ESTIMATIVA DO ESTOQUE DE CARBONO EM FLORESTA SEMIDECIDUAL: UMA COMPARAÇÃO ENTRE REGRESSÃO E REDES NEURAIS ARTIFICIAIS
A crescente preocupação em
relação às mudanças climáticas globais tem
chamado a atenção para o papel das florestas
como mitigadoras desse processo, uma vez
que elas atuam como sumidouro de carbono
da atmosfera. Compreender o processo de
estocagem de carbono em florestas e seus
determinantes bem como apresentar modelos
consistentes para sua estimativa é uma
demanda atual. Nesse sentido, o objetivo deste
estudo foi gerar um modelo para estimativa
de carbono acima do solo para uma floresta
estacional semidecidual secundária em
Lavras, MG, com potencial de aplicação em
florestas do mesmo tipo na região. Foram
testados duas abordagens de modelagem:
(1) regressão linear múltipla com seleção
de variáveis independentes por stepwise e
transformação de Box-Cox e (2) redes neurais
artificiais utilizando como variáveis de entrada
as variáveis selecionadas pelo stepwise
na regressão múltipla. Os métodos foram
comparados principalmente pelo valor da raiz
do erro quadrado médio (REQM). O modelo
de regressão selecionou como variáveis
explicativas: DAP (diâmetro altura do peito
– 1,3 m) mínimo, DAP máximo, DAP médio,
Altura total média e Número de árvores, todas
por parcela. Ambas as abordagens apresentam
excelente desempenho em explicar a variação
do estoque de carbono na área de estudos. O
desempenho das redes neurais foi superior,
uma vez que apresentou REQM de 5,99%
inferior ao apresentado pela regressão linear
múltipla (14,67%). Espera-se com este estudo
fornecer dados para estudos em largas escalas
e aumentar o entendimento acerca do serviço
de estocagem de carbono em florestas.
ESTIMATIVA DO ESTOQUE DE CARBONO EM FLORESTA SEMIDECIDUAL: UMA COMPARAÇÃO ENTRE REGRESSÃO E REDES NEURAIS ARTIFICIAIS
-
DOI: 10.22533/at.ed.2941916094
-
Palavras-chave: Mudanças climáticas. Sequestro de carbono. Biomassa florestal. Regressão múltipla. Aprendizagem de máquinas.
-
Keywords: Climate change. Carbon sink. Forest biomass. Multiple regression. Machine learning.
-
Abstract:
Growing concern about global climate change has called attention to
the role of forests in the mitigation of this process as they act as a carbon sink for the
atmosphere. Understanding the carbon stocking process in forests and its drivers as
well as presenting consistent models for carbon stock estimation is a current demand.
In this context, the main goal of this study was to generate a model for estimation
of above-ground carbon for a secondary semidecidual forest in Lavras, MG, with
potential application to forests of the same type in the study region. Two modeling
approaches were tested: (1) multiple linear regression with selection of independent
variables by stepwise and Box-Cox transformation and (2) artificial neural networks
using as inputs the variables selected by stepwise in the multiple regression. The
methods were compared primarily by the root mean square error (RMSE) value. The
regression model selected as explanatory variables: minimum DBH (diameter at breast
height - 1.3 m), maximum DBH, mean DBH, mean total height and number of trees, all
variables obtained per sample plot. Both approaches present excellent performance
in explaining the variation of the carbon stock in the study area. The performance of
neural networks was superior, since it presented RMSE of 5.99%, which was lower than
the RMSE presented by multiple linear regression (14.67%). This study provides data
for studies at wider scales and increases understanding about the service of carbon
storage in forests.
-
Número de páginas: 15
- Daniel Dantas
- Luiz Otávio Rodrigues Pinto
- Natalino Calegario
- Sabrina Mandarano Maciel
- Marcela de Castro Nunes Santos Terra
