Modelagem de povoamentos de eucalipto no nordeste da Bahia utilizando regressão e redes neurais artificiais

Abstract

O objetivo deste estudo foi avaliar a eficiência do emprego das redes neurais artificiais (RNA) na prognose do crescimento de povoamentos de eucalipto localizados ao Nordeste do Estado da Bahia, a partir de dados de Inventario Florestal Continuo (IFC) históricos de parcelas permanentes. Para o atendimento do objetivo foi necessária a construção de curvas de índice local, o que conseguiu delimitar três tipos de áreas produtivas segundo sua capacidade. A aplicação de um modelo de densidade de variável (Clutter) resultou em equações precisas para a estimação de volumes e áreas basais futuras, permitindo, mediante um modelo para estimar área basal em função do sítio, a construção de tabelas de produção para três classes de sítio (S1=35, S2=27 e S3=19), nas idades compreendidas entre 2 até 9 anos, definindo idades técnicas de corte (ITC), quando IMA=ICA, entre 4,8 e 5,2 anos para cada sítio. Comprovada a efetividade do modelo de crescimento e produção, em seguida foi avaliada a eficiência das RNA configuradas para estimar volumes futuros, treinadas com dados de IFC, climáticos e fisiográficos obtidos mediante procedimento de extração de informação das imagens raster das áreas de estudo. Essas comparações foram feitas por meio de estatísticas clássicas de validação e análises de resíduos. Com as RNA treinadas, foram estimados os volumes e IMAs para os 6 e 7 anos de idade. Este IMA constituiu a camada de saída no treinamento de uma segunda rede, em que as variáveis de entrada foram aquelas climáticas e fisiográficas. A rede treinada foi aplicada para espacializar a produtividade para as quatro áreas de estudo. O IMA aos 7 anos (IMA7) variou de 8,15 até 55,35 m3ha 1ano̵ 1, sendo os maiores localizados próximos ao litoral. A inteligência artificial (RNA) foi eficiente para a construção de mapas de produtividade. Esse tipo de mapa é útil para estudos visando definir novas áreas de implantação, ajudando na diminuição de riscos em novos investimentos das empresas para futuros projetos ou reformas.

The objective of this study was to evaluate the efficiency of the use of artificial neural networks (ANN) in the prognosis of Eucalyptus stands growth located to the northeast state of Bahia, with historical data of permanent plots from of continuous forest inventories (CFI). To achieve the objective it was necessary the construction of local index curves, which managed to delimit three types of productive areas according to their capacity. The application of a variable density model (Clutter), resulted in efficient equations for the estimation of volumes and future basal areas. Through a model for areal basal estimation having site values, production tables for three site classes (S1 = 35, S2 = 27 and S3 = 19) were constructed, with ages between 2 to 9 years old, defining technical cutting ages (ITC), when MAI=CAI, between 4.8 and 5.2 years for each site. Verified the efficiency of the growth and production model, the efficiency of the ANN were evaluated, configured for estimate future volumes from training with CFI data, climate and physiographic data obtained by extracting information from the raster images for the study area. These comparisons were made through classical validation and residue analysis statistics. With the trained RNA, volume and MAI values were estimated for 6 and 7 years of age. This MAI was the output layer of a second network, in which climatic and physiographic were the input variables. The trained network was applied to spatialize productivity for the four study areas. The MAI at 7 years (MAI7) ranged from 8.15 to 55.35 m3ha̵ 1ano̵ 1, the highest values were located near the coast. Artificial intelligence (AI) was efficient for the construction of productivity maps. This type of maps are useful for studies aimed at defining new areas of implantation, helping to reduce risks in new investments of companies for future projects or reforms.