Classificação de sítio x Oscilações climáticas: uma abordagem de classificação baseado em machine learning
modelos híbridos, variáveis climáticas, sensoriamento remoto
A eucaliptocultura cresceu rapidamente na última década, tornando o Brasil líder global em exportação de celulose. O monitoramento contínuo das florestas é essencial para prever estoques futuros e otimizar o manejo. O índice de sítio, amplamente utilizado para estimar produtividade, não incorpora variáveis climáticas, tornando-o menos preciso diante de eventos extremos como La Niña e El Niño. Modelos híbridos, que combinam variáveis ambientais com abordagens empíricas, têm sido estudados para reduzir vieses nas projeções. Além disso, o sensoriamento remoto, ao fornecer dados em tempo real sobre a vegetação, melhora a estimativa de crescimento florestal. No entanto, a escolha das variáveis mais relevantes é um desafio. Técnicas de aprendizado de máquina, como programação genética, auxiliam na seleção e combinação ideal de fatores. Este estudo desenvolveu um modelo generalista para prever o crescimento da altura dominante, integrando dados climáticos e satelitais para melhorar a gestão e planejamento florestal. A expansão de parâmetros com variáveis climáticas e orbitais foi capaz de auxiliar a capacidade explicativa do modelo de crescimento, principalmente