Modeling of uneven-aged forest: artificial neural networks applied in a forest managed in the east of the Amazon

A problemática em relação a esse fato é a possível surperexploração de poucas espécies que compõem a maior parte da intensidade de corte, quando os planos de manejo florestal não estimam a recuperação da floresta ao longo do tempo. Assim, as decisões sobre a intensidade e o ciclo de corte adequado não apresentam fundamentos baseados na dinâmica florestal. Isso poderia ser contornado por meio do emprego de modelos de crescimento e produção apropriados para a prognose dos estoques futuros, utilizando a dinâmica florestal como base na parametrização. Esses modelos também podem ser usados para avaliar a dinâmica florestal e perturbações naturais. Por tanto, novas técnicas de modelagem em florestas tropicais são necessárias para garantir a sustentabilidade dessa atividade. Nesse cenário, o objetivo foi modelar uma floresta colhida seletivamente, há mais de 30 anos, utilizando Redes Neurais Artificiais (RNA), para subsidiar decisões silviculturais sobre o manejo florestal na Amazônia. Para atender a esse objetivo, a tese foi dividida em quatro artigos. Em todas as modelagens foram utilizados os dados do campo experimental localizado na Floresta Nacional do Tapajós, à altura do Km 67 (55° 00’ W, 2° 45’ S) da Rodovia BR- 163, Cuiabá-Santarém, no município de Belterra, estado do Pará, Brasil. Predomina na área o bioma Amazônia e a tipologia Floresta Ombrófila Densa de terra firme. Em 1979, foi realizada a colheita seletiva com intensidade de 72,5 m 3 ha -1 , em uma área de 64 ha. Em 1981, foram instaladas aleatoriamente e inventariadas 36 parcelas permanentes (50 m x 50 m). Nove medições sucessivas foram realizadas na área, em 1982, 1983, 1985, 1987, 1992, 1997, 2007, 2010 e 2012. Para avaliar a modelagem foram utilizadas as estatísticas de correlação (ryŷ ), raiz quadrada do erro quadrático médio (RQEQM) e o coeficiente Kappa (usado para avaliar a saída categórica de mortalidade e sobrevivência). Também foi analisada a dispersão dos erros percentuais (Erro %). No primeiro artigo o objetivo foi estimar o recrutamento após a colheita de madeira, empregando redes neurais artificiais. A modelagem do recrutamento com RNA seguiu a tendência dos dados observados ao longo dos 31 anos, sendo obtido com a melhor rede um RQEQM de 35,6%e ryŷ de 0,89. No segundo artigo o objetivo foi modelar o crescimento das árvores individuais em uma floresta manejada na Amazônia, utilizando redes neurais artificiais. Todas as RNA, com índice de competição semi-independentes da distância e sem índice, apresentaram correlação acima de 99% e RQEQM menor que 11%. A modelagem do crescimento com RNA pode ser usada com precisão para auxiliar no manejo de florestas tropicais por seguir a tendência dos dados observados. No terceiro artigo o objetivo foi estimar a sobrevivência e a mortalidade de árvores individuais em floresta colhida seletivamente, utilizando redes neurais artificiais. O coeficiente Kappa geral ficou abaixo de 8% em todas as RNA (classificação “pobre”), mas todas as redes ficaram acima de 55% na classificação da sobrevivência (classificação “boa”). A RNA estimou com maior precisão a sobrevivência individual de árvores, mas isso não ocorreu com a mortalidade, que é um evento mais raro que a sobrevivência. No quarto artigo o objetivo foi empregar autômatos celulares com regra de evolução em redes neurais artificiais, para projetar a distribuição diamétrica. Todas as RNA apresentaram a correlação acima de 99% e RQEQM abaixo de 17%. A projeção em todos os períodos analisados não apresentou diferença estatística a 5% de significância em relação à observada, demonstrando que a projeção seguiu a tendência da dinâmica da distribuição diamétrica. A modelagem utilizando redes neurais artificiais para prognosticar o recrutamento, o crescimento, a sobrevivência e a distribuição diamétrica de floresta tropical colhida seletivamente seguiu a tendência dos dados observados, com elevada precisão no recrutamento, no crescimento individual de árvores, na sobrevivência e na distribuição diamétrica, e pode ser utilizada para subsidiar as decisões silviculturais no manejo florestal sustentável na Amazônia.Forest management practiced in the Amazon rain forest does not consider the modeling of tropical forests as a technical and economic support in silvicultural decisions. The problem in this regard is the possible overexploitation of few species that compose a greater part of the cut intensity, when sustainable forest management plans do not estimate the forest recovery over time. Thus, decisions on intensity and the appropriate cutting cycle do not present grounds based on forest dynamics. This could be overcome by using suitable models that predict future inventories using forest dynamics as the basis for parameterization. Such models can also be used not only for modeling, for the purpose of forest harvesting, but for assessing forest dynamics and natural disturbances. Therefore, new modeling techniques in tropical forests are necessary to guarantee the sustainability of this activity. In this scenario, the thesis aims to model a forest selectively harvested over 30 years using Artificial Neural Networks (ANN) to support silvicultural decisions on forest management in the Amazon rain forest. To meet this goal, the thesis was divided into four article. In all the modelings were used the experimental field data located in Floresta Nacional do Tapajós (Tapajós National Forest), at Km 67 (55° 00’ W, 2° 45’ S) of the road Rodovia BR-163, Cuiabá-Santarém, in the municipality of Belterra, state of Pará, Brazil. The Amazon biome and the typology Dense Ombrophilous Forest of solid ground predominate in the area. In 1979 a selective harvest was carried out, with an intensity of 72.5 m3 ha-1 in an area of 64 ha. In 1981, 36 (50 m x 50 m) permanent plots were installed at random and inventoried. Nine successive measurements were carried out in the area in 1982, 1983, 1985, 1987, 1992, 1997, 2007, 2010, and 2012. To evaluate the modeling were used the correlation statistics (ryŷ), root-mean-square error (RMSE), model efficiency coeficiente (EM), and the Kappa coefficient (used to evaluate the categorical output of mortality and survival). Also analyzed was the dispersion of percentage errors (Error %). The first article aimed to estimate the recruitment after the harvest of wood using an Artificial Neural Network model. The modeling of recruitment with ANN followed the trend of the data observed over the 31 years, obtaining with the best ANN RMSD of 35.6% and of 0.89. The objective of the second article was to modelthe growth of individual trees in a forest managed in the Amazon using Artificial Neural Networks. All ANN with a semi-distance-independent competition index and without index presented a correlation above 99% and RMSD lower than 11%. ANN growth modeling can be efficiently used to aid in the management of tropical forests by following the trend of data observed and presenting high accuracy. The third article aimed to estimate the survival and mortality of individual trees in a selectively harvested forest using Artificial Neural Networks. The overall Kappa coefficient was below 8% for all ANNs (ranked “poor”) but all ANNs were above 55% in the survival classification (ranked “good”). ANN estimates the individual survival of trees more accurately but this does not occur with mortality, which is a rarer event than survival. The article chapter aimed to use cellular automata with evolution rule in Artificial Neural Networks to design diametric distribution. All ANN showed a correlation above 99% and RMSD below 17%. The projection in all the periods analyzed did not show statistical difference at 5% of significance in relation to the one observed, demonstrating that the projection followed the trend of the diametric distribution dynamics. Modeling using Artificial Neural Networks to predict recruitment, growth, survival, and diameter distribution of selectively harvested tropical forest followed the trend of data observed, with high precision in individual tree growth and diameter distribution, and can be used to support silvicultural decisions in sustainable forest management in the Amazon rain forest.Coordenação de Aperfeiçoamento de Pessoal de Nível Superio