Dissertação/Tese ESTIMATIVA VOLUMÉTRICA DE FORMAÇÕES FLORESTAIS NO ESTADO DE MINAS GERAIS COM REDES NEURAIS ARTIFICIAIS - PPGCF

Dissertações/Teses

Dissertação/Tese do PPGCF
ESTIMATIVA VOLUMÉTRICA DE FORMAÇÕES FLORESTAIS NO ESTADO DE MINAS GERAIS COM REDES NEURAIS ARTIFICIAIS

Discente de mestrado
ANA C D S C A
Defesa
  • Data: 30/07/2015
  • Hora: 08:00
  • Local: DEF/UFVJM
  • Ver TCC em PDF
  • Resumo
    O objetivo geral deste trabalho foi aplicar e avaliar redes neurais artificiais (RNA) ajustadas pelos algoritmos NEAT e Skyp Layer connections, na estimativa volumétrica de onze formações florestais no estado de Minas Gerais, bem como comparar com os resultados obtidos pela aplicação de equações volumétricas ajustadas pela Fundação Centro Tecnológico de Minas Gerais (CETEC). O NeuroEvolution of Augmenting Topologies (NEAT), é uma técnica que a partir de um algoritmo evolutivo, ajusta simultaneamente os pesos sinápticos e a topologia de uma RNA. Redes Neurais Artificias com Skip Layer connections, são modelos de redes, onde alguns sinais de entrada possuem ligação direta com a camada de saída, ou seja, não passam pela camada oculta. Para a obtenção do volume total a partir das RNA, foram utilizadas como variáveis de entrada quantitativas, o diâmetro à 1,30 m de altura (dap), altura total (ht), as razões 1/ (dap²*ht) ou dap/ht, número de galhos e como variável qualitativa (categórica), as classes diamétricas. O sistema computacional utilizado para aplicar os algoritmos foi o NeuroForest 3.3, sendo que para o NEAT foram testados diferentes tamanhos de populações (100, 300, 500, 600, 800 e 1000) e densidades de conexões iniciais (0,1 e 0,5), e para o algoritmo Skip Layer Connections foram testadas redes com recorrência e sem recorrência. Para fins de comparação, foram aplicadas as equações de Shumacher e Hall (1993) em sua forma não linear ajustadas pelo CETEC. As estimativas do volume total das árvores obtidas com o emprego das RNA e pelo modelo de regressão foram avaliadas com base no coeficiente de correlação, na raiz do erro quadrado médio percentual (Root Mean Square Error – RMSE %), no gráfico de dispersão dos erros percentuais e no histograma de frequência dos erros percentuais. Para a maioria das formações florestais analisadas, apesar da leve tendência em superestimar árvores de menor volume, as RNA apresentaram resultados superiores quando comparada as equações não-lineares de Shumacher e Hall. Esses resultados confirmam a aplicabilidade prática de redes neurais artificias ajustadas pelo NEAT e Skyp Layer Connections, comprovando o potencial de ambos na modelagem da produção de vegetações nativas
  • Palavras-chave:
    Mensuração florestal;regressão não-linear;povoamentos mistos;inteligência artificial.
  • Abstract
    The aim of this study was to apply and evaluate artificial neural networks (ANN) adjusted by NEAT and Skyp Layer connections algorithms on the volume estimation of eleven occurring forest types in the state of Minas Gerais. Data were obtained from the forest inventory carried out by the Technological Center Foundation of Minas Gerais (CETEC), of the following formations: Cerrado, Cerradão, Cerrado Field, Primary Forest, Secondary Forest, Riparian Forest, Dry forest, Liana Transition Forest, Jaíba Transition Forest, Arboreal Caatinga Shrubby Caatinga. To obtain the volume per tree by means of RNA, were used as quantitative input variables, the diameter at 1.30 m height (DBH), total height (ht), the number of branches and the reasons 1 / (dap²ht) or dap / ht, and as a qualitative variable (categorical), the diameter classes. The computer system used to apply the algorithms was the NeuroForest 3.3, while for the NEAT different population sizes were tested (100, 300, 500, 600, 800 and 1000) and densities of initial connections (0.1 and 0.5 ), and the Skip Layer Connections algorithm recurrence and no recurrence networks were tested. For comparison, they applied the equations of Schumacher and Hall (1993) in its non-linear form adjusted by CETEC. The estimates of the total volume of the trees obtained through the use of RNA and the regression model were evaluated based on the correlation coefficient, at the root of average percentage of square error (RQEM%), on the scatter plot of percentage errors and on the histogram of percentage errors frequency. The results showed that for the NEAT algorithm larger populations than 600 with the two densities of initial connections analyzed (0.1 and 0.5) generated volumetric estimates with good accuracy. For the Skip Layer connections algorithm the accuracy measurements, histograms and residue graphics built from RNA, showed similar results to the networks set with and without recurrence. In general, for all forest types analyzed despite the slight tendency to overestimate smaller volume trees, RNA adjusted by NEAT and Skip Layer connections algorithms showed equivalent or superior results when compared to the non-linear equations of Schumacher and Hall, with both being effective at modeling the production of native forests in the state of Minas Gerais.
  • Keywords:
    Forest measurement;non-linear regression;mixed stands;artificial intelligence
  • Banca de defesa

    Presidente
    MAYRA L M D S
  • Nacionalidade: Brasileira
  • Participante interno
    GILCIANO SARAIVA NOGUEIRA
  • Nacionalidade: Brasileira
  • Ver currículo Lattes
  • Ver ORCID
  • Ver página pessoal
  • Participante externo
    DANIEL H B B
  • Nacionalidade: Brasileira
  • Participante externo
    HELIO G L
  • Nacionalidade: Brasileira