Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/31892
metadata.artigo.dc.title: Modelagem da distribuição diamétrica de florestas tropicais
metadata.artigo.dc.title.alternative: Modeling the diameter distribution of tropical forests
metadata.artigo.dc.creator: Carvalho, Mônica Canaan
Gomide, Lucas Rezende
Ferraz Filho, Antônio Carlos
Lacerda, Wilian Soares
Silva, Carolina Souza Jarochinski e
metadata.artigo.dc.subject: Florestas inequiâneas
Redes neurais artificiais
Florestas tropicais - Estrutura diamétrica
Uneven-aged forests
Artificial neural network
Tropical forests - Diametric structure
metadata.artigo.dc.publisher: Centro Científico Conhecer
metadata.artigo.dc.date.issued: 2016
metadata.artigo.dc.identifier.citation: CARVALHO, M. C. et al. Modelagem da distribuição diamétrica de florestas tropicais. Enciclopédia Biosfera, Goiânia, v. 13, n. 24, p. 731-745, 2016.
metadata.artigo.dc.description.resumo: O presente estudo teve como principal objetivo aplicar a técnica de Redes Neurais Artificiais na modelagem da estrutura diamétrica de florestas tropicais. Foram utilizados dados de 27 remanescentes florestais nativos inseridos na bacia do Rio Grande em Minas Gerais, totalizando 979 parcelas. Três Redes Neurais Artificiais foram testadas na modelagem diamétrica, sendo as redes 1 e 2 para predição das probabilidades por classe diamétrica e a rede 3 para predição dos parâmetros b e c da função Weibull. A estrutura diamétrica estimada pelas redes foi comparada com a função densidade de probabilidade Weibull com 3 parâmetros, ajustada pelo método dos Momentos e com a distribuição real obtida com informação coletada em campo. A avaliação e comparação dos métodos se deram a partir de análises residuais calculadas por classe diamétrica e pelo teste de aderência Kolmogorov-Smirnov. As Redes Neurais 1 e 2 apresentaram maior precisão nas estimativas de probabilidade nas primeiras três classes diamétricas, quando comparadas às estimativas produzidas por Weibull, obtendo menor erro total e mais de 95% de aderência à distribuição real. Esta técnica também pode ser aplicada na predição dos parâmetros da função Weibull, com aderência superior a 90%. De acordo com os resultados, as Redes Neurais Artificiais podem ser empregadas com sucesso na modelagem da distribuição diamétrica de florestas inequiâneas.
metadata.artigo.dc.description.abstract: This study aimed to apply the artificial neural network technique to model the diametric structure of tropical forests. We used data of 27 areas of native forests situated in the Rio Grande watershed in Minas Gerais state, totaling 979 plots. Three Artificial Neural Networks were tested for diametric modeling, networks 1 and 2 for prediction of probabilities by diameter class and the network 3 for prediction of parameters b and c of the Weibull function. The diameter structure estimated by the networks was compared with the probability density function Weibull with three parameters fitted by the method of moments and with the actual distribution obtained from information collected in the field. The evaluation and comparison of the methods are given from residual analysis calculated by diameter class and the KolmogorovSmirnov adherence test. Neural Networks 1 and 2 had greater accuracy in estimates of probability in the first three diameter classes, compared to estimates produced by Weibull, obtaining smaller total error and over 95% adherence to the actual distribution. This technique can also be applied to the prediction of Weibull function parameters with adhesion higher than 90%. According to the results, the Artificial Neural Networks can be successfully employed in shaping the diameter distribution of uneven-aged forests.
metadata.artigo.dc.identifier.uri: http://www.conhecer.org.br/enciclop/2016b/agrarias/modelagem%20da%20distribuicao.pdf
http://repositorio.ufla.br/jspui/handle/1/31892
metadata.artigo.dc.language: pt_BR
Appears in Collections:DCF - Artigos publicados em periódicos

Files in This Item:
There are no files associated with this item.


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.