Vol. 28 Núm. 1 (2022): Primavera 2022
Artículos Científicos

Estimativas volumétricas em povoamentos de eucalipto utilizando máquinas de vetores de suporte e redes neurais artificiais

Marcio Assis Cordeiro
Universidade Estadual do Cento-Oeste
Biografía
Julio Eduardo Arce
Universidade Federal do Paraná
Fabiane Aparecida Retslaff Guimarães
Universidade Estadual do Centro-Oeste
Biografía
Izabel Passos Bonete
Universidade Estadual do Centro-Oeste
Biografía
Anthoinny Vittória dos Santos Silva
Universidade do Estado do Amapá
Biografía
Jadson Coelho de Abreu
Universidade do Estado do Amapá
Biografía
Daniel Henrique Breda Binoti
Universidade Federal de Viçosa

Publicado 2022-03-03

Resumen

Este estudo teve por objetivo avaliar o desempenho de redes neurais artificiais (RNA) e máquinas de vetor de suporte (MVS) na modelagem volumétrica em povoamentos de eucalipto. Utilizou-se dados oriundos de plantios comerciais não desbastados, localizados em quatro municípios na mesorregião sul do estado do Amapá e foram disponibilizados por uma empresa privada. Foram ajustados modelos volumétricos consagrados na literatura e comparados com a técnica de MVS e de RNA. Os dados foram divididos em 80% para treinamento e 20% para validação dos modelos, as mesmas variáveis dendrométricas utilizadas pelos modelos de regressão (dap e altura) foram utilizadas pelas MVS e RNA. Para o treinamento e generalização das MVS, foram utilizadas quatro configurações, formadas a partir de duas funções de erro e duas funções de Kernel. Para configuração, treinamento e generalização das RNA, foi utilizado o software NeuroForest - Volumetric, no qual foram utilizadas configurações de redes do tipo Adaline (Adaptive Linear Element); Multilayer Perceptron (MLP) e Funções de Base Radial (RBF). A qualidade dos ajustes dos modelos de regressão, e das metodologias utilizando RNA e MVS, foram avaliadas utilizando-se o coeficiente de correlação entre os volumes individuais observados e estimados (ryŷ), a raiz quadrada do erro médio, expresso em porcentagem da média (RMSE%), análise gráfica dos resíduos (Res%). Considerando os resultados, MVS e RNA obtiveram desempenho ligeiramente melhores, comparados à metodologia tradicional, nas estimativas de volume individual, demonstrando serem técnicas que se adequaram bem para aplicações na área de mensuração e manejo florestal.

Citas

  1. Abreu, J. C. de, Soares, C. P. B., Leite, H. G., Binoti, D. H. B., & Silva, G. F. (2020). Alternatives to estimate the volume of individual trees in forest formations in the state of Minas Gerais-Brazil. Cerne, 26(3), 393-402. https://doi.org/10.1590/01047760202026032728
  2. Abreu, J. C. de, Soares, C. P. B., & Leite, H. G. (2018). Assessing alternatives to estimate the stem volume of a seasonal semi-deciduous forest. Floresta, 47(4), 375-382. https://doi.org/10.5380/rf.v47i4.54259
  3. Azevedo, G. B., Tomiazzi, H. V., Azevedo, G. T. D. O. S., Teodoro, L. P. R., Teodoro, P. E., de Souza, M. T. P., Batista, T. S., Eufrade-Junior, H. J., & Guerra, S. P. S. (2020). Multi-volume modeling of Eucalyptus trees using regression and artificial neural networks. Plos One, 15(9), e0238703. https://doi.org/10.1371/journal.pone.0238703
  4. Batista, J. L. F.: Couto, H. T. Z.; & Silva Filho, D. F. (2014). Quantificação dos recursos florestais: árvores, arvoredos e florestas. São Paulo, Oficina de Textos.
  5. Bell, J. (2015). Machine learning: Hands-on for developers and technical professionals. John Wiley & Sons.
  6. Binoti, D. H. B., Binoti, M. L. M. S., & Leite, H. G. (2014). Configuração de Redes Neurais Artificiais para estimação do volume de árvores. Ciência da Madeira, 5(1), 58-67. https://doi.org/10.12953/2177-6830.v05n01a06
  7. Binoti, D. H. B., Binoti, M. L. M. D. S., Leite, H. G., Andrade, A. V., Nogueira, G. S., Romarco, M. L., & Pitangui, C. G. (2016). Support vector machine to estimate volume of eucalypt trees. Revista Árvore, 40(4), 689-693. https://doi.org/10.1590/0100-67622016000400012
  8. Bonete, I. P., Arce, J. E., Filho, A. F., Retslaff, F. A. S., & Lanssanova, L.R. (2019). Artificial neural networks and mixed-effects modeling to describe the stem profile of Pinus taeda L. Floresta, 50(1),1123-1132. https://doi.org/10.5380/rf.v50i1.61764
  9. Bullinaria, J. A. (2016). Introduction to neural computation: Apuntes de clase. http://www.cs.bham.ac.uk/~jxb/inc.html. Acceso en: 20 enero 2020.
  10. Burkhart, H. E., & Tomé, M. (2012). Modeling forest trees and stands. Dordrecht: Springer.
  11. Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2), 121-167.
  12. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32.
  13. Campos, J. C. C., & Leite, H. G. (2017). Mensuração florestal: perguntas e respostas (5ª ed.). Editora UFV.
  14. Cordeiro, M. A., de Jesus Pereira, N. N., Binoti, D. H. B., da Silva Binoti, M. L. M., & Leite, H. G. (2015). Estimativa do volume de Acacia mangium utilizando técnicas de redes neurais artificiais e máquinas vetor de suporte. Pesquisa Florestal Brasileira, 35(83), 255-261. https://doi.org/10.4336/2015.pfb.35.83.596
  15. Dalla-Corte, A. P., Souza, D. V., Rex, F. E., Sanquetta, C. R., Mohan, M., Silva, C. A., Zambrano, A. M. A., Prata, G., de Almeida, D. R. A., Trautenmüller, J. W., Klauberg, C., de Moraes, A., Sanquetta, M. N., Wilkinson, B., & Broadbent, E. N. (2020). Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2020.105815
  16. Dantas, D., Calegario, N., Acerbi-Júnior, F. V., Carvalho, S. P. C., Isaac-Júnior, M. A., & Melo, E.A. (2020). Multilevel nonlinear mixed-effects model and machine learning for predicting the volume of Eucalyptus spp. trees. Cerne, 26(1), 48-57. https://doi.org/10.1590/01047760202026012668
  17. Freitas, E. C. S de., de Paiva, H. N., Neves, J. C. L., Marcatti, G. E., & Leite, H. G. (2020). Modeling of eucalyptus productivity with artificial neural networks. Industrial Crops and Products. https://doi.org/10.1016/j.indcrop.2020.112149
  18. Fankhauser, K., Strigul, N., & Gatziolis, D. (2018). Augmentation of traditional forest inventory and airborne laser scanning with unmanned aerial systems and photogrammetry for forest monitoring. Remote Sensing. https://doi.org/10.3390/rs10101562
  19. Feltrin, F. B. (2019). Ciência de dados e aprendizado de máquina: Uma abordagem prática as redes neurais artificiais. Kindle Edition.
  20. Nieto, P. G., García-Gonzalo, E., Arbat, G., Duran-Ros, M., de Cartagena, F. R., & Puig-Bargués, J. (2016). A new predictive model for the filtered volume and outlet parameters in micro-irrigation sand filters fed with effluents using the hybrid PSO–SVM-based approach. Computers and Electronics in Agriculture, 125, 74-80.
  21. Goodbody, T. R., Coops, N. C., Marshall, P. L., Tompalski, P., & Crawford, P. (2017). Unmanned aerial systems for precision forest inventory purposes: A review and case study. The Forest Chronicle, 93, 71–81. https://doi.org/10.5558/tfc2017-012
  22. Haykin, S. (2007). Redes neurais: princípios e prática (3a. ed.). Bookman.
  23. Hernández-Ramos, J., Santos-Posadas, H. M., Valdez-Lazalde, J. R., Tamarit-Urias, J. C., Ángeles-Pérez, G., Hernández-Ramos, A., Méndez-Lopez, B., & Peduzzi, A. (2017). Eucalyptus urophylla merchantable volume estimation with total volume and ratio models. Agrociencia, 51(5), 561-580.
  24. Leite, M. V. S., Silva, J. P. M., Cabacinha, C. D., & Assis, A. L. (2016). Redes neurais artificiais para estimativa de altura dominante em povoamentos de Eucalipto. IV SEEFLOR-BA, Vitória da Conquista-Bahia.
  25. Lorena, A. C., & Carvalho, C. P. L. F. (2007). Uma introdução às support vector machines. Revista de Informática Teórica e Aplicada, 14(2), 43-67.
  26. Machado, S. D., & Figueiredo Filho, A. (2009). Dendrometria (2a ed.). Editora Unicentro.
  27. Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., & Leish, F. (2019). Package ‘e1071’. The R Journal.
  28. Miguel, E. P., Rezende, A. V., Leal, F. A., Matricardi, E. A. T., Vale, A. T. D., & Pereira, R. S. (2015). Artificial neural networks for modeling wood volume and aboveground biomass of tall Cerrado using satellite data. Pesquisa Agropecuária Brasileira, 50(9), 829-839.
  29. Montaño, R. A. N. R. (2016). Aplicação de técnicas de aprendizado de máquina na mensuração florestal [Tese de doutorado, Universidade Federal do Paraná].
  30. Müller, M. D., Salles, T. T., Paciullo, D. S. C., Brighenti, A. M., & de Castro, C. R. T. (2014). Equações de altura, volume e afilamento para eucalipto e acácia estabelecidos em sistema silvipastoril. Floresta, 44(3), 473-484.
  31. Neuroforest (2017). https://www.neuroforest.ucoz.com/
  32. Santos, F. M., Terra, G., Chaer, G. M., & Monte, M. A. (2019). Modeling the height–diameter relationship and volume of young African mahoganies established in successional agroforestry systems in northeastern Brazil. New Forests, 50(3), 389-407.
  33. Schumacher, F. X., & Hall, F. S. (1933). Logarithmic expression of timber-tree volume. Journal of Agricultural Research, 47(9), 719-734, 1933.
  34. Silva, S., Oliveira Neto, S. N., Leite, H. G., Alcântara, A. E. M., Oliveira Neto, R. R., & Souza, G. S. A. (2020). Productivity estimate using regression and artificial neural networks in small familiar areas with agrosilvopastoral systems. Agroforestry Systems, 94(6), 2081-2097.
  35. Silva-Júnior, E. M, Maia, R. D, & Cabacinha, C. D. (2018). Bee-inspired RBF network for volume estimation of individual trees. Computers and Electronics in Agriculture, 152, 401-408.
  36. Spurr, S. H. (1952). Forestry inventory. Ronald Press.
  37. Tavares Júnior, I. S., Rocha, J. E. C., Chaves, A. S., Zanuncio, J. C., Farias, A. A., & Leite, H. G. (2019). Artificial neural networks and linear regression reduce sample intensity to predict the commercial volume of Eucalyptus clones. Forests, 10(3), 268.
  38. Team, R. C. (2019). R: A language and environment for statistical computing. http://www.R-project.org/