Redes neurais artificiais para estimar a densidade básica de madeiras do cerrado
DOI:
https://doi.org/10.4336/2018.pfb.38e201801656Palavras-chave:
Inteligência artificial, Densidade da madeira, PilodynResumo
A densidade básica da madeira é uma propriedade importante, pois está relacionada ao produto final nos diversos usos que a madeira possui. Porém, sua determinação demanda tempo e custos, o que justifica o emprego de técnicas mais refinadas para a sua estimação, como as redes neurais artificias (RNA). Objetivou-se avaliar a utilização das RNA para estimar a densidade básica de espécies do cerrado sensu stricto com o uso do aparelho Pilodyn e variáveis dendrométricas. Para comparação dos resultados obtidos pelas RNA, foram ajustados modelos de regressão. A rede neural com melhor desempenho foi a que utilizou como variáveis de entrada a profundidade de penetração (Pilodyn), espécie e o DAP, apresentando valores de R² de 0,72 e com raiz do erro quadrado médio em porcentagem (RMSE%) de 5,69. Já o modelo de regressão apresentou valor de R² de 0,72 e RMSE% de 9,19. As redes neurais artificiais conseguem estimar a densidade básica da madeira de espécies do cerrado stricto sensu com resultados satisfatórios.
Downloads
Não há dados estatísticos.
Referências
Aertsen, W. et al. Comparison and ranking of different modelling techniques for prediction of site index in Mediterranean mountain forests. Ecolological Modelling, v. 221, n. 8 p. 1119-1130, 2010. DOI: 10.1016/j.ecolmodel.2010.01.007.
Associação Brasileira de Normas Técnicas. NBR-11941: Madeira: determinação da densidade básica. Rio de Janeiro, 2003.
Binoti, M. L. M. S. et al. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, v. 37, n. 4, p. 639-645, 2013. DOI: 10.1590/S0100-67622013000400007.
Binoti, M. L. M. S. et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, v. 21, n. 1, P. 97-105, 2015. DOI: 10.1590/01047760201521011153.
Bouffier, L. et al. Can wood density be efficiently selected at early stage in maritime pine (Pinus pinaster Ait.) Annals of Forest Science, v. 65, n. 1, p. 1-8, 2008. DOI: 10.1051/forest:2007078.
Braga, A. P. et al. (Ed.). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro, RJ: LTC, 2007. 226 p.
Campos, J. C. C. & Leite, H. G. (Ed.). Mensuração florestal: perguntas e respostas. Viçosa, MG: Universidade Federal de Viçosa, 2017. 636 p.
COUTO, A. M. et al. Modelagem da densidade básica da madeira de Eucalyptus grandis e Eucalyptus urophylla por métodos não destrutivos. Cerne, v. 19, n. 1, p. 27-34, 2013.
Cown, D. J. Comparasion of the pilodyn and torsiometer methods for the rapid assessment of wood density in living trees. New Zealand Journal of Forestry Science, v. 8, n. 3, p. 384-391, 1978.
Cown, D. J. & Hutchison, J. D. Wood density as an indicator of the bending properties of Pinus radiata poles. New Zealand Journal of Forestry Science, v. 13, n. 1, p. 87-99, 1983.
Cruz, C. R. et al. Variação dentro das árvores e entre clones das propriedades físicas e mecânicas da madeira de híbridos de Eucalyptus. Scientia Forestalis, v. 64, n. 34, p. 33-47, 2003.
DIAS, D. C et al. Uso da técnica de resistografia e de variáveis dendrométricas na
modelagem da densidade básica de povoamentos clonais de Eucalyptus. Ciência
Florestal, v. 27, n. 2, p. 609-619, 2017
Gorgens, E. B. et al. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, v. 33, n. 6, p. 1141-1147, 2009. DOI: 10.1590/S0100-67622009000600016.
Görgens, E. B. et al. 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, v. 116, n. 1, p. 221-227, 2015. DOI: 10.1016/j.compag.2015.07.004.
Hein, P. R. G. Estimating shrinkage microfibril angle and density of Eucalyptus wood using near infrared spectroscopy. Journal of Near Infrared Spectroscopy, v. 20, p. 427-436, 2012.
Henry, M. et al. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa. Forest Ecology and Management, v. 260, n. 8, p. 1375-1388, 2010.
Hein, P. R. G. et al. Robustness of models based on near infrared spectra to predict the basic density in Eucalyptus urophylla Wood. Journal of Near Infrared Spectroscopy, v. 17, n. 1, p. 141-150, 2009. DOI: 10.1255/jnirs.833.
Haykin, S. (Ed.). Redes Neurais. Princípios e Prática. Porto Alegre, RS: Bookman, 2001. 900 p.
Iliadis, L. et al. Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information. Holzforschung, v. 67, n. 7, p. 71-777, 2013. DOI: 10.1515/hf-2012-0132.
Instituto Nacional de Meteorologia - INMET. Banco de dados meteorológicos para ensino e pesquisa. Disponível em: < http://www.inmet.gov.br/portal/>. Acesso em: 21 maio 2018.
Leite, H. G. et al. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis, v. 44, n. 1 p. 149-154, 2016.
Leite, H. G. et al. Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, v. 130, p. 263-269, 2011. DOI: 10.1007/s10342-010-0427-7.
Li, Y. et al. Prediction of Larch Wood Density by Near-infrared Spectroscopy and an Optimal BP Neural Network Using Coupled GA and RSM. Journal of Information & Computational, v. 9, n. 13, p. 3783-3794, 2012.
Mehtätalo, L. et al. The Use of quantile trees in the prediction of the diameter distribution of a stand. Silva Fennica, v. 40, n. 3, p. 501-516, 2006.
Özçelik, R. et al. Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal os Envionmental Management. V. 91, n. 3 p.742-753, 2010. DOI: 10.1016/j.jenvman.2009.10.002.
Özçelik, R. et al. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology Management, v. 306, n.1 p. 52-60, 2013. DOI: 10.1016/j.foreco.2013.06.009.
Pádua, F. A. et al. Tamanho amostral para a estimativa da densidade básica em um clone híbrido de Eucalyptus sp. Revista do Instituto Florestal, v. 27, n. 1, p. 41-47, 2015. DOI: 10.4322/rif.2015.004.
Reis, L. P. et al. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, v. 112, n. 1, p. 140-147, 2018. DOI: 10.1016/j.ecoleng.2017.12.014.
Silva, I. N. et al. (Ed.). Redes Neurais Artificiais: para engenharia e ciências aplicadas. São Paulo, SP: Artliber, 2010. 393 p.
Thiersch, C. R. et al. O uso de modelos matemáticos na estimativa da densidade básica da madeira em plantios de clones de Eucalyptus sp. Cerne, v. 12, n. 3, p. 264-278, 2006.
Vale, A. T. et al. Densidade básica média em função da profundidade de penetração do pino do Pilodyn e da classe diamétrica e variação axial da densidade básica em Eucalyptus grandis Hill ex Maiden. Revista Árvore, v. 19, n. 1, p. 80-91, 1995.
Vale, A. T. et al. Relações entre propriedades químicas, físicas e energéticas da madeira de cinco espécies de Cerrado. Ciência Florestal, v. 20, n. 1, p 137-145, 2010.
Vieira, G.C. et al. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Science of The Total Environment, v. 619, n. 1, p. 1473-1481, 2018. DOI: 10.1016/j.scitotenv.2017.11.138.
Wang, T. et al. Selection for height growth and Pilodyn pin penetration in lodgepole pine: effects on growth traits, wood properties, and their relationships, Canadian Journal of Forest Research, v. 29, n. 1, p. 434-445, 1999. DOI: 10.1139/x99-012.
Associação Brasileira de Normas Técnicas. NBR-11941: Madeira: determinação da densidade básica. Rio de Janeiro, 2003.
Binoti, M. L. M. S. et al. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, v. 37, n. 4, p. 639-645, 2013. DOI: 10.1590/S0100-67622013000400007.
Binoti, M. L. M. S. et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, v. 21, n. 1, P. 97-105, 2015. DOI: 10.1590/01047760201521011153.
Bouffier, L. et al. Can wood density be efficiently selected at early stage in maritime pine (Pinus pinaster Ait.) Annals of Forest Science, v. 65, n. 1, p. 1-8, 2008. DOI: 10.1051/forest:2007078.
Braga, A. P. et al. (Ed.). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro, RJ: LTC, 2007. 226 p.
Campos, J. C. C. & Leite, H. G. (Ed.). Mensuração florestal: perguntas e respostas. Viçosa, MG: Universidade Federal de Viçosa, 2017. 636 p.
COUTO, A. M. et al. Modelagem da densidade básica da madeira de Eucalyptus grandis e Eucalyptus urophylla por métodos não destrutivos. Cerne, v. 19, n. 1, p. 27-34, 2013.
Cown, D. J. Comparasion of the pilodyn and torsiometer methods for the rapid assessment of wood density in living trees. New Zealand Journal of Forestry Science, v. 8, n. 3, p. 384-391, 1978.
Cown, D. J. & Hutchison, J. D. Wood density as an indicator of the bending properties of Pinus radiata poles. New Zealand Journal of Forestry Science, v. 13, n. 1, p. 87-99, 1983.
Cruz, C. R. et al. Variação dentro das árvores e entre clones das propriedades físicas e mecânicas da madeira de híbridos de Eucalyptus. Scientia Forestalis, v. 64, n. 34, p. 33-47, 2003.
DIAS, D. C et al. Uso da técnica de resistografia e de variáveis dendrométricas na
modelagem da densidade básica de povoamentos clonais de Eucalyptus. Ciência
Florestal, v. 27, n. 2, p. 609-619, 2017
Gorgens, E. B. et al. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, v. 33, n. 6, p. 1141-1147, 2009. DOI: 10.1590/S0100-67622009000600016.
Görgens, E. B. et al. 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, v. 116, n. 1, p. 221-227, 2015. DOI: 10.1016/j.compag.2015.07.004.
Hein, P. R. G. Estimating shrinkage microfibril angle and density of Eucalyptus wood using near infrared spectroscopy. Journal of Near Infrared Spectroscopy, v. 20, p. 427-436, 2012.
Henry, M. et al. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa. Forest Ecology and Management, v. 260, n. 8, p. 1375-1388, 2010.
Hein, P. R. G. et al. Robustness of models based on near infrared spectra to predict the basic density in Eucalyptus urophylla Wood. Journal of Near Infrared Spectroscopy, v. 17, n. 1, p. 141-150, 2009. DOI: 10.1255/jnirs.833.
Haykin, S. (Ed.). Redes Neurais. Princípios e Prática. Porto Alegre, RS: Bookman, 2001. 900 p.
Iliadis, L. et al. Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information. Holzforschung, v. 67, n. 7, p. 71-777, 2013. DOI: 10.1515/hf-2012-0132.
Instituto Nacional de Meteorologia - INMET. Banco de dados meteorológicos para ensino e pesquisa. Disponível em: < http://www.inmet.gov.br/portal/>. Acesso em: 21 maio 2018.
Leite, H. G. et al. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis, v. 44, n. 1 p. 149-154, 2016.
Leite, H. G. et al. Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, v. 130, p. 263-269, 2011. DOI: 10.1007/s10342-010-0427-7.
Li, Y. et al. Prediction of Larch Wood Density by Near-infrared Spectroscopy and an Optimal BP Neural Network Using Coupled GA and RSM. Journal of Information & Computational, v. 9, n. 13, p. 3783-3794, 2012.
Mehtätalo, L. et al. The Use of quantile trees in the prediction of the diameter distribution of a stand. Silva Fennica, v. 40, n. 3, p. 501-516, 2006.
Özçelik, R. et al. Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal os Envionmental Management. V. 91, n. 3 p.742-753, 2010. DOI: 10.1016/j.jenvman.2009.10.002.
Özçelik, R. et al. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology Management, v. 306, n.1 p. 52-60, 2013. DOI: 10.1016/j.foreco.2013.06.009.
Pádua, F. A. et al. Tamanho amostral para a estimativa da densidade básica em um clone híbrido de Eucalyptus sp. Revista do Instituto Florestal, v. 27, n. 1, p. 41-47, 2015. DOI: 10.4322/rif.2015.004.
Reis, L. P. et al. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, v. 112, n. 1, p. 140-147, 2018. DOI: 10.1016/j.ecoleng.2017.12.014.
Silva, I. N. et al. (Ed.). Redes Neurais Artificiais: para engenharia e ciências aplicadas. São Paulo, SP: Artliber, 2010. 393 p.
Thiersch, C. R. et al. O uso de modelos matemáticos na estimativa da densidade básica da madeira em plantios de clones de Eucalyptus sp. Cerne, v. 12, n. 3, p. 264-278, 2006.
Vale, A. T. et al. Densidade básica média em função da profundidade de penetração do pino do Pilodyn e da classe diamétrica e variação axial da densidade básica em Eucalyptus grandis Hill ex Maiden. Revista Árvore, v. 19, n. 1, p. 80-91, 1995.
Vale, A. T. et al. Relações entre propriedades químicas, físicas e energéticas da madeira de cinco espécies de Cerrado. Ciência Florestal, v. 20, n. 1, p 137-145, 2010.
Vieira, G.C. et al. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Science of The Total Environment, v. 619, n. 1, p. 1473-1481, 2018. DOI: 10.1016/j.scitotenv.2017.11.138.
Wang, T. et al. Selection for height growth and Pilodyn pin penetration in lodgepole pine: effects on growth traits, wood properties, and their relationships, Canadian Journal of Forest Research, v. 29, n. 1, p. 434-445, 1999. DOI: 10.1139/x99-012.
Downloads
Publicado
29-12-2018
Como Citar
SILVA, Jeferson Pereira Martins; CABACINHA, Christian Dias; ASSIS, Adriana Leandra; MONTEIRO, Thiago Campos; ARAÚJO JÚNIOR, Carlos Alberto; MAIA, Renato Dourado. Redes neurais artificiais para estimar a densidade básica de madeiras do cerrado. Pesquisa Florestal Brasileira, [S. l.], v. 38, 2018. DOI: 10.4336/2018.pfb.38e201801656. Disponível em: https://pfb.cnpf.embrapa.br/pfb/index.php/pfb/article/view/1656. Acesso em: 2 dez. 2024.
Edição
Seção
Artigos Científicos
Licença
PESQUISA FLORESTAL BRASILEIRA se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
As provas finais serão enviadas ao autor correspondente.
Os trabalhos publicados passam a ser propriedade da revista PESQUISA FLORESTAL BRASILEIRA.
Os autores podem usar o artigo após a publicação, sem a autorização prévia da PFB, desde que os créditos sejam dados à Revista.
A revista se reserva o direito de distribuição dos conteúdos no suporte online e/ou impresso sob uma Licença Creative Commons.
As opiniões e conceitos emitidos nos manuscritos são de exclusiva responsabilidade dos seus respectivos autores e não da PFB.
Os originais publicados na Pesquisa Florestal Brasileira estão disponibilizados de acordo com uma Licença 