@PHDTHESIS{ 2020:1859783282,
 	title = {Modelos estatísticos e técnicas de inteligência artificial para estimativa do volume de clones de Eucalyptus spp. com adição de variáveis climáticas},
 	year = {2020},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8753",
 	abstract = "O Polo Gesseiro do Araripe é o principal produtor de gesso do Brasil. Para o processamento do minério gipsita a principal fonte energética é a lenha proveniente da Caatinga que tem sido explorada geralmente de forma ilegal. Nos dias atuais os efeitos do desmatamento da Caatinga combinado com as mudanças climáticas tornou a oferta dos recursos energéticos escassa. Como forma de mitigar o efeito do desmatamento e
 diminuir a supressão da vegetação Caatinga, experimentos com florestas de rápido crescimento foram implantadas na região. Para proporcionar um desenvolvimento mais adequado do manejo dessas florestas se faz necessário o ajuste de modelos estatísticos locais mais eficientes e que levem em consideração a mudança nas variáveis do clima. Desta forma, objetivou-se com esta pesquisa ajustar modelos não lineares e
 algoritmos da aprendizagem de máquinas e avaliar se a inclusão de variáveis climáticas gera equações com maior precisão e poder de generalização na estimativa da produção e do crescimento volumétrico de clones de Eucalyptus em região de clima semiárido do Nordeste brasileiro. Os dados foram obtidos por meio de uma pesquisa realizada na Estação Experimental do IPA, município de Araripina - PE, com três clones de Eucalyptus spp. (C39, C41, C11) plantados nos espaçamentos 3 m x 3 m, 4 m x 2 m, 3 m x 2 m, 2 m x 2 m e 2 m, x 1 m, em experimento multivariado de medidas repetidas, implantado no ano de 2010. A cada seis meses foram realizadas medições de altura e diâmetro à altura do peito. Na idade de 96 meses o experimento foi cortado e o volume de madeira foi cubado rigorosamente pelo método de Smalian. A base de dados do período chuvoso (2002 à 2009) foi obtida de um experimento desenvolvido na mesma região com os mesmos tratos silviculturais. Foram empregados modelos não lineares e algoritmos da inteligência artificial para produção, crescimento e prognose do volume. Os ajustes foram avaliados com base no índice de ajuste de Schlaegel corrigido (IAc), índice de Furnival (IF), erro padrão de estimativa em porcentagem (Sxy%), raiz do erro quadrático médio (REQM), erro absoluto médio (EAM) e análise gráfica dos resíduos. A produção volumétrica se diferenciou entre clones e entre os diferentes níveis de adensamento. Os modelos simétricos e os modelos não lineares generalizados produziram equações com altos valores de IAc e baixos valores de Sxy% e com resíduos atendendo aos pressupostos da regressão. As técnicas de inteligência artificial se adequaram com eficiência a estimativa da produção e do crescimento em volume gerando estatísticas de boa qualidade. A inclusão das variáveis climáticas nos modelos de crescimento e prognose melhoram as estimativas.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Biometria e Estatística Aplicada},
 	note = {Departamento de Estatística e Informática}
}