Estimativa da densidade da madeira uso de dados dendrométricos e edafoclimáticos em redes neurais artificiais
DOI:
https://doi.org/10.5965/223811712242023685Palavras-chave:
inteligência artificial, modelagem, qualidade da madeiraResumo
A mensuração florestal visa à produção volumétrica de madeira; entretanto, para o setor de processamento de celulose, o principal interesse é a produtividade em biomassa e, para conhecer essa variável, é necessário determinar previamente a densidade básica da madeira (DBM). As redes neurais artificiais (RNA) têm sido usadas no setor florestal com bastante sucesso para descrever a dinâmica das características da floresta. Nesse contexto, o objetivo deste estudo foi avaliar a precisão das estimativas da densidade básica da madeira por meio de RNAs com variáveis de entrada de inventário florestal contínuo (IFC) e edafoclimáticas. O banco de dados consistiu em 3.797 dados, provenientes de parcelas permanentes do IFC conduzido em povoamentos de Eucalyptus e dados edafoclimáticos dos locais de plantio. As cinco melhores RNAs foram selecionadas e a análise das estimativas foi realizada por meio da correlação entre o DBM estimado e o observado, da raiz quadrada do erro quadrático médio percentual (RMSE%) e de informações gráficas. Observou-se que tanto o IFC quanto as informações edafoclimáticas e a combinação de ambos são potenciais e apresentam resultados semelhantes para a estimativa da densidade básica da madeira, e os erros associados às estimativas estão entre 3,9% e 3,5%, sendo que as RNAs baseadas apenas nas informações do IFC apresentaram maior RMSE. O uso de RNAs é viável para estimar a DBM e permite excelentes estatísticas de precisão.
Downloads
Referências
ALCÂNTARA AEM. 2015. Redes Neurais Artificiais para prognose do crescimento e da produção de povoamento de eucalipto em Minas Gerais. Tese (Doutorado em Ciência Florestal). Viçosa: UFV. 58p.
ALMEIDA MNF et al. 2020. Heartwood variation of Eucalyptus urophylla is influenced by climatic conditions. Forest Ecology and Management 458: 117743.
ASSIS TF. 2014. Melhoramento genético de Eucalyptus: desafios e perspectivas. In: Encontro Brasileiro de Silvicultura. Anais… Curitiba: Malinovski. p.307.
BARBOSA TL et al. 2019. Influence of site in the wood quality of Eucalyptus in plantations in Brazil. Southern Forests: a journal of Forest Science 81: 247-253.
BINOTI DHB. 2010. Estratégias de regulação de florestas equiâneas com vistas ao manejo da paisagem. Dissertação (Mestrado em Ciência Florestal). Viçosa: UFV. 145p.
BINOTI DHB. 2013. Neuroforest. Web site. Available: https://neuroforest.ucoz.com/. Access in: 20 jan. 2021
BINOTI MLMS et al. 2014. Redes neurais artificiais para estimação do volume de árvores. Revista Árvore 38: 283-288.
BOA AC. 2018. Modelagem da densidade básica da madeira de eucalipto utilizando redes neurais artificiais. Tese (Doutorado em Ciência Florestal). Viçosa: UFV. 88p.
BRITO AS et al. 2020. Influência da idade nas propriedades da madeira de eucalipto. In: VIDAURRE GB et al. (Ed.). Qualidade da madeira de eucalipto proveniente de plantações no Brasil. Vitória: EdUfes. p.103-131.
BURKHART HE & TOMÉ M. 2012. Modeling forest trees and stands. Netherlands: Springer.
CAMPOS JCC & LEITE HG. 2013. Mensuração florestal: perguntas e respostas. Viçosa: Editora UFV.
CORDEIRO MA et al. 2015. Estimativa do volume de Acacia mangium utilizando técnicas de redes neurais artificiais e máquinas vetor de suporte. Pesquisa Florestal Brasileira 35: 255-261.
COSTA SEL et al. 2020. The effects of contrasting environments on the basic density and mean annual increment of wood from Eucalyptus clones. Forest Ecology and Management 458: 461-470.
ELLI EF et al. 2019. Assessing the growth gaps of Eucalyptus plantations in Brazil – Magnitudes, causes and possible mitigation strategies. Forest Ecology and Management 451: 312 – 325.
ELLI EF et al. 2020. Gauging the effects of climate variability on Eucalyptus plantations productivity across Brazil: A process-based modelling approach. Ecological Indicators 114: 106325.
FERNÁNDEZ ME et al. 2019. New insights into wood anatomy and function relationships: how Eucalyptus challenges what we already know. Forest Ecology and Management 454: 117638.
GALLO R et al. 2018. Growth and wood quality traits in the genetic selection of potential Eucalyptus dunnii Maiden clones for pulp production. Industrial Crops and Products 123: 434–441.
GORGENS EB et al. 2009. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore 33: 1141-1147.
HAYKIN S. 2001. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman.
IBÁ. 2020. Indústria Brasileira de Árvores. Relatório IBÁ 2020 [cited 2021 February 10]. Available from: https://iba.org/datafiles/publicacoes/relatorios/relatorio-iba-2020.pdf. Access in: 15 nov. 2022
KNAPIC S et al. 2007. Radial variation of wood density components and ring width in cork oak trees. Annals of Forest Science 64: 211-218.
LEITE HG et al. 2016. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis 44: 149-154.
LEITE HG et al. 2011. Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research 130: 263-269.
LOPES IL. 2018. Avaliação e seleção de variáveis preditoras na estimativa da densidade da madeira de eucalipto. Dissertação (Mestrado em Ciências Florestais). Jerônimo Monteiro: UFES. 73p.
MARTINS APM et al. 2017. Estimativa do afilamento do fuste de araucária utilizando técnicas de inteligência artificial. Floresta e Ambiente 24: 234.
MEHTÄTALO L et al. 2006. The use of quantile trees in the prediction of the diameter distribution of a stand. Silva Fennica 40: 501-516.
RIBEIRO MDSB. 2018. Densidade básica da madeira de plantios florestais de Eucalyptus spp.: associações com variáveis do sítio e do plantio e estimativas com redes neurais artificiais. Tese (Doutorado em Agronomia). Botucatu: UNESP. 112p.
ROCHA SMG et al. 2020. Influence of climatic variations on production. biomass and density of wood in eucalyptus clones of different species. Forest Ecology and Management 473: 118290.
SCHIKOWSKI AB et al. 2015. Estudo da forma do fuste utilizando redes neurais artificiais e funções de afilamento. Pesquisa Florestal Brasileira 35: 119-127.
SETTE Jr CR et al. 2016. Relationship between climate variables, trunk growth rate and wood density of Eucalyptus grandis W. Mill ex Maiden trees. Rev. Árvore 40: 337-346.
SILVA JPM et al. 2018. Redes neurais artificiais para estimar a densidade básica de madeiras do cerrado. Pesquisa Florestal Brasileira 38: 1 – 10.
SILVA JPM et al. 2019. Estimation of the basic wood density of native species using mixed linear models. Pesquisa Floresta e Ambiente 26: 1 – 10.
SILVA MLM et al. 2009. Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto. Revista Árvore 33: 1133-1139.
TAN B et al. 2018. Genomic relationships reveal significant dominance effects for growth in hybrid Eucalyptus. Plant Science 267: 84-93.
TSOUMIS G. 1991. Science and technology of wood: structure, properties, utilization. New York: Van Nostrand Reinhold.
VIDAURRE GB et al. 2020. Qualidade da madeira de eucalipto proveniente de plantações no Brasil. Vitória: EdUfes.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Autores e Revista de Ciências Agroveterinárias
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os autores que publicam nesta revista estão de acordo com os seguintes termos:
a) Os autores mantêm os direitos autorais e concedem à revista os direitos autorais da primeira publicação, de acordo com a Creative Commons Attribution Licence. Todo o conteúdo do periódico, exceto onde está identificado, está licenciado sob uma Licença Creative Commons do tipo atribuição BY.
b) Autores têm autoridade para assumir contratos adicionais com o conteúdo do manuscrito.
c) Os autores podem fornecer e distribuir o manuscrito publicado por esta revista.
