Niska et al. (2010) realizou a classificação de espécies e estimação do cálculo de volumes de árvores de três diferentes tipos através varreduras de laser e imagens aéreas.
EmÖzçelik et al. (2010) redes neurais foram utilizadas para cálculo de volume de fustes de árvores de quatro diferentes espécies. Diamantopoulou (2010) realiza o tratamento de lacunas de diâmetros com a árvore em pé. Dados faltantes são essenciais para uma boa precisão no inventário florestal.
O trabalho deGuo et al. (2011) mostrou que redes neurais são eficientes para resolver problemas complexos não lineares como a distribuição de diâmetros.
Os trabalhos Soares et al. (2010), Soares et al. (2011) abordaram a predição recursiva para estimar diâmetros de clones do eucalipto pra o cálculo de volume. A abordagem utilizada consiste dar como entrada para a rede, medidas a 0.3, 0.7 e 1.3 de altura em relação ao solo. A saída da rede era o próximo diâmetro de 1 em 1 metro até a altura total. EmSoares et al. (2013) essa mesma abordagem é utilizada para o cálculo de volume comercial de eucalipto sem o conhecimento prévio da altura da árvore.
Com o objetivo de diminuir a quantidade de árvores cubadas para o processo de geração de equações volumétricas, (Marques da Silva et al., 2009) realizam a estimação de volumes de árvores de eucalipto. Como variáveis de entrada, os autores utilizaram o diâmetro à altura do peito 1,30 m (DAP), a altura e os diâmetros nas posições de 0,0; 0,5; 1,0; 1,5; 2,0; e 4,0 m do solo e os volumes obtidos até 2 e 4 m.
Técnicas de redes neurais e lógica fuzzy são utilizadas em Vieira et al. (2018) para estimar o crescimento de florestas de eucalipto, predizendo diâmetro e altura de cada árvore através do DAP.
Embora apliquem metodologia e espécies diferentes em seus trabalhos, um ponto em comum entre eles se dá na eficácia das RNAs e sua capacidade de trabalhar em aproximação de funções. Os resultados obtidos chegam próximos dos métodos manuais de mensuração. Assim, o uso de RNAs tende a contribuir para a precisão e ganho de tempo durante a elaboração de soluções florestais.
Mensurar parâmetros para uso direto em inventário florestal devem ser bastante precisos, visto que medições errôneas podem provocar problemas durante a avaliação dos resultados. Isto influência de maneira direta a construção do inventário florestal e consequentemente na tomada de decisão através dele.
4.2
Demais aplicações florestais
Os métodos utilizados nos diferentes trabalhos apresentados na seção anterior apresentam resultados significativos para o setor florestal. Em comparação com os resul- tados obtidos através de técnicas tradicionais como regressão linear ou até mesmo por
4.2 Demais aplicações florestais 52
técnicas manuais realizadas em campo as RNAs apresentam um caminho para a automa- ção destes processos.
O aumento do poder computacional permitiu a evolução de técnicas como o aprendizado profundo - Deep Learning. Embora as redes Multilayer Perceptron (MLP) sejam um tipo de aprendizado profundo, outras técnicas empregam abordagens com mais neurônios, camadas e outros mecanismos para moldar o comportamento dos neurônios. Tais abordagens requerem maior poder computacional.
Avaliação de áreas florestais após incêndios podem auxiliar profissionais flores- tais a utilizarem medidas prever a regeneração de árvores nas áreas queimadas. O trabalho de Debouk et al. (2013) aborda esse problema utilizando MLPs para analisar dados de Light Detection And Ranging - LiDAR, e classificar duas áreas em estágios de recupera- ção, através de medidas como altura das árvores. Os resultados obtidos chegam a 83% de precisão. Isso fornece a administração florestal, dados importantes para auxiliar a regene- ração dessas áreas.
Favan(2015) utiliza a RNA aplicada na discriminação de padrões de doenças flo- restais, utilizado para isso o reconhecimento de padrões de manchas foliares de bacteriose e manchas foliares ocasionadas por Cylindrocladium spp. em Eucalipto.
O trabalho dePohjankukka et al. (2016) utiliza MLPs para prever a capacidade do solo em suportar a trafegabilidade de maquinários durante a colheita florestal, criando rotas planejadas para evitar danos as raízes.
Através deste princípio outras arquiteturas de RNAs mostraram bastante podero- sas em determinadas tarefas.Khan et al. (2017) utiliza Convolutional Neural Networks (CNN) em imagens de satélite na detecção de mudanças em uma floresta. . Os resultados obtidos se tornam o novo estado na arte na detecção de mudanças florestais.
Ayrey & Hayes (2018) utiliza CNNs para interpretar dados aéreos obtidos através da tecnologia LIDAR, para auxiliar na elaboração precisa de inventário florestal realizando a contagem de árvores.
Técnicas de aprendizado profundo foram empregadas no trabalho Silva et al.
(2018), onde o autor utilizou técnicas de visão computacional para aquisição e tratamento de imagens e algoritmos clássicos de aprendizado de máquina e CNNs para a contagem de eucaliptos em uma determinada região. Os resultados alcançados por essa abordagem chegou a 95% de precisão.
Uma avaliação de métodos de classificação foram realizadas nos trabalhos de
dos Reis et al. (2018) eBrosofske et al. (2013). Em ambos os artigos, classificadores clássicos de aprendizado de máquina foram utilizados na estimação de atributos como área basal e volume.
Brosofske et al. (2013) realiza um mapeamento amplo de atributos florestais, considerando pontos negativos e positivos desde a extração de características até os
4.2 Demais aplicações florestais 53
modelos que melhor atendem tais demandas. Em ambos trabalhos, as Redes Neurais Artificiais apresentaram desempenhos ótimos para predição e classificação de diversos atributos florestais. Entretanto, ambas avaliações ressaltam que embora as RNAs tenham bastante êxito, muitas features são melhores trabalhadas com demais algoritmos que apresentam abordagens mais clássicas onde se tem um controle maior das variáveis.
Em relação aos benefícios práticos para o setor florestal, pode-se elencar a utilização saudável dos recursos florestais, contagem de árvores, diminuição no tempo da seleção de madeira para produção, combate ao desmatamento ilegal, classificação de estágios da floresta e acompanhamento na regeneração de áreas queimadas como os principais elementos beneficiados de acordo com os trabalhos publicados.
CAPÍTULO
5
Metodologia Proposta para Estimativa de
Diâmetros
Neste capítulo é apresentado a metodologia proposta neste trabalho. Além disso, são apresentados os dados e recursos utilizados além de alguns dos métodos tradicionais utilizados no inventário florestal. Estes métodos são utilizados para fins comparativos. Também são apresentadas as métricas estatísticas utilizadas para avaliar os modelos gerados.
5.1
Predição de Diâmetros como uma série temporal
A predição é um dos elementos fundamentais para a tomada de decisão de várias aplicações. Em um inventário florestal, predição de variáveis importantes como diâmetros, volume, altura, etc, são extremamente úteis para reduzir o custo do processo florestal e acelerar o levantamento de informações.
De acordo comSoares(2012) a predição de diâmetros pode ser entendida como um problema de séries temporais. Portanto, o problema de predição pode ser encarado como um problema de modelagem. Basicamente, um modelo é construído através das relações de entrada e saída, nesse contexto, a predição direta e recursiva representam alguns dos modelos aplicados na previsão de séries temporais (Ji et al.,2005).
A abordagem de predição direta constrói M + 1, diferentes modelos para prever valores de uma série,
ˆ
di+m= fm(di−1, di−2, ..., di−n), (5-1)
onde m = 0, 1, ...M, com M definido como o tamanho máximo do horizonte de predição. A variável di representa os diâmetros na altura i, que formam o regressor, onde n é o
tamanho do regressor.
A predição recursiva constrói o modelo realizando inicialmente um passo a frente.