Classificação da capacidade produtiva de povoamentos utilizando máquina de vetor de suporte e redes neurais artificiais

Abstract

Pesquisadores da área de mensuração e manejo florestal tem incluído com frequência em seus estudos o uso das técnicas de inteligência computacional para realização de trabalhos de modelagem. Dentre essas técnicas, se destacam as Redes Neurais Artificiais, capaz de gerar modelos com grande capacidade de generalização, reduzindo o erro das estimativas e o número de equações a serem manipuladas. Outra técnica bastante promissora é a Máquina de Vetor de Suporte, que vem chamando atenção da comunidade científica pela qualidade dos resultados apresentados, porém, com poucos trabalhos voltados para a mensuração florestal. Devido a essas características, buscou-se nesse trabalho avaliar o uso dessas técnicas (RNA e MVS) no processo de classificação da capacidade produtiva de povoamentos florestais com a inclusão de variáveis edáficas e de manejo, comparando os seus resultados com os obtidos pelo método da curva guia. Assim, para realizar esse estudo utilizou-se o cadastro das propriedades de uma empresa florestal contendo as informações sobre o tipo de solo e o tipo de preparo antes do plantio, o espaçamento utilizado, a idade do povoamento, altura dominante, área basal, DAP mínimo, médio e máximo do povoamento, o número de indivíduos e a classe de local previamente determinada por curvas de índice de local geradas através do método da curva guia. Foram treinadas 400 redes com diferentes configurações no software Statistica 10, utilizando 70% dos dados para treinamento, 15% para o teste e 15% para a validação, e escolhida aquela que apresentava a melhor acurácia. Para o caso da MVS escolheu-se o kernel Função de Base Radial, utilizando o padrão e otimizadores do próprio sistema para definir os demais parâmetros. Nessa etapa os dados também foram divididos em treinamento (70%) e teste (30%). Foi possível concluir que as técnicas de IA avaliadas são capazes de classificar a capacidade produtiva do local de forma satisfatória, desde que utilizadas as variáveis adequadas; o uso conjunto das variáveis tipo de solo, espaçamento do plantio, idade e altura dominante, foi suficiente para classificar os locais; as RNA apresentaram índice de acerto de 99,03% contra 95,25% para a MVS; a inclusão de muitas variáveis pouco significativas podem prejudicar ou ser indiferente no desempenho dos sistemas.