O aumento das concentrações dos gases-estufa, principalmente o dióxido de carbono, e as mudanças climáticas se tornaram assuntos científico, econômico e político importantes nos últimos anos. O Mecanismo de Desenvolvimento Limpo, do Protocolo de Kyoto concede créditos de carbono comercializáveis para projetos que promovam o seqüestro de carbono nos países em desenvolvimento. Portanto, avaliar a capacidade de absorção de CO2 pela vegetação terrestre é um aspecto importante, o que justifica o interesse em desenvolver modelos de fluxo e troca desse gás em diferentes escalas. O desenvolvimento desses modelos é dificultado pela não-linearidade dos processos ecofisiológicos. Este trabalho apresenta um método de modelagem de fotossíntese no nível da folha, como um primeiro passo para um método de quantificação do potencial de seqüestro de carbono. A técnica utilizada foi a de redes neurais artificiais, uma vez que ela permite ajustar relações não lineares entre as variáveis de entrada e de saída. O trabalho foi divido em duas partes: fitomonitoração e modelagem. A fitomonitoração foi realizada em jatobá (Hymenaea courbaril), durante um ano. Medindo-se variáveis fisiológicas: taxa de fotossíntese, taxa de transpiração, condutância estomática, temperatura da folha, e fluorescência, e variáveis ambientais: concentração de CO2, radiação fotossintética ativa, umidade relativa e temperatura do ar. Uma quantidade de dados inédita para esse tipo de experimento e para essa espécie vegetal foi obtida. A análise dos resultados da fitomonitoração mostra características importantes sobre o comportamento das variáveis fisiológicas em plântulas de jatobá e das variáveis ambientais de seu entorno, casa de vegetação, nas quatro estações do ano. Os dados coletados foram utilizados para a modelagem da rede neural. Os treinamentos foram realizados com diferentes combinações de variáveis de entrada para observar qual era o conjunto de variáveis às quais a rede respondia melhor. A análise dos resultados dos treinamentos mostrou que com a técnica de redes neurais é possível atingir uma aproximação da função fotossíntese com 92% de acertos para entradas com dados filtrados.

The increases in greenhouse gas concentrations, mainly carbon dioxide, and the climatic changes have become important scientific, economic, and political subjects in the past years. The Kyoto Protocol establishes the Clean Development Mechanism, which grants carbon credits for projects that promote the sequestration of carbon in developing countries. Therefore, it is important to evaluate the CO2 absorption capacity by terrestrial plants, and this requires the development of gas flow and gas exchange models in different scales. That development is usually complicated, because the ecophysiological processes are non-linear. This work presents a method to model photosynthesis at the leaf level, as a first step toward quantifying the potential of carbon sequestration. The technique used was artificial neural networks (ANNs), as it allows the adjustment of non-linear relationships between input and output variables. The work was divided in two parts: phytomonitoring and modeling. The phytomonitoring was accomplished in jatoba (Hymenaea courbaril) during one year. The following physiologic variables were measured: photosynthesis rate, transpiration rate, stomatal conductance, leaf temperature, and fluorescence; and environmental variables: CO2 concentration, photosynthetic activity radiation, relative humidity, and air temperature. An unprecedented amount of data for that type of experiment and for that plant species was obtained. The analysis of these data showed important characteristics about the relationship of the physiologic variables in Hymenaea courbaril and the environmental variables, in the four seasons. The data collected were used for the modeling and fine-tuning of the neural network. The network was trained with different combinations of input variables to observe to which group of variables the neural network responded better. The analysis of the training results showed that with the ANN technique it is possible to achieve a very good approximation of the photosynthesis function, with 92% success rate for entries consisting of filtered data.