This paper seeks to estimate tree volumes of different species from the Brazilian savanna by using artificial neural networks and by making comparisons of results with estimates obtained from traditional volumetric equations. Data was obtained from 15 squared samples of 400 m² in an area of 29.6 ha. In each plot, breast height diameter (D) (diameter at 1.30 m from soil), total height (Ht) and commercial height (Hc) of all individuals with D equals or higher than 3.0 cm were measured. Afterwards, each tree was felled for volume measurement. Huber method was used considering measurement of stem diameters with more than 3.0 cm. Obtained data was used to train artificial neural networks (ANN) and to adjust volumetric equations to estimate total and commercial volume of trees. This study has shown that ANN and regression models are efficient for obtaining estimated volumes of trees in the Brazilian savanna. This suggests that artificial neural networks, that take into consideration species as a categorical input variable and were data trained, presented better results than those that are trained without categorical input. REDES NEURAIS ARTIFICIAIS PARA ESTIMAR O VOLUME DE ÁRVORES NO CERRADORESUMO: Neste artigo buscou-se estimar os volumes de árvores de diferentes espécies do Cerrado usando redes neurais artificiais e fazer comparações dos resultados com estimativas obtidas a partir de equações volumétricas tradicionais. Os dados foram coletados em 15 parcelas de 400 m² em uma área de 29,6 ha. Em cada parcela, o diâmetro da altura do peito (D) (diâmetro a 1,30 m do solo), a altura total (Ht) e a altura comercial (Hc) de todos os indivíduos com D igual ou superior a 3,0 cm foram medidos. Depois, cada árvore foi derrubada para obtenção do volume. O método de Huber foi usado considerando a medida dos diâmetros do fuste até 3,0 cm. Os dados obtidos foram utilizados para treinar redes neurais artificiais (RNA) e ajustar equações volumétricas para estimar o volume total e comercial das árvores. Este estudo mostrou que as RNA e as equações volumétricas são eficientes para a obtenção de volumes estimados de árvores no Cerrado. As redes neurais artificiais, que consideram a espécie como uma variável categórica de entrada, apresentaram melhores resultados do que aquelas que são treinadas sem essa variável.

No abstract

Tree stem profile results from a complex structure of shapes and dimensions determined by ecological processes within the forest. However, the feature selection in the development of taper models has been little investigated yet. We propose the Genetic Algorithm (GA) to assess factors that affect the stem taper and volume of Eucalyptus urograndis trees at different ages (2, 7, and 14 years) in Brazil. 213 sample trees were measured in diameters (d) and heights (h) along the stem, crown width (CW), crown base height (HCB), crown length (CL) and crown ratio (CR). These variables and the stand age were supplied to the GA that selects variables, replacing those of Kozak's model (2004). The performance of models was evaluated using error statistics and residual plots. The GA model was efficient in predicting diameters and volumes, mainly by increasing the accuracy of the estimates in the extreme portions of the trees. It was attributed to the morphometric variables selection as predictors of stem taper and volume, making them understandable in ecological terms. We highlight GA as a robust tool since it incorporated the morphometric variables in Kozak's model that contribute to the estimates.

As florestas tropicais no Brasil apresentam elevada diversidade de espécies arbóreas e, vêm sofrendo grande pressão devido a expansão agrícola, pecuária e outras atividades econômicas antrópicas. Diante desses fatores torna-se cada vez mais importante estudos fitossociológicos que envolvam riqueza de espécies, com intuito de conhecer o potencial biológico existente, bem como justificar a conservação dos remanescentes florestais nativos. Sendo assim, o objetivo deste trabalho foi verificar a suficiência amostral necessária para a quantificação da riqueza arbórea da Bacia Hidrográfica do Rio Grande (BHRG), no sul de Minas Gerais, avaliando em nível de fragmentos (parcelas por fragmento) e para toda a área da bacia (fragmentos na área total), essa análise foi estendida para a análise pontual da fitofisionomia Floresta Estacional Semidecidual, que é a principal fisionomia de ocorrência na bacia hidrográfica, verificando também a utilização da modelagem para a estimativa total de espécies arbóreas. O método utilizado foi a regressão de platô, para isso utilizou-se a reamostragem bootstrap sem reposição para a retirada da subjetividade na entrada dos dados no ajuste do modelo. A regressão de platô indicou o ponto onde seria encontrada a suficiência amostral. Concluiu-se, pelo modelo quadrático de resposta em platô, que a amostragem realizada para a bacia como um todo atingiu a suficiência amostral com 26 fragmentos. Já a nível de fragmentos, a suficiência amostral foi atingida em 55% dos fragmentos amostrados. Os resultados aqui apresentados podem ser utilizados para fins de indicação de espécies destinadas à recuperação de ecossistemas degradados, dentre outras aplicações de conservação florestal.

Este trabalho teve como objetivo a avaliação de variáveis de copa e índices morfométricos na predição do afilamento. O estudo adotivo teve o uso de Xylopia brasiliensis , localizado na Reserva Florestal da UFLA, em um fragmento florestal de 5,8 hectares. Uma cubagem não destrutiva foi realizada em 77 áreas da escola em sete classes de diâmetro. Os modelos testados foram Polinômio do 5º grau, Polinômio de potências internas e fracionárias e Kozak, clássicos. Utiliza-se o procedimento em etapas para gerar um novo modelo com uma inclusão de variáveis de copa, denominado de Hradetzky modificado.Os resultados foram de que o modelo Hradetzky modificado foi superior com R²aj = 83,88%, Syx = 1,96 cm, Syx (%) = 54,75 e AIC = -2,176,38, frente a esquerda. O gráfico foi grafado, o mesmo se apresentou mais equilibrado. Conclui que a instalação de variáveis de backup, em funções de trabalho não tem ganho de precisão e acuracidade das informações.