Dissertação/Tese Quantificação de biomassa em floresta estacional semidecidual por meio de redes neurais artificiais - PPGCF

A predição de biomassa em florestas naturais é complexa devido à variação de espécies, de estágio sucessional, características edáficas e climáticas das áreas, dentre outras, e isso gera uma grande demanda de informações para que se tenha estimativas de biomassa confiáveis. O objetivo deste estudo foi de quantificar a biomassa arbórea aérea de um fragmento de floresta Estacional Semidecidual em Minas Gerais - MG por meio de redes neurais artificiais (RNA). Assim como, avaliar a influência das variáveis categóricas fitofisionomia (FT), infestação de cipó (CP), qualidade de copa (QC) e coeficiente de De Liocourt (q) na estimativa de biomassa. Foi empregada a técnica de validação cruzada (cross-validation) para definição da topologia e validação das redes, em que a estimativa de erro global é calculada como a média das k estimativas de erro de cada iteração (admitiu-se k=10).Variou-se o número de neurônios na camada escondida e avaliou-se a média e o desvio padrão do erro médio quadrático (EMQ) dos resultados da validação cruzada para definir o número de neurônios na camada escondida, que melhor se adequou ao problema. Para definir a RNA mais adequada para cada situação, uma nova validação cruzada foi realizada e avaliação se deu pelos ajustes das RNA (EMQ, ̂ ,Bias e Variância) e análise gráfica dos resíduos. A biomassa observada média foi de 110,81 t.ha-1 e a biomassa média estocada por hectare foi estimada em 114,41 t.ha-1 pela RNA 3 e 116,34 t.ha-1 pela RNA 7. As RNA 3(variáveis de entrada: DAP, d, Hf, Vt, CP) e 7(variáveis de entrada: DAP, d, Ht, Vt, CP, QC) se ajustaram melhor, obtendo menores resíduos. No entanto, a RNA 7 que contém CP e QC associadas como variável de entrada da rede, teve bom desempenho devido à contribuição da variável CP, visto que a RNA 4 que contém apenas QC não foi precisa na maioria das parcelas, esse fato pode estar relacionado a maior subjetividade na avaliação da qualidade de copa. A RNA 3 foi mais adequada visando simplicidade na coleta de campo, acarretando menor tempo e custo.

The prediction of biomass in natural forests is complex due to the variation of species in successional stages, characteristics of soil and climate of areas, among other things, and this generates a large demand for information in order to produce reliable biomass estimates. This study aimed to quantify the aerial tree biomass from a fragment of semideciduous forest in Minas Gerais - MG through artificial neural networks (ANN). Moreover, this study evaluated the influence of categorical variables including phytophysiognomy, vine infestation, canopy quality and the De Liocourt quotient in estimation of biomass. All the analysis was done using R software, using the cross-validation technique to define the topology and validation of networks, wherein the global error estimate is calculated as the average of k error estimates of each iteration (assuming k = 10). The number of neurons in the hidden layer varied, and the mean and standard deviation of the mean square error (MSE) were evaluated by the results of cross-validation in order to determine the number of neurons in the hidden layer, which best adapted to the problem. To determine the most appropriate ANN in each situation, a new cross-validation was conducted and the evaluation was completed using the results of the ANN (MSE, Correlation coefficient, Bias and Variance) and graphical residue analysis. The average observed biomass was 110.81 t.ha-1 and the average stored biomass per hectare was estimated to be 114.41 t.ha-1 using ANN 3 and 116.34 t.ha-1 using 7 ANN. This study found that the ANN 3 (input: DAP, d, Hf, Vt, CP) and 7(input: DAP, d, Ht, Vt, CP, QC) had greater precision than the other ANNs, obtaining smaller residue. However, due to the association of vine infestation and crown quality in ANN 7 as input variable network, the good performance possibly because of the variable contribution of the vine infestation, whereas ANN 4 which contains only canopy quality was not more accurate in the majority of plots, this may be related to greater subjectivity in assessing the canopy quality, and in this way. ANN 3 was more appropriate in terms of simplifying field sampling, leading to reduced time and cost.