Diameter structure of a tropical forest under different management systems

O estudo da distribuição diamétrica é importante pois apresenta a amplitude dos diâmetros, mostra qual a classe onde ocorre mais árvores e permite avaliar a regeneração e recrutamento de árvores. A função Weibull tem sido usada para modelar florestas, pois é flexível e cobre formas que variam de J-invertido a formas de sino. Os objetivos deste trabalho foram avaliar cinco métodos de estimação da função Weibull e avaliar dois sistemas que modelam os parâmetros da função Weibull, quando a função representa a estrutura de uma floresta tropical que sofreu cortes seletivos. Os métodos avaliados foram: máxima verossimilhança, função linear, momentos e dois métodos de percentis. Os critérios de avaliação foram: diferença dos diâmetros médios observados e estimados; diferença absoluta dos diâmetros médios observados e estimados; diferença do diâmetro médio quadrático observado e estimado; diferença absoluta do diâmetro médio quadrático e o teste de Kolmogorov-Smirnov (KS) ao nível de significância de 5%. Os resultados mostraram que o método de Máxima Verossimilhança foi o melhor para estimar a estrutura diamétrica do povoamento. Quantos aos sistemas de modelagem dos parâmetros da função Weibull, os sistemas estudados foram de predição e recuperação dos parâmetros. O método de predição dos parâmetros usou como variável dependente os parâmetros c e b, estimados por máxima verossimilhança. O método de recuperação usou os percentis 24 e 93 como variáveis dependente, e por meio de um sistema de equações, recuperou-se os parâmetros c e b. Além das tradicionais variáveis preditoras, como densidade e tempo após o corte, utilizou-se neste trabalho variáveis que exprimem a diversidade das florestas tropicais. Dentro dos critérios de avaliação, destacaram-se o teste KS, diferença dos diâmetros médio observados e estimados e diferença dos diâmetros médios quadráticos observados e estimados. Os resultados mostraram que o sistema de Recuperação dos Parâmetros foi ligeiramente superior ao de Predição dos Parâmetros.The diameter distribution is important for presenting the range of diameters, showing the diameter class with higher tree abundance and for allowing estimates of tree regeneration and recruitment. The Weibull function has been used for forest modeling because it is flexible and covers from the inverted-J to the bell distributions. The objectives of this study were to evaluate five methods to estimate the Weibull function and to evaluate two systems which models the parameters of the Weibull function when this function represents the structure of a tropical forest which has under different management systems. The methods evaluated were: maximum likelihood, linear function, momentum, and two methods using percentiles. The evaluation criteria used were: differences of observed and estimated mean diameters; absolute difference of observed and estimated mean diameters; differences of observed and estimated quadratic mean diameters: absolute difference of quadratic mean diameters; and the Kolmogorov-Smirnov (KS) test at the 5% significance level. The maximum likelihood method was the best to estimate the diametric structure of the studied forest. The systems of study were parameter prediction and parameter recovery. The "parameter prediction" method used as dependent variable the scale parameter (b) and shape parameter (c), estimated by the maximum likelihood method. The parameter recovery, method used as dependent variables the percentiles 24 and 93 and, using equations, recovered the parameter c and b of the Weibull function. ln this work, besides the traditional predictive variables, like density and time, variables expressing the diversity of tropical forests were also used. Among the evaluation criteria, the most important were the KS test, the differences of observed and estimated mean diameters, and the differences of observed and estimated quadratic mean diameters. The results indicate that the parameter recovery method was slightly superior to the parameter prediction method