Redes neurais artificiais e modelos alométricos aplicados para estimativa de volume e altura em Eucalyptus urophylla S.T.Blacke
DOI:
10.34062/afs.v7i3.10720Keywords:
Eucalipto, Modelos hipsométricos e volumétricos, RNAAbstract
Redes neurais artificiais (RNA) destacam-se como ferramentas alternativas na modelagem florestal, com resultados muitas vezes superiores em relação aos métodos tradicionais de regressão. Este estudo objetivou avaliar se as estimativas de volume e altura, obtidas por redes neurais artificiais e modelos alométricos, são compatíveis ao método tradicional de cubagem rigorosa. Para obtenção dos dados foram cubadas, pelo método de Hohenadl, 394 árvores de Eucalyptus urophylla. Destas árvores, 70% foram utilizadas nos ajustes dos modelos hipsométricos, volumétricos e para treinamento da RNA e 30% fizeram parte da validação. Para selecionar as melhores equações e RNA observou-se as melhores estatísticas de ajuste e precisão. Estatisticamente, não houve diferença entre os dados da cubagem em campo e as estimativas, ao nível de 5% de significância. Tanto os modelos de regressão quanto as RNA apresentaram bons ajustes, no entanto, as RNA foram superiores em desempenho, pois apresentaram Syx de a 2% no treinamento e 2,5% na validação, para variável altura, e Syx de 6,5% no treinamento e 5,1% na validação, para o volume.
References
Almeida AQ, Mello AA, Dória Neto AL, Ferraz RC (2014). Relações empíricas entre características dendrométricas da Caatinga brasileira e dados TM Landsat 5. Pesquisa Agropecuária Brasileira, 49 (4):306-315. doi:10.1590/S0100 204X2014000400009
Ashraf MI, Meng FR, Bourque CPA, Maclean DA (2015) A novel modelling approach for predicting forest growth and yield under climate change. PloS one, 10(7): 1-18.
doi.org/10.1371/journal.pone.0132066
Azevedo TL, Mello A A, Ferreira RA, Sanquetta CR, Nakajima NY (2011) Equações hipsométricas e volumétricas para um povoamento de Eucalyptus sp. localizado na FLONA do Ibura, Sergipe. Revista Brasileira de Ciências Agrárias, 6(1):105 – 112. doi:10.5039/agraria.v6i1a861
Binoti MLMS, Leite HG, Binoti DHB, Gleriani JM (2015) Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Revista Cerne, 21(1):97-105. doi: 10.1590/01047760201521011153
Binoti DHB, Binoti MLMS, Leite HG (2014) Configuração de redes neurais artificiais para estimação do volume de árvores. Ciência da Madeira, 5(1):58-67. doi:10.5039/agraria.v11i1a5354
Binoti DHB, Binoti MLMS, Leite HG, Silva A (2013a) Redução dos custos em inventário de povoamentos equiâneos. Revista Brasileira de Ciência Agrárias, 8(1):125-129. doi: 10.5039/agraria.v8i1a2209
Binoti DHB, Binoti MLMS, Leite HG (2013b) Redução dos custos em inventário de povoamentos equiâneos utilizando redes neurais artificiais. Agrária, 8(1):125-129. doi: 10.5039/agraria.v8i1a2209
Binoti DHB, Binoti MLMS, Leite HG (2013c) NeuroForest Star. Patente: Programa de Computador. Número do registro: 13410-5, data de registro: 30/04/2013, título: "NeuroForest Star", Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.
Braga AP, Carvalho, APLF, Ludermir TB (2007) Redes neurais artificiais: teoria e aplicações. 2th Edição. Rio de Janeiro: LTC, 248p.
Campos BPF, Silva GF, Binoti DHB, Mendonça AR, Leite HG (2016) Predição da altura total de árvores em plantios de diferentes espécies por meio de redes neurais artificiais. Pesquisa Florestal Brasileira,36(88):375-385, doi: 10.4336/2016.pfb.36.88.1166
Campos JCC, Leite HG (2013) Mensuração florestal: perguntas e respostas. 4th Edição.Viçosa: UFV, 605p.
Castro RVO, Soares CPB, Leite HC, Souza AL, Nogueira GS, Martins FB (2013). Individual Growth Model for Eucalyptus Stands in Brazil Using Artificial Neural Network. ISRN Forestry, 2, p.1-12, 2013. doi.org/10.1155/2013/196832
David HC, Miranda ROV, Wlker J, Fiorentin LD, Ebling AA, Silva PHBM (2016) Strategies for stem measurement sampling: a statistical approach of modelling individual tree volume. Cerne, 22(3):249 – 260. doi.org/10.1590/01047760201622032155
Debastiani AB, Martins LP, Santos KSM, Corte APD, Netto SP, Sanqueta CR (2019) Distribuição do diâmetro de copa e diâmetro quadrático de Araucaria angustifolia e Pinus taeda. Ciência Florestal, 29(1): p. 270-280, 2019. doi.org/10.5902/1980509829219
Draper NR, Smith H (1980) Applied Regression Analysis. 2th Edição. New York, John Wiley e Sons, Inc. 709p.
Fernandes MM, Sousa L, Silva JPM, Araújo EF, Fernandes MRM, Nobrega RSAN (2019). Redes Neurais Artificiais na estimação de variáveis biométricas de mudas de espécies florestais produzidas em diferentes substratos. Revista Ciências Agroveterinárias, 18(1):47-58. doi: 10.5965/223811711812019047
Gonçalves JC, Oliveira AD, Carvalho SPC (2017) análise econômica da rotação florestal de povoamentos de eucalipto utilizando a simulação de Monte Carlo. Ciência Florestal, 27(4)p: 1339-1347. doi.org/10.5902/1980509830215
Gorgens EB, Leite HG, Gleriani JM, Soares CPB, Ceolin A (2014) influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais. Revista Árvore, 38(2):289-295. doi.org/10.1590/S0100-67622014000200009.
Gorgens EB, Leite HG, Santos HS, Gleriani JM (2009) Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, 33(6):1141-1147. doi:.org/10.1590/S0100-67622009000600016
Haykin, S (2001) Redes neurais: princípios e prática. 2th Edição. Porto Alegre, 900p.
Heidari E, Dobati, MA, Movahedirad S (2016) Accurate prediction of nanofluid viscosity using a multilayer perceptron artificial neural network (MLPANN). Chemometrics and Intelligent Laboratory Systems, 155:p.73-85. doi.org/10.1016/j.chemolab.2016.03.031
IBÁ – Indústria Brasileira de Árvores (2019). Relatório 2018. Disponível em: < https://iba.org/datafiles/publicacoes/relatorios/ibarelatorioanual2019.pdf >. Acesso em: junho/2020.
Leite HG, Silva MLM, Binoti DHB, Fardin L, Takizawa FH (2011) Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, 130(2):263-269. doi.org/10.1007/s10342-010-0427-7
Leal FA, Miguel EP, Matricardi EAT (2020) Estimates of Deforestation Rates in Rural Properties in the Legal Amazon. Floresta e Ambiente, 27(2):2 – 8, doi.org/10.1590/2179-8087.028317
Leal FA, Miguel EP, Matricardi EAT, Pereira RS (2015) Redes neurais na estimativa de volume em um plantio de eucalipto em função de fotografias hemisféricas e números de árvores. Revista Brasileira de Biometria, 33(2):233-249.
Leal FA, Miguel EP, Matricardi EAT (2011) Mapeamento de unidades produtivas utilizando a interpolação geoespacial krigagem a partir do inventário florestal em um povoamento de Eucalyptus urophylla S. T. Blake. Enciclopédia Biosfera,7(13):727-745.
Lima CPJ, Leão ARJ (2013) Dinâmica de Crescimento e Distribuição Diamétrica de Fragmentos de Florestas Nativa e Plantada na Amazônia Sul Ocidental. Floresta e Ambiente, 20(1):70-79. doi.org/10.4322/floram.2012.065.
Kruskal WH, Wallis WAN (1952) Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260):583-621. DOI: 10.2307/2280779
Machado AS, Filho AF (2009) Dendrometria. 2th Edição. Guarapuava: UNICENTRO, 309p.
Miguel EP, Téo JS, Nascimento RGM, Leal FA, Pereira RS, Rezende AV (2016) Artificial intelligence tools in predicting the volume of trees within a forest stand. African Journal of Agricultural Research, 11(21):1914-1923. doi.org/10.5897/AJAR2016.11015
Miguel EP, Rezende AV, Leal FA, Matricardi EAT, Vale AT, Pereira RS (2015) Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite. Pesquisa Agropecuária Brasileira, 50(9):829-839. doi.org/10.1590/S0100-204X2015000900012.
Miguel EP, Leal FA, Ono HÁ, Leal UAS (2014) Modelagem na predição do volume individual em plantio de Eucalyptus urograndis. Revista Brasileira de Biometria, 32(4):584-598.
Martins APM, Debastiani AB, Pelissari AL, Machado AS, Sanqueta CR (2017) Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial. Floresta e Ambiente, 24:1-10. doi.org/10.1590/2179-8087.023416
Martins ER, Binoti MLMS, Leite HG, Binoti DHB, Dutra GC (2016) Configuração de redes neurais artificiais para estimação da altura total de árvores de eucalipto, Revista Brasileira de Ciências Agrárias, 11(2):117-123. doi:10.5039/agraria.v11i1a5354
Mendonça AR, Caravalho SPC, Calegario N (2015) Modelos hipsométricos generalizados mistos na predição da altura de Eucalyptus sp. Revista Cerne, 21(1):107-115. doi.org/10.1590/01047760201521011191
Mirzaei, M, Aziz J, Mahadavi A, Rad AM (2016) Modeling frequency distributions of tree height, diameter and crown area by six probability functions for open forests of Quercus persica in Iran. Journal of Forestry Research, 27(4):901-906. doi.org/10.1007/s11676-015-0194-x
Mugasha WA, Mwakalukwa EE, Luoga E, Malimbwi RE, Sahabu E, Silayo DS, Sola G, Grete P, Henrt M, Kashindye A (2016) Allometric Models for Estimating Tree Volume and Aboveground Biomass in Lowland Forests of Tanzania. International Journal of Forestry Research, 2016(4):1-13. DOI: 10.1155/2016/8076271
Nunes MH, Görgens EB (2016) Artificial Intelligence Procedures for Tree Taper Estimation within a Complex Vegetation Mosaic in Brazil. PloS one, 11:1-16. doi.org/10.1371/journal.pone.0154738
Özçelik R, Diamantopoulou MJ, Brooks JR, Júnior HVW (2010) Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal of Environmental Management, 91(3):742– 753. doi.org/10.1016/j.jenvman.2009.10.002
Özçelik R, Dimantopoulou, Mj, Brooks J.R, Wiiant Junior HV (2013) Estimating Crimean juniper tree height Using Nonlinear regression and artificial neural network models. Forest Ecology and Management, 306:52-60. doi.org/10.1016/j.jenvman.2009.10.002
Riedmiller M, Braun HA (1993) direct adaptive method for faster backpropagation learning: the RPORP algorithm. In: IEEE International Conference on Neural Networks, 1993, San Francisco. Proceedings. New York: IEEE, 1:586-591. doi: 10.1109/ICNN.1993.298623.
Santos AT, Mattos PP, Braz EM, Rosot NC (2015) Determinação da época de desbaste pela análise dendrocronológica e morfométrica de Ocotea porosa (Nees & Mart.) Barroso em povoamento não manejado. Ciência Florestal, 25(3): 699-70. doi.org/10.5902/1980509819620
Silva MLM, Binoti DHB, Gleriani JM, Leite HG (2009) Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto. Revista Árvore, 33(6):1133-1139, 2009. doi.org/10.1590/S0100-67622009000600015
Shiblee M, Chandra B, Kalra PK (2010) Learning of geometric mean neuron model using resilient propagation algorithm. Expert Systems with Applications, 37(12):7449-7455. doi.org/10.1016/j.eswa.2010.04.018
Vibrans AC, Moser P, Oliveira LZ, Maçaneiro JP (2015) Generic and specific stem volume models for three subtropical forest types in southern Brazil. Annals of Forest Science, 72:865–874. doi: 10.1007/s13595-015-0481-x
Vendruscolo DGS, Drescher R, Souza HS, Moura, JPVM, Mamoré FMD, Siqueira TAS (2015) Estimativa da altura de eucalipto por meio de regressão não linear e redes neurais artificiais. Revista Brasileira de Biometria, 33(4):556-569.
Vendruscolo DGS, Chaves AGS, Medeiros RA, Silva RS, Souza HS, Drescher R, Leite HC (2017) Estimativa da altura de árvores de TectonagrandisL.f. utilizando regressão e redes neurais artificiais. Nativa, 5(1):52-58. DOI: 10.5935/2318-7670.v05n01a09
Downloads
Published
Issue
Section
License
All copyright must be assigned to the Federal University of Mato Grosso.