Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa

Detalhes bibliográficos
Autor(a) principal: Loureiro, Gabrielle Hambrecht
Data de Publicação: 2016
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: http://hdl.handle.net/1884/52605
Resumo: Orientador : Prof. Dr. Carlos Roberto Sanquetta
id UFPR_52fcd60a07663352a67e9ea4da687eea
oai_identifier_str oai:acervodigital.ufpr.br:1884/52605
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Loureiro, Gabrielle HambrechtCastro, Renato Vinicius OliveiraArce, Julio EduardoUniversidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia FlorestalSanquetta, Carlos Roberto, 1964-2018-02-02T13:56:26Z2018-02-02T13:56:26Z2016http://hdl.handle.net/1884/52605Orientador : Prof. Dr. Carlos Roberto SanquettaCoorientadores : Prof. Dr. Renato Vinicius Oliveira Castro, Prof. Dr. Julio Eduardo ArceTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa: Curitiba, 19/12/2016Inclui referências: f. 142-153Resumo: Estudos com Redes Neurais Artificiais (RNA) para o gênero Pinus são incipientes no Brasil. O objetivo deste trabalho foi testar as RNA para estimação da altura, volume e afilamento para povoamentos de Pinus taeda L., bem como avaliar sua aplicabilidade e compará-la com os métodos tradicionais de regressão. Para a estimação de altura por regressão e RNA foram utilizados dados de 304 parcelas permanentes, totalizando 2.454 remedições de parcela em plantios de Pinus taeda L. entre 3 e 21 anos, pertencentes à empresa Klabin S.A. No ajuste dos modelos hipsométricos os dados foram estratificados em ano de plantio, totalizando 11 estratos. Para cada estrato foram ajustados 4 modelos hipsométricos, e esses avaliados de acordo com o coeficiente de correlação ajustado (R² ajust), erro padrão da estimativa (Syx%), gráficos de dispersão de resíduos, além de estatísticas complementares como viés (V), média das diferenças absolutas (MD) e desvio padrão das diferenças (DPD). Os melhores modelos aplicados nos dados de validação foram comparados às RNA, que por sua vez foram treinadas no software Statistica 7.0, em que as 20 melhores redes foram aplicadas aos dados sem estratificação. A RNA com melhor desempenho para estimar a altura total foi comparada com o modelo de regressão por estrato. Para avaliar a precisão dos modelos hipsométricos e RNA para a redução da medição das alturas, os dados de ajuste foram reduzidos em 30% e 60%, e ajustados e treinados respectivamente. Para a estimação de volume total com casca e diâmetros e volumes ao longo do fuste e ainda volume total com casca por meio de funções de afilamento, foram utilizadas 212 cubagens de árvores com diâmetro a 1,30 (dap) entre 5 e 45 cm e aplicados o método da RNA e regressão. Na metodologia de ajuste por regressão os dados foram divididos em 4 estratos e para cada estrato ajustado 4 modelos de volume e 4 modelos de afilamento. O treinamento das RNA e seleção dos modelos de regressão foram realizados com a mesma metodologia da relação hipsométrica. As melhores RNA e modelos de regressão aplicados aos dados de validação foram comparados para verificar as melhores estimativas. Na estimativa de altura, modelos de regressão apresentaram melhor desempenho que as RNA para a base de dados total e na redução de até 60%. Na estimativa de volume total com casca os modelos estratificados por regressão apresentaram resultados mais satisfatórios, enquanto na estimativa do diâmetro e volume ao longo do fuste as RNA foram mais precisas. Conclui-se que, para as estimativas de altura e volume total de Pinus taeda, o uso de modelos de regressão é mais adequado especialmente em função da maior facilidade de aplicação. Já para as estimativas de diâmetros e volumes ao longo do fuste, o uso das RNA é mais adequado em razão de sua maior precisão e maior complexidade de ajuste dos modelos de afilamento. Palavras-chave: desempenho, interações não lineares, modelos de regressão.Abstract: Studies with Artificial Neural Networks (ANN) for the genus Pinus are incipient in Brazil. The main purpose of this work was to test ANN for height, volume and taper estimation for stands of Pinus taeda L., as well as to evaluate its applicability and to compare it with traditional regression methods. For the height estimation by regression and ANN, data from 304 permanent plots were used, totaling 2,454 remeasurements in Pinus taeda L plantations between 3 and 21 years, belonging to the company Klabin S.A. For the hypsometric models the data were stratified in year of planting, totaling 11 strata. For each stratum, 4 hypsometric models were fitted, and these were evaluated according to the adjusted correlation coefficient (R² adjust), standard error of estimative (Syx%), residual scatter plots, as well as complementary statistics, such as bias (V), absolute differences (MD) and standard deviation of differences (DPD). The best models applied in the validation data were compared to ANN trained in the Statistica 7.0 software, in which the 20 best networks were applied to the data without stratification. The best ANN performing to estimate total height was compared with the stratum regression model. To evaluate the accuracy of the hypsometric and ANN models for the height measurements reduction, the data were reduced by 30% and 60%, and adjusted and trained, respectively. For the estimation of the total volume with bark and diameters and volumes along the stem and also total volume with bark by means of tapering functions, 212 trees were scaled with diameter at 1.30 (dbh) between 5 and 45 cm and ANN and regression method was applied. In the regression adjustment method the data were divided into 4 strata and for each stratum adjusted 4 volume models and 4 taper models. The ANN training and regression models selection were performed using the same methodology as the hypsometric relation. The best ANN and regression models applied to the validation data were compared to verify the best estimates. In height estimation, regression models presented better performance than ANN for the total database and data reduction of up to 60%. For the estimation of total volume with bark, the models stratified by regression presented more satisfactory results, whereas for the estimation of diameter and volume along the stem the ANN was more accurate. It was concluded that, for the estimates of height and total volume of Pinus taeda, the use of regression models is more appropriate especially due to the greater ease of application. For the estimation of diameters and volumes along the stem, the use of ANN is more adequate because of the better precision and greater complexity of adjustment of the models of tapering. Keywords: Performance, nonlinear interactions, regression models.153 f. : gráfs., tabs.application/pdfDisponível em formato digitalEngenharia FlorestalDendrometriaPovoamento florestalRedes neurais (Computação)Pinus taedaTroncos (Botanica) - MediçãoFlorestas - Métodos estatísticosRedes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - GABRIELLE HAMBRECHT LOUREIRO.pdfapplication/pdf37668020https://acervodigital.ufpr.br/bitstream/1884/52605/1/R%20-%20T%20-%20GABRIELLE%20HAMBRECHT%20LOUREIRO.pdffecad9b29a66a22bcca0ab2023921267MD51open access1884/526052018-02-02 11:56:27.174open accessoai:acervodigital.ufpr.br:1884/52605Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082018-02-02T13:56:27Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
title Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
spellingShingle Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
Loureiro, Gabrielle Hambrecht
Engenharia Florestal
Dendrometria
Povoamento florestal
Redes neurais (Computação)
Pinus taeda
Troncos (Botanica) - Medição
Florestas - Métodos estatísticos
title_short Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
title_full Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
title_fullStr Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
title_full_unstemmed Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
title_sort Redes neurais artificiais e modelos de regressão para estimação de variáveis dendrométricas em Pinus taeda L : análise comparativa
author Loureiro, Gabrielle Hambrecht
author_facet Loureiro, Gabrielle Hambrecht
author_role author
dc.contributor.other.pt_BR.fl_str_mv Castro, Renato Vinicius Oliveira
Arce, Julio Eduardo
Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia Florestal
dc.contributor.author.fl_str_mv Loureiro, Gabrielle Hambrecht
dc.contributor.advisor1.fl_str_mv Sanquetta, Carlos Roberto, 1964-
contributor_str_mv Sanquetta, Carlos Roberto, 1964-
dc.subject.por.fl_str_mv Engenharia Florestal
Dendrometria
Povoamento florestal
Redes neurais (Computação)
Pinus taeda
Troncos (Botanica) - Medição
Florestas - Métodos estatísticos
topic Engenharia Florestal
Dendrometria
Povoamento florestal
Redes neurais (Computação)
Pinus taeda
Troncos (Botanica) - Medição
Florestas - Métodos estatísticos
description Orientador : Prof. Dr. Carlos Roberto Sanquetta
publishDate 2016
dc.date.issued.fl_str_mv 2016
dc.date.accessioned.fl_str_mv 2018-02-02T13:56:26Z
dc.date.available.fl_str_mv 2018-02-02T13:56:26Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1884/52605
url http://hdl.handle.net/1884/52605
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 153 f. : gráfs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/52605/1/R%20-%20T%20-%20GABRIELLE%20HAMBRECHT%20LOUREIRO.pdf
bitstream.checksum.fl_str_mv fecad9b29a66a22bcca0ab2023921267
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898871473963008

Registros relacionados