Dissertação/Tese Classificação Da Capacidade Produtiva De Povoamentos De Eucalipto Por Meio De Métodos Tradicionais E Redes Kohonen - PPGCF

O objetivo do trabalho foi avaliar a eficiência da classificação da capacidade produtiva de povoamentos florestais de eucalipto (Eucalyptus ssp.) por meio de rede neural artificial (RNA). Os dados utilizados foram provenientes de inventários florestais contínuos conduzidos em povoamentos de clones de Eucalyptus ssp. localizados no estado de Minas Gerais. A classificação da capacidade produtiva foi realizada por meio de quatro métodos: curva-guia, predição dos parâmetros, equação das diferenças e rede neural artificial. Em todos os métodos foi adotada uma idade de referência de 72 meses e foram obtidas três classes de capacidade produtiva (superior, média e inferior). Para os métodos da curva-guia e equação das diferenças foi empregado o modelo de Schumacher linearizado e para o método da predição dos parâmetros foi utilizado o modelo logístico. Na classificação por meio de RNA utilizou-se a rede auto-organizável de Kohonen, sendo o agrupamento realizado em dois estágios. Na primeira etapa os dados foram utilizados para treinar a rede e na segunda etapa os vetores de pesos sinápticos foram agrupados utilizando o método do vizinho mais distante. Foram testadas diferentes entradas (E) para as RNA: E1- volume total com casca (V); E2- área basal (B); E3- altura total (Ht); E4- altura dominante (Hd); E5- diâmetro quadrático médio (q); e E6- V, B, Ht, Hd, q e número de árvores por hectare. A seleção da entrada foi realizada por meio da análise discriminante, sendo selecionada a entrada E6 com 83,6% de acerto geral. Os métodos foram comparados em termos de porcentagem de coincidência na alocação dos talhões, área e volume por classe de capacidade produtiva. As classes obtidas pelos métodos da curva-guia e equação das diferenças foram muito semelhantes de acordo com os critérios de comparação adotados. A classificação pelo método da predição dos parâmetros não foi semelhante aos outros métodos. A classificação por meio de rede neural artificial foi eficiente quando comparada aos demais métodos em termos de porcentagem de coincidência na alocação dos talhões, área e estoque volumétrico por classe de capacidade produtiva.

The objective of this work was to evaluate the efficiency of the classification of the productive capacity of eucalyptus forest stands (Eucalyptus ssp.) through artificial neural network (ANN). The data used came from continuous forest inventories conducted in stands of Eucalyptus ssp. located in the state of Minas Gerais. The classification of the productive capacity was accomplished through four methods: guide curve, prediction of the parameters, equation of the differences and artificial neural network. In all methods, a reference age of 72 months was adopted and three productive capacity classes (upper, middle and lower) were obtained. For the methods of the guide curve and equation of the differences was used the linearized Schumacher model and for the method of the prediction of the parameters was used the logistic model. In the classification by ANN was used the self-organizing network Kohonen, which the grouping was performed in two stages. In the first step the data were used to train the network and in the second step the vectors of synaptic weights were grouped using the method of the most distant neighbor. Different entries (E) for RNA were tested: E1- total volume with bark (V); E2- basal area (B); E3- total height (Ht); E4- dominant height (Hd); E5- square mean diameter (q); and E6- V, B, Ht, Hd, q and number of trees per hectare. The selection of the input was performed through the discriminant analysis, and the E6 input was selected with 83.6% of the general hit. The methods were compared in terms of coincidence percentage in the allocation of stands, area and volume by class of productive capacity. The classes obtained by the guide curve methods and equation of the differences were very similar according to the adopted criteria of comparison. Classification by the method of parameter prediction was not similar to the other methods. The classification by artificial neural network was efficient when compared to the other methods in terms of coincidence percentage in the allocation of stands, area and volumetric stock by productive capacity class.