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

• Autor(a) principal: Miguel, Eder Pereira
• Data de Publicação: 2015
• Outros Autores: Rezende, Alba Valéria, Leal, Fabrício Assis, Matricardi, Eraldo Aparecido Trondoli, Vale, Ailton Teixeira do, Pereira, Reginaldo Sergio
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Pesquisa Agropecuária Brasileira (Online)
• Texto Completo: https://seer.sct.embrapa.br/index.php/pab/article/view/20843
• topic: índice de vegetação; inventário florestal; produção; regressão; sensoriamento remoto; vegetation index; forest inventory; production; regression; remote sensing

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 (χ²ns); contudo, as RNAs são mais acuradas.