Data collection and estimation of variables that describe the structure of tropical forests, diversity, and richness of tree species are challenging tasks. Light detection and ranging (LiDAR) is a powerful technique due to its ability to penetrate small openings and cracks in the forest canopy, enabling the collection of structural information in complex forests. Our objective was to identify the most significant LiDAR metrics and machine learning techniques to estimate the stand and diversity variables in a disturbed heterogeneous tropical forest. Data were collected in a remnant of the Brazilian Atlantic Forest with different successional stages. LiDAR metrics were used in three types of transformation: (i) raw data (untransformed), (ii) correlation analysis, and (iii) principal component analysis (PCA). These transformations were tested with four machine learning techniques: (i) artificial neural network (ANN), ordinary least squares (OLS), random forests (RF), and support vector machine (SVM) with different configurations resulting in 27 combinations. The best technique was determined based on the lowest RMSE (%) and corrected Akaike information criterion (AICc), and bias (%) values close to zero. The output forest variables were mean diameter at breast height (MDBH), quadratic mean diameter (QMD), basal area (BA), density (DEN), number of tree species (NTS), as well as Shannon–Waver (H’) and Simpson’s diversity indices (D). The best input data were the new variables obtained from the PCA, and the best modeling method was ANN with two hidden layers for the variables MDBH, QMD, BA, and DEN while for NTS, H’and D, the ANN with three hidden layers were the best methods. For MDBH, QMD, H’and D, the RMSE was 5.2–10% with a bias between −1.7% and 3.6%. The BA, DEN, and NTS were the most difficult variables to estimate, due to their complexity in tropical forests; the RMSE was 16.2–27.6% and the bias between −12.4% and −0.24%. The results showed that it is possible to estimate the stand and diversity variables in heterogeneous forests with LiDAR data.

O processo de competição em um plantio florestal é proveniente da disputa de recursos essenciais ao crescimento. Vários índices foram propostos para avaliar a competição de diferentes espécies, mas estudos desta natureza para pinus no país são escassos. Esses índices de competição são essenciais no processo de modelagem florestal. O objetivo foi avaliar índices de competição para árvores de um povoamento não desbastado de Pinus taeda L. Dados de unidades amostrais permanentes foram utilizados, de povoamento florestal localizado na região de Telêmaco Borba, Paraná, Brasil, com idade de 3,4 a 21,4 anos. Oito índices de competição foram avaliados por meio de uma matriz de correlação de Spearman com variáveis dendrométricas e do povoamento. Além disso, para cada classe de sítio, a tendência média dos índices de competição por classes de diâmetro e idade foi analisada. Não houve um único índice mais correlacionado com todas as variáveis. Para as variáveis diâmetro, altura e probabilidade de mortalidade, os índices mais correlacionados foram o de Glover e Hool, Lorimer e Stage, respectivamente. Os índices de competição demonstraram satisfatoriamente o comportamento médio da competição, em relação à idade e classes de sítio. A seleção de um único índice dependerá de seu uso, sendo necessário testes específicos conforme a finalidade.