Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica

Sérgio Vinícius Serejo da Costa Filho, Julio Eduardo Arce, Razer Anthom Nizer Rojas Montaño, Allan Libanio Pelissari

Resumo


No presente estudo foram aplicados quatro algoritmos de aprendizado de máquina na tarefa de modelagem da relação hipsométrica de povoamentos de Pinus taeda L. em diferentes idades. Centenas de combinações de parâmetros foram testadas para os algoritmos k-vizinhos mais próximos, florestas aleatórias, máquinas de vetores de suporte e redes neurais artificiais. Para seleção do melhor modelo para cada algoritmo, utilizou-se o método de busca em grade combinada ao método de validação cruzada k-fold. Os modelos selecionados foram utilizados para predição da altura total de indivíduos pertencentes a um conjunto de dados independente, e os resultados foram comparados aos obtidos por modelos de regressão linear. Os modelos de aprendizado de máquina apresentaram indicadores estatísticos similares aos modelos de regressão linear, no entanto, tiveram dispersão de resíduos menos tendenciosa, principalmente na análise estratificada por povoamento. A máquina de vetores de suporte e a rede neural artificial foram os modelos mais satisfatórios em precisão e dispersão dos resíduos.

Palavras-chave


Inteligência artificial; Busca em grade; Redes neurais artificiais; Validação cruzada

Texto completo:

PDF

Referências


ABDOLLAHNEJAD, A. et al. Prediction of Dominant Forest Tree Species Using QuickBird and Environmental Data. Forests, [s.l.], v. 8, n. 2, p.42-60, fev. 2017.

BARROS, D. A. et al. Comportamento de modelos hipsométricos tradicionais e genéricos para plantações de Pinus oocarpa em diferentes tratamentos. Boletim de Pesquisa Florestal, Colombo, n. 45, p. 03-28, jul./dez. 2002.

BERGSTRA, J.; BENGIO, Y. Random search for hyper-parameter optimization. The Journal Of Machine Learning Research, Montréal, Qc, Canada, v. 13, n. 1, p.281-305, jan. 2012.

BINOTI, D.H.B.; BINOTI, M.L.M.S.; LEITE, H.G. Configuração de Redes Neurais Artificiais para Estimação do Volume de Árvores. Revista Ciência da Madeira, Pelotas, v. 5, n. 1, p.58-67, 31 maio 2014.

BLANCHETTE, D. et al. Predicting wood fiber attributes using local-scale metrics from terrestrial LiDAR data: A case study of Newfoundland conifer species. Forest Ecology and Management, [s.l.], v. 347, p.116-129, jul. 2015.

BREIMAN, L. Random Forests. Machine Learning, [s.l.], v. 45, n. 1, p.05-32, out. 2001.

CANDEL, A. et al. Deep Learning with H2O. Disponível em: http://docs.h2o.ai/h2o/latest-stable/h2o-docs/booklets/DeepLearningBooklet.pdf. Acesso em: 02 jul. 2017.

CORDEIRO, M. A., et al. Estimativa do volume de Acacia mangium utilizando técnicas de redes neurais artificiais e máquinas vetor de suporte. Pesquisa Florestal Brasileira, Colombo, v. 35, n. 83, 255-261, set. 2015.

CRISTIANINI, N.; SHAWE-TAYLOR, J. An introduction to support vector machines and other kernel-based learning methods. New York: Cambridge University Press, 2000.

FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011. 378p.

GORGENS, E. B. et al. Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais. Revista Árvore, Viçosa-MG, v. 38, n. 2, p.289-295, abr. 2014.

GORGENS, E. B.; MONTAGHI, A.; RODRIGUEZ, L. C. E. A performance comparison of machine learning methods to estimate the fast-growing forest plantation yield based on laser scanning metrics. Computers and Electronics in Agriculture [s.l.], v. 116, p. 221-227, 2015.

HAARA, A.; MALTAMO, M.; TOKOLA, T. The K‐nearest‐neighbour method for estimating basal‐area diameter distribution. Scandinavian Journal Of Forest Research, Uppsala, v. 12, n. 2, p.200-208, maio, 1997. HECHENBICHLER, K; SCHLIEP, K. Weighted k-Nearest-Neighbor Techniques and Ordinal Classification. Discussion paper 399, Ludwig-Maximilians University Munich, Munich, 2004. Disponível em: https://epub.ub.uni-muenchen.de/1769/1/paper_399.pdf. Acesso em: 20 jun. 2017.

MARTINS, E. R. et al. Configuração de redes neurais artificiais para estimação da altura total de árvores de eucalipto. Revista Brasileira de Ciências Agrárias (Agrária), Recife, v. 11, n. 2, p. 117-123, 2016.

ÖZÇELIK, R. et al. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology And Management, [s.l.], v. 306, p.52-60, out. 2013.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2016. Disponível em: Acesso em: 04 ago. 2017.

ROBINSON, A. P.; LANE, S. E.; THÉRIEN, G. Fitting forestry models using generalized additive models: a taper model example. Canadian Journal Of Forest Research, [s.l.], v. 41, n. 10, p.1909-1916, out. 2011.

SANQUETTA, C. R. et al. On the use of data mining for estimating carbon storage in the trees. Carbon Balance And Management, [s.l.], v. 8, n. 1, p.6-14, 2013.

SHALEV-SHWARTZ, S.; BEN-DAVID, S. Understanding Machine Learning: From Theory to Algorithms. New York: Cambridge University Press, 1. ed., 2014.

SMOLA, A. Regression Estimation with Support Vector Learning Machines. 1996. 78 p. Master’s thesis (Physics) - Technische Universitat At Munchen, Munchen, 1996.

TOMMOLA, M., et al. Estimating the characteristics of a marked stand using k-nearest-neighbour regression. Journal of Forest Engineering, [s.l], v. 10, p.75-81, 1999.

VAPNIK, V N. The nature of statistical learning theory. 2. ed. New York: Springer-Verlag, 2000. 314 p.

VENDRUSCOLO et al. Height prediction of Tectona grandis trees by mixed effects modelling and artificial neural networks. International Journal of Current Research, [s.l.], v. 8, n. 12, p.43189-43195, dez. 2016.




DOI: http://dx.doi.org/10.5902/1980509828392

Licença Creative Commons