Classificação da capacidade produtiva com alturas de árvores dominantes estimadas por RNA

• Autor(a) principal: Marcos Vinicius Santana Leite
• Data de Publicação: 2022
• Outros Autores: Adriana Leandra de Assis, Christian Dias Cabacinha
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: https://doi.org/10.5902/1980509867120; http://hdl.handle.net/1843/59448; https://orcid.org/0000-0002-8148-083X; https://orcid.org/0000-0001-7777-9276; https://orcid.org/0000-0002-0723-6935
• topic: Inteligência artificial; Sitios florestais - Qualidade

A construção de curvas de sítio a partir da modelagem da altura de árvores dominantes medidas em parcelas permanentes em diferentes idades, considerando uma idade de referência, se constitui no método mais prático e difundido no meio florestal para classificar a capacidade produtiva local. Dentro de um processo de Planejamento Florestal, o grau de assertividade das curvas geradas tem consequências quantitativas e qualitativas na alocação de recursos, de forma que a melhoria contínua dos métodos de classificação é de suma importância. Este estudo teve como objetivo propor o uso de modelos de Redes Neurais Artificiais (RNA) para estimar a altura de árvores dominantes de eucalipto, e aplicá-los na geração de curvas de sítio utilizando o método da curva guia, como uma alternativa aos modelos tradicionais de regressão não-linear, avaliando a precisão das estimativas e a estabilidade da classificação da capacidade produtiva local gerada por essas abordagens. Os dados utilizados foram provenientes das medições de 8.819 parcelas permanentes instaladas em povoamentos clonais de Eucalyptus urophylla × Eucalyptus grandis. Foram ajustados cinco modelos não lineares clássicos e as RNA foram treinadas com dois algoritmos: Feed Forward Back Propagation Network (FFBP) e Cascade Forward Back Propagation Network (CFBP). Os resultados mostraram que, de maneira geral, quando utilizada somente a idade das parcelas para estimativa da altura dominante, não houve diferença nos resultados entre as RNA treinadas com os dois algoritmos e os modelos não lineares. Contudo, com adição de novas variáveis do povoamento durante o treinamento das RNA, houve uma melhora nas estimativas das alturas dominantes e gerou uma classificação da capacidade produtiva 13% mais estável se comparada aos modelos de regressão não linear.