Aprendizagem de máquina: modelagem do incremento em diâmetro de árvores individuais em fragmentos de Mata Atlântica

• Ano de defesa: 2019
• Autor(a) principal: Tavares Júnior, Ivaldo da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Florestas - Medição; Redes neurais (Computação); Aprendizado por computador; Florestas - Classificação; Florestas - Manejo; Máquinas de vetores de suporte; Florestas - Métodos estatísticos; Manejo Florestal
• Link de acesso: https://locus.ufv.br//handle/123456789/28056

Modelos de crescimento em nível individual permitem a descrição mais detalhada da dinâmica da floresta do que os modelos em nível de povoamento. Contudo, muitos ajustes por meio de modelos estatísticos têm apresentado baixo desempenho em povoamentos inequiâneos devido a variação entre os incrementos das diferentes árvores ou espécies e até entre indivíduos de uma mesma espécie. Neste estudo avaliou-se a acurácia das predições do incremento periódico anual em diâmetro (IPA dap ; cm ano -1 ) de árvores individuais empregando três técnicas de aprendizagem de máquina: rede neural artificial (RNA); regressão vetorial de suporte (SVR); e random forest (RF). O estudo foi realizado em cinco fragmentos de Mata Atlântica: Lagoa do Piau – LP (2 matas), São José – SJ, Cachoeira das Pombas – CP e Mata da Silvicultura – MS, localizados, respectivamente, nos municípios de Caratinga, Coronel Fabriciano, Guanhães e Viçosa, no Estado de Minas Gerais. Na MS, 10 parcelas com 0,1 ha cada foram alocadas. Em LP, SJ e CP foram alocadas 22, 12 e 20 parcelas, respectivamente, com 0,05 ha cada. Os dados: circunferência a 1,30 m de altura (cap; cm), altura total (Ht; m) e nomes científicos das árvores com cap > 15 cm foram coletados nos anos 1994, 1997, 2000, 2004, 2008, 2010, 2013 e 2016 na MS, e nos anos 2002, 2007, 2012 e 2017 nos demais fragmentos. Três índices de competição semi-independente da distância foram calculados: Glover e Hool, Stage e adaptado de Glover e Hool. Em cada fragmento, as espécies foram agrupadas em cinco grupos de IPA dap por meio da análise de cluster. Os dados foram divididos em conjunto de treinamento e validação por meio do particionamento balanceado, com 70% das observações de cada espécie em cada período para o treinamento e o restante para validação. A seleção da melhor configuração de cada técnica foi por meio das estatísticas de correlação entre os incrementos observados e preditos (r yŷ ), raiz quadrada do erro quadrático médio (RMSE), erro absoluto médio (EAM), valor ponderado (VP), gráficos de dispersão do IPA dap observado e predito e gráficos de dispersão dos resíduos padronizados em função do diâmetro a 1,30 m de altura (dap). Após selecionar a melhor configuração de cada técnica em cada fragmento, a validação cruzada foi aplicada com 10 partições e 50 repetições, com exceção da MS devido ao grande número de observações. Médias de RMSE foram calculadas para cada das 50 repetições da validação cruzada. Os testes não paramétricos de Friedman e Nemenyi foram aplicados para avaliar qual a melhor técnica em cada fragmento, com base nas médias de RMSE da validação cruzada. Na MS a RNA apresentou os melhores resultados estatísticos, com r yŷ = 0,5003; RMSE = 0,3591; e EAM = 0,1743. Na validação cruzada dos demais fragmentos, a RNA apresentou as menores médias de RMSE (0,1382–0,4155) e a SVR as maiores (0,1672–0,4453). No teste de Nemenyi, a distância da RNA para a RF e SVR em todos os fragmentos (CP, LP e SJ) foi maior que a distância crítica de 0,47. Portanto, a RNA foi a técnica que apresentou a maior eficiência para predizer o incremento em diâmetro de árvores em fragmentos de Mata Atlântica. Palavras-chave: Biometria florestal. Inteligência artificial. Manejo florestal.