock and should be further explored by the scientific community for the modelling of this stock.

ABSTRACT This paper aimed to estimate the basic density (DB) of the wood of Cerrado species using mixed linear models. For performing the DBH measurement, the sampling of 334 individuals was carried out. By keeping the Pilodyn apparatus in the DBH position, two measurements were made on opposite sides. Further, for determining DB, the trees were knocked down, followed by removal of five wood discs at different height of stem positions. For this purpose, two sets of modeling alternatives were proposed, which take into account with and without random effects, employing species as a random effect grouping variable. Thus, it was elucidated that, for the estimation of DB, the mixed model that considered the random effects performed better as compared to the alternative model without random effects. The inclusion of random effects leads to the estimation of DB with high accuracy.