Estimativas volumétricas em povoamentos de eucalipto utilizando máquinas de vetores de suporte e redes neurais artificiais
DOI:
https://doi.org/10.21829/myb.2022.2812252Palabras clave:
análise de regressão, aprendizado de máquina, volumetriaResumen
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.
Descargas
Citas
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 DOI: https://doi.org/10.1590/01047760202026032728
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 DOI: https://doi.org/10.5380/rf.v47i4.54259
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 DOI: https://doi.org/10.1371/journal.pone.0238703
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.
Bell, J. (2015). Machine learning: Hands-on for developers and technical professionals. John Wiley & Sons. DOI: https://doi.org/10.1002/9781119183464
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 DOI: https://doi.org/10.12953/2177-6830.v05n01a06
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 DOI: https://doi.org/10.1590/0100-67622016000400012
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 DOI: https://doi.org/10.5380/rf.v50i1.61764
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.
Burkhart, H. E., & Tomé, M. (2012). Modeling forest trees and stands. Dordrecht: Springer. DOI: https://doi.org/10.1007/978-90-481-3170-9
Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2), 121-167. DOI: https://doi.org/10.1023/A:1009715923555
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Campos, J. C. C., & Leite, H. G. (2017). Mensuração florestal: perguntas e respostas (5ª ed.). Editora UFV.
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 DOI: https://doi.org/10.4336/2015.pfb.35.83.596
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 DOI: https://doi.org/10.1016/j.compag.2020.105815
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 DOI: https://doi.org/10.1590/01047760202026012668
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 DOI: https://doi.org/10.1016/j.indcrop.2020.112149
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 DOI: https://doi.org/10.3390/rs10101562
Feltrin, F. B. (2019). Ciência de dados e aprendizado de máquina: Uma abordagem prática as redes neurais artificiais. Kindle Edition.
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. DOI: https://doi.org/10.1016/j.compag.2016.04.031
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 DOI: https://doi.org/10.5558/tfc2017-012
Haykin, S. (2007). Redes neurais: princípios e prática (3a. ed.). Bookman.
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.
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.
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. DOI: https://doi.org/10.22456/2175-2745.5690
Machado, S. D., & Figueiredo Filho, A. (2009). Dendrometria (2a ed.). Editora Unicentro.
Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., & Leish, F. (2019). Package ‘e1071’. The R Journal.
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. DOI: https://doi.org/10.1590/S0100-204X2015000900012
Montaño, R. A. N. R. (2016). Aplicação de técnicas de aprendizado de máquina na mensuração florestal [Tese de doutorado, Universidade Federal do Paraná].
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. DOI: https://doi.org/10.5380/rf.v44i3.33149
Neuroforest (2017). https://www.neuroforest.ucoz.com/
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. DOI: https://doi.org/10.1007/s11056-018-9665-1
Schumacher, F. X., & Hall, F. S. (1933). Logarithmic expression of timber-tree volume. Journal of Agricultural Research, 47(9), 719-734, 1933.
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. DOI: https://doi.org/10.1007/s10457-020-00526-1
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. DOI: https://doi.org/10.1016/j.compag.2018.07.036
Spurr, S. H. (1952). Forestry inventory. Ronald Press.
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. DOI: https://doi.org/10.3390/f10030268
Team, R. C. (2019). R: A language and environment for statistical computing. http://www.R-project.org/
Descargas
Publicado
Cómo citar
-
Resumen663
-
PDF380
-
LENS3
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
