Estimativas volumétricas em povoamentos de eucalipto utilizando máquinas de vetores de suporte e redes neurais artificiais

Abstract

Este estudo teve por objetivo avaliar o desempenho de redes neurais artificiais (RNA) e máquinas de vetor de suporte (MVS) na modelagem volumétrica em povoamentos de eucalipto. Utilizou-se dados oriundos de plantios comerciais não desbastados, localizados em quatro municípios na mesorregião sul do estado do Amapá e foram disponibilizados por uma empresa privada. Foram ajustados modelos volumétricos consagrados na literatura e comparados com a técnica de MVS e de RNA. Os dados foram divididos em 80% para treinamento e 20% para validação dos modelos, as mesmas variáveis dendrométricas utilizadas pelos modelos de regressão (dap e altura) foram utilizadas pelas MVS e RNA. Para o treinamento e generalização das MVS, foram utilizadas quatro configurações, formadas a partir de duas funções de erro e duas funções de Kernel. Para configuração, treinamento e generalização das RNA, foi utilizado o software NeuroForest -Volumetric, no qual foram utilizadas configurações de redes do tipo Adaline (Adaptive Linear Element); Multilayer Perceptron (MLP) e Funções de Base Radial (RBF). A qualidade dos ajustes dos modelos de regressão, e das metodologias utilizando RNA e MVS, foram avaliadas utilizando-se o coeficiente de correlação entre os volumes individuais observados e estimados (ryŷ), a raiz quadrada do erro médio, expresso em porcentagem da média (RMSE%), análise gráfica dos resíduos (Res%). Considerando os resultados, MVS e RNA obtiveram desempenho ligeiramente melhores, comparados à metodologia tradicional, nas estimativas de volume individual, demonstrando serem técnicas que se adequaram bem para aplicações na área de mensuração e manejo florestal. PALAVRAS CHAVE: análise de regressão, aprendizado de máquina, volumetria.

Predição do Incremento Médio Anual Volumétrico de Eucalyptus com Aprendizado de Máquina

“…Os melhores resultados foram com RF, que teve um RMSE de 15,0377 (RMSE% por volta de 15%) e R² de 0,8670. (iii) [Cordeiro et al 2022]: a partir dos dados de inventário com 214 amostras de um plantio comercial de eucalipto, em um ambiente de clima equatorial úmido no estado do Amapá, foram usadas as variáveis DAP (cm), Altura total (Ht m) e Volume (m³), comparou dois modelos estatísticos clássicos com três configurac ¸ões de MLP e duas de SVM para prever o volume em povoamentos de eucalipto. O resultado foi um RMSE % variando de 9,38 a 9,81% nas técnicas estatísticas; 4,71 a 8,06% para MLP; e 7,64 a 7,81% com SVM.…”

Modeling of growth and production of Eucalyptus spp stands using supervised machine learning

“…Desses estudos, grande parte deles buscam melhorar as estimativas da produc ¸ão afim de atender as demandas desses subprodutos, com modelos mais robustos associados a variáveis tanto do inventário, quanto fora dele. Como exemplos para a estimativa do volume de eucalipto temos [Penido et al 2020] com avaliac ¸ão de três modelos tradicionais: Modelo de Povoamento (MP) Clutter, Modelo de Distribuic ¸ão Diamétrica (MDD) e Modelo de Árvore Individual (MAI); [Dai et al 2021] com modelos que incluem índices de vegetac ¸ão (IV) derivados de Sensoriamento Remoto; [Cordeiro et al 2022] com uso de Redes Neurais Artificiais (ANN) e SVM; dentre outros dispostos na literatura, todos com o mesmo objetivo, estimar a produc ¸ão de eucalipto com precisão.…”