Relação Hipsométrica
26 de agosto de 2026
UNIDADE 3 - ALTURA DAS ÁRVORES
3.1 - Altura das árvores - semelhança de triângulos e resolução da tangente de ângulos
3.2 - Relação hipsométrica e sua modelagem matemática
A altura é uma medida mais difícil de ser obtida que o diâmetro
À campo, é comum medir todos os diâmetros da parcela, porém apenas algumas das alturas, pois isso poupa tempo e dinheiro.
E o que se faz com as árvores cuja altura não foi medida?
Estimamos utilizando modelos matemáticos.
\[ \begin{array}{l} h = \textcolor{green}{\beta_0} + \textcolor{blue}{\beta_1} . \log(d) \\ h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(d) \end{array} \]
Supondo que \(\bar{d} = 20.6 \enspace cm\) e \(d_g = 22.8 \enspace cm\), quais são as alturas respectivas?
\[ \begin{array}{l} h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(\bar{d}) \\ h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(d_g) \end{array} \]
\[ \begin{array}{l} f(\bar{d}) = 15.28 \enspace m \\ f(d_g) = 16.25 \enspace m \end{array} \]
Portanto essa relação matemática permite que a altura seja estimada a partir de um dado de diâmetro.
A Engenharia Florestal está repleta de estudos e relações entre variáveis dendrométricas. E para quase todas essas, utilizam-se modelos de regressão para construir essas relações.
Existem diferentes modelos matemáticos testados na literatura para descrever essas relações.
\[ h = \textcolor{red}{\beta_0} + \textcolor{red}{\beta_1}.d + \textcolor{red}{\beta_2}.d^2 \]
Nos modelos de regressão, \(\textcolor{red}{\beta_0}, \textcolor{red}{\beta_1}, \dots, \textcolor{red}{\beta_n}\) são os parâmetros do modelo.
Parâmetros do Modelo
Eles que regulam onde a curva irá passar nos dados.
Como encontrar \(\beta_i\) tal que a curva tenha o melhor ajuste?
O Método dos Mínimos Quadrados Ordinários é o método utilizado para encontrar os valores de \(\beta_i\) que melhor se ajustam à relação entre as variáveis.
Condição de Utilização dos MQO
O método dos MQO só funcionam para modelos lineares!
Modelos lineares são aqueles cujos parâmetros estão na forma aditiva entre si e com expoente 1:
\[ \begin{array}{l} \textcolor{green}{y = \beta_0 + \beta_1.X_1 + \beta_2.X_2} \\ \textcolor{red}{y = \beta_0.\beta_1^{X_1}.X_2} \\ \textcolor{red}{y = \beta_0.X_1^{\beta_1}.X_2^{\beta_2}} \\ \textcolor{green}{y = \beta_0 + \beta_1.X_1.X_2 + \beta_2.X_3} \\ \end{array} \]
Seja o modelo
\[ \begin{array}{l} h = \beta_0 + \beta_1.d \\ Y = \beta_0 + \beta_1.X \end{array} \]
Aqui, \(h\) é a variável \(Y\), chamada de variável dependente ou variável resposta. Já a variável \(d\) será a variável \(X\), chamada de variável independente ou covariável.
Pelos MQO, os parâmetros \(\beta_i\) são estimados via:
\[ \hat{\beta}_1 = {\sum XY - {\left(\sum X\right)\left(\sum Y\right) \over n} \over \sum X^2 - {\left(\sum X \right)^2 \over n}} \]
\[ \hat{\beta}_0 = \bar{Y} - \hat{\beta}_1.\bar{X} \]
| N | X (d) | Y (h) | Y² | X² | XY |
|---|---|---|---|---|---|
| 1 | 19.0 | 12.7 | 161.3 | 361.1 | 241.3 |
| 2 | 26.9 | 18.4 | 338.6 | 723.5 | 494.9 |
| 3 | 24.8 | 17.1 | 292.4 | 616.4 | 424.6 |
| 4 | 27.2 | 16.3 | 265.7 | 740.7 | 443.6 |
| 5 | 14.1 | 11.6 | 134.6 | 199.7 | 163.9 |
| 6 | 16.5 | 11.9 | 141.6 | 270.8 | 195.8 |
| 7 | 17.6 | 15.1 | 228.0 | 311.0 | 266.3 |
| 8 | 20.0 | 14.6 | 213.2 | 400.9 | 292.3 |
| 9 | 20.1 | 14.2 | 201.6 | 402.1 | 284.8 |
| 10 | 23.9 | 16.4 | 269.0 | 569.9 | 391.5 |
| 11 | 13.5 | 11.7 | 136.9 | 182.2 | 157.9 |
| 12 | 13.3 | 11.5 | 132.2 | 177.0 | 153.0 |
| 13 | 16.9 | 10.5 | 110.2 | 284.6 | 177.1 |
| 14 | 23.9 | 16.8 | 282.2 | 569.9 | 401.1 |
| 15 | 25.7 | 17.8 | 316.8 | 659.9 | 457.2 |
| N | X (d) | Y (h) | Y² | X² | XY |
|---|---|---|---|---|---|
| 1 | 19.0 | 12.7 | 161.3 | 361.1 | 241.3 |
| 2 | 26.9 | 18.4 | 338.6 | 723.5 | 494.9 |
| 3 | 24.8 | 17.1 | 292.4 | 616.4 | 424.6 |
| 4 | 27.2 | 16.3 | 265.7 | 740.7 | 443.6 |
| 5 | 14.1 | 11.6 | 134.6 | 199.7 | 163.9 |
| 6 | 16.5 | 11.9 | 141.6 | 270.8 | 195.8 |
| 7 | 17.6 | 15.1 | 228.0 | 311.0 | 266.3 |
| 8 | 20.0 | 14.6 | 213.2 | 400.9 | 292.3 |
| 9 | 20.1 | 14.2 | 201.6 | 402.1 | 284.8 |
| 10 | 23.9 | 16.4 | 269.0 | 569.9 | 391.5 |
| 11 | 13.5 | 11.7 | 136.9 | 182.2 | 157.9 |
| 12 | 13.3 | 11.5 | 132.2 | 177.0 | 153.0 |
| 13 | 16.9 | 10.5 | 110.2 | 284.6 | 177.1 |
| 14 | 23.9 | 16.8 | 282.2 | 569.9 | 401.1 |
| 15 | 25.7 | 17.8 | 316.8 | 659.9 | 457.2 |
\[ \begin{array}{l} \textcolor{red}{\sum X = \displaystyle\sum_{i=1}^{15} x_i = 303.35} \\ \textcolor{blue}{\sum Y = \displaystyle\sum_{i=1}^{15} y_i = 216.6} \\ \textcolor{green}{\sum Y^2 = \displaystyle\sum_{i=1}^{15} y^2_i = 3224.36} \\ \textcolor{purple}{\sum X^2 = \displaystyle\sum_{i=1}^{15} x^2_i = 6469.75} \\ \textcolor{orange}{\sum XY = \displaystyle\sum_{i=1}^{15} x_iy_i = 4545.44} \end{array} \]
| N | X (d) | Y (h) | Y² | X² | XY |
|---|---|---|---|---|---|
| 1 | 19.0 | 12.7 | 161.3 | 361.1 | 241.3 |
| 2 | 26.9 | 18.4 | 338.6 | 723.5 | 494.9 |
| 3 | 24.8 | 17.1 | 292.4 | 616.4 | 424.6 |
| 4 | 27.2 | 16.3 | 265.7 | 740.7 | 443.6 |
| 5 | 14.1 | 11.6 | 134.6 | 199.7 | 163.9 |
| 6 | 16.5 | 11.9 | 141.6 | 270.8 | 195.8 |
| 7 | 17.6 | 15.1 | 228.0 | 311.0 | 266.3 |
| 8 | 20.0 | 14.6 | 213.2 | 400.9 | 292.3 |
| 9 | 20.1 | 14.2 | 201.6 | 402.1 | 284.8 |
| 10 | 23.9 | 16.4 | 269.0 | 569.9 | 391.5 |
| 11 | 13.5 | 11.7 | 136.9 | 182.2 | 157.9 |
| 12 | 13.3 | 11.5 | 132.2 | 177.0 | 153.0 |
| 13 | 16.9 | 10.5 | 110.2 | 284.6 | 177.1 |
| 14 | 23.9 | 16.8 | 282.2 | 569.9 | 401.1 |
| 15 | 25.7 | 17.8 | 316.8 | 659.9 | 457.2 |
\[ \hat{\beta}_1 = {\textcolor{orange}{\sum XY} - {\left(\textcolor{red}{\sum X}\right)\left(\textcolor{blue}{\sum Y}\right) \over n} \over \textcolor{purple}{\sum X^2} - {\left(\textcolor{red}{\sum X} \right)^2 \over n}} \]
\[ \hat{\beta}_1 = {4545.44 - {\left(303.35 \right) \left(216.6 \right) \over 15} \over 6469.75 - {\left( 303.35\right)^2 \over 15}} = 0.4927 \]
\[ \hat{\beta}_0 = \bar{Y} - \left(\hat{\beta}_1 . \bar{X} \right) \]
\[ \hat{\beta}_0 = 14.44 - \left(0.4927\times 20.22\right) = 4.4753 \]
Portanto a regressão ajustada fica:
\[ Y = \hat{\beta}_0 + \hat{\beta}_1 . X \]
\[ h = 4.4753 + 0.4927 \times d \]
Qual a altura de uma árvore com 17.2 cm de diâmetro?
\(h = 12.94974 \enspace m\)
| N | d | h | Y | X |
|---|---|---|---|---|
| 1 | 19.0 | 12.7 | ||
| 2 | 26.9 | 18.4 | ||
| 3 | 24.8 | 17.1 | ||
| 4 | 27.2 | 16.3 | ||
| 5 | 14.1 | 11.6 | ||
| 6 | 16.5 | 11.9 | ||
| 7 | 17.6 | 15.1 | ||
| 8 | 20.0 | 14.6 |
Exercício: Encontre os parâmetros ajustados do modelo
\[ \log(h) = \beta_0 + \beta_1. \left({1 \over d} \right) \]
| N | d | h | Y | X |
|---|---|---|---|---|
| 1 | 19.0 | 12.7 | 2.5416 | 0.0526 |
| 2 | 26.9 | 18.4 | 2.9124 | 0.0372 |
| 3 | 24.8 | 17.1 | 2.8391 | 0.0403 |
| 4 | 27.2 | 16.3 | 2.7912 | 0.0367 |
| 5 | 14.1 | 11.6 | 2.4510 | 0.0708 |
| 6 | 16.5 | 11.9 | 2.4765 | 0.0608 |
| 7 | 17.6 | 15.1 | 2.7147 | 0.0567 |
| 8 | 20.0 | 14.6 | 2.6810 | 0.0499 |
Exercício: Encontre os parâmetros ajustados do modelo
\[ \log(h) = \beta_0 + \beta_1. \left({1 \over d} \right) \]
\[ \begin{array}{l} \sum X = 0.405 \\ \sum Y = 21.40746 \end{array} \]
\[ \begin{array}{l} \sum X^2 = 0.0215331\\ \sum Y^2 = 57.4906087\\ \sum XY = 1.0706938 \end{array} \]
\[ \begin{array}{l} \hat{\beta}_0 = 3.3174 \\ \hat{\beta}_1 = -12.6711 \end{array} \]
Podemos pensar na análise de regressão como quanto da variabilidade de \(Y\) é explicada por \(X\).
Existem maneiras de avaliar quão bem \(X\) consegue explicar \(Y\). Tais medidas fazem uso das Somas de Quadrados, que são medidas de variabilidade.
Somas de Quadrados
Na Regressão Linear existem três Somas de Quadrados:
Soma de Quadrados Total: \(SQT = \sum Y^2 - {\left(\sum Y \right)^2 \over n}\)
Soma de Quadrados da Regressão: \(SQR = \hat{\beta_1}\left(\sum XY - {\left(\sum X \right)\left(\sum Y \right) \over n}\right)\)
Soma de Quadrados do Erro/Resíduo: \(SQE = SQT - SQReg\)
| Fonte de Variação | Graus de Liberdade (\(gl\)) | Soma dos Quadrados (\(SQ\)) | Quadrados Médios (\(QM\)) | Estatística \(F\) | Valor-\(p\) |
|---|---|---|---|---|---|
| Regressão (Modelo) | \(p-1\) | \(SQR\) | \(QMR = \frac{SQR}{p-1}\) | \(F = \frac{QMR}{QME}\) | \(P(F > f_{calc})\) |
| Resíduo (Erro) | \(n - p\) | \(SQE\) | \(QME = \frac{SQE}{n - p}\) | — | — |
| Total | \(n - 1\) | \(SQT\) | — | — | — |
Onde \(p\) = número de parâmetros do modelo (\(\beta_i\)); \(n\) = número de observações.
Veja que a soma de quadrados totais (SQT) SEMPRE será a soma de \(SQR + SQE\), isto é: \(SQT = SQR + SQE\)
Ao realizar uma ANOVA, testamos as seguintes hipóteses:
\(H_0\): O modelo ajustado não representa a relação entre \(Y\) e \(X(s)\).
\(H_1\): O modelo ajustado representa a relação entre \(Y\) e \(X(s)\).
Outra medida é o Coeficiente de Determinação - \(R^2\), calculado como
\[ R^2 = {\text{Soma de Quadrados da Regressão} \over \text{Soma de Quadrados Total}} = {SQR \over SQT} \]
\(R^2\)
Essa medida é adimensional, e varia entre 0 e 1. Quanto mais próximo de 1, melhor.
Dada a relação \(SQT = SQR + SQE\), o coeficiente de determinação \(R^2\) também pode ser escrito como
\[ R^2 = 1 - {SQE \over SQT} \]
É um indicador do erro cometido quando se utiliza a equação ajustada para se obter uma estimativa.
\[ S_{yx} = \sqrt{{SQE \over {n-p}}} = \sqrt{QME} \]
\(S_{yx}\)
O Erro Padrão de Estimativa (\(S_{yx}\)) tem a mesma unidade da variável \(Y\). Ele é basicamente um desvio-padrão, portanto é sempre positivo.
O \(S_{yx}\) também pode ser representado em porcentagem (%)
\[ S_{yx}\% = {S_{yx} \over \bar{Y}} . 100 \]
\(S_{yx}\%\)
Nesse caso ele não terá unidade, e interpreta-se algo como “O modelo erra em média \(S_{yx}\%\) por cento”.
Seja o seguinte modelo linear simples, com \(n = 30\) observações
\[ \hat{Y} = 2,625704 - 0,591614.X \]
| Fonte de Variação | Graus de Liberdade (\(gl\)) | Soma dos Quadrados (\(SQ\)) | Quadrados Médios (\(QM\)) |
|---|---|---|---|
| Regressão (Modelo) | \(1\) | \(3,44601\) | \(3,44601\) |
| Resíduo (Erro) | \(28\) | \(3,24351\) | \(0,11584\) |
| Total | \(29\) | \(6,68952\) |
Teste F
\[ F = {QMR \over QME} = {3,44601 \over 0,11584} = 29,75^{**} \]
Rejeita \(H_0\), o modelo ajustado representa a relação entre \(X\) e \(Y\) ao nível de 1% de significância.
Coeficiente de Determinação \(R^2\)
\[ R^2 = {SQT \over SQT} = {3,44601 \over 6,68952} = 0,5151 \]
Erro Padrão de Estimativa \(S_{yx}\)
\[ S_{yx} = \sqrt{QME} = \sqrt{0,1157} = 0,3404 \]
\[ S_{yx}\% = {S_{yx} \over \bar{Y}}.100 = {0,3404 \over \left({20,58 \over 30} \right)} . 100 = 49,62\% \]
| N | d (cm) | h (m) |
|---|---|---|
| 1 | 10 | 11.0 |
| 2 | 13 | 15.0 |
| 3 | 15 | 17.0 |
| 4 | 20 | 19.0 |
| 5 | 21 | 21.0 |
| 6 | 25 | 23.0 |
| 7 | 28 | 27.0 |
| 8 | 22 | 21.0 |
| 9 | 19 | 21.0 |
| 10 | 9 | 9.0 |
| 11 | 16 | 18.0 |
| 12 | 13 | 15.0 |
| 13 | 25 | 23.0 |
| 14 | 9 | 10.0 |
| 15 | 15 | 14.5 |
Que tipo de curva melhor representa esses dados?. Uma reta? Uma parábola?
\(Y = \beta_0 + \beta_1.X\)
Assim como para diâmetro, algumas alturas médias ou estimadas são particularmente importantes para a ciência florestal.
Exemplos de alturas oportunas
A Altura média \(\bar{h}\) é obtida a partir da média das alturas observadas.
Para dados não agrupados
\[ \bar{h} = { \displaystyle\sum_{i=1}^{n} h_i \over n } \]
Para dados agrupados
\[ \bar{h} = { \displaystyle\sum_{j=1}^{k} h_j f_j \over \displaystyle\sum_{j=1}^{k} f_j} \]
A Altura de Lorey é calculada como uma altura média ponderada pela área transversal.
Para dados não agrupados
\[ h_L = {\displaystyle\sum_{i=1}^{n} g_i h_i \over \displaystyle\sum_{i=1}^{n} g_i} \]
Para dados agrupados
\[ h_L = { \displaystyle\sum_{j=1}^{k} g_j h_j f_j \over \displaystyle\sum_{j=1}^{k} g_j f_j} \]
São aquelas obtidas utilizando uma equação ajustada. Por exemplo:
\[ h = 2,87 + 5,22 . d \]
Então, \[ h_g = 2,87 + 5,22 . d_g \]
Exemplo:
Altura da árvore de área transversal central \(h_z\) supondo certo modelo hipsométrico
\[ \ln(h_z) = \beta_0 + \beta_1.{1 \over d_z} \]
\[ h_z = e^{\beta_0 + \beta_1{1 \over d_z}} \]
A altura dominante é uma altura considerada como a altura das maiores árvores do povoamento.
Existem diversas definições do que pode ser uma altura dominante.
H média das 100 árvores mais altas por hectare (Hart);
H média de 20% das árvores mais altas por hectare;
H média das 100 árvores mais grossas por hectare (Assmann) \(h_{dom}\), \(h_{100}\);
H média de 20% das árvores mais grossas por hectare;
H correspondente à árvore com o DAP igual à média aritmética do DAP do povoamento mais 3 desvio padrão (Naslund);
H correspondente ao DAP médio de 20% das árvores mais grossas no povoamento (Weise);
H média das dominantes e codominantes (Meyer).
H média das 100 árvores mais altas por hectare (Hart);
H média de 20% das árvores mais altas por hectare;
c) H média das 100 árvores mais grossas por hectare (Assmann) \(h_{dom}\), \(h_{100}\);
H média de 20% das árvores mais grossas por hectare;
H correspondente à árvore com o DAP igual à média aritmética do DAP do povoamento mais 3 desvio padrão (Naslund);
H correspondente ao DAP médio de 20% das árvores mais grossas no povoamento (Weise);
H média das dominantes e codominantes (Meyer).
Considera-se como altura dominante a altura média das 100 árvores de maior área transversal no hectare.
Proporcional ao hectare
Caso tenha-se uma parcela, por exemplo, com 30x30m, utilizam-se as X maiores árvores da parcela.
A área da parcela vale \(30\times 30 \enspace m = 900 \enspace m^2 = 0,09 ha\), portanto utilizam-se \(100 \times 0,09 = 9\) árvores.
| N | d (cm) | h (m) |
|---|---|---|
| 1 | 10 | 11.0 |
| 2 | 13 | 15.0 |
| 3 | 15 | 17.0 |
| 4 | 20 | 19.0 |
| 5 | 21 | 21.0 |
| 6 | 25 | 23.0 |
| 7 | 28 | 27.0 |
| 8 | 22 | 21.0 |
| 9 | 19 | 21.0 |
| 10 | 9 | 9.0 |
| 11 | 16 | 18.0 |
| 12 | 13 | 15.0 |
| 13 | 25 | 23.0 |
| 14 | 9 | 10.0 |
| 15 | 15 | 14.5 |
Seja o banco de dados obtido de uma parcela de \(20 \times 25\) m. Qual é a altura dominante?
Área da parcela \(a = 20 \enspace m \times 25 \enspace m = 500 \enspace m^2 = 0,05 \enspace ha\), portanto serão \(100 \times 0,05 = 5\) árvores.
| N | d (cm) | h (m) |
|---|---|---|
| 1 | 10 | 11.0 |
| 2 | 13 | 15.0 |
| 3 | 15 | 17.0 |
| 4 | 20 | 19.0 |
| 5 | 21 | 21.0 |
| 6 | 25 | 23.0 |
| 7 | 28 | 27.0 |
| 8 | 22 | 21.0 |
| 9 | 19 | 21.0 |
| 10 | 9 | 9.0 |
| 11 | 16 | 18.0 |
| 12 | 13 | 15.0 |
| 13 | 25 | 23.0 |
| 14 | 9 | 10.0 |
| 15 | 15 | 14.5 |
Seja o banco de dados obtido de uma parcela de \(20 \times 25\) m. Qual é a altura dominante?
Área da parcela \(a = 20 \enspace m \times 25 \enspace m = 500 \enspace m^2 = 0,05 \enspace ha\), portanto serão \(100 \times 0,05 = 5\) árvores.
\[ h_{dom} = {21 + 25 + 28 + 22 + 25 \over 5} = 23 \enspace m \]
| n | d (cm) | h (m) | n | d (cm) | h (m) | n | d (cm) | h (m) | n | d (cm) | h (m) |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 11.5 | 20.0 | 6 | 24.0 | 40.4 | 11 | 21.3 | 36.0 | 16 | 24.4 | 41.1 |
| 2 | 13.3 | 22.9 | 7 | 17.1 | 29.1 | 12 | 16.5 | 28.2 | 17 | 17.3 | 29.5 |
| 3 | 23.1 | 39.0 | 8 | 7.5 | 13.6 | 13 | 16.7 | 28.6 | 18 | 3.7 | 7.3 |
| 4 | 14.9 | 25.6 | 9 | 10.7 | 18.8 | 14 | 15.2 | 26.0 | 19 | 18.4 | 31.3 |
| 5 | 15.3 | 26.2 | 10 | 12.1 | 21.0 | 15 | 11.5 | 20.0 | 20 | 11.9 | 20.7 |
Calcule a altura dominante da parcela abaixo, sabendo que a área da parcela é de \(30 \enspace m \times 40 \enspace m\).
\[ h_{dom} = 31.8 \enspace m \qquad h = 26.3 \enspace m \]
Importância no Manejo Florestal
A Altura Dominante é uma medida muito importante no manejo florestal.
É a variável mais utilizada para indicar a capacidade produtiva de um determinado local.