Pesquisadores da área de mensuração florestal têm incluído com frequência em seus estudos o uso das técnicas de inteligência computacional (IC) para realização de trabalhos de modelagem por serem capazes de manipular um grande conjunto de dados e criar modelos robustos. Dentre essas técnicas, se destacam a Rede Neural Artificial (RNA) e a recente Máquina de Vetor de Suporte (MVS). Dessa forma, buscou-se nesse trabalho avaliar a aplicação dessas técnicas (RNA e MVS) no processo de classificação da capacidade produtiva de povoamentos florestais com a inclusão de variáveis edáficas, de manejo e do povoamento, comparando os seus resultados com os obtidos pelo método da curva guia. Foi possível concluir que as técnicas de IC avaliadas são capazes de classificar a capacidade produtiva do local de forma satisfatória, desde que utilizadas as variáveis adequadas; o uso conjunto das variáveis “tipo de solo”, “espaçamento do plantio”, “idade” e “altura dominante”, foi suficiente para classificar os sítios; a RNA foi mais precisa para classificar a capacidade produtiva do que a MVS; a inclusão de muitas variáveis pouco significativas pode prejudicar ou ser indiferente no desempenho das técnicas.
Researchers in forest measurement have often included in their studies the use of computational intelligence (CI) techniques for modeling by being able to manipulate a large data set and create robust models. Among these techniques stands out Artificial Neural Network (ANN) and the latest Support Vector Machine (SVM). Therefore this study aimed to evaluate the use of these techniques (ANN and SVM) in site classification including some characteristics of soil, management and forest, comparing their results with those obtained by the guide curve method. It was concluded that CI techniques evaluated are able to classify sites satisfactorily since the appropriate variables are used; the combination of variables “soil type”, “planting spacing”, “age” and “dominant height” was sufficient to classify the sites; the ANN is better than SVM to site indexing; the inclusion of many low significance variables can be either detrimental or indifferent to the techniques performances.
