Modelagem da produtividade de eucalipto por meio de redes neuronais artificiais

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Freitas, Eliane Cristina Sampaio de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Viçosa
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://www.locus.ufv.br/handle/123456789/11552
Resumo: A produtividade florestal é influenciada por diversos fatores, e apesar de ser fácil enumerá-los, é extremamente complexo o entendimento da influência de suas interações no crescimento e desenvolvimento das plantas. Por permitir modelar relações complexas e não-lineares, as redes neuronais artificiais (RNA) têm sido muito utilizadas em estudos sobre a produtividade florestal. Nesse sentido, o objetivo desse trabalho foi configurar, treinar e validar RNA para estimar a produtividade de povoamentos de eucalipto em função de variáveis ambientais, genótipo e práticas silviculturais, e avaliar quais são as variáveis preditoras mais importantes e como elas afetam a produtividade do eucalipto. Para isso foram utilizados dados de inventário florestal contínuo (IFC) de 507 talhões de eucalipto pertencentes à Gerdau, em Minas Gerais, compostos por diferentes genótipos e espaçamentos. Também foram utilizados dados de análise de solo desses talhões, fertilizações realizadas ao longo da rotação, e variáveis climáticas. Redes do tipo Perceptron de Múltiplas Camadas (MLP) foram treinadas para estimar o incremento médio anual de povoamentos de eucalipto aos seis anos de idade (IMA6), alterando as variáveis de entrada, número de neurônios na camada oculta, algoritmos de treinamento (Backpropagation, Resilient Propagation (Rprop+) e Quick Propagation), porcentagem de dados nos subconjuntos de treino e validação, e as funções de ativação (logística, tangente hiperbólica, linear) na camada intermediária (exceto a linear) e de saída. Para avaliar a importância das variáveis preditoras na estimativa da RNA, foram utilizados apenas os dados do clone (GG100) mais plantado pela empresa Gerdau e treinadas redes (algoritmo Rprop+ e função de ativação logística na camada oculta e de saída) para estimar o IMA6 em função do espaçamento, teor de argila, temperatura, precipitação pluviométrica total (considerando os seis anos da rotação mais dois anos anteriores ao plantio) e fertilizações realizadas. Para a rede selecionada, considerando-se a correlação entre o IMA6 estimado e observado ( ̂ e a raiz quadrada do erro quadrático médio (REQM), foram utilizadas as seguintes metodologias para avaliar a influência das variáveis preditoras nas estimativas da rede: Diagrama de Interpretação Neuronal (NID), algoritmos de Olden e de Garson, Lekprofile, e Análise de Sensibilidade Global. Para a primeira etapa foram obtidas redes com ̂ maior que 85 % e REQM menor que 15 % na validação. Todas as redes foram obtidas com o Rprop+ utilizando a função logística, tanto na camada oculta (6 a 8 neurônios) como na de saída, e utilizando 90 % dos dados para o treinamento. A utilização de RNA possibilitou a estimação do IMA6 de povoamentos de eucalipto com boa precisão, apesar da complexidade dos dados, e inclusão de inúmeras variáveis, até mesmo categóricas. Entre as variáveis explicativas, o genótipo, espaçamento, as características edáficas: argila, matéria orgânica e CTC, as características climáticas: precipitação pluviométrica, temperatura e déficit hídrico, e a fertilização tiveram maior influência na produtividade do eucalipto ao final da rotação. Em relação às metodologias usadas para avaliar a importância das variáveis preditoras na resposta da RNA, o método Lekprofile apresentou melhores resultados, uma vez que foram mais condizentes com a resposta biológica esperada. A precipitação pluviométrica total foi a variável que apresentou maior importância na estimação do IMA6 de povoamentos do clone GG100 para a RNA selecionada, e seu aumento resultou em maior IMA6 independentemente dos valores dos outros fatores. O oposto foi observado para a adubação nitrogenada. A utilização de RNA possibilita a modelagem da produtividade de povoamentos de eucalipto com boa precisão, e a não utilização de variáveis dendrométricas como preditoras pode ajudar o gestor florestal a tomar decisões em locais onde não existem dados de IFC ou que não existem plantios de eucalipto, além de possibilitar uma melhor avaliação de como os fatores ambientais, genótipo e práticas silviculturais influenciam a produtividade florestal.