Modelar de maneira precisa o crescimento e a produção de povoamentos é importante para um melhor gerenciamento dos recursos florestais. Como o manejo tem demandado cada vez mais detalhes acerca do crescimento e dinâmica dos povoamentos, principalmente aqueles destinados à produção de madeira de alta qualidade ou a multiprodutos, modelos em nível de distribuição diamétrica e em nível de árvores individuais têm sido cada vez mais demandados. Assim sendo, este trabalho teve por objetivo modelar o crescimento e a produção de povoamentos de eucalipto, em nível de árvores individuais, utilizando regressão, redes neurais artificiais (RNA) e Autômatos Celulares (AC). Dados de parcelas permanentes foram empregados para ajuste de equações para predizer o crescimento de variáveis dendrométricas (diâmetro e altura) e probabilidade de mortalidade das árvores, bem como para o treinamento das RNA para estas mesmas variáveis. As estimativas obtidas por meio de RNA foram mais precisas quando comparadas àquelas obtidas por modelos de regressão. As melhores redes, juntamente com uma arquitetura de AC, foram utilizadas para validação do modelo, empregando dados independentes daqueles utilizados no ajuste dos modelos de regressão e treinamento das RNA. Projetando-se a estrutura dessas parcelas independentes (diâmetro, altura e mortalidade das árvores) de 24 meses até 72 meses, observou-se que as RNA e a estrutura de AC forneceram estimativas precisas em nível de árvores individuais, classes de diâmetro e por unidade de área (hectares).
Accurately model the stand growth and yield is important to improve the forest resource management. As the management has increase demanded more details about the forest stand growth and dynamics, especially those for the wood or multiproduct high quality production, diametric distribution model and individual trees model have been more demanded. Thus, this study aimed to model the eucalyptus growth and production, at the individual trees level, using regression, artificial neural networks (ANN) and Cellular Automata (CA). Data from permanent plots were used to equations adjust to predict the dendrometric variables (diameter and height) growth and the tree mortality probability, as well as for ANN training for these same variables. The estimates obtained by ANN were more accurate than those estimated by regression models. The best networks, herewith an CA architecture, were used to validate the model, using independent data of those used to adjust the regression models and ANN training. Projecting the structure of these independent plots (diameter, height and tree mortality) from 24 months to 72 months, it was observed that the ANN CA structure provided accurate estimates at the individual trees level, diameter classes and for area unit (hectares).
