Chrome Extension
WeChat Mini Program
Use on ChatGLM

Avaliação da precisão do algoritmo random forest e regressões para estimar altura total de árvores clonais de seringueira

João Victor Sampaio da Silva,Lucas da Silva Ribeiro, Giuliano Galvão de frança Lourenço, Gustavo Casadei Sabino, Mateus Dias da Silva,Glauce Taís de Oliveira Sousa Azevedo,Gileno Brito de Azevedo

Anais do 9º Congresso Florestal Brasileiro(2022)

Cited 0|Views4
No score
Abstract
A seringueira [Hevea brasiliensis (Willd. ex A.Juss.) Müll.Arg.] é uma das principais espécies florestais cultivadas no Brasil e no mundo. Seu principal interesse econômico é relacionado a produção de látex, que é a matéria-prima na produção da borracha natural. Para a tomada de decisões mais assertivas no manejo dessas plantações, muitas vezes se torna necessário a medição de algumas variáveis dendrométricas como, por exemplo, a altura das árvores. Essa variável, normalmente, é de difícil obtenção e o estudo de relações hipsométricas é fundamental para reduzir custos na obtenção dessa variável. Atualmente, as técnicas de regressão são as mais utilizadas, porém, com o avanço da tecnologia, outras opções precisam ser estudadas, como é o caso das florestas aleatórias (RF, random forest), que consiste em um algoritmo de machine learning (Aprendizado de máquina), e tem sido objeto de estudos para modelagem de atributos florestais. Assim, este estudo objetivou avaliar a precisão das estimativas da altura total de árvores de seringueira, estimadas por técnicas de regressão e de machine learning. Para realização do estudo foram utilizados dados de medições realizadas em cinco ou seis ocasiões, em 21 parcelas permanentes (650-680 m² de área cada – três linhas de plantio x 12 árvores na linha) estabelecidas em três talhões (clone RRIM600), localizados no município de Paraíso das Águas- MS. Em cada ocasião, obtiveram-se medidas do diâmetro na altura do peito (DAP, em centímetros) de todas as árvores; altura total (Ht, em metros) das árvores da linha central; altura dominante (Hd, em metros), de acordo conceito de Assman; e a idade de plantio (Id, em anos). Os dados foram divididos em treinamento (75%) e validação (25%). Os modelos de regressão utilizados foram: 1) H=b0+b1*DAP+b2*Hd+b3*Id; 2) H=b0+b1*DAP+b2*Hd; 3) LnH=b0+b1*LnDAP+b2*LnHd+b3*LnId; 4) LnH=b0+b1*LnDAP+b2*LnHd. Para o modelo RF foram utilizadas as variáveis de entrada DAP, HD e Id. O número de variáveis selecionadas em cada nó (Mtry) foi igual a 3. A qualidade das estimativas foi realizada com base nos seguintes critérios: correlação entre os valores de altura observados e estimados (r); raiz quadrada média do erro (RMSE); erro absoluto médio (MAE) e erro absoluto médio percentual (MAPE%). O RF apresentou desempenho superior às regressões para estimativa da Ht em função das variáveis analisadas. Na etapa de validação, o modelo RF apresentou valor de r igual a 0,9673, RMSE de 0,9999, MAE de 0,7311 e MAPE de 0,0531, enquanto para o melhor modelo de regressão (Modelo 1), esses valores foram de 0,9470, 1,2646, 0,9263 e 0,0695, respectivamente. Assim, o algoritmo RF mostrou-se adequado e preciso para estimar a Ht em função das variáveis explicativas estudadas.
More
Translated text
Key words
forest,avaliação
AI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined