Computational advances made possible greater viability of data collection, storage, and algorithms processing with the expansion of big data in the forestry sector. In line with this, computational intelligence techniques have been increasingly applied to support decision-making in several problems. Among their applications, the feature selection process successfully contributes to the task automation of reducing the dimensionality of the data for optimizing a subset of relevant variables in the models building. Given this perspective, the thesis focuses on the genetic algorithms' use in association with the Random Forest (GA-RF) for selecting variables in the modeling of forest machine productivity (Article 1) and the periodic annual diameter increment in a Semideciduous seasonal montane forest in Brazil (Article 2). In article 1, the objective of the work was to test different methodological approaches in the generation of models with good predictive capacity, in addition to investigating the importance of variables arising from soil and climate conditions, operator records, and forest inventory. We selected the GA-RF because it has a high generalization power by reducing the errors' estimates, in addition to maximizing the importance of relevant variables in the machine's productivity. Article 2 aimed to evaluate the incorporation of competition effects in a growth model at individual trees level, based on the investigation of different categories of classical competition indices and an additional methodology proposed in this study, known as metrics of complex networks. The GA-RF methodology was efficient by combining ecological meaning and accuracy improvements. It selected distance-independent indices and complex network metrics for modeling the growth of the species, Xylopia brasiliensis, and Copaifera langsdorffii, respectively.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Os avanços computacionais oportunizaram uma maior viabilidade da coleta e armazenamento de dados, e processamento de algoritmos com a expansão de big data no setor florestal. Em alinhamento com isso, técnicas de inteligência computacional têm sido adotadas como suporte a tomada de decisão em uma gama de problemas. Dentre suas aplicações, o processo de seleção de atributos (Feature selection) contribui com êxito na automatização da tarefa de redução da dimensionalidade dos dados para otimização de um subconjunto de variáveis relevantes na construção de modelos. Diante dessa perspectiva, a tese foca no uso do algoritmo genético juntamente com o Random Forest (GA-RF) para seleção de variáveis na modelagem da produtividade de máquina florestal (Artigo 1) e do incremento periódico anual em diâmetro em uma Floresta Estacional Semidecidual Montana (Artigo 2). No artigo 1, o objetivo do trabalho foi testar diferentes abordagens metodológicas na geração de modelos com boa capacidade preditiva além da investigação da importância de variáveis oriundas de condições edafoclimáticas, registros dos operadores e inventário florestal. O GA-RF foi selecionado por apresentar alto poder de generalização com redução do erro das estimativas além da maximização da importância das variáveis relevantes na produtividade da máquina. O artigo 2 objetivou avaliar a incorporação dos efeitos da competição em um modelo de crescimento em nível de árvores individuais, baseando-se na investigação de diferentes categorias de índices clássicos de competição e do uso de métricas de redes complexas, metodologia proposta nesse estudo. A metodologia GA-RF foi eficiente em conciliar aspectos com significado ecológico e melhoria da acurácia por meio da seleção de índices independentes da distância e métricas de redes complexas para a modelagem do crescimento das respectivas espécies, Xylopia brasiliensis e Copaifera langsdorffii.