Aprendizado de máquina em aplicações de manejo florestal

Abstract

Os algoritmos de aprendizagem de máquina (machine learning), constituem algumas das técnicas de inteligência artificial capazes resolver problemas mais complexos e de relações não lineares entre variáveis. Esses algoritmos vêm ganhando espaço em aplicações florestais mostrando-se eficientes em diversas aplicações florestais, retornando ganhos de precisão e redução de custos de processos em empresas. Além das ANN, que acumulam já uma considerável quantidade de estudos em aplicações florestais, alguns outros algoritmos mostraram potencial para a melhoria da precisão e acurácia de trabalhos de modelagem, tais como regressão de vetor de suporte (SVR) e o random forest (RF). O objetivo do presente trabalho foi de comparar o desempenho dos algoritmos citados em algumas aplicações florestais, buscando entender o comportamento das predições bem como os melhores modelos para os casos estudados. O primeiro caso, primeiro capítulo, teve o objetivo de avaliar o desempenho de índices de vegetação óticos e radarmétricos, provindos dos sensores ALOS-AVNIR-2 e ALOS-PALSAR, respectivamente, para predição do volume de plantios de eucalipto usando os três algoritmos supracitados. Cinco principais índices contribuíram, em diferentes níveis para as predições de volume: NDVI e R (índices opticos), e Pt, VSI, BMI (índices radarmétricos), provando a complementariedade da informação de ambos sensores. RF foi o algoritmo mais apropriado, com um R² de 0.778 e RMSE de 11.561(4.578%). No segundo capítulo, investigou-se o uso dos algoritmos para a predição de diâmetros e alocação ótima de fustes árvores de eucalipto em toras para diferentes usos, comparando- os com equações de afilamento. A equação de Kozak (1988) e as ANN apresentaram as estimativas mais acuradas e desempenho similar. RF gerou estimativas inexatas, gerando curvas de perfil de árvores na forma de “degraus”. Em ambos estudos, os três algoritmos testados (ANN, SVR e RF) mostraram desempenho ou igual ou superior as abordagens convencionais. O RF se mostrou um algoritmo muito flexível para os casos de regressão, especialmente para a predição de volume por sensoriamento remoto. Entretanto os modelos gerados são limitados em predizer em uma amplitude e intervalo dado das mensurações das amostras. Para estimar o diâmetro no fuste, a não ser que mensurações sejam tomadas em intervalos menores e grandes amplitude de classes de tamanho de árvores amostras, o algoritmo RF se mostrou inapropriado. Os algoritmos SVR e ANN preservaram a continuidade das funções, mostrando-se apropriadas para estimativas fora do intervalo de mensuração, especialmente para o caso das funções de afilamento. Entre esses dois algoritmos, a ANN se mostrou muito mais flexível para lidar com a modelagem quantitativa (regressão), especialmente quando são envolvidas variáveis categóricas com muitos fatores (estratos e classes). Palavras-chave: Máquina de vetor de suporte. Redes Neurais (Computação). Algoritmos.

Machine learning algorithms constitute one of the techniques of artificial intelligence that can solve problems with complex data and non-linear relation between variables. This algorithm has been conquering space on forest modelling being efficient for management of planted and natural areas, gaining precision and reducing costs. Artificial neural networks already accumulate a great amount of studies on forestry. Some other algorithms has been shown potential for precision and accuracy of estimate, such as support vector regression (SVR) and random forest (RF). The main objective of this thesis was to compare ANN, SVR and RF in some forest case studies, attempting to understand behavior of predictions and best models. The first case, first chapter, aimed to assess the performance of optical and L-Band SAR vegetation indices from ALOS-AVNIR-2 and ALOSPALSAR, respectively, for eucalyptus stand volume retrieval in eastern Brazil, using three different machine-learning algorithms. Five main indices contributed, in different levels, to volume predictions of eucalyptus stands using the different machine learning algorithms: NDVI and R (optical indices), and Pt, VSI, BMI (SAR indices), proving the complementarity of both sensors information. Random Forest algorithm were the most appropriate machine-learning algorithm for data analysis yielding an R² value of 0,778 and RMSE of 11,561 (4,578%), outperforming ANN and SVM. In the second chapter, objective was to evaluate if machine-learning algorithms can bring improvement on diameter estimations and consequent log allocation on initial age of eucalyptus trees in Brazil. We analyzed eight taper models for ages: 40, 55 and 72 months. Variable exponent equation of Kozak (1988) and Artifitial Neural networks outperformed the comparison, showing estimated diameters statistically equal to real values. Both models produced comparable predictions. Random Forest generated misleading diameter estimations affecting optimization algorithm for log allocation. Tree profile derived from RF model presented “step way” behavior. In both studies, the three machine learning algorithms showed comparable or superior accuracy than conventional approaches. RF showed great flexibility for regression cases. However, RF models are restricted to a given range and interval of measurements. For diameter estimation, unless measures were taken in small intervals and with a wide range of size classes, RF is not appropriate. SVR and ANN preserved continuity of the predictive function, with ANN showing more plasticity, specially when categorical variables are used with a great amount of factors (strata and classes). Keywords: Support vector machine. Artificial neural networks. Algorithms.