La agricultura sustentable de plantaciones forestales exige la estimación permanente de la cantidad o volumen de madera que se está produciendo en un momento dado, lo que es difícil en extensas áreas de bosque, si solo se utilizan procedimientos manuales en campo. En la presente investigación se modelaron redes neuronales artificiales (ANNs, su sigla en inglés) de perceptrón multicapa para la estimación espacial de volúmenes de madera en una plantación de Eucalyptus sp. localizada en el estado de Mato Grosso del Sur, región Centro-oeste de Brasil. Para el efecto se emplearon como variables de predicción bandas espectrales, texturas de las bandas obtenidos con matriz de coocurrencia de niveles de grises e índice de vegetación, que fueron derivados de imagen digital de satélite Spot 6. La ANN resultante con mejor desempeño presentó una precisión de 93.32% y un coeficiente de determinación de 0.9761, con respecto a valores obtenidos con medidas de campo; no obstante, presentó un error cuadrático medio relativo de 16.32% (RMSE de 7.85 m3/ha), pero la distribución de los residuos no fue tendenciosa, por tanto, el modelo fue promisorio para mapear los volúmenes de madera en extensas áreas sin sobreestimar o subestimar la predicción. La red construida mostró mayor precisión y exactitud cuándo se comparó con otros métodos que usaron variables similares de estimación, inclusive en comparación con modelos neuronales que utilizaron solo bandas espectrales e índices de vegetación.
As funções de afilamento são ferramentas úteis para estimar diâmetros de toras e volumes comerciais de madeira a quaisquer alturas, sendo de grande importância para os empreendimentos florestais que buscam a otimização do uso de suas florestas. Este trabalho teve como objetivo avaliar modelos de afilamento segmentados, não segmentados e modelos de forma variável para estudo do afilamento do tronco de árvores de Eucalyptus sp. Com uma base de dados proveniente de um plantio de Eucalyptus sp. localizado no sul do estado de São Paulo aos 6,3 anos de idade, os modelos de afilamento testados foram: os modelos não segmentados de Ormerod (1973) e de Schöepfer (1966), o modelo segmentado de Max e Burkhart (1976), e os modelos de forma variável de Muhairwe (1999), Methol (2001) apud Rachid et al. (2014) e de Kozak (2004). Os volumes reais foram calculados utilizando-se o método de Smalian. O modelo de Kozak (2004) obteve as melhores medidas de precisão para estimativa dos diâmetros, já a equação de Muhairwe (1999) demonstrou os melhores resultados gráficos de dispersão de resíduos para a mesma estimativa. Para a estimativa volumétrica, a equação que obteve os melhores resultados foi a proposta por Methol (2001) apud Rachid et al. (2014), com as melhores medidas de precisão e melhor comportamento gráfico, com menores tendências e dispersão mais concentrada dos resíduos.
Sustainable agriculture of forest plantations requires the permanent estimation of the amount or volume of wood being produced at any given time, which is difficult in large forest areas if only manual procedures are used in the field. In the present research, multilayer perceptron artificial neural networks (ANNs) were modeled for the spatial estimation of wood volumes in a Eucalyptus sp. plantation located in the state of Mato Grosso do Sul, Central-West region of Brazil. For this purpose, spectral bands, band textures obtained with gray level cooccurrence matrix and vegetation index, which were derived from SPOT 6 digital satellite image, were used as prediction variables. The resulting ANN with the best performance presented an accuracy of 93.32% and a coefficient of determination of 0.9761, with respect to values obtained with field measurements; however, it presented a relative mean square error of 16.32% (RMSE of 7.85 m3/hm2), but the distribution of residuals was not biased, therefore, the model was promising for mapping timber volumes in large areas without overestimating or underestimating the prediction. The constructed network showed greater precision and accuracy when compared to other methods using similar estimation variables, including when compared to neural models using only spectral bands and vegetation indices.
Em levantamentos do volume de povoamentos, o viés não deriva apenas do processamento dos dados e das estimativas, podendo ser de seleção, quando a amostra não garante a representatividade da população; de admissão, quando a amostra advém de uma população especial; de amostragem; ou ainda podem ser imensuráveis, como erros sistemáticos e decorrentes do operador ou do próprio instrumento. O volume de um povoamento pode ser obtido através do uso de expressões matemáticas que utilizam as variáveis altura e diâmetro, ou circunferência onde o diâmetro é obtido com uso da suta e a circunferência por meio da fita métrica e, ambas, incorrem em erros que dependem do formato e deformidade das seções transversais do tronco. Este trabalho propõe uma metodologia com base na utilização de imagens digitais das seções do tronco e do uso da técnica de Redes Neurais Artificiais (RNA) para obtenção da área seccional na cubagem cuja estimativa de volume seja mais precisa e acurada do que a obtida por meio da suta e fita métrica, quando comparadas com os dados reais de volume obtidos pelo xilômetro. Com uma base de dados de plantios clonais de Eucalyptus sp., a metodologia proposta foi capaz de estimar com precisão a área seccional dos discos de madeira, resultando em estimativas de volume com apenas 0,26% de variação média em comparação com o xilômetro, enquanto suta e fita apresentaram, respectivamente, -1,41% e 4,08% de variação. Os resultados obtidos pelas fotos também demonstraram não ser tendenciosos, enquanto a fita métrica apresentou tendência a superestimar os volumes e a suta a subestimá-los.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.