Coordenação de Aperfeiçoamento de Pessoal de Nível Superior A produtividade florestal é influenciada por diversos fatores, e apesar de ser fácil enumerá-los, é extremamente complexo o entendimento da influência de suas interações no crescimento e desenvolvimento das plantas. Por permitir modelar relações complexas e não-lineares, as redes neuronais artificiais (RNA) têm sido muito utilizadas em estudos sobre a produtividade florestal. Nesse sentido, o objetivo desse trabalho foi configurar, treinar e validar RNA para estimar a produtividade de povoamentos de eucalipto em função de variáveis ambientais, genótipo e práticas silviculturais, e avaliar quais são as variáveis preditoras mais importantes e como elas afetam a produtividade do eucalipto. Para isso foram utilizados dados de inventário florestal contínuo (IFC) de 507 talhões de eucalipto pertencentes à Gerdau, em Minas Gerais, compostos por diferentes genótipos e espaçamentos. Também foram utilizados dados de análise de solo desses talhões, fertilizações realizadas ao longo da rotação, e variáveis climáticas. Redes do tipo Perceptron de Múltiplas Camadas (MLP) foram treinadas para estimar o incremento médio anual de povoamentos de eucalipto aos seis anos de idade (IMA6), alterando as variáveis de entrada, número de neurônios na camada oculta, algoritmos de treinamento (Backpropagation, Resilient Propagation (Rprop+) e Quick Propagation), porcentagem de dados nos subconjuntos de treino e validação, e as funções de ativação (logística, tangente hiperbólica, linear) na camada intermediária (exceto a linear) e de saída. Para avaliar a importância das variáveis preditoras na estimativa da RNA, foram utilizados apenas os dados do clone (GG100) mais plantado pela empresa Gerdau e treinadas redes (algoritmo Rprop+ e função de ativação logística na camada oculta e de saída) para estimar o IMA6 em função do espaçamento, teor de argila, temperatura, precipitação pluviométrica total (considerando os seis anos da rotação mais dois anos anteriores ao plantio) e fertilizações realizadas. Para a rede selecionada, considerando-se a correlação entre o IMA6 estimado e observado ( ̂ e a raiz quadrada do erro quadrático médio (REQM), foram utilizadas as seguintes metodologias para avaliar a influência das variáveis preditoras nas estimativas da rede: Diagrama de Interpretação Neuronal (NID), algoritmos de Olden e de Garson, Lekprofile, e Análise de Sensibilidade Global. Para a primeira etapa foram obtidas redes com ̂ maior que 85 % e REQM menor que 15 % na validação. Todas as redes foram obtidas com o Rprop+ utilizando a função logística, tanto na camada oculta (6 a 8 neurônios) como na de saída, e utilizando 90 % dos dados para o treinamento. A utilização de RNA possibilitou a estimação do IMA6 de povoamentos de eucalipto com boa precisão, apesar da complexidade dos dados, e inclusão de inúmeras variáveis, até mesmo categóricas. Entre as variáveis explicativas, o genótipo, espaçamento, as características edáficas: argila, matéria orgânica e CTC, as características climáticas: precipitação pluviométrica, temperatura e déficit hídrico, e a fertilização tiveram maior influência na produtividade do eucalipto ao final da rotação. Em relação às metodologias usadas para avaliar a importância das variáveis preditoras na resposta da RNA, o método Lekprofile apresentou melhores resultados, uma vez que foram mais condizentes com a resposta biológica esperada. A precipitação pluviométrica total foi a variável que apresentou maior importância na estimação do IMA6 de povoamentos do clone GG100 para a RNA selecionada, e seu aumento resultou em maior IMA6 independentemente dos valores dos outros fatores. O oposto foi observado para a adubação nitrogenada. A utilização de RNA possibilita a modelagem da produtividade de povoamentos de eucalipto com boa precisão, e a não utilização de variáveis dendrométricas como preditoras pode ajudar o gestor florestal a tomar decisões em locais onde não existem dados de IFC ou que não existem plantios de eucalipto, além de possibilitar uma melhor avaliação de como os fatores ambientais, genótipo e práticas silviculturais influenciam a produtividade florestal. Although it is easy to enumerate the several factors that influence forest productivity, their interactions on plant growth and development are extremely complex. Artificial neural networks (ANN) have been widely used to understand forest productivity due to their ability to model complex and nonlinear relationships. This study aimed to configure, train and validate ANN to estimate the productivity of eucalyptus stands as a function of environmental factors, genotype and forestry practices. Other objective was evaluating what are the most important predictors and how they affect eucalyptus productivity. The dataset was from a continuous forest inventory (CFI) from 507 eucalyptus stands, composed by different genotype and spacing, belonging to the Gerdau company in Minas Gerais. Information about soil analysis, fertilizations and climatic variables were also used. ANN were trained to estimate the mean annual increment of eucalyptus stands at six years of age (MAI6). Multilayer Perceptron (MLP) networks were trained by altering the input variables, number of neurons in the hidden layer, training algorithms (Backpropagation, Resilient Propagation (Rprop+) and Quick Propagation), percentage of data in training and validation subsets, and activation function (logistic, hyperbolic tangent, linear) in the intermediate (except linear) and output layers. Only the dataset of the clone (GG100) most planted by the Gerdau company was used to train neural networks (Rprop+ algorithm and logistic activation function in hidden and output layers) to evaluate the importance of independent variables in the ANN response. This trained ANN estimates the MAI6 as a function the spacing, clay content, temperature, fertilization and total rainfall (considering the six years of rotation and two years before planting). The ANN was selected according to the correlation between estimated and observed MAI6 ̂ and root mean square error (RMSE) and the following methodologies were applied to evaluate the importance of the predictor variables: Neuronal Interpretation Diagram, Olden and Garson algorithms, Lekprofile and Global Sensitivity Analysis. In first step of this study, neural networks with ̂ greater than 85 % and RMSE less than 15 % were obtained in the validation. All ANNs were obtained with Rprop+ algorithm, logistic function in hidden (6 to 8 neurons) and input layers, using 90 % of the dataset for their training. The use of ANN allowed the MAI6 estimation of eucalyptus stands with good precision, despite the complexity of the dataset and inclusion of many variables, even categorical ones. Among the explanatory variables, the genotype, spacing, the edaphic characteristics: clay, organic matter and cation exchange capacity - CEC, the climatic characteristics: rainfall, temperature and water deficit, and fertilization had great influence on forest productivity at the end of rotation. In relation to the methodologies chosen to evaluate the importance of predictor variables, the Lekprofile method presented better results, since they were more compatible with the expected biological response. The total rainfall was the most important variable in the MAI6 estimation for stands of eucalyptus clone (GG100) by the selected neural network. Forest productivity estimation, without considering the dendrometric data as predictor variables, may help in decisions where there are no CFI datasets or eucalyptus stands, besides making possible the best evaluation of how the environmental factors, genotype and forestry practices influence forest productivity.