Estimação do volume de árvores utilizando redes neurais artificiais

Görgens, Eric Bastos; Leite, Hélio Garcia; Santos, Heleno do Nascimento; Gleriani, José Marinaldo

doi:10.1590/s0100-67622009000600016

Cited by 61 publications

(70 citation statements)

References 2 publications

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A função sigmoidal foi empregada para ativação das camadas. Como algoritmo de treinamento, utilizou-se o "resilient propagation" (Riedmiller & Braun,1993), e os parâmetros de treinamento foram: taxa de aprendizagem (µ) de 0,2; e o termo momentum (η) de 0,9 (Gorgens et al, 2009).…”

Section: Methodsunclassified

Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite

Miguel

Rezende

Leal

et al. 2015

Pesq. agropec. bras.

View full text Add to dashboard Cite

Resumo -O objetivo deste trabalho foi avaliar a eficácia da aplicação de modelos de análise de regressão e redes neurais artificiais (RNAs) na predição do volume de madeira e da biomassa acima do solo, da vegetação arbórea em área de cerradão. Volume de madeira e biomassa foram estimados com equações alométricas desenvolvidas para a área de estudo. Os índices de vegetação, como variáveis preditoras, foram estimados a partir de imagens do sensor LISS-III, e a área basal foi determinada por medições na floresta. A precisão das equações foi verificada pela correlação entre os valores estimados e observados (r), erro-padrão da estimativa (Syx) e gráfico residual. As equações de regressão para o volume de madeira total e do fuste (0,96 e 0,97 para r, e 11,92 e 9,72% para Syx, respectivamente) e para a biomassa (0,91 e 0,92 para r, e 22,73 e 16,80% para Syx, respectivamente) apresentaram bons ajustes. As redes neurais também apresentaram bom ajuste com o volume de madeira (0,99 e 0,99 para r, e 4,93 e 4,83% para Syx) e a biomassa (0,97 e 0,98 r, e 8,92 e 7,96% para Syx, respectivamente). A área basal e os índices de vegetação foram eficazes na estimativa do volume de madeira e biomassa para o cerradão. Os valores reais de volume de madeira e biomassa não diferiram estatisticamente dos valores estimados pelos modelos de regressão e redes neurais (χ² ns ); contudo, as RNAs são mais acuradas.Termos para indexação: índice de vegetação, inventário florestal, produção, regressão, sensoriamento remoto. Artificial neural networks for modeling wood volume and aboveground biomass of tall Cerrado using satellite dataAbstract -The objective of this work was to evaluate the effectiveness of regression models and artificial neural networks (ANNs) in predicting wood volume and aboveground biomass of arboreal vegetation in area of tall Cerrado (a forest, savanna-like vegetation). Wood volume and biomass were estimated with allometric equations developed for the studied area. The vegetation indices, as predictor variables, were estimated from LISS-III sensor imagery, and the basal area was determined from field measurements. Equation precision was verified by the correlation between estimated and observed values (r), standard error of estimate (Syx), and by the residual plot. The regression equations for total wood volume and bole volume (0.96 and 0.97 for r, and 11.92 and 9.72% for Syx, respectively), as well as for aboveground biomass (0.91 and 0.92 for r, and 22.73 and 16.80% for Syx, respectively) showed good adjustments. The neural networks also showed good adjustments for both wood volume (0.99 and 0,99 for r, and 4.93 and 4.83% for Syx) and biomass (0.97 and 0.98 for r, and 8.92 and 7.96% for Syx, respectively). Basal area and vegetation indices were effective in estimating wood volume and biomass for the tall cerrado vegetation. Measured wood volume and aboveground biomass did not differ statistically from the predicted values by both the regression models and neural networks (χ² ns ); however, the ANNs are more accurate.

show abstract

Section: Methodsunclassified

Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite

Miguel

Rezende

Leal

et al. 2015

Pesq. agropec. bras.

View full text Add to dashboard Cite

show abstract

“…GÖRGENS et al, 2009;AERTSEN et al, 2010;LEITE et al, 2011;SANQUETTA et al, 2017). This can be done without the problem of multicollinearity, regression assumptions or even without well-known processes (a priori) or cause-effect relationships involving these variables as in ecophysiological models, so that variable as dominant height could be replaced by another related one do predict site quality.…”

Section: Introductionmentioning

confidence: 99%

Site Classification for Eucalypt Stands Using Artificial Neural Network Based on Environmental and Management Features

Cosenza

Soares

Alcântara³

et al. 2017

CERNE

Self Cite

View full text Add to dashboard Cite

Several methods have been proposed to perform site classification for timber production. However, there is frequent need to assess site productive capacity before forest establishment. This has motivated the application of Artificial Neural Networks (ANN) for site classification. Hereby, the traditional guide curve (GC) procedure was compared to the ANN with no stand measures as input. In addition, different ANN settings were tested to assess the best setting. The variables used to train the ANN were: climatic variables, soil types, spacing and genetic material. The results from the ANN and the GC methods were compared to the observed classes, which were defined using the observed dominant high at the age of seven years. The comparison was performed using the Kappa coefficient (K) and descriptive analysis. The results showed that the cost function “Cross Entropy” and the output activation function “Softmax” were the best for this purpose. The ANN classification resulted in substantial agreement with the observed indices against a moderate agreement of the GC procedure. The change in growth patterns throughout the rotation may have hindered the proper classification by the CG method, which does not happen with the ANN. Moreover, the GC method shows efficiency on classification in cases which data from stands at the age close to the reference age are available. Also, it could be possible to improve its accuracy if another advanced regression techniques were applied. However, the ANN method presented here is not sensible to growth instability and allows classifying sites with no plantation history.

show abstract

“…Esses dados podem ser utilizados para implementar um projeto de redes neurais, cujo objetivo final é a estimativa do volume de árvores sem o uso de equações volumétricas e de dados específicos de cubagem (GORGENS et al, 2009).…”

Section: Introductionunclassified

“…Esse tipo de rede possui as ligações entre os neurônios, ocorrendo sempre no sentido entradasaída; associado a cada uma dessas ligações, existe um valor denominado peso. A eficiência do aprendizado está diretamente relacionada aos parâmetros do algoritmo de treinamento, do número de neurônios e do número de camadas (GORGENS et al, 2006). O objetivo deste estudo foi avaliar três arquiteturas diferentes com diversas quantidades de neurônios e de camadas intermediárias.…”

Section: Introductionunclassified

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Görgens¹,

Leite

Gleriani

et al. 2014

Rev. Árvore

Self Cite

View full text Add to dashboard Cite

RESUMO -As redes neurais supervisionadas são compostas por unidades de processamento organizadas de forma paralela, em que cada uma delas computa determinadas funções matemáticas. As unidades são organizadas em camadas e ligadas por pesos sinápticos que ponderam as entradas, buscando ajustá-los a um padrão de saída previamente estabelecido. É fundamental a correta definição do número de camadas e da quantidade de neurônios em cada uma delas, uma vez que o treinamento é influenciado diretamente por esses parâmetros. Para explorar esse ponto, dados de cubagem de cinco empresas diferentes foram reunidos em uma planilha e, de forma aleatória, divididos em conjunto de treinamento e conjunto de validação. Os dados foram apresentados para três redes com arquiteturas diferentes. A avaliação foi feita por meio de gráficos de resíduos e teste t (p< = 0,05). Com base nos resultados, foi possível concluir que, para obter estimativas de volume por árvore, a rede neural deve ser construída com mais de 10 neurônios na primeira camada, sendo recomendado o uso de mais de uma camada intermediária.Palavras-chave: Cubagem; Neurônios; Camada. INFLUENCE OF THE ARCHITECTURE IN ESTIMATED VOLUME OF INDIVIDUAL TREES USING ARTIFICIAL NEURAL NETWORKS

show abstract

Estimação do volume de árvores utilizando redes neurais artificiais

Cited by 61 publications

References 2 publications

Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite

Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite

Site Classification for Eucalypt Stands Using Artificial Neural Network Based on Environmental and Management Features

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

Contact Info

Product

Resources

About