PREDIÇÃO DO AFILAMENTO DE Tectona grandis L.f. NA AMAZÔNIA ORIENTAL

Resumo

O afilamento do fuste constitui uma variável essencial para o manejo e o aproveitamento racional da madeira, permitindo estimar os diâmetros ao longo do fuste e determinar os respectivos sortimentos. Este estudo teve como objetivo comparar o desempenho de diferentes abordagens estatísticas e de aprendizado de máquina na predição do afilamento de Tectona grandis L.f. em Santarém, Pará. Foram amostradas 30 árvores, totalizando 261 observações de diâmetro (di). Utilizaram-se como variáveis preditoras o diâmetro a 1,3 m de altura (dap), a altura comercial (hc), a altura total (ht) e a altura relativa (hi). As abordagens testadas foram o modelo de Kozak, a árvore de regressão (CART), o Random Forest (RF), a Support Vector Machine (SVM) e a Gradient Boosting Machine (GBM). A avaliação do desempenho foi realizada por meio da raiz do erro quadrático médio (RMSE), erro médio absoluto (MAE) e coeficiente de correlação linear  para as etapas de treinamento e generalização. O algoritmo GBM apresentou os melhores resultados, com  > 0,99 e RMSE de 0,45 cm, seguido pelo RF. O modelo de Kozak e a árvore de regressão apresentaram maior dispersão dos erros e menor capacidade de generalização. A análise dos erros relativos indicou que o GBM produziu predições mais precisas, sem viés sistemático. Conclui-se que as abordagens baseadas em aprendizado de máquina, especialmente o GBM, apresentam maior eficiência para modelar o afilamento do fuste de teca, superando modelos convencionais de regressão quanto à exatidão e à precisão preditiva.

Palavras-chave: aprendizado de máquina;  inteligência artificial; mensuração florestal.

Predicting taper in Tectona grandis L.f. in the Eastern Amazon

ABSTRACT: Stem taper is an essential variable for sustainable forest management and the rational use of timber, as it enables the estimation of diameters along the bole and the determination of log assortments. This study aimed to compare the performance of different statistical and machine learning approaches for predicting the stem taper of Tectona grandis L.f. in Santarém, Pará, Brazil. A total of 30 trees were sampled, yielding 261 diameter observations (di) along the stem. Diameter at breast height (dbh), commercial height (hc), total height (ht), and relative height (hi) were used as predictor variables. The tested approaches included the Kozak taper model, Classification and Regression Tree (CART), Random Forest (RF), Support Vector Machine (SVM), and Gradient Boosting Machine (GBM). Model performance was evaluated using the root mean square error (RMSE), mean absolute error (MAE), and the linear correlation coefficient ( ) for both training and generalization (testing) stages. The GBM algorithm achieved the best results, with > 0.99 and an RMSE of 0.45 cm, followed closely by RF. The Kozak model and CART exhibited greater error dispersion and lower generalization ability. The relative error analysis indicated that GBM provided the most accurate predictions, with no evidence of systematic bias. We conclude that machine learning approaches, particularly GBM, are more effective for modeling teak stem taper, outperforming conventional regression models in predictive accuracy and precision.

Keywords: machine learning; artificial intelligence; forest mensuration.