Inversão de redes neurais artificiais na modelagem da produtividade de eucalipto

• Ano de defesa: 2021
• Autor(a) principal: Oliveira Neto, Ricardo Rodrigues de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Ciência Florestal
• Palavras-chave em Português: Florestas - Manejo; Redes neurais (Computação); Produtividade; Recozimento simulado (Matemática); Manejo Florestal
• Link de acesso: https://locus.ufv.br//handle/123456789/29742; https://doi.org/10.47328/ufvbbt.2022.027

Para um bom gerenciamento dos plantios florestais, é imprenscindívelimprescindível analisar todos os fatores que interefereminterferem no seu crescimento e produção, já que toda tomada de decisão é feita a partir da estimativa da produção futura utilizando-se informações históricas e correntes. Vários fatores se correlacionam e influenciam o crescimento da floresta, sendo divididos em climáticos, edáficos, fisiográficos e bióticos e diversas técnicas vem sendo utilizadas para modelar essa correlação, entre elas Redes Neurais Artificiais (RNA), na qual os fatores ecofisiologicos e silviculturais se relacionam com a produtividade esperada. A inversão de uma RNA é feita quando queremos as diversas possibilidades de valores das variáveis de entrada com um output fixo. A utilização de Simulated Annealing (SA) auxilia a inversão da rede na obtenção do grupo de respostas oriundas da inversão (one-to-many) visto que são produzidas mais de uma resposta para uma produtividade desejada, sendo também uma ferramenta eficiente na identificação dos limitantes da produtividade de plantios de eucalipto no Brasil. O presente trabalho realizou a inversão de uma RNA utilizando SA com dados edafoclimáticos e silviculturais de plantios de eucalipto no estado de Minas Gerais, com idade variando de dois a seis anos37, correlacionando com a sua produtividade aos 6 anos, a idade de corte. O Simulated Annealing consegue realizar a inversão da RNA com eficiência, encontrando mais de uma solução local para o problema. Comparando os resultados obtidos com estudos correlatos, verifica-se a importância de variáveis categóricas como material genético e espaçamento como também a relação dessas variáveis com os níveis de adubação ótima para uma maior produtividade levando em consideração as condições climáticas e edáficas da região. Palavras-chave: Redes Neurais Artificiais. Simulated Annealing. Inversão de Rede. Produtividade Florestal.