http://repositorio.unb.br/handle/10482/54901| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| MateusAdrianoDeOliveiraPinheiro_DISSERT.pdf | 1,2 MB | Adobe PDF | Visualizar/Abrir |
| Título: | Florestar : uma ferramenta baseada em dados para projeção de crescimento e análise exploratória em florestas tropicais. |
| Autor(es): | Pinheiro, Mateus Adriano de Oliveira |
| Orientador(es): | Freitas, Lucas José Mazzei de |
| Assunto: | Manejo florestal Amazônia |
| Data de publicação: | 17-Jun-2026 |
| Data de defesa: | 30-Mar-2026 |
| Referência: | PINHEIRO, Mateus Adriano de Oliveira. Florestar: uma ferramenta baseada em dados para projeção de crescimento e análise exploratória em florestas tropicais. 2026. 74 f., il. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2026. |
| Resumo: | Novas ferramentas computacionais têm contribuído para aumentar a precisão das análises e o planejamento do manejo florestal sustentável. Neste contexto, o presente estudo apresenta o desenvolvimento do FlorestaR, um simulador de dinâmica florestal estruturado como uma biblioteca na linguagem de programação R. A ferramenta foi desenvolvida com o objetivo de auxiliar na tomada de decisão para a seleção de árvores destinadas à colheita, considerando as diretrizes estabelecidas pela Resolução CONAMA nº 406/2009, além de permitir a visualização digital espaço-temporal da estrutura da floresta ao longo do tempo. O simulador integra módulos de dinâmica florestal que aplicam taxas médias anuais, fixadas em 1,92% para mortalidade natural e 2,55% para recrutamento de indivíduos. Adicionalmente, o impacto da colheita sobre os indivíduos remanescentes foi considerado por meio de uma taxa média de dano equivalente a 2,25 indivíduos abatidos para cada indivíduo efetivamente colhido. A modelagem foi baseada em dados provenientes de inventários florestais contínuos realizados entre 2004 e 2022 em parcelas permanentes instaladas em uma área de 18 hectares de floresta manejada na região do Rio Capim, no estado do Pará, Brasil. A projeção do crescimento das árvores, representada pelo Diâmetro à Altura do Peito (DAP) futuro, foi estimada diretamente por meio de Redes Neurais Artificiais (RNA), utilizando como variáveis de entrada o DAP passado, o grupo ecológico das espécies e o tempo decorrido desde a colheita. Os resultados apresentaram coeficiente de correlação de 0,9983 e erro relativo (RMSE) de 2,70% para os dados de teste. A simulação de três cenários prospectivos de colheita ao longo de um ciclo de 18 anos, comparada com a recuperação volumétrica observada na floresta, evidenciou o impacto das diretrizes de seleção diamétrica e demonstrou o potencial analítico da ferramenta. Conclui-se que o FlorestaR representa uma ferramenta promissora para apoiar o planejamento do manejo florestal sustentável, permitindo a realização de simulações de dinâmica florestal associadas à visualização digital da estrutura da floresta. |
| Abstract: | New computational tools based on machine learning have contributed to improvinganalysis and planning in sustainable forest management. In this context, this studyintroduces FlorestaR, a data-driven tool for growth projection and exploratory analysisin tropical forests, developed in the R language. The objective was to support decisionmaking in tree selection and forest growth, considering the guidelines of CONAMAResolution No. 406/2009. The system integrates modules that apply natural mortalityand recruitment rates calculated by ecological group and period. Harvesting-inducedmortality was also incorporated into the model. The modeling used continuous forestinventories (2004–2022) from 18 hectares in the Rio Capim region, Pará, Brazil.Growth projection was performed using Artificial Neural Networks (ANN) to estimatethe Periodic Annual Increment (PAI), using to predict the initial DBH, ecological group,and the Basal Area Larger than target tree (BAL) competition index as input variables.Modeling the increment instead of future DBH directly aimed to reduce structuralautocorrelation and capture biological growth variations. The PAI neural networkshowed a correlation of 0.2547 and an error of 0.4912 cm.ano⁻¹, while the final DBHcalculated from the projected PAI achieved a correlation of 0.9983 and an error of0.9398 cm.ano⁻¹. Simulations of prospective scenarios revealed that harvestingconcentrated on specific diameter classes—requiring higher logging intensity to meetvolumetric targets—compromised basal area recovery over the 18-year cycle. It isconcluded that FlorestaR is a promising tool to support sustainable forest managementplanning, enabling forest simulations across different harvesting strategies associatedwith digital visualization of the forest structure. |
| Unidade Acadêmica: | Faculdade de Tecnologia (FT) Departamento de Engenharia Florestal (FT EFL) |
| Informações adicionais: | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2025. |
| Programa de pós-graduação: | Programa de Pós-Graduação em Ciências Florestais |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
| Agência financiadora: | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.