INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA - INPA

PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE FLORESTAS TROPICAIS - PPG CFT

DISCRIMINAÇÃO DE ESPÉCIES MANEJADAS

NA AMAZÔNIA CENTRAL: UM PRINCÍPIO
PARA A RASTREABILIDADE DA MADEIRA
POR MEIO DA ESPECTROSCOPIA NO
INFRAVERMELHO PRÓXIMO

KELLY DAYANNE MOREIRA

MANAUS, AMAZONAS
SETEMBRO, 2021
 KELLY DAYANNE MOREIRA

DISCRIMINAÇÃO DE ESPÉCIES MANEJADAS

NA AMAZÔNIA CENTRAL: UM PRINCÍPIO
PARA A RASTREABILIDADE DA MADEIRA
POR MEIO DA ESPECTROSCOPIA NO
INFRAVERMELHO PRÓXIMO

Orientador: Dr. Adriano José Nogueira Lima

Coorientadora: Dra. Flávia Machado Durgante
Fontes financiadoras: Conselho Nacional de Desenvolvimento Científico e
Tecnológico – CNPq, Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior - CAPES, Instituto Nacional de Ciência e Tecnologia - INCT Madeiras da
Amazônia.

Projeto de dissertação apresentado ao Instituto

Nacional de Pesquisas da Amazônia como parte
dos requisitos para obtenção do título de Mestre
em Ciências de Florestas Tropicais

MANAUS, AMAZONAS
SETEMBRO, 2021
 SUMÁRIO

RESUMO ......................................................................................................................................... 6
1. INTRODUÇÃO ...................................................................................................................... 10
2. OBJETIVOS ........................................................................................................................... 14
3. REVISÃO DE LITERATURA .............................................................................................. 15
3.1 MANEJO FLORESTAL SUSTENTÁVEL NO BRASIL ................................................. 15
3.2 IDENTIFICAÇÃO DAS ESPÉCIES COMERCIAIS ....................................................... 16
3.3 ESPECTROSCOPIA ......................................................................................................... 18
3.4 ESPECTROSCOPIA E MADEIRA .................................................................................. 20
4. MATERIAL E MÉTODOS ................................................................................................... 22
4.1 ÁREA DE ESTUDO......................................................................................................... 22
4.2 ESCOLHA DAS ESPÉCIES ............................................................................................ 24
4.3 COLETA DE DADOS ...................................................................................................... 26
4.3.1 Identificação das espécies ........................................................................................ 26
4.3.2 Leitura espectral ....................................................................................................... 27
4.3.2.1 Leitura espectral em campo ............................................................................. 28
4.3.2.2 Leitura espectral das amostras de madeira em laboratório .............................. 30
4.4 ANÁLISE DOS DADOS .................................................................................................... 31
5. RESULTADOS ....................................................................................................................... 33
6. DISCUSSÃO............................................................................................................................. 38
7. CONCLUSÃO .......................................................................................................................... 42
8. REFERÊNCIAS ....................................................................................................................... 43
 LISTA DE FIGURAS

Figura 1. Espectro Eletromagnético. As regiões VIS-NIR estão compreendidas entre o intervalo de

350 a 2500 nm.. ..................................................................................................................................... 19
Figura 2. Localização das áreas de coleta, na cidade de Itapiranga, divididas em duas fazendas: São
Sebastião e Fazenda Santo Antônio 2.. ................................................................................................. 23
Figura 3. Espécies escolhidas para realização das leituras em campo. (A) Dinizia excelsa (B) Ocotea
rubra (C) Protium altssoni (D) Scleronema mycranthum. ................................................................... 24
Figura 4. Coleta de informações, amostra botânica e amostra de madeira das árvores exploradas nas
área de manejo da empresa. ................................................................................................................. 27
Figura 5. (A) Espectrômetro ASD Field Spec 3; (B) calibração do equipamento com o disco branco.
............................................................................................................................................................... 28
Figura 6. Metodologia utilizada para definir as posições de coleta no corte transversal da tora. ....... 28
Figura 7. Quatro posições de coleta espectral ao longo do corte transversal da tora. ........................ 29
Figura 8. Coleta espectral na tora após o corte. .................................................................................. 29
Figura 9. Representação de coleta espectral na superfície transversal das amostras de madeira..........30
Figura 10. Média das assinaturas espectrais por posição para cada uma das espécies nos
comprimentos de 350 à 2.500 nm. ........................................................................................................ 33
Figura 11. Gráfico de scores da análise de componentes principais (PCA) de todos os espectros
coletados por espécie nos comprimentos de 350 à 2.500 nm. ............................................................. 34
Figura 12. Gráfico de scores da Análise dos Componentes Principais com três leituras espectrais
coletadas de um indivíduo aleatório (19, 28, 14 e 24) para cada uma das espécies, nas 4 condições
amostrais, nos comprimentos de onda de 350 à 2.500 nm. . ................................................................ 36
Figura 13. Assinaturas espectrais de um indivíduo aleatório (19, 28, 14 e 24) para cada uma das
espécies, com três leituras espectrais coletadas para cada uma das 4 condições amostrais. . ............... 37

LISTA DE TABELAS

Tabela 1. Regiões espectrais do visível e infravermelho. ..................................................................... 19

Tabela 2. Resultados em porcentagem das análises LDA para cada posição no corte transversal da
tora, para todas as espécies estudadas, com o espectro médio representando o indivíduo nas validações
cruzadas “Deixe um de fora” e “70-30” com incerteza. ........................................................................ 35
Tabela 3. Resultados em porcentagem das análises LDA para cada tratamento, para todas as espécies
estudadas, com o espectro médio representando o indivíduo nas validações cruzadas “Deixe um de
fora” e “70-30” com Incerteza. .............................................................................................................. 38
Tabela 4. Resultado em porcentagem da LDA para as quatro espécies testadas. Os modelos foram
construídos a partir de dados do campo e com o espectro médio, para a validação cruzada “70% x
30%” com Incerteza. ............................................................................................................................. 38
RESUMO
O Manejo Florestal Sustentável - MFS é um instrumento legal para o planejamento e
ordenamento florestal (produzir madeira) para movimentar indústrias e manter os serviços da
floresta. No entanto, a forma de exploração e comercialização ilegal de madeira promovem
uma competição injusta no mercado, além de contribuir para o desmatamento e degradação da
floresta Amazônica. Dentre os desafios do manejo florestal destaca-se a identificação das
espécies exploradas. A exploração de espécies erroneamente identificadas compromete a
sustentabilidade do manejo e a integridade das transações comerciais de produtos florestais. Na
busca por desenvolver ferramentas para auxiliar na identificação de espécies madeireiras e na
rastreabilidade ao longo da cadeia produtiva, o presente trabalho testou a técnica da
espectroscopia no visível e no infravermelho próximo para reconhecer espécies com o espectro
da madeira no momento da exploração e dias depois do corte. O estudo buscou responder as
seguintes perguntas: i. é possível discriminar espécies por meio de espectros ao longo do raio
da tora, logo após o corte? ii. Qual a influência do preparo da amostra nos modelos para
discriminar e rastrear as espécies? iii. É possível reconhecer espécies em amostras de espécies
armazenadas, utilizando modelos espectrais obtidos logo após o corte e em diferentes
condições? A pesquisa foi desenvolvida na empresa Mil Madeiras Preciosas, utilizando o
espectrômetro ASD FieldSpec 3 para coletar espectros da madeira de 4 espécies em condições
de campo e armazenadas em laboratório à temperatura ambiente de 26,4 ± 1 ºC. As amostras
armazenadas foram lidas cerca de 10 dias após o corte, após lavagem em agua corrente;
posteriormente foram lidas após secagem ao ar por cerca de 15 e 60 dias após o corte. Ambas
amostras secas foram lixadas antes de coletar os espectros. Foram realizadas de 3 a 8 leituras
espectrais por amostra. Os modelos discriminantes foram construídos utilizando dois métodos
de validação cruzada (“70-30” e “deixe um de fora”). A discriminação da madeira diretamente
em campo é possível, pois os modelos obtiveram taxas de identificação superiores a 90%, não
havendo grande diferença na posição de leitura ao longo do raio. Os melhores modelos são os
que utilizam a média entre as diferentes posições (> 95%). O modelo espectral com leituras no
campo, com a média de 3 leituras, obteve taxas de identificação superiores independente do
preparo da amostra. O modelo espectral de campo não reconhece as amostras de espécies
armazenadas dias depois da exploração, portanto a aplicação do modelo fica restrita somente à
aquela condição das amostras. O modelo seco (15 dias) reconhece as espécies em amostras
secas 60 dias após o corte (80%), portanto, para reconhecer as espécies de madeira durante a
cadeia produtiva na Amazônia, os modelos de discriminação deverão ser construídos a partir
de amostras secas em temperatura ambiente. É importante padronizar a condição amostral para
construir modelos espectrais que permitirão reconhecer as espécies em diferentes condições.
Deste modo o presente trabalho contribui com conhecimentos primordiais para permitir a
identificação das espécies por meio da espectroscopia NIR no processo de fiscalização e
rastreabilidade da madeira.

Palavras-chaves: NIRs, cadeia produtiva, tora, corte tranversal, ASD, campo, Manejo
Florestal, exploração comercial, identificação de espécies.
ABSTRACT
Sustainable Forest Management - MFS is a legal instrument for forest planning and
ordering (wood production) to move industries and maintain forest services. However, the
illegal exploitation and sale of timber promotes unfair competition in the market, in
addition to contributing to deforestation and degradation of the Amazon forest. Among the
challenges of forest management, the identification of exploited species stands out.
Exploitation of misidentified species compromises the sustainability of management and
the integrity of commercial transactions in forest products. In the search for developing
tools to help identify wood species and traceability along the production chain, this work
tested the visible and near infrared spectroscopy technique to recognize species with the
wood spectrum at the time of exploration and days later of the cut. The study sought to
answer the following questions: i. Is it possible to discriminate species by means of spectra
along the radius of the log, right after cutting? ii. What is the influence of sample
preparation on models to discriminate and track species? iii. Is it possible to recognize
species in samples of stored species, using spectral models obtained soon after cutting and
under different conditions? The research was developed at the company Mil Madeiras
Preciosas, using the ASD FieldSpec 3 spectrometer to collect wood spectra of 4 species
under field conditions and stored in the laboratory at an ambient temperature of 26.4 ± 1
ºC. Stored samples were read about 10 days after cutting, after washing in running water;
later they were read after drying in air for about 15 and 60 days after cutting. Both dry
samples were sanded before collecting the spectra. From 3 to 8 spectral readings per sample
were taken. Discriminant models were built using two cross-validation methods (“70-30”
and “leave one out”). The discrimination of wood directly in the field is possible, as the
models obtained identification rates above 90%, with no great difference in the reading
position along the radius. The best models are those that use the average between the
different positions (> 95%). The spectral model with field readings, with an average of 3
readings, obtained higher identification rates regardless of sample preparation. The field
spectral model does not recognize samples of species stored days after exploration, so the
application of the model is restricted only to that condition of the samples. The dry model
(15 days) recognizes species in dry samples 60 days after harvest (80%), therefore, to
recognize wood species during the production chain in Amazonia, discrimination models
must be built from dry samples at room temperature. It is important to standardize the
sampling condition to build spectral models that will allow the recognition of species under
different conditions. Thus, this work contributes with essential knowledge to allow the
identification of species through NIR spectroscopy in the process of inspection and
traceability of wood.

Keywords: NIRs, production chain, log, cross-cutting, ASD, field, Forest Management,
commercial exploitation, species identification.
 1. INTRODUÇÃO
Nos últimos anos tem sido evidenciado o papel central da floresta Amazônica para
a mitigação das alterações climáticas que estão em curso. A realização de variadas
funções ambientais, como a relação direta com o ciclo da água e do carbono são muito
importantes para o equilibrio ecossistêmico (Higuchi et al. 2011; Nobre et al. 2016;
Fearnside 2003). A manutenção da integridade dessas florestas é fundamental. Portanto é
necessário que as práticas que promovem a utilização de produtos madeireiros e não-
madeireiros, bem como de outros bens e serviços florestais, respeitem os mecanismos de
sustentação do ecossistema, conforme decreto nº 6874, de 5 de junho de 2009. Na
Amazônia e nas demais florestas tropicais do mundo, um dos caminhos mais difundidos
para movimentar indústrias e manter os serviços da floresta é o Manejo Florestal
Sustentável - MFS (Adeodato et al. 2011). A exploração e comercialização de madeiras
ilegais, no entanto, seguem contribuindo para o crescimento contínuo das taxas de
desmatamento e degradação da floresta Amazônica (Nobre et al. 2016; Andrade et al.
2021; Ferrante et al. 2021), além de afetar financeiramente indústriasmadeireiras legais, já
que competem injustamente no mercado (Andrade et al. 2021).
No âmbito da ilegalidade, há uma série de mecanismos utilizados para fraudar
documentos e tornar legítima a comercialização das madeiras exploradas, que contam
com condutas imorais, fragilidade da fiscalização, falta de integração, dinâmica e
transparência entre órgãos de comando e controle (Brito et al. 2005, Brancalion et al.
2018, Ferrante et al. 2021). Em função da dificuldade dos órgãos fiscalizadores em
comprovar a origem da madeira e identificar as espécies exploradas, estas se tornam umas
das principais vias pelas quais as fraudes acontecem. Em 2018, segundo Bracalion e
colaboradores, madeireiras estariam superestimando o volume de madeira cuja extração
foi permitida, por meio de planos de manejo, de forma a legalizar madeira retirada
ilegalmente de outras áreas. Devido a diversidade florística na Amazônia (ter Steege
2013, 2016, 2019; Cardoso et al. 2017; Damasco et al. 2021) e da similaridade anatômica
de muitas espécies madeireiras, mesmo em nível microscópico, pode haver exploração e
comercialização de espécies raras ou em risco de extinção (Pastore et al. 2011). Mesmo
no MFS, identificar as espécies a serem exploradas, tem sido um dos principais gargalos
(Daly, 2007). A falta de uma identificação consistente, gera problemas como a
superexploração de espécies raras, superestimação do tamanho das populações de

10
espécies comerciais e risco à integridade das transações comerciais de produtos florestais
(Procópio e Secco 2008; Gaui 2013).
Nos inventários florestais, a identificação geralmente é fornecida por mateiros, em
que as espécies são reconhecidas pelos nomes populares por meio de características
morfológicas e organolépticas que ajudem na identificação como a forma do tronco, cor
da casca e do lenho, presença ou não de exsudados e cheiro característico (Ribeiro et al.
1999; Procópio e Secco 2008). Porém, os nomes populares podem não corresponder a
apenas um nome científico, pois não são comuns entre regiões e nem entre mateiros
(Martins-da-silva et al. 2003). Por vezes, espécies de gêneros e famílias diferentes, são
agrupadas como uma única espécie potencial no manejo (Procópio e Secco 2008; Shepard
et al. 2008; Obermuller et al. 2011; Moraes–Silva 2019). A baixa densidade de coleções
e especialmente sua distribuição agrupada de coletas, fenologia irregular e a ausência de
material fértil não facilitam o processo de identificação (Nelson et al. 1990; Boeger et al.
2005; Hopkins 2007; Hubbell et al. 2008; Gomes et al. 2012; ter Steege 2013). Falhas
podem ser encontradas até mesmo nos herbários (Goodwin et al. 2015; ter Steegeet al.
2016).
A identificação torna-se ainda mais complicada quando a árvore é cortada, devido
à perda de grande parte das características vegetativas. Desse modo, a identificação das
espécies precisa ser realizada por meio das características anatômicas da madeira. Esta é
uma atividade que demanda tempo, profissionais altamente treinados e raramente resulta
na definição específica de uma espécie (Metcalfe e Chalk, 1950; Pigozzo 2011). Ademais,
nos postos de fiscalização não há plena disponibilidade desses profissionais.
Nesse contexto, há necessidade de introduzir tecnologias que proporcionem
veracidade e rapidez no processo de identificação das espécies exploradas, tanto para
verificar e legitimar transações comerciais de madeira, quanto para reconhecer e combater
transações ilegais. Uma alternativa é o uso da técnica da espectroscopia no infravermelho
próximo (NIRS), que tem sido eficaz em resolver problemas relacionados à identidade
das espécies (Muniz et al. 2012; Durgante et al. 2013). A variação das propriedades
físicas, mecânicas e químicas da madeira entre espécies são fatores que facilitam sua
discriminação (Terdwongworakul et al. 2005; Schimleck et al. 2010). A tecnologia NIRS
se encontra na lista de métodos forense para detecção da exploração ilegal da madeira
(Dormontt et al. 2015), com potencial para aprimorar os sistemas de fiscalizaçãono Brasil,
bem como assegurar a sustentabilidade do manejo florestal, promovendo a

11
rastreabilidade das madeiras exploradas, já que associada à analise multivariada dos
espectros, obtêm-se uma “impressão digital” de espécies madeireiras (Soares et al. 2017).

Esta técnica vem sendo utilizada em diversas indústrias, além de aplicações na

identificação da biodiversidade (Pasquini 2003; Tsuchikawa et al. 2003; Muniz et al.
2012). Trabalhos com amostras de folhas em herbários comprovam a eficácia da técnica
NIR em discriminar espécies proximamente relacionadas (Durgante et al. 2013),
indivíduos em diferentes estágios ontogenéticos (Lang et al. 2015) e amostras botânicas
oriundas de diferentes locais (Botelho 2017). Grande parte dos trabalhos utilizando
espectroscopia, com amostras de madeiras tropicais, foi realizada em laboratório,
utilizando diferentes granulometrias e formatos, com temperatura e/ou umidade
controladas. Pastore et al. (2011), utilizou madeira em pó, com controle de tamanho de
partícula, para discriminar três madeiras macroscopicamente semelhantes ao mogno.
Complementando o estudo anterior Braga et al. (2011), utilizou a madeira maciça, polida
e seca ao ar a aproximadamente 9% do teor de umidade e obteve identificações confiáveis.
Nisgoski et al. (2015) e Muniz et al. (2016), identificaram espécies em carvão vegetal
com base em amostras de madeira sólida que foram secas ao ar e permaneceram em
câmara climática com temperatura de 20 ± 3 ° C e umidade relativa de 65 ± 1%. Com NIR
portátil, Soares et. al. (2017), utilizou amostras sólidas polidas e secas à temperatura
ambiente e alcançou taxas de identificação superiores a 90% para todas as espécies.

Todos estes estudos demonstram o potencial da técnica, porém trazer essa

eficiência para a realidade encontrada em campo não é simples. Em campo as amostras
não possuem padrão, apresentam superfície irregular, rugosidade promovida pelo efeito
do corte, partículas sólidas impregnadas como serragem e solo, fluidos expelidos pela
própria árvore após o corte, entre outros. Ademais, podem sofrer alterações nas
propriedades físicas e/ou mecânicas, em função da variação de umidade e temperatura ao
longo da cadeia produtiva, fato que restringe a aplicabilidade dos modelos de
discriminação (Tsuchikawa e Tsutsumi 1998; Thygesen e Lundqvist 2000).
Recentemente, na Amazônia, Hadlich et al. (2018) testaram a tecnologia em campo e
obtiveram o reconhecimento de espécies a partir de espectros dos tecidos da casca
(ritidoma e floema). O estudo espectral das cascas das árvores vivas em campo é útil para
aprimorar a qualidade de identificação nos inventários florestais. Porém, para desenvolver
modelos espectrais que permitirão rastrear e reconhecer espécies de madeira ao longo da

12
cadeia produtiva é necessário entender a qualidade espectral em diferentes condições e
posições na madeira, pois a casca é um dos primeiros tecidos descartados.
O manejo florestal é a principal ferramenta para gerar renda, manter a floresta em
pé e garantir a manutenção da biodiversidade. Com o intuito de aprimorar o sistema de
identificação e rastreabilidade da madeira no manejo florestal o presente trabalho
objetivou testar a espectroscopia VIS-NIR (350 a 2500 nm) para reconhecer espécies em
diferentes condições amostrais após a derrubada, em campo. O estudo foi desenvolvido
na empresa Mil Madeiras Preciosas com a coleta espectral de 4 espécies em diferentes
posições ao longo do raio, logo após o corte, na face transversal, em amostras úmidas e
amostras secas a temperatura ambiente, de 10 a 60 dias após o corte. Definir as melhores
condições amostrais para desenvolver modelos espectrais que alimentem um sistema de
rastreabilidade, poderá restringir a atuação de criminosos e diminuir fraudes ao longo da
cadeia produtiva da madeira no Manejo Florestal Sustentável. Uma ferramenta útil de
rastreio e identificação da madeira pode ser utilizada pelos órgãos de comando e controle
e tem como principal beneficiário a sociedade, ao dispor de um sistema mais seguro, que
proporciona geração de renda por meio da floresta, mantendo os serviços ecossistêmicos.

13
 2. OBJETIVOS

Geral: Desenvolver diferentes modelos espectrais na região do visível ao

infravermelho próximo (VIS-NIR) para auxiliar na rastreabilidade da madeira ao
reconhecer espécies manejadas na Amazônia Central em condições de campo durante e
após a exploração comercial

Específicos:

1. Discriminar as espécies a partir dos espectros da madeira ao longo do raio no corte

transversal da tora durante uma exploração comercial por meio da espectroscopia VIS-
NIR.
2. Discriminar as espécies a partir dos espectros de amostras de madeira com diferentes
preparos por meio da espectroscopia VIS-NIR.
3. Discriminar as amostras de madeira de espécies armazenadas dias após o corte, por
meio de modelos espectrais com diferentes naturezas de amostras de madeira (úmida
e seca a temperatura ambiente).

14
 3. REVISÃO DE LITERATURA

3.1 MANEJO FLORESTAL SUSTENTÁVEL NO BRASIL

O Código Florestal Brasileiro, instituído pela Lei 4.771, de 15 de setembro de
1965, em seu artigo 15, proíbe a exploração das florestas primitivas da Bacia Amazônica,
e permite a utilização somente sob planos técnicos de condução e manejo florestal. A
regulamentação aconteceu somente após 28 anos, no Decreto nº. 1.282 de 1994 (revogado
pelo Decreto nº 5.975, de 30 de novembro de 2006), em que o Conselho Nacional do
Meio Ambiente (Conama) estabeleceu as normas do manejo de espécies nativas, que hoje
valem para todo o território nacional. Sendo assim, a adoção do manejo florestal pode ser
considerada recente na Amazônia.

De acordo com a legislação brasileira, para o uso múltiplo das espécies e produtos
das florestas, como fonte legalizada, é necessário a inscrição no Cadastro Técnico Federal
de Atividades Potencialmente Poluidoras e/ou Utilizadoras de Recursos Ambientais
(CTF/APP). Esse registro obrigatório a pessoas que realizam atividades passíveis de
controle ambiental. Somente é permitido exploração madeireira mediante apresentação
de um Plano de Manejo Florestal Sustentável (PMFS), Autorização de Desmate para Uso
Alternativo do Solo ou Autorização para Supressão da Vegetação.

No PMFS, estabelecido pela Resolução CONAMA nº 406 de 02 de fevereiro de

2009, apresenta-se as diretrizes técnicas que orientam a execução do mesmo, atendendo
ao que estabelece a legislação que rege a atividade florestal na Amazônia brasileira. A
floresta é dividida em Unidades de Produção Anual - UPA’s, em que cada uma é
explorada durante o período de doze meses, permissão conferida pela Autorização de
Exploração (Autex). Esta autorização é obrigatória aos que querem produzir e estocar
madeira. Anualmente, antes de extrair toras nessas áreas, é necessária a aprovação do
Plano Operacional Anual (POA).

Dentre as obrigatoriedades estabelecidas pela resolução para a elaboração do PMFS

e a manutenção do mesmo, o inventário florestal, seja por meio de amostragem ou
parcelas permanentes instaladas e periodicamente medidas, é o principal provedor das
informações necessárias. O inventário fornece a estimativa da capacidade produtiva da
floresta, definida pelo estoque comercial disponível (m³/ha). Considera-se os critérios de
seleção de árvores para corte: o diâmetro mínimo de 50 cm ou o específico para a espécie
explorada; a manutenção de pelo menos 10% do número de árvores por espécie na área

15
de efetiva exploração da UPA, respeitada a permanência de no mínimo três árvores por
espécie a cada 100 hectares na escala empresarial e duas árvores para o manejo em
pequena escala. A partir do inventário, define-se ainda a intensidade de exploração e o
ciclo de corte do PMFS, que pode mudar ao longo dos anos. Na resolução está
determinado o ciclo de corte máximo de 35 anos em escala de manejo empresarial e 10
anos para o pequena escala, com intensidade máxima de exploração de 30 e 10 metros
cúbicos por hectare respectivamente.

A identificação botânica das espécies florestais manejadas é obrigatória para a

emissão da AUTEX. No artigo 20 da Resolução Conama Nº 406/2009 fica estabelecido
a utilização de procedimentos técnico-científicos que garantam a identificação das
espécies manejadas pelos seus respectivos nomes científicos e populares. Para que o
Manejo Florestal seja de fato sustentável e propicie a continuidade das espécies, é
essencial que a identificação da espécie esteja correta (Martins-da-Silva 2002).

3.2 IDENTIFICAÇÃO DAS ESPÉCIES COMERCIAIS

É fundamental garantir a integridade de transações comerciais de madeiras e demais
produtos vegetais retirados da floresta, para isso é essencial que a identificação das
espécies esteja correta (Martins-da-Silva et al. 2003, Procópio e Secco 2008). É comum
nos inventários florestais para exploração, onde somente são identificados indivíduos
arbóreos, a utilização do conhecimento empírico de nativos da área, os mateiros, que
identificam as espécies pelos nomes vulgares (Martins-da-Silva et al. 2003,Procópio e
Secco 2008; Procópio et al. 2010). Esse conhecimento é adquirido geração após geração,
sem quaisquer procedimentos técnico-científicos, como por exemplo uma coleta botânica
(Martins-da-Silva et al. 2003). Como os nomes vulgares mudam conforme região e
identificador, uma única espécie pode ter diferentes nomes vulgares, bem como várias
espécies podem ser designadas por um único nome vulgar (Martins-da-Silva et al.2003).
Dessa forma, relacionar um nome vulgar a um científico causa muita incerteza. Porém,
as empresas madeireiras fazem a correspondência do nome atribuído pelosmateiros nos
inventários, a algum nome científico listado pelo IBAMA ou outra literaturaespecializada,
sem seguir critérios científicos, morfológicos ou ecológicos das espécies (IBAMA, 1991;
Procópio e Secco 2008). Ao longo desse processo, a tradução automática dos nomes
vulgares para o nome científico, acumula um erro de mais de 70% (Obermulleret al. 2011).

16
 A precisão da identificação científica é importante tanto ecologicamente como
comercialmente. É altamente relevante para a conservação, considerando possíveis
consequências ambientais, como as mudanças na composição das espécies e na estrutura
das florestas, a extinção local de algumas espécies e a subestimação da biodiversidade
(Martins-da-Silva 2002; Daly 2007). A identificação incorreta gera problemas de ordem
operacional que afetam diretamente a produtividade e a geração de renda das empresas
(Obermüller et. al 2011). Por se tratar de diferentes espécies, as propriedades físicas e
mecânicas, os dados tecnológicos, a secagem, trabalhabilidade são diferentes, o que
define não somente seu uso final como também o processo de beneficiamento,
influenciando diretamente no rendimento e na qualidade do produto (Martins-da-Silva
2002; Procópio e Secco 2010).

No processo de extração e de transformação da árvore em madeira serrada, as

estruturas reprodutivas vegetativas são descartadas restando apenas a madeira (Pigozzo
2011). Com isso, a análise da anatomia do lenho permite a identificação das madeiras,
uma vez que os elementos que compõem o xilema secundário das espécies arbóreas,
possuem algumas características de valor taxonômico, às vezes típicas para algumas
famílias, gêneros ou mesmo espécies (Metcalfe e Chalk 1950). As características
anatômicas reúnem aspectos relacionados aos anéis ou camadas de crescimento, bem
como arranjo, forma, tamanho ou distribuição de elementos celulares, como: vasos ou
poros, parênquima axial e raios parenquimáticos (Burger e Richter 1991; Zenid e
Ceccantini 2007; Botosso 2011). No processo macroscópico a observação da anatomia
pode ser processada normalmente a olho nu ou por meio de uma lupa com aumento de
dez vezes, já para o processo microscópico há a preparação de material histológico, como
lâminas, a utilização de produtos químicos, além do uso de equipamentos mais
sofisticados de microscopia (Zenid e Ceccatini 2007; Botosso 2011; Pigozzo 2011). A
partir daí no processo de identificação, pode-se utilizar manuais ilustrados de madeira,
chaves de identificação, programas com imagens digitalizadas de madeiras (Guess,
IMAC, Insidewood, Madeiras Comerciais do Brasil), e finalmente, a comparação com
amostras de referência de xilotecas.

A multiplicidade de espécies existentes faz da identificação de madeiras pela

anatomia do lenho uma tarefa relativamente complicada (Metcalfe e Chalk 1950). Além
de exigir treinamento do identificador, o que nem sempre ocorre, a atividade se trata de
um processo impreciso (Pigozzo 2011). O acesso à superfície transversal da amostra, na

17
qual se encontra a maior parte dos caracteres para identificação, é difícil (Pigozzo 2011;
Burger e Richter 1991). E por fim, definir acertivamente a espécie a partir desses
procedimentos é raro, tendo em vista que as características anatômicas entre espécies de
um mesmo gênero são muito semelhantes (Metcalfe e Chalk 1950).

O desenvolvimento tecnológico possibilitou o aprimoramento e surgimento de uma

gama de métodos, não necessariamente anatômicos, para identificação e verificação das
propriedades das madeiras, como: fluorescência do extrato aquoso ou etílico, testes com
cromoazurol e de saponina e a espectroscopia de infravermelho próximo (NIR) (Zenid e
Ceccantini 2007; Botosso 2011). Tais métodos, paralelos ao método usual de
identificação nos inventários comerciais, poderão propiciar diminuição dos erros de
identificação e melhorias nos mecanismos de fiscalização e controle.

3.3 ESPECTROSCOPIA
Novos métodos de identificação de espécies vêm sendo testados, e a espectroscopia
do visível ao infravermelho próximo (VIS-NIR) tem obtido altos níveis de confiabilidade
(Muñiz et al. 2012). Esta ferramenta constitui-se da avaliação não destrutiva de compostos
orgânicos e vem sendo muito utilizada em diversos setores, queincluem as áreas agrícola,
alimentícia, médica, têxtil, de cosméticos, de polímeros, de tintas, ambiental,
petroquímica, farmacêutica e florestal (Pasquini 2003; Tsuchikawa e Kobori 2015; Muñiz
et al. 2012).

A espectroscopia se baseia na detecção da intensidade de radiação eletromagnética

refletida, emitida ou espalhada pelo objeto de estudo em comprimentos de onda
característicos (Pasquini 2003). Ela funciona por meio do princípio da dispersão da luz
branca, ou seja, da radiação das ondas eletromagnéticas que formam o espectro
eletromagnético (Figura 1). No caso da técnica VIS-NIR é emitida radiação na região do
visível e infravermelho próximo sobre a amostra, que registra a intensidade de luz
refletida e produz um espectro de reflectância ou absorbância de acordo com o
equipamento utilizado. A radiação do visível e infravermelho estão situadas entre as
regiões do ultravioleta e das micro-ondas no espectro eletromagnético (Figura 1).

18
Figura 1. Espectro Eletromagnético. As regiões VIS-NIR estão compreendidas entre o intervalo de
350 a 2500 nm. Fonte: Durgante, 2011.

A técnica VIS-NIR está relacionada com a natureza das ligações químicas que
formam os grupos funcionais, principalmente C-H, O-H, N-H, S-H e C=O (Pasquini
2003; Li et al. 2012). Assim, o espectrômetro ao emitir radiações em qualquer amostra
orgânica, faz com que as ligações químicas vibrem continuamente provocando
alongamento e flexão das moléculas. Estas vibrações provocam um tipo de movimento
de onda que é característico do grupo funcional que a compõe (Foley et al. 1998). As
frequências de vibração molecular são expressas pelo comprimento de onda em
nanômetro (nm) ou pelo número de ondas (cm-1) (Pasquini 2003). A espectroscopia VIS-
NIR emprega energias do fóton numa região correspondente ao comprimento de onda de
350 a 2500 nm (Pasquini 2003). Os limites que definem cada região espectral estão
descritos na tabela 1.
Tabela 1. Regiões espectrais do visível e infravermelho.

Região do espectro Número de ondas Comprimento de onda Região de frequência

(cm-1) (nm) (Hz)
Visível (VIS) 50.000 a 12.800 350 a 750 7,8x10 a 3,6x1014
14

Próximo (NIR) 12.800 a 4.000 750 a 2.500 3,8x1014 a 1,2x1014

Médio (MID) 4.000 a 200 2.500 a 5.000 1,2x1014 a 6,0x1012

19
 A região do comprimento de onda VIS-NIR tem inúmeras vantagens. Pode-se
destacar a alta velocidade de aquisição espectral que facilita a coleta de dados descritivos.
Pode auxiliar por exemplo, sistemas de controle que trabalham em tempo real. Os
espectros podem ainda ser registrados a partir de uma ampla variedade de materiais, sem
preparação prévia do mesmo ou de uma amostra (Pasquini 2003; Schwanninger et al.
2011; Muniz et al. 2012). Vale ressaltar também, o custo e o método de amostragem
utilizado, que pode ser não destrutivo (Foley et al. 1998; Schwanninger et al. 2011;
Tsuchikawa e Kobori 2015).

A madeira é um material altamente heterogêneo, com células arranjadas em

diferentes direções, cujas propriedades variam entre e dentro de uma mesma espécie
(Terdwongworakul et al. 2005; Schimleck et al. 2010; Burger e Richter 1991). O espectro
é um produto de vibrações, que ocorrem em função dessa estrutura e composição.
Portanto, o espectro pode ser utilizado para discriminar espécies moleculares em
complexas misturas químicas, como a madeira, e avaliar as proporções e interações dos
diversos componentes (Tsuchikawa et al. 2003; Pasquini 2003).

3.4 ESPECTROSCOPIA E MADEIRA

A técnica NIR tem sido utilizada para predição de suas diversas propriedades,
como a estimativa da composição química: lignina, celulose e extrativos
(Terdwongworakul et al. 2005), comprimento de traqueídeos (Jones et al. 2005),
densidade da madeira (Li et al. 2019) e origem geográfica (Li et al. 2019; Sandak et al.
2011. Há uma revisão de Tsuchikawa e Schwanninger (2013), que fornece uma visão
geral dos estudos com aplicação de espectroscopia NIR na indústria de madeira e papel.
A utilização do NIR para discriminação de espécies foi demonstrada em trabalhos
de Tsuchikawa et al. (2003), que conseguiram discriminar 9 espécies de madeira, entre
coníferas e folhosas. Russ et al. (2009), testaram a discriminação de sete espécies de
madeira com várias quantidades controladas de umidade e notaram que lascas de madeira
úmida tiveram maiores taxas de identificação correta em comparação com lascas de
madeira seca. Hwang et al. (2016), identificaram Pinus semelhantes, com amostras da
madeira em bloco e em pó e obtiveram taxa de predição correta de 100% em ambos os
tipos de amostra.
Grande parte dos trabalhos utilizando espectroscopia, com amostras de
madeiras tropicais, foi realizada em laboratório, utilizando diferentes granulometrias e

20
 formatos, com temperatura e/ou umidade controladas. Pastore et al. (2011) utilizou
madeira em pó, com controle de tamanho de partícula, para discriminar três madeiras
macroscopicamente semelhantes ao mogno. Complementando o estudo anterior Braga
et al. (2011), utilizou a madeira maciça, polida e seca ao ar a aproximadamente 9% do
teor de umidade e obteve identificações confiáveis. Nisgoski et al. (2015) e Muniz et al.
(2016), identificaram espécies em carvão vegetal com base em amostras de madeira
sólida que foram secas ao ar e permaneceram em câmara climática com temperatura de
20 ± 3 ° C e umidade relativa de 65 ± 1%. Com NIR portátil, Soares et. al (2017), utilizou
amostras sólidas polidas e secas à temperatura ambiente e alcançou taxas de
identificação superiores a 90% para todas as espécies.
Diretamente em campo, somente recentemente, Hadlich, et al. (2018), obtiveram
sucesso na identificação de 11 espécies de florestas de terra firme na Amazônia Central.
As taxas de predições corretas das espécies, usando esta técnica foram de 94% e 98% com
espectros do ritidoma e do floema, respectivamente. A aplicação desta técnica tem
potencial para melhorar a qualidade da identificação das espécies durante a realização dos
inventários florestais, promovendo melhores práticas de manejo. Porém, a casca é um dos
primeiros tecidos descartados, ao longo da cadeia produtiva. Portanto, é necessário
entender a qualidade espectral em diferentes condições e posições na madeira.
Ao contrário do laboratório, em campo, não há controle de umidade ou
temperatura, as amostras não são padronizadas, apresentam rugosidade da superfície,
partículas sólidas impregnadas como serragem e solo, fluidos expelidos pela própria
árvore após o corte, entre outros. Além disso, ao longo da cadeia produtiva, a madeira
sofre alterações nas propriedades físicas, químicas e/ou mecânicas (Tsuchikawa e
Tsutsumi 1998; Thygesen e Lundqvist 2000), em função da variação de umidade e
temperatura. Portanto, a aplicabilidade dos modelos de discriminação de espécies é
limitada pelas características da amostra (Soares et al. 2017).
A madeira pode sofrer alterações em decorrência da oxidação, causada
principalmente pela ação da luz, que reage com componentes químicos como a lignina
(Müller et al. 2003). Em média de 80 a 95% da absorção de luz pela madeira pode ser
atribuída à lignina. A madeira, absorve luz solar UV e sofre diversas reações oxidativas
que eventualmente resultam em sua degradação. A degradação varia de descoloração da
superfície da madeira á alterações nas propriedades mecânicas (Müller et al. 2003).
A rugosidade da superfície e o comprimento de onda da radiação incidente
definem o tipo de reflectância de uma amostra (Lillesand et al. 2004). É importante evitar

21
que a superfície da amostra reflita a radiação no mesmo ângulo de incidência (reflectância
especular), como se fosse um espelho, e sim de forma difusa, em que a amostra reflete a
luz incidente em diversos ângulos (Lillesand et al. 2004). A rugosidade caracteriza as
irregularidades da superfície da madeira que, em sua maior parte está relacionada a sua
estrutura anatômica (Csanády et al. 2015). A posição do plano de corte dos vasos, a
variação do tamanho e da quantidade de poros, a presença de nós, sílica, grãs irregulares,
dimensões de fibras e vasos influenciam nas características da superfície (Csanády et al.
2015; Bajić et al. 2008).
As propriedades de reflectância de um objeto dependem em particular do
material e seu estado físico e químico, por exemplo a umidade. Uma madeira recém
derrubada possui paredes celulares completamente saturadas com água e teor de umidade
diferentes entre alburno e cerne, dependendo da espécie (Thygesen e Lundqvist 2000).
De modo geral, quanto maior a umidade da amostra maior será a absorção por água. Logo,
a água livre e absorvida frequentemente influencia em espectros NIR de madeira, assim
como a temperatura (Tsuchikawa e Tsutsumi 1998; Thygesen e Lundqvist 2000;
Tsuchikawa et al. 2003; Schwanninger et al. 2011). Essa variabilidade interfere no
desempenho dos modelos de discriminação.
Trazer a eficiência dos modelos desenvolvidos em laboratório para a realidade
encontrada em campo é um grande desafio, principalmente quando o objetivo é auxiliar
num sistema para discriminar e rastrear madeira. A madeira é um material higroscópico
com estrutura porosa e comportamento característico de encolher e expandir, exibindo
alterações em sua estrutura (Tsuchikawa e Tsutsumi 1998; Schwanninger et al. 2011).
Consequentemente as propriedades de reflectância e absorbância também sofrem
alterações. Entender a qualidade espectral em diferentes condições e posições na madeira
e desenvolver estratégias para corrigir essa interferência e aperfeiçoar os modelos,
permitirá a identificação e rastreabilidade das espécies ao longo da cadeia produtiva.

4. MATERIAL E MÉTODOS
4.1 ÁREA DE ESTUDO
O estudo foi realizado nas áreas manejadas da empresa Mil Madeiras Preciosas
Ltda. do projeto Precious Woods Amazon (PWA). Atualmente, a empresa possui
425.549,04 hectares localizados no Estado do Amazonas (Figura 2). As fazendas onde se
concentram as atividades da empresa em regime de Manejo Florestal certificado, somam

22
uma área de 248.058,94 hectares e estão localizadas entre os municípios de Itacoatiara,
Silves e Itapiranga (PWA, 2018). As áreas de coleta estão localizadas na cidade de
Itapiranga, divididas em duas fazendas: São Sebastião e Fazenda Santo Antônio 2 (Figura
2).

Figura 2. Localização das áreas de coleta, na cidade de Itapiranga, divididas em duas

fazendas: São Sebastião e Fazenda Santo Antônio 2. Fonte: Autora.

A tipologia vegetal predominante na área é de florestas de terra firme, com altura

média do dossel de 30 m, e algumas árvores podendo chegar a 50 m de altura. O sub-
bosque é dominado por palmeiras (Rankin de Merona et al. 1992). As espécies comerciais
estão localizadas nas áreas de terra firme, constituída por Floresta Ombrófila Densa. Na
área também podem ser encontradas as formações vegetais de Igapó e Campinarana. De
acordo com a classificação climática de Alvares et al. (2014) para o Brasil, o clima da área
é o Tropical Úmido (Af), caracterizado por altas precipitações durante quase todo o ano e
apresentar maiores quedas pluviométricas durante três meses do ano. Segundo dados do
projeto RADAMBRASIL (1978), os solos da área pertencem ao grupo dos Latossolos
Amarelos Distróficos.

23
 4.2 ESCOLHA DAS ESPÉCIES

As espécies foram selecionadas de acordo com o planejamento e demanda da

empresa (2019/2020 e 2020/2021), sendo preferencialmente escolhidas as que
apresentavam maior abundância na área. Foram coletados espectros de Dinizia excelsa
Ducke, Ocotea rubra Mez, Protium altsonii Sandwith e Scleronema micranthum Ducke,
distribuídos nas unidades de trabalho (Figura 3).

Figura 3. Espécies escolhidas para realização das leituras em campo. (A) Dinizia excelsa (B) Ocotea
rubra (C) Protium altssoni (D) Scleronema mycranthum. Fonte: Autora.

24
 Dinizia excelsa Ducke

Dinizia excelsa da família Fabaceae, apresenta uma infinidade de nomes

populares como angelim-vermelho, angelim-ferro, angelim-pedra, faveira, faveira-dura,
faveira-ferro, faveira-preta, faveira-grande, entre outros. É uma árvore emergente, ou
seja, que se projeta acima do dossel, não sendo sombreada pelas árvores vizinhas. Em
geral, medem de 25 à 60 m de altura e possuem até 2 m de diâmetro. A madeira possui
cerne marrom-avermelhado, claro; alburno cinza-avermelhado; brilho moderado; cheiro
desagradável e fraco; muito pesada (0,95-1,00 g/cm³), trabalhabilidade difícil porém, com
acabamento excelente; grã revessa; textura média; resistente em contato com o solo
(Souza et al. 1997). Sua distribuição na Amazônia brasileira é ampla, ocorrendo à razão
de um indivíduo a cada 6 hectares havendo um único registro fora do Brasil, na Guiana
(Ferreira et al. 2004; Mesquita et al. 2009). Foram coletados espectros de 23 indivíduos.

Ocotea rubra Mez

Ocotea, o maior gênero Neotropical da família Lauraceae, é constituído por cerca

de 350 espécies distribuídas na América tropical e subtropical, desde o México até a
Argentina, das quais 172 espécies ocorrem no Brasil (van der Werff 1991). É apontado
como um dos gêneros mais representativos tanto em número de indivíduos quanto em
riqueza de táxons nas florestas pluviais. Ocotea rubra, conhecida como “Louro-
vermelho”, “Louro-Gamela”, tem distribuição na região amazônica do Brasil. A árvore
atinge em média de 20 a 30 m de altura e até 120 cm diâmetro, com formato reto e
cilíndrico. Possui densidade média de 0,665 g/cm³ (Silveira et al. 2013). O cerneapresenta
coloração que varia do castanho-avermelhado ao castanho-alaranjado. O alburno possui
cor que varia entre branco, marrom claro, marrom rosado, as vezes amarelos ou cinzentos.
A espécie é bem abundante na área de estudo. Foram coletados espectros de 31
indivíduos.

Protium altsonii Sandwith

O gênero Protium possui aproximadamente 146 espécies, é o principal e mais

importante gênero da família Burseraceae, estima-se que mais de 80% das espécies da
família encontradas na região Amazônica pertencem a este gênero (Siani et al. 2004). Os
indivíduos deste gênero exsudam por incisão do tronco um óleo-resina de tom branco-
esverdeado e de aroma agradável, que endurece quando em contato com o ar. Essa resina

25
 é conhecida como breu. Algumas árvores chegam a atingir grande porte, como Protium
altsonii, fornecendo madeira para a indústria, enquanto outras têm sua resina retirada,
para uso medicinal, na iluminação e para calafetar canoas. Protium altsonii é nativa da
Amazônia, ocorrendo nos Estados do Acre, Amazonas, Pará, Rondônia, Roraima;
nordeste no Maranhão e centro-oeste no Mato Grosso (Daly, 2015), e ocupam posição no
estrato da floresta de dossel ou subdossel, formando grandes populações em função de
elevações na topografia (Tostes 2015). Apresenta floração e frutificação supra anual em
períodos de menor e maior precipitação, respectivamente (Tostes, 2015). Foram coletados
espectros de 22 indivíduos.

Scleronema micranthum Ducke

Scleronema micranthum da família Malvaceae é nativa da floresta Amazônica,

sendo conhecida no Brasil como “cardeiro”, “cedrinho”, “cedro bravo” ou “envira de
cotia”. Os indivíduos desta espécie se regeneram no sub-dossel, podendo atingir até 35 m
de altura e 60 cm de DAP (diâmetro à altura do peito). A madeira possui valor econômico,
sendo moderadamente pesada com densidade aproximada de 0,65 g/cm³ (Silva et al. 2002).
O alburno é geralmente amarelo-claro e o cerne castanho-claro. A polinização daespécie é
feita por mariposas e morcegos e frutifica anualmente de setembro a fevereiro na Amazônia
brasileira com dispersão por gravidade e secundariamente por animais (VanDulmen 2001).
A espécie é considerada tolerante a sombra com sucessão tardia podendocrescer em solos
ácidos e com poucos nutrientes (Marenco e Vieira 2005). A espécie é abundante na área
de estudo. Foram coletados espectros de 25 indivíduos.

4.3 COLETA DE DADOS

4.3.1 Identificação das espécies
As coletas foram realizadas no mês de novembro dos anos de 2019 e 2020,
totalizando 101 indivíduos. Destes, 56 indivíduos em 2019 e 45 indivíduos em 2020.
Foram obtidas informações como: numeração das árvores, DAP e coordenadas
geográficas, além de coletas das características do tronco e amostra botânica a partir de
material fresco para todos os indivíduos das espécies selecionadas (Figura 4). Foram
coletadas amostras botânicas em triplicatas para cada indivíduo. As amostras botânicas
foram colocadas em álcool para melhor conservação do material, prensadas e secas
posteriormente em estufa à temperatura de 65 ºC durante 72 horas. A identificação das
amostras coletadas foi feita por um botânico do Instituto Nacional de Pesquisas da

26
 Amazônia – INPA, além de comparadas com amostras disponíveis em herbário. Foram
coletadas amostras de madeira (cunhas) dos 45 indivíduos das espécies selecionadas na
coleta de 2020, com comprimento da face transversal variando em torno de 20 cm, para
posterior realização de tratamentos e leituras espectrais (Figura 4). Estas amostras foram
identificadas com número da cadeia de custódia e separadas em sacos de ráfia
devidamente vedados e identificados pela data de coleta.

Figura 4. Coleta de informações, amostra botânica e amostra de madeira das árvores exploradas nas
área de manejo da empresa. Fonte: Autora.

4.3.2 Leitura espectral

As leituras espectrais foram realizadas com o espectrômetro ASD Field Spec 3
(Figura 5-A), equipamento fabricado para utilização em campo, sendo portátil e
compacto. Juntamente com o ASD foi utilizado um computador portátil para o registro
dos espectros, eles se comunicam via cabo conector. Os espectros deste espectrômetro
cobrem uma região de 350 à 2.500 nm (comprimento de onda) do espectro de luz, que vai
do visível até o infravermelho próximo. A resolução espectral é de 3 nm até 700 nm e de
10 nm até 2100 nm (ASD 2010).

27
Figura 5. (A) Espectrômetro ASD Field Spec 3; (B) calibração do equipamento com o disco branco.
Fonte: Autora

4.3.2.1 Leitura espectral em campo

Após o corte das árvores as leituras espectrais foram medidas no corte transversal
da tora. Tentado minimizar as irregularidades como ocos ou pedaços da madeira, foram
selecionados e medidos o raio que permitisse uma superfície mais plana (porém rugosa,
com as deformidades geradas pela serra) para realizar as medidas (Figura 6). A partir daí,
foi calculado as posições de coleta no raio, correspondentes a 0, 25, 50 e 75% de distância
da casca até o centro respectivamente. Foram lidos dois raios por tora, totalizando 8
leituras por árvore (Figura 7).

Figura 6. Metodologia utilizada para definir as posições de coleta no corte transversal da tora. Fonte:
Autora.

28
Figura 7. Quatro posições de coleta espectral ao longo do corte transversal da tora. Fonte: Autora.

Para as coletas na tora, conforme descrito por Hadlich et al. (2018), foi utilizada
uma lâmina de vidro adaptada ao leitor ótico. A lâmina impede o contato direto do leitor
ótico com resinas, látex, goma, seiva entre outras sujeiras, além de evitar riscos na lente
(Figura 8). Para cada indivíduo fez-se a calibração do equipamento com um disco branco
juntamente com a lâmina de vidro, que será a referência para configurar a linha de base
(1,0) que significa 100% de reflectância (Figura 5-B).

Figura 8. Coleta espectral na tora após o corte. Fonte: autora, 2020.

29
 4.3.2.2 Leitura espectral das amostras de madeira em laboratório
Afim de representar a madeira durante a cadeia produtiva as amostras de madeira
foram submetidas a diferentes tratamentos em laboratório. 1 - amostra lavada/molhada
para retirar as impurezas do campo (sujeiras de solo e serragem) e simular a leitura
espectral da amostra logo após uma chuva; 2 - amostra seca em temperatura ambiente
(26,4 ± 1 ºC) e lixada, durante dois diferentes períodos de dias pós corte. Foram feitas 3
leituras espectrais distribuídas proporcionalmente pela superfície transversal de cada uma
das amostras (Figura 9). Assim como nas leituras em campo, foi utilizada uma lâmina de
vidro adaptada ao leitor ótico e para cada indivíduo fez-se a calibração do equipamento
com um disco branco junto à lâmina de vidro. A primeira coleta espectral em laboratório
foi feita entre 10 e 13 dias após o corte da árvore, com as amostras ainda molhadas, após
limpeza e lavagem das mesmas em água corrente. A segunda coleta espectral foi feita
entre 15 e 17 dias após o corte da árvore, lixando as amostras. Na terceira coleta espectral,
as amostras foram lixadas novamente e lidas entre 60 e 65 dias do corte. Identificou-se
cada coleta utilizando o número de dias em que foi realizada a primeira leitura (10,15 e
60 dias). O lixamento diminuiu a rugosidade superficial das madeiras (Cooper et al. 2011;
Pereira et al. 2018). A lixa utilizada em ambos processos foi Lixa manual Red Wood GR
80. Conforme Soares et al. (2017), foi utilizada essa granulação por ser uma lixa mais
grossa que aumenta a superfície de contato da madeira e evita a formação de brilho
(reflectância especular). Esse procedimento é importante para manter a uniformidade

granulométrica e remover a camada externa oxidada (Lillesand et al. 2004; Soares et al.
2017). Os espectros NIR foram obtidos logo após o preparo.

Figura 9. Representação de coleta espectral na superfície transversal das amostras de madeira. Fonte:
Autora, 2020.

30
 4.4 ANÁLISE DOS DADOS
Todas as análises foram realizadas pelo software R 3.3.1 (R Development Core
Team 2016). Inicialmente, aplicou-se para cada conjunto de dados (espectros) uma
análise exploratória para observação do comportamento espectral e o pré-processamento
dos dados, com a exclusão dos espectros que tivessem erros de leitura, com um
comportamento fora do padrão dos demais espectros de madeira coletados. O
comportamento espectral em duas dimensões foi avaliado por meio da Análise de
Componentes Principais (PCA). Quando se aplica um algoritmo de PCA, num conjunto
de variáveis como os espectros no infravermelho, o conjunto original é substituído por
um novo conjunto de variáveis, denominado como componentes principais (Muniz et al.
2012). O objetivo da PCA é explicar a máxima variação possível com o mínimo de
componentes principais, com perda mínima de informação (Geladi 2003). As demais
análises buscaram responder as seguintes perguntas:

i) As espécies podem ser discriminadas a partir dos espectros obtidos em campo

no corte transversal da tora?

Para discriminar as espécies a partir dos espectros, utilizou-se a análise linear

discriminante (LDA). O princípio da LDA é avaliar o poder da resposta espectral em
discriminar grupos de espécies testados nas diferentes posições. Foram geradas funções
discriminantes tendo como variáveis dependentes as 4 espécies coletadas em campo e as
variáveis independentes as reflectâncias obtidas em cada comprimento de onda das

leituras realizadas por indivíduo, totalizando 2.151 variáveis. Foram gerados 6 modelos,
4 correspondentes a cada uma das posições de coleta no campo, 0, 25, 50 e 75% (média
de 2 leituras por posição) de distância casca-medula, 1 para média das 4 posições e 1
excluindo a posição 0.

Para testar a eficiência de predição das espécies dos modelos espectrais utilizou-
se duas técnicas de validação cruzada: a primeira chamada “deixe um de fora” (do inglês:
Leave one out), utiliza k-1 amostras para gerar a função discriminante e a amostra que
ficou de fora do modelo serve para validá-lo (Kohavi 1995). A segunda validação, “70-
30” (Holdout), consiste em dividir o conjunto total de dados em dois subconjuntos: um
para gerar o modelo e outro para testá-lo (Kohavi 1995). Assim foram utilizados 70% dos
indivíduos de cada espécie para gerar uma função discriminante e os 30% restantes para
validar o modelo. Esta operação foi aleatorizada 100 vezes para que todosos indivíduos

31
pudessem ser ora ‘teste’, ora ‘modelo’. A média das porcentagens de acertospor indivíduo
na validação foi o resultado da análise.

ii) Tratamentos amostrais como molhar, secar em temperatura ambiente e lixar a

superfície da madeira influenciam na discriminação das espécies?

Para discriminar as espécies a partir dos espectros obtidos com os tratamentos

realizados também foi utilizada a análise linear discriminante (LDA). Para representar o
indivíduo no caso das amostras, foi utilizada somente a média dos 3 espectros lidos. Estes
modelos com a média de 3 espectros nas amostras em laboratório foram comparados com
modelos de campo gerados com a média de apenas 3 espectros coletados, nas primeiras
3 posições (0,25,50%) para serem equidistantes e comparáveis.

Foram geradas funções discriminantes tendo como variáveis dependentes as 4

espécies coletadas e as variáveis independentes as reflectâncias obtidas em cada
comprimento de onda das leituras realizadas por amostra do indivíduo, totalizando 2.151
variáveis. Foram gerados 3 modelos, correspondentes a cada um dos tratamentos
realizados nas amostras de madeira. Para testar a eficiência de predição das espécies dos
modelos construídos para cada um dos tratamentos, utilizou-se o mesmo processo de
validação cruzada já descrito acima: “deixe um de fora” e “70-30”.

iii) O modelo obtido para a discriminação das espécies em campo é capaz de

reconhecer espécies armazenadas com amostras em diferentes condições?

Para testar se o modelo construído a partir dos espectros coletados em campo,

prediz corretamente os indivíduos das amostras armazenadas por dias após corte, utilizou-
se a técnica de validação cruzada “70-30”, que consiste em dividir o conjunto total de
dados em dois subconjuntos: um para gerar o modelo e outro para testá-lo (Kohavi 1995).
Assim, utilizou-se 70% dos indivíduos com espectros coletados em campo, para gerar
uma função discriminante e os 30% dos indivíduos testados no modelo foram espectros
coletados nas amostras pós corte, secas em temperatura ambiente. Para representar um
indivíduo em campo selecionou-se aleatoriamente 3 espectros de cada uma das posições
0, 25 e 50% e utilizou-se a média das três leituras espectrais para ser comparável com o
número de leituras realizado em laboratório. Para representar os indivíduos utilizados
para testar o modelo (30%), utilizou-se a média dos 3 espectros lidos nas amostras pós
corte. Estas operações foram aleatorizadas 100 vezes para garantir maiores chances de
que todos os indivíduos pudessem ser ora “teste”, ora “modelo”. A média das

32
porcentagens de acertos por indivíduo na validação foi o resultado da análise.

5. RESULTADOS
Discriminação de espécies manejadas em campo com o espectro da madeira durante a
exploração

A análise de componentes principais (PCA) não distinguiu visualmente os

espectros coletados nas diferentes posições do raio (0, 25, 50 e 75% de distância da casca)
em nenhuma das 4 espécies estudadas. O comportamento espectral nas diferentes
posições pode ser observado na Figura 10 e em duas dimensões no gráfico da PCA por
espécie na Figura 11.

Figura 10. Média das assinaturas espectrais por posição para cada uma das espécies nos
comprimentos de 350 à 2.500 nm. Fonte: Autora, 2020.

33
Figura 11. Gráfico de scores da análise de componentes principais (PCA) de todos os espectros
coletados por espécie nos comprimentos de 350 à 2.500 nm. Fonte: Autora, 2020.

Foi possível discriminar as espécies com o espectro da madeira úmida em situação

de campo durante a exploração nos 6 modelos testados. A validação cruzada “70-30”
atingiu uma predição acima de 90% de acerto para todos os modelos: um para cada
posição do raio (0, 25, 50 e 75%); e dois com a média de diferentes posições (todas as
posições e com 3 posições 25, 50 e 75%) (Tabela 2). Os melhores modelos são os que
tem a média de diferentes posições de leitura dentro do raio nos dois métodos de
validação. Com a média das 4 posições atinge-se aproximadamente 93 a 95% de acerto
no reconhecimento das espécies. No entanto, ao excluir a primeira posição a porcentagem
de acerto aumenta e permanece entre 95 e 96%. Os modelos de cada posição separada
mesmo atingindo acima de 90% na validação cruzada “70-30”, tem predições em torno
de 80% na validação “deixe um de fora”.

34
Tabela 2. Resultados em porcentagem das análises LDA para cada posição no corte transversal da
tora, para todas as espécies estudadas, com o espectro médio representando o indivíduo nas validações
cruzadas “Deixe um de fora” e “70-30” com incerteza.
Posição no raio em Modelos Deixe um de fora Cruzada
corte transversal da preditivos (k-1) % (70% - 30%)
tora (% distância da
casca)
0% Espectro médio 81 91,61 ± 0,94
(2 leituras)
25% Espectro médio 83 94,96 ± 0,86
(2 leituras)
50% Espectro médio 81 94,46 ± 0,79
(2 leituras)
75% Espectro médio 87 93,75 ± 0,85
(2 leituras)
0, 25, 50 e 75% Espectro médio 93 95 ± 0,85
(8 leituras)
25, 50 e 75% Espectro médio 95 96,25 ± 0,65
(6 leituras)

Discriminação de espécies em amostras armazenadas 10, 15 e 60 dias após a

exploração em diferentes condições de preparo amostral

Foi possível observar que as características espectrais nos 4 tratamentos (úmida

em campo, molhada após 10 dias do corte, seca e polida 15 e 60 dias após o corte) se
distinguem no universo da PCA. A PC1 separa principalmente entre amostras úmidas e
amostras secas (Figura 12). O comportamento espectral vizualmente se mostrou distinto.
As amostras úmidas (lidas em campo e molhadas após 10 dias do corte) mostraram uma
tendência de absorverem mais a luz que as amostras secas nos mesmos indivíduos (Figura
13).

35
Figura 12. Gráfico de scores da Análise dos Componentes Principais com três leituras espectrais
coletadas de um indivíduo aleatório (19, 28, 14 e 24) para cada uma das espécies, nas 4 condições
amostrais, nos comprimentos de onda de 350 à 2.500 nm. Fonte: Autora, 2020.

36
Figura 13. Assinaturas espectrais de um indivíduo aleatório (19, 28, 14 e 24) para cada uma das
espécies, com três leituras espectrais coletadas para cada uma das 4 condições amostrais. Fonte:
Autora, 2020.

Os modelos preditivos para reconhecer espécies se mostraram eficientes em

todos os tratamentos, conforme expresso na Tabela 3. O melhor modelo segue o do campo
e em segundo o seco em temperatura ambiente após 15 dias. O pior modelo é o que usa a
amostra molhada, simulando uma amostra que pegou chuva. Não foi possível, no entanto,
utilizar o modelo gerado em campo para distinguir espécies em amostras secas ou úmidas
com 10, 15 e 60 dias após a exploração (Tabela 4). Somente foi possível distinguir
espécies em amostras secas e lixadas com 60 dias (80%), utilizando o modelo gerado com
amostras secas e lixadas após 15 dias da exploração.

37
Tabela 3. Resultados em porcentagem das análises LDA para cada tratamento, para todas as espécies
estudadas, com o espectro médio representando o indivíduo nas validações cruzadas “Deixe um de
fora” e “70-30” com Incerteza.

Modelo Deixe um de fora Cruzada

e Predição (k-1) (70% - 30%)
Campo 95 97,25 ± 0,81
Amostra molhada 78 91,33 ± 1,41
Amostra seca 91 96,83 ± 1,08
(15 dias pós corte)

Amostra seca 87 95,5 ± 1,07

(60 dias pós corte)

Tabela 4. Resultado em porcentagem da LDA para as quatro espécies testadas. Os modelos foram
construídos a partir de dados do campo e com o espectro médio, para a validação cruzada “70% x
30%” com Incerteza.

Modelo Predição Validação Cruzada (%)

(70 - 30)
Modelo campo Amostras molhada 30,5 ± 2,06
(10 dias após o corte)
Modelo campo Amostras lixadas e secas 25,25 ± 0,28
(15 dias após o corte)
Modelo campo Amostras lixadas e secas 24,17 ± 0,59
(60 dias após o corte)
Modelo seca e lixada Amostra molhada 30,33 ± 1,57
(15 dias após o corte)
(10 dias após o corte)
Modelo seca e lixada Amostra seca e lixada 80,66 ± 2,08

(15 dias após o corte)

(60 dias após o corte)

6. DISCUSSÃO
Os comportamentos espectrais nas diferentes posições do raio não foram
distintos, tanto visualmente quanto no universo bidimensional da PCA. Esse resultado foi
inesperado pois alburno e cerne possuem diferenças na composição química, no teor de
umidade e se distinguem pela coloração, exceto em algumas espécies (Burger e Richter

38
1991). No caso das espécies estudadas a diferença de cor entre essas duas áreas do disco
é nítida (Figura 3). Juntamente a região espectral do visível, a capacidade de separar cerne
e alburno se associa principalmente ao fato de haver maior quantidade de lignina no cerne
e menos celulose e hemicelulose (Flæte e Haartveit 2003; Sandberg and Sterley 2009).
Para espécies em que a separação visual de cerne e alburno não é possível, como Abeto
da Noruega (Picea abies (L.) Karst.), há um estudo em que conseguiram distingui-los a
partir de espectros NIR medidos em amostras secas e lixadas, com umidade e temperatura
controladas (Sandberg e Sterley 2009). Embora, investigar a distinção entre alburno e
cerne não seja o objetivo desse trabalho, a não distinção entre esses tecidos no
comportamento espectral das 4 espécies em campo, sugere que nessas condições
amostrais, com influência da umidade, temperatura e aspectos físicos indesejáveis, é
essencial captar uma maior variação dentro da amostra para representar o indivíduo. Os
modelos que utilizaram o espectro médio das diferentes posições no raio da tora, foram
os melhores modelos para distinguir espécies em campo. Não há grande diferença no
poder de predição dos modelos de cada posição de leitura ao longo do raio. É necessário
ter um bom número de leituras por amostra principalmente ao utilizar os espectrômetros
de campo que são de menor qualidade e sujeito a variações na qualidadeespectral quando
comparados com os espectrômetros de laboratório.
Pela primeira vez na literatura está sendo reportada a eficiência de um modelo
espectral desenvolvido em campo ter capacidade de reconhecer espécies por meio do
espectro da madeira logo após o corte. Construir o modelo espectral no momento do corte,
possui como ponto positivo ter acesso ao material vegetativo, para garantir uma
identificação da espécie mais fidedigna que apenas o material macroscópico da madeira.
Porém, como ponto negativo, o espectro capta influências de todas as condições naturais
que a tora apresenta logo após a derrubada e não se mostrou útil em reconhecer as espécies
em amostras secas dias após o corte.
As leituras em campo foram coletadas durante a exploração, com a umidade
natural da madeira e sem nenhum preparo da amostra. Os espectros captaram a influência
da umidade em todo o raio, especialmente nos primeiros centímetros após a casca com
influência da seiva bruta que é transportada pelo xilema ativo. A influência do teor de
umidade nos espectros NIR é bem conhecida na literatura. Na figura 13 é possível
observar como as duas principais regiões atribuídas à concentração de água (localizadas
em aproximadamente 1450 e 1930 nm) diminuem consideravelmente seus valores de
reflectância de acordo com a variação na umidade. A presença de água na madeira implica

39
na variação do espectro NIR, promovendo deslocamento da linha de base e interferência
na intensidade nas bandas de absorção referentes às ligações O-H, que por exemplo, em
temperaturas mais altas, mudam em direção a comprimentos de onda mais curtos
(Thygesen e Lundqvist 2000). Estas vibrações identificadas são responsáveis pela
mudança no perfil do espectro e podem também modificar propriedades físicas e
mecânicas da madeira ao longo do tempo (Tsuchikawa e Tsutsumi, 1998). Ademais, o
espectro no campo capta a influência da rugosidade superficial da madeira, decorrente
das irregularidades geradas tanto pelo corte, quanto intrínsecas à estrutura anatômica de
cada espécie (Cooper et al. 2011; Pereira 2018). Resquícios da serragem e até sujeiras do
campo, também podem interferir, caracterizando parâmetros físicos da amostra
indesejáveis para leituras espectrais. Porém, com todas adversidades encontradas, ainda
assim é possível construir e reconhecer espécies nas amostras de madeira em campo, logo
após a derrubada.

O modelo espectral de campo com a média de 3 leituras, obteve taxas de

identificação superiores aos modelos com diferentes preparos de amostra, porém, não se
mostrou eficiente em reconhecer as espécies cerca de 10 (úmida), 15 e 60 dias depois da
exploração. Especificamente no caso de o modelo espectral de campo não reconhecer as
espécies 10 dias após o corte, mesmo ambas sendo úmidas, a água exerceu diferentes
influências nas amostras. Segundo Tsuchikawa et al. (2003), quando a amostra inclui água
de forma não homogênea, como na amostra de 10 dias após o corte, que foi lavada e lida
na sequência, o poder preditivo do modelo é menor, neste caso pelo acúmulo de água pura
nas amostras de madeira. Diferentemente do campo, em que a madeira recém cortada
apresenta a água junto com compostos orgânicos. Portanto, se a amostra estiver molhada,
por intempéries, por exemplo, sugere-se retirar uma pequena amostra e esperarsecar em
temperatura ambiente para realizar a leitura.

Brito e colabores em 2005, analisando 55 ações judiciais envolvendo crimes

florestais na Justiça Federal de Belém-PA, concluíram que a predominância de crimes
relacionados a transporte e armazenamento ilegal (72%), sugere que a maior parte do
monitoramento ocorre em estradas, rios, no transporte e instalações madeireiras, não na
floresta, onde ocorre a extração ilegal de madeira e o desmatamento (8%). Portanto, é
importante entendermos as variações no espectro da madeira, após o corte, para
identifica-las no transporte e nos locais de armazenamento, em que a fiscalização é mais
frequente. Ao longo da cadeia produtiva, ocorre um processo de secagem natural da

40
madeira, que gera alterações nas propriedades físicas, químicas e/ou mecânicas
(Tsuchikawa e Tsutsumi 1998; Thygesen e Lundqvist 2000), em função da variação e
interação entre umidade e temperatura. Isto pode estar relacionado com a ineficiência do
modelo espectral de campo em reconhecer as espécies 15 e 60 dias após o corte. Essas
mudanças alteram o perfil do espectro e isso pode ser comprovado pela análise PCA com
dados centrados na média apresentada na Figura 12. A madeira também sofre alterações
em decorrência da oxidação, causada principalmente pela ação da luz, que reage com
componentes químicos como a lignina que eventualmente resulta em sua degradação
(Müller et al. 2003).

A eficácia da técnica NIR para discriminação de madeira está atrelada a estudos

que utilizaram diferentes granulometrias e formatos de amostras, com temperatura e/ou
umidade controladas, utilizando refinamentos analíticos para aprimorar os recursos de
interesse e otimizar as análises (Braga et al. 2011; Pastore et al. 2011; Nisgoski et al.
2015; Muniz et al. 2016; Soares et al. 2017). Esses trabalhos vem evidenciando que, a
aplicação de modelos de discriminação é restrita a amostras que apresentam as mesmas
condições nas quais o modelo foi calibrado. Isto se aplica principalmente a variáveis como
a umidade e posição no corte (radial, tangencial e transversal). Os modelosdesenvolvidos
a partir de espectros NIR obtidos em determinada face da madeira, não podem ser usados
para análise de espectros de outras faces (Braga et al. 2011). Para a umidade, no entanto,
já há resultados que demonstram que os modelos de discriminaçãopodem ser aplicados
para amostras com diferentes valores de umidade, que passaram pelomesmo processo de
secagem (Soares 2018). Assim como no presente estudo em que o modelo construído a
partir de espectros da madeira seca 15 dias após o corte, possui bompoder de predição em
espécies com espectros obtidos da madeira seca 60 dias após o corte.

Dentro de todo o delineamento desta pesquisa, buscou-se desenvolver modelos

em situações de campo ou simulando estas condições, para aproximar a pesquisa da
realidade dos possíveis usuários da ferramenta, como os órgãos de comando e controle.
Um modelo espectral para rastrear a madeira na cadeia produtiva precisa ser construído
em amostras secas em temperatura ambiente, próximo das condições físicas e químicas
que essa amostra estará nos ambientes como pátio de estocagem e caminhões de
transporte. Ainda, sugere-se que as amostras secas em temperatura ambiente antes de
serem lidas sejam lixadas, para reduzir o efeito da rugosidade e retirar a primeira camada

41
mais oxidada da madeira, mantendo um padrão de leitura em todas as condições. Isso
evita que a superfície da amostra reflita a radiação no mesmo ângulo de incidência, como
se fosse um espelho, e sim de forma difusa, ou seja, a superfície da amostra reflete a luz
incidente em diversos ângulos.

Para a construção de um sistema de rastreabilidade é preciso que além dos esforços

por parte da ciência, haja uma movimentação do setor madeireiro da Amazônia nesse
sentido. A participação destes na criação e alimentação de um banco espectral de
referência é fundamental, principalmente no que diz respeito a robustez dos modelos
desenvolvidos, visto que anualmente há a exploração de um grande número de indivíduos
de diversas espécies comerciais em diferentes regiões da Amazônia. Como vimos neste
estudo, os modelos de discriminação de espécies por meio da madeira, para aplicação nas
operações de fiscalização, podem ser construídos a partir de uma amostra seca, após o
corte da árvore. Portanto, uma sugestão é que durante o corte direcionado, haja coleta de
material botânico e a retirada de amostras da madeira, seguindo critérios padronizados.
Com auxílio das instituições de pesquisa ou órgãos de comando e controle, as próprias
empresas poderiam se responsabilizar pela coleta espectral pós secagem das amostras e
pelo registro dos espectros num banco espectral, sempre aliados a identificação botânica.
Dentro do sistema de rastreabilidade o espectro da madeira seca pode ser associado ao
Documento de Origem Florestal – DOF. Com base no banco espectral e nos modelos
desenvolvidos a partir dele, será possível identificar as espécies exploradas e até mesmo
auxiliar na determinação da origem da madeira. Todo esse processo melhora a
fiscalização, garantindo maior facilidade de identificar irregularidades. Isto beneficiará e
incentivará as práticas de manejo florestal sustentável, pois poderá impedir a competição
injusta que existe no mercado entre manejo florestal e a exploração ilegal.

7. CONCLUSÃO
A discriminação da madeira diretamente em campo é possível, porém a
aplicação do modelo calibrado fica restrita somente à aquela condição das amostras.
Portanto, para rastrear a madeira durante a cadeia produtiva na Amazônia, os modelos de
discriminação de espécies deverão ser construídos a partir de amostras secas em
temperatura ambiente. Estudos posteriores podem analisar o comportamento espectral e
o desempenho dos modelos mediante passagem do tempo desde o corte.

42
 Uma ferramenta de rastreio e discriminação da madeira poderá ser utilizada tanto
por empresas do setor florestal, quanto pelos órgãos de comando e controle. É necessário
a movimentação destes, junto a instituições de pesquisa, para criar um banco espectral
que no futuro alimente um sistema de rastreabilidade para as espécies comercializadas na
Amazônia. Quem mais se beneficia é a sociedade, ao dispor de um sistema que assegura
transações comerciais legítimas, ajudando a combater o desmatamento e exploração
ilegal, movimentando o setor florestal ao mesmo tempo em que conserva a biodiversidade
e mantém os serviços ecossistêmicos da floresta.

8. REFERÊNCIAS
Adeodato, S.; Villela, M.; Betiol, L.S.; Monzoni, M. 2011. Madeira de ponta a ponta.
1º ed. São Paulo, SP: FGV RAE,129p.
Alvares, C. A.; Stape, J. L.; Sentelhas P. C.; Gonçalves, J. L. de M.; Sparovek, G. 2014.
Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, 22
(6): 711–728. doi: 10.1127/0941-2948/2013/0507.
Andrade, M.B.T.; Ferrante, L.; Fearnside, P.M. 2021. Brazil’s Highway BR-319
demonstrates a crucial lack of environmental governance in Amazonia.
Environmental Conservation: 1–4. doi: 10.1017/ S0376892921000084.
Bajić, D.; Lela, B.; Živković, D. 2008. Modeling of machined surface roughness and
optimization of cutting parameters in face milling. Metalurgija 47: 331–334.
Boeger, M.R.T.; Wisniewski, C.; Reissmann, B. 2005. Nutrientes foliares de espécies
arbóreas de três estádios sucessionais de floresta ombrófila densa no sul do Brasil.
Acta Botânica Brasilica 19: 167–181.
Botelho, I. 2017. Uso da espectroscopia no infravermelho próximo (FT-NIR) como
ferramenta na discriminação de espécies herborizadas de Burseraceae oriundas
de diferentes locais da Amazônia Legal. Dissertação de mestrado, Instituto
Nacional de Pesquisas da Amazônia, Manaus, Amazonas. 75p.
Botosso, P.C. 2011. Identificação Macroscópica de Madeiras: guia prático e noções
básicas para o seu reconhecimento. 1º ed. Embrapa Florestas, Colombo, Paraná.
65p. (Documentos / Embrapa Florestas, ISSN 1517-52X; 194)
Braga, J.W.B.; Pastore, T.; Coradin, V.; Camargos, J.; Silva, A. 2011. The use of near
Infrared Spectroscopy to Identify solid wood Specimens of Swietenia
macrophylla. IAWA Journal, 32: 285–296.

43
Brancalion, P.H.S.; De Almeida, D.R.A.; Vidal, E.; Molin, P.G.; Sontag, V.E.; Souza,
S.E.X.F.; et al. 2018. Fake legal logging in the brazilian amazon. Science Advances
4: 1–8.
Brasil. Resolução Nº 406, de 02 de fevereiro de 2009. Estabelece parâmetros técnicos a
serem adotados na elaboração, apresentação, avaliação técnica e execução de Plano
de Manejo Florestal Sustentável PMFS com fins madeireiros, para florestas nativas
e suas formas de sucessão no bioma Amazônia.
Brito, B.; Barreto, P.; Rothman, J. 2005. Brazil’s new environmental crimes law: an
analysis of its effectiveness in protecting the Amazonian forests. IMAZON 1–19p.
Burger L. M., Richter. H. G.1991. Anatomia da Madeira. São Paulo. 154 p.
Cardoso, D.; Särkinen, T.; Alexander, S.; Amorim, A.M.; Bittrich, V.; Celis, M. 2017.
Amazon plant diversity revealed by a taxonomically verified species list. Ecology
114: 10695–10700. http://dx.doi.org/10.1073/pnas.1706756114.
Cooper, P.A.; Jeremic, D.; Radivojevic, S.; Ung, Y.T.; Leblon, B. 2011. Potential of
near-infrared spectroscopy to characterize wood products 1. Canadian Journal of
Forest Research 41: 2150–2157.
Csanády, E.; Magoss, E.; Tolvaj, L. 2015. Quality of machined wood surfaces. Springer.
257p. DOI: 10.1007/978-3-319-22419-0
Daly, D. C. 2007. The local branch: Toward better management of production forests in
Amazonia. Public Garden, 22(2): 12-15.
Daly, D.C. Burseraceae in Lista de Espécies da Flora do Brasil. Jardim Botânico do Rio
de Janeiro. Disponível em:
<http://reflora.jbrj.gov.br/jabot/floradobrasil/FB16658>. Acesso em: 08 Jul. 2021.
Damasco, G.; Baraloto, C.; Vicentini, A.; Daly, D.C.; Baldwin, B.G.; Fine, P.V.A.
2021. Revisiting the hyperdominance of Neotropical tree species under a
taxonomic, functional and evolutionary perspective. Scientific Reports 11: 1–11.
Dormontt, E.E.; Boner, M.; Braun, B.; Breulmann, G.; Degen, B.; Espinoza, E.; et al.
2015. Forensic timber identification : It ’ s time to integrate disciplines to combat
illegal logging. Biological Conservation journal 191: 790–798.
http://dx.doi.org/10.1016/j.biocon.2015.06.038.
Durgante, F.M.; Higuchi, N.; Almeida, A.; Vicentini, A. 2013. Species Spectral
Signature: Discriminating closely related plant species in the Amazon with Near-
Infrared Leaf-Spectroscopy. Forest Ecology and Management 291: 240–248.
http://dx.doi.org/10.1016/j.foreco.2012.10.045.

44
Fearnside, P. 2003. A floresta amazônica nas mudanças globais. 1º ed. Biodiversidade
nas Florestas amazônicas Brasileiras: riscos, valores e conservação. Instituto
Nacional de Pesquisas da Amazônia, Manaus, Amazonas. p.19–44p.
Ferrante, L.; Andrade, M.B.T.; Fearnside, P.M. 2021. Land grabbing on Brazil’s
Highway BR-319 as a spearhead for Amazonian deforestation. Land Use Policy
108. https://doi.org/10.1016/j.landusepol.2021.105559
Ferreira, G.C.; Gomes, J.I.; Hopkins, M.J.G. 2004. Estudo anatômico das espécies de
Leguminosae comercializadas no estado do Pará como “angelim.” Acta Amazonica
34: 387–398.
Flæte PO, Haartveit EY (2003) Differentation of Scots pine heartwood and sapwood by
near infrared spectroscopy. IRG/WP 03- 10459. Paper prepared for the 34th annual
meeting, 18–23 May 2003, Brisbane, Australia
Foley, W.J.; Mcllwee, A.; Lawler, I. 1998. Ecological applications of near infrared
reflectance spectroscopy - a tool for rapid , cost-effective prediction of the
composition of plant and animal tissues and aspects of animal performance.
Springer 116: 293–305.
Gaui, T. D., 2013. Mudança na composição de espécies arbóreas em uma floresta de
terra firme explorada experimentalmente há 25 anos na Amazônia central.
Dissertação de mestrado, Instituto Nacional de Pesquisas da Amazônia, Manaus –
AM. 70p.
Geladi, P. 2003. Chemometrics in spectroscopy . Part 1 . Classical chemometrics.
Spectrochimica Acta Part 58: 767–782.
Gomes, A.C.S.; Andrade, A.; Barreto-silva, J.S.; Brenes-arguedas, T.; López, D.C.;
Freitas, C.C. De; et al. 2012. Local plant species delimitation in a highly diverse
Amazonian forest: do we all see the same species? Journal of Vegetation Science,
24: 70–79. http://dx.doi.org/10.1111/j.1654-1103.2012.01441.x.
Goodwin, Z.A.; Harris, D.J.; Filer, D.; Wood, J.R.I.; Scotland, R.W. 2015. Widespread
mistaken identity in tropical plant collections. Current Biology, 25: R1057–R1069.
Hadlich, H.L.; Durgante, F.M.; dos Santos, J.; Higuchi, N.; Chambers, J.Q.; Vicentini,
A. 2018. Recognizing Amazonian tree species in the field using bark tissues
spectra. Forest Ecology and Management 427: 296–304.
http://dx.doi.org/10.1016/j.foreco.2018.06.002.

45
Higuchi, N.; dos Santos, J.; Lima, A.J.N.; Higuchi, F.G.; Chambers, J.Q. 2011. A
floresta Amazônica e a água da chuva. Floresta 41: 427–434.
Hopkins, M.J.G. 2007. Modelling the known and unknown plant biodiversity of the
Amazon Basin. Journal of Biogeography 34: 1400–1411.
Hubbell, S.P.; He, F.; Condit, R.; Borda-de-Agua, L.; Kellner, J.; ter Steege, H. 2008.
How many tree species are there in the Amazon and how many of them will go
extinct ? Proceedings of the National Academy of Sciences 105: 11498–11504.
Hwang, S.W.; Horikawa, Y.; Lee, W.H.; Sugiyama, J. 2016. Identification of Pinus
species related to historic architecture in Korea using NIR chemometric
approaches. Journal of Wood Science 62: 156–167.
IBAMA/LPF-Instituto Brasileiro de Meio Ambiente e dos Recursos Naturais
Renováveis - Laboratório de Produtos Florestais. 1991. Padronização da
Nomenclatura Comercial Brasileira da Madeiras Tropicais Amazônicas, Brasília,
59p.
Jones, P.D.; Schimleck, L.R.; Peter, G.F.; Daniels, R.F.; Clark, A. 2005. Nondestructive
estimation of Pinus taeda L. wood properties for samples from a wide range of
sites in Georgia. Canadian Journal of Forest Research 35: 85–92.
Kohavi, R. 1995. A Study of Cross-Validation and Bootstrap for Accuracy Estimation
and Model Selection. 5.
Lang, C.; Regina, F.; Costa, C.; Luís, J.; Camargo, C.; Durgante, M.; et al. 2015. Near
Infrared Spectroscopy Facilitates Rapid Identification of Both Young and Mature
Amazonian Tree Species. PLOS ONE 10: 1–15.
Li, B.; Wei, Y.; Duan, H.; Xi, L.; Wu, X. 2012. Discrimination of the geographical
origin of Codonopsis pilosula using near infrared diffuse reflection spectroscopy
coupled with random forests and k -nearest neighbor methods. Vibrational
Spectroscopy 62: 17–22. http://dx.doi.org/10.1016/j.vibspec.2012.05.001.
Li, Y.; Via, B.K.; Young, T.; Li, Y. 2019. Visible-Near infrared spectroscopy and
chemometric methods for wood density prediction and origin/species
identification. Forests 10: 1–19.
Marenco, R.A.; Vieira, G. 2005. Specific leaf area and photosynthetic parameters of tree
species in the forest understorey as a function of the microsite light environment in
central Amazonia. Journal of Tropic Forest Science, 17 (2):265-278.
Martins-da-silva, R.C.V. 2002. Coleta e Identificação de Espécimes Botânicos. 1st ed.
Embrapa Amazônia Oriental, 40p. (Documentos/Embrapa Amazônia Oriental,

46
 143)
Martins-da-silva, R.C.V.; Hopkins, M.G.; Thompson, I.S. 2003. Documentos 168
Identificação Botânica na Amazônia : Situação Atual e Perspectivas. Embrapa
Amazônia Oriental, 81p. (Documentos/Embrapa Amazônia Oriental, 168)
Mesquita, M. R., Ferraz, I. D. K. & Camargo, J. L. C. 2009. Angelim vermelho, Dinizia
excelsa Ducke in: I. D. K. Ferraz & J. L. C. Camargo (Eds) Manual de Sementes
da Amazônia. Fascículo 8, 12p. INPA, Manaus-AM, Brasil.
Metcalfe, C. R.; Chalk. 1950. Anatomy of the dicotyledons. 1ª ed., Oxford, Clarendon
Press, 1500p.
Moraes–Silva, J.I. 2019. Análise florística e estrutural de uma área de manejo florestal
no Amazonas: estudo de caso de Mezilaurus itauba (Meisn.) Taub. ex Mez.
Dissertação de mestrado, Instituto Nacional de Pesquisas da Amazônia, Manaus,
Amazonas. 46p
Müller, U.; Rätzsch, M.; Schwanninger, M.; Steiner, M.; Zöbl, H. 2003. Yellowing and
IR-changes of spruce wood as result of UV-irradiation. Journal of Photochemistry
and Photobiology B: Biology 69: 97–105.
Muniz, G.; Magalhães, W.; Carneiro, M.; Viana, L. 2012. Background and state of the
art of near infrared spectroscopy in the forest sector base. Ciência Florestal,
22:865–875.
Muniz, G.I.B.; Carneiro, M.E.; Batista, F.R.R.; Schardosin, F.Z.; Nisgoski, S. 2016.
Wood and charcoal identification of five species from the miscellaneous group
known in Brazil as “angelim” by near-ir and wood anatomy. Maderas: Ciencia y
Tecnologia 18: 505–522.
Nelson, B., Ferreira, C., da Silva, M. et al. Endemism centres, refugia and botanical
collection density in Brazilian Amazonia. Nature 345, 714–716 (1990).
https://doi.org/10.1038/345714a0
Nisgoski, S.; Muñiz, G.I.B.; Morrone, S.R.; Schardosin, F.Z.; França, R.F. 2015. NIR
and anatomy of wood and charcoal from Moraceae and Euphorbiaceae species.
Revista Ciência da Madeira - RCM 6: 183–190.
Nobre, C.A.; Sampaio, G.; Borma, L.S.; Castilla-Rubio, J.C.; Silva, J.S.; Cardoso, M.
2016. Land-use and climate change risks in the amazon and the need of a novel
sustainable development paradigm. Proceedings of the National Academy of
Sciences of the United States of America 113: 10759–10768.
Obermuller, F.A.; Daly, D.C.; Oliveira, E.C.; Sousa, H.F.T.P.; de Oliveira, H.M.; S.,

47
 S.L.; et al. 2011. Guia Ilustrado e Manual de Arquitetura Foliar para Espécies
Madeireiras da Amazônia Ocidental. Rio Branco, Acre, 111p.
Pasquini, C. 2003. Near Infrared Spectroscopy : Fundamentals , Practical Aspects and
Analytical Applications. Journal of the Brazilian Chemical Society 14: 198–219.
Pastore, T.; Braga, J.; Coradin, V.; Magalhães, W.; Okino, E.Y.A.; Camargos, J.; et al.
2011. Near infrared spectroscopy (NIRS) as a potential tool for monitoring trade of
similar woods: Discrimination of true mahogany, cedar, andiroba and curupixá.
Holzforschung, 65: 73–80. http://dx.doi.org/10.1515/hf.2011.010.
Pereira, K.M.; Garcia, R.A.; Nascimento, A.M. do. 2018. Rugosidade da superfície de
madeiras amazônicas. Scientia Forestalis 46: 347–356.
Pigozzo, R.J.B. 2011. Espectroscopia de infravermelho-próximo em madeiras
neotropicais: aplicação na identificação e predição de propriedades físicas. Tese
de doutorado, Universidade de São Paulo-USP, São Paulo. 97p.
Procópio, L.C.; Secco, R.D.S. 2008. A importância da identificação botânica nos
inventários florestais: o exemplo do “tauari” (Couratari spp. e Cariniana spp. -
Lecythidaceae) em duas áreas manejadas no Estado do Pará. Acta Amazônica, 38:
31–44.
Procópio, L.C.; Gayot, M.; Sist, P. 2010. As espécies de tauari (Lecythidaceae) em
florestas de terra firme da Amazônia: padrões de distribuição geográfica,
abundâncias e implicações para a conservação. Acta Botânica Brasílica,24: 883–
897.
RADAMBRASIL, 1978. Programa de Integração Nacional. Levantamento de Recursos
Naturais: Geologia, Geomorfologia, Pedologia, Vegetação e Uso Potencial da
Terra. v. 10. DNPM, Ministério das Minas e Energia, Santarém, Pará. 509 p.
Rankin de Merona, J.M.; Prance, G.T.; Hutchings, R.W.; Silva, F.M.; Rodrigues, W.A.;
Uehling, M.E. 1992. Preliminary results of large scale tree inventory of upland rain
forest in the central Amazon. Acta Amazonica, 22: 493-534.
http://dx.doi.org/10.1590/1809-43921992224534.
Resumo público-Manejo Florestal Sustentável, 2018. PWA Mil Madeiras, Itacoatiara,
Amazonas. 29 p.
Ribeiro J. E. L. da S.; Hopkins M. J. G.; Vicentine A.;Sothers C. A.; Costa M. A. da S.;
Brito J. M.; Souza M. A. D.; Martins L. H. P.; Lohmanm, L. G.; Assunção P. A. C.
L.; Pereira E. C.; Silva C. F.; Mesquita R. L.; Procópio L. C. 1999. Flora da
Reserva Ducke: Guia de identificação de plantas vasculares de uma floresta de

48
 terra-firme na Amazônia Central. Instituto Nacional de Pesquisas da Amazônia,
Manaus, Amazonas. 695 p.
Russ, A.; Fišerová, M.; Gigac, J. 2009. Preliminary study of wood species identification
by NIR spectroscopy. Wood Research 54: 23–32.
Sandak, A.; Sandak, J.; Negri, M. 2011. Relationship between near-infrared (NIR)
spectra and the geographical provenance of timber. Wood Science and Technology
45: 35–48.
Sandberg, K.; Sterley, M. 2009. Separating Norway spruce heartwood and sapwood in
dried condition with near-infrared spectroscopy and multivariate data analysis.
European Journal of Forest Research 128: 475–481.
Schimleck, L.R.; Hodge, G.R.; Woodbridge, W. 2010. Toward global calibrations for
estimating the wood properties of tropical , sub-tropical and temperate pine
species. Journal of near Infrared SpectroScopy 18: 355–365.
http://dx.doi.org/10.1255/jnirs.900.
Schwanninger, M.; Carlos, J.; Fackler, K. 2011. A review of band assignments in near
infrared spectra of wood and wood components. Journal of near Infrared
SpectroScopy, 19: 287–308. http://dx.doi.org/10.1255/jnirs.955.
Shepard, G.H.; Arora, D.; Lampman, A. 2008. The Grace of the Flood : Classi fi cation
and Use of Wild Mushrooms among the Highland Maya of Chiapas 1. The New
York Botanical Garden Press 62: 437–470.
Siani, A. C.; Garrido, I. S.; Monteiro, S. S.; Carvalho, E. S.; Ramos, M. F. S. Protium
icicariba as a sourse of volatile essences. Biochemical Systematics and Ecology, v.
32, p. 477-489, 2004.
Silva, R.P.; Santos, J.; Tribuzy, ES.; Chambers, J.Q.; Nakamura, S.; Higuchi, N. 2002.
Diameter increment and growth patterns for individual trees in Central Amazon,
Brazil. Forest Ecology And Management. 116: 295–301.
https://doi.org/10.1016/S0378-1127(01)00678-8.
Silveira, L.H.C.; Rezende, A.V.; Vale, A.T. do. 2013. Teor de umidade e densidade
básica da madeira de nove espécies comerciais Amazônicas. Acta Amazonica 43:
179–184.
Soares, L.F.; Da Silva, D.C.; Bergo, M.C.J.; Coradin, V.T.R.; Braga, J.W.B.; Pastore,
T.C.M. 2017. Avaliação de espectrômetro nir portátil e pls-da para a discriminação
de seis espécies similares de madeiras Amazônicas. Quimica Nova 40: 418–426.
Soares. 2018. Avaliação da interferência da umidade em modelos de discriminação de

49
 madeira por PLS-DA e de métodos para sua correção. Dissertação de mestrado,
Instituto de Química, Distrito Federal, Brasília. 83p
Souza, M.H.; Magliano, M.M.; Camargos, J.A.A. 1997. Madeiras Tropicais
Brasileiras. IBAMA/Laboratório de Produtos Florestais, Brasília. 152p.
ter Steege, H. 2013. Hyperdominance in the Amazonian Tree Flora. Science 342:
1243092- 1243099. http://dx.doi.org/10.1126/science.1243092.
ter Steege, H.; Vaessen, R.W.; Cárdenas-López, D.; Sabatier, D.; Antonelli, A.; de
Oliveira, S.M.; et al. 2016. The discovery of the Amazonian tree flora with an
updated checklist of all known tree taxa. Scientific Reports 6: 1–15. DOI:
10.1038/srep29549
ter Steege, H.; Mota de Oliveira, S.; Pitman, N.C.A.; Sabatier, D.; Antonelli, A.;
Guevara Andino, J.E.; et al. 2019. Towards a dynamic list of Amazonian tree
species. Scientific Reports 9: 1–5.
Terdwongworakul, A.; Punsuwan, V.; Thanapase, W.; Tsuchikawa, S. 2005. Rapid
assessment of wood chemical properties and pulp yield of Eucalyptus
camaldulensis in Thailand tree plantations by near infrared spectroscopy for
improving wood selection for high quality pulp. The Japan Wood Research Society
51: 167–171. http://dx.doi.org/10.1007/s10086-004-0633-3.
Thygesen, L.G.; Lundqvist, S.O. 2000. NIR measurement of moisture content in wood
under unstable temperature conditions. Part 2. Handling temperature fluctuations.
Journal of Near Infrared Spectroscopy 8: 191–199.
Tostes, L. de C.L. 2015. Ecofisiologia, morfo- anatomia e atividade antifúngica de
Protium altsonii Sandwith (Burseraceae): um estudo da semente até a fase adulta. :
136.
Tsuchikawa, S.; Tsutsumi, S. 1998. Adsorptive and capillary condensed water in
biological material. Journal of Materials Science Letters 17: 661–663.
Tsuchikawa, S.; Inoue, K.; Noma, J. 2003. Application of near-infrared spectroscopy to
wood discrimination. Journal of Wood Science, 49: 29–35.
Tsuchikawa, S.; Schwanninger, M. 2013. A review of recent near-infrared research for
wood and paper (Part 2). Applied Spectroscopy Reviews 48: 560–587.
Tsuchikawa, S.; Kobori, H. 2015. A review of recent application of near infrared
spectroscopy to wood science and technology. Journal of Wood Science, 61: 213–
220. http://dx.doi.org/10.1007/s10086-015-1467-x.
Van Dulmen, A. 2001. Pollination and phenology of flowers in the canopy of two

50
 contrasting rain forest types in Amazonia, Colombia. Plant Ecology 153: 73–85.
Werff, H. van der. 1991. A Key to the Genera of Lauraceae in the New World .
Missouri Botanical Garden Press 78: 377–387.
Zenid, G.; Ceccantini, G. 2007. Identificação macroscópica de madeiras. Instituto de
Pesquisas Tecnológicas, São Paulo. 24p.

51
52
53
54
55
56
57
58
59