Wood density estimation using dendrometric and edaphoclimatic data in artificial neural networks
Revista de Ciências Agroveterinárias
Wood density estimation using dendrometric and edaphoclimatic data in artificial neural networks
Autor Correspondente: Nívea Maria Mafra Rodrigues | [email protected]
Palavras-chave: artificial intelligence; modeling; wood quality.
Resumos Cadastrados
Resumo Português:
A mensuração florestal visa à produção volumétrica de madeira; entretanto, para o setor de processamento de celulose, o principal interesse é a produtividade em biomassa e, para conhecer essa variável, é necessário determinar previamente a densidade básica da madeira (DBM). As redes neurais artificiais (RNA) têm sido usadas no setor florestal com bastante sucesso para descrever a dinâmica das características da floresta. Nesse contexto, o objetivo deste estudo foi avaliar a precisão das estimativas da densidade básica da madeira por meio de RNAs com variáveis de entrada de inventário florestal contínuo (IFC) e edafoclimáticas. O banco de dados consistiu em 3.797 dados, provenientes de parcelas permanentes do IFC conduzido em povoamentos de Eucalyptus e dados edafoclimáticos dos locais de plantio. As cinco melhores RNAs foram selecionadas e a análise das estimativas foi realizada por meio da correlação entre o DBM estimado e o observado, da raiz quadrada do erro quadrático médio percentual (RMSE%) e de informações gráficas. Observou-se que tanto o IFC quanto as informações edafoclimáticas e a combinação de ambos são potenciais e apresentam resultados semelhantes para a estimativa da densidade básica da madeira, e os erros associados às estimativas estão entre 3,9% e 3,5%, sendo que as RNAs baseadas apenas nas informações do IFC apresentaram maior RMSE. O uso de RNAs é viável para estimar a DBM e permite excelentes estatísticas de precisão.
Resumo Inglês:
Forestry measurement is aimed at volumetric production of wood; however, for the pulp processing industry, the main interest is productivity in wood biomass and, to know this variable, it is necessary to determine the basic wood density (BWD) beforehand. Artificial neural networks (ANN) have been used in the forestry sector quite successfully to describe the dynamics of forest characteristics, such as estimating wood volume. In this context, the objective of this study was to assess the accuracy of the basic wood density estimates by means of ANN’s with Continuous Forest Inventory (CFI) and edaphoclimatic input variables. The database consisted of 3,797 data, from permanent plots of the CFI conducted in Eucalyptus sp stands and edaphoclimatic data from the planting sites. The five best ANNs were selected and the analysis of the estimates was carried out through the correlation between the estimated and BWD, the relative root mean square error (RMSE%) and graphical information. It was observed that both the CFI, edaphoclimatic information and the combination of both are potential and present similar results for the basic wood density estimate, and the errors associated with the estimates are between 3.9% to 3.5%. The ANNs based only on the CFI information presented higher RMSE. The use of ANN’s is feasible for estimating BWD and allows for excellent accuracy statistics.
