Modelagem hipsométrica utilizando regressão simbólica e variável ambiental

• Autor(a) principal: Mylla Vyctória Coutinho Sousa
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/37464
• topic: Inteligência artificial; Mensuração florestal; Programação genética; Florestas; Inteligência artificial; Levantamentos florestais

Em florestas plantadas costuma-se medir a altura de apenas algumas árvores da parcela e utilizar da relação hipsométrica para se estimar as restantes, reduzindo dessa forma os custos do inventário florestal. Estas estimativas costumam ser feitas através de modelos de regressão e técnicas de inteligência artificial (IA). Contudo os modelos de regressão estão sujeitos a dependência de suposições estatísticas e às vezes um elevado número de equações, já as técnicas de IA estão concentradas apenas nas RNA. Outras técnicas têm surgido na comunidade cientifica, mas ainda são pouco estudadas, como é o caso da regressão simbólica (RS). Diante disso o presente trabalho objetivou verificar a viabilidade da utilização da regressão simbólica no processo de modelagem hipsométrica. Os dados para realização do estudo são provenientes de um plantio clonal de Eucalyptus spp., localizado na região norte do estado de Minas Gerais. A base de dados é composta por 57 materiais genéticos, implantados em seis espaçamentos com idades variando entre 2 e 14 anos. A base de dados foi particionada em 70% para treinamento e 30% para validação. Para comparação foram ajustados 5 modelos tradicionais (Curtis, Trorey, Linear simples, Stoffels e Henricksen) e RNA, em seguida para alcançar as melhores estimativas dos dados com RS foram testadas 5 diferentes estratégias como variáveis de entrada, sendo elas E1: Dap; E2: Dap e Idade; E3: Dap, projeto, espécie e espaçamento; E4: Dap, projeto, clone e espaçamento; E5: Dap, idade, projeto e clone. Para o teste de inclusão de variáveis ambientais foi selecionado um clone amplamente distribuído em toda a área e obtido as variáveis precipitação pluviométrica e temperatura média provenientes de estações meteorológicas. Para avaliar a qualidade das estimativas, foram calculadas a correlação (r), média do erro absoluto (MAE) e Raiz quadrada do erro médio em porcentagem (RMSE%). Os principais resultados foram que o modelo gerado pela regressão simbólica, com r de 0,7861, e RMSE% de 11,72% se mostrou mais eficiente que os demais modelos e levemente inferior à RNA. A E5 com erro médio absoluto de 1,44 m apresentou os melhores valores para todas as estatísticas apresentadas. Com as variáveis qualitativas a RS apresentou r de 0,8338, MAE de 1,53 m e RMSE de 9,96%. Com as variáveis ambientais a RS apresentou r de 0,91 e RMSE de 5,49%, não apresentando ganho em precisão em relação ao modelo sem as variáveis. A regressão simbólica se mostrou um método viável e eficiente para estimativas hipsométricas, apresentando superioridade aos modelos hipsométricos tradicionais, porém quando comparada à RNA atingiu resultados semelhantes, mas não superiores. A adição de variáveis dap, idade, projeto e clone quando utilizadas em conjunto no modelo de regressão simbólica apresentaram os melhores resultados. Por se tratar de um tema inédito dentro dessa abordagem do manejo florestal, recomenda-se ainda que novos estudos sejam realizados, para que a técnica possa ser aprimorada e consolidada.