Ajuste de relação hipsométrica para espécies da Floresta AmazônicaAdjustment of the hypsometric relationship for species of Amazon Forest

Resumo

O presente trabalho teve como objetivo testar e selecionar modelos para ajuste da relação hipsométrica. Os dados foram obtidos de floresta nativa situada no município de Lábrea, no estado do Amazonas, com área de 6.000 hectares, inserida no Projeto de Manejo Florestal Seringal Iracema II. Foram testados dez modelos, incluindo polinômios, modelos de potência, logarítmicos, hiperbólicos, aritméticos e não lineares. Os não lineares foram ajustados pelo método de Gauss. Utilizaram-se como critério de seleção do ajuste dos modelos os parâmetros estatísticos do coeficiente de determinação ajustado (R²aj.), o erro padrão da estimativa (Syx%), o coeficiente de variação (CV%), o valor de F e a análise gráfica dos resíduos. As melhores estatísticas foram para os modelos não lineares com R² aj. de 0,97 e erro padrão de 13,1% e o modelo hiperbólico com R²aj. 0,90 e erro padrão de 6,02%, devido a sua fundamentação biológica, demonstrando superioridade destes modelos contra os modelos lineares.

Abstract

This study aimed to test and select models to fit the hypsometric relation. Data were obtained from native forest situated in the Municipality of Lábrea, Amazonas State, with an area of 6.000 hectares, included in Forest Management Project Iracema Rubber II. We tested 10 models, including polynomial models, power, and logarithmic, hyperbolic, and non-linear arithmetic. The non-linear were adjusted by the method of Gauss. It was used as a criterion for selecting the adjustment of the models the statistical parameters of the coefficient of determination (R²adj.), the standard error of estimate (Syx%), the coefficient of variation (CV%), the value of F and graphical residual analysis. The best statistics were for models with nonlinear with R² aj . of 0.97 and standard of 13,1%, and the hyperbolic model with R²aj . of 0.90 and standard of 6,02%, due to its biological foundation, demonstrating the superiority of these models against linear models.