Resumo |
O estado de Minas Gerais possui cobertura vegetal extremamente rica e diversa, agrupada em três grandes biomas: a Mata Atlântica, o Cerrado e a Caatinga, com suas inúmeras formações fitoecológicas, responsáveis por uma grande diversidade de paisagens. O último inventário do Estado disponibilizou uma série de dados, que permitem a condução de pesquisas objetivando o desenvolvimento de ferramentas para o gerenciamento dos recursos florestais destes biomas, a fim de otimizar o uso dos recursos e garantir a sustentabilidade da produção. Entre estas ferramentas, destacam-se as equações de volume e de carbono, em nível de povoamento, e as redes neurais artificiais (RNA). Com essas técnicas é possível estimar o potencial de produção de madeira, bem como simular diferentes alternativas de manejo para as florestas. Assim sendo, este projeto de pesquisa teve por objetivo: Ajustar modelos em nível de povoamento visando obter equações para estimar o estoque de volume e de carbono para as tipologias florestais naturais do estado de Minas Gerais; construir e treinar modelos de RNA para estimar esses estoques; e comparar os dois métodos supracitados e verificar o potencial de uso dos mesmos para estimar os dois estoques para as diferentes tipologias encontradas no estado. Os modelos de regressão testados foram o Schumacher e Hall e de Spurr. As redes neurais foram mais eficientes para estimar os volumes de madeira, em relação às equações ajustadas. Para o estoque de carbono, as equações ajustadas resultaram em maior precisão em relação à RNA no bioma Caatinga, mesma precisão no Cerrado e menor precisão no bioma Mata Atlântica. Para qualquer um desses biomas, maior exatidão com o emprego de redes neurais artificiais pode ser conseguida à medida em que forem incluídas mais variáveis de entrada, categóricas e contínuas, no treinamento das redes. Neste estudo foi utilizado algoritmo de treinamento Resilient propagation, RPROD+. Novamente, para outros conjuntos de dados, é possível que outros algoritmos sejam mais eficientes, resultando em maior exatidão em relação aos resultados deste estudo, dentre eles, o Skip Layer, o Neat e o usual Backpropagation. |