Diversidade Florística E Equabilidade Em Fragmentos Florestais Usando Redes Neurais Artificiais

Abstract

This study aimed to evaluate the predictive efficiency of Shannon index (H') and Pielou Equitability index (J) in forest fragments from the Brazilian Cerrado biome, from the vegetation indices and landscape metrics using artificial neural networks (ANN). Feedforward networks were used and they were trained through a back propagation error algorithm. The variables used as ANN input for simultaneous estimation of indices were: the categorical (H' and J) and the numbers related to the mean and standard deviation of vegetation indices (NDVI, SAVI, EVI, and MVI5, MVI7) and landscape metrics (AREA, GYRATE, SHAPE, CONTIG, CORE and ENN). It was generated five models of ANN from the functional relationships between numerical variables inherent to vegetation indices in two seasons, a dry season (June) and a rainy season (February). The architecture of the networks was the Multilayer Perceptron (MLP), to estimate simultaneously the H' and J: 500 using vegetation indices in the wet season (100 for each vegetation index) and 500 in dry (100 for each vegetation index). The precision, accuracy and realism of biological ANN were assessed. The nets built during the rainy season and dry season that used vegetation indices MVI5 (Moisture Vegetation Index) and SAVI (Soil Adjusted Vegetation Index), respectively, were more appropriate, accurate and biologically realistic to estimate both indices H' and J. The ANN modeling demonstrated to be adequate to estimate the diversity index. Keywords: biological diversity; Brazilian Cerrado; MLP. RESUMOEste estudo teve como objetivo avaliar a eficiência da predição dos índices de diversidade de Shannon (H') e de Equabilidade de Pielou (J) em fragmentos florestais do Cerrado brasileiro a partir de índices de vegetação e métricas da paisagem empregando redes neurais artificiais (RNA). Utilizaram-se redes anteroalimentadas (feedforward), treinadas por meio do algoritmo da retropropagação do erro (back propagation). As variáveis utilizadas como entradas das RNA para a estimação simultânea dos índices foram: as categóricas (índices H' e J) e as numéricas relacionadas às médias e desvios padrão dos índices de vegetação (NDVI, SAVI, EVI, MVI5 e MVI7) e métricas da paisagem (AREA, GYRATE, SHAPE, CONTIG, CORE e ENN). Foram gerados cinco modelos de RNA a partir das relações funcionais entre as variáveis numéricas inerentes aos índices de vegetação em duas épocas, uma seca (junho) e outra chuvosa (fevereiro). A arquitetura das redes foi a Multilayer Perceptron (MLP) para estimar simultaneamente H' e J: 500 utilizando os índices de vegetação na época úmida (100 para cada índice de vegetação) e 500, na seca (100 para cada índice de vegetação). Foi avaliada a precisão, acurácia e realismo biológico das RNA. As redes construídas na época chuvosa e seca que utilizaram os índices de vegetação MVI5 (Moisture Vegetation Index) e SAVI (Soil Adjusted Vegetation Index), respectivamente, foram mais adequadas, precisas e realistas biologicamente para estimar, simultaneamente, os índices de H' e de J. A model...