Dissertação/Tese CONFIGURAÇÃO DE REDES NEURAIS ARTIFICIAIS NA MENSURAÇÃO FLORESTAL - PPGCF

O objetivo deste estudo foi definir configurações adequadas de redes neurais artificiais (RNA) para obtenção de estimativas da altura total de árvores, afilamento do fuste e prognose florestal em nível de povoamento. Foram avaliadas diferentes configurações de RNA referentes ao número de neurônios na camada oculta, funções de ativação, número de ciclos e algoritmos de aprendizagem com os seus parâmetros. Os dados foram obtidos a partir de parcelas permanentes de inventários florestais contínuos e dados de cubagem de povoamentos clonais de eucalipto. O treinamento das redes foi realizado no sistema Neuroforest e a escolha das melhores configurações se deu através da avaliação do erro quadrático médio e desvio padrão dos erros quadráticos médios de cada simulação e quanto à simplicidade das redes. A avaliação das estimativas foi realizada por meio do coeficiente de correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RMSE%), e análise gráfica de resíduos. Concluiu-se que diversas configurações de redes neurais artificiais são eficientes para modelagem da altura, de taper e para fins de prognose florestal em povoamentos clonais de eucalipto, sendo que configurações simples de RNA podem ser utilizadas com sucesso para estas aplicações.

The objective of this study was to define appropriate settings of artificial neural networks (ANN) to obtain estimates of the total height of trees, taper and forest prognosis in stand level. Were evaluated different ANN settings for the number of neurons in the hidden layer, activation functions, number of cycles and learning algorithms with its parameters. The data were obtained from permanent plots of continuous forest inventories and data scaling of clonal eucalyptus plantations. The training of the networks was conducted in the Neuroforest system and choosing the best settings was made through the evaluation of mean square error and standard deviation of the mean squared errors of each simulation and the simplicity of the networks. The evaluation of the estimates was performed using the correlation coefficient between observed and estimated values, the root mean square error (RMSE%), and graphic residue analysis. It was concluded that various configurations of artificial neural networks are efficient for modeling height, taper and for purposes of forest prognosis in clonal stands of eucalyptus, wherein ANN simple settings can be successfully used for these applications.