Diferentes configurações do Random Forest para estimativa volumétrica na Floresta Nacional do Amapá

- 337943
Pôster
Favoritar este trabalho
Como citar esse trabalho?
Resumo

A estimativa do volume em florestas nativas, principalmente, na Amazônia sempre precisou se desdobrar para adaptar e encontrar equações volumétricas precisas. A conciliação de modelos dendrométricos preditivos com o campo do Aprendizado de Máquina (AM) ou Machine Learning permitiu novas opções mais precisas e eficientes. Uma das AM mais utilizadas trabalhadas no mercado é o Random Forest (RF) ou Floresta Aleatória, baseada em um conjunto de árvores de decisão, que já mostrou um bom desempenho ao estimar o volume e altura em florestas nativas. A partir disso, o objetivo deste trabalho foi avaliar a quantidade de árvores de decisão do Random Forest para estimativa volumétrica da Floresta Nacional do Amapá (FLONA). Os dados são oriundos de inventários contínuos e cubagem rigorosa, usando a fórmula de Smalian, na FLONA. Para sua análise, foi usado o software R. os dados foram separados em 70% em treinamento e 30% para validação. As variáveis de entrada foram o diâmetro a 1,30 m do solo (D), a altura comercial (H) e a espécie. Foram testadas três quantidades de árvores de decisão diferentes - 500, 1000 e 2000 - e os critérios de avaliação foram o coeficiente de correlação (R), a raiz quadrada do erro quadrático médio (RMSE) e análise do resíduo. O modelo com melhor desempenho foi o com 2000 árvores com o R= 0.9322 e o RMSE =2.475 e resíduo baixo. Conclui-se que o Random forest produziu um bom resultado na estimativa volumétrica na FLONA.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade do Estado do Amapá
  • 2 Universidade Federal do Amapá
Eixo Temático
  • Manejo Florestal
Palavras-chave
Mensuração Florestal
Inteligência Artificial
Manejo Florestal