Métodos de aprendizado de máquina aplicados a modelagem de florestas inequiâneas

• Autor(a) principal: Rocha, Samuel José Silva Soares da
• Data de Publicação: 2021
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/27960
• topic: Florestas tropicais; Inteligência artificial; Dinâmica florestal - Modelos matemáticos; Recrutamento (População biológica); Florestas - Mortalidade; Florestas - Crescimento; Manejo Florestal

As florestas tropicais vêm sofrendo com a fragmentação e o desmatamento. No Brasil, a Mata Atlântica e a floresta Amazônica são exemplos disso. Nesses biomas, o conhecimento e a modelagem dos atributos florestais podem ser ferramentas úteis na compreensão destes biomas e no auxílio para adoção de medidas e práticas de manutenção da biodiversidade. Modelos de aprendizado de máquina podem ser técnicas promissoras nessas tarefas. Assim, o objetivo dessa pesquisa foi avaliar modelos de aprendizado de máquina para estimativas de atributos no bioma da Mata Atlântica e da Floresta Amazônica, no Brasil. Utilizamos dados de sete fragmentos de Mata Atlântica localizados em Minas Gerais, Brasil e uma área sob manejo florestal no sudoeste da Amazônia, no município de Porto Acre, estado do Acre, Brasil. Para atender os objetivos o trabalho foi dividido em quatro artigos. No primeiro artigo, aplicou-se modelos de aprendizado de máquina, Redes Neurais Artificiais (RNA), Máquina de Vetor de Suporte (MVS) e Random Forests (RF), para prever o recrutamento em nível de parcela na Mata Atlântica do Brasil. Atributos florestais, histórico de uso do solo, paisagem, solo e características climáticas foram usados na modelagem. O método Recursive Feature Elimination foi usado para selecionar o melhor subconjunto de variáveis preditoras. Observou-se que clima, paisagem, histórico de uso da terra e atributos da floresta são variáveis importantes para prever o recrutamento de árvores na Mata Atlântica no Brasil. O RF apresentou o melhor desempenho para estimar as taxas de recrutamento, com o maior Coeficiente de Correlação de Pearson ( ̂ ) e os menores Raiz do Erro Quadrático Médio (REQM) e Erro Médio Absoluto (EMA) para todas as repetições. No segundo artigo, utilizou-se as variáveis e modelos do primeiro artigo para estimar as taxas de mortalidade em nível de parcela. Constatou-se que o clima (precipitação, déficit hídrico climático e temperatura), idade de abandono e área basal são variáveis importantes para predizer a mortalidade de árvores na Mata Atlântica no Brasil. O RF também apresentou o melhor desempenho para estimar as taxas de mortalidade. No terceiro artigo, estimou-se o crescimento líquido com as informações utilizadas nos dois primeiros artigos. Observou-se que as variáveis edáficas, atributos da floresta e climáticas são importantes preditores das taxas de crescimento líquido na Mata Atlântica brasileira. Os métodos de aprendizado de máquina foram eficientes. O método Random Forests também mostrou superioridade sobre os demais para modelagem de crescimento na Mata Atlântica. No quarto artigo, estimou-se o volume e biomassa de árvores comerciais no sudoeste da Amazônia. Utilizou-se variáveis dendrométricas, climáticas e topográficas. O Algoritmo de Boruta foi aplicado para selecionar o melhor conjunto de variáveis. Máquina de Vetor de Suporte (MVS), Redes Neurais Artificiais (RNA), Random Forests (RF) e Modelo Linear Generalizado (MLG) foram os métodos de aprendizado de máquina avaliados. Em geral, os métodos avaliados mostraram um poder de generalização satisfatório. Os resultados mostraram que as previsões de volume e biomassa de árvores comerciais na floresta amazônica diferiram entre as técnicas (p <0,05). As RNAs apresentaram os melhores desempenhos para prever o volume e a biomassa das árvores comerciais, com o maior ̂ e os menores REQM e EMA. Por fim, constatamos que a utilização de Aprendizado de Máquina é uma abordagem promissora em estimativas de atributos na Mata Atlântica e na Floresta Amazônica. Esses modelos representam uma alternativa para modelagem de florestas tropicais ao redor do mundo, sobretudo as ameaçadas, como as aqui estudadas. Palavras-chave: Florestas tropicais. Inteligência Artificial. Dinâmica Florestal. Recrutamento. Mortalidade. Crescimento.