Nas florestas tropicais, entre os diversos desafios para a mensuração florestal está a estimativa do volume de oco nos troncos de árvores. Na Amazônia brasileira, nas transações feitas entre empresários florestais, os volumes deste defeito geralmente são descontados com a aplicação do volume Francon. Como os contratos não preveem o desconto de ocos existentes nas toras, isso representa um prejuízo para as empresas concessionárias em florestas públicas, pois acabam pagando por um volume acima do que realmente exploram. Portanto, sua estimativa em árvores em pé ou toras é importante tanto para o setor privado como para o público caso venha a ser adotado no futuro, em especial nos contratos de concessão onde este volume ainda não é descontado. Volumes de ocos podem ser estimados por meio de técnicas de regressão, tal como se faz para os volumes de troncos. Uma alternativa às técnicas de regressão linear clássica é o uso de técnicas de aprendizado de máquina, um subcampo da inteligência artificial. Este é um método indireto potencial para encontrar modelos preditivos acurados para a estimativa do volume de ocos em troncos de árvores de florestas tropicais. Neste contexto, o objetivo desta pesquisa foi avaliar a eficiência das redes neurais artificiais frente aos modelos de regressão para estimar o volume do oco em troncos de árvores em pé e derrubadas em uma floresta natural da região amazônica, especificamente na Floresta Nacional de Saracá Taquera. Foram mensuradas as seguintes variáveis em 213 troncos-amostra, a saber: comprimento da tora, diâmetros da base e do topo da tora, diâmetros da base e do topo do oco, comprimento do oco, DAP e altura do fuste. Para estimar os volumes dos ocos por meio do aprendizado de máquina, foram treinadas doze redes neurais artificiais (RNA) e ajustados seis modelos de regressão não linear. Cada rede teve de 2 a 16 neurônios na camada de entrada e o número de camadas intermediárias dependeu para cada rede neural. Para fins de modelagem preditiva, o conjunto de dados original (n = 213) foi dividido em dados de treinamento (70%) e dados de teste (30%), com uso do método Leave-One-Out Cross Validation (LOOCV) para avaliar o desempenho dos modelos durante o processo de aprendizado. Utilizou-se RNAs do tipo Multilayer Perceptron (MLP), com algoritmo Resilient Propagation para aprendizado dos pesos, e função de ativação linear. Os critérios de parada foram estabelecidos com base no erro médio e número de ciclos (erro de 1% e 30.000 ciclos). Os modelos de regressão foram ajustados utilizando o algoritmo de Levenberg-Marquardt. Observou-se que a rede neural R9, que utilizou as variáveis de entrada, diâmetro da base e do topo do oco e comprimento do oco, apresentou o menor erro de estimativa (4,97 %) dentre as redes testadas. Enquanto a equação de regressão do modelo de Schumacher-Hall para M1 que utilizou as variáveis da média do diâmetro do oco ((D_0 ) ̅), e comprimento do oco (Co) apresentou o menor erro da estimativa (2,60%). Conclui-se que a rede R9 com as variáveis de entrada comprimento do oco, diâmetro da base e do topo do oco foi capaz de descrever e estimar com precisão o volume do oco das toras da Flona de Saracá - Taquera. No entanto, a modelagem por regressão não linear foi ainda mais precisa, utilizando o diâmetro médio do oco e o comprimento do oco como variáveis independentes. Ambos os métodos foram especialmente úteis para estimar o volume do oco em toras derrubadas, que foram reconstituídas para verificar tanto a estimativa do volume do oco em árvores em pé quanto em toras de árvores derrubadas.
|
