MODELOS MISTOS GENERALIZADOS E APRENDIZAGEM DE MÁQUINAS APLICADOS NA ESTIMATIVA DA ALTURA, AFILAMENTO E VOLUME TOTAL E PARCIAL DE ÁRVORES DE Pinus spp.
Palavras-chave: Modelos mistos; Redes neurais artificiais; Relação hipsométrica; Volumetria florestal; Afilamento do fuste; Modelagem florestal.
A preocupação com o planejamento, ordenamento e a utilização da madeira exigem cada vez mais uma maior precisão. Além disso, as necessidades crescentes da predição dos multiprodutos das florestas têm corroborado para o emprego de diversas técnicas de modelagem para descrever o perfil dos fustes. Essas técnicas compreendem o uso de modelos mistos e o uso de aprendizagem de máquinas, tendo proporcionado ganhos de precisão. Dessa forma, este trabalho avaliou, além de modelos clássicos de regressão locais e modelos genéricos, a aplicação de métodos alternativos, como Modelos Mistos e Redes Neurais Artificiais em diferentes etapas da mensuração florestal (predição da altura e modelagem do afilamento do fuste). Os dados utilizados no presente estudo foram obtidos em plantios de Pinus spp., situados no município de Nova Ponte, Minas Gerais. Foram testadas diferentes configurações dos métodos e, a partir de medidas estatísticas de qualidade das predições, foi verificado o ganho de precisão com o uso das técnicas propostas. Para a avaliação das predições realizadas pelos diferentes métodos, em cada etapa e seleção dos melhores modelos, foram considerados os critérios: raiz do erro quadrático médio (RMSE), erro médio absoluto percentual (MAPE), índice de eficiência do modelo (EF), desvio médio (BIAS), Critério de informação de Akaike (AIC), Critério Bayesiano de Schwarz (BIC), teste da razão de verossimilhança (MLRT), teste t pareado, teste de Wilcoxon signed rank pareado e analises gráficas das distribuições e histogramas dos resíduos.Todas as análises foram realizadas por meio da linguagem de programação R. A equação de Ratkowsky (1990) destacou-se como a mais adequada para explicar a interação entre altura e diâmetro das árvores de Pinus caribaea var. hondurensis. A inclusão do diâmetro dominante e altura dominante resultou em melhorias significativas nas predições da altura total das árvores em diferentes sítios e com diferentes idades. A introdução de efeitos aleatórios e calibração por unidade amostral demonstrou grande eficácia na melhoria dos modelos hipsométricos. Além disso, as alternativas de calibrações mais adequadas foram identificadas, sendo necessário nove árvores distribuídas igualmente em diferentes classes diamétricas para o modelo local na forma mista e, para o modelo que já possuía variáveis a nível de parcela, a calibração não foi necessária. As Redes Neurais Artificiais demonstraram pouca capacidade de generalização, resultando em predições viesadas para a base de dados de teste. Considerando a modelagem do afilamento do fuste, a modelagem com efeitos aleatórios e a função de autocorrelação contínua de primeira ordem proporcionaram melhorias significativas ao modelo de Kozak (2004), tornando os modelos mais coerentes com os dados, resultando em valores significamente iguais aos reais para Pinus caribaea var. caribaea e Pinus oocarpa. As Redes Neurais Artificiais demonstraram eficiência na predição de diâmetro ao longo do fuste e volume total para Pinus caribaea var. caribaea e Pinus caribaea var. hondurensis, gerando predições estatisticamente iguais aos valores observados de forma simultânea para as duas espécies por meio de variáveis dummy. Os resultados encontrados neste trabalho evidenciam a capacidade da modelagem mista e das Redes Neurais Artificias proporcionarem ganhos significativos de precisão nas predições de atributos florestais. Além disso, demonstrou-se a necessidade de estudos mais aprofundados sobre a otimização de estratégias para a seleção da estrutura mais apropriada das Redes Neurais Artificias e interpretação de seus parâmetros ajustados. Também, recomenda-se a adição de outros atributos a nível de parcela, a fim de melhorar a representação do afilamento dos fustes das árvores, desde que a coleta destas variáveis não comprometam a viabilidade das operações de inventário florestal.