Modeling of growth and production of Eucalyptus spp stands using supervised machine learning
Resumo
O Setor florestal é um dos mais importantes pilares da economia brasileira devido a sua alta produtividade de madeira. Diversos estudos estão sendo feitos buscando desenvolver um método computacional capaz de estimar a produção de maneira eficaz a fim de diminuir os custos de produção. O objetivo do estudo foi desenvolver modelos de aprendizado de máquina capazes de estimar a produção de eucalipto presente e futura com alta precisão, avaliando modelos relevantes de aprendizado de máquina, como redes neurais e máquina de vetores de suporte (SVM), em relação ao modelo de Clutter, amplamente adotado pela indústria florestal. Um estudo de caso conduzido sobre dados reais obtidos a partir de dados de um inventário florestal contínuo mostrou que SVM é eficiente para estimar crescimento e produção de eucaliptos.
Palavras-chave:
Produção de eucalipto, aprendizado de máquina supervisionado, indústria florestal, redes neurais, máquina de vetor de suporte
Referências
Alcântara, A. E. M. (2012). Alternativas de modelagem para projeção do crescimento de eucalipto em nível de povoamento. 2012. 52 p. PhD thesis, Dissertação (Mestrado)–Universidade Federal de Viçosa, Viçosa.
Binoti, M. (2012). Emprego de redes neurais artificiais em mensuração e manejo florestal. 2012. 130 f. PhD thesis, Tese (Doutorado em Ciência Florestal)–Universidade Federal de Viçosa, Viçosa, MG.
Breiman, L. (2001). Random forests. Machine learning, 45:5–32.
Brink, H., Richards, J., and Fetherolf, M. (2016). Real-world machine learning. Simon and Schuster.
Campos, A. S., Silva, D. S., Lienard, R. B. D., Freitas, M. C. S., Moura, J. N. M., and Trazzi, P. A. (2022). Análises bibliométricas sobre a produção e tecnologia de celulose e papel de eucalipto. In 9° Congresso Florestal Brasileiro, volume 1, pages 365–368.
Campos, J. and Leite, H. (2017). Mensuração florestal: perguntas e respostas (636 p.). Viçosa: Editora UFV.
Carneiro, M. G. (2017). Redes complexas para classificação de dados via conformidade de padrão, caracterização de importância e otimização estrutural. PhD thesis, Universidade de São Paulo.
Castro, R., Boechat Soares, C. P., Leite, H. G., Lopes de Souza, A., Saraiva Nogueira, G., and Bolzan Martins, F. (2013a). Individual growth model for eucalyptus stands in brazil using artificial neural network. International Scholarly Research Notices, 2013.
Castro, R. V. O., Soares, C. P. B., Martins, F. B., and Leite, H. G. (2013b). Crescimento e produção de plantios comerciais de eucalipto estimados por duas categorias de modelos. Pesquisa Agropecuária Brasileira, 48:287–295.
Clutter, J. L. (1963). Compatible growth and yield models for loblolly pine. Forest science, 9(3):354–371.
Cordeiro, M. A., Arce, J. E., Guimarães, F. A. R., Bonete, I. P., Silva, A. V. d. S., Abreu, J. C. d., and Binoti, D. H. B. (2022). Estimativas volumétricas em povoamentos de eucalipto utilizando máquinas de vetores de suporte e redes neurais artificiais. Madera y bosques, 28(1).
Dai, P. V. S., Baio, F. H. R., AZEVEDO, G. d., Fagundes, L. A., and Trento, A. C. S. (2021). Estimativa de volume de madeira baseada em índices de vegetação. Scientia Forestalis, 49(129):e3301.
De Freitas, E. C. S., de Paiva, H. N., Neves, J. C. L., Marcatti, G. E., and Leite, H. G. (2020). Modeling of eucalyptus productivity with artificial neural networks. Industrial Crops and Products, 146:112149.
Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M., and Chica-Rivas, M. (2015). Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71:804–818.
Gorgens, E. B., Leite, H. G., Santos, H. d. N., and Gleriani, J. M. (2009). Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, 33:1141–1147.
Haykin, S. (2001). Redes neurais: princípios e prática. Bookman Editora.
Ibá (2022). Relatório Anual. Industria Brasileira de Árvores.
Maxwell, A. E., Warner, T. A., and Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9):2784–2817.
Pagliarussi, M. S. (2018). O ensino do modelo clássico de regressão linear por meio de simulação de monte carlo. 12:e152100.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Penido, T. M. A., Lafetá, B. O., Nogueira, G. S., Alves, P. H., Gorgens, E. B., and Oliveira, M. d. (2020). Modelos de crescimento e produção para a estimativa volumétrica em povoamentos comerciais de eucalipto. Scientia Forestalis, 48(128):e3340.
Reis, L. P., de Souza, A. L., dos Reis, P. C. M., Mazzei, L., Soares, C. P. B., Torres, C. M. M. E., da Silva, L. F., Ruschel, A. R., Rêgo, L. J. S., and Leite, H. G. (2018). Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, 112:140–147.
Rex, F, E. (2019). Estimativas do estoque e dinâmica de biomassa acima do solo utilizando diferentes abordagens estatı̀stcas e dados Lidar em floresta tropical. 2019. 119 f. PhD thesis, Dissertação (Mestrado)–Universidade Federal do Parana, Curitiba, PR.
Santos, D. E. C. (2021). Regressão e deep learning aplicados em modelagem de árvore individual para eucalipto.
Were, K., Bui, D. T., Dick, Ø. B., and Singh, B. R. (2015). A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an afromontane landscape. Ecological Indicators, 52:394–403.
Binoti, M. (2012). Emprego de redes neurais artificiais em mensuração e manejo florestal. 2012. 130 f. PhD thesis, Tese (Doutorado em Ciência Florestal)–Universidade Federal de Viçosa, Viçosa, MG.
Breiman, L. (2001). Random forests. Machine learning, 45:5–32.
Brink, H., Richards, J., and Fetherolf, M. (2016). Real-world machine learning. Simon and Schuster.
Campos, A. S., Silva, D. S., Lienard, R. B. D., Freitas, M. C. S., Moura, J. N. M., and Trazzi, P. A. (2022). Análises bibliométricas sobre a produção e tecnologia de celulose e papel de eucalipto. In 9° Congresso Florestal Brasileiro, volume 1, pages 365–368.
Campos, J. and Leite, H. (2017). Mensuração florestal: perguntas e respostas (636 p.). Viçosa: Editora UFV.
Carneiro, M. G. (2017). Redes complexas para classificação de dados via conformidade de padrão, caracterização de importância e otimização estrutural. PhD thesis, Universidade de São Paulo.
Castro, R., Boechat Soares, C. P., Leite, H. G., Lopes de Souza, A., Saraiva Nogueira, G., and Bolzan Martins, F. (2013a). Individual growth model for eucalyptus stands in brazil using artificial neural network. International Scholarly Research Notices, 2013.
Castro, R. V. O., Soares, C. P. B., Martins, F. B., and Leite, H. G. (2013b). Crescimento e produção de plantios comerciais de eucalipto estimados por duas categorias de modelos. Pesquisa Agropecuária Brasileira, 48:287–295.
Clutter, J. L. (1963). Compatible growth and yield models for loblolly pine. Forest science, 9(3):354–371.
Cordeiro, M. A., Arce, J. E., Guimarães, F. A. R., Bonete, I. P., Silva, A. V. d. S., Abreu, J. C. d., and Binoti, D. H. B. (2022). Estimativas volumétricas em povoamentos de eucalipto utilizando máquinas de vetores de suporte e redes neurais artificiais. Madera y bosques, 28(1).
Dai, P. V. S., Baio, F. H. R., AZEVEDO, G. d., Fagundes, L. A., and Trento, A. C. S. (2021). Estimativa de volume de madeira baseada em índices de vegetação. Scientia Forestalis, 49(129):e3301.
De Freitas, E. C. S., de Paiva, H. N., Neves, J. C. L., Marcatti, G. E., and Leite, H. G. (2020). Modeling of eucalyptus productivity with artificial neural networks. Industrial Crops and Products, 146:112149.
Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M., and Chica-Rivas, M. (2015). Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71:804–818.
Gorgens, E. B., Leite, H. G., Santos, H. d. N., and Gleriani, J. M. (2009). Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, 33:1141–1147.
Haykin, S. (2001). Redes neurais: princípios e prática. Bookman Editora.
Ibá (2022). Relatório Anual. Industria Brasileira de Árvores.
Maxwell, A. E., Warner, T. A., and Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9):2784–2817.
Pagliarussi, M. S. (2018). O ensino do modelo clássico de regressão linear por meio de simulação de monte carlo. 12:e152100.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Penido, T. M. A., Lafetá, B. O., Nogueira, G. S., Alves, P. H., Gorgens, E. B., and Oliveira, M. d. (2020). Modelos de crescimento e produção para a estimativa volumétrica em povoamentos comerciais de eucalipto. Scientia Forestalis, 48(128):e3340.
Reis, L. P., de Souza, A. L., dos Reis, P. C. M., Mazzei, L., Soares, C. P. B., Torres, C. M. M. E., da Silva, L. F., Ruschel, A. R., Rêgo, L. J. S., and Leite, H. G. (2018). Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, 112:140–147.
Rex, F, E. (2019). Estimativas do estoque e dinâmica de biomassa acima do solo utilizando diferentes abordagens estatı̀stcas e dados Lidar em floresta tropical. 2019. 119 f. PhD thesis, Dissertação (Mestrado)–Universidade Federal do Parana, Curitiba, PR.
Santos, D. E. C. (2021). Regressão e deep learning aplicados em modelagem de árvore individual para eucalipto.
Were, K., Bui, D. T., Dick, Ø. B., and Singh, B. R. (2015). A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an afromontane landscape. Ecological Indicators, 52:394–403.
Publicado
25/09/2023
Como Citar
ARAUJO, Rafael M. C.; SOARES, Alvaro A. V.; SILVA, Antonilmar A. L.; MARTINS, Bruno F.; CARNEIRO, Murillo G..
Modeling of growth and production of Eucalyptus spp stands using supervised machine learning. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 20. , 2023, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1-14.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2023.232893.
