Estimación de la población de Eucalyptus urophylla S.T. Blake usando redes neuronales artificiales e índices de vegetación
DOI:
https://doi.org/10.33448/rsd-v12i11.43665Palabras clave:
Inventario forestal; Índice de vegetación; Inteligencia artificial.Resumen
En Brasil, las áreas forestales plantadas cubren el 54,4% y la realización de inventarios forestales es fundamental para la gestión forestal. Los métodos tradicionales de recopilación de inventarios son laboriosos y costosos. Una alternativa ha sido combinar datos de sensores remotos y redes neuronales artificiales (RNA) como enfoque comparativo. El objetivo de este estudio es evaluar la concordancia entre las estimaciones de biomasa realizadas por redes neuronales artificiales utilizando índices de vegetación y el método tradicional de inventario forestal. Se utilizó un inventario del año 2011, realizado en el municipio de Rio Verde, Goiás, en un rodal de Eucalyptus urophylla S. T. Blake, perteneciente a la Cooperativa Agroindustrial dos Produtores Rurais do Sudoeste Goiano (COMIGO), 23 parcelas de muestreo aleatorio de 400 En m² se recogieron el diámetro, altura, volumen y otros parámetros. Se adquirieron imágenes satelitales RapidEye e índices de vegetación como NDVI, MSAVI, NDRE y EVI. Se entrenaron y validaron redes neuronales artificiales en el programa NeuroForest Star para estimar el volumen de árboles por parcela. Los resultados indicaron que las estimaciones eran comparables a los enfoques tradicionales de inventario forestal. Además, las correlaciones oscilaron entre -0,84 y 0,99, con un error estándar de la estimación relativa (syx%) que oscila entre el 0,20% y el 16,59%. Las diferentes arquitecturas de redes neuronales artificiales presentaron variaciones en las estimaciones de volumen, y algunas no se mostraron estables en la etapa de validación. Sin embargo, las arquitecturas de los índices NDRE y MSAVI destacaron por su estabilidad para las estimaciones de volumen por parcela, demostrando la efectividad de las RNA como un método eficiente y accesible.
Citas
Almeida, A. Q. D., Mello, A. A. D., Neto, A. L. D., & Ferraz, R. C. (2014). Relações empíricas entre características dendrométricas da Caatinga brasileira e dados TM Landsat 5. Pesquisa Agropecuária Brasileira, 49, 306-315.
Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., ... & Moran, M. S. (2000, July). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the fifth international conference on precision agriculture, Bloomington, MN, USA (Vol. 1619, p. 6).
Bhering, L. L., Cruz, C. D., Peixoto, L. D. A., Rosado, A. M., Laviola, B. G., & Nascimento, M. (2015). Application of neural networks to predict volume in eucalyptus. Crop Breeding and Applied Biotechnology, 15, 125-131.
Binoti, D. H. B., Binoti, M. L. M. D. S., Leite, H. G., Silva, A. A. L. D., & Albuquerque, A. C. (2013c). Modelagem da distribuição de diâmetros utilizando autômatos celulares e redes neurais artificiais. Cerne, 19, 677-685.
Binoti, D. H., Binoti, M. L. D. S., Leite, H. G., & Silva, A. (2013a). Redução dos custos em inventário de povoamentos equiâneos. Revista Brasileira de Ciências Agrárias, 8(1), 125-129.
Binoti, D. H. B., Binoti, M. L. M. S., & Leite, H.G. (2013a). NeuroForest Star. Patente: Programa de Computador. Número do registro: 13410-5, data de registro: 30/04/2013, título: "NeuroForest Star", Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.
Binoti, M. L. M. D. S. (2010). Redes neurais artificiais para prognose da produção de povoamentos não desbastados de eucalipto.
Binoti, M. L. M. D. S. (2012). Emprego de redes neurais artificiais em mensuração e manejo florestal. Tese (doutorado) Universidade Federal de Viçosa, Viçosa – MG.
Binoti, M. L. M. D. S., Binoti, D. H. B., & Leite, H. G. (2013d). Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, 37, 639-645.
Binoti, M. L. M. D. S., Binoti, D. H. B., Leite, H. G., Garcia, S. L. R., Ferreira, M. Z., Rode, R., & Silva, A. A. L. D. (2014). Redes neurais artificiais para estimação do volume de árvores. Revista Árvore, 38, 283-288.
Binoti, M. L. M. D. S., Leite, H. G., Binoti, D. H. B., & Gleriani, J. M. (2015). Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, 21, 97-105.
Campos, J. C. C., & Leite, H. G. (2009). Mensuração florestal: perguntas e respostas. rev. e ampl. Viçosa, MG: Universidade Federal de Viçosa, 548p.
Castro, R. V. O., Araújo, R. A. A., Leite, H. G., Castro, A. F. N. M., Silva, A., Pereira, R. S., & Leal, F. A. (2016). Modelagem do crescimento e da produção de povoamentos de eucalyptus em nível de distribuição diamétrica utilizando índice de local. Revista Árvore, 40, 107-116.
Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.
Chaves, R. D. A., Reis, M. D. G. F., Reis, G. G. D., Pezzopane, J. E. M., Xavier, A., & Monte, M. A. (2007). Dinâmica de cobertura de dossel de povoamento de clone de Eucalyptus grandis w. hill ex-maiden submetidos a desrama artificial a desbaste. Revista Árvore, 31, 989-998.
Chen, W. C., Tseng, L. Y., & Wu, C. S. (2014). A unified evolutionary training scheme for single and ensemble of feedforward neural network. Neurocomputing, 143, 347-361.
Colbert, K. C., Larsen, D. R., & Lootens, J. R. (2002). Height-diameter equations for thirteen midwestern bottomland hardwood species. Northern Journal of Applied Forestry, 19(4), 171-176.
Costa, A. C. D., Pinto, J. R. R., Miguel, E. P., Xavier, G. D. O., Marimon, B. H., & Aparecido Trondoli Matricardi, E. (2023). Artificial intelligence tools and vegetation indices combined to estimate aboveground biomass in tropical forests. Journal of Applied Remote Sensing, 17(2), 024512-024512.
Costa, O. B. D. (2017). Degradação Florestal por extração seletiva e fogo na Amazônia Legal. Tese de Doutorado em Ciências Florestais, Publicação PPGEFL.TD - 074/2017. Departamento de Engenharia Florestal, Universidade de Brasília, Brasília, DF, 2017.
Draper, N., & Smith, H. (1998). Applied regression analysis. John Wiley e Sons. (3a ed.).
Ferreira, C. A., Mello, H. A., & Kajiya, S. (1977). Estimativa do volume de madeira aproveitável para celulose em povoamentos de Eucalyptus spp.: determinação de equações para o cálculo do volume de povoamentos de Eucalyptus spp. IPEF, Piracicaba, 14, 29-50.
Haykin, S. (2001). Redes neurais: princípios e prática. (2a ed.), Bookman.
Instituto Brasileiro de Geografia e Estatística – IBGE. (2014). Manual técnico da vegetação brasileira. (2a ed.).
Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583-621.
Kuan, C. M., & White, H. (1994). Artificial neural networks: An econometric perspective. Econometric Reviews, 13, 1-91.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A. (2013). Técnicas de sensoriamento remoto e geoestatística aplicadas em um povoamento de Eucalyptus urophylla S.T. Blake para estimativa de volume. Dissertação de mestrado em Ciências Florestais. Publicação PPGEFL.DM-190/2013. Departamento de Engenharia Florestal, Universidade de Brasília - UnB, Brasília/DF.
Leal, F. A., Castro, R. V. O., & Matricardi, E. A. T. (2017). Validação de modelos de afilamento para estimativa do diâmetro, altura e volume em povoamento comercial de eucalipto. Revista Brasileira de Biometria, 35(3), 449-460.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A., Miguel, E. P., Matricardi, E. A. T., & Pereira, R. S. (2015). Artificial neural networks in volume estimation at eucalyptus plantation using hemispherical photographs and number of trees. Revista Brasileira de Biometria, 33(2), 234-250.
Leite, H. G., Neto, R. R. de O., Monte, M. A., Fardin, L., Alcantra, A. M., Binoti, M. L. M. da S., & Castro, R. V. O. (2011). Modelo de afilamento de cerne de Tectona grandis Lf (Taper models of heartwood of Tectona grandis Lf). Scientia forestalis, Piracicaba, 39(89), 053-059.
Machado, S. A., & Figueiredo Filho, A. (2009). Dendrometria, 2ª edição. Guarapuava: UNICENTRO.
Pélico Neto, S., & Brena, A. D. (1997). Inventário Florestal. Curitiba: Editorado pelos autores.
Riedmiller, M., & Braun, H. (1993). A direct adaptive method for faster backpropagation learning: the RPORP algorithm. In: IEEE International Conference On Neural Networks, 1993. Proceedings (pp. 586-591). IEEE.
Rodrigues, T. W. P., Guimarães, U. S., Rotta, L. H. D. S., Watanabe, F. S. Y., Alcântara, E., & Imai, N. N. (2016). Delineamento amostral em reservatórios utilizando imagens Landsat-8/OLI: um estudo de caso no reservatório de Nova Avanhandava (Estado de São Paulo, Brasil). Boletim de Ciências Geodésicas, 22, 303-323.
Weng, L., Kang, Y., Jiang, K. & Chen, C. (2022). Redes Neurais Convolucionais Time Gated para Classificação de Culturas. Pré-impressão do arXiv arXiv:2206.09756.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Moises Parreiras Pereira; Fabrício Assis Leal ; Glória da Silva Almeida Leal ; Valdemar de Matos Paula; Alan Augusto Nobre Feitosa; Symone Maria de Melo Figueiredo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
