O objetivo deste estudo foi avaliar a eficiência do algoritmo de aprendizagem supervisionado Máquina de Vetores de Suporte (MVS) para regressão, em dados obtidos pelos sensores AVNIR-2 e o PALSAR a bordo do satélite ALOS, para estimativa de volume de madeira e biomassa aérea de povoamentos florestais de eucalipto. O trabalho também avaliou a redução do número de dados para treinamento, bem como a busca de estruturas de MVS mais simples. O estudo foi conduzido em áreas de reflorestamento na região leste do estado de Minas Gerais. Foram testados dois tipos de regressão ɛ-MVS e -MVS, bem como as seguintes funções kernel: linear, polinomial, RBF (Gaussian Radial Basis Function) e sigmoide. Foram utilizadas 190 parcelas, sendo 75% (142) para treinamento das MVS. A integração de todos os dados dos sensores AVNIR-2 e PALSAR, como variáveis de entrada das MVS, geraram estimativas para generalizações com os maiores valores de coeficiente de correlação (r y ) e menores valores da raiz quadrada do erro quadrático médio (RQEM), tanto para a variável volume quanto para a biomassa aérea. As -MVS com a função RBF resultaram em maior exatidão, e foram então utilizadas para as análises subsequentes. Em um treinamento com 95 parcelas obteve-se exatidão satisfatória nas generalizações para ambas as variáveis alvo. Para estimar volume dos povoamentos, generalizações relativamente satisfatórias dos dados foram encontradas combinando as bandas AV3 ou AV4 do sensor AVNIR-2 com uma polarização cruzada (L HV ou L VH ) do sensor PALSAR. A combinação da banda AV4 e a polarização L VH apresentou um r y de 0,991 e RQEM de 4,120 m3, equivalente a 1,617% da média das parcelas testadas. Já para biomassa aérea boas generalizações foram alcançadas combinando a banda AV4 do sensor AVNIR-2 com a polarização L HV ou L VV . No melhor desempenho de MVS para estimativas de biomassa aérea, utilizando a combinação AV4 e L VV , obteve-se um r y de 0,951 e RQEM de 5,338 t.ha -1 , o equivalente a 2,095% da média das parcelas testadas. A análise gráfica dos resíduos se mostrou primordial para a seleção de MVS com menor viés quantitativo. A simplicidade de ajuste das MVS, atrelada ao poder de generalização dos dados mostrou o potencial operacional do algoritmo nas atividades de quantificação e mapeamento dos recursos florestais.The key intention of this study was to evaluate the performance of Support Vector Regression (SVR) algorithm on Eucaliptus spp. timber stand volume and Above Ground Biomass (AGB) retrieval based on ALOS imagery. The sensors used were AVNIR-2 and PALSAR for optical and RADAR dataset respectively. This study also examined SVRs with a reduced number of inputs and training samples in order to reduce the amount of field measures. This study was carried out with 190 sample plots of eucalyptus stands from eastern region of Minas Gerais State, Brazil. The generalization ablity of ɛ-SVR and -SVE were compared, as well as the performance of following kernel functions: linear, polinomial, Gaussian Radial Basis Function (RBF) and sigmoid. Inicially, 142 samples were used for the training of SVRs and the remaining samples were used for the generalization test. The best generalization performances for volume and AGB estimates were obtained using -SVR with RBF as kernel function, and by combining all inputs from AVNIR-2 and PALSAR. This setting was used for subsequent generalized data analysis. Results with no loss of accuracy were obtained using just 95 training samples with a reduced number of inputs. The combination of AV3 or AV4 from AVNIR-2 with a cross-polarized input (L HV ou L VH ) from PALSAR showed good performances for stand volume timber retrieval. The best result for volume output variable obtained a coeficient correlation (r y ) value of 0,991 and 4,120 m3 of root-mean-quare error (RMSE). For AGB, the combination of AV4 optic data with L HV or L VV palarization input showed the best results. The best performance for AGB retrieval obtained a r y value of 0,951 and 5,338 t/ha of RMSE. The residual graphic analysis was essencial for selecting less biased SVRs. Therefore, the good generalization ability places the SVR as potentially usefull approach for remote sensing-based forest parameters retrieval.Fundação de Amparo à Pesquisa do Estado de Minas Gerais