Artigo bioterra v15_n1_06

527 visualizações

Publicada em

Artigo bioterra v15_n1_06

Publicada em: Ciências
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
527
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
23
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Artigo bioterra v15_n1_06

  1. 1. REVISTA DE BIOLOGIA E CIÊNCIAS DA TERRA ISSN 1519-5228 48 Volume 15 - Número 1 - 1º Semestre 2015 APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA QUANTIFICAÇÃO VOLUMÉTRICA DE ÁRVORES DE EUCALIPTO NO ESTADO DO AMAPÁ Marcio Assis Cordeiro1; André Ricardo dos Santos Pereira2; Daniel Henrique Breda Binoti3; Mayra Luiza Marques da Silva Binoti4; Hélio Garcia Leite5 RESUMO Objetivou-se nesse trabalho treinar, aplicar e validar Redes Neurais Artificiais (RNA) para quantificação do volume de árvores de eucalipto e redução de custos pelo emprego de RNA em substituição às equações volumétricas. Os dados foram provenientes de povoamentos de clones de eucalipto equiâneos localizados no norte do estado do Amapá, totalizando 2.642,43ha. Foi utilizando o sistema NeuroForest na versão Start. Três metodologias foram testadas para a definição da melhor estratégia de aplicação de RNA: a) utilizando todas as árvores disponíveis no banco de dados de cubagem; b) utilizando somente 20% dessas árvoresaleatoriamente, independente do clone; e c) utilizando 20% das árvores de cada clone.As variáveis de entrada foram omaterial genético predominante, o diâmetro a 1,3 m de altura e altura total das árvores. Para fins comparativos, realizou-se o processamento volumétrico tradicional utilizando o modelo de Schumacher e Hall com estratificação por material genético.Cada resultadosfoi avaliado pela analise gráfica dos resíduos e pelo coeficiente de correlação entre volumes observados e estimados. Ambas as metodologias (RNA e análise de regressão) apresentaram valores de coeficiente de correlação superiores a 0.97, para volumes com e sem casca. Foi comprovada a eficiência das RNA para as três metodologias testadas. Palavras-chave: Schumacher e Hall, Redes Neurais Artificiais, Eucalipto. APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE VOLUMETRIC QUANTIFICATION OF EUCALYPTUSTREES Abstract - The objective of this work to train , validate and apply Artificial Neural Networks (ANN) to quantify the volume of eucalyptus and cost reduction by employing RNA volumetric equations to replace the trees . Data were collected from stands of eucalyptus clones equiâneos located in the northern state of Amapá, totaling 2642.43 ha. Neuro Forest was using the system in the Start version. Three methods were tested to define the best strategy for the implementation of RNA : a) using all available trees in the database cubing b ) using only 20 % of these trees randomly , regardless of the clone , and c ) using 20 % of the trees of each clone. The input variables were the predominant genetic material, diameter at 1.3 m height and total tree height. For comparative purposes, we performed the traditional volumetric processing using the model of Schumacher and Hall stratified by genetic material. Each result was evaluated by graphical analysis of the waste and the correlation coefficient between observed and estimated volumes. Both methods (ANN and regression analysis) showed values higher correlation coefficient to 0.97, for volumes with and without bark. The efficiency of RNA for the three tested was proven methodologies. Keywords: Schumacher and Hall, Neuro Forest, Eucalyptus.
  2. 2. 49 INTRODUÇÃO Muitos métodos são utilizados para quantificar o volume de madeira atual e futuro em povoamentos florestais, dentre estes, o emprego da análise de regressão com variáveis como o diâmetro, altura e idade das árvores, considerando características do plantio como espaçamento, espécie ou clone e capacidade produtiva para fins de estratificação (HIGUCHI, 2008; CAMPOS &LEITE, 2009).Por muitos anos, a quantificação dos recursos florestais esteve baseada em modelos regressão. No entanto, alguns processos de tomada de decisão contêm componentes qualitativos que dificilmente poderiam ser integrados nesses modelos. Na tentativa de contornar este inconveniente, os ajustamentos de modelos de regressão sempre foram ajustados após uma prévia estratificação das bases de dados. Apesar de existirem diversos modelos estatísticos para a quantificação do volume de madeira de árvores individuais, destaca-se o uso mais amplo de alguns como de Schumacher e Hall e o de Spurr, sendo o primeiro de uso mais frequente, devido às suas propriedades estatísticas, uma vez que resulta quase sempre em estimativas não-tendenciosas, e facilidade de ajuste (CAMPOS &LEITE, 2013). Mais recentemente, tem sido reportado o emprego de ferramentas de inteligência artificial para estimação do volume e, também, para estimação da altura de árvores e para modelagem do crescimento e da produção (BINOTI et al., 2009; LEITE et al., 2010 e BINOTI et al.,2012) Redes Neurais Artificiais são aproximações grosseiras das redes e neurônios encontrados no sistema nervoso central. Do ponto de vista prático, consiste em um sistema computacional paralelo (camadas) constituído de várias unidades de processamento simples, denominadas neurônios ou nodos, conectadas entre si (BULLINARIA 2010). Os estudos na área de aplicabilidade das RNA nomanejo de recursos florestais se justificam por diversas propriedades úteis e capacidades como:adaptabilidade (uma rede treinada pode operar num ambiente específico pode ser retreinada para lidar com modificações) e, atuando em ambiente não estacionário, uma rede pode ser projetada para não modificar seus pesos em tempo real, tolerância e falha de ruídos, aprendizagem e generalização a partir de dados de treinamentos, paralelismo maciço que as tornam muito eficientes,uniformidade de analise, projeto e analogia neurobiológica (BRAGA et al.,2000; HAYKIN,2001; BULLINARIA,2009).Os problemas tratáveis através das RNA enquadram-se nas tarefas de aprendizagem: aproximação de função, classificação de padrões, agrupamento de dados, predição (séries temporais) otimização, recuperação de conteúdo e controle (HAYKIN,2001). BINOTI (2012) demonstrou os problemas de aproximação de função direcionada para estimação de estoques volumétricos de plantios florestais equiâneos, segundo essa mesma autora, a aproximação de função consiste em projetar uma rede neural que aproxime a função desconhecida f(x) e que descreva os mapeamentos de entrada e saída {(x1,y1),(x2,y2),...,(xn, yn)}de um conjunto de n padrões de treinamento. A decidir pelo emprego de RNA é preciso encontrar uma configuração adequada a cada problema e, também, a melhor alternativa de aplicação. Assim, em função da potencialidade de aplicação das RNA, objetivou-se nesse estudo avaliar alternativas de uso dessa ferramenta de inteligência artificial para a quantificação do volume de árvores de clones de eucalipto, bem como avaliar a redução de custos obtida com essa ferramenta. MATERIAIS E MÉTODOS 2.1 Dados Os dados utilizados foram obtidos de um banco de dados de cubagem com 339 árvores pertencentes a empresa Amapá Florestal e Celulose - AMCEL. Em cada árvore,de cada clone, foram medidos o diâmetro a 1,3 m de altura (dap), a altura total e os diâmetros, com e sem casca, nas posições 0 m; 0,5 m; 1,0 m; 2,0 m; 4,0 m; 6,0 m e
  3. 3. 50 assimpor diante, até a altura onde se encontrava um diâmetro mínimo comercial de 4,0 cm. As árvores cubadas apresentaram dap variando de 4,0 a 25,6cm e altura total (Ht) de 6,5m a 29m. Essas árvores estavam distribuídas em 10 tipos de material genéticos (clones). Para ajuste dos modelos volumétricos esta base de dados foi previamente consistida, sendo eliminados dados discrepantes e outliers. Para emprego de RNA nenhuma observação discrepante foi eliminada da base de dados. 2.2 Redes Neurais Artificiais O treinamento das RNA’s foi feito visando obter redes neurais para a estimação dos volumes com e sem casca (vcc e vsc). Três metodologias foram utilizadas para a definição da melhor estratégia sobre a aplicação de RNA para quantificação volumétrica dos povoamentos sendo: 1) utilização de todas as árvores cubadas disponíveis para atual geração das equações volumétricas; 2) utilização 20% das árvores escolhidas aleatoriamente, independente do clone; e 3) utilização 20% das árvores, escolhidas aleatoriamente para cada clone. Em ambas as metodologias utilizaram-se como variáveis de entrada o clone, o dap e a altura Ht.As RNA’s foram obtidas utilizando-se o sistema NeuroForest na versão Start (http://neuroforest.ucoz.com/). Seguindo recomendações de BINOTI, 2012, como parâmetros para a construção das RNAs utilizou-se 3 neurônios na camada oculta, com o algoritmo de treinamento resilient back propagation, sendo cada RNA treinada com 1000 ciclos. Para fins comparativos, realizou-se o processamento volumétrico tradicional utilizando o modelo de Schumacher e Hall com estratificação por material genético. As estimativas de volume comercial com e sem casca das árvores foram avaliadas com base na correlação, nos gráficos de erros percentuais em função dos valores observados e em histograma de distribuição dos resíduos. RESULTADOS E DISCUSSÃO Na tabela 1 são apresentados os coeficientes de correlação entre valores observados e estimados para volumes com e sem casca obtidos pela aplicação de todas as metodologias testadas. Nas Figuras 1, 2 e 3 são apresentadas as dispersões dos erros percentuais dos três clones mais significativos para as metodologias 1, 2 e 3 respectivamente, os resultados obtidos pela aplicação da modelagem tradicional são apresentadosna Figura 4.
  4. 4. 51 Tabela 1: Coeficientes de correlação entre valores estimados e observados pelo método tradicional e pelas metodologias testadas. Metodologia Material Genético VTCC VTSC Metodologia Material Genético VTCC VTSC Tradicional H77 0,9994 0,9994 2 H77 0,9839 0,9885 H68 0,9995 0,9995 H68 0,9899 0,9826 H58 0,9993 0,9993 H58 0,9843 0,9639 H49 0,9995 0,9995 H49 0,9905 0,9873 H3289 0,9995 0,9995 H3289 0,9869 0,9919 H3243 0,9997 0,9997 H3243 0,9695 0,9898 H13 0,9996 0,9996 H13 0,9907 0,9900 U3074 0,9982 0,9982 U3074 0,8691 0,8041 H3628 0,9966 0,9979 H3628 0,9952 0,9952 U1095 0,9978 0,9990 U1095 0,9920 0,9747 H3250 0,9988 0,9988 H3250 0,9863 0,9260 H3955 0,9995 0,9995 H3955 0,9950 0,9937 H3912 0,9992 0,9992 H3912 0,9022 0,9654 H3699 0,9995 0,9995 H3699 0,9925 0,9882 H1115 0,9992 0,9992 H1115 0,9890 0,9661 H3917 0,9993 0,9993 H3917 0,9923 0,8959 U3244 0,9965 0,9978 U3244 0,9702 0,9930 U3237 0,9995 0,9995 U3237 0,9897 0,9863 H3911 0,9991 0,9992 H3911 0,9549 0,9655 Todos 0,9925 0,9928 Todos 0,9838 0,9869 1 H77 0,9959 0,9959 3 H77 0,9856 0,9715 H68 0,9968 0,9876 H68 0,9947 0,9899 H58 0,9912 0,9763 H58 0,9903 0,9877 H49 0,9966 0,9846 H49 0,9942 0,9870 H3289 0,9936 0,9924 H3289 0,9926 0,9992 H3243 0,9944 0,9944 H3243 0,9951 0,9981
  5. 5. 52 Metodologia Material Genético VTCC VTSC Metodologia Material Genético VTCC VTSC H13 0,9938 0,9902 H13 0,9904 0,9970 U3074 0,9959 0,9170 U3074 0,9484 0,9224 H3628 0,9954 0,9935 H3628 0,9897 0,9945 U1095 0,9961 0,9707 U1095 0,9885 0,9776 H3250 0,9911 0,9596 H3250 0,9584 0,9721 H3955 0,9957 0,9950 H3955 0,9958 0,9973 H3912 0,9948 0,9785 H3912 0,9027 0,9848 H3699 0,9950 0,9912 H3699 0,9936 0,9956 H1115 0,9965 0,9649 H1115 0,9546 0,9674 H3917 0,9940 0,9793 H3917 0,9779 0,9854 U3244 0,9948 0,9832 U3244 0,9633 0,9870 U3237 0,9929 0,9916 U3237 0,9918 0,9964 H3911 0,9868 0,9612 H3911 0,9645 0,9933 Todos 0,9957 0,9948 Todos 0,9848 0,9727
  6. 6. 53 Material Genético VTCC VTSC H3911 H3289 H13 Figura 1: Frequência percentual dos erros percentuais (y) em função das classes de erros percentuais (x) para a metodologia 1.
  7. 7. 54 Material Genético VTCC VTSC H3911 H3289 H13 Figura 2: Frequência percentual dos erros percentuais (y) em função das classes de erros percentuais (x) para a metodologia 2.
  8. 8. 55 Material Genético VTCC VTSC H3911 H3289 H13 Figura 3: Frequência percentual dos erros percentuais (y) em função das classes de erros percentuais (x) para a metodologia 3.
  9. 9. 56 Material Genético VTCC VTSC H3911 H3289 H13 Figura 4: Frequência percentual dos erros percentuais (y) em função das classes de erros percentuais (x) para a metodologia tradicional.
  10. 10. 57 Este estudo permitiu demonstrar outra maneira de estimar volumes em povoamentos de eucalipto diferente da usual que é amplamente difundida no setor florestal, onde equações volumétricas são ajustadas após prévia estratificação da base de dados. A metodologia 3 apresentou vantagem em relação às demais metodologias testadas para aplicação das RNA, pois resultou em uma precisão similar à modelagem tradicional (Tabela 1 e Figura 3 e 4) e utiliza somente 20% das árvores amostras.Nesta abordagem foi observado um erro de 2,5%, em relação ao volume observado, em mais de 80% das vezes, demonstrando a eficiência das RNA na estimação do volume das árvores dos diferentes materiais genéticos. Considerando um custo de R$ 46,00 por árvore abatida e que o número de árvores para a geração de uma equação volumétrica é de 100 a 150 árvores (Campos e Leite, 2009), o custo para a obtenção de uma equação seria superior a R$ 4600,00 reais, o emprego da metodologia 3 indica a possibilidade de reduzir o custo comestimação do volume no inventário florestal para cerca de R$ 920,00, ou seja, uma redução de 80 %. CONCLUSÕES Com base nos resultados pode ser concluído que o emprego de redes neurais em substituição às equações volumétricas é eficiente e resulta na redução significativa no custo do inventário florestal. Apenas 20% das árvores cubadas para ajuste de modelos volumétricos são suficientes para estimar o volume das árvores pelo emprego de RNA. AGRADECIMENTOS Os autores agradecem a AMCEL – Amapá Florestal e Celulose S.A. pelo apoio concedido na realização desse trabalho. REFERÊNCIAS BIBLIOGRÁFICAS BINOTI, M.L.M.DA.S. Emprego de redes neurais em mensuração e manejo florestal. 130f. Tese (Doutorado em Ciências Florestais)– Universidade Federal de Viçosa – Viçosa,2012. BINOTI,D.H.B. Modelagem da Distribuição Diamétrica em povoamentos de Eucalipto submetido a desbaste utilizando Autômatos Celulares. Revista Árvore, v.36, n.5, p.931-939, 2012. BRAGA, AP.;LUDERMIR,T.B.;CARVALHO,A.P.L.F. Redes Neurais Artificiais: teoria e aplicações. Rio de Janeiro, 2000. BULLINARIA, J.A. Introduction to neural computation. Notas de aula. 2008. Disponível em: http://www.cs.bham.ac.uk/~jxb/inc.html. Acesso em 28 de abr. de 2013. CAMPOS, J. C. C.; LEITE, H. G. Mensuração florestal: perguntas e respostas. 4.ed. Viçosa, MG: Ed.UFV, 2013.605p. HAYKIN, S. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman, 2001. 900p. HIGUCHI, N.; SANTOS, J.; LIMA, A. J. N. 2008. Biometria Florestal. Apostila Laboratório de Manejo Florestal – LMF, Coordenação de Pesquisas em Silvicultura Tropical, Instituto Nacional de Pesquisas da Amazônia - INPA. Manaus, Amazonas. 141p. LEITE, H. G.; ANDRADE, V. C. L. Um método para condução de inventários florestais sem o uso de equações volumétricas. Revista Árvore, v.26, n.3, p.321-328, 2002. ______________________________________ 1-Marcio Assis Cordeiro Amapá Florestal e Celulose, Departamento Florestal. E-mail: marcio.engflorestal@gmail.com 2-André Ricardo dos Santos Pereira Universidade Estadual do Amapá, Departamento de Engenharia Florestal. E-mail: andrericardoflorestal@hotmail.com
  11. 11. 58 3-Daniel Henrique Breda Binoti Pós-doutorado em ciência florestal. Bolsista CNPq. Universidade Federal de Viçosa, Departamento de Engenharia florestal. E-mail: danielhbbinoti@gmail.com 4-Mayra Luiza Marques da Silva Binoti Universidade Federal dos Vales do Jequitinhonha e Mucuri, Departamento de Engenharia Florestal. E-mail: mayrabinoti@gmail.com 5-Hélio Garcia Leite Universidade Federal de Viçosa, Departamento de Engenharia florestal. E-mail: hgleite@gmail.com

×