MODELAGEM DA NECROMASSA E DO CRESCIMENTO DE ÁRVORES INDIVIDUAIS EM UMA ÁREA MANEJADA DE FLORESTA TROPICAL ÚMIDA, NA AMAZÔNIA
Carbono, madeira morta, resíduo lenhoso.
A necromassa lenhosa representa cerca de 20% do carbono disponível na biomassa acima do solo em florestas amazônicas. Entretanto, a sua quantificação não é uma atividade comum em estudos florestais. O objetivo deste trabalho foi realizar a modelagem volumétrica da necromassa a fim de proporcionar uma ferramenta para quantificação deste componente da vegetação. A coleta de dados foi realizada em 15 unidades amostrais (U.A.) permanentes alocadas em floresta sob manejo florestal sustentável e outras 5 em floresta não manejada, localizadas no estado do Amazonas, Brasil. Foi realizada a cubagem de troncos e pedaços de troncos de árvores mortos caídos dentro dos limites da parcela com diâmetro a partir de 10 cm. A modelagem foi realizada por meio de regressão não-linear (modelo de Schumacher-Hall), Redes Neurais Artificiais (RNA) e Máquina de Vetor de Suporte (MVS), em que os dados foram divididos em 80% para ajuste/treinamento e 20% para teste. Foram considerados os seguintes critérios de precisão da modelagem: correlação entre valores estimados e observados, raiz do erro quadrático médio e distribuição gráfica dos resíduos. Foram cubados um total de 1049 troncos, ou pedaços de troncos caídos, sendo 848 na área de floresta manejada e 201 na Floresta não manejada. Os três métodos testados apresentaram correlação entre volume observado e estimado próxima a 1. Os menores RMSE% foram de 33,21% na floresta manejada (RNA) para a base de ajuste e 22,38% na floresta não manejada (Schumacher-Hall) para os dados de teste. As RNA apresentaram melhor desempenho durante a etapa de treinamento. Entretanto, não houve boa extrapolação dos seus resultados para a base teste. O modelo de Schumacher-Hall apresentou o melhor desempenho para a estimativas de volume com os dados da base de teste. A modelagem do volume individual de troncos mortos caídos apresentou dificuldade para minimização dos erros de estimativa devido às características dos dados.