Dissertação/Tese EFICIÊNCIA DE ÍNDICES DE COMPETIÇÃO INDEPENDENTES DE DISTÂNCIA (IID) NA MODELAGEM DO CRESCIMENTO EM NÍVEL DE ÁRVORE INDIVIDUAL DE Toona ciliata E Acrocarpus fraxinifolius NA REGIÃO CENTRAL DE MINAS GERAIS - PPGCF

O cedro australiano (Toona ciliata) e o cedro indiano (Acrocarpus fraxinifolius) são promissores para a produção de madeira de alto valor no Brasil, mas seu manejo carece de ferramentas precisas de prognose que considerem a competição. Este trabalho avaliou a eficácia de índices de competição independentes da distância (IID) em modelos de crescimento (diâmetro, altura e volume comercial) em nível de árvore individual (Modelos de árvores individuais - MAI) e mortalidade em um povoamento experimental em Curvelo-MG. Utilizando dados de quatro inventários florestais (72, 88, 100 e 108 meses), testaram-se cinco modelos de regressão e três algoritmos de aprendizado de máquina (Random Forest, Gradient Boosting e Support Vector Regression), incorporando cinco IIDs. A projeção do crescimento foi realizada em etapas sucessivas sob restrições de consistência biológica. As técnicas de aprendizado de máquinas superaram as regressões clássicas. O algoritmo Random Forest, com o índice baseado na relação dimensional de diâmetro e altura da árvore-objeto e as médias do povoamento, obteve melhor performance para diâmetro e altura futuros. Para o volume, o Gradient Boosting associado ao índice dimensional de diâmetro (IID1) foi o mais preciso. Na mortalidade, o Gradient Boosting associado ao índice de área basal de árvores maiores (BAL) apresentou o melhor desempenho. A simulação projetou uma evolução consistente da produtividade, passando de 46,5 m³/ha aos 88 meses para 63,6 m³/ha aos 132 meses. Concluise que a inclusão de IIDs em modelos de aprendizado de máquina proporciona prognoses precisas e biologicamente coerentes para o manejo dessas espécies.

Australian cedar (Toona ciliata) and Indian cedar (Acrocarpus fraxinifolius) show promise for the production of high-value timber in Brazil; however, their management lacks precise yield projection tools that account for competition. This study evaluated the effectiveness of distanceindependent competition indices (DICI) in individual-tree growth models (Individual-Tree Models - ITM) for diameter, height, and commercial volume, as well as mortality, in an experimental stand located in Curvelo, Minas Gerais. Using data from four forest inventories (72, 88, 100, and 108 months), five regression models and three machine learning algorithms (Random Forest, Gradient Boosting, and Support Vector Regression) were tested, incorporating five DICIs. Growth projection was carried out in successive steps under biological consistency constraints. Machine learning techniques outperformed classical regressions. The Random Forest algorithm, combined with the index based on the dimensional relationship between the subject tree's diameter and height relative to stand averages, achieved the best performance for future diameter and height. For volume, Gradient Boosting associated with the dimensional diameter index (DICI1) was the most accurate. For mortality, Gradient Boosting associated with the basal area of larger trees (BAL) index demonstrated the best performance. The simulation projected a consistent evolution in yield, increasing from 46.5 m³·ha⁻¹ at 88 months to 63.6 m³·ha⁻¹ at 132 months. It is concluded that the inclusion of DICIs in machine learning models provides accurate and biologically coherent projections for managing these species.