Modelagem do recrutamento de árvores por redes neurais artificiais após a colheita de madeiras em floresta no leste da Amazônia

Leonardo Pequeno Reis, Agostinho Lopes de Souza, Lucas Mazzei, Pamella Carolline Marques dos Reis Reis, Helio Garcia Leite, Carlos Pedro Boechat Soares, Carlos Moreira Miquelino Eleto Torres, Ademir Roberto Ruschel, Liniker Fernandes da Silva, Lyvia Julienne Sousa Rêgo

Resumo


A modelagem do recrutamento em florestais tropicais é importante para estudos de sustentabilidade do manejo florestal, por dar subsídio adequado à recuperação do estoque de madeira. O objetivo do trabalho foi estimar o recrutamento após a colheita de madeira, empregando um modelo de rede neural artificial (RNA). A área de estudo está localizada na Floresta Nacional do Tapajós (55°00’ W, 2°45’ S), Pará. Em 64 ha da área de estudo, em 1979, foi realizada colheita intensiva de 72,5 m3 ha-1. Em 1981 foram instaladas, aleatoriamente, 36 parcelas permanentes de 50 m x 50 m. Essas parcelas foram mensuradas em 1982, 1983, 1985, 1987, 1992, 1997, 2007, 2010 e 2012. Para modelar o recrutamento foram consideradas as variáveis da subparcela-alvo e a sua vizinhança. As estimativas obtidas no treino e na generalização da RNA foram avaliadas pelas estatísticas: correlação () e raiz quadrada do erro quadrático médio (RQRQM), sendo obtido RQRQM 35,6% e 0,89. Foi possível modelar a tendência do recrutamento ao longo do tempo em florestas tropicais, após a colheita de madeira.


Palavras-chave


Ingresso; Inteligência artificial; Manejo florestal

Texto completo:

PDF (English)

Referências


ALVARES, C. A. et al. Koppen’s climate classifcation map for Brazil. Meteorologische Zeitschrif, Stuttgart, v. 22, n. 6, p. 711-728, 2013.

BINOTI, M. L. et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artifciais. Cerne, Lavras, v. 21, n. 1, p. 97-105, mar. 2015.

BINOTI, M. L. et al. Redes neurais artifciais para estimação do volume de árvores. Revista Árvore, Viçosa, MG, v. 38, n. 2, p. 283-288, abr. 2014.

CASTRO, R. V. O. et al. Artifcial Neural Networks Effectiveness to Estimate Mortality in a Semi-Deciduous Seasonal Forest. Australian Journal of Basic and Applied Sciences, Amman, v. 9, n. 5, p. 435-444, 2015.

COSTA FILHO, P.; COSTA, H.; AGUIAR, O. Exploraçao mecanizada da floresta tropical úmida sem babaçu. Embrapa-CPATU. Circular técnico, Belém, v. 9, p. 29, 1980.

DIAMANTOPOULOU, M. J. Assessing a reliable modeling approach of features of trees through neural network models for sustainable forests. Sustainable Computing: Informatics and Systems, Arlington, v. 2, n. 4, p. 190-197, 2012.

DIAMANTOPOULOU, M. J. et al. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artifcial neural networks methods. Biosystems Engineering, Bedford, v. 133, p. 33-45, 2015.

HAYKIN, S. Redes neurais: princípios e práticas. Porto Alegre: Bookman, 2001. 900 p. KLOPCIC, M.; POLJANEC, A.; BONCINA, A. Modelling natural recruitment of European beech (Fagus sylvatica L.). Forest Ecology and Management, Amsterdam, v. 284, p. 142-151, 2012.

KUPLICH, T. M. Classifying regenerating forest stages in Amazônia using remotely sensed images and a neural network. Forest Ecology and Management, Amsterdam, v. 234, n. 1/3, p. 1-9, 2006.

MAEDA, E. E. et al. Predicting forest fre in the Brazilian Amazon using MODIS imagery and artifcial neural networks. International Journal of Applied Earth Observation and Geoinformation, Enschede, v. 11, n. 4, p. 265-272, 2009.

NASCIMENTO, R. G. M. et al. Modelagem da sobrevivência, mortalidade e recrutamento de uma floresta na Amazônia Central. Scientia Forestalis, Piracicaba, v. 41, n. 99, p. 319-330, 2013.

PHILLIPS, P. D. et al. An individual-based spatially explicit simulation model for strategic forest management planning in the eastern Amazon. Ecological Modelling, Towson, v. 173, n. 4, p. 335-354, 2004.

REIS, L. P. et al. Avaliação do potencial madeireiro na Floresta Nacional do Tapajós após 28 anos da exploração florestal. Pesquisa Florestal Brasileira, Colombo, v. 30, n. 64, p. 265-281, 2010.

REIS, L. P. et al. Crescimento de mudas de Parkia gigantocarpa ducke, em um sistema de enriquecimento em clareiras após a colheita de madeira. Ciencia Florestal, Santa Maria, v. 24, n. 2, p. 431-436, 2014.

REIS, L. P. et al. Estimation of mortality and survival of individual trees afer harvesting wood using artifcial neural networks in the amazon rain forest. Ecological Engineering, Oxford, v. 112, p. 140-147, 2018a.

REIS, L. P. et al. Prognose da distribuição diamétrica na Amazônia utilizando redes neurais artifciais e autômatos celulares. Floresta, Curitiba, v. 48, p. 93, 2018b.

REIS, L. P. et al. Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural networks. Forest Ecology and Management, Amsterdam, v. 382, p. 161-167, 2016.

REIS, P. C. M. R. et al. Artifcial neural networks to estimate the physical-mechanical properties of amazon second cutting cycle wood. Maderas-Ciencia y Tecnologia, Santiago, v. 3, p. 1, 2018c.

RICHARDS, M.; MCDONALD, A. J. S.; AITKENHEAD, M. J. Optimisation of competition indices using simulated annealing and artifcial neural networks. Ecological Modelling, Towson, v. 214, n. 2/4, p. 375-384, 2008.

RIVETT, S. L.; BICKNELL, J. E.; DAVIES, Z. G. Effect of reduced-impact logging on seedling recruitment in a neotropical forest. Forest Ecology and Management, Amsterdam, v. 367, p. 71-79, 2016.

ROCHA, S. J. S. S. et al. Artifcial neural networks: Modeling tree survival and mortality in the Atlantic Forest biome in Brazil. Science of the total environment, Amsterdam, v. 645, p. 655-661, 2018.

ROSSI, L. M. B. et al. Modelagem de recrutamento em florestas. Floresta, Curitiba, v. 37, n. 3, p. 275-291, dez. 2007.

SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes neurais artifciais: para engenharia e ciências aplicadas. São Paulo: Artliber, 2010. 396 p.

SILVA, J. N. M. et al. Diretrizes para instalação e medição de parcelas permanentes em florestas naturais da Amazônia Brasileira. Belém: EMBRAPA; ITTO, 2005. 68 p.

VANCLAY, J. K. Modelling forest growth and yield: applications to mixed tropical forests. Oxford: CAB International, 1994. 312 p.

ZHANG, X. et al. Predicting tree recruitment with negative binomial mixture models. Forest Ecology and Management, Amsterdam, v. 270, p. 209-215, 2012.




DOI: http://dx.doi.org/10.5902/1980509825808