Estimativa do volume e da forma do fuste utilizando técnicas de aprendizado de máquina

Abstract

Resumo: A acurácia e precisão na avaliação quantitativa de povoamentos para fins comerciais são fundamentais, especialmente a estimativa do volume individual. Nesse contexto, as equações de volume e funções de afilamento são importantes ferramentas para a estimativa do volume individual, ambos com métodos tradicionalmente aplicados e sólida teoria. Por outro lado, a inovação matemática é muito dinâmica, com diversos outros recursos disponíveis para o estudo de aproximação de função (regressão), métodos esses que ainda carecem de estudos de base, podendo potencialmente melhorar as estimativas no campo de modelagem florestal. Assim, o trabalho tem como objetivo principal analisar a acurácia de técnicas de aprendizado de máquina em relação a um modelo volumétrico e a uma função de afilamento, para a espécie Acacia mearnsii De Wild. Foram utilizados dados de cubagem Acacia mearnsii, variando de 1 a 10 anos. A base de dados foi dividida em 60% para ajuste e o restante para validação. Foram ajustadas equações com o modelo volumétrico de Schumacher e Hall e com a função de afilamento de Hradetzky, comparados com três algoritmos de aprendizado de máquina: k-vizinho mais próximo (k-NN), Random Forest (RF) e Redes Neurais Artificiais (RNA) para a estimativa do volume total e diâmetro referente à altura relativa. Os modelos foram ranqueados conforme estatísticas de erros, bem como observadas as distribuições destes. Para a estimativa do volume em função do dap e altura, a RNA e o modelo de Schumacher e Hall apresentaram melhores resultados no ranqueamento do que o k-NN e RF. Os métodos de aprendizado de máquina aplicados se mostraram mais acurados que o polinômio de Hradetzky para estimativas da forma da árvore, tais como o diâmetro ao longo do fuste e volume total. Os modelos de AM se mostraram adequados como alternativa na modelagem tradicionalmente aplicada na mensuração florestal, contudo a sua utilização deve ser cuidadosa devida a maior possibilidade de supertreinamento a base de ajuste. Palavras-chave: Modelagem. Inteligência Artificial. Mineração de dados.

Abstract: Accuracy and precision are essential topics when it comes to the quantitative evaluation of a forest stand with commercial purposes, especially in regards to the estimation of individual volume. In one hand, due to its solid theory, volume equations and taper functions are important tools for estimating individual volume. On the other hand, the mathematical breakthrough is dynamic, having several resources for the study of approximation functions (regression). However, these new methods still lack baseline studies and may potentially improve estimates in the forest modeling field. Under this circumstances, this study aims to analyze the accuracy of machine learning techniques in regards to a volumetric model and a taper function for the species Acacia mearnsii De Wild. Acacia mearnsii scaling data, from 1 to10 years, were used in order to achieve the objective of this work. The database was divided into 60% for adjustment and the remainder for validation. Equations were adjusted with the volume model of Schumacher and Hall and the taper function Hradetzky and were compared to three machine learning algorithms: nearest neighbor models (k-NN), Random Forest (RF) and Artificial Neural Networks (ANN) to estimate of the total volume and diameter concerning relative height. The models were ranked according to its statistics errors and distributions. ANN and Schumacher and Hall model showed better results in regards to the estimation of volume as a function of dbh and height. The applied machine learning methods were more accurate than Hradetzky polynomial to estimates of tree shape, such as the diameter along the stem and total volume. The machine learning models were satisfactory as an alternative to the traditional methods in forest measurement. However, due to its higher possibility of overtraining the adjustment basis, it should be carefully used. Keywords: Modelling. Artificial Intelligence. Data mining.t