Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG
Autor(a) principal: | |
---|---|
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/123456789/29703 https://doi.org/10.47328/ufvbbt.2022.007 |
Resumo: | A produtividade de um plantio florestal tende a variar conforme o genótipo, idade, manejo, clima, fisiografia, algumas características do solo, práticas silviculturais e operações florestais durante a rotação. No contexto atual, mudanças climáticas, ganhos genéticos já não muito significativos e, além disso, a expansão para áreas, possivelmente, menos produtivas, contribuem para o fato da produtividade do eucalipto no Brasil não estar aumentado como em décadas passadas. Dessa forma, modelos orientados por variáveis climáticas, edáficas e fisiológicas, chamados modelos processuais, são cada vez mais importantes para auxiliar no planejamento e manejo florestal. O 3-PG (Physiological Principles Predicting Growth) é um exemplo dessa categoria de modelo, que além de calcular a quantidade de carbono fixada e alocada pelas árvores, também simula o crescimento em diâmetro à 1,30 m de altura (D), altura total e volume do povoamento. Ao analisá-lo, percebeu-se que alguns aspectos do 3-PG poderiam ser aprimorados com o uso de redes neurais artificiais (RNA), integradas ao modelo, e no processo de parametrização do mesmo. Diante do exposto, os objetivos deste trabalho foram: estimar a produtividade do eucalipto utilizando o modelo 3-PG, já calibrado para algumas regiões do Brasil; Configurar e treinar RNA para substituir os modelos de regressão do modelo 3-PG, propondo uma abordagem mista; Configurar e treinar RNA para predizer alguns dos parâmetros do 3-PG, que geram maior sensibilidade ao modelo. Foram selecionadas na literatura 16 parametrizações para eucalipto, com as quais foi produzido um banco de dados, usado no treinamento das RNA. Foi avaliado o comportamento do modelo 3-PG, nas diferentes regiões climáticas. O tipo de RNA utilizada foi a multilayer perceptrom com uma camada intermediária e o algoritmo de aprendizagem resilient backpropagation. Foram testadas diferentes combinações entre variáveis climáticas e relacionadas com a saída desejada. O mesmo foi feito para a predição dos parâmetros analisados, porém, considerando duas abordagens de treinamento das redes. O modelo 3-PG, associado às RNA, foi aplicado em todo o Brasil. As estimativas do modelo 3-PG apresentaram resultados consistentes com cada sítio. As predições das RNA foram precisas, a partir de variáveis de fácil acesso. As redes de melhor desempenho foram para predizer o D, altura total, volume do povoamento, biomassa foliar e os parâmetros a p e n p . Para a predição dos demais parâmetros, as redes apresentaram resultados precisos nas duas abordagens de treinamento, principalmente para os parâmetros da função para estimar o D (a s e n s ) e a fração máxima de biomassa alocada para raízes (η Rx ). As principais conclusões foram: parâmetros e saídas do modelo 3-PG podem ser estimadas com eficiência empregando RNA; Maior flexibilidade e generalismo podem ser conferidos ao 3-PG por meio da inclusão de variáveis climáticas e processuais, integradas por uma RNA; O ajuste de um modelo sigmoide às estimativas de volume do 3-PG possibilita avaliar biologicamente as etapas do crescimento, em diferentes cenários; Nos casos onde houve baixa precisão, foi devido a falta de informações explicativas, principalmente relacionadas a fertilidade do solo. Os modelos de RNA e o modelo proposto (3-PG + RNA) foram disponibilizados. Palavras-chave: Eucalyptus. Modelagem processual. Inteligência artificial. Aprendizado de máquina. Parametrização. Manejo florestal. |
id |
UFV_c512caef5844e32d1c1e2f383d53f331 |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/29703 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
2145 |
spelling |
Neves, Júlio César LimaSilva, Gabriela Cristina Costahttp://lattes.cnpq.br/8918679599150852Leite, Helio Garcia2022-08-18T18:30:47Z2022-08-18T18:30:47Z2021-10-20SILVA, Gabriela Cristina Costa. Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG. 2021. 201 f. Tese (Doutorado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021.https://locus.ufv.br//handle/123456789/29703https://doi.org/10.47328/ufvbbt.2022.007A produtividade de um plantio florestal tende a variar conforme o genótipo, idade, manejo, clima, fisiografia, algumas características do solo, práticas silviculturais e operações florestais durante a rotação. No contexto atual, mudanças climáticas, ganhos genéticos já não muito significativos e, além disso, a expansão para áreas, possivelmente, menos produtivas, contribuem para o fato da produtividade do eucalipto no Brasil não estar aumentado como em décadas passadas. Dessa forma, modelos orientados por variáveis climáticas, edáficas e fisiológicas, chamados modelos processuais, são cada vez mais importantes para auxiliar no planejamento e manejo florestal. O 3-PG (Physiological Principles Predicting Growth) é um exemplo dessa categoria de modelo, que além de calcular a quantidade de carbono fixada e alocada pelas árvores, também simula o crescimento em diâmetro à 1,30 m de altura (D), altura total e volume do povoamento. Ao analisá-lo, percebeu-se que alguns aspectos do 3-PG poderiam ser aprimorados com o uso de redes neurais artificiais (RNA), integradas ao modelo, e no processo de parametrização do mesmo. Diante do exposto, os objetivos deste trabalho foram: estimar a produtividade do eucalipto utilizando o modelo 3-PG, já calibrado para algumas regiões do Brasil; Configurar e treinar RNA para substituir os modelos de regressão do modelo 3-PG, propondo uma abordagem mista; Configurar e treinar RNA para predizer alguns dos parâmetros do 3-PG, que geram maior sensibilidade ao modelo. Foram selecionadas na literatura 16 parametrizações para eucalipto, com as quais foi produzido um banco de dados, usado no treinamento das RNA. Foi avaliado o comportamento do modelo 3-PG, nas diferentes regiões climáticas. O tipo de RNA utilizada foi a multilayer perceptrom com uma camada intermediária e o algoritmo de aprendizagem resilient backpropagation. Foram testadas diferentes combinações entre variáveis climáticas e relacionadas com a saída desejada. O mesmo foi feito para a predição dos parâmetros analisados, porém, considerando duas abordagens de treinamento das redes. O modelo 3-PG, associado às RNA, foi aplicado em todo o Brasil. As estimativas do modelo 3-PG apresentaram resultados consistentes com cada sítio. As predições das RNA foram precisas, a partir de variáveis de fácil acesso. As redes de melhor desempenho foram para predizer o D, altura total, volume do povoamento, biomassa foliar e os parâmetros a p e n p . Para a predição dos demais parâmetros, as redes apresentaram resultados precisos nas duas abordagens de treinamento, principalmente para os parâmetros da função para estimar o D (a s e n s ) e a fração máxima de biomassa alocada para raízes (η Rx ). As principais conclusões foram: parâmetros e saídas do modelo 3-PG podem ser estimadas com eficiência empregando RNA; Maior flexibilidade e generalismo podem ser conferidos ao 3-PG por meio da inclusão de variáveis climáticas e processuais, integradas por uma RNA; O ajuste de um modelo sigmoide às estimativas de volume do 3-PG possibilita avaliar biologicamente as etapas do crescimento, em diferentes cenários; Nos casos onde houve baixa precisão, foi devido a falta de informações explicativas, principalmente relacionadas a fertilidade do solo. Os modelos de RNA e o modelo proposto (3-PG + RNA) foram disponibilizados. Palavras-chave: Eucalyptus. Modelagem processual. Inteligência artificial. Aprendizado de máquina. Parametrização. Manejo florestal.A forest stand productivity tends to vary according to genotype, age, management, climate, physiography, some soil characteristics, silvicultural practices and forestry operations during the rotation. In the current context, climate change, genetic gains that are no longer very significant and, in addition, expansion into possibly less productive areas, contribute to the fact that eucalyptus productivity in Brazil has not increased as in past decades. Thus, models guided by climatic, edaphic and physiological variables, called process-based models, are increasingly important to assist in forest planning and management. The 3-PG (Physiological Principles Predicting Growth) is an example of this type of model, which in addition to calculating the amount of carbon fixed and allocated by the trees, also simulates the growth in diameter at 1.30 m height (D), total height and stand volume. When analyzing it, it was noticed that some aspects of 3-PG could be improved with the use of artificial neural networks (ANN), integrated to the model, and in the process of its parameterization. Given the above, the objectives of this work were: to estimate the productivity of eucalyptus using the 3-PG model, already calibrated for some regions of Brazil; Configure and train RNA to replace the 3-PG regression models, proposing a mixed approach; Configure and train RNA to predict some of the 3-PG parameters, which generate greater sensitivity to the model. Sixteen parameterizations for eucalyptus were selected in the literature, with which a database was produced and used in the ANN training. The 3-PG behavior was evaluated in different climatic regions. Multilayer perceptron with one intermediate layer and the resilient backpropagation learning algorithm was used. Different combinations between climatic variables and those related to the desired output were tested. The same was done for the parameters prediction, however, considering two approaches to training the networks. The 3-PG model, associated with ANN, was applied throughout Brazil. The 3-PG model estimates showed results consistent with each site. ANN predictions were accurate, based on easily accessible variables. The best performing networks were to predict D, total height, stand volume, leaf biomass and a p and n p parameters. For the other parameters prediction, the nets presented precise results in both training approaches, mainly for the parameters of the function to estimate D (a s and n s ) and the maximum fraction of biomass allocated to roots (η Rx ). The main conclusions were: 3-PG parameters and outputs can be efficiently estimated using ANN; Greater flexibility and generalism can be given to 3-PG through the inclusion of climatic and physiological variables, integrated by an ANN; Fitting a sigmoid model to 3-PG volume estimates makes it possible to biologically assess the stages of growth in different scenarios; In cases where there was low precision, it was due to the lack of explanatory information, mainly related to soil fertility. The RNA models and the proposed model (3-PG + RNA) are available. Keywords: Eucalyptus. Process-based modeling. Artificial intelligence. Machine learning. Parameterization. Forest management.Conselho Nacional de Desenvolvimento Científico e TecnológicoporUniversidade Federal de ViçosaCiência FlorestalEucalyptus - Crescimento - Modelos matemáticosFlorestas - ManejoInteligência artificialManejo FlorestalUso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PGPrediction of parameters and calibration of the 3-PG model using artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal de ViçosaDepartamento de Engenharia FlorestalDoutor em Ciência FlorestalViçosa - MG2021-10-20Doutoradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf37151426https://locus.ufv.br//bitstream/123456789/29703/1/texto%20completo.pdfce7d2ecb728dd654940d1eed7e928640MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/29703/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/297032022-10-13 09:24:22.199oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452022-10-13T12:24:22LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
dc.title.en.fl_str_mv |
Prediction of parameters and calibration of the 3-PG model using artificial neural networks |
title |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
spellingShingle |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG Silva, Gabriela Cristina Costa Eucalyptus - Crescimento - Modelos matemáticos Florestas - Manejo Inteligência artificial Manejo Florestal |
title_short |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
title_full |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
title_fullStr |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
title_full_unstemmed |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
title_sort |
Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG |
author |
Silva, Gabriela Cristina Costa |
author_facet |
Silva, Gabriela Cristina Costa |
author_role |
author |
dc.contributor.authorLattes.pt-BR.fl_str_mv |
http://lattes.cnpq.br/8918679599150852 |
dc.contributor.none.fl_str_mv |
Neves, Júlio César Lima |
dc.contributor.author.fl_str_mv |
Silva, Gabriela Cristina Costa |
dc.contributor.advisor1.fl_str_mv |
Leite, Helio Garcia |
contributor_str_mv |
Leite, Helio Garcia |
dc.subject.pt-BR.fl_str_mv |
Eucalyptus - Crescimento - Modelos matemáticos Florestas - Manejo Inteligência artificial |
topic |
Eucalyptus - Crescimento - Modelos matemáticos Florestas - Manejo Inteligência artificial Manejo Florestal |
dc.subject.cnpq.fl_str_mv |
Manejo Florestal |
description |
A produtividade de um plantio florestal tende a variar conforme o genótipo, idade, manejo, clima, fisiografia, algumas características do solo, práticas silviculturais e operações florestais durante a rotação. No contexto atual, mudanças climáticas, ganhos genéticos já não muito significativos e, além disso, a expansão para áreas, possivelmente, menos produtivas, contribuem para o fato da produtividade do eucalipto no Brasil não estar aumentado como em décadas passadas. Dessa forma, modelos orientados por variáveis climáticas, edáficas e fisiológicas, chamados modelos processuais, são cada vez mais importantes para auxiliar no planejamento e manejo florestal. O 3-PG (Physiological Principles Predicting Growth) é um exemplo dessa categoria de modelo, que além de calcular a quantidade de carbono fixada e alocada pelas árvores, também simula o crescimento em diâmetro à 1,30 m de altura (D), altura total e volume do povoamento. Ao analisá-lo, percebeu-se que alguns aspectos do 3-PG poderiam ser aprimorados com o uso de redes neurais artificiais (RNA), integradas ao modelo, e no processo de parametrização do mesmo. Diante do exposto, os objetivos deste trabalho foram: estimar a produtividade do eucalipto utilizando o modelo 3-PG, já calibrado para algumas regiões do Brasil; Configurar e treinar RNA para substituir os modelos de regressão do modelo 3-PG, propondo uma abordagem mista; Configurar e treinar RNA para predizer alguns dos parâmetros do 3-PG, que geram maior sensibilidade ao modelo. Foram selecionadas na literatura 16 parametrizações para eucalipto, com as quais foi produzido um banco de dados, usado no treinamento das RNA. Foi avaliado o comportamento do modelo 3-PG, nas diferentes regiões climáticas. O tipo de RNA utilizada foi a multilayer perceptrom com uma camada intermediária e o algoritmo de aprendizagem resilient backpropagation. Foram testadas diferentes combinações entre variáveis climáticas e relacionadas com a saída desejada. O mesmo foi feito para a predição dos parâmetros analisados, porém, considerando duas abordagens de treinamento das redes. O modelo 3-PG, associado às RNA, foi aplicado em todo o Brasil. As estimativas do modelo 3-PG apresentaram resultados consistentes com cada sítio. As predições das RNA foram precisas, a partir de variáveis de fácil acesso. As redes de melhor desempenho foram para predizer o D, altura total, volume do povoamento, biomassa foliar e os parâmetros a p e n p . Para a predição dos demais parâmetros, as redes apresentaram resultados precisos nas duas abordagens de treinamento, principalmente para os parâmetros da função para estimar o D (a s e n s ) e a fração máxima de biomassa alocada para raízes (η Rx ). As principais conclusões foram: parâmetros e saídas do modelo 3-PG podem ser estimadas com eficiência empregando RNA; Maior flexibilidade e generalismo podem ser conferidos ao 3-PG por meio da inclusão de variáveis climáticas e processuais, integradas por uma RNA; O ajuste de um modelo sigmoide às estimativas de volume do 3-PG possibilita avaliar biologicamente as etapas do crescimento, em diferentes cenários; Nos casos onde houve baixa precisão, foi devido a falta de informações explicativas, principalmente relacionadas a fertilidade do solo. Os modelos de RNA e o modelo proposto (3-PG + RNA) foram disponibilizados. Palavras-chave: Eucalyptus. Modelagem processual. Inteligência artificial. Aprendizado de máquina. Parametrização. Manejo florestal. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-10-20 |
dc.date.accessioned.fl_str_mv |
2022-08-18T18:30:47Z |
dc.date.available.fl_str_mv |
2022-08-18T18:30:47Z |
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.citation.fl_str_mv |
SILVA, Gabriela Cristina Costa. Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG. 2021. 201 f. Tese (Doutorado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021. |
dc.identifier.uri.fl_str_mv |
https://locus.ufv.br//handle/123456789/29703 |
dc.identifier.doi.pt-BR.fl_str_mv |
https://doi.org/10.47328/ufvbbt.2022.007 |
identifier_str_mv |
SILVA, Gabriela Cristina Costa. Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG. 2021. 201 f. Tese (Doutorado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa. 2021. |
url |
https://locus.ufv.br//handle/123456789/29703 https://doi.org/10.47328/ufvbbt.2022.007 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.publisher.program.fl_str_mv |
Ciência Florestal |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/29703/1/texto%20completo.pdf https://locus.ufv.br//bitstream/123456789/29703/2/license.txt |
bitstream.checksum.fl_str_mv |
ce7d2ecb728dd654940d1eed7e928640 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801213083320844288 |