07/07/2023

UNIVERSIDADE FEDERAL DO PARANÁ

GRADUAÇÃO EM ENGENHARIA FLORESTAL

PLANEJAMENTO DA
PRODUÇÃO
FLORESTAL
INTRODUÇÃO

Curitiba
2023

TEMA 2

MENSURAÇÃO E
INVENTÁRIO FLORESTAL

28
 07/07/2023

SUMÁRIO
 Planejamento da amostragem de árvores para
cubagem;
 Modelagem do volume;
 Modelagem de altura;
 Planejamento da amostragem: métodos e
processos;
 Estimativas e processamento de inventários
florestais.

29

CUBAGEM

30
 07/07/2023

PROTÓTIPOS DENDROMÉTRICOS
Fuste das árvores

Forma do tronco

Fonte: adaptado de Husch et al. (2002); Scolforo (2005); Machado e Figueiredo Filho (2006)
31

31

CUBAGEM
I) Seccionamento da árvore em n seções (toras)

II) Medição de diâmetros ou circunferências com e sem casca

III) Cálculo do volume por formulação matemática

- Smalian - Newton
- Huber - Hohenadl

IV) Volume rigoroso próximo ao volume real (paramétrico)

Fonte: adaptado de Machado e Figueiredo Filho (2006)

32

32
 07/07/2023

CUBAGEM
CUBAGEM POR SMALIAN
Mede os diâmetros ou circunferências nas extremidades de cada seção:
g1
g2

Cálculo do volume:

Em que: v = volume da tora (seção); g1 = área transversal na base da tora;

g2 = área transversal no topo da tora; e l = comprimento da tora
Fonte: adaptado de Machado e Figueiredo Filho (2006)

33

CUBAGEM
VOLUME DA PONTA

Considera-se a última seção como um cone:

𝑔
𝑣 = .𝑙
3

Em que:
𝑣 = volume da última seção;
gi = área transversal da última seção;
𝑙 = comprimento da última seção

34
 07/07/2023

CUBAGEM
TAMANHO DA AMOSTRA
RESPOSTA: Usar método estatístico para calcular o tamanho amostral

Procedimento:
a. Amostra piloto (cubar 4 a 5 árvores por classe de diâmetro);
b. Calcular variância ou coeficiente de variação do volume;
c. Estabelecer um nível de probabilidade (P);
d. Considerar um Limite de Erro (LE);

𝑡 𝑐𝑣%²
𝑛=
𝐿𝐸²

35

CUBAGEM
ATIVIDADE 1
Tema: Processamento de dados de cubagem

Base de dados: dados_atividade1.xls

Etapas:

1. Organizar a base de dados;

2. Calcular os volumes parciais pela fórmula de Smalian;

3. Calcular os volumes totais por árvore;

4. Proceder o cálculo da intensidade amostral, considerando Limite

de Erro de 10% e 95% de probabilidade pela distribuição t.

36
 07/07/2023

MODELAGEM DO VOLUME

37

MODELOS VOLUMÉTRICOS
CONCEITOS:
 Volume é o espaço tridimensional ocupado por um objeto
(Kershaw et al. 2017).
 Volume é a medida do teor ou capacidade sólida geralmente
expressa em metros cúbicos (Kershaw et al. 2017).
 O volume de madeira é o principal produto comercial das
floresta, em que o fuste contém a maior proporção da
biomassa de uma árvore (West 2009).
 O volume do fuste é uma função das variáveis DAP, altura
e alguma expressão da forma (Prodan et al. 1997).

38
 07/07/2023

MODELOS VOLUMÉTRICOS
COMPORTAMENTO GRÁFICO
𝑣 = 𝑓(𝑑)

39

MODELOS VOLUMÉTRICOS
COMPORTAMENTO GRÁFICO
𝑣 = 𝑓(𝑑 ℎ)

40
 07/07/2023

MODELOS VOLUMÉTRICOS
CLASSIFICAÇÃO

Quanto ao número de variáveis independentes:

• Simples entrada  𝑣 = 𝑓(𝑑)

• Dupla entrada  𝑣 = 𝑓(𝑑, ℎ)
• Tripla entrada  𝑣 = 𝑓(𝑑, ℎ, 𝐹)

41

MODELOS VOLUMÉTRICOS
MODELOS TRADICIONALMENTE UTILIZADOS

Entrada Designação Modelo

Simples Kopezky-Gehrhardt 𝑣 =𝛽 +𝛽 𝑑

Hohenadl-Krenn 𝑣 =𝛽 +𝛽 𝑑+𝛽 𝑑

Husch log 𝑣 = 𝛽 + 𝛽 log(𝑑)

Brenac log 𝑣 = 𝛽 + 𝛽 log(𝑑) + 𝛽 (1/𝑑)

Dupla Spurr 𝑣 = 𝛽 + 𝛽 (𝑑 ℎ)

Schumacher-Hall log 𝑣 = 𝛽 + 𝛽 log(𝑑) + 𝛽 log(ℎ)

42
 07/07/2023

MODELOS VOLUMÉTRICOS
ESTIMAÇÃO POR MÍNIMOS QUADRADOS ORDINÁRIOS
■ Ordinary Least Squares – OLS;
■ Estratégia de estimação dos parâmetros da regressão;
■ Objetivo: estimar ßis de modo que os desvios εi sejam mínimos.

Distância vertical
do ponto à reta

Ajustar a melhor reta

à dispersão da amostra

43

MODELOS VOLUMÉTRICOS
ESTIMAÇÃO POR MÍNIMOS QUADRADOS ORDINÁRIOS

■ As Fontes de Variação na regressão:

SOMAS DE QUADRADOS (VARIAÇÃO)

(𝑦 − 𝑦)² = (𝑦 − 𝑦)² + (𝑦 − 𝑦)²

SQT SQR SQE

𝑦 (𝑦 −𝑦 )
𝑦 𝑦 𝑦 (𝑦 −𝑦 )
(𝑦 −𝑦 )
𝑦 𝑦
𝑦
𝑦 (𝑦 −𝑦 )
𝑦 𝑦 (𝑦 −𝑦 )
𝑦 𝑦

44
 07/07/2023

MODELOS VOLUMÉTRICOS
ESTIMAÇÃO POR MÍNIMOS QUADRADOS ORDINÁRIOS

• OS PRESSUPOSTOS PARA REGRESSÃO LINEAR

■ LINEARIDADE: coeficientes com relação aditiva

■ HOMOCEDASTICIDADE: variância do erro constante
■ INDEPENDÊNCIA DOS ERROS: erros não correlacionados
■ NORMALIDADE DOS ERROS: erros com distribuição normal

45

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS
1. Análise de Variância
■ Significância do modelo como um todo
■ Hipótese: 𝐻 : 𝛽 = 𝛽 = ⋯ = 𝛽 = 0 Não considera 𝛽
𝐻 : 𝛽 ≠ 0, para j=1, …, p
Modelo linear simples com intercepto
Grau de Soma de
Fonte Quadrado Médio Valor F
Liberdade Quadrados
𝑆𝑄𝑅 𝑄𝑀𝑅
Regressão p 𝑆𝑄𝑅 = (𝑦 − 𝑦)² 𝑄𝑀𝑅 = 𝐹=
𝑝 𝑄𝑀𝐸

𝑆𝑄𝐸
Erro n–p–1 𝑆𝑄𝐸 = (𝑦 − 𝑦 )² 𝑄𝑀𝐸 =
𝑛−𝑝−1

Total n–1 𝑆𝑄𝑇 = (𝑦 − 𝑦)²

46
 07/07/2023

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS

2. Significância dos coeficientes de regressão

■ Testes de hipóteses para os 𝛽

𝐻 : 𝛽 =0
𝐻 : 𝛽 ≠0

■ Estatística t:

𝛽 −𝛽
𝑡=
𝜎 𝛽

47

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS

3. Correção da discrepância logarítmica

■ Transformação 𝑙𝑜𝑔 ou 𝑙𝑛 da variável dependente para

corrigir heteroscedasticidade e não normalidade dos resíduos.
■ A retransformação de y acarreta em um erro sistemático:
discrepância logarítmica (bias in log back-transformation).

 Fator de correção: Do ajuste

com log
, .
1. Para modelos com log y : 𝐹𝐶 = 10

, .
2. Para modelos com ln y : 𝐹𝐶 = 𝑒 =𝑒 =𝑒

48
 07/07/2023

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS
4. Coeficiente de Determinação

 Medida eficiência de um ajuste;

 Quantidade da variabilidade dos dados explicada pelo modelo.
 Diagrama de Ballentine (KENNEDY, 1981):

R² = 0

Fonte: R² = 1
Gujarati & Porter (2011).

49

MODELOS VOLUMÉTRICOS
4. Coeficiente de Determinação

■ Diferentes cálculos:

• Modelo linear com intercepto • Modelo não-linear

𝑆𝑄𝑅 ∑ (𝑦 − 𝑦)² 𝑆𝑄𝐸 𝑅 ≅ (𝑟 )²
𝑅 = = = 1− = (𝑟 )²
𝑆𝑄𝑇 ∑ (𝑦 − 𝑦)² 𝑆𝑄𝑇

• Modelo linear sem intercepto (R² com ruído)

𝑆𝑄𝑅 ∑ (𝑦 − 𝑦)² 𝑆𝑄𝐸

𝑅 = = = 1− ≠ (𝑟 )²
𝑆𝑄𝑇 ∑ 𝑦² 𝑆𝑄𝑇

∑ 𝑦 ²
Não corrigido pela média: 𝐶 = −
𝑛

50
 07/07/2023

MODELOS VOLUMÉTRICOS
4. Coeficiente de Determinação

■ Coeficiente de determinação ajustado ou corrigido:

 Correção para o número de coeficientes 𝛽 do modelo
 Simbologia: 𝑅 . ou 𝑅 . ou 𝑅

𝑛−1 𝑆𝑄𝐸 𝑛−1

𝑅 . = 1− 1−𝑅 ou 𝑅 . =1−
𝑛−𝑝 𝑆𝑄𝑇 𝑛−𝑝

51

MODELOS VOLUMÉTRICOS
5. Erro padrão da estimativa
■ ou erro padrão residual (Syx)
■ Standard error of the regression (SER) ou Standard error of the
equation (SEE);
■ Medida de dispersão média entre os valores observados e
estimados ao longo da curva de regressão;
■ Preferência por menores valores = melhor ajuste;
■ Recalcular quando variável dependente transformada;
■ Formulação:
∑ ( )
 𝑆 = = 𝑄𝑀𝐸

 𝑆 %= . 100

52
 07/07/2023

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS

6. Análise gráfica de resíduos

53

MODELOS VOLUMÉTRICOS
ESTATÍSTICAS DE SELEÇÃO DE MODELOS

3. Análise gráfica de resíduos

54
 07/07/2023

MODELOS VOLUMÉTRICOS
TRABALHO 2
Tema: Ajuste de modelos volumétrico

Base de dados: dados_atividade2.xls

Etapas:
1. Organizar a base de dados;
2. Ajustar os modelos: HUSCH, SPURR e SCHUMACHER;
3. Calcular as estatísticas de ajuste;
4. Construir gráficos de resíduos;
5. Avaliar os resultados.

55

MODELAGEM DA ALTURA

56
 07/07/2023

RELAÇÃO HIPSOMÉTRICA
 Costuma-se medir diâmetros de todas árvores e
algumas alturas nas parcelas, estimando as alturas para
as demais árvores por meio de um modelo;
 Medir alturas é mais custoso e sujeito aos erros;
 Os erros de medição podem ser maiores que os erros de
estimativa;
 Erros de medição podem ser sistemáticos
(tendenciosos),
 Erros de estimativa por meio de um
bom modelo são aleatórios.

57

RELAÇÃO HIPSOMÉTRICA
CARACTERÍSTICAS DA CURVA HIPSOMÉTRICA

A. Inclinação:

Mais íngreme Mais achatada

 Mais íngreme (elevada  Mais achatada (suave

inclinação) para povoamentos inclinação) para povoamentos
jovens e para sítios de alta velhos e para sítios de baixa
produtividade produtividade

58
 07/07/2023

RELAÇÃO HIPSOMÉTRICA
CARACTERÍSTICAS DA CURVA HIPSOMÉTRICA
B. Dinâmica:
 As curvas hipsométricas não são estáticas, mas sim
dinâmicas ao longo do tempo.

- Sobe de patamar
- Desloca-se para a direita
- Diminui o grau de inclinação

 A dinâmica acarreta em dificuldade no ajuste de modelos

com dados de diferentes idades.
 Estratificação por classes de idade é uma alternativa.

59

RELAÇÃO HIPSOMÉTRICA
CARACTERÍSTICAS DA CURVA HIPSOMÉTRICA
B. Dinâmica:
 A relação torna-se uma ‘reta’ em povoamentos velhos e
desbastados:
* ns
ℎ =𝛽 +𝛽 𝑑

- O 𝛽 do modelo torna-se não significativo e removido

- O modelo estima o mesmo valor médio de altura para qualquer
diâmetro, dado pelo 𝛽
- Ou seja, ℎ = 𝛽

60
 07/07/2023

RELAÇÃO HIPSOMÉTRICA
EXEMPLO DO COMPORTAMENTO DA RELAÇÃO HIPSOMÉTRICA

5 anos 6 anos

7 anos 8 anos

61

RELAÇÃO HIPSOMÉTRICA
EXEMPLO DO COMPORTAMENTO DA RELAÇÃO HIPSOMÉTRICA

10 anos 11 anos

12 anos 15 anos

62
 07/07/2023

RELAÇÃO HIPSOMÉTRICA
EXEMPLO DO COMPORTAMENTO DA RELAÇÃO HIPSOMÉTRICA

19 anos 22 anos

25 anos

63

RELAÇÃO HIPSOMÉTRICA
EXEMPLO DO COMPORTAMENTO DA RELAÇÃO HIPSOMÉTRICA
Tratamento Idade Desbaste Modelo R2 aj Syx% t para b1

A 5 0 ln ℎ = 1,047 + 0,4964 ln(𝑑) 0,663 9,82 14,008**

B 6 0 ln ℎ = 1,429 + 0,4262 ln(𝑑) 0,697 7,54 15,122**

C 7 0 ln(ℎ) = 1,404 + 0,4535 ln(𝑑) 0,730 6,63 16,408**

D 8 1 ln(ℎ) = 1,594 + 0,4136 ln(𝑑) 0,639 6,65 13,274**

E 10 2 ln(ℎ) = 1,903 + 0,3259 ln(𝑑) 0,619 5,22 12,729**

F 11 2 ln(ℎ) = 1,775 + 0,3778 ln(𝑑) 0,708 5,96 15,548**

G 12 3 ln(ℎ) = 1,728 + 0,3876 ln(𝑑) 0,723 6,88 16,128**

H 15 4 ln ℎ = 2,171 + 0,3132 ln(𝑑) 0,413 5,35 8,402**

I 19 5 ln ℎ = 2,975 + 0,0872 ln(𝑑) 0,063 5,29 2,765*

J 22 6 ln(ℎ) = 3,186 + 0,0242 ln(𝑑) 0,040 4,95 0,625n.s

L 25 6 ln(ℎ) = 2,974 + 0,0819 ln(𝑑) 0,047 4,50 2,437n.s.

64
 07/07/2023

RELAÇÃO HIPSOMÉTRICA
EXEMPLO DO COMPORTAMENTO DA RELAÇÃO HIPSOMÉTRICA

65

MODELOS HIPSOMÉTRICOS
Função Modelo Autor

Modelos tradicionais

ℎ = 𝛽 + 𝛽 𝑑 + 𝛽 𝑑 + 𝜀̂ Trorey (1932)

ℎ = 𝛽 + 𝛽 log(𝑑) + 𝜀̂ Henricksen (1950)

ℎ = 𝑓(𝑑)
log(ℎ) = 𝛽 + 𝛽 log(𝑑) + 𝜀̂ Stoffels and Van Soest (1953)

log(ℎ) = 𝛽 + 𝛽 (1/𝑑) + 𝜀̂ Curtis (1967)

Modelos genéricos

1
log ℎ = 𝛽 + 𝛽 + 𝛽 log ℎ +
ℎ = 𝑓(𝑡, ℎ , 𝐺, 𝑑 ) 𝑡
𝛽 log 𝐺 + 𝛽 (𝑡. 𝑑 ) + 𝜀̂

66
 07/07/2023

COMPORTAMENTOS DAS CURVAS COM DIFERENTES MODELOS

5.20

5.21

5.22

5.23

5.24

5.25

5.26

(Kershaw et al. 2017) “bh = breast height (1.3 m), ensure the H=bh when dbh =0”

67

RELAÇÃO HIPSOMÉTRICA
ATIVIDADE 3
Tema: Ajuste de modelos de relação hipsométrica

Base de dados: dados_atividade3.xls

Etapas:

1. Ajustar os modelos: TROREY, STOFFELS e CURTIS;

2. Calcular as estatísticas de ajuste;
3. Construir gráficos de resíduos;
4. Construir a curva hipsométrica para o melhor modelo;
5. Avaliar os resultados.

68
 07/07/2023

PROCESSAMENTO DO INVENTÁRIO

69

AMOSTRAGEM

70

70
 07/07/2023

INVENTÁRIO

MÉTODOS PROCESSOS

71

71

INVENTÁRIO
MÉTODO DA ÁREA FIXA

72

72
 07/07/2023

INVENTÁRIO
ALEATÓRIA SISTEMÁTICA ESTRATIFICADA

DOIS ESTÁGIOS CONGLOMERADO SHIUE

73

INVENTÁRIO

NOTAÇÃO

■ N = número total de unidades amostrais (u.a.) da

população ou número potencial de u.a.;

■ n = número de unidades amostradas;

■ f = fração amostral;

■ X = variável de interesse, por exemplo, volume (m3ha-1).

74

74
 07/07/2023

INVENTÁRIO
Exemplo
VOLUME
PARCELA
(m3 /parcela de 600 m2)
40 ha de Pinus taeda; 1 20,85
2 19,47
Objetivo: estimar o volume de madeira; 3 24,13
4 24,34
5 25,13
Processo de amostragem: aleatória;
6 22,37
7 22,51
Parcelas de 600 m2; 8 19,78
9 25,05
Inventário piloto: 16 parcelas; 10 28,84
11 23,70
12 24,78
Erro máximo admissível: 10%;
13 22,58
14 23,70
Nível de probabilidade: 95%. 15 36,16
16 17,83
75

75

INVENTÁRIO
Estimativa do volume por hectare:
m vi = volume de cada árvore i da u.a.
V   vi  F
i 1

Fator de proporcionalidade:
1 ℎ𝑒𝑐𝑡𝑎𝑟𝑒 1 ha = 10.000 m²
𝐹=
𝑎 a = área da unidade amostral
2
Área da unidade amostral (m ) Fator de proporcionalidade (F)
100 100
400 25
500 20
600 16,67
800 12,5
1.000 10
2.500 4
10.000 1 76

76
 07/07/2023

INVENTÁRIO
(1) Média aritmética: (3) Desvio padrão:
n

( X ) i sx  s x ²
x i 1

(2) Variância: (4) Coeficiente de variação:

n
sx
(X i
 x )2 cv   100
s 
2 i 1
x
n 1
x

77

77

INVENTÁRIO
Intensidade amostral
a) Depende da variabilidade da população;

b) Precisão requerida;
n
c) Nível de confiança (P = 95%); f 
d) Fatores econômicos;
N
e) População finita ou infinita: A
(1 − f )  0,98  a população é considerada infinita.
N 
(1 − f )  0,98  a população é considerada finita.
a
f) Calculado após inventário piloto. f = fração amostral
A = área total da população (m²)
a = área da unidade amostral ou parcela (m²)

78
 07/07/2023

INVENTÁRIO
Intensidade amostral
A intensidade amostral (n) muda conforme o Processo de Amostragem e é
obtida por meio do valor de t de student, do limite de erro (LE) e da
variabilidade da população calculada em função:

A) Variância: ou B) Coeficiente de variação:

t 2 cv %
2
t 2 s x2 n
n
Populações infinitas:
E2 LE %2
Nt 2 s x2 Nt 2 cv%
2
Populações finitas: n  n
NE 2  t 2 s x2 N LE%  t 2 cv %
2 2

79

79

INVENTÁRIO
(6) Variância da média: (8) Erro de amostragem
s x2  N  n  absoluto:
s 
2
  E a  t  s x
x População
n  N  Finita

(7) Erro padrão: (9) Erro de amostragem relativo:

t  sx
s x  s x2  Er  
x
(10) Intervalo de confiança para média:

IC x  (t  s x )  X  x  (t  s x )  P 
Limite inferior Limite superior
80

80
 07/07/2023

INVENTÁRIO
ATIVIDADE 4
Tema: Processamento do inventário florestal

Base de dados: dados_atividade4.xls

Etapas:

1. Amostragem aleatória simples em 200 ha de teca, com 16

parcelas circulares de 450 m²;
2. Calcular a média amostral, variância, desvio padrão e coeficiente
de variação;
3. Calcular a intensidade amostral ideal para limite de erro de 10%
e probabilidade de 95%;
4. Calcular os erros de amostragem absoluto e relativo;
5. Calcular os intervalos de confiança para a média.

81