Classificação da capacidade produtiva de povoamentos de eucalipto por meio de métodos tradicionais e redes Kohonen

Abstract

O objetivo do trabalho foi avaliar a eficiência da classificação da capacidade produtiva de povoamentos florestais de eucalipto (Eucalyptus ssp.) por meio de rede neural artificial (RNA). Os dados utilizados foram provenientes de inventários florestais contínuos conduzidos em povoamentos de clones de Eucalyptus ssp. localizados no estado de Minas Gerais. A classificação da capacidade produtiva foi realizada por meio de quatro métodos: curva-guia, predição dos parâmetros, equação das diferenças e rede neural artificial. Em todos os métodos foi adotada uma idade de referência de 72 meses e foram obtidas três classes de capacidade produtiva (superior, média e inferior). Para os métodos da curva-guia e equação das diferenças foi empregado o modelo de Schumacher linearizado e para o método da predição dos parâmetros foi utilizado o modelo logístico. Na classificação por meio de RNA utilizou-se a rede auto-organizável de Kohonen, sendo o agrupamento realizado em dois estágios. Na primeira etapa os dados foram utilizados para treinar a rede e na segunda etapa os vetores de pesos sinápticos foram agrupados utilizando o método do vizinho mais distante. Foram testadas diferentes entradas (E) para as RNA: E1- volume total com casca (V); E2- área basal (B); E3- altura total (Ht); E4- altura dominante (Hd); E5- diâmetro quadrático médio (q); e E6- V, B, Ht, Hd, q e número de árvores por hectare. A seleção da entrada foi realizada por meio da análise discriminante, sendo selecionada a entrada E6 com 83,6% de acerto geral. Os métodos foram comparados em termos de porcentagem de coincidência na alocação dos talhões, área e volume por classe de capacidade produtiva. As classes obtidas pelos métodos da curva-guia e equação das diferenças foram muito semelhantes de acordo com os critérios de comparação adotados. A classificação pelo método da predição dos parâmetros não foi semelhante aos outros métodos. A classificação por meio de rede neural artificial foi eficiente quando comparada aos demais métodos em termos de porcentagem de coincidência na alocação dos talhões, área e estoque volumétrico por classe de capacidade produtiva.