Configuration of artificial neural network for prognosis the production of eucalyptus clonal stands | Configuração de redes neurais artificiais para prognose da produção de povoamentos clonais de eucalipto

Inglés. The objective of this study was to define appropriate configurations of Artificial Neural Networks (ANN) for prognosis of forest production of eucalyptus plantations at the stand level. Data were obtained from continuous forest inventory and were evaluated different settings of ANN for the number of neurons in the hidden layer activation function, number of cycles and learning algorithms with their parameters. The training of network was held at Neuroforest system. The evaluation of the estimates was performed using the correlation coefficient between observed and estimated values, the root mean square error (RMSE%) and graphical analysis of waste. Satisfactory results are obtained with simple configurations of ANN containing only 03 neurons in the hidden layer. All activation functions tested (hyperbolic tangent, sigmoid, identity, log, linear, sine) may be used. The training of RNA may be made with 500 cycles. The algorithms Resilient Propagation, Scaled Conjugate Gradient and Quick Propagation are efficient for the modeling of forest prognosis. The prognosis of production of eucalyptus clonal stands may be modeled using several ANN configurations.

Portugués. O objetivo deste estudo foi definir configurações adequadas de Redes Neurais Artificiais (RNA) para prognose da produção florestal de plantios de eucalipto em nível de povoamento. Os dados foram obtidos a partir de inventários florestais contínuos e foram avaliadas diferentes configurações de RNA referentes ao número de neurônios na camada oculta, funções de ativação, número de ciclos e algoritmos de aprendizagem com os seus parâmetros. O treinamento das redes foi realizado no sistema Neuroforest. A avaliação das estimativas foi realizada por meio do coeficiente de correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RMSE%), e análise gráfica de resíduos. Obteve-se resultados satisfatórios com configurações simples de RNA, contendo apenas 03 neurônios na camada oculta. Todas as funções de ativação testadas (tangente hiperbólica, sigmoidal, identidade, log, linear e seno) podem ser utilizadas. O treinamento das RNA pode ser feito com 500 ciclos. Os algoritmos Resilient Propagation, Scaled Conjugate Gradiente, Quick Propagation são eficientes para fins de prognose florestal. A prognose da produção de povoamentos clonais de eucalipto pode ser modelada por meio de diversas configurações de RNA.