Sistemas Inequiâneos
26 de maio de 2026
Em florestas inequiâneas, não manejamos todas as árvores como se tivessem a mesma idade ou mesmo diâmetro.
O desafio é sempre manter árvores pequenas, médias e grandes em quantidades adequadas para garantir uma produção contínua ao longo do tempo.
Para Formações florestais inequiâneas não existem mais idade, rotação e corte final.
O foco passa a ser a estrutura diamétrica.
Isso também é evidente no método de matrizes de transição. Em resumo, apenas uma pequena fração dos indivíduos atinge tamanhos interessantes para o manejo.
Esse padrão de decréscimo foi estudado por François de Liocourt (1898), que percebeu uma relação parecida com
\[ q = {N_1 \over N_2} = {N_2 \over N_3} = \cdots = {N_{i-1} \over N_i} \]
Lei de Liocourt e Distribuição Exponencial
A relação \(q = {N_{i-1} \over N_i}\), se representada matematicamente, resulta em uma distribuição exponencial de decréscimo de diâmetros, i.e., um formato de J-invertido
\[ N_i = \beta_0.e^{\beta_1.X_i} \]
\[ \ln(N_i) = \beta_0' + \beta_1 .X_i \]
Onde \(N_i\) é o número de árvores por classe diamétrica, e \(X_i\) é o centro de classe.
Já na década de 1930, o austríaco radicado nos EUA Hans Arthur Meyer aplicou os conceitos de Liocourt no manejo florestal, criando o chamado Modelo de Floresta Balanceada.
Meyer sabia que uma exploração sustentada exige manter indivíduos em todas as classes diamétricas.
Parte do pressuposto do rendimento sustentado de florestas ao longo do tempo.
Pode ser utilizado para definir a seleção de indivíduos para corte.
Assim, desenvolveu um método que concilia:
uma área basal desejada (\(B\));
um diâmetro máximo de manejo (\(D\));
e um quociente entre classes sucessivas (\(q\)).
É o estoque que permanece na floresta após a intervenção.
Define o nível de ocupação da floresta.
No manejo florestal de florestas inequiâneas, o estoque é historicamente regulado pela área basal (ocupação) do local.
Define até qual classe diamétrica a floresta será conduzida
Por exemplo: Uma floresta balanceada de até 50 cm significa que ela será conduzida para que se chegue a esse diâmetro.
Define a proporção entre classes.
O \(q\) controla a inclinação da distribuição diamétrica. Ele define quantas árvores de uma classe menor são necessárias em relação à classe imediatamente superior.
| Floresta | \(q\) | \(G\) | \(D\) | Interpretação |
|---|---|---|---|---|
| A | 1,6 | 12 \(m^2.ha^{-1}\) | 40 cm | Floresta mais aberta |
| B | 1,6 | 24 \(m^2.ha^{-1}\) | 40 cm | Floresta mais densa |
| C | 1,6 | 24 \(m^2.ha^{-1}\) | 70 cm | Floresta com maior presença de árvores grandes |
Floresta balanceada depende do conjunto de todos esses fatores.
viewof q = {
const controle = Inputs.range(
[1.1, 2.5],
{
value: 1.6,
step: 0.05,
label: "Fator q"
}
)
controle.classList.add("controle-q")
return controle
}
// Dados observados — barras fixas
dados_obs = [
{classe: "10–15", d1: 10, d2: 15, dap: 12.5, n: 180},
{classe: "15–20", d1: 15, d2: 20, dap: 17.5, n: 125},
{classe: "20–25", d1: 20, d2: 25, dap: 22.5, n: 80},
{classe: "25–30", d1: 25, d2: 30, dap: 27.5, n: 55},
{classe: "30–35", d1: 30, d2: 35, dap: 32.5, n: 42},
{classe: "35–40", d1: 35, d2: 40, dap: 37.5, n: 25},
{classe: "40–45", d1: 40, d2: 45, dap: 42.5, n: 18},
{classe: "45–50", d1: 45, d2: 50, dap: 47.5, n: 10}
]
// Parâmetros do modelo balanceado
amplitude_classe = 5
d0 = 12.5
n0 = dados_obs[0].n
// Curva exponencial dependente do q
curva = Array.from({length: 300}, (_, i) => {
const dap = 10 + i * (40 / 299)
const n_modelo = n0 * Math.exp(-(Math.log(q) / amplitude_classe) * (dap - d0))
return {dap, n_modelo}
})
Plot.plot({
width: 720,
height: 330,
marginLeft: 55,
marginRight: 15,
marginTop: 15,
marginBottom: 42,
style: {
fontFamily: "Arial, sans-serif",
fontSize: "12px"
},
x: {
label: "Classe diamétrica (cm)",
domain: [10, 50],
ticks: dados_obs.map(d => d.dap),
tickFormat: d => {
const classe = dados_obs.find(x => x.dap === d)
return classe ? classe.classe : d
}
},
y: {
label: "Número de árvores por hectare",
domain: [0, 200],
grid: true
},
marks: [
Plot.rectY(dados_obs, {
x1: "d1",
x2: "d2",
y: "n",
fill: "#d9d9d9",
stroke: "#666666",
inset: 1
}),
Plot.lineY(curva, {
x: "dap",
y: "n_modelo",
stroke: "#107895",
strokeWidth: 4
}),
Plot.ruleY([0])
]
})Tudo isso respeitando uma taxa de corte sustentada!
Se ajustarmos os dados do histograma ao modelo abaixo
\[ \begin{aligned} N_i &= \beta_0.e^{\beta_1.d_i} \\ \ln(N_i) &= \beta_0' + \beta_1.d_i \end{aligned} \]
Obteremos o valor de \(q\) “atual” ou “natural” da floresta em questão, pois
\[ q = {N_1 \over N_2} = {\beta_0.e^{\beta_1.d_1} \over \beta_0.e^{\beta_1.d_2}} = e^{\beta_1.(d_1 - d_2)} \]
Mas não queremos essa curva. Estamos buscando uma curva que satisfaça os valores táticos de \(\textcolor{blue}{q}\), \(\textcolor{green}{G}\) e \(\textcolor{orange}{D}\).
Em outras, palavras, precisamos obter \(\beta_0\) e \(\beta_1\) a partir de \(\textcolor{blue}{q}\), \(\textcolor{green}{G}\) e \(\textcolor{orange}{D}\).
Para \(\beta_1\) já sabemos que
\[ \textcolor{blue}{q} = e^{\beta_1.(d_1 - d_2)} \]
Portanto,
\[ \beta_1 = {\ln(\textcolor{blue}{q}) \over d_1 - d2} \]
Para o \(\beta_0\), existe a relação
\[ \textcolor{orange}{G} = {\pi d_1^2 \over 40000}.f_1 + {\pi d_2^2 \over 40000}.f_2 + \cdots + {\pi \textcolor{green}{D}^2 \over 40000}.f_{\textcolor{green}{D}} \]
Como \(f_i = N_i = \beta_0.e^{\beta_1.d_i}\), então
\[ \beta_0 = {\textcolor{orange}{G}.40000 \over \pi \displaystyle\sum_{i=1}^{\textcolor{green}{D}} d_i^2 e^{\beta_1.d_i}} \]
| Variável | Atual | Objetivo |
|---|---|---|
| \(q\) | 2.1208 | 1.8 |
| \(G\) | 28.97 | 22 |
| \(D\) | - | 55 |
| \(\beta_0\) | 818.2086 | 426.9277 |
| \(\beta_1\) | -0.0752 | -0.0588 |
Posso cortar tudo que está acima da curva?
Não!
A comparação fornece em quais classes é permitido o corte, mas a quantidade a ser retirada depende do ciclo de corte adotado.