Monitoramento nutricional e de produção de espécies florestais utilizando equações alométricas, índices espectrais e machine learning | Nutritional and production monitoring of forest species using allometric equations, spectral indices and machine learning

Monitorar o crescimento e a nutrição de espécies florestais sempre foi desafiador, principalmente devido às limitações na coleta de dados dessas espécies. Nesse contexto, surgiram outros métodos, como o uso de modelos com equações alométricas e, mais recentemente, o uso de aprendizado de máquina. Além disso, métodos de monitoramento da nutrição além do intervalo de suficiência têm sido implementados com sucesso. No entanto, as espécies florestais mais estudadas são Eucalipto e Pinus, havendo poucas pesquisas realizadas em espécies nativas ou de alta qualidade, como a Teca. Portanto, este trabalho teve como objetivo explorar essa necessidade de pesquisa em quatro capítulos: I) Uso do método da linha de fronteira e CND para determinar valores de referência de nutrientes para teca (Tectona grandis). II) Modelagem da produtividade da Teca (Tectona grandis) no Brasil com variáveis ambientais, imagens de satélite e aprendizado de máquina. III) Modelagem da produtividade da Teca (Tectona grandis) com variáveis ambientais, imagens de satélite e aprendizado de máquina no Brasil. IV) Características do solo e modelos alométricos para características biométricas e quantidades de nutrientes em árvores de alto rendimento de “Bolaina” (Guazuma crinita). No primeiro capítulo, o uso do Método da Linha de Fronteira como nova abordagem mostrou-se eficiente para selecionar uma população de alto rendimento. Além disso, o uso das normas CND foi prático para realizar o estabelecimento de valores de referência de equilíbrio e pode servir como guia para interpretação e diagnóstico nutricional em Teca, além de outras espécies vegetais. No segundo capítulo, foram explorados seis algoritmos de aprendizado de máquina para a modelagem da produtividade e características dendrométricas. Os algoritmos Cubist e Random Forest apresentaram melhor desempenho, sendo que o modelo Cubist selecionou variáveis relacionadas à topografia, enquanto o Random Forest resultou em um modelo mais equilibrado. Além disso, este é o primeiro estudo a utilizar uma abordagem holística para previsão de crescimento em Teca. No terceiro capítulo, foi explorada uma abordagem semelhante à do capítulo dois, mas com foco nas concentrações de macronutrientes (N, P, K, Ca, Mg, S) e micronutrientes (B, Cu, Fe, Mn e Zn) nas plantas. O Random Forest apresentou melhor desempenho e selecionou as variáveis de S disponível, idade, dias sem chuva e déficit hídrico como as mais importantes. Este também é o primeiro estudo publicado em Teca (Tectona grandis) que utiliza estes algoritmos para predizer concentrações de nutrientes, mas são necessárias mais pesquisas para aprimorar os modelos atuais e tornar o manejo nutricional florestal mais eficiente. Por fim, no quarto capítulo, o trabalho foi realizado com uma espécie nativa da Amazônia no Peru e o uso de equações alométricas para predizer o crescimento e o acúmulo de nutrientes. Este estudo foi o primeiro a avaliar e modelar o crescimento, as quantidades de macro e micronutrientes no ciclo produtivo dessa espécie. Também demonstrou que a espécie seguiu o padrão Ca>N>K>P>S>Mg para macronutrientes e Fe>B>Mn>Zn>Cu para micronutrientes, sendo os melhores modelos de predição o modelo de raiz quadrada e o modelo logístico. Palavras-chave: Teca – Análise de folhas; Teca – Reflectância espectral; Teca – Aprendizado de máquina; Teca – CND; Teca - Modelagem; Guazuma crinita – Equações alométricas; Guazuma crinita – Nutrição.

Monitoring forest species growth and nutrition has always been a challenging topic, mainly because of the limitations for collecting data in these species. In this matter, other methods have arisen such as the use of models with allometric equations and, lately, the use of machine learning. Also, nutrition monitoring methods besides the sufficiency range have been implemented successfully. However, the most studied forest species are Eucalyptus and Pine but very few research has been performed in native species or high-quality wood such as Teak. Therefore, this work aimed to explore this research gap in 04 chapters: I) Use of borderline method and CND to determine nutrient reference values for teak (Tectona grandis). II) Modelling of Teak (Tectona grandis) productivity in Brazil with environmental variables, satellite imagery and machine learning. III) Modelling of Teak (Tectona grandis) productivity with environmental variables, satellite imagery and machine learning in Brazil. IV) Soil characteristics and allometric models for biometric characteristics and nutrient amounts for high yielding “Bolaina” (Guazuma crinita) trees. In the first chapter, the use of the Border Line Method as a new approach proved to be efficient for selecting a high-yield population in Teak. Also, the use of the CND norms was practical to report the first study in establishing equilibrium reference values and can serve as a practical guide for interpretation and nutrition diagnostics in Teak and a baseline for other plant species. In the second chapter, the use of 06 machine learning algorithms was explored for the modelling of yield and dendrometric characteristics. Cubist and Random Forest algorithms performed better. Where Cubist model selected topographic related variables while Random Forest a more equilibrated model. Also, to our knowledge is the first study to use a holistic approach using machine learning for growth prediction in Teak. In the third chapter, we explored a similar approach as chapter two but focused on plant macro- (N, P, K, Ca, Mg, S) and micronutrients (B, Cu, Fe, Mn and Zn) concentrations. Where random forest performed better and selected the variables of Available S, Age, Days without rain and Water Deficit as the most important for most nutrients. Also, this is the first published study in Teak (Tectona grandis) that uses machine learning algorithms for nutrition prediction, but further research is needed to improve the current models and make forest nutrition management more efficient. Finally, in the fourth chapter, the work was performed around a native species from the amazon in Peru and the use of allometric equations for the prediction of its growth and nutrient accumulation. This study was the first to assess and model growth, macro- and micronutrient amounts in the productive cycle in this species. Also, it showed that this species followed a pattern of Ca>N>K>P>S>Mg for macronutrients and Fe>B>Mn>Zn>Cu for micronutrients, and the best prediction models were the square root and logistic models. Keywords: Teak – Leaf analysis; Teak – Spectral reflectance; Teak – Machine learning; Teak – CND; Teak - Modelling; Guazuma crinita – Allometric equations; Guazuma crinita – Nutrition.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES)

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)

Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)