MODELAGEM PREDITIVA E ANÁLISE AMBIENTAL DA DINÂMICA POPULACIONAL DE PSILÍDEOS EM PLANTIOS DE EUCALIPTOS

Lucas Zappia Barcik

Defesa Pública: 8 de agosto de 2025.

Banca Examinadora:

Prof. Dr. Carlos Frederico Wilcken, Universidade Estadual Paulista “Júlio de Mesquita Filho”, Primeiro Examinador.
Prof. Dr. Alexandre dos Santos, Instituto Federal de Mato Grosso, Segundo Examinador.
Profª. Dra. Barbara de Oliveira Puretz, Bracell Celulose e Papel, Terceira Examinadora.
Profª. Dra. Fabiana Schmidt Bandeira Peres, Universidade Estadual do Centro-Oeste, Quarta Examinadora.
Profª. Dra. Daniele Ukan, Universidade Estadual do Centro-Oeste, Orientadora e Presidente da Banca Examinadora

RESUMO:

Este estudo teve como objetivo compreender e prever a dinâmica populacional do psilídeo-de-concha (Glycaspis brimblecombei) em plantios de Eucalyptus spp., por meio de abordagens estatísticas e técnicas de aprendizado de máquina. O estudo foi estruturado em três capítulos. No primeiro, avaliou-se a eficácia de diferentes densidades de armadilhas adesivas amarelas no monitoramento da praga e de seus inimigos naturais. Modelos Lineares Generalizados Mistos (GLMM) com distribuição binomial negativa indicaram que a densidade de uma armadilha a cada três hectares resultou em maior captura de G. brimblecombei e de Blastopsylla occidentalis, enquanto o parasitoide Psyllaephagus bliteus apresentou baixa ocorrência em todas as densidades avaliadas. No segundo capítulo, analisaram-se os efeitos da presença de bordas de vegetação nativa sobre a comunidade de insetos nos plantios. Talhões com bordas apresentaram maior riqueza e abundância de inimigos naturais generalistas, evidenciando seu papel ecológico na conservação biológica. No terceiro capítulo, modelos preditivos foram desenvolvidos para estimar a abundância de G. brimblecombei com base em dados climáticos, temporais e geográficos no estado do Paraná. Modelos de aprendizado supervisionado, como Random Forest, Gradient Boosting, LightGBM, GLM e XGBoost, foram avaliados, sendo o Random Forest e XGBoost apresentaram o melhor desempenho, com baixos valores de RMSE e MAE. Conclui-se que a densidade de uma armadilha a cada três hectares é eficiente para o monitoramento do psilídeo, que bordas de vegetação nativa favorecem a presença de inimigos naturais generalistas, e que algoritmos de aprendizado de máquina são ferramentas úteis para estimar com precisão a abundância da praga, contribuindo para o manejo integrado em florestas comerciais.