Beruflich Dokumente
Kultur Dokumente
NO LINEARES
GENERALIZADOS
APLICADOS NA PREDIO DA REA BASAL
Modelos
no lineares
generalizados
aplicados ...
541
E VOLUME DE Eucalyptus CLONAL
Samuel de Pdua Chaves e Carvalho1, Natalino Calegario2, Fabyano Fonseca e Silva3, Lus Antnio Coimbra Borges4,
Adriano Ribeiro de Mendona5, Mariana Peres de Lima6
(recebido: 9 de fevereiro de 2010; aceito: 22 de agosto de 2011)
RESUMO: Neste trabalho, objetivou-se propor o uso de modelos no lineares generalizados na predio da rea basal e do crescimento
e produo em volume total do hbrido Eucalyptus urocamaldulensis, em um plantio localizado na regio central do estado de
Minas Gerais, pertencente V&M Florestal. A metodologia proposta permite trabalhar com os dados na sua forma original sem a
necessidade de transformaes de variveis, e gerar modelos mais precisos. Para a avaliao da qualidade de ajuste dos modelos
propostos, foram utilizados os critrios de informao Bayesiano, de Akaike e o teste de razo da mxima verossimilhana, alm
do erro padro residual e percentual, e dos grficos de resduos. Os modelos se mostraram com uma boa performance, altamente
precisos e parcimoniosos nas estimativas das variveis propostas, com erros reduzidos para 12% em rea basal e 4% para predio
volumtrica.
Palavras-chave: Modelos estocsticos, predio, crescimento e produo florestal.
1 INTRODUO
O conhecimento do estoque de madeira de um
empreendimento florestal um fator de grande relevncia,
pois gera planejamentos mais precisos e com tomadas de
decises mais sensatas. O uso de modelos estocsticos ou
probabilsticos, aplicados a dados oriundos de inventrio
florestal, facilita e gera um suporte tcnico na tomada de
decises pelo gerente florestal.
Na modelagem o que se busca so modelos
capazes de descrever uma realidade com maior nvel
Engenheiro Florestal, Doutorando em Recursos Florestais Departamento de Cincias Florestais Escola Superior Luiz de Queiroz/ESALQ
Universidade de So Paulo/USP Cx. P. 9 13418-900 Piracicaba, SP, Brasil spccarvalho@usp.br
2
Engenheiro Florestal, Professor Dr. em Cincias Florestais Departamento de Cincias Florestais Universidade Federal de Lavras/UFLA Cx.P. 3037
37.200-000 Lavras, MG calegari@dcf.ufla.br
3
Zootecnista, Professor Dr. em Estatstica e Experimentao Agropecuria Departamento de Cincias Exatas Universidade Federal de Viosa/UFV
36.570-000 Viosa, MG fabyano@dpi.ufv.br
4
Engenheiro Florestal, Professor Dr. em Engenharia Florestal Departamento de Cincias Florestais Universidade Federal de Lavras/UFLA Cx.P. 3037
37.200-000 Lavras, MG luis.borges@dcf.ufla.br
5
Engenheiro Florestal, Professor Dr. em Engenharia Florestal Departamento de Engenharia Florestal Centro de Cincias Agrrias Universidade
Federal do Esprito Santo Av. Governador Lindemberg, 316, Centro 29550-000 Jeronimo Monteiro, ES ribeiroflorestal@yahoo.com.br
6
Engenheira Florestal, Professora Doutoranda em Recursos Florestais Instituto de Cincias Agrria e Ambientais Universidade Federal de Mato
Grosso Campus Universitrio Sinop Av. Alexandre Ferronato, n 1200 78557-267 Sinop, MT, Brasil marianaperes@ufmt.br
1
Carvalho, S. de P. C. e et al.
542
tcnica utilizada a modelagem da heterogeneidade
de varincia. A homogeneidade de varincia uma das
pressuposies bsicas da anlise da regresso e, muitas
vezes, essa pressuposio violada. Visto isso, aumenta
a importncia de trabalhos que apliquem a tcnica de
modelagem da varincia. Na modelagem florestal, podem
ser citados os trabalhos de Calegario et al. (2005b) e
Carvalho et al. (2009).
Em se tratando de dados de crescimento e produo
florestal, estes so caracterizados por se apresentarem
como desbalanceados, longitudinais e irregularmente
espaados (Gregoire et al., 1995), ou seja, h um
alto grau de complexidade no tratamento de dados dessa
natureza. Essa complexidade e o elevado nmero de dados
justificam o uso das tcnicas estatsticas mais apuradas
como o uso de modelos generalizados e a modelagem da
heterocedasticidade.
Para se conhecer um estoque presente e futuro de
um povoamento florestal necessrio o desenvolvimento
de alguns passos at se chegar a um modelo de crescimento
e produo florestal. Dentre esses passos podem ser
citados: a) Modelagem da relao altura-dimetro, tambm
conhecida como relao hipsomtrica; b) Modelagem da
altura das rvores mdias dominantes e codominantes,
variando no tempo; c) Classificao de stios florestais
(ndices de produtividade local); d) Predio da densidade
do povoamento, expressa, por exemplo, pela predio
da rea Basal; e) Modelagem do volume por rvore
individual; f) e, por fim, predio e projeo da produo,
expressa em volume por unidade de rea.
Neste trabalho, objetivou-se propor o uso de
modelos no lineares generalizados com adio de
covariantes e funes de varincia na predio da rea
basal e do crescimento e da produo do volume total.
A finalidade a obteno de modelos parcimoniosos, de
simples interpretao e de alta preciso.
2 MATERIAL E MTODOS
2.1 Caracterizao da rea de estudo e dos dados
Para desenvolvimento deste estudo, foram
utilizados dados de parcelas circulares e permanentes
de 400 m de rea localizadas em povoamentos do
hbrido Eucalyptus urocamaldulensis. A fazenda onde
foi conduzido o experimento pertence empresa V&M
Florestal, situada no municpio de Paraopeba, regio
central do estado de Minas Gerais, Brasil. A regio tem
uma temperatura mdia anual de 20,9C e precipitao
anual de 1328,7 mm (INSTITUTO BRASILEIRO DE
GEOGRAFIA E ESTATSTICA - IBGE, 2009). Os
plantios so caracterizados por espaamento 3x3 m e o solo
do tipo arenoso. Na Tabela 1, so apresentadas algumas
caractersticas dos dados utilizados neste estudo.
2.2 Predio da rea basal
Em nvel de povoamento, foi utilizado o modelo
assinttico com dois parmetros (Pinheiro; Bates,
2009). Tal modelo foi inicialmente proposto para se estimar
curvas de demanda de oxignio bioqumico (Bates;
Watts, 1988). O modelo adaptado para rea basal na
sua forma original (simples) expresso por:
Gi = 1 1 exp ( exp ( 2 ) I i ) + i
(1)
em que:
Gi = rea basal do povoamento (m.ha-1); I = idade da
i-sima unidade amostral (anos); 1 e 2 = parmetros a
serem estimados; i = erro aleatrio.
O modelo (1) foi rearranjado com o objetivo de se
adicionar ao modelo, variveis que, alm da idade, tambm
afetam as variaes em G. Foram inseridas no modelo
as covariantes ndice de stio e nmero de fustes por
hectare, que representam, respectivamente, uma varivel
indicadora de produtividade e densidade do povoamento.
Tabela 1 Caracterizao dos dados utilizados nos procedimentos de ajuste dos modelos de crescimento e produo em rea basal
e volume.
Table 1 Summary of the utilized data for fitting growth and yield of basal area and volume models.
Nmero de
talhes
56
Nmero de
parcelas
128
Valor
IS
Mnimo
17,5
625
2,60
7,7125
0,6
Mdio
22,5
1085
13,77
114,1719
3,38
Mximo
32,5
1550
28,30
364,8245
7,7
IS = ndice de stio aos 7 anos (m); N = nmero de fustes por hectare; G = rea basal (m.ha-1); V = volume (m.ha-1); I = idade
(anos).
543
(1.1)
sendo:
n
ji IS = parmetro com uma varivel binria associada
i =1
1
I
1 + exp 2 i
3
+ i
(2)
sendo:
Vi = volume da i-sima unidade amostral (m.ha-1); Ii =
idade da i-sima unidade amostral (anos); i = parmetros
a serem estimados; i = erro aleatrio.
Trata-se de um modelo no linear de comportamento
biolgico em que o parmetro 1 representa o ponto de
assntota, dado pelo valor mdio mximo da varivel resposta.
O parmetro 2 corresponde ao ponto de inflexo, em que
este representa o ponto de mxima taxa de crescimento,
dado pelo ponto em que h mudana na curvatura e sua
unidade a mesma do eixo x. O parmetro 3 representa o
ponto de escala em que este obtido pela diferena entre o
valor aproximadamente 70% assntota e o valor na inflexo
e possui a mesma unidade do eixo das abscissas.
O modelo (2) foi rearranjado, inserindo-se o efeito
da heterocedasticidade no processo de modelagem, e
seus parmetros foram decompostos com adio das
covariantes ndice de stio e rea basal para melhoria da
preciso do modelo.
Vi
10 + 11 ISi + 12 Gi
+ i
(2.1)
( 20 + 21 ISi + 22 Gi ) I i
1 + exp
30 + 31 ISi + 32 Gi
sendo:
IS = ndice de stio aos 7 anos da i-sima unidade amostral
(m); G = rea basal projetada pelo modelo (1.1) da i-sima
unidade amostral (m.ha-1).
( )
Var ij = ij
g ij , = ij
em que:
S yx =
Y Y
i =1
n p
S yx (%) =
S yx
Y
.100
em que:
Syx = erro padro da estimativa na unidade da varivel
resposta; Syx (%) = erro padro relativo (%); Y = varivel
regressora estimada pelo modelo; Y = varivel observada;
n = nmero de observaes; p = nmero de parmetros.
2.5.2 Critrio de Informao de Akaike (AIC) e Critrio
de Informao Bayesiano (BIC)
AIC =
2 ln (mv) + 2 p
BIC =
2 ln (mv) + p ln (n)
sendo:
mv = valor que maximiza a funo de verossimilhana;
p = nmero de parmetros do modelo; n = nmero de
observaes.
Cerne, Lavras, v. 17, n. 4, p. 541-548, out./dez. 2011
Carvalho, S. de P. C. e et al.
544
Quanto menores os valores de AIC e BIC melhor
o modelo ajustado. Os critrios propostos para a seleo
dos modelos so de extrema relevncia na anlise de
regresso, pois penalizam modelos com nmero excessivos
de parmetros, selecionando modelos mais parcimoniosos.
2.5.3 Teste de Razo da Mxima Verossimilhana (TRMV)
Trata-se de um teste de comparao dois a dois de
modelos aninhados dado pela diferena entre os valores
mximos da funo de verossimilhana dos modelos,
expresso por:
TRMV = 2[ ln (mv2)ln (mv1)]
em que:
mv2 = valor que maximiza a funo de verossimilhana
do modelo completo; mv1 = valor que maximiza a funo
de verossimilhana do modelo simples.
Esse valor testado pela estatstica com p2-p1
graus de liberdade. Se o valor de TRMV for significativo
ao nvel de de probabilidade, o modelo com maior valor
de mv (mxima verossimilhana) apresenta maior preciso.
Foi feita ainda a anlise grfica de resduos
para verificar as pressuposies bsicas de anlise de
regresso em que os resduos se assumem independentes,
identicamente distribudos, com distribuio normal,
mdia zero e varincia .
2
Syx (m.ha-1)
Syx%
Simples
2,2457
15,5677
Completo
1,8001
12,4775
3 RESULTADOS E DISCUSSO
1
G.L.
AIC
BIC
Simples
Completo
---
Simples = modelo no seu formato original (1); Completo = modelo com adio das covariantes (1.1); G.l. = graus de liberdade;
AIC = critrio de informao de Akaike; BIC = critrio de informao Bayesiano; LogLik = log da funo de verossimilhana;
TRMV = teste da razo da mxima verossimilhana; p-valor =
nvel de significncia do TRMV.
Covariante
associada
Valor
Erro
padro
t-valor
Intercepto
6,4143 3,2454
1,9764
0,0486
stio 22,5
6,9458 1,4561
4,7699
< 0,0001
8,1657
< 0,0001
p-valor
8,7516
< 0,0001
6,8772
< 0,0001
0,0184 0,0026
---
545
Para gerar a Figura 2, foi fixado um nmero de 1000
fustes por hectare variando os ndices de stio. possvel
verificar a grande variabilidade do crescimento em rea
basal para os diferentes stios e a capacidade do modelo
completo de deslocar nos dados captando ao mximo as
variaes existentes.
5.5 Crescimento e Produo Volumtrica
Nas Tabelas 5 e 6, so apresentados os resultados da
anlise da varincia para comparao e seleo do modelo
de predio do crescimento e da produo em volume por
hectare com os respectivos valores de erro padro residual
e percentual.
Tabela 5 Anlise da varincia para comparao e seleo do
modelo utilizado na predio do crescimento e da produo em
volume por hectare.
Table 5 Analysis of variance for comparison and selection of the
utilized model for predicting volume growth and yield per hectare.
Modelo
G.L. AIC
BIC
Logstico
completo
11 3327,21 3375,56 -1652,6
heterocedstico
Logstico
simples
---
4,7836
4,01
Logstico simples
29,57
26,31
Carvalho, S. de P. C. e et al.
546
concluses implicam que os efeitos rea basal e ndice
de stio tornam o modelo completo mais adequado para a
descrio dos dados. O que se observa tambm a reduo
de 26,31 para 4,01% do erro padro residual, ou seja, a
modelagem da heterocedasticidade bem como a adio do
efeito das covariantes contribui significativamente para
melhoria do modelo.
Os parmetros do modelo logstico completo
heterocedstico selecionado para predio do crescimento
e da produo em volume por hectare so apresentados
na Tabela 7.
Tabela 7 Parmetros do modelo logstico completo para predio do crescimento e da produo em volume total.
Table 7 Parameters of the full logistic model for predicting
total volume growth and yield.
Parmetro
Covariante
Valor
associada
Erro
padro
t-valor
p-valor
Stio
Stio
Stio
547
5 AGRADECIMENTOS
empresa V&M florestal pela concesso dos
dados e apoio tcnico-cientfico no desenvolvimento deste
estudo. Em especial ao Engenheiro Florestal Fernando
Fischer.
6 REFERNCIAS
BATES, D. M.; WATTS, D. G. Nonlinear regression analysis
and its applications. New York: Wiley, 1988. 365 p.
BUDHATHOKI, C. B.; LYNCH, T. B.; GULDIN, J. M.
Nonlinear mixed modeling of basal area growth for shortleaf
pine. Forest Ecology and Management, Amsterdam, v. 255,
n. 8/9, p. 3440-3446, May 2008.
548
PILAR-DAZ, M.; COUTO, H. T. Z. do. Modelos generalizados
para a mortalidade de rvores de Eucalyptus grandis no Estado de
So Paulo, Brasil. Scientia Forestalis, n. 56, p. 101-111, 1999.
Carvalho, S. de P. C. e et al.
PINHEIRO, J. C.; BATES, D. M. Mixed-effects models in
S and S-PLUS. 2. ed. New York: Springer-Verlag, 2009.
528 p.