Machine learning methods applied to uneven‑aged mixed forest modelling

As florestas tropicais vêm sofrendo com a fragmentação e o desmatamento. No Brasil, a Mata Atlântica e a floresta Amazônica são exemplos disso. Nesses biomas, o conhecimento e a modelagem dos atributos florestais podem ser ferramentas úteis na compreensão destes biomas e no auxílio para adoção de medidas e práticas de manutenção da biodiversidade. Modelos de aprendizado de máquina podem ser técnicas promissoras nessas tarefas. Assim, o objetivo dessa pesquisa foi avaliar modelos de aprendizado de máquina para estimativas de atributos no bioma da Mata Atlântica e da Floresta Amazônica, no Brasil. Utilizamos dados de sete fragmentos de Mata Atlântica localizados em Minas Gerais, Brasil e uma área sob manejo florestal no sudoeste da Amazônia, no município de Porto Acre, estado do Acre, Brasil. Para atender os objetivos o trabalho foi dividido em quatro artigos. No primeiro artigo, aplicou-se modelos de aprendizado de máquina, Redes Neurais Artificiais (RNA), Máquina de Vetor de Suporte (MVS) e Random Forests (RF), para prever o recrutamento em nível de parcela na Mata Atlântica do Brasil. Atributos florestais, histórico de uso do solo, paisagem, solo e características climáticas foram usados na modelagem. O método Recursive Feature Elimination foi usado para selecionar o melhor subconjunto de variáveis preditoras. Observou-se que clima, paisagem, histórico de uso da terra e atributos da floresta são variáveis importantes para prever o recrutamento de árvores na Mata Atlântica no Brasil. O RF apresentou o melhor desempenho para estimar as taxas de recrutamento, com o maior Coeficiente de Correlação de Pearson ( ̂ ) e os menores Raiz do Erro Quadrático Médio (REQM) e Erro Médio Absoluto (EMA) para todas as repetições. No segundo artigo, utilizou-se as variáveis e modelos do primeiro artigo para estimar as taxas de mortalidade em nível de parcela. Constatou-se que o clima (precipitação, déficit hídrico climático e temperatura), idade de abandono e área basal são variáveis importantes para predizer a mortalidade de árvores na Mata Atlântica no Brasil. O RF também apresentou o melhor desempenho para estimar as taxas de mortalidade. No terceiro artigo, estimou-se o crescimento líquido com as informações utilizadas nos dois primeiros artigos. Observou-se que as variáveis edáficas, atributos da floresta e climáticas são importantes preditores das taxas de crescimento líquido na Mata Atlântica brasileira. Os métodos de aprendizado de máquina foram eficientes. O método Random Forests também mostrou superioridade sobre os demais para modelagem de crescimento na Mata Atlântica. No quarto artigo, estimou-se o volume e biomassa de árvores comerciais no sudoeste da Amazônia. Utilizou-se variáveis dendrométricas, climáticas e topográficas. O Algoritmo de Boruta foi aplicado para selecionar o melhor conjunto de variáveis. Máquina de Vetor de Suporte (MVS), Redes Neurais Artificiais (RNA), Random Forests (RF) e Modelo Linear Generalizado (MLG) foram os métodos de aprendizado de máquina avaliados. Em geral, os métodos avaliados mostraram um poder de generalização satisfatório. Os resultados mostraram que as previsões de volume e biomassa de árvores comerciais na floresta amazônica diferiram entre as técnicas (p <0,05). As RNAs apresentaram os melhores desempenhos para prever o volume e a biomassa das árvores comerciais, com o maior ̂ e os menores REQM e EMA. Por fim, constatamos que a utilização de Aprendizado de Máquina é uma abordagem promissora em estimativas de atributos na Mata Atlântica e na Floresta Amazônica. Esses modelos representam uma alternativa para modelagem de florestas tropicais ao redor do mundo, sobretudo as ameaçadas, como as aqui estudadas. Palavras-chave: Florestas tropicais. Inteligência Artificial. Dinâmica Florestal. Recrutamento. Mortalidade. Crescimento.Tropical forests have been suffering from fragmentation and deforestation. In Brazil, the Atlantic Forest and the Amazon rainforest are examples of this. In these biomes, knowledge and modeling of forest attributes can be useful tools in understanding these biomes and in helping to adopt measures and practices for maintaining biodiversity. Machine learning models can be promising techniques in these tasks. Thus, the objective of this research was to evaluate machine learning models for estimating attributes in the Atlantic Forest and Amazon Forest biome, in Brazil. We used data from seven fragments of Atlantic Forest located in Minas Gerais, Brazil and an area under forest management in southwestern Amazonia, in the municipality of Porto Acre, state of Acre, Brazil. To meet the objectives, the work was divided into four scientific papers. In the first, machine learning models, Artificial Neural Networks (ANN), Support Vector Machine (SVM) and Random Forests (RF) were applied to predict recruitment at plot level in the Brazilian Atlantic Forest. Forest attributes, history of land use, landscape, soil and climatic characteristics were used in the modeling. The Recursive Feature Elimination method was used to select the best subset of predictor variables. It was observed that climate, landscape, history of land use and attributes of the forest are important variables to predict the recruitment of trees in the Atlantic Forest in Brazil. The RF presented the best performance to estimate recruitment rates, with the highest Pearson correlation coefficient ( ̂ ) and the lowest Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) for all repetitions. In the second article, the variables and models of the first article were used to estimate mortality rates at the plot level. It was found that the climate (precipitation, water deficit and temperature), age of abandonment and basal area are important variables to predict the mortality of trees in the Atlantic Forest in Brazil. The RF also performed best to estimate mortality rates. In the third paper, net growth was estimated with the information used in the first two articles. It was observed that the edaphic, forest attributes and climatic variables are important predictors of the net growth rates in the Brazilian Atlantic Forest. Machine learning methods were efficient. The Random Forests method also showed superiority over the others for modeling growth in the Atlantic Forest. In the fourth paper, the volume and biomass of commercial trees in the southwest of the Amazon were estimated. Dendrometric, climatic and topographic variables were used. The Boruta Algorithm was applied to select the best set of variables. Support Vector Machine (SVM), Artificial Neural Networks (ANN), Random Forests (RF) and Generalized Linear Model (GLM) were the machine learning methods evaluated. In general, the evaluated methods showed a satisfactory generalization power. The results showed that the volume and biomass predictions of commercial trees in the Amazon rainforest differed between the techniques (p