Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Configuração de Redes Neurais Artificiais para Estimação do Volume de Árvores

DOI: http://dx.doi.org/10.12953/2177-6830.v05n01a06

http://www.ufpel.tche.br/revistas/index.php/cienciadamadeira/index 

downloadpdf

Daniel H. B. Binoti1, Mayra L. M. da S. Binoti2 & Helio G. Leite3

 

Resumo: Objetivou-se nesse trabalho avaliar diferentes configurações do treinamento de Redes Neurais Artificiais (RNA) para a estimação do volume de árvores. Como método comparativo, realizou-se a quantificação volumétrica de maneira tradicional utilizando o modelo de Schumacher e Hall. Os dados utilizados neste estudo foram provenientes de cubagens de 2.307 árvores de povoamentos de eucalipto (Eucalyptus grandis x Eucalyptus urophylla). As variáveis utilizadas para treinamento das RNA foram: variáveis numéricas (quantitativas) consideradas foram: idade em meses, diâmetro com casca a 1,30 m de altura (dap) em cm, altura total (Ht) em m e volume da árvore (V) em m3. Enquanto que as variáveis categóricas (qualitativas) foram: projeto, espaçamento e clone. Para treinamento das RNA utilizou-se o sistema NeuroForest. A estimação do volume de árvores por meio de redes neurais artificiais pode ser feita com diferentes configurações, variando o número de neurônios na camada oculta, as funções de ativação, os algoritmos e os parâmetros de treinamento. Redes neurais simples com apenas um neurônio na camada oculta podem ser utilizadas com eficiência para estimação do volume de árvores.

Palavras-chave: NeuroForest, Schumacher e Hall, eucalipto

 

Abstract: The aim of this study was to evaluate different configurations of training of Artificial Neural Network (ANN) to estimate the volume of trees. As the comparative method, a traditional volumetric quantification using the model of Schumacher and Hall was performed. The data used in this study were from the cubages of 2307 eucalyptus trees (Eucalyptus grandis x Eucalyptus urophylla). The variables used for the training of the ANNs were, as to numeric variables (quantitative), age in months; in-shell diameter at the height of 1.30 m in cm (dbh); total height in m (Ht); and tree volume in m3 (V), whereas the categorical variables (qualitative) were design, spacing, and clone. The NeuroForest system was used to train the ANNs. The estimation of the volume of trees through artificial neural networks can be made with different configurations by varying the number of neurons in the hidden layer, the activation functions, algorithms and the training parameters. Simple neural networks with only one neuron in the hidden layer can be used effectively to estimate the quantity of trees.

Key words: NeuroForest, Schumacher and Hall, eucalypt

 

1 Pós-doutorando em Ciência Florestal, Universidade Federal de Viçosa. danielhbbinoti@gmail.com
2 Doutora em Ciência Florestal, Docente, Universidade Federal dos Vales do Jequitinhonha e Mucuri. mayrabinoti@gmail.com
3 Doutor em Ciência Florestal, Docente, Universidade Federal de Viçosa. hgleite@gmail.com

 

Literatura Citada

ARAI, M. Bounds on the number of hidden units in binary-valued three-layer neural networks. Neural Networks, v.6, n.6, p. 855-860, 1993. doi

BINOTI, M. L. M. S.; BINOTI, D. H. B.; GLERIANI, J. M.; LEITE, H. G. Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto. Revista Árvore, v.33, n.6, p. 1133-1139, 2009. doi

BRAGA, A. de P.; CARVALHO, A. P. de L. F. de; LUDEMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. 2 ed. Rio de Janeiro: LTC, 2007. 260p.

BULLINARIA, J. A. Introduction to Neural Computation. Notas de aula. 2008. Disponível em: <http://www.cs.bham.ac.uk/~jxb/inc.html>. Acesso em: 29 abr. 2012.

CAMPOS, J. C. C.; LEITE, H. G. Mensuração florestal: perguntas e respostas. 3ed. Viçosa: UFV, 2009. 548p.

FUJITA, O. Statistical estimation of the number of hidden units for feedforward neural networks. Neural Networks, v.11, n.5, p. 851-859, 1998. doi

GOLDSCHMIDT, R.; PASSOS, E. Data mining: um guia prático. Rio de Janeiro: Elsevier, 2005. 261p.

HAYKIN, S. Redes neurais: princípios e prática. 2ed. Porto Alegre: Bookman, 2001.

HEATON, J. Programming Neural Networks with Encog3 in Java. 2ed. Heaton Research, Incorporated, 2011. 240p.

HIROSE, Y.; YAMASHITA, K.; HIJIYA, S. Back-propagation algorithm which varies the number of hidden units. Neural Networks, v.4, n.1, p. 61-66, 1991. doi

SCHUMACHER, F. X.; HALL, F. S. Logarithmic expression of timber-tree volume. Journal of Agricultural Research, v.47, n.9, p. 719-734, 1933.

SILVA, I. N.; SPATTI, H. D.; FLAUZINO, R. A. Redes Neurais Artificiais: para engenharia e ciências aplicadas. São Paulo: Artliber, 2010. 399p.