Influência das condições edafoclimáticas e da paisagem na bioecologia e abundância das formigas cortadeiras em plantações florestais de eucalipto

Abstract

O setor florestal está presente em 10 milhões de hectares no Brasil e é um importante setor socioeconômico para o país. Entretanto limitantes da produção, como pragas, podem afetar a produtividade dos plantios. As formigas cortadeiras (Atta spp. e Acromyrmex spp.), nativas do país, são consideradas como as principais pragas florestais, gerando prejuízos anualmente e altos custos de controle e monitoramento. Identificar os locais mais propensos ao estabelecimento e crescimento dessa praga é essencial para ações de manejo mais efetivas. Nesse cenário, o modelo de aprendizagem de máquina Random Forest foi utilizado para avaliar padrões de respostas de um banco de dados com 10 anos de monitoramento de formigas cortadeiras e diferentes variáveis preditoras. O objetivo do trabalho foi avaliar a influência das variáveis edafoclimáticas e da paisagem no estabelecimento e crescimento de formigas cortadeiras em 5 macrorregiões do Brasil, com o uso do modelo Random Forest. Os modelos propostos apresentaram acurácia para detecção de reinfestação (83%), ninhos grandes (78%), além de apresentar sensibilidade para detecção de áreas de riscos (65% modelo com subamostragem). O trabalho demonstrou que há influência das variáveis edafoclimáticas e da paisagem de modo diferenciado para estabelecimento e crescimento de formigueiros e essas diferenças ocorrem também em cada macrorregião.

The forestry plantation sector in Brazil covers an area of 10 million hectares and holds significant socio-economic importance for the country. However, pests and deseases can affect the productivity of plantations. Leaf-cutting ants (Atta spp. and Acromyrmex spp.), native to the country, are considered the main forest pests, causing annual losses and high costs of control and monitoring. Identifying the places most likely to establish and grow this pest is essential for more effective management actions. In this scenario, the Random Forest machine learning model was used to evaluate response patterns from a database with 10 years of leaf-cutter ant monitoring and different predictor variables. The objective of this study was to evaluate the influence of edaphoclimatic and landscape variables on the establishment and growth of leafcutting ants in 5 macro-regions of Brazil, using the Random Forest model. The proposed models were accurate for detecting reinfestation (83%), large nests (78%), in addition to being sensitive for detecting risk areas (65% model with subsampling). The work demonstrated that there is influence of edaphoclimatic and landscape variables in a differentiated way for the establishment and growth of leaf-cutting ants and these differences also occur in each macro-region.