Modelagem GAMLSS em dois estágios para seleção de clones de Eucalyptus Spp.

Rayane Santos Leite; José Antônio Aleixo da Silva; Tiago Almeida de Oliveira

doi:10.17765/2176-9168.2026v19.e13670

Autores/as

Rayane Santos Leite Universidade Federal Rural de Pernambuco https://orcid.org/0000-0001-9850-6023
José Antônio Aleixo da Silva Universidade Federal Rural de Pernambuco https://orcid.org/0000-0003-0675-3524
Tiago Almeida de Oliveira Universidade Estadual da Paraíba-UEPB https://orcid.org/0000-0003-4147-7721

DOI:

https://doi.org/10.17765/2176-9168.2026v19.e13670

Palabras clave:

Assimetria, Curtose, Modelos flexíveis, SHASH, Volumétrico

Resumen

A modelagem da distribuição do volume é essencial ao manejo florestal. Este estudo avaliou uma estratégia em dois estágios para modelar a produtividade volumétrica de três clones de Eucalyptus spp. em cinco espaçamentos, no Polo Gesseiro do Araripe-PE, utilizando Modelos Aditivos Generalizados para Locação, Escala e Forma (GAMLSS). Foram analisadas 2.896 árvores em 60 parcelas, em delineamento inteiramente casualizado, fatorial 3 × 5, com quatro repetições. No primeiro estágio, ajustou-se um GAMLSS com distribuição SHASH ao nível das plantas, mantendo o parâmetro de locação como intercepto e associando escala e forma aos tratamentos; o ajuste apresentou desvio global de ?12.025,74 e AIC/GAIC (k = 2) de ?11.973,74. No segundo, os resíduos quantílicos foram agregados por parcela e submetidos à ANOVA fatorial, atendendo à normalidade (Shapiro-Wilk, p = 0,433) e homocedasticidade (Bartlett, p = 0,790). Clone (p = 0,002) e espaçamento (p < 0,001) foram significativos, sem interação (p = 0,406). O clone C3 foi mais produtivo (0,0494 m³), e o espaçamento 3 m × 2 m apresentou maior rendimento (0,0549 m³). A abordagem acomodou a distribuição do volume e preservou a inferência experimental por parcela, indicando utilidade para comparações de clones e espaçamentos em condições edafoclimáticas do semiárido pernambucano florestal regional.

Biografía del autor/a

Rayane Santos Leite, Universidade Federal Rural de Pernambuco

Bacharel em Estatística, em fase de conclusão do doutorado em Biometria e Estatística Aplicada, pela Universidade Federal Rural de Pernambuco-UFRPE, trabalhando na área de modelagem estatística e machine learning.

José Antônio Aleixo da Silva, Universidade Federal Rural de Pernambuco

Engenheiro Agrônomo pela Universidade Federal Rural de Pernambuco-UFRPE (1975), Especialização em Silvicultura pela UFRPE (1975), Mestrado em Ciência Florestal pela Universidade Federal de Viçosa (1977) e PhD em Biometria e Manejo Florestal - University of Georgia (1986). Post-doc e Professor Visitante da University of Georgia (1991-1993) e da Technische Universität Berlin (2012-2013). Atualmente é Professor Titular do Departamento de Ciência Florestal da UFRPE. Atua como orientador, coorientador e professor em programas de pós-graduação aos níveis de Mestrado e Doutorado em Ciências Florestais e Biometria e Estatística Aplicada da UFRPE, e Mestrado Profissionalizante do Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE). Secretário Regional da Sociedade Brasileira para o Progresso da Ciência (SBPC) (1999-2005). Membro do Conselho da SBPC (2005-2009 e 2017-2021). Membro da Diretoria da SBPC por quatro mandatos (2009-2017) onde coordenou o grupo de trabalho sobre o Código Florestal. Presidente da Academia Pernambucana de Ciências-APC (2018-2021), Acadêmico Emérito da Academia Pernambucana de Ciência Agronômica-APCA e da Academia Brasileira de Ciência Agronômica-ABCA, Acadêmico da Academia Nacional de Engenharia-ANE. Sócio benemérito da Associação Pernambucana de Engenharia Florestal-APEF. É revisor de trabalhos científicos e membro de conselhos editoriais de várias revistas científicas no Brasil e no exterior e consultor de várias fundações de pesquisa de Estados do Brasil. Membro do Conselho Nacional de Florestas (CONAFLOR/MMA), foi membro do Conselho Consultivo do Nordeste no MCTI (2010-2016), do Conselho Externo da Embrapa Florestas (Colombo-PR) e do Conselho Administrativo do Instituto de Tecnologia de Pernambuco (ITEP, 2013-2015). É pesquisador/consultor do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Diretor de Programas da Secretaria de Ciência e Tecnologia de Pernambuco e Coordenador do Programa Pernambuco Verde (1996-1997). Tem experiência na área de Recursos Florestais e Engenharia Florestal, com ênfase em Dendrometria, Inventário Florestal e Manejo Florestal, atuando principalmente nos seguintes temas: Estatística Experimental, Inventário Florestal e Técnicas de Amostragem, Análise de Regressão, Modelagem de crescimento de florestas de rápido crescimento e nativas. Atuou em divulgação científica como editor/redator do jornal eletrônico "Notícias da SBPC/PE" (1999-2019), e do Jornal Eletrônico da Informes da APC/SBPC-PE. Pesquisador homenageado no II Encontro Brasileiro de Mensuração Florestal com a Comenda Walter Bitterlich. Membro do Consórcio do Nordeste e Coordenador do Subcomitê de Modelagem Matemática e Estocástica da Covid-19(2020-2023). Líder do Grupo de Pesquisa/CNPq "Biometria e Manejo Florestal" e Vice-líder do Grupo de Pesquisa/CNPq "Tecnologia Ambiental e bioprocessos", Bolsista de Produtividade de Pesquisa do CNPq, nível 1B.

Tiago Almeida de Oliveira, Universidade Estadual da Paraíba-UEPB

acharel em Estatística pela Universidade Estadual da Paraíba - UEPB (2006). Mestre em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras - UFLA (2008). Doutor em Estatística e Experimentação Agronômica - Esalq/Usp (2012). Revisor do periódico Revista Brasileira de Parasitologia Veterinária (RBPV), SIGMAE, Revista de Saúde Pública e Frontiers in Artificial Intelligence. Editor associado da Revista Brasileira de Saúde Ocupacional (RBSO) e Frontiers In Veterinary Science. Membro do grupo de pesquisa estatística aplicada e computacional da Universidade Estadual da Paraíba. Foi Coordenador Adjunto do curso de Bacharelado em Estatística (UEPB) entre 2014-2016 e Coordenador do Curso de Estatística (UEPB) entre 2016-2018. Chefe Adjunto do Departamento de Estatística da Universidade Estadual da Paraíba - UEPB entre 2018-2020. Atualmente é Professor Associado nível B do Bacharelado em Estatística da UEPB. Professor do Mestrado em Desenvolvimento Regional (PPGDR - UEPB). Tem experiência na área de Probabilidade e Estatística, com ênfase em Planejamento de Experimentos, Análise de Sobrevivência e Modelos de Regressão, Melhoramento Genético Animal e Machine Learning. Sua linha de Pesquisa no Mestrado foi a de Planejamento de Experimentos com proeminência em Análise de Covariância. No Doutorado sua linha de Pesquisa foi a de Estatística Genética com ênfase em Melhoramento Genético Animal. Atualmente é membro do Laboratório de Big Data e Análise Preditiva em Saúde (LABDAPS) da faculdade de Saúde Pública da USP, atuando em pesquisas relacionadas a predição em saúde. É membro do Centro de Desenvolvimento Regional, Big Data e Geoprocessamento e do Centro de Pesquisa em Análise Preditiva, Analytics e Data Science da Universidade Estadual da Paraíba. Coordenador adjunto do curso de Tecnologia em Ciência de Dados do Projeto Limite do Visível, Bolsista Petrobras e Bolsista de produtividade da UEPB e Coordenador Adjunto do Curso de Tecnologia em Ciência de Dados projeto Limite do Visível (2023 -2025).

Citas

AGUIAR JÚNIOR, A. L. et al. Eucalypt clone modelling in agrosilvopastoral systems. Pesquisa Agropecuária Brasileira, v. 57, e02547, 2022. DOI: 10.1590/S1678-3921.pab2022.v57.02547.

ANDRÉ, D. L. et al. Wood volume of Eucalyptus clones established under different spacings in the Brazilian Cerrado. Forest Science, v. 67, n. 4, p. 478-487, 2021. DOI: 10.1093/forsci/fxab018.

AZEVEDO, G. B. de et al. Multi-volume modeling of Eucalyptus trees using regression and artificial neural networks. 2020.

BILA A, ISSUFO, A. K. Comportamento de eucaliptos na região norte e sul de Moçambique. In: Congresso i Florestal Brasileiro, 7, Curitiba. Anais. São Paulo, SBS/SBEF. 1993.

BOX, G. E. P.; COX, D. R. An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), v. 26, n. 2, p. 211-243, 1964.

CARLAN, M.; KNEIB, T.; KLEIN, N. Distributional Regression for Data Analysis. Annual Review of Statistics and Its Application, v. 11, p. 175-196, 2024. DOI: 10.1146/annurev-statistics-040722-053607.

DAMESA, T. M.; MÖHRING, J.; WORKU, M.; PIEPHO, H.-P. One step at a time: stage-wise analysis of a series of experiments. Agronomy Journal, v. 109, n. 3, p. 845-857, 2017. DOI: 10.2134/agronj2016.07.0395.

DANTAS, D. et al. Multilevel nonlinear mixed-effects model and machine learning for volumetric estimation of Eucalyptus spp. clones. Cerne, 2020.

DE BASTIANI, F. et al. Distributional regression modelling via generalized additive models for location, scale, and shape: An overview through a data set from learning analytics. WIREs Computational Statistics, e1617, 2023. DOI: 10.1002/wics.1617.

EUFRADE-JUNIOR, H. J. et al. Eucalyptus clone selection for charcoal production: survival, growth, and wood quality. Biomass and Bioenergy, v. 157, 106345, 2022. DOI: 10.1016/j.biombioe.2022.106345.

DUNN, P. K.; SMYTH, G. K. Randomized quantile residuals. Journal of Computational and Graphical Statistics, v. 5, n. 3, p. 236-244, 1996.

FERNANDES, G. L. et al. Effects of Spacing on Early Growth Rate and Yield of Hybrid Eucalyptus Stands. Pertanika Journal of Tropical Agricultural Science, v. 46, n. 2, p. 523-540, 2023.

FERRÃO, L. F. V. et al. Accurate genomic prediction of Coffea canephora in multiple environments using whole-genome statistical models. Heredity, v. 122, n. 3, p. 261-275, 2019.

FERREIRA, E. B. et al. ExpDes: an R package for ANOVA and experimental designs. Applied Mathematics, v. 5, n. 19, p. 2952, 2014. DOI: 10.4236/am.2014.519280.

FUMES, G. et al. Growth curves for diameter and height using mixed models: An application in eucalyptus seedling. Open Journal of Forestry, v. 7, n. 4, p. 403-415, 2017. DOI: 10.4236/ojf.2017.74024.

GOUVEIA, J. F. et al. Modelos volumétricos mistos em clones de Eucalyptus no polo gesseiro do Araripe, Pernambuco. FLORESTA, v. 45, n. 3, p. 587-598, 2015. DOI: 10.5380/rf.v45i3.36844.

GLASS, G. V.; PECKHAM, P. D.; SANDERS, J. R. Consequences of failure to meet assumptions underlying the fixed effects analyses of variance and covariance. Review of Educational Research, v. 42, n. 3, p. 237–288, 1972.

HASTIE, T.; TIBSHIRANI, R. Generalized Additive Models. London: Chapman and Hall/CRC, 1990.

HOTHORN, T.; BRETZ, F.; WESTFALL, P. Simultaneous Inference in General Parametric Models. Biometrical Journal, v. 50, n. 3, p. 346-363, 2008. DOI: 10.1002/bimj.200810425.

HURLBERT, S. H. Pseudoreplication and the design of ecological field experiments. Ecological Monographs, v. 54, n. 2, p. 187-211, 1984. DOI: 10.2307/1942661.

IBÁ. Indústria Brasileira de Árvores. Relatório Anual 2023. São Paulo: IBÁ, 2023. Disponível em: https://iba.org/publicacoes. Acesso em: 20/05/2026.

JONES, M. C.; PEWSEY, A. Sinh-arcsinh distributions. Biometrika, v. 96, n. 4, p. 761-780, 2009. DOI: 10.1093/biomet/asp054.

JUNIOR, L. S; GARCIA, J. N. Determination of the physical and mechanical properties of the wood of Eucalyptus urophylla. SCIENTIA FORESTALIS. v. 65, p. 120-129. 2004.

KNEIB, T.; SILBERSDORFF, A.; SÄFKEN, B. Rage Against the Mean – A Review of Distributional Regression Approaches. Econometrics and Statistics, v. 26, p. 99-123, 2023. DOI: 10.1016/j.ecosta.2021.07.006.

LORENZI H, SOUZA HM, TORRES AV, BACHER LB. Árvores exóticas no Brasil: madeireiras ornamentais e aromáticas. Nova Odessa, Instituto Plantarum. 2003.

MENDONÇA, A. R. de et al. Growth and yield models for eucalyptus stands obtained by differential equations. Scientia Agricola, v. 74, n. 5, p. 364–370, 2017. DOI: 10.1590/1678-992X-2016-0035.

MÖHRING, J.; PIEPHO, H.-P. Comparison of weighting in two-stage analysis of plant breeding trials. Crop Science, v. 49, n. 6, p. 1977-1988, 2009. DOI: 10.2135/cropsci2009.02.0083.

MONTGOMERY, D. C. Design and Analysis of Experiments. 10. ed. Hoboken: Wiley, 2019.

MÜLLER, M. D. et al. Estimating volume of eucalyptus trees for small-scale silvopastoral systems: do we really need height for accurate estimates? European Journal of Forest Research, v. 143, p. 349-364, 2024. DOI: 10.1007/s10342-023-01608-2.

NELDER, J. A.; WEDDERBURN, R. W. Generalized linear models. Journal of the Royal Statistical Society: Series A (General), v. 135, n. 3, p. 370-384, 1972. DOI: 10.2307/2344614.

OLIVEIRA, T. A. et al. An Application of Generalized Additive Models of Location, Scale, and Shape (GAMLSS) to estimate the Eucalyptus Height. Ciência e Natura, v. 42, e15, p. 1-10, 2020. DOI: 10.5902/2179460X41710.

PIEPHO, H.-P.; MÖHRING, J.; SCHULZ-STREECK, T.; OGUTU, J. O. A stage-wise approach for the analysis of multi-environment trials. Biometrical Journal, v. 54, n. 6, p. 844-860, 2012. DOI: 10.1002/bimj.201100219.

R CORE TEAM. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing, 2025. Disponível em: https://www.R-project.org/. Acesso em: 20/05/2026.

RIEBL, H.; KLEIN, N.; KNEIB, T. Modelling intra-annual tree stem growth with a distributional regression approach for Gaussian process responses. Journal of the Royal Statistical Society: Series C, v. 72, n. 2, p. 414-433, 2023. DOI: 10.1093/jrsssc/qlad015.

RIGBY, R. A.; STASINOPOULOS, D. M. Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society: Series C (Applied Statistics), v. 54, n. 3, p. 507-554, 2005. DOI: 10.1111/j.1467-9876.2005.00510.x.

RIGBY, R. A. et al. Distributions for Modeling Location, Scale, and Shape: Using GAMLSS in R. Boca Raton: Chapman and Hall/CRC, 2019. DOI: 10.1201/9780429298547.

SANTOS, v. G. et al. Eucalyptus diameter and volume prediction with deep neural networks: A Long Short-Term Memory model approach. Expert Systems with Applications, v. 267, 126529, 2025. DOI: 10.1016/j.eswa.2025.126529.

SCHAARSCHMIDT, F. BSagri: Safety Assessment in Agricultural Field Trials. R package version 0.1-10, 2023. Disponível em: https://CRAN.R-project.org/package=BSagri. Acesso em: 10/05/2026.

SILVA, J. A. A.; NETO, P. F. Princípios básicos de dendrometria. Recife: Imprensa Universitária da UFRPE, 1979. 198 p.

SILVA J. W. L. Modelos estatísticos e técnicas de inteligência artificial para estimativa do volume de clones de Eucalyptus spp. com adição variáveis climáticas, Tese de doutorado, Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, p. 5-120, 2020. Disponível em: http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8753. Acesso em: 06 Jun. 2022.

SILVA H. D. et al. Comportamento essenciais florestais nas regiões árida e semiárida do Nordeste: resultados preliminares. Em Brasil. EMBRAPA/FEZ. p. 4, 1980.

SILVA, J. W. L.; SILVA, J. A. A.; TAVARES, J. A. Volumetric production of Eucalyptus spp. clones under different spacing in a severe drought period in the semi-arid region of Pernambuco, Brazil. Floresta, v. 52, n. 1, p. 150-158, 2022. DOI: 10.5380/rf.v52i1.78798.

STAPE, J. L. et al. Spacing and geometric layout effects on the productivity of clonal Eucalyptus plantations. Forest Ecology and Management, v. 510, 120103, 2022. DOI: 10.1016/j.foreco.2022.120103.

STASINOPOULOS, M. D.; RIGBY, R. A. Generalized additive models for location scale and shape (GAMLSS) in R. Journal of Statistical Software, v. 23, n. 7, p. 1-46, 2007. DOI: 10.18637/jss.v023.i07.

STASINOPOULOS, M. D. et al. Flexible Regression and Smoothing: Using GAMLSS in R. Boca Raton: CRC Press, 2017. DOI: 10.1201/b21973.

UMLAUF, N.; KLEIN, N.; ZEILEIS, A. BAMLSS: Bayesian Additive Models for Location, Scale, and Shape (and Beyond). Journal of Computational and Graphical Statistics, v. 20, n. 4, p. 806-820, 2021. DOI: 10.1080/10618600.2021.1909602.

VAN BUUREN, S.; FREDRIKS, M. Worm plot: a simple diagnostic device for modelling growth reference curves. Statistics in Medicine, v. 20, n. 8, p. 1259-1277, 2001.