Estimativa Do Afilamento Do Fuste De Indivíduos De Eucalipto Por Meio De Técnicas De Inteligência Artifical

Abstract

RESUMOObjetivou-se com este trabalho definir configurações acuradas de redes neurais artificiais (RNA) para estimar o afilamento do fuste de indivíduos de eucalipto com seis anos de idade. Foi realizada uma cubagem rigorosa em um povoamento comercial no município de Paragominas, mesorregião sudeste do Estado do Pará. Para maior precisão de cubagem, todos os clones foram separados em três classes diamétricas, sendo abatidas cinco árvores por classe, totalizando 60 árvores abatidas. Para o banco de dados foram treinadas 240 RNA no software Neuro versão 4.06. As RNA treinadas foram do tipo Multilayer Perceptron (MLP), com o algoritmo de aprendizado Resilient Propagation RPROP+, com diferentes funções de ativação e arquitetura, sendo estas avaliadas quanto o bias, raiz quadrada do erro médio, variância, erro padrão da estimativa e coeficiente de correlação. As RNA com menor valor ponderado foram as 165, 202, 204, 203 e 177, as quais apresentaram função de ativação do tipo sigmoidal. O coeficiente de correlação apresentou valores maiores que 0,99 para o treinamento e 0,98 para a validação das RNA, nas RNA treinadas. As RNA não foram tendenciosas e possuem capacidade de estimar o taper do eucalipto com acurácia. A RNA 165, com arquitetura de 5-7-1 e função de ativação sigmoidal, foi a que apresentou melhores resultados. ABSTRACTThe objective of this study was to define accurate artificial neural networks (ANN) configurations to estimate the tapering of the eucalyptus with six years old. It was made a rigorous survey in a commercial reforestation in Paragominas' city, a southeastern mesoregion of the State of Pará. For the greater cubing accuracy, all the clones were separated into three diametric classes, so that five trees per class were slaughtered, totaling 60 slaughtered trees. With this database, 240 ANNs were trained in Neuro software version 4.06. The trained ANNs were of the Multilayer Perceptron (MLP) type, with the learning algorithm Resilient Propagation RPROP+, with different activation and architecture functions, being evaluated the bias, square root of the mean error, variance, standard error of the estimate and coefficient of correlation. The ANN with the lowest weighted value were 165, 202, 204, 203 and 177, of these five presented sigmoidal activation functions. The correlation coefficient showed values greater than 0.99 for the training and 0.98 for the validation of ANN, in the ANN were trained. The ANNs were not biased and have the capacity to estimate the eucalyptus taper with acurácea. The ANN 165, with architecture of 5-7-1 and function of sigmoidal activation, was the one presented better results.

STEM TAPERING OF Eucalyptus spp. USING DIFFERENT CONFIGURATIONS OF ARTIFICIAL NEURAL NETWORKS

“…This reinforces the ability of ANNs to model non-linear problems, such as the prediction of the diameter along the stem of Eucalyptus spp. (CAMPOS et al, 2017;CUNHA NETO et al, 2019). The better performance of the Rprop algorithm may be associated with greater simplicity in its configuration, not being necessary to define, for example, the learning rate (MARTINS et al, 2016;CAMPOS et al, 2017).…”