Resumo:
Este estudo foi conduzido empregando dados de inventário florestal contínuo conduzido em um sistema agrossilvipastoril, com sete clones de eucalipto. Objetivo foi avaliar a eficiência relativa do emprego de um modelo de rede neural artificial em relação aplicação de um modelo de densidade variável. Realizou-se treinamento das redes neurais utilizando o software Neuroforest 3.3. O tipo de rede foi Multilayer Perceptron (MLP) com treinamento feito pelo método Resilient Propagation, com oito neurônios na camada escondida (oculta). A função de ativação das camadas ocultas e de saída foi a sigmóide considerando diferentes proporções dos dados para treinamento e validação: com 100% dos dados, 90% (10% para validação), 80% (20% para validação) e assim por diante, até 20% dos dados para treinamento e 80% para validação. Com a melhor partição de dados de treino e validação, foram treinadas novas redes neurais. Sendo essas comparadas aos resultados obtidos através do modelo de Clutter ajustado por clone. Com base nos resultados foi possível concluir que a prognose da produção volumétrica do componente arbóreo (volume de madeira) do sistema agrossilvipastoril pode ser feita para todos os clones utilizando uma única rede MLP, com função de ativação sigmóide nas camadas de entrada e saída, resultando em maior exatidão e consistência, em relação ao emprego do modelo de Clutter ajustado por clone.
