Artificial neural network and volumetric models for estimating the volume of Eucalyptus spp., in the coppicing regime at the Gypsum Pole of Araripe

Uma das maneiras de tornar mais eficiente a estimativa do volume das árvores de Eucalipto é a aplicação de ferramentas capazes de tornar as estimativas bem próximas do real. O objetivo deste trabalho foi comparar duas formas de estimativas de volume: modelos matemáticos por meio de métodos de regressão e redes neurais artificiais. O conjunto de dados utilizado resultou da segunda rotação do experimento contendo 15 clones, de Eucalyptus spp., Implantados na Estação Experimental do Instituto Agronômico de Pernambuco (IPA), localizada na região de Araripe, Pernambuco. O conjunto de dados foi composto por 2199 árvores, cubadas pelo método de Smalian. Foi mensurada a altura total, altura do fuste e diâmetros em várias posições no fuste. Para modelagem, as árvores foram agrupadas utilizando o teste de Skott-Knott, por clone e para todos os clones juntos. A avaliação dos ajustes da Rede Neural Artificial (RNA) considerou duas formas de entrada das variáveisindependentes: a) seções de volume e b) diâmetro à altura do peito (DAP) e altura total (Ht). O desempenho dos modelos matemáticos e RNA foi baseado no índice de adaptação de Schlaegel (\u1d43c\u1d434\u1d44e\u1d457), erro quadrático médio em percentual (RMSE%) e análise gráfica de resíduos. De acordo com os resultados obtidos, o modelo de Schumacher-Hall apresentou melhor desempenho estatístico para estimar o volume individual de Eucalyptus spp. A Rede Neural Artificial considerando o volume das seções como variáveis de entrada foi superior quando comparado com DAP e Ht como variáveis de entrada. O modelo de Silva-Borders e as Redes Neurais Artificiais considerando o volume das seções como variáveis de entrada são mais práticos para estimar o volume porque não consideram a variável Ht, que é muitas vezes difícil de medir no campo e onerosa.One of the ways to estimate volumes of the Eucalyptus trees with efficiency is to apply formulae that can make the estimates with precision. The objective of this work was to compare two ways of volume estimations: mathematical models through regression methods and the artificial neural networks. The data set used came from the second rotation of the experiment containing 15 clones, of Eucalyptus spp., implanted at the Experimental Station of the Agronomic Institute of Pernambuco (IPA), located in the Araripe region, Pernambuco, Brazil. The data set was composed of 2199 trees, cubed by the Smalian method. It was measured the total height, stem height and diameters at several position in the bole. For modeling, the trees were grouped using the Skott-Knott test, per clone and for all the clones together. The evaluation of Artificial Neural Network (ANN) adjustments considered two forms of input of the independent variables: a) volume sections and b) diameter at breast height (DBH) and total height (Ht). The performance of the mathematical volumetric models and ANN was based on Schlaegel fitting index (IAaj), root mean squared error in percentage (RMSE%) and graphic residuals analysis. According to the results, the Schumacher-Hall model presented better statistical performance for estimating the individual volume of Eucalyptus spp. The Artificial Neural Network considering the volume of the sections as input variables was superior when comparing with DBH and Ht as input variables. The Silva-Borders model and Artificial Neural Networks considering the volume of the sections as input variables are more practical to measure volumes because they do not consider the variable Ht, which is often difficult to measure in the field and costly.Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNP