Redes neurais artificiais para prognose da produção de povoamentos não desbastados de eucalipto

Abstract

O objetivo deste estudo foi treinar, aplicar e avaliar a eficiência de redes neurais artificiais (RNA) para realizar a prognose da produção de povoamentos eqüiâneos de clones de eucalipto. Os dados utilizados foram provenientes de povoamentos localizados no sul da Bahia, totalizando cerca de 2.000 hectares de floresta. Foram utilizadas variáveis numéricas, como idade, área basal, dap, altura total, volume e variáveis categóricas, como classe de solo, textura, tipos de espaçamento, relevo, projeto e clone. Os níveis de detalhamento da modelagem foram para o povoamento e para árvores individuais. Os dados foram divididos aleatoriamente em dois grupos: treinamento (80%) e generalização (20%). Os dados de treinamento foram utilizados para criar as redes neurais, enquanto que os dados de generalização serviram para avaliar a capacidade da rede em fornecer resultados precisos para dados desconhecidos. Foram treinadas redes de três tipos: perceptron, perceptron de múltiplas camadas e redes de função de base radial. As RNA que apresentaram os melhores desempenhos no treinamento e generalização foram selecionadas para realizar a prognose com dados a partir do primeiro inventário florestal. Conclui-se que as RNA apresentaram resultados satisfatórios em ambos os níveis, povoamento total e árvore individual, comprovando o potencial e aplicabilidade da técnica na solução dos problemas de mensuração e manejo florestal.

The aim of this study was to train, implement and evaluate the efficiency of artificial neural networks (ANN) to perform the prognosis of yield of even-aged stands of clones of eucalyptus. The data were from stands of eucalyptus located in south of Bahia, totaling about 2,000 hectares of forest. Were used numerical variables such as age, basal area, dbh, total height, volume and categorical variables such as class of soil, texture, spacing, topography, project and clone. The levels of detail of modeling were at the level of stand and individual tree. The data were randomly divided into two groups: training (80%) and generalization (20%). The training data were used to create neural networks, while the generalization data were used to evaluate the capacity of network toprovide accurate results for the unknown data. Were trained three types of networks: perceptron, multilayer perceptron and radial basis function.The ANN that presents the best performances in training and generalization were selected to perform the prognosis with data from the first inventory. Concluded that the ANN showed satisfactory results for total stand and individual tree, proving the potential and applicability of the technique in solving problems of forest measurement and management.