UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL
UNIDADE UNIVERSITÁRIA DE AQUIDAUANA
CURSO DE ENGENHARIA FLORESTAL
METODOLOGIA COMPLEMENTAR PARA
COMPARAÇÃO DE MODELOS DE AFILAMENTO DO
FUSTE DE CLONES DE EUCALIPTO
Guilherme Silverio Aquino de Souza
AQUIDAUANA – MS
NOVEMBRO DE 2013
i
UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL
UNIDADE UNIVERSITÁRIA DE AQUIDAUANA
CURSO DE ENGENHARIA FLORESTAL
METODOLOGIA COMPLEMENTAR PARA
COMPARAÇÃO DE MODELOS DE AFILAMENTO DO
FUSTE DE CLONES DE EUCALIPTO
Acadêmico: Guilherme Silverio Aquino de Souza
Orientador: Prof. MSc. Edilson Urbano
“Trabalho de conclusão de curso
apresentado como parte das exigências do
curso de Engenharia Florestal para a
obtenção do título de Engenheiro Florestal”.
AQUIDAUANA – MS
NOVEMBRO DE 2013
ii
UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL
UNIDADE UNIVERSITÁRIA DE AQUIDAUANA
CURSO DE ENGENHARIA FLORESTAL
METODOLOGIA COMPLEMENTAR PARA COMPARAÇÃO DE
MODELOS DE AFILAMENTO DO FUSTE DE CLONES DE EUCALIPTO
Acadêmico: Guilherme Silverio Aquino de Souza
Orientador: MSc. Edilson Urbano
APROVADO (27/11/2013)
MSc. Edilson Urbano
(Orientador)
MSc. Filipe Valadão Prado Cacau
Esp. Karen Keli Barbosa Abrantes
iii
EPÍGRAFE
“Uma coisa é querer aprender. Outra é
querer garantias de que não vai errar”.
Geraldo Eustáquio
iv
DEDICATÓRIA
Aos meus pais, pelo perfeito exemplo de casal, e que sempre fizeram o seu máximo
para a boa educação dos filhos. E à minha querida irmã Luidy Silverio.
v
AGRADECIMENTOS
A Deus primeiramente. Ao apoio da família.
Aos professores que estiveram ao meu lado auxiliando todo e qualquer trabalho
realizado durante a graduação.
Ao professor doutor Helio Garcia Leite, pela supervisão e orientação durante o
período de estágio, e pelos dados fornecidos para a realização deste trabalho.
Aos professores que se tornaram amigos, que sei que levarei para o resto da vida.
Àqueles que cobraram além do que pude oferecer, para que eu crescesse nessa caminhada.
Aos colegas de trabalho e aos mais amigos que devo os sorrisos e risadas sinceras
durantes o período da graduação
Às pessoas que me acolheram com tanto carinho em Viçosa-MG e fizeram deste
um momento muito engrandecedor.
A todos aqueles que de alguma forma colaboraram para que eu chegasse onde
estou.
vi
LISTA DE ILUSTRAÇÕES
Figura 1 – Relação Hipsométrica dos Tratamentos .......................................................... 5
Figura 2 – Esquema ilustrativo da mensuração dos diâmetros ao longo do fuste. Diâmetro
a altura do peito (DAP) tomado a 1,3 metros de altura .................................................... 6
Figura 3 - Gráfico Categorizador de coletores de dados com seus eixos representativos
das estatísticas: Bias relativo e variância dos erros das estimativas. Ambos os eixos se
cruzam em suas medianas (ISLAM et al., 2009). ........................................................... 10
Figura 4 - Categorização proposta para modelos baseados no valor absoluto de Bias
relativo e variância dos erros. |Bias%| e Variância (Y) se cruzam em suas medianas.
Modificação da metodologia de Islam et al. (2009). ...................................................... 11
Figura 5 – Gráfico de dispersão percentual dos resíduos das estimativas de diâmetro (a),
gráficos dos valores estimados em função dos valores observados (b), e gráfico de
frequência dos resíduos por classe de erro (c) do modelo de Kozak (1988) para o
tratamento 1 (T1). ........................................................................................................... 15
Figura 6 – Gráficos de dispersão percentual dos resíduos das estimativas de diâmetro,
gráficos dos valores estimados em função dos valores observados, e gráfico de frequência
dos resíduos por classe de erro (c) do modelo de Ormerod (1973) para o tratamento 1
(T1). ................................................................................................................................ 15
Figura 7 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 1 (T1). .................................................................. 18
Figura 8 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 2 (T2). .................................................................. 19
Figura 9 – Categorização dos modelos ajustados segunda a metodologia de Islam et al.
(2009) modificada para o tratamento 3 (T3). .................................................................. 19
Figura 10 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 4 (T4). .................................................................. 20
Figura 11 – Categorização dos modelos ajustados segunda o metodologia de Islam et al.
(2009) modificada para o tratamento 5 (T5). .................................................................. 20
Figura 12 – Perfil da árvore média estimado (DAP=18,78 cm e Ht=28,95 m) .............. 22
vii
LISTA DE TABELAS
Tabela 1 - Estatísticas de Qualidade de Ajuste. Coeficiente de correlação (RYŶ), erro
padrão residual (syx%), Bias, média das diferenças absolutas (MDA), e a raiz quadrada
do erro médio (RQEM) par as estimativas ao longo do fuste, de cada modelo para cada
tratamento. ...................................................................................................................... 14
Tabela 2 – Valores absolutos de Bias % e variância do erro para a categorização dos
modelos ........................................................................................................................... 17
Tabela 3 - Estimativas dos parâmetros do modelo de Kozak (1988), ajustado aos dados
a grupos de tratamentos e correspondente estatística F do teste de identidade .............. 22
viii
SUMÁRIO
PÁGINA
RESUMO ......................................................................................................................... ix
ABSTRACT ...................................................................................................................... x
1 INTRODUÇÃO ............................................................................................................. 1
2 MATERIAL E MÉTODOS ........................................................................................... 4
3 RESULTADOS E DISCUSSÕES ............................................................................... 13
4 CONCLUSÕES ........................................................................................................... 23
5 REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 24
APÊNDICES .................................................................................................................. 28
ix
RESUMO
Este trabalho teve como objetivo a escolha de um modelo de afilamento para melhor
estimar o perfil médio de árvores de diferentes clones de eucalipto, bem como propor
uma avaliação alternativa de avaliação dos ajustes para os modelos testados. Com o
modelo escolhido, verificou-se se houve efeito do material genético na forma do fuste.
Para cada tratamento foram abatidas cerca de 70 árvores-amostra de florestas equiâneas
com 10 anos de idade. O delineamento experimental utilizado foi inteiramente
casualizado, os tratamentos consistiram em diferentes genótipos (clones 1, 2, 3 ,4 e 5) sob
o espaçamento de 3x3m. Os diâmetros das seções ao longo do fuste foram medidos a 0,5;
1,0; 1,5; 2,0 m de altura e a partir daí em intervalos de 2 em 2 m. Foram testados 6 modelos
não-lineares, foram eles: Biging (1984), Demaerschalk(1972), Garay (1979), Kozak
(1988), Max e Burkhart (1976) e Ormerod (1973). As estatísticas de ajustes foram:
coeficiente de correlação (RYŶ), erro-padrão residual (syx%), Bias, raiz quadrada do erro
médio (RQEM) e a média das diferenças absolutas (MDA). A metodologia proposta
categorizou os modelos em um plano cortado por dos eixos representativos da precisão e
acurácia de cada modelo. O modelo escolhido foi o de Kozak (1988) se destacando em
todas as avaliações de qualidade de ajuste. O categorizador correlaciona todos os modelos
testados, facilitando para o avaliador visualizar o modelo que poderá a vir ser escolhido.
Porém para o complemento dessa avaliação foi indispensável o uso das estatísticas que
indicam o grau de ajustamento. Com o modelo escolhido e os parâmetros calculados para
cada clone, aplicou-se o teste de identidade de modelos para verificar se houve curvas
semelhantes. Verificou-se que houve efeito significativo do material genético do formato
do fuste de cada clone isto é, o formato do fuste diferiu para cada tratamento.
PALAVRAS-CHAVE: Análise de Regressão, Modelos não-lineares, Teste de Identidade.
x
ABSTRACT
Functions which predict taper tree can be used to provide accurate information to forest
management. Wrong models providing erroneous data can lead to substantial economic
losses. This study compares non-linear taper models for Eucalyptus sp. genotypes using
an additional assessment, in order to determine which best performed data. This study
also aimed to analyze if there was significant effect of genetype on profile of tree bole.
70 sample-trees were collected to each treatment. The treatments were five different
Eucalypstus sp. genotypes under the same stand density (3x3m). Six non-linear taper
models were fitted: Biging (1984), Demaerschalk (1972), Garay (1979), Kozak (1988),
Max and Burkhart (1976) and Ormerod (1973). The variables measured was: diameter at
breast height (DBH), total height (Ht) and diameter (di) at different heights above ground.
In order to evaluate the accuracy of model fitting, the study used the correlation
coefficient, standard error of estimate, and other supporting statistics, such as: mean Bias,
root mean square error (RMSE), mean absolute deviation (MAD), and graphical analysis
of error. The additional evaluation, Islam et al. (2009) modified, embraced all model
performances into a "categorizing graphic", in which the best performances could be
identified . All models showed good estimates, but Kozak (1988) described the diameters
along the bole with the best accuracy. The study also showed that there is significant
effect of genotype on eucalyptus stem taper.
Keywords: regression analysis, non-linear models, hypothesis test.
1
1 INTRODUÇÃO
O termo afilamento (em inglês taper) é definido por Husch et al. (1993) como a
taxa de decréscimo do diâmetro ao longo do fuste das árvores. Essas equações estimam o
perfil do fuste em função do diâmetro a altura do peito (DAP) e altura. Campos; Leite
(2013) atribuem às equações taper a capacidade de estimar o diâmetro em qualquer altura
ao longo do fuste. Ainda, pode-se estimar também a altura total ou altura que determinado
diâmetro se encontra e o volume entre alturas determinadas do fuste, quantificando assim
os multiprodutos da madeira.
Os primeiros esforços descritos na literatura para se modelar o perfil do fuste se
deram com os estudos de Höjer (1903) apud Figueiredo Filho et al. (1996). Estudos
posteriores foram propostos para atender planos de manejo de florestas plantadas e
florestas naturais de clima temperado (KOZAK et al.,1969; DEMAERSCHALK, 1972).
Somente no início dos anos 70, pesquisas com funções de afilamento começaram
a ser difundidas no Brasil, em sua grande maioria aplicados a florestas equianeas puras
com Pinus spp. e Eucalyptus spp. (CAMPOS; RIBEIRO, 1982; GUIMARÃES; LEITE,
1992; SCHENEIDER et al., 1996).
O mais recente informativo da Associação Brasileira de Produtores de Florestas
Plantadas, aponta que o Brasil, no ano de 2012, apresentou uma área de total de cerca de
6,7 milhões de hectares de floresta plantada. Maior parte desse total, 76,6%,
compreendem florestas comerciais de eucalipto que estão concentradas nos estados de
Minas Gerais, São Paulo, Bahia, Mato Grosso do Sul e Rio Grande do Sul (ABRAF,
2013).
O grande uso da espécie para programas de reflorestamento para fins comerciais
se deu pelo rápido crescimento e a boa adaptação às condições edafoclimáticas brasileiras.
Além disso, as atuais condições fundiárias, aliadas aos fatores política de investimento
em pesquisa e desenvolvimento, verticalização do setor, e a qualidade da mão de obra
empregada, colocaram o Brasil no primeiro lugar em produtividade com relação aos
demais países, tanto nos plantios de eucalipto quanto nas demais espécies florestais
cultivadas, como o Pinus (Pinus spp.) e a Teca (Tectona grandis). (SANTOS et al., 2005;
ABRAF, 2013).
Dossa et al. (2002) afirma que com o grande salto de produtividade das florestas
plantadas no Brasil, ganhou impulso também o mercado de base florestal. Segundo Rocha
(2011) houve um maior interesse de pequenos produtores e grandes empresas no aumento
2
da produtividade de suas florestas diante da grande demanda por madeira tanto para
produção de celulose e papel como para produção de carvão vegetal, mourões de cerca,
madeira serrada e óleos essenciais.
A grande dimensão tomada pela cadeia produtiva florestal nos últimos anos e a
grande diversificação de produtos que podem ser fornecidos pelas florestas plantadas,
levaram à relevante contribuição do setor na economia do Brasil, mesmo em períodos de
crise. Desde 2002, o setor veio contribuindo anualmente com o PIB brasileiro, em valores
que variaram entre 3 e 4,5%, sendo menores valores apresentados nos últimos anos.
(ABRAF, 2006 e 2013; SIQUEIRA, 2013).
Em 2012, os investimentos das empresas florestais associadas à ABRAF
totalizaram 4,6 bilhões de reais, abrangendo áreas de operações de plantio, colheita,
transporte, indústria, estradas, pesquisa e desenvolvimento (P&D), terra, entre outros. A
perspectiva até 2017 é que as empresas continuem investindo na modernização do setor,
e que o montante de investimentos a ser realizados cheguem a 6 bilhões de reais,
concentrados nas áreas de operações de plantio, colheita, transporte e operações
industriais (ABRAF, 2013).
Apesar do crescimento limitado nos últimos anos, como dito, as perspectivas
para o setor até o final da década são otimistas. Assim, diante de um cenário positivo, faz-
se necessário o uso de técnicas que auxiliem a praticidade e rapidez das tomadas de
decisões do manejador florestal, bem como um planejamento coerente, visando à
obtenção de múltiplos produtos e maximização de lucros (Soares, 2002). Para Muhairwe
(1999), um bom desempenho do manejo florestal está relacionado às informações
atualizadas com o máximo de acurácia e que mostre o potencial de crescimento do
povoamento.
Existem importantes ferramentas que possibilitam uma análise das informações
e a tomada de decisão em função das condições de mercado ou da demanda da própria
empresa, como os métodos biométricos que visam a prognose do crescimento e da
produção da floresta e os métodos de avaliação econômica, de planejamento e de
otimização (CAMPOS; LEITE, 2013; BRAZ, 2001; OLIVEIRA, 1995; BINOTI, 2012).
Dentre esses métodos estão as funções de afilamento capazes de modelar o formato médio
do fuste de árvores de povoamentos florestais (LIMA,1986; HUSCH et al., 1982).
Podem-se encontrar trabalhos que aplicam a modelagem de afilamento em
espécies nativas brasileiras, porém em uma menor quantidade em relação as florestas
plantadas (LANSSANOVA, 2013; CHICHORRO, 2003; QUEIROZ, 2006; SOARES et
3
al., 2011). Chichorro (2000) explica que o baixo uso em florestas nativas se deu pela baixa
precisão, devido a grande variação de formatos que os troncos podem assumir nas
florestas naturais tropicais.
Muitos estudos mostram um grande número de fatores que podem influenciar o
formato dos troncos das árvores, tais como: espécie, sítio, idade, aspectos genéticos,
ecossistema, sistema silvicultural aplicado, competição entre plantas e interação entre
essas variáveis. (CHICHORRO, 2000; MACHADO; FIGUEIREDO FILHO, 2009;
NOGUEIRA, 2008; CAMPOS; LEITE 2013; HUSCH et al., 1982).
Além disso, Husch et al. (1982) evidenciam que ocorre variação também ao
longo do fuste por diferentes formatos geométricos, podendo apresentar-se como cilindro,
cone, paraboloide e neiloide. Para Machado e Figueiredo Filho (2009), essa variação de
formato pode se tornar irregular e não comparáveis a quaisquer tipos de formato
geométrico dificultando para o florestal a aplicação dos conhecimentos matemáticos.
Os modelos de afilamentos propostos até meados dos anos 70, compreendiam
equações únicas que tentavam retratar o perfil do fuste, sem muito sucesso nas estimativas
dos diâmetros da base do fuste. Com base nas variações das formas geométricas ao longo
do fuste, em 1976, Max e Burkhart aplicando regressão de modelos segmentados para a
modelagem do fuste, dividiram o fuste em três seções, representadas por três sub-modelos
separados, e produziram uma equação global unindo as seções. Baseados na mesma ideia,
muitos outros modelos segmentados foram propostos posteriormente
(DEMAERSCHALK; KOZAK, 1977; PARRESOL et al., 1987).
Segundo Chichorro (2000), atualmente existem diversos modelos ou funções
taper que são utilizadas para descrever a forma do tronco. Comumente separam-se entre
modelos segmentados e não-segmentados. Os modelos não-segmentados podem ainda ser
classificados como: polinomiais, sigmoides, compatíveis (PEREIRA et al., 2005; LIMA,
1986; CAMPOS; LEITE, 2013), e ainda os definidos por análise multivariada
(GUIMARÃES; LEITE, 1992).
Algumas propriedades desejáveis de um modelo de afilamento é que as
estimativas do diâmetro na altura máxima seja zero e que a estimativa do diâmetro na
altura de 1,3m seja igual ao DAP mensurado. Segundo Campos; Leite (2013) essas
propriedades podem ser obtidas por procedimentos matemáticos, ou, procedendo-se
transformações matemáticas das variáveis independentes.
Contudo, segundo o mesmo autor o grande desafio das equações taper está em
eliminar certas tendenciosidades ao longo do fuste, objetivo que até mesmo os modelos
4
segmentados em alguns casos não conseguem alcançar. A eficiência de um modelo de
afilamento está, portanto, intimamente ligada com sua flexibilidade de ajuste e a forma
geral descrita pelo perfil da espécie particular.
Uma determinada função de taper pode gerar estimativas consistentes para
muitas espécies. Da mesma forma muitas funções de taper podem apresentar resultados
consistentes para uma determinada espécie, cabendo ao avaliador identificar qual modelo
utilizar.
Ao estimar o afilamento, a avaliação do desempenho ou qualidade do ajuste de
modelos de regressão é essencial, buscando uma equação que tente estimar valores o mais
próximo possível do real. Essa avaliação pode gerar inúmeras estatísticas que podem
explicar a precisão e acurácia de cada modelo.
Conforme Figueiredo Filho et al. (1995), os estudos mais recentes se aproximam
de estimativas mais realistas, graças ao advento de computadores e softwares capazes de
trabalhar com cálculos complexos e derivar as funções de afilamento. Isso possibilitou
também o ajuste de maior número de equações sem dispêndio de muito tempo. Quando
muitos modelos são testados simultaneamente, a avaliação do melhor modelo pode se
tornar difícil diante da gama de estatísticas de qualidade de ajuste ou mesmo se muitos
modelos apresentam resultados consistentes para os casos em estudo.
A viabilidade econômica de um manejo florestal está diretamente relacionada ao
desempenho das estimativas do modelo escolhido. Assim como observado por Islam et
al. (2009), que simulando o planejamento com dados biométricos reais e errôneos,
concluíram que a escolha inadequada de modelos para subsidiar um planejamento
florestal, pode acarretar em custos significativos.
Diante do exposto, os objetivos no presente estudo foram:
- Determinar o melhor modelo de afilamento (taper) para clones de Eucalyptus
sp. submetidos a um mesmo espaçamento;
- Avaliar uma metodologia alternativa para a escolha do melhor ajuste; e
- Avaliar se houve efeito do material genético (clone) sobre a forma do fuste em
um mesmo arranjo espacial.
2 MATERIAL E MÉTODOS
2.1 Origem dos Dados
5
O experimento foi realizado no sul estado da Bahia em florestas equiâneas de
Eucalyptus sp. Utilizou-se um delineamento inteiramente casualizado (DIC), com 5
tratamentos. Testou-se 5 clones sob o mesmo espaçamento:
Tratamento 1 (T1) – Espaçamento 3x3, Clone 1
Tratamento 2 (T2) – Espaçamento 3x3, Clone 2
Tratamento 3 (T3) – Espaçamento 3x3, Clone 3
Tratamento 4 (T4) – Espaçamento 3x3, Clone 4
Tratamento 5 (T5) – Espaçamento 3x3, Clone 5
Figura 1 – Relação Hipsométrica dos Tratamentos
Aos 10 anos de idade, foram abatidas cerca de 70 árvores-amostra para cada
parcela, representativa de cada tratamento, conforme relação hipsométrica (Figura 1),
para realização da cubagem e mensuração das variáveis em estudo. As variáveis
6
mensuradas foram: diâmetro a altura do peito (DAP) tomado a 1,3 metros de altura, altura
total (H), diâmetro com casca ao longo do fuste (d) e suas respectivas alturas (h).
Figura 2 – Esquema ilustrativo da mensuração dos diâmetros ao longo do fuste.
Diâmetro a altura do peito (DAP) tomado a 1,3 metros de altura
Os diâmetros das seções ao longo do fuste foram medidos a 0,5; 1,0; 1,5; 2,0 m
de altura a partir deste ponto em intervalos de 2,0 em 2,0 m até a ponta da árvore (Figura
2). Seguindo as recomendações de Campos; Leite (2013), para o ganho de exatidão em
posteriores cálculos volumétricos, realizou-se a interpolação dos diâmetros observados
em intervalos de 0,1m de altura, com auxílio de métodos iterativos (algoritmo).
2.2 Modelos de afilamento testados
Seis modelos não lineares foram escolhidos para o estudo: os modelos sigmoides
de Biging (1) e Garay (3), o de variável exponencial Kozak (4), o segmentado de Max e
Burkhart (5) e os modelos compatíveis de Demaerschalk (2) e Ormerod (6). Os modelos
testados neste trabalho são mostrados a seguir:
a) Modelo de Biging (1984)
d = DAP {β1 + β2 ln [1 − (hi
H)
1 3⁄
(1 − e−
β1β2)]} + ε (1)
b) Modelo de Demaerschalk (1972)
d = 10β0DAPβ1Hβ2(H − hi)β3 + ε (2)
c) Modelo de Garay (1979)
d = DAP . β0 {1 + β1 ln [1 − 𝛽2 (hi
𝐻)
𝛽3
]} + ε (3)
7
d) Modelo de Kozak (1988)
d = α0DAPα1α2
DAP (1-√Z
1-√p)
β1Z2+β2ln(Z+0,001)+β3√Z+β4eZ+β5DAP.H-1
+ ε (4)
e) Modelo de Max e Burkhart (1976)
d = DAP √β1(Z-1)+β
2(Z2-1)+β
3(α1-Z)2I1+β
4(α2-Z)2I2 + ε (5)
f) Modelos de Ormerod (1973)
d = DAP (H-hi
H-1,3)
β1+ ε (6)
Em que:
H: altura total (m)
DAP: diâmetro a altura do peito, mensurado a 1,3 m (cm)
hi: altura “i” ao longo do fuste da árvore (m)
d: diâmetro do fuste estimado em hi (cm)
ɛ: erro aleatório, sendo ε ~ N(0,σ²)
α0, α1, α2, β0, β1, β2, β3, β4, β5: Coeficientes dos modelos a serem estimados
Z=h/H;
p= 0,25;
I1 = 1, Se α1-Z ≥ 0;
I1 = 0, Se α1-Z < 0;
I2 = 1, Se α2-Z≥ 0;
I2 = 0, Se α2-Z< 0.
Os modelos compatíveis são denominados assim devido à compatibilidade nas
estimativas entre as equações de afilamento e equações de volume, pois as equações de
taper nestes casos são as primeiras derivadas das equações volumétricas. Os modelos
segmentados consideram o seccionamento do fuste e então um detalhamento maior.
(LIMA, 1986; GARCIA et al.; 1993).
O modelo de variável exponencial de Kozak (1988) e os sigmoides são equações
únicas que partem da possibilidade de permitirem pontos de inflexão (brusca variação
geométrica no fuste). O modelo de variável exponencial do presente estudo considera o
ponto de inflexão (p = 0,25m) e o decréscimo exponencial do diâmetro da base a ponta,
8
já os modelos sigmoides são baseados em modelos logísticos biológicos (LIMA, 1986;
MURHAIRWE, 1998).
2.3 Ajuste dos Modelos
Os modelos (1), (2), (3) e (6) foram ajustados a partir de análises de regressão
pelo método de mínimos quadrados (algoritmo Quase-Newton) disponíveis no software
Statistica 8.0. Já os Modelos (4) e (5) foram ajustados pelo comando “Solver” no
Microsoft Excel 2007, utilizando o método das mínimos quadrados.
2.4 Avaliação dos ajustes dos modelos
A qualidade de ajustamento de cada modelo foi avaliada pelas estatísticas:
coeficiente de correlação (RYŶ), erro-padrão residual (syx%), viés ou tendenciosidade
(Bias), raiz quadrada do erro médio (RQEM) e a média das diferenças absolutas (MDA).
Muitos estudos que testam equações de regressão utilizam o coeficiente de
determinação (R2) como índice de ajuste. Segundo Campos; Leite (2013), esta estatística
indica a proporção da soma de quadrados total que é explicada pela regressão. Porém em
casos complexos em que as equações ajustadas não apresentam linearidade, alterações na
soma de quadrados podem ser significativas tornando o índice ineficiente para demostrar
o grau de ajuste. Nesses casos opta-se pelo coeficiente de correlação (RYŶ), que mostra o
grau de relação dos valores que foram estimados com os observados ou reais. Este último
coeficiente, foi o utilizado neste estudo, já que todos os modelos testados correspondem
a modelos não-lineares.
Na classificação do desempenho dos ajustes, merece maior confiabilidade
aqueles modelos que apresentarem menores RQEM e MDA, e valores de Bias mais
próximos a zero. A validação dos modelos pode ser confirmada com análise dos gráficos
de distribuição dos resíduos (d%), gráfico dos valores estimados em função dos valores
observados e frequência dos resíduos. As estatísticas de qualidade de ajuste são mostrados
a seguir:
RYŶ =
(∑ (Ŷi-Ŷm)(Yi-Y)ni=1 )
n
√(∑ (Ŷi-Ŷm)
2ni=1
n ) (
∑ (Yi-Y)2ni=1
n)
9
syx(%) =
√∑ (Yi-Yi)2n
i=1
(n-p)
Y * (100)
Bias = ∑ (Yi-Yi)
ni=1
n
RQEM(%) =
√∑ (Yi-Y)2n
i=1
n
Y * (100)
MDA = (∑ |Yi-Yi|
ni=1
n)
Em que:
n = número de observações
p = número de coeficientes das equações testadas
Yi = valores observados
Ŷi = valores estimados
Y = média dos valores observados
Ŷm = média das estimativas de Y
Para o auxílio da validação da seleção dos melhores ajustes utilizou-se a tabela
com os valores das estatísticas de qualidade dos ajustes em cada tratamento. Em seguida,
selecionou-se o modelo com melhor desempenho, levando-se em consideração as
estatísticas e a simplicidade dos ajustes.
2.5. Proposta de método complementar para comparação dos modelos
Islam et al. (2009) no intuito de calcular a valoração dos erros amostrais no
planejamento florestal, calculou o Bias para diferentes coletores de dados e dispôs em um
gráfico “categorizador” o desempenho de cada um. Esse gráfico relacionou o Bias relativo
(Bias%) e a variância do erro das medidas tomadas, variância (Y).
10
Bias%=
[∑ (Yi − Yi)
ni=1
n]
Y*100
Variância (Y)= ∑[Bias − (Yi − Yi)]
2
n-1
Em que:
n = número de observações
Yi = valores observados
Ŷi = valores estimados
Y = média dos valores observados
Essas variáveis, específicas para cada coletor de dados foram relacionadas em
um quadrante em que dois eixos representativos de cada índice que se cruzavam em suas
medianas (Figura 3).
Figura 3 - Gráfico Categorizador de coletores de dados com seus eixos representativos
das estatísticas: Bias relativo e variância dos erros das estimativas. Ambos os eixos se
cruzam em suas medianas (ISLAM et al., 2009).
Os autores aplicaram o teste t de amostra única para Bias das medidas tomadas
de cada coletor, para avaliar se foram estatisticamente diferentes de zero. Assim pôde-se
escolher dados errôneos para simular erros amostrais em um planejamento florestal.
Mediana
Alta
Variância (Y)
Baixa
Variância (Y)
Baixo
Bias%
Alto
Bias%
11
O gráfico categorizador permitiu visualizar quais coletores de dados estavam
mais ou menos exatos ou precisos com relação aos demais e mostrou-se prático para
avaliação simultânea dos desempenhos de mensuração.
Considerando que no estudo de equações de regressão busca-se saber qual a
precisão e acurácia de modelos testados ou propostos, notou-se que o gráfico
categorizador pode também ser utilizado para avaliar o desempenho de ajustes de
modelos.
A disposição dos desempenhos de modelos de regressão em um gráfico quanto
à qualidade de ajuste, quando comparados a outros modelos simultaneamente, pode
auxiliar a avaliação de escolha do melhor desempenho já que o melhor modelo estará
visivelmente em uma região de destaque determinada. A metodologia descrita por Islam
et al. (2009) relaciona os dados, mas não utiliza a relação do gráfico categorizador para
escolha de um desempenho ótimo, até porque a análise visual poderia ser uma tarefa
difícil se vários desempenhos apresentarem Bias % próximos a zero e baixa variância.
Além disso, como Bias % pode assumir valores positivos e negativos, a análise de dois
pontos como valores absolutos próximos a zero, porém sinais opostos, se tornaria difícil
se o eixo da variação dos erros não cruzasse exatamente no ponto 0.
Figura 4 - Categorização proposta para modelos baseados no valor absoluto de Bias
relativo e variância dos erros. |Bias%| e Variância (Y) se cruzam em suas medianas.
Modificação da metodologia de Islam et al. (2009).
Mediana
Alta
Variância (Y)
Baixa
Variância (Y)
Baixo
|Bias%|
Alto
|Bias%|
Grupo BBAV (baixo
|Bias%| e alta Variância (Y))
Grupo BBBV (baixo |Bias%|
e baixa Variância (Y))
Grupo ABAV (alto |Bias%| e
alta Variância (Y))
Grupo ABBV (alto |Bias%| e
baixa Variância (Y))
12
No intuito de facilitar a visualização da qualidade de ajuste de modelos para a
avaliação e escolha dos melhores ajustes, considerou-se que o valor absoluto de acurácia
Bias % deve ser o mais próximo de zero, assim como o da variância dos erros. Dessa
forma, se optarmos por usar o valor absoluto do Bias relativo (|Bias%|), na metodologia
proposta de Islam et al. (2009) para categorização dos dados, o eixo do Bias relativo será
limitado a zero à esquerda, o de variância dos erros à zero no porção inferior e o 3º
quadrante que apresentará baixo Bias % e baixa variância do erro, será a região do gráfico
que estará disposto o melhor ajuste dentre os relacionados. No caso de mais um ajuste no
quadrante preferível, será dará preferência ao que se apresentar nas porções mais
próximos à zero em ambos os eixos.
A metodologia modificada proposta então foi a disposição dos desempenhos dos
modelos, em um gráfico categorizador com eixos representativos dos valores de |Bias%|
e variância do erro, Variância(Y), cruzando-se em suas medianas (Figura 4), apresentando
quatro quadrantes de categorização: BBBV (baixo |Bias%| e baixa variância), BBAV
(baixo |Bias%| e alta variância), ABBV (alto |Bias%| e baixa variância), ABAV (alto
|Bias%| e alto variância). A preferência é dada àqueles modelos que forem classificados
na região BBBV.
2.6 Teste de Identidade de Modelos
Aplicou-se o teste de identidade de modelos não-lineares pela razão de
verossimilhança utilizando as aproximações F, conforme Regazzi; Silva (2004), onde
analisou-se a igualdade dos modelos ajustados para cada clone e com isso analisou-se se
existe efeito do material genético sobre as formas do fuste das árvores.
Os testes foram aplicados para os diferentes clones com as seguintes definições:
y = ∑ Dihi=1 f(θi;x) + ε (Modelo Completo)
y = f(θ;x) + ε (Modelo Reduzido)
Em que:
y = vetor de variáveis respostas d
x = vetor de variáveis explicativas do modelo completo e reduzido
ƒ = função não linear;
q = (θ1, θ0, ... , θp) vetor de parâmetros desconhecidos dos modelos reduzidos;
θi = vetor de parâmetros desconhecidos para cada tratamento, sendo i={1, ..., h}
Di = 1 e Di=0, para cada tratamento i, i={1...h}, i’={1...h}; i≠i’
13
h = número de equações (casos)
Sob normalidade,
F(H0)=SQ
R(H0).(pH-p)-1
SQRes
(C).(n-pH)-1
Sendo SQR(H0) denominado soma de quadrado da redução devido a hipótese da
nulidade (H0) onde,
SQR(H0) = SQPar(C) - SQPar(R) ;
SQPar(C) = Soma de quadrados de parâmetros do modelo completo
SQPar(R) = Soma de quadrados de parâmetros do modelo reduzido
SQRes(C) = Soma de quadrados dos resíduos do modelo completo
SQPar(C) = Σ yi2 – ΣΣ(yh - yh)
2
SQPar(R) = yr2 – Σ(yr - yr)
2
GLR(H0) = GLC – GLR
GLRes = n – p.H
Ftab = Fα(GLR(H0);GLRes), em que α é o nível de significância, GLR(H0); é o número
de graus de liberdade da redução devido a hipótese, e GLRes é o número de graus de
liberdade do resíduos. Se o valor de F ≥ Ftab existe diferença na forma dos fustes dos
genótipos.
Assim como em Nogueira et al. (2008), a fim de visualizar a variação da forma
do fuste entre os tratamentos, plotou-se em um gráfico o perfil da árvore média para cada
tratamento considerando o DAP médio e altura total média das árvores-amostra.
3 RESULTADOS E DISCUSSÕES
Os valores estimados dos parâmetros de cada modelo de afilamento ajustado são
apresentados no Apêndice 1 (A1). Para avaliação do melhor modelo foram apresentados
os dados de qualidade de ajuste de cada modelo para cada tratamento (Tabela 1), em que
a princípio se nota a grande quantidade de dados a serem analisados, testando-se 6
modelos em cada um dos 5 tratamentos.
Todos os modelos apresentaram resultados consistentes para os diferentes
tratamentos, em geral apresentando valores de RYŶ superiores a 0,900 e baixo erro-padrão
residual abaixo de 10%.
O modelo que apresentou menor Bias foi o compatível de Demaerschalk (1972).
Já o modelo compatível de Ormerod (1973) apresentou maior Bias com relação aos
14
demais, subestimando os dados. Ambos modelos compatíveis apresentaram os maiores
valores de MDA e RQEM, correspondendo a altos valores de erro.
O modelo segmentado de Max e Burkhart (1976) e o de variável exponencial de
Kozak (1988) foram os mais exatos, apresentando os valores de correlação de dados
estimado e observados (RYŶ) mais próximos a 1 e a baixos valores de Bias para a maioria
dos tratamentos. Contudo o modelo Kozak (1988) foi o modelo mais preciso com relação
a todos os outros, com os menores valores de syx%, MDA e RQEM em todos os
tratamentos.
Tabela 1 - Estatísticas de Qualidade de Ajuste. Coeficiente de correlação (RYŶ), erro
padrão residual (syx%), Bias, média das diferenças absolutas (MDA), e a raiz quadrada
do erro médio (RQEM) par as estimativas ao longo do fuste, de cada modelo para cada
tratamento.
RYŶ syx(%) Bias (cm) RQEM(%) MDA(cm)
T1 0,995 4,743 0,003 4,742 0,490
T2 0,995 4,837 -0,004 4,833 0,447
T3 0,995 4,938 0,051 4,938 0,464
T4 0,994 5,321 0,038 5,320 0,509
T5 0,994 5,364 0,044 5,363 0,513
T1 0,995 4,834 -0,004 4,833 0,447
T2 0,994 5,628 0,002 5,628 0,524
T3 0,993 5,796 0,012 5,795 0,504
T4 0,993 5,819 0,003 5,818 0,522
T5 0,992 6,143 0,000 6,143 0,520
T1 0,995 4,577 -0,011 4,577 0,462
T2 0,995 4,786 0,000 4,785 0,486
T3 0,995 4,891 0,043 4,890 0,460
T4 0,994 5,297 0,032 5,297 0,507
T5 0,994 5,364 0,044 5,363 0,513
T1 0,996 4,156 -0,006 4,155 0,420
T2 0,996 4,560 0,008 4,559 0,462
T3 0,995 4,643 -0,014 4,642 0,426
T4 0,995 4,960 -0,004 4,959 0,463
T5 0,994 5,095 0,042 5,094 0,478
T1 0,996 4,272 -0,010 4,271 0,422
T2 0,995 5,769 0,365 5,768 0,600
T3 0,995 5,025 0,044 5,024 0,476
T4 0,994 5,408 0,034 5,407 0,524
T5 0,994 5,291 0,045 5,290 0,503
T1 0,995 4,883 0,015 4,883 0,450
T2 0,994 5,734 -0,068 5,734 0,553
T3 0,993 6,106 -0,062 6,106 0,556
T4 0,993 6,004 -0,041 6,004 0,556
T5 0,992 6,343 -0,044 6,343 0,552
Modelos TratamentosEstatísticas de Ajuste
Max e Burkhart (1976)
Ormerod (1973)
Biging (1984)
Demaerschalk (1972)
Garay (1979)
Kozak (1988)
15
Figura 5 – Gráfico de dispersão percentual dos resíduos das estimativas de diâmetro (a),
gráficos dos valores estimados em função dos valores observados (b), e gráfico de
frequência dos resíduos por classe de erro (c) do modelo de Kozak (1988) para o
tratamento 1 (T1).
Figura 6 – Gráficos de dispersão percentual dos resíduos das estimativas de diâmetro,
gráficos dos valores estimados em função dos valores observados, e gráfico de frequência
dos resíduos por classe de erro (c) do modelo de Ormerod (1973) para o tratamento 1
(T1).
-50
-25
0
25
50
0 10 20 30 40
Des
vio
(%
)
Diâmetro (cm)
Ormerod (1973)
0
10
20
30
40
0 10 20 30 40
Diâ
met
ro E
stim
ad
o (
cm)
Diâmetro Observado (cm)
Ormerod (1973)
0
5
10
15
20
25
-100 -80 -60 -40 -20 0 20 40 60 80 100
Fre
qu
ênci
a R
ela
tiv
a (
%)
Classe de Erro (%)
Ormerod (1973)
(a) (b)
(c)
16
O comportamento do decréscimo de diâmetro segundo os modelos testados neste
trabalho, pôde ser melhor representado no tratamento 1, sendo o tratamento que os
modelos melhores ajustaram, com RYŶ acima de 0,995 e syx% não maior que 6,72.
Considerando que as estatísticas apresentadas na Tabela 1 são valores índices
que representam a qualidade do ajuste por meio de valores médios das variações totais do
tronco, faz-se necessário a avaliação dos gráficos de resíduos das estimativas, para uma
análise das variações ao longo do fuste. Os gráficos de dispersão dos resíduos, relação de
dados estimados em função dos observados e frequência do erro podem ser encontradas
nos Apêndices (A2, A3, A4, A5 e A6).
As Figuras 5 e 6 representam os gráficos de dispersão dos resíduos, relação dos
diâmetros estimados em função dos observados e frequência do erro dos modelos de
Kozak (1988), que apresentou maior acurácia, e para o modelo de Ormerod (1973) cujo
o desempenho foi o pior dos modelos testados, para o tratamento 1 que fora o melhor
representado. Na análise dos gráficos de frequência do erro, pôde-se confirmar a
tendência a uma distribuição normal dos resíduos.
Em todos os tratamentos houve maior desvio percentual para os menores
diâmetros, isto é, dos diâmetros da ponta das árvores. Este resultado pode ser explicado
por se tratar de uma medida relativa, onde para os menores diâmetros o percentual tende
a ser maior. Machado; Figueiredo-filho (2009) afirmam que em folhosas a gema apical
em certo momento do crescimento perde a atividade de alongamento, enquanto que as
gemas secundárias se desenvolvem com maior intensidade, assim o tronco principal
termina muitas vezes abruptamente. Também, os modelos calculam uma variação
geométrica que não pode ser determinada pelas mensurações dos diâmetros tomados da
ponta. Para aumentar a acurácia dos diâmetros estimados desta região do fuste, sugere-se
que o manejador tome amostras de diâmetros em intervalos menores.
Houve subestimação dos maiores diâmetros, referentes a porção da base do
fuste, esse fenômeno é notado também no gráfico dos dados estimados em função dos
observados em que há uma maior dispersão dos dados nos maiores diâmetros. Souza et
al. (2008) explica que a região da base é a porção do fuste que ocorre maior deformação,
isto é, há a mudança brusca no formato geométrico e consequentemente nos valores dos
diâmetros.
Apesar dos demais modelos terem apresentados resultados gráficos satisfatórios
para a maioria dos ajustes, as tendências acentuadas para a maioria dos tratamentos pelo
17
modelo de Ormerod (1973) pôde ser notada pela maior dispersão dos dados dos maiores
diâmetros no gráfico dos diâmetros estimados em função dos observados (Figura 6).
Tabela 2 – Valores absolutos de Bias % e variância do erro para a categorização dos
modelos
Enquanto as tendências para os menores diâmetros podem ser aceitáveis pela
pouca relevância nos cálculos volumétricos do fuste comercial, a tendência dos modelos
em para diâmetros maiores torna-se relevante para avaliação das estimativas já que estão
dentro da porção quantificável para comercialização.
O modelo de Max e Burkhart (1976) apresentou bom desempenho para todos os
tratamentos, porém o modelo de Kozak (1988) foi mais exato. Esse resultado corrobora
com Muhairwe (1998), que testou ambos os modelos para espécies de eucalipto na
Austrália. O autor explica que em árvores com grandes alturas o modelo Kozak (1988)
apresentou melhores desempenhos, porém o modelo Max e Burkhart (1976) se destaca
1 0,024 0,426 0,058 0,4112 0,030 0,4423 0,080 0,3974 0,043 0,3275 0,073 0,3456 0,108 0,452
1 0,077 0,396 0,066 0,4662 0,016 0,5363 0,003 0,3874 0,059 0,3525 0,073 0,9636 0,523 0,570
1 0,415 0,377 0,355 0,3822 0,097 0,5083 0,352 0,3674 0,113 0,3265 0,359 0,3886 0,506 0,576
1 0,309 0,437 0,268 0,4442 0,023 0,5183 0,262 0,4324 0,030 0,3765 0,273 0,4506 0,330 0,556
1 0,349 0,455 0,349 0,4552 0,000 0,5893 0,349 0,4554 0,334 0,4105 0,356 0,4436 0,349 0,634
T5
Modelos |Bias %| Variância(Y)
T1
TratamentosMediana de
|Bias %|
Mediana da
Variância(Y)
T2
T3
T4
18
quando o ajuste é feito com dados (árvores-amostra) com baixa amplitude de DAP e Ht,
ou mesmo, quando os ajustes são realizados considerando as classes diamétricas.
A Tabela 2 e as figura 7, 8, 9, 10 e 11 apresentam os valores dos ajustes
dispostos conforme a metodologia proposta pelo trabalho.
Na construção do gráfico pode-se inferir na escolha da escala de cada eixo. Se
os resultados apresentassem agrupados em um ponto, a manipulação da escala de algum
dos eixos pode auxiliar no “afastamento” dos pontos e melhor visualização.
Quando plotados no gráfico de categorização, que relaciona a exatidão e precisão
de cada modelo, os resultados da disposição dos modelos quanto ao desempenho de cada
um corrobora com as análises feitas com as estatísticas de qualidade de ajuste e análise
gráfica.
O gráfico permite identificar os modelos que mais se aproximaram de zero para
ambas as estatísticas, no entanto, no caso de |Bias%| não se pode inferir na avaliação qual
dos modelos está sub ou superestimando, se não consultarmos as estatísticas como o Bias
já calculados anteriormente ou a análise gráfica.
Figura 7 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 1 (T1).
19
Figura 9 – Categorização dos modelos ajustados segunda a metodologia de Islam et al.
(2009) modificada para o tratamento 3 (T3).
Figura 8 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 2 (T2).
20
Figura 10 – Categorização dos modelos ajustados segundo a metodologia de Islam et al.
(2009) modificada para o tratamento 4 (T4).
Figura 11 – Categorização dos modelos ajustados segunda a metodologia de Islam et al.
(2009) modificada para o tratamento 5 (T5).
21
Como todos os modelos apresentaram ajustes satisfatórios, a grande quantidade
de estatísticas que demostravam o bom desempenho de cada modelo pôde ser retratada,
indicando não só qual melhor modelo, mas quais poderiam ser aceitos pelo avaliador que
retornaria as tabelas das estatísticas iniciais, a fim de uma análise mais detalhada e
confiável dos melhores desempenhos.
O modelo Kozak 1988 apresentou os melhores desempenhos, dispondo-se na
região BBBV (baixo |Bias%| e baixa variância) em todos os tratamentos. Esse resultado
concorda com as estatísticas já analisadas: RYŶ, syx%, MDA e RQEM, que foram os mais
satisfatórios para todos os tratamentos.
Os modelos sigmoides e o segmentado apresentaram bons desempenhos, porém
considerados intermediários, apresentando dispostos na região central do gráfico
categorizador.
Os modelos compatíveis foram os menos precisos, apresentando altos valores de
variância do erro e dispondo-se nos quadrantes BBAV e ABAV. O modelo de
Demaershalk (1973) esteve mais frequente na região BBAV, por vezes sendo o modelo
que apresentou menor tendenciosidade. Já Ormerod (1973) predominou na região ABAV,
apresentando um desempenho inferior às demais equações. O desempenho inferior dos
modelos compatíveis com relação a Variância (Y), nos mostra que apesar de derivar de
modelos volumétricos, não conseguem retratar fidedignamente o perfil médio das
árvores.
Os modelos sigmoides se mostraram eficientes no cálculo do formato do fuste,
ainda assim o modelo segmentado de Max e Burkhart (1976) e o de Kozak (1988) se
mostraram mais flexíveis ao calcular o formato do tronco.
A flexibilidade de Max e Burkhart (1976) ao estimar os valores de diâmetro ao
longo do fuste é bem explicada por considerar a segmentação do fuste. Já o sucesso das
estimativas da equação única de Kozak (1988), pode ser explicado pela equação
considerar o ponto de inflexão na base do fuste que é a região do tronco que apresenta
maior variação geométrica, além de considerar um decréscimo de diâmetro exponencial
e ser capaz de calcular as diversas variações geométricas até a ponta.
Murhairwe (1998) alerta que a única desvantagem em utilizar o modelo Kozak
para demais estudos é que, apesar do ponto de inflecção do modelo (p = 0,25m) ser um
valor considerado constante em florestas de pinus e eucalipto, este valor muda de espécie
para espécie, cabendo ao manejador uma estimativa prévia.
22
Avaliado então com o melhor desempenho, o modelo Kozak (1988), foi o
utilizado para o estudo da variação da forma entre os tratamentos.
Tabela 3 - Estimativas dos parâmetros do modelo de Kozak (1988), ajustado aos dados a
grupos de tratamentos e correspondente estatística F do teste de identidade
*significativo a 5% de probabilidade
Foi aplicado o teste F, comparando o perfil médio entre os tratamentos. Um
resumo dos resultados dos testes de identidades pode ser observado na Tabela 3. Houve
influência dos tratamentos no formato fuste como observado pela significância dos testes.
α0 α1 α2 β1 β2 β3 β4 β5
1 2 3 4 5 1,171326 0,853567 1,006353 -0,100281 -0,282208 1,129292 -0,116726 -0,279153 2093*
1 2 1,024875 0,904454 1,004402 -0,001488 -0,107224 0,899107 -0,103987 -0,082609 3448*
1 3 1,162037 0,840218 1,007554 0,001091 -0,096507 0,797560 -0,086331 -0,014005 3584*
1 4 1,140810 0,852338 1,006967 -0,001509 -0,105980 0,893507 -0,100319 -0,093671 2203*
1 5 1,006344 0,926930 1,002409 -0,001351 -0,101305 0,748669 -0,044791 -0,121212 1823*
2 3 1,405871 0,738063 1,012209 -0,001553 -0,097005 0,651975 -0,017376 -0,031101 759*
2 4 1,428507 0,731997 1,012587 -0,001589 -0,100415 0,697684 -0,022514 -0,072424 723*
2 5 1,221657 0,818445 1,007637 -0,001208 -0,068962 0,310641 0,086227 0,048266 2840*
3 4 1,360733 0,758728 1,010853 -0,001489 -0,086331 0,542900 0,014261 0,003954 751*
3 5 1,195369 0,829768 1,006811 -0,001073 -0,050643 0,108054 0,135628 0,143334 2209*
4 5 1,256058 0,804837 1,008358 -0,001224 -0,062368 0,232174 0,112639 0,057464 1823*
Tratamentos F(H0)Estimativas dos Parâmetros do Modelo Reduzido
0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
0,000 0,200 0,400 0,600 0,800 1,000
Diâ
met
ro R
elati
vo (
d/D
AP
)
Altura Relativa (hi/H)
PERFIL MÉDIO DOS TRATAMENTOS
T1 T2 T3 T4 T5
Figura 12 – Perfil da árvore média estimado (DAP = 18,78 cm e Ht = 28,95 m)
23
Para melhor visualizar a influência do material genético sob a forma do fuste das
árvores, elaborou-se a Figura 12, que mostra o perfil médio estimado pelo modelo Kozak
(1988) para cada clone testado. Para este gráfico, considerou-se como árvore média a
árvore com o DAP médio (18,78 cm) e com a média aritmética das alturas (28,95 m) das
árvores-amostras. Os eixos do gráfico correspondem as seguintes variáveis: altura ou
posição (h) em metros e diâmetro (d) em centímetros.
A diferença encontrada no formato de fuste para cada tratamento sugere que a
utilização do modelo de afilamento para subsidiar um plano de manejo visando a obtenção
de multiprodutos pode ser realizada utilizando o modelo de variável exponencial
escolhido, porém com coeficientes calculados para cada tratamento, isto é, em cada
parcela com determinado clone se utilizará uma equação específica de trabalho.
4 CONCLUSÕES
- O modelo de variável exponencial Kozak (1988) foi o que se destacou nas
avaliações de ajuste, sendo modelo escolhido para representar o afilamento dos fustes das
árvores dos tratamentos do estudo.
- A metodologia proposta pelo trabalho facilitou a interpretação dos dados na
avaliação de ajustes de modelos de afilamento, podendo ser usada principalmente quando
o estudo envolver a avaliação de uma grande quantidade de modelos. Porém não dispensa
o uso das demais estatísticas de qualidade ou grau de ajuste.
- A categorização do desempenho de ajuste de modelos pode ser utilizada para
avaliação do ajuste de modelos em geral.
- O teste de identidade de modelos mostrou que existe efeito do material
genético, no formato do fuste.
- Para melhor estimativa dos menores diâmetros, sugere-se que as mensurações
nesta porção do fuste sejam realizadas em intervalos menores que 2 metros.
24
5 REFERÊNCIAS BIBLIOGRÁFICAS
ABRAF - ASSOCIAÇÃO BRASILEIRA DE PRODUTORES DE FLORESTAS
PLANTADAS. Anuário Estatístico ABRAF 2013: ano base 2012. Brasília-DF, 2013.
148p.
ABRAF - ASSOCIAÇÃO BRASILEIRA DE PRODUTORES DE FLORESTAS
PLANTADAS. Anuário Estatístico ABRAF 2006: ano base 2005. Brasília-DF, 2006.
81p.
BIGING, G. S. Taper equations for second mixed-conifers of Northean California. Forest
Science, Washington, v. 30, n. 4, p. 1103-1117, 1984.
BINOTI, D. H. B. Sistemas Computacionais aplicados ao manejo florestal. 2012.
113p. Tese (Doutorado em Ciências florestais). Universidade Federal de Viçosa, Viçosa-
MG, 2012.
BRAZ, E. M. Um modelo em programação linear para garantia do rendimento
sustentado em pequena propriedade na floresta tropical. 2001. 76p. Dissertação
(Mestrado em Engenharia Florestal) Universidade Federal do Paraná, Curitiba-PR, 2001.
CAMPOS, J. C. C.; LEITE, H. G. Mensuração Florestal: Perguntas e Respostas. 4. ed.
Viçosa-MG: UFV, 2013. 605 p.
CAMPOS, J. C. C.; RIBEIRO, J. C. Avaliação de dois modelos de taper em árvores de
Pinus patula. Revista Árvore, Viçosa-MG, v. 6, n. 2, p. 140-149, 1982.
CHICHORRO, J. F.; RESENDE, J. L. P.; LEITE, H. G. Equações de volume e
de taper para quantificar multiprodutos da madeira em floresta Atlântica. Revista
Árvore, Viçosa-MG, v.27, n.6, p.799-809, 2003.
CHICHORRO, J. F. Análise estrutural e econômica de multiprodutos da madeira em
florestas naturais. 2000. 241p. Tese (Doutorado em Ciências Florestais). Universidade
Federal de Viçosa, Viçosa-MG, 2000.
DEMAERSCHALK, J. P.; KOZAK, A. The whole-bole system: a conditional dual
equation system for precise prediction of tree profiles. Canadian Journal for Research,
Otawa, v.7, p.488-497, 1977.
DEMAERSCHALK, J. P. Converting volume equations to compatible taper equations.
Forest Science, v. 18, n. 3, p. 241-245, 1972.
DOSSA, D.; SILVA, H. D.; BELLOTE, A. F. J.; RODIGHERI, H. R. Produção e
rentabilidade do eucalipto em empresas florestais. Colombo: Embrapa Florestas,
2002. 4p. (Comunicado Técnico 83).
FIGUEIREDO FILHO, A.; BORDERS, B.E.; HITCH, K. L. Taper equations for Pinus
taeda plantations in southern Brazil. Forest Ecology and Management, Amsterdam, v.
83, p.36-46, 1996.
25
GARAY, L. Tropical forest utilization system. VIII. A taper model for entire stem
profile including buttressing. Seatlhe: Coll. Forest. Resour., Inst. Forest Prod. Univ.
Wash., 1979. 64 p.
GARCIA, S.R.L.; LEITE, H.G.; YARED, J.A.G. Análise do perfil do tronco de
Morototó (Didymopanax morototonü) em função do espaçamento. In: CONGRESSO
FLORESTAL BRASILEIRO, 7., CONGRESSO FLORESTAL PANAMERICANO,
1., 1993, Curitiba. Anais... Curitiba: SBS/SBEF, 1993. v.2, p. 504-509.
GUIMARÃES, D.P.; LEITE, H. G. Um novo modelo para descrever o perfil do tronco.
Revista Árvore, Viçosa-MG, v. 16, n. 2, p.170-180, 1992.
HUSCH, B; MILLER, C. L.; BEERS, T. E. Forest mensuration. 3. ed. New York: J.
Willey & Sons, 1982. 397p.
HOJER, A.G. Tallers och granenes tillraxt. Stocklan: Biran till Fr. Loven, om vara
barrskorar, 1903.
HUSCH, B.; MILLER, C. I.; BEERS, T. W. Forest mensuration. 3. ed. Malabar: Krieger
Publishing Company, 1993. 402p.
ISLAM, N.;KURTTILA, M.; MEHTATALO, L.; Haara, A. Analyzing the Effects of
Inventory Errors on Holding-Level Forest Plans: the Case of Measurement Error in the
Basal Area of the Dominated Tree Species. Silva Fennica, Finland, v. 43, n. , p. 71–85,
2009.
KOZAK, A. A variable-exponent taper equation. Can. J. For. Res. v.18, p. 1363-1368.
1988.
KOZAK, A.; MUNRO, D.D. & SMITH, J.H.G. Taper Functions and their Aplications in
Forest Inventory. For. Chron., v. 45, n. 4, p. 278-283, 1969.
LANSSANOVA, L. R.; UBIALLI, J. A.; ARCE, J. E.; PELISSARI, A. L.;
FAVALESSA, C. M. C.; DRESCHER, R. Avaliação de funções de afilamento para a
estimativa de diâmetro de espécies florestais comerciais do bioma amazônico mato-
grossense. Floresta, Curitiba-PR, v. 43, n. 2, p. 215-224, 2013.
LIMA, F.S. Análise de funções “taper” destinadas à avaliação de multiprodutos de
árvores de Pinus elliottii. 1986. 70p. Dissertação (Mestrado em Ciências Florestais) –
Universidade Federal de Viçosa, Viçosa-MG, 1986.
MACHADO, S. A.; FIGUEIREDO FILHO, A. Dendrometria. 2. ed. Guarapuava:
UNICENTRO, 2009. 316 p.
MAX, T. A.; BURKHART, H. E. Segmented polinomial regression applied to taper
equations. Forest Science, Washington, v. 22, n. 33, p. 283-289, 1976.
MUHAIRWE, C.K. Taper equations for Eucalyptus pilularis and Eucalyptus grandis
forthe north coast in New South Wales. Forest Ecology and Management, Austrália, v.
113, p. 251-269. 1999.
26
NOGUEIRA, G. S.; LEITE, H. G.; REIS, G. G.; MOREIRA, A. M. Influência do
espaçamento inicial sobre a forma do fuste de árvores de Pinus taeda L. Revista Árvore,
Viçosa-MG, v.32, n.5, p.855-860, 2008.
OLIVEIRA, E. B. Um sistema computadorizado de prognose do crescimento e
produção de Pinus taeda L., com critérios quantitativos para a avaliação técnica e
econômica de regimes de manejo. 1995. 134p. Tese (Doutorado em Ciências Florestais)
Universidade Federal do Paraná, Curitiba-PR, 1995.
ORMEROD, D.W. A simples bole model. The Forestry Chronicle, v. 49, n. 3, p.136-
138, 1973.
PARRESOL, B. R.; HOTVEDT, J. E.; CAO, Q. V. A volume and taper prediction system
for bald cypress. Canadian J. of Forest Research, Ottawa, v.17, n.3, p.250-259, 1987.
PEREIRA, J. E. S.; ANSUJ, A. P.; MULLER, I.; AMADOR. J. P. Modelagem de volume
de Eucalyptus grandis Hill ex Maiden. In: Simpósio de Engenharia de Produção, XII
SIMPEP, 2005, Bauru-SP. Anais... Disponível em:
<http://www.simpep.feb.unesp.br/anais/anais_12/copiar.php?arquivo=PEREIRA_JES_
MODELO.pdf>. Acesso em: 20 nov 2013.
QUEIROZ, D. Avaliação de funções de afilamento e sortimento para Mimosa
scabrella Bentham em povoamentos nativos da Região Metropolitana de Curitiba.
2006. 117 p. Dissertação (Mestrado em Engenharia Florestal) - Universidade Federal do
Paraná, Curitiba-PR, 2006.
REGAZZI, A. J.; SILVA, C. H. O. Teste para verificar a igualdade de parâmetros e a
identidade de modelos de regressão não linear. I. Dados no delineamento inteiramente
casualizado. Revista de Matemática e Estatística, São Paulo, v. 22, p.33-45. 2004.
ROCHA, M. F. V. Influência do espaçamento e da idade na produtividade e
propriedades da madeira de Eucalyptus grandis x Eucalyptus camaldulensis para
energia. 2011. 86f. Dissertação (Mestrado em Ciência Florestal) - Universidade Federal
de Viçosa, 2011.
SANTOS, L. D. T.; FERREIRA, F. A.; MEIRA, R. M. S. A.; BARROS, N. F.;
FERREIRA, L. R.; MACHADO, A. F. L. Crescimento e morfoanatomia foliar de
eucalipto sob efeito de deriva do glyphosate. Planta Daninha,Viçosa-MG, v. 23, n. 1, p.
143-152, 2005.
SCHNEIDER, P. R.; FINGER, C. A. G.; KLEIN, J. E. M.; TOTTI, J. A.; BAZZO, J. L.
Forma de tronco e sortimentos de madeira de Eucalyptus grandis Maiden para o estado
do Rio Grande do Sul. Ciência Florestal, Santa Maria-RS, v. 6, n. 1, p. 79-88, 1996.
SIQUEIRA, J. D. P. Brasil: Uma Potência Florestal Ameaçada?. In: I Encontro Pianel
Florestal de Executivos. Palestras... São Paulo: Hotel Transamérica, 2013. Mesa-
Redonda. Disponível em: <http://www.stcp.com.br/upload/fck/file/Joesio_1-
encontro_executivos.pdf >. Acesso em: 20 nov 2013.
27
SOARES, T.S. Otimização do uso da madeira em povoamentos de eucalipto.
2002.49p. Dissertação (Mestrado em Ciências Florestais) – Universidade Federal de
Viçosa, Viçosa-MG, 2002.
SOARES, C. P. B.; MARTINS, F.B. M.; LEITE JÚNIOR, H. U.; SILVA, G . F.;
FIGUEIREDO, L. T. M. Equações hipsométricas, volumétricas e de taper para onze
espécies nativas. Revista Árvore, Viçosa-MG, v. 35, n. 5, p. 1039-1051. 2011.
SOUZA, C. A. M.; SILVA, G. F.; XAVIER, A. C.; CHICHORRO, J. F.; SOARES, C. P.
B; SOUZA, A. L. Avaliação de modelos de afilamento não-segmentados na estimação da
altura e volume comercial de fustes de Eucalyptus sp. Revista Ciência Florestal,
UFSM-Santa Maria, v. 18, n. 3, p. 393-405. 2008.
29
A1 - Estimativas dos coeficientes ou parâmetros dos modelos calculados para todos os tratamentos e o seu grau de ajustamento
α0 α1 α2 β0 β1 β2 β3 β4 β5
T1 1,152348 0,354001 0,995 4,742
T2 1,199886 0,337309 0,995 4,837
T3 1,209977 0,326664 0,995 4,938
T4 1,178686 0,340396 0,994 5,320
T5 1,198179 0,294647 0,994 5,363
T1 0,030710 1,011851 -0,327240 0,316445 0,995 4,833
T2 0,031201 0,996492 -0,338572 0,331724 0,994 5,628
T3 0,081341 0,958780 -0,336897 0,329015 0,993 5,795
T4 0,193344 1,093037 -0,430366 0,326636 0,993 5,818
T5 0,034373 0,924798 -0,273593 0,296382 0,992 6,143
T1 1,107356 0,414226 0,895669 0,525929 0,995 4,577
T2 1,178519 0,310150 0,956591 0,304725 0,995 4,785
T3 1,190889 0,296576 0,961870 0,275107 0,995 4,890
T4 1,164312 0,311251 0,956660 0,323565 0,994 5,297
T5 1,198085 0,246006 0,982823 0,232356 0,994 5,363
T1 0,743504 1,079283 0,995487 -0,307557 -0,091382 0,741395 0,126890 -0,372076 0,996 4,156
T2 1,464506 0,717230 1,013259 -0,412970 -0,049354 0,076987 0,403179 -0,246860 0,996 4,560
T3 1,303963 0,781925 1,009075 -0,388695 -0,028682 -0,149235 0,436131 -0,092661 0,995 4,643
T4 1,430850 0,733422 1,012125 -0,558590 -0,006582 -0,394471 0,631366 -0,240405 0,995 4,960
T5 1,085063 0,888015 1,003484 -0,047764 -0,047157 -0,037372 0,231334 0,032447 0,994 5,095
T1 0,905747 0,026687 -4,245083 1,910249 -1,550061 5,410057 0,996 4,272
T2 0,938309 0,042161 -8,263431 4,041881 -3,639550 2,199196 0,995 5,769
T3 0,917845 0,063157 -5,185282 2,442356 -2,074024 8,756116 0,995 5,025
T4 0,911913 0,056973 -5,954976 2,854175 -2,515275 1,038068 0,994 5,408
T5 0,866042 0,069662 -4,181630 1,867851 -1,803690 8,932014 0,994 5,291
T1 0,624803 0,995 4,883
T2 0,680044 0,994 5,734
T3 0,685231 0,993 6,106
T4 0,670391 0,993 6,004
T5 0,610797 0,992 6,343
syx(%)Modelo Tratamento Coeficientes ou Parâmetros dos Modelos
RYŶ
Ormerod (1973)
Biging (1984)
Demaerschalk (1972)
Garay (1979)
Kozak (1988)
Max e Burkhart (1976)
30
A2 – Gráficos de dispersão de resíduos (%), gráficos dos valores estimados em função dos valores observados, gráfico da frequência do
erro (%) dos seis (6) modelos ajustados para o Tratamento 1.
Continua...
32
A3 - Gráficos de dispersão de resíduos (%), gráficos dos valores estimados em função dos valores observados, gráfico da frequência do erro
(%) dos seis (6) modelos ajustados para o Tratamento 2.
Continua...
34
A4 - Gráficos de dispersão de resíduos (%), gráficos dos valores estimados em função dos valores observados, gráfico da frequência do erro
(%) dos seis (6) modelos ajustados para o Tratamento 3.
Continua...
36
A5 - Gráficos de dispersão de resíduos (%), gráficos dos valores estimados em função dos valores observados, gráfico da frequência do erro
(%) dos seis (6) modelos ajustados para o Tratamento 4.
Continua...
38
A6 - Gráficos de dispersão de resíduos (%), gráficos dos valores estimados em função dos valores observados, gráfico da frequência do erro
(%) dos seis (6) modelos ajustados para o Tratamento 5.
Continua...