UNIDADE 3 - ALTURA DAS ÁRVORES

Relação Hipsométrica

Prof. Dr. Gabriel Agostini Orso

Universidade Federal de Santa Maria

26 de agosto de 2026

Aula de hoje

  • 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

Relação Hipsométrica

Relação Hipsométrica

  • 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.

Relação Hipsométrica

Relação Hipsométrica

\[ \begin{array}{l} h = \textcolor{green}{\beta_0} + \textcolor{blue}{\beta_1} . \log(d) \\ h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(d) \end{array} \]

Relação Hipsométrica

  • Essa relação permite avaliar perguntas como
    • Qual a altura da árvore de diâmetro médio \(\bar{d}\)?
    • Qual a altura da árvore de diâmetro quadrático médio \(d_g\)?

Supondo que \(\bar{d} = 20.6 \enspace cm\) e \(d_g = 22.8 \enspace cm\), quais são as alturas respectivas?

\[ \begin{array}{l} h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(\bar{d}) \\ h = \textcolor{green}{-13.626} + \textcolor{blue}{9.556} . \log(d_g) \end{array} \]

\[ \begin{array}{l} f(\bar{d}) = 15.28 \enspace m \\ f(d_g) = 16.25 \enspace m \end{array} \]

Relação Hipsométrica

  • 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.

Relação Hipsométrica

Existem diferentes modelos matemáticos testados na literatura para descrever essas relações.

Relação Hipsométrica

\[ h = \textcolor{red}{\beta_0} + \textcolor{red}{\beta_1}.d + \textcolor{red}{\beta_2}.d^2 \]

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.

Relação Hipsométrica

Como encontrar \(\beta_i\) tal que a curva tenha o melhor ajuste?

Relação Hipsométrica

Mínimos Quadrados Ordinários - MQO

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:

\[ \begin{array}{l} \textcolor{green}{y = \beta_0 + \beta_1.X_1 + \beta_2.X_2} \\ \textcolor{red}{y = \beta_0.\beta_1^{X_1}.X_2} \\ \textcolor{red}{y = \beta_0.X_1^{\beta_1}.X_2^{\beta_2}} \\ \textcolor{green}{y = \beta_0 + \beta_1.X_1.X_2 + \beta_2.X_3} \\ \end{array} \]

Mínimos Quadrados Ordinários

 

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.

Mínimos Quadrados Ordinários

 

Pelos MQO, os parâmetros \(\beta_i\) são estimados via:

\[ \hat{\beta}_1 = {\sum XY - {\left(\sum X\right)\left(\sum Y\right) \over n} \over \sum X^2 - {\left(\sum X \right)^2 \over n}} \]

\[ \hat{\beta}_0 = \bar{Y} - \hat{\beta}_1.\bar{X} \]

Mínimos Quadrados Ordinários

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

Mínimos Quadrados Ordinários

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

\[ \begin{array}{l} \textcolor{red}{\sum X = \displaystyle\sum_{i=1}^{15} x_i = 303.35} \\ \textcolor{blue}{\sum Y = \displaystyle\sum_{i=1}^{15} y_i = 216.6} \\ \textcolor{green}{\sum Y^2 = \displaystyle\sum_{i=1}^{15} y^2_i = 3224.36} \\ \textcolor{purple}{\sum X^2 = \displaystyle\sum_{i=1}^{15} x^2_i = 6469.75} \\ \textcolor{orange}{\sum XY = \displaystyle\sum_{i=1}^{15} x_iy_i = 4545.44} \end{array} \]

Mínimos Quadrados Ordinários

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

\[ \hat{\beta}_1 = {\textcolor{orange}{\sum XY} - {\left(\textcolor{red}{\sum X}\right)\left(\textcolor{blue}{\sum Y}\right) \over n} \over \textcolor{purple}{\sum X^2} - {\left(\textcolor{red}{\sum X} \right)^2 \over n}} \]

\[ \hat{\beta}_1 = {4545.44 - {\left(303.35 \right) \left(216.6 \right) \over 15} \over 6469.75 - {\left( 303.35\right)^2 \over 15}} = 0.4927 \]

\[ \hat{\beta}_0 = \bar{Y} - \left(\hat{\beta}_1 . \bar{X} \right) \]

\[ \hat{\beta}_0 = 14.44 - \left(0.4927\times 20.22\right) = 4.4753 \]

Mínimos Quadrados Ordinários

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?

\(h = 12.94974 \enspace m\)

Mínimos Quadrados Ordinários

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

\[ \log(h) = \beta_0 + \beta_1. \left({1 \over d} \right) \]

Mínimos Quadrados Ordinários

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

\[ \log(h) = \beta_0 + \beta_1. \left({1 \over d} \right) \]

\[ \begin{array}{l} \sum X = 0.405 \\ \sum Y = 21.40746 \end{array} \]

\[ \begin{array}{l} \sum X^2 = 0.0215331\\ \sum Y^2 = 57.4906087\\ \sum XY = 1.0706938 \end{array} \]

\[ \begin{array}{l} \hat{\beta}_0 = 3.3174 \\ \hat{\beta}_1 = -12.6711 \end{array} \]

Qualidade do Ajuste

  • 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: \(SQE = SQT - SQReg\)

Qualidade do Ajuste

Tabela de Análise de Variância (ANOVA) da Regressão

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: \(SQT = SQR + SQE\)

Qualidade do Ajuste

Tabela de Análise de Variância (ANOVA) da Regressão

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 \(X(s)\).

Qualidade do Ajuste

Coeficiente de Determinação (\(R^2\))

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.

Qualidade do Ajuste

Coeficiente de Determinação (\(R^2\))

Dada a relação \(SQT = SQR + SQE\), o coeficiente de determinação \(R^2\) também pode ser escrito como

\[ R^2 = 1 - {SQE \over SQT} \]

Qualidade do Ajuste

Erro Padrão de Estimativa - (\(S_{yx}\))

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.

Qualidade do Ajuste

Erro Padrão de Estimativa - (\(S_{yx}\))

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”.

Qualidade do Ajuste

Exemplo

Seja o seguinte modelo linear simples, com \(n = 30\) observações

\[ \hat{Y} = 2,625704 - 0,591614.X \]

Qualidade do Ajuste

Exemplo

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 \(29\) \(6,68952\)

Qualidade do Ajuste

Exemplo

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.

Qualidade do Ajuste

Exemplo

Coeficiente de Determinação \(R^2\)

\[ R^2 = {SQT \over SQT} = {3,44601 \over 6,68952} = 0,5151 \]

Qualidade do Ajuste

Exemplo

Erro Padrão de Estimativa \(S_{yx}\)

\[ S_{yx} = \sqrt{QME} = \sqrt{0,1157} = 0,3404 \]

\[ S_{yx}\% = {S_{yx} \over \bar{Y}}.100 = {0,3404 \over \left({20,58 \over 30} \right)} . 100 = 49,62\% \]

Exercício

Exercício

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?

\(Y = \beta_0 + \beta_1.X\)

Médias dendrométricas

Médias dendrométricas

Assim como para diâmetro, algumas alturas médias ou estimadas são particularmente importantes para a ciência florestal.

Exemplos de alturas oportunas

  • Altura média \(\bar{h}\)
  • Alturade Lorey \(h_L\)
  • Alturas Representativas
  • Alturas dominantes

Altura média \(\bar{h}\)

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

\[ \bar{h} = { \displaystyle\sum_{j=1}^{k} h_j f_j \over \displaystyle\sum_{j=1}^{k} f_j} \]

Altura de Lorey \(h_L\)

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

\[ h_L = { \displaystyle\sum_{j=1}^{k} g_j h_j f_j \over \displaystyle\sum_{j=1}^{k} g_j f_j} \]

Alturas Representativas

São aquelas obtidas utilizando uma equação ajustada. Por exemplo:

  • Altura de área transversal média (\(h_g\)): Corresponde à altura estimada utilizando \(d_g\) na equação.

\[ h = 2,87 + 5,22 . d \]

Então, \[ h_g = 2,87 + 5,22 . d_g \]

Alturas Representativas

Exemplo:

Altura da árvore de área transversal central \(h_z\) supondo certo modelo hipsométrico

\[ \ln(h_z) = \beta_0 + \beta_1.{1 \over d_z} \]

\[ h_z = e^{\beta_0 + \beta_1{1 \over d_z}} \]

Altura Dominante

 

  • 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.

Altura Dominante

  1. H média das 100 árvores mais altas por hectare (Hart);

  2. H média de 20% das árvores mais altas por hectare;

  3. H média das 100 árvores mais grossas por hectare (Assmann) \(h_{dom}\), \(h_{100}\);

  4. H média de 20% das árvores mais grossas por hectare;

  5. H correspondente à árvore com o DAP igual à média aritmética do DAP do povoamento mais 3 desvio padrão (Naslund);

  6. H correspondente ao DAP médio de 20% das árvores mais grossas no povoamento (Weise);

  7. H média das dominantes e codominantes (Meyer).

Altura Dominante

  1. H média das 100 árvores mais altas por hectare (Hart);

  2. H média de 20% das árvores mais altas por hectare;

c) H média das 100 árvores mais grossas por hectare (Assmann) \(h_{dom}\), \(h_{100}\);

  1. H média de 20% das árvores mais grossas por hectare;

  2. H correspondente à árvore com o DAP igual à média aritmética do DAP do povoamento mais 3 desvio padrão (Naslund);

  3. H correspondente ao DAP médio de 20% das árvores mais grossas no povoamento (Weise);

  4. H média das dominantes e codominantes (Meyer).

Altura Dominante

Altura de Assmann

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.

Altura Dominante

Exemplo

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.

Altura Dominante

Exemplo

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.

\[ h_{dom} = {21 + 25 + 28 + 22 + 25 \over 5} = 23 \enspace m \]

Altura Dominante

Exercício

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 \(30 \enspace m \times 40 \enspace m\).

\[ h_{dom} = 31.8 \enspace m \qquad h = 26.3 \enspace m \]

Altura Dominante

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.