Redes neurais artificiais e regressão não linear na estimativa do volume de oco em troncos de árvores na flona de Saracá-Taquera, Estado do Pará.

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.

In tropical forests, among the many challenges for forest measurement is the estimation of hollow volume in tree trunks. In the Brazilian Amazon, in transactions between forestry entrepreneurs, the volumes of this defect are generally discounted using the Francon volume. As the contracts do not provide for the discount of existing holes in the logs, this represents a loss for concessionaire companies in public forests, as they end up paying for a volume above what they actually exploit. Therefore, its estimate in standing trees or logs is important for both the private and public sectors if it is to be adopted in the future, especially in concession contracts where this volume is not discounted yet. Hollow volumes can be estimated using regression techniques, as is done for trunk volumes. An alternative to classical linear regression techniques is the use of machine learning techniques, a subfield of artificial intelligence. This is a potential indirect method to find accurate predictive models for estimating hollow volume in tropical forest tree trunks. In this context, the objective of this research was to evaluate the efficiency of artificial neural networks against regression models to estimate the hollow volume in standing and felled tree trunks in a natural forest in the-Amazon region, specifically in the National Forest of Saracá Taquera. The following variables were measured in 213 sample trunks, namely: length of the log, diameters at the base and top of the log, diameters at the base and top of the hollow, length of the hollow, DBHT welve artificial neural networks (ANN) were trained to estimate the hollow volumes through machine learning were trained and six non-linear regression models were adjusted. Each network had from 2 to 16 neurons in the input layer and the number of intermediate layers depended for each neural network. For predictive modeling purposes, the original dataset (n = 213) was divided into training data (70%) and test data (30%), using the Leave-One-Out Cross Validation (LOOCV) method to evaluate the performance of the models during the learning process. ANNs of the Multilayer Perceptron (MLP) type were used, with a Resilient Propagation algorithm for weight learning, and a linear activation function. Stopping criteria were established based on mean error and number of cycles (1% error and 30,000 cycles). Regression models were fitted using the Levenberg-Marquardt algorithm. It was observed that the neural network R9, which used the input variables, diameter of the base and top of the hollow and length of the hollow, presented the lowest estimation error (4.97%) among the networks tested. While the regression equation of the Schumacher-Hall model for M1 that used the variables of the average of the hollow diameter ((D_0 ) ̅), and hollow length (Co) presented the smallest estimation error (2.60%) . It is concluded that the R9 network with the input variables hollow length, diameter of the base and top of the hollow was able to accurately describe and estimate the hollow volume of logs from Flona de Saracá - Taquera. However, non-linear regression modeling was even more accurate, using mean hollow diameter and hollow length as independent variables. Both methods were especially useful for estimating hollow volume the felled logs, which were reconstituted to verify both the estimated hollow volume in standing trees and in logs from felled trees.