Aprendizagem de máquina: modelagem do incremento em diâmetro de árvores individuais em fragmentos de Mata Atlântica

Abstract

Modelos de crescimento em nível individual permitem a descrição mais detalhada da dinâmica da floresta do que os modelos em nível de povoamento. Contudo, muitos ajustes por meio de modelos estatísticos têm apresentado baixo desempenho em povoamentos inequiâneos devido a variação entre os incrementos das diferentes árvores ou espécies e até entre indivíduos de uma mesma espécie. Neste estudo avaliou-se a acurácia das predições do incremento periódico anual em diâmetro (IPA dap ; cm ano -1 ) de árvores individuais empregando três técnicas de aprendizagem de máquina: rede neural artificial (RNA); regressão vetorial de suporte (SVR); e random forest (RF). O estudo foi realizado em cinco fragmentos de Mata Atlântica: Lagoa do Piau – LP (2 matas), São José – SJ, Cachoeira das Pombas – CP e Mata da Silvicultura – MS, localizados, respectivamente, nos municípios de Caratinga, Coronel Fabriciano, Guanhães e Viçosa, no Estado de Minas Gerais. Na MS, 10 parcelas com 0,1 ha cada foram alocadas. Em LP, SJ e CP foram alocadas 22, 12 e 20 parcelas, respectivamente, com 0,05 ha cada. Os dados: circunferência a 1,30 m de altura (cap; cm), altura total (Ht; m) e nomes científicos das árvores com cap > 15 cm foram coletados nos anos 1994, 1997, 2000, 2004, 2008, 2010, 2013 e 2016 na MS, e nos anos 2002, 2007, 2012 e 2017 nos demais fragmentos. Três índices de competição semi-independente da distância foram calculados: Glover e Hool, Stage e adaptado de Glover e Hool. Em cada fragmento, as espécies foram agrupadas em cinco grupos de IPA dap por meio da análise de cluster. Os dados foram divididos em conjunto de treinamento e validação por meio do particionamento balanceado, com 70% das observações de cada espécie em cada período para o treinamento e o restante para validação. A seleção da melhor configuração de cada técnica foi por meio das estatísticas de correlação entre os incrementos observados e preditos (r yŷ ), raiz quadrada do erro quadrático médio (RMSE), erro absoluto médio (EAM), valor ponderado (VP), gráficos de dispersão do IPA dap observado e predito e gráficos de dispersão dos resíduos padronizados em função do diâmetro a 1,30 m de altura (dap). Após selecionar a melhor configuração de cada técnica em cada fragmento, a validação cruzada foi aplicada com 10 partições e 50 repetições, com exceção da MS devido ao grande número de observações. Médias de RMSE foram calculadas para cada das 50 repetições da validação cruzada. Os testes não paramétricos de Friedman e Nemenyi foram aplicados para avaliar qual a melhor técnica em cada fragmento, com base nas médias de RMSE da validação cruzada. Na MS a RNA apresentou os melhores resultados estatísticos, com r yŷ = 0,5003; RMSE = 0,3591; e EAM = 0,1743. Na validação cruzada dos demais fragmentos, a RNA apresentou as menores médias de RMSE (0,1382–0,4155) e a SVR as maiores (0,1672–0,4453). No teste de Nemenyi, a distância da RNA para a RF e SVR em todos os fragmentos (CP, LP e SJ) foi maior que a distância crítica de 0,47. Portanto, a RNA foi a técnica que apresentou a maior eficiência para predizer o incremento em diâmetro de árvores em fragmentos de Mata Atlântica. Palavras-chave: Biometria florestal. Inteligência artificial. Manejo florestal.

Growth models at individual levels allow a more detailed description of the dynamics of the forests that the models at the stand level. However, many fittings by means of statistical models have shown low performance in native forests due to variation between the increments of different trees or species and even within the same species. In this study we evaluated the accuracy of predictions of annual periodic increment in diameter (IPA dap ; cm year -1 ) of individual trees in the Atlantic Forest using three machine learning techniques: artificial neural network (ANN); support vector regression (SVR); and random forest (RF). The study was carried out in five fragments of Atlantic Forest: Lagoa do Piau – LP (2 forests), São José – SJ, Cachoeira das Pombas – CP and Mata da Silvicultura – MS, located respectively in the municipalities of Caratinga, Coronel Fabriciano, Guanhães and Viçosa, Minas Gerais state. In the MS, 10 plots with 0.1 ha each were allocated. In LP, SJ and CP were allocated 22, 12 and, 20 plots, respectively, with 0.05 ha each. The data: circumference at 1.30 m in height (cbh; cm), total height (Ht; m) and scientific names of trees with cbh > 15 cm were collected in the years 1994, 1997, 2000, 2004, 2008, 2010, 2013 and 2016 in the MS, and in the years 2002, 2007, 2012 and 2017 in the other fragments. Three semi-independent competition indexes were calculated: Glover and Hool, Stage and adapted from Glover and Hool. In each fragment, the species were grouped into five API dbh groups through cluster analysis. The data were divided into training and validation set through balanced partitioning, with 70% of the observations of each species in each period for the training and the rest for validation. The selection of the best configuration of each technique was through the statistics of correlation between the observed and predicted increments (r yŷ ), root mean square error (RMSE), mean absolute error (MAE), weighted value (WV), observed and predicted API dbh scatter plots and scatter plots of the standardized residuals as a function of diameter at the height of 1.30 m (dbh). After selecting the best configuration of each technique in each fragment, cross- validation was applied with 10 partitions and 50 repetitions, except the MS due to a large number of observations. In MS, ANN presented the best statistical results, with r yŷ = 0. 5003 ; RMSE = 0.3591; and MAE = 0.1743. In cross-validation of the other fragments, ANN presented the lowest mean RMSE (0.1382–0.4155) and the largest SVR (0.1672–0.4453). In the Nemenyi test, the distance from ANN to RF and SVR on all fragments (CP, LP, and SJ) was greater than the critical distance of 0.47. Therefore, ANN was the technique that presented the greatest efficiency to predict the increase in the diameter of trees in fragments of Atlantic Forest. Key words: Forest biometrics. Artificial intelligence. Forest management.