The correct capture of forest operations information carried out in forest plantations can help in the management of mechanized harvesting timber. Proper management must be able to dimension resources and tools necessary for the fulfillment of operations and helping in strategic, tactical, and operational planning. In order to facilitate the decision making of forest managers, this work aimed to analyze the performance of machine learning algorithms in estimating the productivity of timber harvesters. As predictors of productivity, we used the availability of hours of machine use, individual mean volumes of trees, and terrain slopes. The dataset was composed of 144,973 records, carried out over a period of 28 months. We tested the predictive performance of 24 machine learning algorithms in default mode. In addition, we tested the performance of blending and stacking joint learning methods. We evaluated the model’s fit using the root mean squared error, mean absolute error, mean absolute percentage error, and determination coefficient. After cleaning the initial database, we used only 1.12% to build the model. Learning by blending ensemble stood out with a determination coefficient of 0.71 and a mean absolute percentage error of 15%. From the use of data from machine learning algorithms, it became possible to predict the productivity of timber harvesters. Testing a variety of machine learning algorithms with different dynamics contributed to the machine learning technique that helped us reach our goal: maximizing the model’s performance by conducting experimentation.

Tactical planning in timber harvesting involves aspects related to forest macro-planning and, particularly, the allocation of resources and sequencing of activities, all of which affect the allocation of timber in forest yards and roads and the productivity of forest machines. Data-driven approaches encourage the use of information obtained from data to enhance decision-making efficiency and support the development of short-term strategies. Therefore, our investigation was intended to determine whether a data-driven approach can generate sufficient input for modeling forwarder productivity in timber forwarding in Pinus and Eucalyptus planted forests, to support tactical planning. We utilized 3812 instances of raw data that were generated over a 36-month period. The data were collected from 23 loggers who operated in Pinus and Eucalyptus planted forests. We applied 22 regression algorithms that applied a supervised learning method from an experimental machine learning approach to the data instances. We evaluated the fitted models using three performance metrics. Out of the tested algorithms, the default mode of light gradient boosting produced a root mean squared error of 14.80 m³ h⁻¹, a mean absolute error of 2.70, and a coefficient of determination of 0.77. Therefore, data-driven methods adequately support forwarder productivity modeling in timber forwarding in planted forests and help forest managers with tactical planning.

For years, industry institutions and academic researchers have been surveying software practitioners on agile software development methods adoption. These surveys have been useful in describing the characteristics, challenges, and impacts of agile adoption, mainly in Europe and North America. Latin American practitioners miss information on the state of agile adoption. This study aims to fill this gap by describing agile software development adoption in Brazil. We collected data from 897 countrywide-distributed practitioners. We used descriptive statistics and machine learning algorithms to understand our dataset. Results show the profile of companies and teams, characteristics of agile usage, perception of success, applied principles and practices, and reasons, challenges and impacts of agile adoption. We also explore the relevance of principles in software process improvements. We contribute by mapping the state-of-the-practice of agile adoption in Brazil and by contrasting our results to previous literature, which points out how we further current knowledge in academia.

A floresta amazônica brasileira concentra um dos maiores estoques de biomassa viva e carbono no planeta. Dada sua importância como sumidouro de carbono, estudos de quantificação de biomassa nesta floresta tropical são imprescindíveis para se buscar um maior entendimento nas questões ligadas às mudanças climáticas. Entretanto, há de se destacar que dados relativos a inventários de biomassa e carbono no Brasil, atualmente, são escassos ou encontram-se de maneira dispersa em diversas bases de dados, muitas vezes com acesso restrito. Nesse sentido, iniciativas de dados abertos (open data) para inventários florestais na Amazônia brasileira são necessárias. No presente estudo, foi feita uma abordagem inédita com dados de inventário florestal do Projeto RADAMBRASIL - disponibilizados na plataforma BDiA - utilizando o método bootstrap de reamostragem, para estimativas de biomassa e carbono no bioma Amazônia. O Processo KDD (Knowledge Discovery in Databases) foi utilizado para extrair informações da base de dados brutos. Três equações para Floresta Ombrófila Densa e duas para Floresta Ombrófila Aberta foram utilizadas, para árvores de grande porte (DAP ≥ 30 cm). Os resultados indicaram que estimativas de biomassa a partir da equação de Chambers et al. (2001) apresentaram menores valores de erro padrão e viés, para dados de Floresta Ombrófila Densa. Para dados de Floresta Ombrófila Aberta, melhores resultados foram encontrados nas estimativas a partir da equação de Nogueira et al. (2008) [2]. Pode-se concluir que essas duas equações são as mais indicadas nas estimativas de biomassa e carbono para os dados analisados. Além disso, a análise, limitada a árvores de grande porte, indicou que estas são representativas na composição total dos estoques de biomassa e carbono no bioma Amazônia (~163 Mg.ha-1, para Floresta Densa, comparado a valores da literatura, de 250-350 Mg.ha-1).

Áreas destinadas à conservação desempenham papel essencial na regulação global do clima, pois, as florestas são o principal sumidouro de carbono terrestre, uma vez que, capturam dióxido de carbono da atmosfera e armazenam o carbono em sua biomassa, principalmente na madeira. O objetivo deste trabalho foi analisar a dinâmica nos estoques de volume, biomassa e carbono em área total da Bacia Hidrográfica do Rio Iguaçu e em áreas especiais, como Matas Ciliares, Unidades de Conservação, Terras Indígenas e Assentamentos Rurais, entre os anos 2000 e 2015. Foram utilizados arquivos vetoriais da cobertura florestal da bacia para os anos-base para a estimativa das variáveis por formação florestal e estágio sucessional. A Bacia Hidrográfica do Rio Iguaçu como um todo foi sumidouro de carbono nos 15 anos analisados, com aumento nos estoques na ordem de 14% para V, AGB, C e CO₂eq (sequestro de 116.173.629,91 t de CO₂eq) no período. As áreas especiais foram sumidouro de carbono, sendo que as Unidades de Conservação estocaram mais carbono (11,72% do total da bacia) e Matas Ciliares sequestraram mais carbono (3,54% do total da bacia). Palavras-chave: Mata Atlântica; mudanças climáticas; floresta subtropical.