ESTIMAÇÃO DA ALTURA DE PLANTIOS FLORESTAIS DE EUCALIPTO POR REGRESSÃO E REDES NEURAIS ARTIFICIAIS

Resumo

A modelagem estatística na predição de alturas de árvores em florestas plantadas é uma forma de reduzir o tempo e custo do levantamento de dados do inventário florestal. Nesse sentido, o presente estudo teve como objetivo estimar a altura de árvores de Eucalyptus grandis W. Hill através de modelos de regressão (MR) e redes neurais artificiais (RNA). Para isso, foram utilizados 713 pares de dados de altura e diâmetro de árvores individuais medidas no inventário florestal, sendo que 70% dos dados foram utilizados para o ajuste dos modelos de regressão e treino das RNA e 30% utilizados para validação das técnicas. Foram ajustados cinco modelos hipsométricos tradicionais, cinco modelos em função da variável dap e da variável idade na forma aritmética, quadrática, logarítmica, inversa e raiz quadrada, totalizando vinte e cinco novos modelos e, por fim, foram treinadas cinco redes neurais do tipo Multilayer Perceptron. As técnicas foram avaliadas estatisticamente através da correlação (r_YY), raiz quadrada do quadrado médio do erro (RQME) e análise gráfica de resíduos. Tanto no treino como na validação as RNA obtiveram melhores resultados estatísticos, na validação a melhor RNA obteve r_YY de 0,941 e RQME de 1,238 m. O modelo de regressão de relação h/d obteve r_YY de 0,928 e RQME de 1,373 m. O modelo de regressão com inserção da variável idade apresentou r_YY de 0,936 e RQME de 1,289 m. Ambas as técnicas poderiam ser utilizadas para estimar a altura das árvores de E. grandis, porém as RNA são mais acuradas.