Artificial neural networks for prognosis of growth and yield of eucalyptus stands in Minas Gerais

O crescimento de um povoamento de eucalipto depende de vários fatores, como: genótipo, idade, qualidade do local e tratamentos silviculturais. Em relação à capacidade produtiva, os fatores ambientais mais relevantes são: a disponibilidade de água para as plantas ao longo dos anos, a temperatura e a radiação solar. Os modelos mais utilizados no Brasil, para estimar a produção futura de povoamentos florestais, são aqueles em nível de povoamento, que estimam o crescimento e, ou, a produção, fazendo uso de variáveis, como: idade, área basal e índice de local. Ferramentas utilizando inteligência artificial, como as redes neurais artificiais (RNA), vêm sendo utilizadas no setor florestal, em substituição aos modelos de regressão, apresentando superioridade de precisão das estimativas. Outra abordagem é o emprego de modelos processuais (ecofisiológicos), como o 3PG, que descrevem o crescimento das florestas baseando-se em processos que apresentam relações com os meios físicos e biológicos. O objetivo deste estudo foi aplicar e validar redes neurais artificiais e propor uma nova metodologia para prognose do crescimento e da produção, além de gerar mapas de classes de produtividade aos 6 e 7 anos de idade para todo o Estado de Minas Gerais. Os dados utilizados foram provenientes de parcelas permanentes de inventários florestais contínuos (IFC) conduzidos em povoamentos de eucalipto em diferentes regiões de Minas Gerais, e de informações climáticas obtidas de estações distribuídas pelas áreas de plantio. Foram avaliadas três situações. Na primeira, as redes foram avaliadas com a utilização de dados de inventários, informações do tipo de solo e dados de variáveis climáticas; na segunda situação, foram utilizados apenas os dados de inventário; e na terceira, foram utilizados apenas os dados de variáveis climáticas e as informações do tipo de solo. Esta última situação é importante por tornar possível a prognose em locais sem base de dados de IFC e, ou, sem plantios. Para uma grande e abrangente base de dados, empregar somente inputs contidos na base de dados de IFC ou dados de IFC somados aos dados climáticos, resulta em exatidão e consistência satisfatórias, porém, neste último caso é possível considerar efeitos naturais fora do comportamento padrão e das simulações destes efeitos. O emprego de redes neurais resultou em maior detalhamento da produtividade no Estado de Minas Gerais, quando comparado com mapas de produtividade obtidos empregando modelos processuais.The development of a eucalyptus stand depends on several factors, such as genotype, age, site quality and silvicultural treatments. The most relevant environmental factors related to yielding capacity are: plant water availability along the years, temperature and solar radiation. The most used models to estimate the future yield of forest stands in Brazil are those measuring stand growth, and/or yield, using variables such as age, basal area, and site index. Artificial intelligence tools, such as the artificial neural networks (ANNs) have been utilized in the forest sector, as a replacement to regression models, presenting superior estimate precision. Another approach is the use of processual (eco-physiological) models, such as the 3PG, which describe the growth of forests based on physical and biological media processes. This study aimed to apply and validate artificial neural networks and propose a new methodology for prognosis of stand growth and yield, as well as generate maps showing yield classes at 6 and 7 years of age for the state of Minas Gerais. The data used in this study were originated from permanent plots of continuous forest inventories (CFI) conducted in eucalyptus stands in different regions of Minas Gerais, and on climatic information obtained from stations located at the planting areas. Three situations were assessed: in the first, the neural networks were evaluated by using the inventory data, soil type and climatic variables data. In the second, only the inventory data were used, and in the third, only the climatic variable and soil type data. The third situation is important for allowing prognosis in places without CFI data base, and, or, without plantations. In the case of a large and comprehensive data base, only CFI database inputs, combined with the climatic data, should be used; however, in this case, it is possible to consider natural effects outside the standard behavior and simulation of these effects. The use of neural networks has resulted in more precise yield details in the State of Minas Gerais, compared with yield maps obtained through processual models