1 Regulao de florestas equineas com restries de adjacncia

2
3 Resumo
4
5
6 Introduo
7
8 As preocupaes com o uso racional dos recursos florestais e a
9 sustentabilidade socioambiental tm exigido novas abordagens como alternativas s
10 estratgias clssicas de modelagem no planejamento florestal. Objetivos econmicos
11 ainda predominam nos planos de manejo florestal, porm esses planos devem
12 incorporar, tambm, objetivos ecolgicos e sociais e, portanto, desempenhar um
13 papel mais realista na tomada de decises (Jorgensen, 2000; Bettinger et al., 2007).
14 Isto requer o emprego de caractersticas espaciais e temporais nos planos de manejo.
15 A aplicao de restries sociais e ambientais pode ser feita de duas formas
16 distintas. A primeira, e mais bvia, resume-se na incorporao direta das restries,
17 ou sob a forma de metas, nos algoritmos exatos tradicionais de programao linear e
18 de programao inteira (Bevers e Hof 1999; Hof et al., 1994; Hof e Joyce 1992;
19 Kirby 1980; Covington et al., 1988; Jones et al., 1991; Hof e Joyce 1993; Murray e
20 Church 1995b; e Snyder e ReVelle 1997; Snyder e ReVelle 1996; McDill e Braze
21 2000, 2001; Alonso, 2003; Castro 2007 e Rodrigues 2002). Uma segunda forma
22 consiste em encontrar mtodos alternativos para elaborao dos planos de manejo,
23 com a aplicao de heursticas ou tcnicas de simulao (Baskent e Jordan, 1991;
24 Bare e Mendoza, 1992; Aarts e Lenstra, 1997; Wang e Zhang, 2001; Baskent e
25 Jordan, 2002; Rodrigues et al., 2003; Rodrigues et al., 2004a, 2004b; Bettinger et al.,
26 2007).
27 O problema da gesto dos recursos naturais complexo e, muitas vezes,
28 impossvel de ser resolvido por mtodos exatos tradicionais. Esta complexidade
29 aumenta medida que so acrescentadas variveis de deciso inteiras (Lockwood e
30 Moore, 1993; Rodrigues et al., 2002; Bettinger et al., 2005).
31 Preferncia por paisagens com beleza cnica inerente s pessoas e varia de
32 um grupo socioeconmico para outro. Isto contribui para justificar a necessidade de
33 considerar as belezas paisagsticas da floresta nos planos de manejo florestal
34 (Baskent e Jordan, 1995; Wang e Zhang, 2001; Pukkala e Gadow, 2008; Bettinger et
35 al., 2009).
36 A aplicao de restries de adjacncia uma das maneiras mais frequentes
37 de se implementar restries socioambientais em modelos de regulao florestal
38 (Castro, 2007; Alonso, 2006). Estas restries buscam minimizar os impactos
39 ambientais gerados pela descaracterizao dos hbitat naturais, evitando-se o corte de
40 extensas reas contguas, promovendo abrigo e alimento s populaes que vivem
41 nas florestas manejadas. Busca-se, com isso, aliar conservao e produo nas reas
42 florestais, bem como mitigar os impactos visuais causados pela atividade de colheita
43 (Castro, 2007; Moreira, 2008). A incorporao destas restries pode ocorrer de duas
44 maneiras distintas: modelos restritos por unidade (MRU) e modelos restritos por rea
45 (MRA) (Murray, 1999; Murray e Snyder, 2000; Baskent e Jordan, 1995; Crowe et
46 al., 2003).
47 Nos MRA considera-se que reas adjacentes podem ser cortadas; contudo, a
48 soma das reas das unidades de manejo no pode ultrapassar um limite pr-definido.
49 J para os MRU, assume-se que o tamanho da unidade de manejo seja
50 suficientemente grande para impedir o corte de unidades vizinhas (Baskent e Keles,
51 2005). Como no Brasil as unidades de manejo so geralmente definidas antes da
52 implantao dos povoamentos e so relativamente grandes, a modelagem
53 empregando MRU deve ser preferida. Contudo, a aplicao de tais restries requer
54 que a seleo de prescries para as unidades de manejo seja feita utilizando
55 variveis binrias. O porte do problema resultante inviabiliza a aplicao de mtodos
56 tradicionais de pesquisa operacional, sendo necessria aplicao de tcnicas de
57 simulao ou heursticas (OHara et al., 1989; Clements et al., 1990; Nelson e
58 Brodie, 1990; Dahlin e Sallnas, 1993; Daust e Nelson, 1993; Murray e Church,
59 1995a; Snyder e ReVelle, 1996; Mullen e Butler, 1997; Brumelle et al., 1998;
60 Hoganson e Borges, 1998; Boston e Bettinger, 1999; Baskent e Jordan, 2002; Crowe
61 e Nelson, 2003; Rodrigues, 2001).
62 Dentre as metaheursticas mais utilizadas para resolver problemas de grande
63 porte e complexidade, destacam-se os algoritmos genticos, devido sua fcil
64 implementao e desempenho computacional (Gen e Cheng, 2000; Rodrigues 2001;
65 Hiller e Liberman, 2006). No presente trabalho esta metaheursticas foi empregada
66 em um modelo de regulao florestal para uma floresta de eucalipto, com restries
67 de adjacncia.
 68
69 Material e Mtodos
70 Dados
71 Uma situao encontrada em certa empresa florestal do centro-leste de Minas
72 Gerais foi utilizada como estudo de caso. A rea total da fazenda modelo de 9.750
73 ha, sendo que 35 % (3.412 ha) so de plantio efetivo e o restante constitui-se de
74 reserva legal e reas de preservao permanente (Figura 1). Essa rea foi dividida em
75 135 unidades de manejo, em funo de caractersticas administrativas,
76 edafoclimticas e fisiogrficas. A disposio das unidades de manejo e de classes de
77 idade atual apresentada na Figura 1.
78
79 Modelos matemticos
80
81 O modelo foi formulado empregando-se o sistema de planejamento florestal
82 otimizado SifPlan*. Para a gerao de unidades de manejo foi utilizado o modelo I,
83 descritas por Johnson e Scheurman (1977), com a utilizao de variveis binrias
84 para as variveis decisrias, resultando em:
85 Funo Objetivo:
86 . =
=1 =1 (1)
87 sujeito a:
88
=1 =1 = 1 (2)
89
=1 =1 { = 0,1, , 1} (3)
90
=1 =1 { = 0,1, , 1} (4)
91 {0,1} (5)
92 em que Z o Valor Presente Lquido Global (R$);
93 so variveis de deciso, representando a j-sima alternativa de manejo adotada
94 na i-sima unidade de manejo;
95 Valor Presente Lquido de cada unidade de manejo i, manejada segundo a
96 alternativa de manejo j;
97 m o nmero total de unidades de manejo;
98 n nmero total de alternativas de manejo para a i-sima unidade de manejo;
99 Vijk o volume (m) produzido, no perodo k, pela i-sima unidade de manejo
100 adotando-se a j-sima alternativa de manejo; Dmink e Dmaxk so as demandas
101 volumtricas (m) mnima e mxima respectivamente, em cada perodo do horizonte
102 de planejamento.
103 Devido topografia muito acidentada da rea de estudo, as unidades de
104 manejo foram consideradas adjacentes quando a distncia entre seus limites (bordas)
105 apresentava-se menor ou igual a 50 m. A restrio de adjacncia para se evitar o
106 corte de unidades de manejo adjacentes dada por:
107 + , (6)
108 em que ni refere-se ao nmero de unidades de manejo adjacentes que apresentam
109 cortes no perodo k (Church et al., 1999).
110 De acordo com esse modelo de programao inteira mista, a maximizao do
111 valor presente global (1) est sujeita s restries de singularidade (2) e (5) e s
112 produes mnima (3) e mxima (4), em cada perodo do horizonte de planejamento.
113 A restrio (6) garante que reas adjacentes no sero cortadas no mesmo perodo.
114 Definiu-se o horizonte de planejamento como de 1,5 ciclos conforme sugerido por
115 Leuschener (1984), sendo a rotao de 6 anos e o ciclo usual de 2 rotaes, o
116 horizonte de planejamento foi de 18 anos.
117 As intervenes nos povoamentos incluiram corte seguido de imediata
118 reforma ou corte com reforma no prximo perodo, o que significa que apenas um
119 regime de manejo (alto-fuste) foi avaliado. Possibilitou-se a variao da idade de
120 corte entre 5 a 9 anos, dentro do horizonte de planejamento. Atribuiu-se a idade
121 regulatria como sendo de seis anos. Para fins de comparao, produziu-se outro
122 modelo sem as restries de adjacncia.
123
124 Algoritmo Gentico
125 O AG foi implementado em uma rotina computacional utilizando o ambiente
126 de programao Visual Basic for Applications em conjunto com o Software Excel.
127 Os testes com o algoritmo foram efetuados em um microcomputador Dual Core 1.46
128 GHZ, com memria RAM de 3 Gb. A estrutura geral do algoritmo gentico
129 apresentada na Figura 2:
130 As solues (indivduos) geradas para o problema em questo apresentaram o
131 formato de um vetor V(x) = {X11, X12,...., Xij}, onde a varivel de deciso Xij (Xij
132 {0,1}),simboliza a alternativa de manejo j (j =1,2,...,n) assinalada unidade de
133 manejo i (i =1,2...m). A fim de satisfazer a restrio de singularidade, a gerao de
134 indivduos e demais operaes aplicadas a eles foram feitas com a seguinte regra: se
135 uma varivel de deciso de um talho tiver sido assinalada (receber o valor 1), as
136 demais alternativas recebem valor nulo. Essa estratgia facilita a evoluo do
137 algoritmo, visto que este no produz indivduos que futuramente devero ser
138 excludos (Rodrigues et al., 2004).
139 Na terminologia dos AG, cada indivduo ou cromossomo representa uma
140 soluo para o problema em questo e cada gene equivale a uma alternativa de
141 manejo (Xij). Aos possveis estados assumidos por cada gene d-se o nome de alelo e
142 a posio dos genes denomina-se locus. A avaliao de cada soluo feita segundo
143 uma funo de aptido ou fitness, usualmente igual funo objetivo f(X) do
144 problema.
145 A funo de aptido do algoritmo gentico empregado nesse trabalho baseia-
146 se na aplicao de penalidades funo objetivo, que consiste em maximizar o valor
147 presente lquido global. As penalidades impostas referem-se variao volumtrica
148 acima ou abaixo da demanda proposta, reas com cortes adjacentes e distribuio
149 irregular de classes de idades ao final do horizonte de planejamento. A funo de
150 fitness apresentada a seguir:
2 2
151 . = =1
=1 =1 ( =1 =1 ) (=0 ) (
=1 )
2

152 em que, Hk = demanda volumtrica (m), no k-simo perodo do horizonte de

153 planejamento; , e so os coeficientes de penalidade associados a cada restrio;
154 yij refere-se ao nmero de unidades adjacentes cortadas em um mesmo perodo; Al =
155 rea regulatria e Ai = rea da unidade de manejo i.
156 Neste estudo, a populao inicial foi constituda de 30 indivduos gerados
157 aleatoriamente, considerando-se a viabilidade de cada soluo pela restrio de
158 singularidade. Os operadores genticos utilizados foram a mutao e o crossover.
159 O crossover o principal processo de busca do algoritmo: dois pais (solues
160 escolhidas dentro da populao), quando selecionados para o cruzamento, produzem
161 dois novos indivduos. Utilizou-se o crossover de mltiplos pontos, onde os novos
162 indivduos so gerados por fragmentos de diversos pontos da sequncia binria que
163 constitui os seus pais. A mutao tem como funo garantir que, se a populao
164 estabilizar em um mximo local, esta possa se deslocar para um ponto de mximo
165 global. Na mutao, genes aleatrios em indivduos aleatrios na populao possuem
166 seus valores alterados aleatoriamente. Utilizou-se como mutao uma taxa de 0,6%
167 de cada indivduo da populao.
168 A escolha dos indivduos que continuaro na populao ou que sero
169 selecionados para reproduzir depende do mtodo de seleo utilizado. Nesse trabalho
170 utilizou-se o mtodo do elitismo em que, aps o clculo do fitness, os indivduos so
171 escalonados e os piores so excludos.
172 Por ser um processo iterativo, o AG necessita da determinao de um critrio
173 de parada, ou seja, um momento onde se considera a melhor soluo da populao
174 como sendo uma soluo aceitvel para o problema. Critrios como nmero de
175 iteraes, tempo de processamento e estabilizao do fitness so comumente usados
176 para definir a parada desse tipo de algoritmo. Neste estudo, interrompeu-se a
177 evoluo do AG quando, aps a estabilizao do fitness, o AG realizou 20 novas
178 geraes.
179
180 Produo, receita e custo
181 Considerou-se somente o plantio de um clone hbrido (Eucalyptus urophylla
182 x Eucalyptus grandis) como sendo a nica fonte de madeira utilizada pela empresa.
183 A curva de produo obtida a partir de dados de parcelas de inventrio florestal e
184 utilizada neste estudo foi:
197,833
185 =
1 + 75,674 1,315
186 em que a idade est em meses.
187 A tabela de custos empregada apresentada no Quadro 1. A taxa de juros
188 utilizada foi de 8,75% ao ano e o valor de venda da madeira foi de R$ 80,00/m.
189
190 Avaliao da disperso das intervenes nas unidades de manejo
191
192 Entre as diversas mtricas utilizadas para avaliao do manejo da paisagem
193 encontradas na literatura (Baskent e Jordan, 1995), optou-se por avaliar o efeito da
194 restrio de adjacncia pela mdia ponderada do inverso da menor distncia entre
195 unidades de manejo cortadas no mesmo perodo, pelas reas das unidades de manejo
196 que sofrem interveno. O ndice utilizado foi:
2
2 1
1
=0 =1 ( )

197 =
=1
198 em que IAC = ndice de rea sem cobertura florestal, Ai = rea da unidade de manejo
199 i com interveno, em hectares, di = distncia at a unidade de manejo mais prxima
200 com interveno, em quilmetros.
201
202 Resultados
203
204 A formulao do modelo de planejamento resultou em um modelo com 8.755
205 variveis decisrias. As formulaes das restries de adjacncia resultaram em
206 37.555 restries. A variao anual de volume dos modelos de regulao com e sem
207 a incluso das restries de adjacncia apresentada nas Figuras 2 e 3. A imposio
208 das restries de adjacncia reduziu o VPL global em torno de 8%. O valor da
209 funo objetivo para os modelos com e sem a incluso das restries de adjacncia
210 foi de R$ 17.143.857,17e R$ 18.599.169,37, respectivamente.
211 A influncia da imposio das restries de adjacncia na dinmica espacial
212 apresentada na Figura 3. O valor do IAC para o modelo com e sem a incluso da
213 restrio de adjacncia foi de 0,246436 e 0,615032, respectivamente.
214
215 Discusso e Concluses
216
217 A aplicao do algoritmo gentico para resolver o problema de regulao
218 proposto neste estudo permitiu a gesto sustentvel da floresta. A eficincia das
219 tcnicas de simulao pode ser constatada em outros trabalhos, como a busca tabu
220 (Bettinger et al., 1997, 1998,2002; Boston e Bettinger, 1999; Murray e Church, 1995,
221 Rodrigues 2001, 2004), simulated annealing (Bettinger et al., 2002; Boston e
222 Bettinger, 1999; Murray e Church, 1995; Van Deusen, 1999, Rodrigues 2001),
223 threshold accepting (Bettinger et al., 2003), algoritmos genticos (Ducheyne et al.,
224 2004; Rodrigues, 2005) e mtodos hbridos (Boston and Bettinger, 2002; Clark et al.,
225 2000).
226 A utilizao de heursticas tem se mostrado uma ferramenta extremamente
227 til para a aplicao no manejo de florestas equineas e para a incluso de objetivos
228 que resultam em problemas impossveis de serem resolvidos com os mtodos
229 tradicionais de programao matemtica (Hoganson e Rose, 1984, Betinger et al.,
230 2008). Aplicaes como manejo de fauna (Arthaud e Rose, 1996; Haight e Travis,
231 1997; Bettinger et al., 1997; Kurttila et al., 2002), criao de corredores florestais
232 (Moreira, 2008), efeitos sobre sistemas aquticos (Bettinger et al., 1998) e sistemas
233 de transporte florestal (Nelson e Brodie, 1990; Weintraub et al., 1995) so exemplos
234 de problemas solucionados com heursticas.
235 No foi objetivo deste estudo avaliar o desempenho computacional do AG
236 implementado, e sim avaliar a capacidade de soluo do problema formulado. Assim,
237 no foi dada nfase ao tempo gasto ou eficincia computacional.
238 Devido crescente demanda da populao por produtos que respeitem as
239 questes ambientais e sociais, estudos que incluam restries que produzam efeitos
240 benficos sobre o bioma e a populao local so exigidos. A construo de modelos
241 matemticos, algoritmos e heursticas para a elaborao de planos de manejo desse
242 tipo tem constitudo um desafio para o planejamento florestal nas ltimas dcadas
243 (Moreira, 2008).
244 A aplicao da tcnica de algoritmo gentico nesse trabalho teve como
245 objetivo principal avaliar o efeito da aplicao em um modelo com restries de
246 carter socioeconmico e ambiental. A comparao da variao volumtrica satisfaz
247 demanda de produo imposta em ambos os modelos. A incluso da restrio de
248 adjacncia influencia principalmente o resultado da funo objetivo (VPL global),
249 reduzindo em cerca de 8%. Resultado semelhante foi observado por Castro (2007)
250 que, utilizando programao inteira, encontrou uma reduo em torno de 7 %. A
251 reduo da funo objetivo foi realocada na prpria floresta, visto que o manejo das
252 intervenes na paisagem possui uma influencia socioeconmica significativa no
253 contexto onde este est inserido (Wang e Zhang (2001).
254 O ndice utilizado para a comparao dos modelos apresenta-se extremamente
255 simples e de fcil obteno com a aplicao de tcnicas de Sistemas de Informaes
256 Geogrficas (SIG) ou cartogrficas. O ndice apresenta-se consistente com base nos
257 pressupostos adotados para o manejo de paisagem de plantios equineos. O ndice
258 diretamente proporcional rea que sofre interveno e inversamente proporcional
259 distncia entre as unidades de manejo com interveno, ponderada pela rea de corte
260 anual. Em termos prticos, quanto mais se aproximar de zero, melhores sero as
261 influncias ambientais e socioeconmicas sobre os ecossistemas e comunidades
262 circunvizinhas.
263

264 Referncias
265

266 Aarts, E. and Lenstra, J. K. 1997. Introduction. In: Aarts, E., ja Lenstra, J. K. (eds.) Local
267 search in combinatorial optimization. John Wiley and Sons, New York, pp. 1-16.

268 Alonso, L. R. L. O problema da considerao de restries de adjacncia em um

269 planejamento florestal. 126p. Dissertao(Mestrado). Universidade Federal do Paran,
270 Curitiba, 2003.

271 Arthaud, G.J., Rose, D., 1996. A methodology for estimating production possibility frontiers
272 for wildlife habitat and timber value at the landscape level. Canadian Journal of Forest
273 Research 26 (12), 21912200.

274 Bare, B.B., Mendoza, G.A.. 1992. Timber harvest scheduling in a fuzzy decision
275 environment. Canadian Journal of Forest Research 22: 423-428.

276 Baskent, E.Z. and Jordan, G.A., 1991. Spatial wood supply simulation modelling.
277 Forestry Chronicle, 67(6): 610-621.

278 Baskent, E. Z. and Jordan, G. A. 1995. Characterising spatial structure of forest landscape.
279 Canadian Journal of Forest Research 25: 1830-1849.

280 Baskent, E. Z. and Jordan, G. A. 2002. Forest landscape management modelling using
281 simulated annealing. Forest Ecology and Management 165: 29-45.

282 Baskent, E.Z. and Keles, S. 2005. Spatial Forest Planning: A review. Ecological Modelling 188:
283 145-173.

284 Bettinger, P. , Johnson, D.L., Johnson, K.N. 2003. Spatial forest plan development with
285 ecological and economic goals. Ecological Modelling 169: 215236.

286 Bettinger, P. , Graetz, D., Boston, K., Sessions, J., Chung, W. 2002. Eight heuristic planning
287 techniques applied to three increasingly difficult wildlife planning problems. Silva Fennica
288 36: 561584.

289 Bettinger, P. , Sessions, J., Boston, K. 1997. Using Tabu search to schedule timber harvests
290 subject to spatial wildlife goals for big game. Ecological Modelling 94: 111123.

291 Bettinger, P. , Sessions, J., Johnson, K.N. 1998. Ensuring the compatibility of aquatic
292 habitat and commodity production goals in eastern Oregon with a tabu search
293 procedure. Forest Science 44: 96112.

294 Bettinger, P., Graetz, D., Sessions, J. 2005. A density-dependent stand-level optimization
295 approach for deriving management prescriptions for interior northwest (USA) landscapes.
296 Forest Ecology Management 217: 171186.

297 Bettinger, P., Lennette, M., Johnson, K.N., Spies, T.A., 2005. A hierarchical spatial
298 framework for forest landscape planning. Ecology Modelling 182: 2548.
299 Bettinger, P., Boston, K., Kim, Y., Zhu, J. 2007. Landscape-level optimization using tabu
300 search and stand density-related forest management prescriptions. European Journal of
301 Operational Research 176: 12651282.

302 Bettinger, P., Boston, K., Siry, L. P., Grebner, R. L. Forest Management and Planning.
303 Elsevier. 331p. 2009.

304 Bevers, M., Hof, J., 1999. Spatially optimizing wildlife habitat edge eects in forest
305 management linear and mixed-integer programs. Forest Science 45 (2): 249258.

306 Boston, K., Bettinger, P., 1999. An analysis of Monte Carlo integer programming, simulated
307 annealing, and tabu search heuristics for solving spatial harvest scheduling problems. Forest
308 Science 45 (2): 292301.

309 Boston, K., Bettinger, P., 2002. Combining tabu search and genetic algorithm heuristic
310 techniques to solve spatial harvest scheduling problems. Forest Science 48 (1): 3546.

311 Brumelle, S., Granot, D., Halme, M., Vertinsky, I., 1998. A tabu search algorithm for nding
312 good forest harvest schedules satisfying green-up constraints. European Journal of
313 Operational Research 106 (2/3): 408424.

314 Castro, R. R. Regulao de Florestas equineas incluindo restries de adjacncia.

315 Dissertao (Mestrado). Universidade Federal de Viosa, Viosa, 2007.

316 Church, R.L., Murray, A.T., Weintraub, A., 1998. Locational issues in forest management.
317 Location Science 6: 137153.

318 Clark, M.M., Meller, R.D., McDonald, T.P., 2000. A three stage heuristic for harvest
319 scheduling with access road network development. Forest Science 46: 204218.

320 Clements, S.E., Dallein, P.L., Jamnick, MS. 1990. An operational spatially constrained
321 harvest scheduling model. Canadian Journal of Forest Research 20: 1438-1447.

322 Covington, W.W., Wood, D.B., Young, D.L., Dykstra, D.P., Garrett, L.D. 1988. TEAMS: a
323 decision support system for multiresource management. Journal of Forestry, 86 (8): 25-33.

324 Crowe, K., Nelson, J. 2003. An indirect search algorithm for harvest scheduling under
325 adjacency constraints. Forest Science 49 (1): 111.

326 Crowe,K.,Nelson, J., Boyland,M., 2003. Solving the area-restricted harvest scheduling model
327 using the branch and bound algorithm. Canadian Journal of Forest Research 33: 18041814.

328 Dahlin, B. and Sallns, O. 1993. Harvest scheduling under adjacency constraints a case
329 study from the Swedish sub-alpine region. Scandinavian Journal of Forest Research 8: 281
330 290.

331 Daust, D.K., Nelson, J.D. 1993. Spatial reduction factors for strata-based harvest
332 schedules. Forest Science 39: I52 165.
333 Davis, L.S., Johnson, K.N., Bettinger, P., Howard, T.E., 2001. Forest Management: to Sustain
334 Ecological, Economic, and Social Values. McGraw-Hill Companies Inc, p. 804.

335 Ducheyne, E.I., De Wulf, R., De Baets, B., 2004. Single versus multiple objective genetic
336 algorithms for solving the even-ow forest management problem. Forest Ecology and
337 Management 201 (2/3): 259273.

338 Gen, M. e R. Cheng, 2000. Genetic Algorithm and Engineering Optimization, John Wily and
339 Sons, New York.

340 Haight, R.G., Travis, L.E., 1997.Wildlife conservation planning using stochastic optimization
341 and importance sampling. Forest Science. 43 (1): 129139.

342 Hiller e Lieberman, Introduction to Operations Research. 2006

343 Hof, J., Bevers, M., Joyce, L., Kent, B., 1994. An integer programming approach for spatially
344 and temporally optimizing wildlife populations. Forest Science 40 (1): 177191.

345 Hof, J., Joyce, L.A., 1992. Spatial optimization for wildlife and timber in managed forest
346 ecosystems. Forest Science 38 (3): 489508.

347 Hof, J., Joyce, L.A., 1993. A mixed integer linear programming approach for spatially
348 optimizing wildlife and timber in managed forest ecosystem. Forest Science 39 (4): 816
349 834.

350 Hoganson, H. and Borges, J. 1998. Using dynamic programming and overlapping
351 subproblems to address adjacency in large harvest scheduling problems. Forest Science
352 44: 526538.

353 Hoganson, H.M. and Rose, D.W. 1984. A simulation approach for optimal timber
354 management scheduling. Forest Science 30: 220238.

355 Johnson, K.N. and Scheurman, H.L. 1997. Techniques for prescribing optimal timber harvest
356 and investment under different objectives: discussion and synthesis. Forest science
357 monography, 18: p.1-31.

358 Jones, J.G., Meneghin, B.J., Kirby, M.W., 1991. Formulating adjacency constraints in linear
359 optimization models for scheduling projects in tactical planning. Forest Science. 37 (5):
360 12831297.

361 Jorgensen, S.E., 2000. Editorial: 25 years of ecological modelling by Ecological Modelling.
362 Ecological Modelling 126 (2/3): 9599.

363 Kirby, M.W., Wong, P., Hager, W.A., Huddleston, M.E. 1980. A Guide to the
364 Integrated Resources Planning Model. USDA Forest Service. Berkeley. CA.

365 Kurttila, M., Pukkala, T., Loikkanen, J. 2002. The performance of alternative spatial objective
366 types in forest planning calculations: a case for flying squirrel and moose. Forest Ecology
367 and Management 166: 245260.
368 Leuschner, W. A. 1984. Introduction to Forest resource management. New York: John Wiley
369 and Sons, 284p.

370 Lockwood, C. and Moore, T. 1993. Harvest scheduling with spatial constraints: a simulated
371 annealing approach. Canadian Journal of Forest Research 23: 468-475.

372 McDill, M.E. and Braze, J. 2000. Comparing adjacency constraint formulations for
373 randomly generated forest planning problems with four age-class distributions. Forest
374 Science 46: 423436.

375 McDill, M.E. and Braze, J. 2001. Using the branch and bound algorithm to solve forest
376 planning problems with adjacency constraints. Forest Science 47: 403418.

377 Moreira, J. M. M. A. P. 2008. A incorporao de corredores de conectividade em problemas

378 de otimizao para o planejamento de florestas industriais. Dissertao (Mestrado). Escola
379 Superior de Agricultura Luiz de Queiroz. Piracicaba.

380 Murray, A. and Church, R. 1995a. Heuristic solution approaches to operational forest
381 planning problems. Operation Research Spektrum17: 193-203.

382 Murray, A. and Church, R. 1995b. Measuring the efficacy of adjacency constraint structure
383 in forest planning models. Canadian Journal of Forest Research 25: 1416-1424.

384 Murray, A.T. 1999. Spatial restrictions in harvest scheduling. Forest Science 45: 4552.

385 Murray, A.T., Snyder, S., 2000. Spatial modeling in forest management and natural resource
386 planning. Forest Science 46 (2): 153156.

387 Nelson, J. and Brodie, J.D. 1990. Comparison of random search algorithm and mixed integer
388 programming for solving area-based forest plans. Canadian Journal of Forest Research 20:
389 934942.

390 OHara, A.J., Faaland, B.H., Bare, B.B. 1989. Spatially constrained timber harvest scheduling.
391 Canadian Journal of Forest Research 19: 715724.

392 Rodrigues, F. L. Metaheurstica e sistema de suporte deciso no gerenciamento de

393 recursos florestais. Viosa, MG: UFV, 2001. 225p. Tese (Doutorado em Cincia
394 Florestal)Managing Forest Ecosystems Universidade Federal de Viosa, Vicosa.

395 Snyder, S. and ReVelle, C. 1997. Dynamic selection of harvests with adjacency restrictions:
396 the SHARe model. Forest Science 43: 213222.

397 Snyder, S., ReVelle, C., 1996. Temporal and spatial harvesting of irregular systems of
398 parcels. Canadian Journal of Forest Research 26 (6): 10791088.

399 Van Deusen, P.C. 1999. Multiple solution harvest scheduling. Silva Fennica 33(3): 19.

400 Weintraub, A., Jones, G., Meacham, M., Magendzo, A., Magendzo, A. & Malchuk, D.
401 1995. Heuristic procedures for solving mixed-integer harvest scheduling transportation
402 planning models. Canadian Journal of Forest Research 25: 16181626.
403

404
Figura 1: Distribuio espacial de classes de idade das reas da fazenda modelo.
 600

500

400
rea (ha)

300

200

100

0
1 2 3 4 5 6 7 8 9
Idade (Anos)

Figura 2: Distribuio inicial de classes de idade das reas da Fazenda modelo utilizada.
Tabela 1 Custos Empregados
Figura 2 Variao Anual Volumtrica com a incluso de restries de adjacncia.

Figura 3 Variao Anual Volumtrica sem a incluso de restries de adjacncia.

Perodo Sem Restrio de Adjacncia Com restrio de Adjacncia

2
3

4
5

6
7

8
9

10
11

12
13

14
15

16
17

18