Dissertação/Tese Emprego de redes neurais artificiais com skip-layer connections na mensuração florestal - PPGCF

O objetivo principal deste estudo foi avaliar a aplicação de Redes Neurais Artificiais (RNA) utilizando a técnica Skip-layer connections, com e sem recorrência, para estimação do volume individual e da altura total de árvores de eucalipto. Os objetivos específicos foram testar e avaliar as reduções no tamanho da base de dados do conjunto de ajuste (treinamento) para estimação dessas variáveis. Os dados utilizados foram provenientes de árvores abatidas para cubagem (estimação do volume individual) e de medições de parcelas permanentes de inventários florestais contínuos (estimação da altura total), em área de povoamentos de eucalipto localizados no sul da Bahia, Brasil. Foram treinadas redes do tipo Multilayer Perceptron (MLP), utilizando a função de ativação logística nas camadas intermediária e de saída e oito neurônios na camada oculta. O número de neurônios na camada de entrada variou conforme o número e o tipo de variável (qualitativa ou quantitativa) em cada estudo. Os critérios de parada foram o erro médio quadrático de 0,0001 ou 3.000 ciclos (épocas). Em seguida, as RNA selecionadas foram aplicadas em parte dos dados separados, para generalização (validação). O software utilizado para o treinamento e a generalização das RNA foi o NeuroForest 3.3. Para comparação dos resultados obtidos pelas RNA, foram ajustados os modelos tradicionais de regressão tanto para volume, quanto para altura, e também foram treinadas e aplicadas RNA usando o algoritmo Resilient Propagation, comumente utilizado em aplicações da mensuração florestal. A avaliação dos resultados gerados pelas RNA e pelos modelos de regressão foi feita por meio do coeficiente de correlação entre os valores observados e estimados, de gráficos de dispersão e de histogramas de frequência percentual dos erros percentuais. As Redes Neurais Artificiais utilizando Skip-layer connections apresentaram resultados satisfatórios para estimação de volume e de altura de árvores de eucalipto, o que evidencia a possibilidade de aplicar a técnica em mensuração e manejo florestal e uma expressiva redução das bases de dados para treinamento das RNA.

The aim of this study was to evaluate the application of Artificial Neural Networks (ANN) using the Skip-layer connections technique, with and without recurrence, to estimate the individual volume and total eucalyptus trees height. Its specific objectives were to test and evaluate reduction in the size of the adjustment assembly database (training) for estimating these variables. The data came from trees felled for scaling (estimation of individual volume) and measurements of permanent plots of continuous forest inventories (estimation of the total height), in eucalypt plantation area located in the south of Bahia, Brazil. Multilayer Perceptron (MLP) network type, using the logistic activation function in the intermediate and output layers and eight neurons in the hidden layer, were trained. The neurons number in the input layer varied according to the number and type of the variable (qualitative or quantitative) in each study. The stopping criteria were the root mean square error 0.0001 or 3,000 cycles (seasons). The software used for the RNA training and generalization was the NeuroForest 3.3. To compare the results obtained by RNA, traditional regression models were set for both the volume and the height, as well as RNA were trained and applied using the Resilient Propagation algorithm, commonly used in forest measurement applications. The evaluation of the results generated by the RNA and by the regression models was made via the correlation coefficient between observed and estimated values, scatter plots and histograms percentage frequency of the percentage errors. Artificial Neural Networks using Skip-layer connections showed satisfactory results for the estimation of volume and eucalyptus trees height, demonstrating the possibility of applying the technique in measuring and forest management and a significant reduction of databases for RNA training.