Florestas Naturais

Crescimento e Produção

Prof. Dr. Gabriel Agostini Orso

Universidade Federal de Santa Maria

28 de abril de 2026

Aula de hoje

  • Matrizes de Transição

Introdução

Como projetamos o crescimento para povoamentos?

Que fatores facilitam a projeção?

Introdução

Homogeneidade

Sistemas silviculturais com uma única espécie facilitam a projeção do crescimento. Além disso, se essas tiverem a mesma idade, o comportamento de todas as árvores se torna ainda mais previsível.

Isso é caracterizado pela homogeneidade de sistemas equiâneos no manejo florestal.

O que muda para florestas naturais?

Introdução

Florestas naturais não possuem nenhuma dessas características: são de várias espécies, de idades indeterminadas.

Isso torna a prognose da produção em florestas naturais mais difícil e imprecisa, quando comparada com povoamentos equiâneos.

Introdução

 

Introdução

Outros fatores passam a importar

Além da variedade de espécies e idades, outros dois fatores atuam de forma constante na floresta:

  • Ingresso/Recrutamento
  • Mortalidade

Florestas naturais estão em constantes ritmos de Ingresso, Crescimento e Mortalidade. A atuação conjunta desses mecanismos é chamada de Dinâmica da Floresta.

Introdução

Como transformar isso em números?

Três formas:

  • Modelos de Povoamento
  • Modelos de Classe de Tamanho
  • Modelos de Árvore Individual

Introdução

Como transformar isso em números?

Três formas:

  • Modelos de Povoamento
  • Modelos de Classe de Tamanho
  • Modelos de Árvore Individual

Distribuição Diamétrica

Distribuição Diamétrica

Aqui temos efeito combinado do Ingresso, Crescimento e Mortalidade.

Se pensarmos nas classes diamétricas, parte das árvores avança, parte morre, e novas árvores surgem nas primeiras classes.

Distribuição Diamétrica

\[ 2006 = \begin{bmatrix}7503 & 1421 & 466 & 195 & 158 & 92 & 25 & 3 & 0 \end{bmatrix} \]\[ 2009 = \begin{bmatrix} 7644 & 1601 & 494 & 191 & 154 & 103 & 33 & 8 & 0 \end{bmatrix} \]

CLASSE 1

  • 7266 árvores permaneceram na classe 1 entre 2006-2009.

  • 201 árvores avançaram da classe 1 para 2 entre 2006-2009.

  • 36 árvores morreram. na classe 1 entre 2006-2009.

  • 378 árvores ingressaram na classe 1 entre 2006-2009

Distribuição Diamétrica

\[ 2006 = \begin{bmatrix}7503 & 1421 & 466 & 195 & 158 & 92 & 25 & 3 & 0 \end{bmatrix} \]\[ 2009 = \begin{bmatrix} 7644 & 1601 & 494 & 191 & 154 & 103 & 33 & 8 & 0 \end{bmatrix} \]

CLASSE 2

  • 1400 árvores permaneceram na classe 2 entre 2006-2009.

  • 201 árvores chegaram da classe 1 para 2 entre 2006-2009.

  • 11 árvores morreram na classe 2 entre 2006-2009.

  • 10 árvores avançaram da classe 2 para 3 entre 2006-2009.

Matriz de Transição

\[ Y_1 = \begin{bmatrix} 7503\\ 1421\\ 466\\ 195\\ 158\\ 92\\ 25\\ 3\\ 0 \end{bmatrix} \]

Matriz de Transição

\[ Y_1 = \begin{bmatrix} y_{11} \\ y_{12} \\ \vdots \\ y_{1n} \end{bmatrix} \qquad \qquad Y_2 = \begin{bmatrix} y_{21} \\ y_{22} \\ \vdots \\ y_{2n} \end{bmatrix} \]

\[ Y_2 = M . Y_1 + I \]

Matriz de Transição

\[ \begin{equation} \begin{bmatrix} Y_{21} \\ Y_{22} \\ Y_{23} \\ Y_{24} \\ Y_{25} \\ \vdots \\ \vdots \\ Y_{2n} \end{bmatrix} = \begin{bmatrix} a_1 & 0 & 0 & \dots & \dots & 0 \\ b_2 & a_2 & 0 & \dots & \dots & 0 \\ c_3 & b_3 & a_3 & \dots & \dots & 0 \\ 0 & c_4 & b_4 & \dots & \dots & 0 \\ 0 & 0 & c_5 & \dots & \dots & 0 \\ \vdots & \vdots & \vdots & \ddots & \ddots & \vdots \\ \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & c_n & b_n & a_n \end{bmatrix} \cdot \begin{bmatrix} Y_{11} \\ Y_{12} \\ Y_{13} \\ Y_{14} \\ Y_{15} \\ \vdots \\ \vdots \\ Y_{1n} \end{bmatrix} + \begin{bmatrix} I_{1} \\ I_{2} \\ I_{3} \\ I_{4} \\ I_{5} \\ \vdots \\ \vdots \\ I_{n} \end{bmatrix} \end{equation} \]

Matriz de Transição

\[ M = \begin{array}{c|ccccccc} & 1 & 2 & 3 & 4 & 5 & & n \\ \hline 1 & a_1 & 0 & 0 & 0 & 0 & \dots & 0 \\ 2 & b_2 & a_2 & 0 & 0 & 0 & \dots & 0 \\ 3 & c_3 & b_3 & a_3 & 0 & 0 & \dots & 0 \\ 4 & 0 & c_4 & b_4 & a_4 & 0 & \dots & 0 \\ 5 & 0 & 0 & c_5 & b_5 & a_5 & \dots & 0 \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\ i_n & 0 & 0 & 0 & c_n & b_n & \dots & a_n \end{array} \]

Matriz de Transição

\[ a_i = {\text{Número de árvores vivas que permaneceram na i-ésima \\ classe no período} \over \text{Número de árvores existentes na i-ésima classe no tempo t}} \]

\[ b_i = {\text{Número de árvores vivas que migram da i-ésima \\ classe para a classe i+1 no período} \over \text{Número de árvores existentes na i-ésima classe no tempo t}} \]

\[ c_i = {\text{Número de árvores vivas que migram da i-ésima \\ classe para a classe i+2 no período} \over \text{Número de árvores existentes na i-ésima classe no tempo t}} \]

Matriz de Transição

\[ \begin{array}{c} Y_2 = M . Y_1 + I \\ Y_3 = M . Y_2 + I \\ \vdots \\ Y_p = M . Y_{p-1} + I \end{array} \]

Princípios da Matriz de Transição

  • Princípio: Cadeia de Markov ou Matriz de Transição.

  • Utilizada para a realizar a prognose da produção em florestas naturais.

  • Estima a probabilidade de transição dos diâmetros entre classes diamétricas.

  • A projeção é feita a partir da Matriz de Probabilidades de Transição.

Princípios da Matriz de Transição

Estimativa de Probabilidades

As probabiliddes em um período de medição são obtidas pela razão de mudanças ocorridas numa classe diamétrica, tais como:

  • Árvores que mudaram de classe
  • Árvores mortas na classe
  • Número de árvores existentes na classe no início do período de crescimento

Princípios da Matriz de Transição

Premissas

Primeira Premissa

Considera-se que o Incremento Periódico em diâmetro das árvores da floresta, obtido na parcela permanente, tem o comportamento idêntico no futuro.

Segunda Premissa

Considera-se que a projeção da estrutura da floresta depende somente do estado atual, não sofrendo efeito do desenvolvimento passado da floresta.

Essa característica ou propriedade do modelo é conhecida como propriedade markoviana.

Princípios da Matriz de Transição

Intervalos de tempo

  • O Intervalo de tempo deve ser compatível com o crescimento diamétrico.

  • Não é desejável que uma árvore migre mais que uma ou duas classes entre medições.

  • Isso reduz substancialmente o número deparâmetros a estimar

Matriz de Transição \(M\)

\[ M = \begin{array}{c|ccccccc} & 1 & 2 & 3 & 4 & 5 & & n \\ \hline 1 & a_1 & 0 & 0 & 0 & 0 & \dots & 0 \\ 2 & b_2 & a_2 & 0 & 0 & 0 & \dots & 0 \\ 3 & c_3 & b_3 & a_3 & 0 & 0 & \dots & 0 \\ 4 & 0 & c_4 & b_4 & a_4 & 0 & \dots & 0 \\ 5 & 0 & 0 & c_5 & b_5 & a_5 & \dots & 0 \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\ i_n & 0 & 0 & 0 & c_n & b_n & \dots & a_n \end{array} \]

\[ \begin{array}{l} a_i &= \text{Prob. se manter na classe} \\ b_i &= \text{Prob. avançar uma classe} \\ c_i &= \text{Prob. avançar duas classes} \end{array} \]

Quanto mais avanços possíveis, mais difícil e errática se torna a prognose

Matriz de Transição \(M\)

Fonte

Matriz de Transição \(M\)

Período de Predição

Como depende de medições sucessivas para sua construção, a prognose é sempre igual ao período observado.

Por exemplo: se o período de análise foi entre 2000 e 2004, então a matriz sempre fará estimativas de 4 em 4 anos.

Fonte de dados

2006 2009
16.8 17.3
15.0 15.0
12.7 14.7
11.3 15.0
18.6 18.7
14.7 0.0
10.4 10.5
30.3 31.4
33.1 36.3
22.5 24.6
19.1 20.9

A utilização da Matriz de Transição depende de parcelas permanentes, pois apenas essas fornecem as informações necessárias para sua construção.

Exercício

\[ Y_1 = \begin{bmatrix} 100 \\ 80 \\ 60 \\ 40 \\ 20 \end{bmatrix} \qquad M= \begin{bmatrix} 0,6 & 0 & 0 & 0 & 0 \\ 0.3 & 0.5 & 0 & 0 & 0 \\ 0 & 0.4 & 0.5 & 0 & 0 \\ 0 & 0 & 0.3 & 0.4 & 0 \\ 0 & 0 & 0 & 0.4 & 0.3 \end{bmatrix} \qquad I = \begin{bmatrix} 50 \\ 0 \\ 0 \\ 0 \\ 0 \end{bmatrix} \]

Estime \(Y_2\) por meio de \(Y_2 = M . Y_1 + I\)

Projeções a longo prazo

Veja que

\[ \begin{aligned} \textcolor{blue}{Y_2} = M . Y_1 + I \\ Y_3 = M . \textcolor{blue}{Y_2} + I \end{aligned} \]

Portanto

\[ Y_3 = M . \textcolor{blue}{(M . Y_1 + I)} + I \]

Projeções a longo prazo

\[ Y_3 = M . \textcolor{blue}{(M . Y_1 + I)} + I \]

\[ Y_3 = M^2 Y_1 + M . I + I \]

De forma análoga,

\[ Y_4 = M . Y_3 + I \]

\[ Y_4 = M^3 Y_1 + M^2 .I + M.I + I \]

\[ Y_4 = M^3Y_1 + (M^2 + M + Id)I \]

Projeções a longo prazo

\[ Y_4 = M^3Y_1 + (M^2 + M + Id)I \]

Generalizando,

\[ Y_p = M^{p-1} Y_1 + \left(\sum_{i=0}^{p-2} M^i \right)I \]

Projeções a longo prazo

Até onde posso ir?

Não há limite teórico de quantos anos para frente é possível realizar a prognose.

Mas na prática projeções com mais de 20 anos do presente já passam a diferir bastante da realidade.