sexta-feira, 17 de março de 2017

Técnicas de modelagem



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.