Redes neurais artificiais para a prognose da produção de povoamentos não desbastados de Eucalipto.

Abstract

O objetivo deste estudo foi treinar, aplicar e avaliar a eficiência de redes neurais artificiais (RNA) para realizar a prognose da produção de povoamentos eqüiâneos declones de eucalipto. Os dados utilizados foram provenientes de povoamentos locali- zados no sul da Bahia, totalizando cerca de 2.000 hectares de floresta. Foram utiliza- das variáveis numéricas, como idade, área basal, dap, altura total, volume e variáveis categóricas, como classe de solo, textura, tipos de espaçamento, relevo, projeto e clone. Os níveis de detalhamento da modelagem foram para o povoamento e para árvores individuais. Os dados foram divididos aleatoriamente em dois grupos: trei- namento (80%) e generalização (20%). Os dados de treinamento foram utilizados para criar as redes neurais, enquanto que os dados de generalização serviram para avaliar a capacidade da rede em fornecer resultados precisos para dados desconheci- dos. Foram treinadas redes de três tipos: perceptron, perceptron de múltiplas camadas e redes de função de base radial. As RNA que apresentaram os melhores desempe- nhos no treinamento e generalização foram selecionadas para realizar a prognose com dados a partir do primeiro inventário florestal. Conclui-se que as RNA apresen- taram resultados satisfatórios em ambos os níveis, povoamento total e árvore individual, comprovando o potencial e aplicabilidade da técnica na solução dos problemas de mensuração e manejo florestal.

The aim of this study was to train, implement and evaluate the efficiency of artificial neural networks (ANN) to perform the ognosis of yield of even-aged stands of clones of eucalyptus. The data were from stands of eucalyptus located in south of hia, otaling about 2,000 hectares of forest. Were used numerical variables such as age, basal area, dbh, total height, volume nd categorical variables such as class of soil, texture, spacing, topography, project and clone. The levels of detail of modeling e at the level of stand and individual tree. The data were randomly divided into two groups: training (80%) and generalization 0%). The training data were used to create neural networks, while the generalization data were used to evaluate the ca- pacity f network to provide accurate results for the unknown data. Were trained three types of networks: perceptron, multilayer ceptron and radial basis function. The ANN that presents the best performances in training and generalization were selected to erform the prognosis with data from the first inventory. Concluded that the ANN showed satisfactory results for total stand and ndividual tree, proving the potential and applicability of the technique in solving problems of forest measure- ment and ement.