Configuração de redes neurais artificiais para estimação da altura total de árvores de eucalipto

Autores

  • Emília dos Reis Martins Universidade Federal dos Vales do Jequitinhonha e Mucuri
  • Mayra Luiza Marques da Silva Binoti Universidade Federal do Espírito Santo
  • Hélio Garcia Leite Universidade Federal de Viçosa
  • Daniel Henrique Breda Binoti Universidade Federal do Espírito Santo
  • Gleyce Campos Dutra Universidade Federal dos Vales do Jequitinhonha e Mucuri

DOI:

https://doi.org/10.5039/agraria.v11i2a5373

Palavras-chave:

inteligência artificial, neuroforest, relações hipsométricas

Resumo

O objetivo do presente trabalho foi definir configurações adequadas de Redes Neurais Artificiais (RNA) para a obtenção da altura total de árvores de eucalipto. Os dados utilizados foram provenientes de inventários florestais contínuos em povoamentos com idades entre 21 a 137 meses, localizados no sul da Bahia. As configurações de RNA testadas variaram em relação ao número de neurônios na camada oculta, função de ativação, número de ciclos e algoritmos de aprendizagem com seus parâmetros. Os testes foram realizados no sistema Neuroforest e as estimativas foram avaliadas pelo coeficiente de correlação, raiz quadrada do erro quadrático médio (RMSE%) e análise gráfica de resíduos. A estimação da altura de árvores pode ser feita por meio de diversas configurações de RNA, utilizando os algoritmos de aprendizagem Resilient Propagation, Quick Propagation e Scaled Conjugate Gradient, com o número de neurônios ocultos variando entre 03 e 08 para o algoritmo Quick Propagation e 13 e 20 para o algoritmo Scaled Conjugate Gradient. As funções de ativação tangente hiperbólica, sigmóide, log e seno são apropriadas para as camadas ocultas e de saída, e as funções linear e identidade se mostraram apropriadas apenas para a camada de saída. Dois mil ciclos são suficientes para o treinamento das RNA.

Downloads

Publicado

2016-06-30

Edição

Seção

Ciências Florestais