Banca de DEFESA: ALEXANDRE CAMPELO DE CARVALHO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ALEXANDRE CAMPELO DE CARVALHO
DATA : 29/05/2023
HORA: 09:00
LOCAL: Video conferência
TÍTULO:

REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR NA ESTIMATIVA DO VOLUME DE OCO DE TRONCOS NA FLONA DE SARACÁ-TAQUERA, ESTADO DO PARÁ

PALAVRAS-CHAVES:

Mensuração florestal; Exploração Florestal, Árvores em pé, Defeitos em árvores, Inteligência Artificial; Floresta Natural.

 

PÁGINAS: 52
RESUMO:

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. Por outro lado, o cálculo deste volume não é aceito em transações feitas com o governo. 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 obtidos por meio de técnicas de regressão, tal como se faz para os volumes de troncos. Uma alternativa às técnicas de regressão é o uso de modelos baseados em técnicas de aprendizado de máquina, um subcampo da inteligência artificial. Este é um método indireto potencial para encontrar modelos preditivos eficientes para estimativa do volume de ocos em troncos de árvores de florestas tropicais. Neste contexto, a presente pesquisa buscou avaliar a eficiência das redes neurais artificiais frente a modelos de regressão para estimar o volume do oco em troncos de árvores 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. 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 apresentou o menor erro de estimativa (4,9721 %) dentre as redes testadas. Enquanto a equação de regressão M1 apresentou o menor erro da estimativa (2,6004%). 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, pois é difícil determinar com precisão o volume do oco em árvores em pé.

MEMBROS DA BANCA:
Presidente - 142.060.489-91 - JOSE NATALINO MACEDO SILVA - Oxford
Interno - 2411802 - RODRIGO GERONI MENDES NASCIMENTO
Externo à Instituição - EDSON MARCOS LEAL SOARES RAMOS - UFPA
Externa à Instituição - GABRIELA CRISTINA COSTA SILVA - UFPA