Monitoramento nutricional e de produção de espécies florestais utilizando equações alométricas, índices espectrais e machine learning

Monitorar o crescimento e a nutrição de espécies florestais sempre foi desafiador, principalmente devido às limitações na coleta de dados dessas espécies. Nesse contexto, surgiram outros métodos, como o uso de modelos com equações alométricas e, mais recentemente, o uso de aprendizado de máquina. Além disso, métodos de monitoramento da nutrição além do intervalo de suficiência têm sido implementados com sucesso. No entanto, as espécies florestais mais estudadas são Eucalipto e Pinus, havendo poucas pesquisas realizadas em espécies nativas ou de alta qualidade, como a Teca. Portanto, este trabalho teve como objetivo explorar essa necessidade de pesquisa em quatro capítulos: I) Uso do método da linha de fronteira e CND para determinar valores de referência de nutrientes para teca (Tectona grandis). II) Modelagem da produtividade da Teca (Tectona grandis) no Brasil com variáveis ambientais, imagens de satélite e aprendizado de máquina. III) Modelagem da produtividade da Teca (Tectona grandis) com variáveis ambientais, imagens de satélite e aprendizado de máquina no Brasil. IV) Características do solo e modelos alométricos para características biométricas e quantidades de nutrientes em árvores de alto rendimento de “Bolaina” (Guazuma crinita). No primeiro capítulo, o uso do Método da Linha de Fronteira como nova abordagem mostrou-se eficiente para selecionar uma população de alto rendimento. Além disso, o uso das normas CND foi prático para realizar o estabelecimento de valores de referência de equilíbrio e pode servir como guia para interpretação e diagnóstico nutricional em Teca, além de outras espécies vegetais. No segundo capítulo, foram explorados seis algoritmos de aprendizado de máquina para a modelagem da produtividade e características dendrométricas. Os algoritmos Cubist e Random Forest apresentaram melhor desempenho, sendo que o modelo Cubist selecionou variáveis relacionadas à topografia, enquanto o Random Forest resultou em um modelo mais equilibrado. Além disso, este é o primeiro estudo a utilizar uma abordagem holística para previsão de crescimento em Teca. No terceiro capítulo, foi explorada uma abordagem semelhante à do capítulo dois, mas com foco nas concentrações de macronutrientes (N, P, K, Ca, Mg, S) e micronutrientes (B, Cu, Fe, Mn e Zn) nas plantas. O Random Forest apresentou melhor desempenho e selecionou as variáveis de S disponível, idade, dias sem chuva e déficit hídrico como as mais importantes. Este também é o primeiro estudo publicado em Teca (Tectona grandis) que utiliza estes algoritmos para predizer concentrações de nutrientes, mas são necessárias mais pesquisas para aprimorar os modelos atuais e tornar o manejo nutricional florestal mais eficiente. Por fim, no quarto capítulo, o trabalho foi realizado com uma espécie nativa da Amazônia no Peru e o uso de equações alométricas para predizer o crescimento e o acúmulo de nutrientes. Este estudo foi o primeiro a avaliar e modelar o crescimento, as quantidades de macro e micronutrientes no ciclo produtivo dessa espécie. Também demonstrou que a espécie seguiu o padrão Ca>N>K>P>S>Mg para macronutrientes e Fe>B>Mn>Zn>Cu para micronutrientes, sendo os melhores modelos de predição o modelo de raiz quadrada e o modelo logístico. Palavras-chave: Teca – Análise de folhas; Teca – Reflectância espectral; Teca – Aprendizado de máquina; Teca – CND; Teca - Modelagem; Guazuma crinita – Equações alométricas; Guazuma crinita – Nutrição.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.