Modelagem do crescimento e da produção de povoamentos de eucalipto utilizando regressão, redes neurais artificiais e redes profundas

• Ano de defesa: 2021
• Autor(a) principal: Goycochea Casas, Gianmarco
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Floretas - Manejo; Estruturas de dados (Computação); Aprendizado do computador; Inteligência artificial; Manejo Florestal
• Link de acesso: https://locus.ufv.br//handle/123456789/27965

Modelos de densidade variável sempre foram ajustados com dados de parcelas permanentes organizados em um banco de dados pareados em idades sequenciais i e i+1, sendo i = 1, 2, ... N medições das parcelas. Para povoamentos equiâneos, de eucalipto, pinus e teca, sempre houve predomínio de intervalos de cerca de um ano de idade entre as medições das parcelas. Quando as redes neurais artificiais (RNA) começaram a ser empregadas como alternativa para modelagem de crescimento e produção surgiu a necessidade de organizar bancos de dados com intervalos irregulares, por exemplo, i,i+1; i,i+2; ...; i,N. Isto foi necessário para que as redes pudessem predizer a produção futura com diferentes idades iniciais e intervalos de predição, necessário para uso dos modelos em planejamento hierárquico. Como consequência surgiu a necessidade de verificar a melhor maneira de comparar estimativas geradas com modelos usuais de regressão, com predições feitas por RNA. Além de detalhes relativos à separação de dados para validação e treino e métodos estatísticos a serem empregados, surgiu a necessidade de compatibilizar as validações em relação à forma de organização dos bancos de dados. O trabalho foi desenvolvido em dois capítulos com o objetivo geral de comparar os métodos de regressão, redes neurais artificiais clássicas e redes profundas, na modelagem de crescimento e produção em povoamentos de eucalipto e verificar a exatidão de prognose a partir de idades precoces de aproximadamente 2 anos. No capítulo I, se analisaram três alternativas de organização dos dados, para ajuste dos modelos de Clutter e de Buckman. A primeira com dados emparelhados em idades de medição sequenciais i e i+1, sendo i = 1, 2, ... N medições das parcelas. Na segunda foram considerados todos os intervalos de medição possíveis para cada parcela: i,i+1; i,i+2; ...; i,N; i+1, i+2; ..., N-1,N. A terceira com os dados emparelhados mês (j) a mês, sempre com intervalo de um mês, ou seja, j, j+1; j+1, j+2; j+M-1,M, sendo M a idade da última medição, em meses. Foram avaliadas as projeções volumétricas e as idades técnicas de corte. Para o modelo de Clutter os resultados mostraram que a exatidão e consistência das projeções depende da forma de organização dos dados e para o ajuste do modelo de Buckman os resultados indicaram a necessidade de uso da alternativa 3, com observações mês a mês. No capítulo II, se analisaram as projeções volumétricas nas idades de projeção de 6 e 7 anos ao longo das idades precoces. Foram avaliadas e comparadas as técnicas: método de mínimos quadrados (modelo de densidade variável), redes neurais artificiais clássicas e redes neurais artificiais profundas. Se utilizou uma extensa a abrangente base de dados de parcelas permanentes instaladas e medidas em povoamentos de eucalipto, organizados pela alternativa 2. Se testou algumas configurações de RNA e se ajustou o modelo de Clutter por mínimos quadrados em dois estágios. Os resultados mostraram que as três técnicas geram estimativas consistentes, com um pequeno ganho de exatidão ao empregar redes profundas. Contudo, se pode concluir que para o emprego das técnicas citadas a forma de organizar os dados em intervalos diferentes de medição influencia na prognose e permanece-se ainda a dificuldade de aumentar a exatidão de projeções feitas a partir de idade muito precoce, mesmo com o emprego de redes profundas. Palavras-chave: Manejo florestal. Estrutura de dados. Aprendizado de máquina. Inteligência artificial.