Modelos volumétricos e Redes Neurais Artificiais são acurados para a predição do volume individual em povoamentos de Tectona grandis Linn.F

Abstract

A Tectona grandis Linn. F. (teca) é uma das espécies tropicais com madeira mais valiosa do mundo, que possui alta demanda, o que causou um intenso crescimento de plantios no território brasileiro. Tendo em vista seu alto valor comercial, é imprescindível estimativas acuradas de seu volume nos inventários florestais. Portanto, esse estudo buscou comparar o desempenho das estimativas de volume individual de teca por intermédio de modelos volumétricos e Redes Neurais Artificiais (RNA) em um povoamento clonal na Amazônia Oriental. Foram cubadas 149 árvores utilizando o método relativo de Hohenadl, com idades variando de 4 a 12 anos. Desses dados, 70 % foram usados no ajuste dos modelos volumétricos e no treino das RNAs, e os demais 30 % na validação utilizando o teste de bootstrap. As redes treinadas foram do tipo Multilayer Perceptron, supervisionadas. A precisão do ajuste dos modelos volumétricos e das RNAs treinadas foi avaliada utilizando o erro padrão residual absoluto e percentual da estimativa (Syx e Syx %), do coeficiente de correlação (r) e da análise gráfica de resíduos. A acurácia da RNA e do modelo volumétrico mais precisos, frente o volume verdadeiro, foram comparados pelo teste de Kruskal-Wallis e como estatística complementar a diferença agregada. Os modelos e as redes apresentaram medidas acuradas, dos quais o modelo de Takata e a RNA nº 4 alcançaram uma correlação de 0,991 e erro menor que 7,5 %. Embora a rede tenha tido uma ligeira superioridade, o teste de Kruskal-Wallis não indicou diferença significativa entre o volume estimado pelas diferentes categorias (regressão e inteligência artificial) frente ao volume real, sendo ambos capazes de gerar estimativas acuradas.