Diversas são as técnicas
disponíveis para a modelagem do crescimento e da produção de florestas. Estas
técnicas baseiam-se em métodos matemáticos e estatísticos para relacionar
variáveis mensuráveis em uma população florestal com o seu crescimento e
consequente produção. Ou seja, utilizar variáveis explicativas do crescimento e
da produção para obter generalizações que permitam a predição dos mesmos em um
período futuro. Algumas técnicas são mais apropriadas para determinadas
situações.
São exemplos de técnicas
de modelagem do crescimento e da produção em nível de povoamento o ajuste de
modelos de regressão linear (OLIVEIRA, 2007) e não linear (CORDERO E VELLILA,
2004) e o ajuste e emprego de Redes Neurais Artificiais (CASTRO et al. 2015).
Exemplos de técnicas para modelagem da distribuição diamétrica de povoamentos
florestais são o uso de cadeias de Markov (MENON et al. 2010) e o ajuste de
funções de densidade de probabilidade (NOGUEIRA, 2003). Há também a modelagem
em nível de árvores individuais (CASTRO, 2011) e (MARTINS, 2011).
Um aspecto interessante
dos modelos de regressão que os torna, geralmente, preferíveis a outras
técnicas para a modelagem do crescimento e da produção florestal,
principalmente quando comparados às heurísticas, é que seus parâmetros são interpretáveis.
Embora técnicas de Inteligência Artificial como Redes Neurais possam apresentar
um melhor desempenho principalmente ao predizer fenômenos futuros, seus
parâmetros são quase sempre não-interpretáveis de um ponto de vista biológico (PENG
e WEN, 1999). Já com
relação aos modelos de regressão, a sua estrutura é embasada em algum
fundamento da realidade (BORDERS, 1989). Embora sejam mais simples
estruturalmente porque possuem menos parâmetros, cada um de seus parâmetros
possui uma razão para compor este modelo. Cada um de seus parâmetros possui uma
justificativa embasada na realidade. No caso de modelos de crescimento e de
produção ajustados por técnicas de regressão, cada um de seus coeficientes
possui um fundamento biológico (SOARES et al. 1995).
Redes Neurais e outras heurísticas
De um modo geral, técnicas heurísticas apresentam
um melhor desempenho na predição de fenômenos futuros. Segundo Castro et al.
(2015), as camadas ocultas das Redes Neurais podem extrair padrões não lineares
dos dados.
Redes Neurais são mais acuradas que outras técnicas
estatísticas, particularmente quando o problema em questão é pouco entendido ou
mal interpretado. Redes Neurais não requerem um conhecimento a priori do
processo subjacente ou suposições acerca da estrutura da função alvo (PENG e
WEN, 1999).
Uma das vantagens das ferramentas de Inteligência
Artificial é que, em geral, as mesmas não são sensíveis a colinearidade,
normalidade ou linearidade (GÖRGENS et al. 2015). Por outro lado, a obtenção da
arquitetura adequada da Rede Neural depende de inúmeras tentativas, a fim de
gerar resultados satisfatórios, uma vez que este processo é aleatório, ou seja,
o número de neurônios por camadas não se baseia em nenhum critério, apenas em
tentativa (SILVA, 2009).
Redes Neurais são geralmente tratadas como sendo
caixas-pretas, porque os pesos são não-interpretáveis devido a presença de
camadas ocultas e por causa da não-linearidade da função de ativação. Elas não
são autoexplicativas; não há testes padrões que possam medir o grau de
variabilidade nas saídas explicadas por estas entradas ou nível de
significância dos preditores (PENG e WEN, 1999). Esta é uma das razões que
manejadores florestais são menos propensos a usar RNA em detrimento de um
procedimento mais familiar e melhor entendido, tal como análise de regressão.
Referências
BORDERS, B. E. Systems of
equations in forest stand modeling. Forest
Science, v. 35, n. 2, p. 548-556, Jun. 1989.
CAMARGOS, J. L. Modelagem do crescimento e
produção florestal com número variável de parcelas mensuradas. Diamantina:
UFVJM, 2017. 107 p. Dissertação (Mestrado). Programa de Pós-Graduação em
Ciência Florestal, Universidade Federal dos Vales do Jequitinhonha e Mucuri,
Diamantina-MG, 2017.
CASTRO, R. V. O. et al. Artificial neural networks effectiveness to estimate mortality in a
semi-deciduous seasonal forest. Australian
J. of Basic & Appl Sci, v. 9, n. 5, p. 435-444, Mar. 2015.
CASTRO, R. V. O. Modelagem do crescimento em nível de árvores individuais utilizando
redes neurais e autômatos celulares. Viçosa: UFV, 2011. 80 p. Dissertação
(Mestrado). Programa de Pós-Graduação em Ciência Florestal, Universidade
Federal de Viçosa, Viçosa, 2011.
CORDERO, R. A.; VELILLA, E.
P. A nonlinear growth and yield system of equations for Eucalyptus globulus using multistage methods. The Economics and Management of High Productivity Plantations,
Lugo-Spain, Conference Paper, p. 27-30, 2004.
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,
p.221-227, Ago. 2015.
MARTINS, F. B. Modelagem
do crescimento em nível de árvore individual para plantios comerciais de
eucaliptos. Viçosa: UFV, 2011. 143 p. Tese (Doutorado). Programa de
Pós-Graduação em Ciência Florestal, Universidade Federal de Viçosa, Viçosa,
2011.
MENON, M. U. et al. Matriz de
transição para predição da distribuição diamétrica em Floresta Ombrófila Mista
na flona de Irati (PR). Ambiência,
Guarapuava-PR, v. 6, n. 2, p. 271-280, Mai.-Ago. 2010.
NOGUEIRA, G. S. Modelagem do crescimento e da produção de povoamentos de Eucalyptus sp. e de Tectona grandis submetidos a desbaste. Viçosa: UFV, 2003. 132
p. Tese (Doutorado). Programa de Pós-Graduação em Ciência Florestal,
Universidade Federal de Viçosa, Viçosa, 2003.
OLIVEIRA, M. L. R. Mensuração e modelagem do crescimento e da produção de povoamentos
não-desbastados de clones de eucalipto. Viçosa: UFV, 2007. 103 p. Tese
(Doutorado). Programa de Pós-Graduação em Ciência Florestal, Universidade
Federal de Viçosa, Viçosa, 2007.
PENG, C.; WEN, X. Recent
applications of artificial neural networks in forest resource management: an
overview. American Association for Artificial Intelligence; 1999. AAAI
Technical Report WS-99-07.
SILVA, M. L. M. et al. Ajuste do
modelo de Schumacher e Hall e aplicação de Redes Neurais Artificiais para
estimar volume de árvores de eucalipto. Revista
Árvore, Viçosa-MG, v. 33, n. 6, p. 1133-1139, 2009.
SOARES, P. et al. Evaluating a growth model for forest management using continuous forest
inventory data. Forest Ecology and
Management, v. 71, n. 1, p. 251-265, 1995.
