Aprendizado de máquina para modelagem do crescimento e produção em povoamentos de Eucalyptus spp | Machine learning for modeling growth and production in Eucalyptus spp Stands

The forestry sector, especially that of planted forests, is one of the most crucial pillars of Brazilian agribusiness. Brazilian planted forests stand out for their high productivity. In the planning of timber production, it is essential to have the ability to estimate production both in the present and, particularly, in the future. Studies in the field of biometrics have developed important approaches and models that accurately estimate production, especially based on linear and non-linear regression techniques. Currently, machine learning algorithms have been tested, and the results have proven to be very promising. Thus, this study aimed to evaluate machine learning algorithms for estimating present and future production in eucalyptus plantations. The following machine learning algorithms were assessed: Artificial Neural Networks (ANN), Random Forest (RF), Support Vector Machine (SVM), and K-Nearest Neighbors (KNN). These methods were compared to the Clutter model, a system of linear equations traditionally used by the forestry industry for production prognosis. The models were fitted in four forest analyses, measured in 1280 permanent plots between 2013 and 2019 in the state of Minas Gerais. Machine learning models were adjusted using field biometric data and derivatives of remote sensing, such as vegetation indices. In general, machine learning models had lower estimation errors than the Clutter model, with SVM standing out. Additionally, the use of vegetation indices in the SVM model improved the accuracy of current production estimates. The use of traditional variables together with forest inventory registration variables in the SVM model enhanced the accuracy of future production estimates. Thus, the analyses demonstrated that machine learning models are good production estimators when associated with field biometric data and remote sensing derivatives.

Dissertação (Mestrado)

O setor florestal, especialmente o de florestas plantadas, é um dos mais importantes pilares do agronegócio brasileiro. As florestas plantadas brasileiras se destacam pela sua alta produtividade. No planejamento da produção madeireira, é imprescindível a capacidade de se estimar a produção, tanto no presente quanto, e sobretudo, no futuro. Estudos no ramo da biometria desenvolveram importantes abordagens e modelos que estimam de forma acurada a produção, os quais são baseados em técnicas de regressão linear e não linear. Atualmente, algoritmos de aprendizado de máquinas têm sido testados e os resultados obtidos se mostram muito promissores. Dessa forma, o presente trabalho teve como objetivo avaliar algoritmos de aprendizado de máquina para estimar a produção presente e futura de plantios de eucalipto. Foram avaliados os seguintes algoritmos de aprendizado de máquina: Redes Neurais Artificiais (ANN), Floresta aleatória (RF), Máquina de Vetor de Suporte (SVM), e K-Vizinhos mais Próximos (KNN). Esses métodos foram comparados ao modelo de Clutter, um sistema de equações lineares tradicionalmente empregado pela indústria florestal na prognose da produção. Os modelos foram ajustados em quatro análises florestais, medidas em 1.280 parcelas permanentes entre os anos de 2013 e 2019, no estado de Minas Gerais. Os modelos de aprendizado de máquina foram ajustados usando dados biométricos de campo e derivadas de sensoriamento remoto, como os índices de vegetação. Em geral, os modelos de aprendizagem de máquina tiveram erros de estimativa menores que os do modelo de Clutter, destacando-se o método SVM. Além disso, o uso de índices de vegetação no modelo SVM melhorou a acurácia das estimativas de produção corrente. O uso de variáveis tradicionais em conjunto com as de cadastro do inventário florestal no modelo SVM melhorou a acurácia das estimativas de produção futura. Dessa forma, as análises mostraram que os modelos de aprendizado de máquina são bons estimadores de produção quando associados a dados biométricos de campo e derivados de sensoriamento remoto.