EFEITO DO NÚMERO DE NEURÔNIOS NA CAMADA OCULTA PARA RELAÇÕES HIPSOMÉTRICAS DE EUCALIPTO USANDO REDES NEURAIS ARTIFICIAIS

Gabriel Fernandes Bueno, Emanuel Arnoni Costa, Amanda Nunes Cristina, Alvaro Augusto Vieira Soares, Rodrigo Otávio Veiga de Miranda, Cristine Tagliapietra Schons

Resumo


As redes neurais artificiais têm mostrado performance melhor ou pelo menos similar à dos modelos tradicionais de regressão usados a modelagem florestal. No entanto, deve-se atentar para uma configuração que garanta estimativas acuradas e capacidade de generalização, sendo a quantidade de neurônios na camada oculta uma característica crítica a ser decidida. Assim, o presente estudo buscou encontrar a quantidade ótima de neurônios na camada oculta na modelagem da relação hipsométrica em plantio de Eucalyptus saligna Smith. A base de dados foi subdividida de modo aleatório em 50% para treinamento e 50% para validação do modelo, empregando-se a arquitetura de rede neural Multilayer Perceptron (MLP). No processo de modelagem, considerou-se o diâmetro à altura do peito como variável de entrada e a altura como variável de saída. A quantidade de neurônios na camada oculta foi testada com variação entre 1 a 6. Das seis melhores redes treinadas, aquelas que obtiveram neurônios acima de três na camada oculta tenderam a apresentar overfitting quando aplicados aos dados da validação. Com as diferentes arquiteturas na camada oculta, foi possível obter redes treinadas com coeficiente de correlação (r) variando de 0,61 a 0,73 e raiz quadrada do erro quadrático médio de ±1,28 a 1,48 m. Foram escolhidas as RNA com três neurônios na camada oculta devido a sua simplicidade e pouca diferença de acurácia quando comparadas às obtidas com maior número. A quantidade de neurônios a serem considerados na camada oculta deve ser definida com atenção para que o fenômeno modelado conserve capacidade de generalização.


Palavras-chave


Altura-Diâmetro; Aprendizado de Máquina; Mensuração Florestal

Texto completo:

PDF


DOI: http://dx.doi.org/10.5380/biofix.v5i2.71374

Apontamentos

  • Não há apontamentos.


Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

BIOFIX Scientific Journal. ISSN Eletrônico (e-ISSN): 2525-9725

SJIF 2017 (Scientific Journal Impact Factor): 4.978

Indexado em (Indexed on): 

     

                    

         

  

    

   

      

Biblioteca Virtual de Biotecnología para las AméricasHsH - BibliothekSJIFactor


Todos os conteúdos desta revista estão licenciados sob uma Licença Internacional Creative Commons 4.0 (CC BY 4.0)

All the contents of this journal is licensed under a Creative Commons 4.0 Internacional License (CC BY 4.0)


Flag Counter