Floresta e Ambiente
https://www.floram.org/article/doi/10.1590/2179-8087-FLORAM-2021-00049
Floresta e Ambiente
Short Communication Forest Management

Estimation height level of Copaifera sp. (Leguminosae) by Artificial Neural Networks

Bianca Cerqueira Martins, Glória da Silva Almeida Leal, Daniel Henrique Breda Binoti, Glaycianne Christine Vieira dos Santos, Carlos Eduardo Silveira da Silva, João Vicente de Figueiredo Latorraca

http://dx.doi.org/10.1590/2179-8087-FLORAM-2021-00049 FLORAM, vol.29, n2, e20210049, 2022
PDF
PDF
SciELO
Downloads: 0
Views: 385

Abstract

The knowledge of tree attributes of the genus Copaifera sp. (copaiba), such as the height of the trunks, helps to estimate the productive potential of oleoresin and to propose more suitable ways of handling, aiming at optimizing production. This research aimed to test hypsometric equations and deterministic methods of Artificial Neural Networks (ANN) to estimate the total heights levels of the trunks of 31 copaiba trees of the Western Brazilian Amazon, at unknown ages. However, the ANN correlation coefficients obtained were greater than 0,99, demonstrating that they are appropriate for the estimation of height level (h100%). Among the ANN architectures, ANN 3 with 2 neurons in the hidden layer stood out. The application of ANN to estimate the total height of the trunk of Copaifera sp. native trees is a viable tool that can contribute to optimize modeling of the different important aspects to determine the productive potential of oleoresin.

Keywords

Artificial intelligence; Forest inventory; Forest measurement; Forest technology; Hypsometry; Non-timber forest products

References

  • Angelo H, Calderon RA, Almeida AN, Paula MF, Meira M, Miguel EP, Vasconcelos PGA. Analysis of the non-timber forest products market in the Brazilian Amazon. Australiam Journal of Crop Science 2018; 12(10), 1640-1644. doi:10.21475/ajcs.18.12.10.pne1341
    » https://doi.org/10.21475/ajcs.18.12.10.pne1341

  • Araújo LO, Fernandes RF, Antenor MC, Andrade JS, Galdino SM, Barros Filho MML. Mapeamento tecnológico da copaiba: análise prospectiva no Brasil e no mundo. Cad. Prospec. 2018; 11(1):146-157. doi: 109771/cp.v11i1.23225
    » https://doi.org/109771/cp.v11i1.23225

  • Binoti D, Binoti MLMS, Leite H. Configuração de redes neurais artificiais para estimação do volume de árvores. Ciência da Madeira (Braz. J. Wood Sci.) 2014; 5(1): 58-67. doi:10.12953/2177-6830.v05n01a06
    » https://doi.org/10.12953/2177-6830.v05n01a06

  • Bonete IP, Lanssanova LR. Redes Neurais Artificiais na estimação de diâmetros de Tectona grandis L.f. Em: Senhoras EM. (Org.) A produção do conhecimento interdisciplinar nas ciências ambientais 3. Ponta Grossa, Paraná: Atena, 2020. doi: 10.22533/at.ed.089200203
    » https://doi.org/10.22533/at.ed.089200203

  • DAP Florestal. Neuro - Sistema para Geração e Aplicação de Redes Neurais Artificiais: Neuro DAP 4.0.; 2021.

  • Diamantopoulou MJ. Assessing a reliable modeling approach of features of trees through neural network models for sustainable forests. Sustainable Computing: Informatics and Systems 2012; 2(4): 190-197. doi: 10.1016/j.suscom.2012.10.002
    » https://doi.org/10.1016/j.suscom.2012.10.002

  • Fleck L, Tavares MHF, Eyng E, Helmann AC, Andrade MAM. Redes Neurais Artificiais: princípios básicos. Revista Eletrônica Científica Inovação e Tecnologia 2016; 1(13): 47-57. available from: https://periodicos.utfpr.edu.br/recit/article/viewFile/4330/Leandro
    » https://periodicos.utfpr.edu.br/recit/article/viewFile/4330/Leandro

  • Furtado MIV. Redes neurais artificiais [recurso eletrônico]: uma abordagem para sala de aula. Ponta Grossa, Paraná: Atena Editora; 2019. [cited 2021 mar. 23]. doi: 10.22533/at.ed.262191504
    » https://doi.org/.22533/at.ed.262191504

  • Haykin S. Redes neurais: princípios e prática. (2da. ed.). Tradução: Engel, P. M. Porto Alegre, Brasil: Bookman. 2001.

  • Heck MC, Viana LA, Vicentini VEP. Importância do óleo de Copaifera sp. (Copaiba). SaBios: Revista de Saúde e Biologia 2012; 7(1): 82-90.

  • Heidari E, Hossam F, Aljarah I, Mirjalili S. An efficient hybrid multilayer perceptron neural network with grasshopper optimization. Soft Comput 2019; 23: 7941-7958. doi: 10.1007/s00500-018-3424-2
    » https://doi.org/10.1007/s00500-018-3424-2

  • LPWG [The Legume Phylogeny Working Group]. A new subfamily classification of the Leguminosae based on a taxonomically comprehensive phylogeny. TAXON 2017; 66(1):44-77. doi: 10.12705/661.3
    » https://doi.org/10.12705/661.3

  • Ludwig Jr. O, Montgomery EM. Redes Neurais: Fundamentos e aplicações com programas em C. Rio de Janeiro, Brasil: Editora Ciência Moderna Ltda, 2007.

  • Martins K, Rigamonte-Azevedo C, Silva MGC, Wadt LHO. Copaiba: aspectos ecológicos e potencial de uso do oleorresina. Em: Siviero A, Ming LC, Silveira M, Daly D, Wallace R (Org.). Etnobotânica e Botânica Econômica do Acre. Rio Branco, Brasil: Edufac, 2016.

  • Medeiros RS, Vieira G, Almeida DRA, Tomazello FM. New information for managing Copaifera multijuga Hayne for oleoresin yield. Forest Ecology and Management 2018; 414:5-98. doi: 10.1016/j.foreco.2018.02.009
    » https://doi.org/10.1016/j.foreco.2018.02.009

  • Newton P, Watkinson AR, Peres CA. Determinants of yield in a non-timber forest product: Copaifera oleoresin in Amazonian extractive reserves. Forest Ecology and Management 2011; 261(2): 255-264. doi: 10.1016/j.foreco.2010.10.014
    » https://doi.org/10.1016/j.foreco.2010.10.014

  • Ré DS, Engel VL, Ota LMS, Jorge LAB. Equações alométricas em plantios mistos visando à restauração da floresta estacional semidecidual. Cerne [online] 2015; 21(1): 133-140. doi: 10.1590/01047760201521011452
    » https://doi.org/10.1590/01047760201521011452

  • Roquette JG. Produtividade de óleo-resina de Copaifera sp.: relações dendrométricas, edáficas e etática [dissertação]. Cuiabá: Faculdade de Engenharia Florestal, Universidade Federal do Mato Grosso; 2014. available from: http://bdtd.ibict.br/vufind/Record/UFMT_fa56083b900602ae4cb416f177e4fdc9
    » http://bdtd.ibict.br/vufind/Record/UFMT_fa56083b900602ae4cb416f177e4fdc9

  • Scolforo JRS. Biometria florestal: Parte I: modelos de regressão linear e não-linear; Parte II: modelos para relação hipsométrica, volume, afilamento e peso de matéria seca. Lavras, Brasil: UFLA/FAEPE; 2005.

  • Silva IN, Spatti DH, Flauzino RA. Redes neurais artificiais para engenharia e ciências aplicadas: Fundamentos teóricos e aspectos práticos. (2da. ed.). São Paulo, Brasil: Artliber; 2010.

  • Veiga Junior VF, Pinto AC. O gênero Copaifera L. Química Nova 2002; 25(2): 273-286. available from: https://www.scielo.br/pdf/qn/v25n2/10455.pdf
    » https://www.scielo.br/pdf/qn/v25n2/10455.pdf

  • Vieira GC, Mendonça AR, Silva GFS, Zanetti SS, Silva MM, Santos AR. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Science of The Total Environment 2018; 619:1473-1481. doi: 10.1016/j.scitotenv.2017.11.138
    » https://doi.org/10.1016/j.scitotenv.2017.11.138

Submitted date:
06/10/2021

Accepted date:
04/30/2022

62c2d93ba953955e0844bda4 floram Articles
2179-8087 (Electronic)
FLORAM ©2024 All rights reserved.

FLORAM

Share this page
Page Sections