REDES NEURAIS ARTIFICIAIS NA ESTIMAÇÃO DE DIÂMETROS DE Tectona grandis L.f.
Este estudo buscou comparar Redes Neurais Artificiais (RNAs) e funções de afilamento na descrição do perfil do fuste de Tectona grandis, utilizando-se de dados amostrais de 246 árvores. Primeiramente, foram ajustadas quatro funções de afilamento, de diferentes classes: não segmentada (NS), segmentada (S) e forma variável (FV). Para o ajuste dos modelos, foi utilizada a técnica de regressão linear (lm) e a técnica de regressão não linear (nls) implantadas no software R. As equações ajustadas foram comparadas com RNAs, geradas no software Neuro 4.0. Os modelos foram classificados conforme critérios estatísticos e análise gráfica de resíduos. As metodologias testadas mostraram-se eficientes para atingir os objetivos propostos. A equação de afilamento de FV de Kozak (2004) foi mais acurada que as equações do tipo NS e S, apresentando melhor desempenho para estimativas de diâmetros sem estratificação do fuste. As RNAs apresentaram resultados satisfatórios, indicando serem adequadas e acuradas para a estimativa proposta e, dentre as redes, a RNA 4 foi a que apresentou melhores resultados. Embora tenha-se observado similaridade da RNA 4, com os resultados obtidos com a função de afilamento de Kozak (2004), na análise gráfica de resíduos, a RNA 4, mostrou-se menos tendenciosa à superestimação e a subestimação dos diâmetros na porção superior do fuste, estimando os diâmetros nesta porção, com maior acuracidade.
REDES NEURAIS ARTIFICIAIS NA ESTIMAÇÃO DE DIÂMETROS DE Tectona grandis L.f.
-
DOI: 10.22533/at.ed.08920020311
-
Palavras-chave: Manejo Florestal; afilamento; diâmetros ao longo do fuste.
-
Keywords: Forest Management; tapering; diameters along the shaft
-
Abstract:
This study sought to compare Artificial Neural Networks (ANNs) and tapering functions in the description of the Tectona grandis stem profile, using sample data from 246 trees. First, four taper functions of different classes were adjusted: non-segmented (NS), segmented (S) and variable shape (FV). For the adjustment of the models, the linear regression technique (lm) and the nonlinear regression technique (nls) implemented in software R were used. The adjusted equations were compared with ANNs, generated in the Neuro 4.0 software. The models were classified according to statistical criteria and graphical analysis of residues. The tested methodologies proved to be efficient to achieve the proposed objectives. Kozak's FV tapering equation (2004) was more accurate than the NS and S type equations, presenting better performance for diameter estimates without stratification of the shaft. The ANNs presented satisfactory results, indicating that they were adequate and accurate for the proposed estimate and, among the networks, the ANN 4 was the one that presented the best results. Although similarity of RNA 4 was observed, with the results obtained with the tapering function of Kozak (2004), in the graphical analysis of residues, RNA 4 was less prone to overestimation and underestimation of diameters in the upper portion the shaft, estimating the diameters in this portion, with greater accuracy.
-
Número de páginas: 15
- Luciano Rodrigo Lanssanova
- Izabel Passos Bonete
