Resumo O objetivo deste estudo foi o de avaliar o efeito da densidade de pontos LiDAR na predição da altura média florestal (AMF) em plantações de Pinus taeda L., localizadas na região sul do Brasil. Em campo foram alocadas 55 unidades amostrais em que foram realizadas medições da altura total (ht) das árvores para a obtenção da AMF em nível de parcela. Os dados de sobrevoo LiDAR foram coletados com densidades de pontos média de 4 pontos m -2 , e posteriormente reduzidos de 100% para 80%, 60%,

more »

... 0%, 20%, 10%, 5% e 1%. Após a redução da malha de pontos, métricas LiDAR do perfil de copa foram calculadas e utilizadas para a modelagem da AMF por meio de regressão linear múltipla. Os modelos preditivos da AMF apresentaram valores de Coeficiente de Determinação Ajustado (R 2 ajd.) variando de 0,93 a 0,95 indicando a boa qualidade preditiva do modelo. No critério de validação cruzada todos os modelos sugeridos apresentaram valores relativos de raiz quadrada do erro quadrático médio (RMSE) inferiores a 10%. Os resultados permitiram inferir que é possível fazer uso de dados LiDAR com densidade de pontos baixa para predição e consequentemente, o monitoramento da AMF em plantios de P. teada, sem comprometer a precisão nas estimativas. Palavras-chave: Perfil Vertical Florestal, Métricas LiDAR, Sensoriamento Remoto, Inventário Florestal. Abstract The aim of this study was to evaluate the effect of LiDAR density points for the prediction of forest mean height (AMF) in a Pinus taeda plantation in southern Brazil. 55 sample plots were allocated in the field for estimating tree heights and to compute AMF at plot level. Airborne LiDAR data were collected with a mean of density points of 4 points m -² and then reduced from 100% to 80%, 60%, 40%, 20%, 10%, 5% e 1%. After reduction of LiDAR density points, LiDAR-derived canopy profile metrics were computed for AMF modeling. The models predictive of AMF show an Adjusted Coefficient of Determination (R² ajd.) ranging from 0.93 to 0.95. In cross validation, all models show relative Root Mean Square Error (RMSE) lower than 10%. The result suggests that it is possible to use low LiDAR density point data for predicting and monitoring AMF in P. taeda plantations without compromising the precision of the estimates.