Made available in DSpace on 2018-08-01T22:56:21Z (GMT). No. of bitstreams: 1 tese_11396_TESE SAULO 2017.pdf: 13742161 bytes, checksum: a8c2a572918272942cc0176556216f50 (MD5) Previous issue date: 2017-09-27 / A produtividade das operações de colheita de madeira é uma das principais variáveis de viabilidade do empreendimento florestal, sendo, diretamente influenciada pelas características do terreno, do povoamento e do planejamento operacional. As variáveis que podem afetam a produtividade das máquinas de colheita, na maioria das vezes, são passíveis de identificação indiretas, difícil mensuração e apresentam relações complexas, dificultando a predição da produtividade das operações. Este estudo teve como objetivo gerar um modelo por meio de redes neurais artificiais (RNA) e regressão linear para estimar a produtividade do harvester em função das variáveis do terreno, do povoamento e do planejamento operacional. Para tanto, foi utilizado uma base de dados, de uma empresa florestal, contendo informações das operações de corte florestal mecanizado com harvester. As variáveis de entrada da RNA para a modelagem da produtividade do harvester foram (volume médio individual das árvores, volume de madeira do talhão, idade de corte, espaçamento, experiência do operador e regime de manejo. Os dados foram divididos aleatoriamente para serem utilizados no treinamento da rede (70%) e na generalização (30%). Realizou-se também o treinamento das redes com as combinações das variáveis de entrada, a fim de verificar a influência de cada variável na produtividade do harvester. A análise de regressão linear utilizou apenas as variáveis que apresentaram correlação linear significativa com a produtividade, segundo matriz de coeficiente de correlação de Pearson, pelo teste t a 5% e 1% de probabilidade. Ambas as técnicas de modelagem foram avaliadas por meio de estatísticas e análise gráfica dos resíduos. As redes neurais artificiais selecionadas no treinamento e na validação para a estimativa da produtividade do harvester, apresentaram valores de coeficiente de correlação acima de 0,89 e menores que 11,91, indicando forte correlação e alta exatidão entre as estimativas e os valores observados. A combinação das variáveis de entrada da rede que apresentou o melhor resultado foi a que utilizou todas as seis variáveis avaliadas no estudo. A regressão linear múltipla com todas as variáveis de correlação significativa foi a que teve o melhor ajuste para a produtividade do harvester, coeficiente de correlação 0,83 e RMSE% 14,5. Dentre as variáveis avaliadas no modelo, a que mais explica a produtividade estimada pela regressão linear é o volume médio individual. Ambas as técnicas de modelagem foram eficientes na predição da produtividade do harvester no corte florestal mecanizado, mas a RNA apresentou estimativas mais precisas e pode ser indicada em substituição ao modelo tradicional de regressão linear múltipla. Palavras-chave: Técnicas e operações florestais, Mecanização florestal, planejamento florestal, produtividade de máquinas.