Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial
Araucaria Stem Taper or Use of Artificial Intelligence Techniques
Martins, Ana Paula Marques; Debastiani, Aline Bernarda; Pelissari, Allan Libanio; Machado, Sebastião do Amaral; Sanquetta, Carlos Roberto
Resumo
O objetivo deste estudo foi comparar o desempenho de técnicas de inteligência artificial com funções de afilamento e avaliar a contribuição da idade nessa estimativa. O conjunto de dados foi composto por 135 observações, abrangendo as idades de 6, 12, 18, 24 e 43 anos de um povoamento de Araucaria angustifolia. As funções de afilamento ajustadas foram Kozak modificado, Schöepfer, Hradetzky e Garay. Os modelos de inteligência artificial utilizados foram: RNA e árvore modelo (M5P). Os vetores de entrada foram as mesmas variáveis utilizadas nas equações de afilamento e também o mesmo arranjo com a adição da idade. Foram utilizados 70% dos dados para ajuste e 30% para validação. A função de afilamento de Hradetzky forneceu o melhor ajuste. Dentre os modelos avaliados, a RNA propiciou as melhores estimativas, com destaque para a RNA com adição da variável idade. O desempenho da M5P foi satisfatório, porém, inferior às demais técnicas utilizadas.
Palavras-chave
Abstract
The aim of this study was to compare the performance of artificial intelligence techniques with taper functions and evaluate the effect of age on this estimate. The data set was comprised of 135 observations covering the ages 6, 12, 18, 24 and 43 years of age of a stand of Araucaria angustifolia. Adjusted taper functions were Kozak Schöepfer, Hradetzky and Garay modified. The artificial intelligence models used were: ANN and tree model. The input vectors are the same variables used in taper equations and also the same arrangement with the addition of age. 70% of the data was used for adjustment and 30% for validation. The taper function Hradetzky provided the best fit. Among the models evaluated, the ANN provided the best estimates, highlighting the ANN by adding the age variable. The performance of M5P was satisfactory, however, less effective than the other techniques.
Keywords
References
Araújo BHP. Modelagem da altura, volume e afilamento do fuste de Calycophyllum sprucenum Benth. empregando regressão e redes neurais artificiais [dissertação] Manaus: Instituto Nacional de Pesquisas da Amazônia; 2015.
Araújo EJG, Pelissari AL, David HC, Miranda ROV, Péllico S No, Morais VA et al. Relações dendrométricas em fragmentos de povoamentos de pinus em Minas Gerais. Pesquisa Florestal Brasileira de 2012; 32(72): 355-366. http://dx.doi.org/10.4336/2012.pfb.32.72.355.
Bhattacharya B, Solomatine DP. Machine learning in sedimentation modelling. Neural Networks 2006; 19(2): 208-214. PMid:16530383. http://dx.doi.org/10.1016/j.neunet.2006.01.007.
Binoti DHB, Binoti MLMS, Leite HG. Configuração de redes neurais artificiais para estimação do volume de árvores. Revista Ciência da Madeira 2014; 5(1): 1-6.
Binoti MLMS, Binoti DHB, Leite HG. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore 2013; 37(4): 639-645. http://dx.doi.org/10.1590/S0100-67622013000400007.
Breiman L, Friedman JH, Olshen RA, Pedra CJ. Classification and regression trees. Boca Raton: Chapman & Hall/CRC; 1984. 358 p.
Campos JCC, Leite HG. Mensuração florestal: perguntas e respostas. 2. ed. Viçosa: Universidade Federal de Viçosa; 2006.
Castro RVO, Soares CPB, Martins FB, Leite HG. Crescimento e produção de plantios comerciais de eucalipto estimados por duas categorias de modelos. Pesquisa Agropecuária Brasileira 2013; 48(3): 287-295. http://dx.doi.org/10.1590/S0100-204X2013000300007.
Cordeiro MA, Pereira NNJ, Binoti DHB, Binoti MLMS, Leite HG. Estimativa do volume de Acacia mangium utilizando técnicas de redes neurais artificiais e máquinas vetor de suporte. Pesquisa Florestal Brasileira 2015; 35(83): 255-261. http://dx.doi.org/10.4336/2015.pfb.35.83.596.
David HC, Marinheski A Fo, Pelissari A, Péllico S No, Araújo E, Baum L. Critérios de estratificação para o ajuste de funções de afilamento em fustes de pinus. Pesquisa Florestal Brasileira de 2014; 34(79): 197-206. http://dx.doi.org/10.4336/2014.pfb.34.79.659.
Etemad-Shahidi A, Mahjoobi J. Comparison betwenn M5′ model tree and neural networks for prediction of significant wave height in lake superior. Ocean Engineering 2009; 36(15-16): 1175-1181. http://dx.doi.org/10.1016/j.oceaneng.2009.08.008.
Ferreira JCB, Lafetá BO, Penido TMA, Campos PM, Castro PM. Altura de mudas de Tibouchina granulosa cogn. (melastomataceae) estimada por redes neurais artificiais. REVSBAU 2014; 9(1): 151-160.
Figueiredo A Fo, Retslaff FAS, Kohler SV, Becker M, Brandes D. Efeito da idade no afilamento e sortimento em povoamentos de Araucaria angustifolia. Floresta e Ambiente 2015; 22(1): 50-59. http://dx.doi.org/10.1590/2179-8087.080114.
Fu L. Neural networks in computer intelligence. New York: McGraw-Hill; 1994.
Gorgens EB, Leite HG, Santos HN, Gleriani JM. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore 2009; 33(6): 1141-1147. http://dx.doi.org/10.1590/S0100-67622009000600016.
Graybill FA. Theory and application of the linear model. Belmont: Duxbury Press; 1976.
Hagan MT, Menhaj M. Training feed-forward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks 1994; 5(6): 989-993. PMid:18267874. http://dx.doi.org/10.1109/72.329697.
Loureiro GH, Curto RA, Rosot NC, Marangon GP. Avaliação de equações de afilamento em um plantio de Araucaria angustifolia (Bertol.) Kuntze utilizando o diâmetro como variável dependente. In: Anais do 4º Congresso Florestal Paranaense: Manejo de Florestas Plantadas. Curitiba; 2012.
Mendonça NP, Carvalho MC, Gomide LR, Ferraz AC Fo, Ferreira MA. Previsão de diâmetros ao longo do fuste de eucalipto via redes neurais artificiais. Enciclopédia Biosfera de 2015; 11(22): 2419-2429. http://dx.doi.org/10.18677/Enciclopedia_Biosfera_2015_212.
Quinlan JR. C4.5: Programs for machine learning. São Francisco: Morgan Kaufmann; 1993.
Rahimikhoob A. Comparison between M5 model tree and neural networks for estimating reference evapotranspiration in an arid environment. Water Resources Management 2014; 28(3): 657-669. http://dx.doi.org/10.1007/s11269-013-0506-x.
Regazzi AJ. Teste para verificar a identidade de modelos de regressão e a igualdade de alguns parâmetros num modelo polinomial ortogonal. Ceres 1993; 40: 176-195.
Sanquetta CR, Corte APD, Rodrigues AL, Watzlawick LF. Inventários florestais: planejamento e execução. 3. ed. revista e ampliada. Curitiba: Multi-Grafic Gráfica e Editora; 2014.
Sanquetta CR, Wojciechowski J, Corte APD, Behling A, Péllico S No, Rodrigues AL et al. Comparison of data mining and allometric model in estimation of tree biomass. BMC Bioinformatics 2015; 16(1): 247. PMid:26250142. http://dx.doi.org/10.1186/s12859-015-0662-5.
Schikowski AB, Corte APD, Sanquetta CR. Estudo da forma do fuste utilizando redes neurais artificiais e funções de afilamento. Pesquisa Florestal Brasileira de 2015; 35(82): 119-127. http://dx.doi.org/10.4336/2015.pfb.35.82.867.
Soares CPB, Paula F No, Souza AL. Dendrometria e Inventário Florestal. 2. ed. Viçosa: Editora UFV; 2011.
Solomatine DP, Dulal KN. Model trees as analternative to neural networks in rainfall-runoff modeling. Hydrological Sciences Journal 2003; 48(3): 399-411. http://dx.doi.org/10.1623/hysj.48.3.399.45291.
Souza RR. Estudo da forma do fuste de árvores de eucalipto em diferentes espaçamentos [dissertação]. Diamantina: Universidade Federal dos Vales do Jequitinhonha e Mucuri; 2013.
Witten IH, Frank E, Hall MA. Data mining practical machine learning tool and techniques. 3. ed. Elsevier. 2011.
Yoshitani M Jr, Nakajima NY, Arce JE, Machado AS, Druszcz JP, Hosokawa RT et al. Funções de afilamento para plantios desbastados de Pinus taeda. Floresta de 2012; 42(1): 169-176. http://dx.doi.org/10.5380/rf.v42i1.26315.
Facebook
Google+
Twitter
LinkedIn
Mendeley
StumbleUpon
CiteULike
Reddit
Email