Growth and yield modelling of eucalypt stands using regression, neural network and deep learning

Modelos de densidade variável sempre foram ajustados com dados de parcelas permanentes organizados em um banco de dados pareados em idades sequenciais i e i+1, sendo i = 1, 2, ... N medições das parcelas. Para povoamentos equiâneos, de eucalipto, pinus e teca, sempre houve predomínio de intervalos de cerca de um ano de idade entre as medições das parcelas. Quando as redes neurais artificiais (RNA) começaram a ser empregadas como alternativa para modelagem de crescimento e produção surgiu a necessidade de organizar bancos de dados com intervalos irregulares, por exemplo, i,i+1; i,i+2; ...; i,N. Isto foi necessário para que as redes pudessem predizer a produção futura com diferentes idades iniciais e intervalos de predição, necessário para uso dos modelos em planejamento hierárquico. Como consequência surgiu a necessidade de verificar a melhor maneira de comparar estimativas geradas com modelos usuais de regressão, com predições feitas por RNA. Além de detalhes relativos à separação de dados para validação e treino e métodos estatísticos a serem empregados, surgiu a necessidade de compatibilizar as validações em relação à forma de organização dos bancos de dados. O trabalho foi desenvolvido em dois capítulos com o objetivo geral de comparar os métodos de regressão, redes neurais artificiais clássicas e redes profundas, na modelagem de crescimento e produção em povoamentos de eucalipto e verificar a exatidão de prognose a partir de idades precoces de aproximadamente 2 anos. No capítulo I, se analisaram três alternativas de organização dos dados, para ajuste dos modelos de Clutter e de Buckman. A primeira com dados emparelhados em idades de medição sequenciais i e i+1, sendo i = 1, 2, ... N medições das parcelas. Na segunda foram considerados todos os intervalos de medição possíveis para cada parcela: i,i+1; i,i+2; ...; i,N; i+1, i+2; ..., N-1,N. A terceira com os dados emparelhados mês (j) a mês, sempre com intervalo de um mês, ou seja, j, j+1; j+1, j+2; j+M-1,M, sendo M a idade da última medição, em meses. Foram avaliadas as projeções volumétricas e as idades técnicas de corte. Para o modelo de Clutter os resultados mostraram que a exatidão e consistência das projeções depende da forma de organização dos dados e para o ajuste do modelo de Buckman os resultados indicaram a necessidade de uso da alternativa 3, com observações mês a mês. No capítulo II, se analisaram as projeções volumétricas nas idades de projeção de 6 e 7 anos ao longo das idades precoces. Foram avaliadas e comparadas as técnicas: método de mínimos quadrados (modelo de densidade variável), redes neurais artificiais clássicas e redes neurais artificiais profundas. Se utilizou uma extensa a abrangente base de dados de parcelas permanentes instaladas e medidas em povoamentos de eucalipto, organizados pela alternativa 2. Se testou algumas configurações de RNA e se ajustou o modelo de Clutter por mínimos quadrados em dois estágios. Os resultados mostraram que as três técnicas geram estimativas consistentes, com um pequeno ganho de exatidão ao empregar redes profundas. Contudo, se pode concluir que para o emprego das técnicas citadas a forma de organizar os dados em intervalos diferentes de medição influencia na prognose e permanece-se ainda a dificuldade de aumentar a exatidão de projeções feitas a partir de idade muito precoce, mesmo com o emprego de redes profundas. Palavras-chave: Manejo florestal. Estrutura de dados. Aprendizado de máquina. Inteligência artificial.Variable density models were always fitted with data from permanent plots, organized in a paired database at sequential ages i and i+1, where i = 1, 2, ... N plot measurements. Equianx, eucalyptus, pine, and teak stands, predominantly showed an interval of about one year of age between plot measurements. When artificial neural networks (ANN) began to be employed to model growth and production, the need arose to organize databases with irregular intervals, for example, i,i+1; i,i+2; ...; i,N. This enabled networks to predict future production with different initial ages and prediction intervals, as required by models for hierarchical planning. Thus, it became necessary to identify the best way to compare estimates generated using regression models with predictions made by ANNs. Statistical methods were employed to separate data, for validation and training. The validations had to be made compatible with the data organization forms. The work was developed in two chapters, with the objective of comparing results using regression methods, and classical and deep artificial neural networks, to model growth and production in eucalyptus stands and to verify the accuracy of early age prognosis of approximately two years. In Chapter I, we analyzed three data organization alternatives for fitting Clutter and Buckman models. In the first, we paired data at sequential measurement ages i and i+1, where i = 1, 2, ... N plot measurements. In the second, we considered all possible interval measures for each plot: i,i+1; i,i+2; ...; i,N; i+1, i+2; ..., N-1,N. In the third, we paired data from month (j) to month, with a constant interval of one month, i.e., j, j+1; j+1, j+2; j+M-1, M, where M is the age of the last measurement, in months. We evaluated the volumetric projections and technical cutting ages. For the Clutter model, the results show that the accuracy and consistency of the projections depend on the data organization method and for the Buckman model, the results indicate the need to use the third alternative, with month-to-month observations. In Chapter II, we analyzed volumetric projections at six and seven years of age along with the early ages. We evaluated and compared techniques using the least squares method (variable density model), classical and deep artificial neural networks. We used an extensive and comprehensive database of permanent plots, installed and measured in eucalyptus stands, and organized using the second alternative. We tested ANN configurations and adjusted Clutter's two-stage least squares model. The results were consistent using the three techniques, with a small increase in accuracy when employing deep networks. We conclude that while using the techniques mentioned above, the method used to organize the data in different interval measures influences the predictions. Even with the use of deep networks, it is difficult to increase the accuracy of projections made from a very early age. Keywords: Forest management. Data structure. Machine learning. Artificial intelligence