Algoritmos de machine learning promovem redução de custos operacionais em experimentos florestais

Este estudo aplicou redes neurais artificiais para estimar alturas de árvores em experimentos com clones e espaçamentos de plantio comercial, buscando substituir medições completas e reduzir custos. O experimento incluiu 84 parcelas com 2.677 árvores, cujos dados de altura e circunferência à altura do peito foram coletados. Simulações reduziram amostras em cerca de 10% por vez, até alcançar 14,5% das alturas medidas, com o restante estimado por RNA. As árvores foram estratificadas por classes de diâmetro à altura do peito, exigindo ao menos uma altura observada por classe em cada parcela. As variáveis utilizadas incluíram material genético, DAP, DAP médio e máximo, Dg, altura média da parcela e área por planta. Os resultados demonstraram que mais de 97% dos desvios ficaram entre -10% e 10%, validando a precisão do método. Além disso, observou-se uma redução de até 40% no custo operacional com a adoção das estimativas via RNA.