Efeito Do Número De Neurônios Na Camada Oculta Para Relações Hipsométricas De Eucalipto Usando Redes Neurais Artificiais

Abstract

<jats:p>As redes neurais artificiais têm mostrado performance melhor ou pelo menos similar à dos modelos tradicionais de regressão usados a modelagem florestal. No entanto, deve-se atentar para uma configuração que garanta estimativas acuradas e capacidade de generalização, sendo a quantidade de neurônios na camada oculta uma característica crítica a ser decidida. Assim, o presente estudo buscou encontrar a quantidade ótima de neurônios na camada oculta na modelagem da relação hipsométrica em plantio de Eucalyptus saligna Smith. A base de dados foi subdividida de modo aleatório em 50% para treinamento e 50% para validação do modelo, empregando-se a arquitetura de rede neural Multilayer Perceptron (MLP). No processo de modelagem, considerou-se o diâmetro à altura do peito como variável de entrada e a altura como variável de saída. A quantidade de neurônios na camada oculta foi testada com variação entre 1 a 6. Das seis melhores redes treinadas, aquelas que obtiveram neurônios acima de três na camada oculta tenderam a apresentar overfitting quando aplicados aos dados da validação. Com as diferentes arquiteturas na camada oculta, foi possível obter redes treinadas com coeficiente de correlação (r) variando de 0,61 a 0,73 e raiz quadrada do erro quadrático médio de ±1,28 a 1,48 m. Foram escolhidas as RNA com três neurônios na camada oculta devido a sua simplicidade e pouca diferença de acurácia quando comparadas às obtidas com maior número. A quantidade de neurônios a serem considerados na camada oculta deve ser definida com atenção para que o fenômeno modelado conserve capacidade de generalização.</jats:p>