Regressão e deep learning aplicados em modelagem de árvore individual para eucalipto

Abstract

Neste estudo avaliamos a eficiência do emprego de redes neurais, convencionais e profundas (deep learning), em relação ao emprego de regressão, para projetar diâmetro (dap), altura total (Ht) e sobrevivência (N) em povoamentos de eucalipto. O estudo foi conduzido com dados de parcelas permanentes de inventários florestais contínuos de povoamentos de eucalipto localizados no estado de Minas Gerais. Para o processamento dos dados com uso de regressões e redes neurais convencionais utilizamos o software Statistica 12 e para redes profundas o software R. Os dados foram preliminarmente separados para treinamento (50%) e validação (50%) utilizando um algoritmo genético implementado no software Select2.0. A eficiência relativa dos dois métodos de aprendizado de máquinas, em relação às regressões, foi feita com base nas estatísticas: coeficiente de correlação linear entre valores observados e correspondentes valores estimados ou preditos (r ŷy ), viés (bias) e raiz quadrada do erro quadrático médio (RQEM). Foi utilizada, de modo complementar, a análise gráfica dos erros relativos (ER%), a análise da relação entre valores observados e estimados e a distribuição de frequência de ER%. Os resultados das modelagens foram eficientes, as Rna convencional e profunda apresentaram melhores desempenhos estatísticos comparada a regressão para estimativa de dap 2 , Ht 2 e N 2 . Concluiu-se que os métodos de aprendizagem de máquina utilizados são eficientes e aumentam a exatidão das estimativas de diâmetro e altura de árvores na modelagem de árvore individual. Palavras-chave: Aprendizagem profunda. Manejo Florestal. Redes neurais artificiais.

We calculate the efficiency of using conventional and deep learning neural networks in relation to the use of regression to project diameter (DBH), total height (TH), and survival (S) in eucalyptus stands. The data were from permanent plots of continuous forest inventories of eucalyptus stands located in Minas Gerais. We used the software Statistica 12 for data processing using regressions and conventional neural networks and, R software for deep networks. The data were preliminarily separated for training (50%) and validation (50%) using a genetic algorithm executed in the software Select2.0. We found the relative efficiency of two machine learning methods, in relation to regressions, based on the statistics: linear correlation coefficient, bias, and mean square root error (MSRE). The graphical analysis of relative errors (RE%), the analysis of the comparing observed values with the expect values, and the frequency distribution of RE% were used in a complement way. The results of the modeling were efficient, conventional and deep ANN showed better statistical performances compared to regression for estimation of DBH 2 , TH 2 and S 2 . We concluded that the machine learning methods used could themselves be a potential alternative for estimating dendrometric variables presenting efficiency and increased accuracy in single-tree modeling. Keywords: Deep learning. Forest management. Artificial neural networks.