As condições climáticas do Brasil aliadas ao desenvolvimento tecnológico favorecem a obtenção de sucessivos incrementos em produção florestal e estimulam a expansão de área cultivada com povoamentos voltados para a produção madeireira. Com o objetivo de contribuir para o processo de quantificação das florestas plantadas em uma escala regional, este estudo propõe utilizar informações combinadas de imagens de satélites e dados obtidos do LiDAR (Light Detecting and Ranging) para a construção de modelos determinísticos capazes de distinguir em duas categorias de idade agrupamentos de florestas plantadas no Vale do Paraíba, estado de São Paulo. A primeira etapa constitui utilizar informações de parcelas de campo como resposta para modelos gerados com variáveis de escaneamento a laser aeroembarcado (ALS) e extrapolar os parâmetros para toda a região da plantação; em um segundo momento, utilizar as informações extrapoladas para gerar um modelo composto por variáveis de índice de vegetação (IV) calculados das imagens de satélite. As informações LiDAR (Light Detecting and Ranging) foram obtidas de sete fazendas da região do Vale do Paraíba, estado de São Paulo, em 2012, mesmo ano em que foram coletados os dados das parcelas de campo dos inventários florestais e que as imagens foram obtidas pela constelação de satélites RapidEye. Como variáveis de dados ALS foram utilizados o cálculo de todos os pontos por célula de 5 x 5 m avaliados, alturas máxima, mínima, média, desvio padrão e percentis de altura, calculados pelo programa de análise de dados LASTools®. Foram incluídas também métricas de diferença de alturas do percentil 90 e o percentil 10 (p9010) e a medida dessa diferença relativa à altura do percentil 90 (p9010r). Na modelagem dos dados LiDAR para imagens de satélite foram utilizadas como variáveis, de forma individual ou conjuntamente, os índices NDVI, NDVI705, EVI, GNDVI, SAVI, Red-Green ratio e SRI. Os modelos foram avaliados quanto ao seu desempenho no coeficiente de determinação (R2) e na raíz do erro quadrático médio (RMSE) e em uma análise final predizendo as fazendas em categorias de idade jovem e maduro. O modelo com melhores estimativas (R2 e RMSE) para idade na primeira etapa foi o que possuía variáveis Hp90 e Hp9010r, com R2=0,85 e RMSE=11,736 meses, e para a segunda etapa foi o modelo contendo como variáveis os índices de vegetação NDVI705, Red-Green índex e SAVI, com R2=0,49 e RMSE=0,378 meses. Apesar dos resultados melhores, o modelo contendo índices de vegetação GNDVI e Red-Green índex foi o que melhor representou a distribuição das florestas quanto a sua maturidade. / Brazil\'s climate conditions combined with the technological development promote the obtaining of successive increments in forest production and stimulate the expansion of cultivated area with stands for timber production. In order to contribute to the process of quantification of planted forests at regional scale, this study proposes to use combined information from satellite images and data obtained from the LiDAR (Light Detecting and Ranging) for the construction of deterministic models able to distinguish two categories of age groupings of planted forests in the Paraíba Valley, State of São Paulo in Brazil. The first step is to use field plots information in response to models generated with airborne laser scanning (ALS) variables and extrapolate the parameters for the whole region of the plantation; in a second moment, use the information extrapolated to generate a model composed of vegetation index variables (IV) calculated from satellite images. The information LiDAR (Light Detecting and Ranging) were obtained from seven farms in the region of the Paraíba Valley, State of São Paulo, in 2012, the same year in which the data were collected from plots of field forest inventories and that the images were obtained by the RapidEye satellite constellation. As data variables ALS were used the calculation of all points by cell size of 5 x 5 m evaluated, maximum height, minimum, mean, standard deviation and height percentiles, calculated by the data analysis program called LASTools®. Also included height difference metrics 90th percentile and percentile 10th (p9010) and the extent of this difference relative of the 90th percentile (p9010r). In the modeling of data LiDAR data for satellite images were used as variables, individually or jointly, the NDVI index, NDVI705, EVI, GNDVI, SAVI, Red-Green index and SRI. The models were evaluated regarding their performance on the coefficient of determination (R2) and root mean square error (RMSE) and a final analysis predicting the farms into categories of age, young and mature. The model with best estimates (R2 and RMSE) for age at first stage was what possessed variables Hp90 and Hp9010r, with R2 = 0.85 and RMSE = 11.736 months, and the second stage was the model containing as variables the NDVI705 vegetation, Red-Green index and SAVI, with R2 = 0.49 and RMSE = 0.378 months. Despite the better results, the model containing GNDVI and Red-Green vegetation indices was the best represented distribution of forests about your maturity.

As condições climáticas do Brasil aliadas ao desenvolvimento tecnológico favorecem a obtenção de sucessivos incrementos em produção florestal e estimulam a expansão de área cultivada com povoamentos voltados para a produção madeireira. Com o objetivo de contribuir para o processo de quantificação das florestas plantadas em uma escala regional, este estudo propõe utilizar informações combinadas de imagens de satélites e dados obtidos do LiDAR (Light Detecting and Ranging) para a construção de modelos determinísticos capazes de distinguir em duas categorias de idade agrupamentos de florestas plantadas no Vale do Paraíba, estado de São Paulo. A primeira etapa constitui utilizar informações de parcelas de campo como resposta para modelos gerados com variáveis de escaneamento a laser aeroembarcado (ALS) e extrapolar os parâmetros para toda a região da plantação; em um segundo momento, utilizar as informações extrapoladas para gerar um modelo composto por variáveis de índice de vegetação (IV) calculados das imagens de satélite. As informações LiDAR (Light Detecting and Ranging) foram obtidas de sete fazendas da região do Vale do Paraíba, estado de São Paulo, em 2012, mesmo ano em que foram coletados os dados das parcelas de campo dos inventários florestais e que as imagens foram obtidas pela constelação de satélites RapidEye. Como variáveis de dados ALS foram utilizados o cálculo de todos os pontos por célula de 5 x 5 m avaliados, alturas máxima, mínima, média, desvio padrão e percentis de altura, calculados pelo programa de análise de dados LASTools®. Foram incluídas também métricas de diferença de alturas do percentil 90 e o percentil 10 (p9010) e a medida dessa diferença relativa à altura do percentil 90 (p9010r). Na modelagem dos dados LiDAR para imagens de satélite foram utilizadas como variáveis, de forma individual ou conjuntamente, os índices NDVI, NDVI705, EVI, GNDVI, SAVI, Red-Green ratio e SRI. Os modelos foram avaliados quanto ao seu desempenho no coeficiente de determinação (R2) e na raíz do erro quadrático médio (RMSE) e em uma análise final predizendo as fazendas em categorias de idade jovem e maduro. O modelo com melhores estimativas (R2 e RMSE) para idade na primeira etapa foi o que possuía variáveis Hp90 e Hp9010r, com R2=0,85 e RMSE=11,736 meses, e para a segunda etapa foi o modelo contendo como variáveis os índices de vegetação NDVI705, Red-Green índex e SAVI, com R2=0,49 e RMSE=0,378 meses. Apesar dos resultados melhores, o modelo contendo índices de vegetação GNDVI e Red-Green índex foi o que melhor representou a distribuição das florestas quanto a sua maturidade. / Brazil\'s climate conditions combined with the technological development promote the obtaining of successive increments in forest production and stimulate the expansion of cultivated area with stands for timber production. In order to contribute to the process of quantification of planted forests at regional scale, this study proposes to use combined information from satellite images and data obtained from the LiDAR (Light Detecting and Ranging) for the construction of deterministic models able to distinguish two categories of age groupings of planted forests in the Paraíba Valley, State of São Paulo in Brazil. The first step is to use field plots information in response to models generated with airborne laser scanning (ALS) variables and extrapolate the parameters for the whole region of the plantation; in a second moment, use the information extrapolated to generate a model composed of vegetation index variables (IV) calculated from satellite images. The information LiDAR (Light Detecting and Ranging) were obtained from seven farms in the region of the Paraíba Valley, State of São Paulo, in 2012, the same year in which the data were collected from plots of field forest inventories and that the images were obtained by the RapidEye satellite constellation. As data variables ALS were used the calculation of all points by cell size of 5 x 5 m evaluated, maximum height, minimum, mean, standard deviation and height percentiles, calculated by the data analysis program called LASTools®. Also included height difference metrics 90th percentile and percentile 10th (p9010) and the extent of this difference relative of the 90th percentile (p9010r). In the modeling of data LiDAR data for satellite images were used as variables, individually or jointly, the NDVI index, NDVI705, EVI, GNDVI, SAVI, Red-Green index and SRI. The models were evaluated regarding their performance on the coefficient of determination (R2) and root mean square error (RMSE) and a final analysis predicting the farms into categories of age, young and mature. The model with best estimates (R2 and RMSE) for age at first stage was what possessed variables Hp90 and Hp9010r, with R2 = 0.85 and RMSE = 11.736 months, and the second stage was the model containing as variables the NDVI705 vegetation, Red-Green index and SAVI, with R2 = 0.49 and RMSE = 0.378 months. Despite the better results, the model containing GNDVI and Red-Green vegetation indices was the best represented distribution of forests about your maturity.