MONIQUE SABIONI LOPES EFICIÊNCIA DE UMA REDE NEURAL ARTIFICIAL PARA PROGNOSE EM SISTEMA AGROSSILVIPASTORIL

Transcrição

1 MONQUE SABON LOPES EFCÊNCA DE UMA REDE NEURAL ARTFCAL PARA PROGNOSE EM SSTEMA AGROSSLVPASTORL Monografa apresentada ao Departamento de Engenhara Florestal da Unversdade Federal de Vçosa, como parte das exgêncas do Curso de Engenhara Florestal. Vçosa Mnas Geras-Brasl 05

2 MONQUE SABON LOPES EFCÊNCA DE UMA REDE NEURAL ARTFCAL PARA PROGNOSE EM SSTEMA AGROSSLVPASTORL Monografa apresentada ao Departamento de Engenhara Florestal da Unversdade Federal de Vçosa, como parte das exgêncas do Curso de Engenhara Florestal. Sílvo Nolasco de Olvera Neto (Coorentador) Carlos Alberto Araújo Júnor (Coorentador) Helo Garca Lete (Orentador)

3 Agradecmentos Prmeramente gostara de agradecer a Deus, pela força e pela luz. À mnha mãe Mônca Sabon pelo amor desprenddo e o grande ncentvo nos estudos. Ao meu pa Henrque Cavalcant Morera Lopes pelo carnho e atenção. Aos meus rmãos Luckas Sabon Lopes e Henrque Sabon Lopes pelos conselhos, amzade e companhersmo. Aos meus sobrnhos pelo afeto. À mnha famíla pela presença e apoo constante. À Unversdade Federal de Vçosa pela oportundade de realzar o curso de Engenhara Florestal nessa magnífca nsttução. Aos funconáros do Departamento de Engenhara Florestal pelo auxílo e dsposção. Ao professor Hélo Garca Lete pela orentação, ensnamentos e amzade. Ao professor Sílvo Nolasco e Carlos Araújo Júnor pela coorentação, dsponbldade e atenção. Aos meus amgos que foram sempre presentes e grandes apoadores da mnha camnhada. A todos que de alguma manera contrbuíram nessa conqusta.

4 Sumáro Resumo... v ntrodução... - Materal e métodos Dados Modelagem do crescmento e da produção utlzando modelo de regressão Redes neuras artfcas Resultados e Dscussão Conclusão Referêncas Bblográfcas:... 8

5 Resumo Este estudo fo conduzdo empregando dados de nventáro florestal contínuo conduzdo em um sstema agrosslvpastorl, com sete clones de eucalpto. Objetvo fo avalar a efcênca relatva do emprego de um modelo de rede neural artfcal em relação aplcação de um modelo de densdade varável. Realzou-se trenamento das redes neuras utlzando o software Neuroforest 3.3. O tpo de rede fo Multlayer Perceptron (MLP) com trenamento feto pelo método Reslent Propagaton, com oto neurônos na camada escondda (oculta). A função de atvação das camadas ocultas e de saída fo a sgmóde consderando dferentes proporções dos dados para trenamento e valdação: com 00% dos dados, 90% (0% para valdação), 80% (0% para valdação) e assm por dante, até 0% dos dados para trenamento e 80% para valdação. Com a melhor partção de dados de treno e valdação, foram trenadas novas redes neuras. Sendo essas comparadas aos resultados obtdos através do modelo de Clutter ajustado por clone. Com base nos resultados fo possível conclur que a prognose da produção volumétrca do componente arbóreo (volume de madera) do sstema agrosslvpastorl pode ser feta para todos os clones utlzando uma únca rede MLP, com função de atvação sgmóde nas camadas de entrada e saída, resultando em maor exatdão e consstênca, em relação ao emprego do modelo de Clutter ajustado por clone. v

6 ntrodução No ano de 0, o valor bruto da produção obtdo pelo setor florestal totalzou 56,3 blhões de reas, com aumento de 4,6% em relação ao ano de 0. A arrecadação de trbutos correspondeu a 7,6 blhões de reas (0,5% do arrecadado naconalmente). O saldo da balança comercal da ndústra naconal de base florestal (5,5 blhões de dólares), embora 3,8% abaxo ao alcançado em 0, amplou sua partcpação no superávt da balança comercal naconal de 9,% para 8,%. Grande parte do sucesso do setor se deve ao fato de que a ndústra de base florestal no Brasl é caracterzada pela dversdade de produtos, como por exemplo, polpa celulósca, madera processada mecancamente, panés de madera, carvão vegetal e bomassa, dentre outros (ABRAF, 03). A varedade de produtos das florestas tem atraído os produtores ruras nteressados em rever seus modelos de produção, pos além da osclação dos preços dos produtos e mplementos agrícolas, o manejo nadequado do solo vem ocasonando queda na produtvdade e aumento da degradação de áreas agrcultáves. sto é mas observado em regões com predomíno de pecuára extensva, em solos com qualdade nferor quando comparados àqueles utlzados pela agrcultura (MACEDO, 005). Dentro desse contexto o sstema agrosslvpastorl tem sdo mportante por dversfcar a produção através do consórco de culturas agrícolas, árvores, pastagens e, ou, anmas (OLVERA NETO et al., 00). Além da mportânca econômca, esse sstema está sendo vsto como uma alternatva para resolução de problemas de baxa produtvdade, falta de almentos e degradação ambental. Os sstemas agrosslvpastors tem aplcabldade tanto para agrcultores famlares quanto para grandes produtores (SALLES, 00). Conforme esse, o sstema é

7 atratvo, pos a exgênca quanto a uma produção de mpacto reduzdo vem crescendo, prncpalmente pela cobrança de grupos ambentalstas e escassez de recursos. Já para agrcultores famlares, que baseam sua produção em áreas agrcultáves reduzdas, os sstemas agrosslvpastors são uma alternatva. Esses sstemas podem resultar em rendmento econômco expressvo por área (ABDO et al., 008), produzndo, num mesmo espaço, produtos madereros e não madereros, grãos, carne e, ou lete, por todo o ano (BALBNO et al., 0). Para que as vantagens sejam efetvas os sstemas agrosslvpastors devem ser estabelecdos e manejados de forma aproprada, consderando característcas de local, socas e econômcas das propredades ruras. sso possblta aumento do faturamento no decorrer do ano, dversfcação de produtos, melhora das característcas físcas, químcas e bológcas dos solos e das condções hdrológcas, além da cração de ambente confortável aos anmas (OLVERA NETO et al., 00). Vsando estmular a mplantação de sstemas agrosslvpastors pela agrcultura famlar, o governo tem utlzado o PRONAF Floresta (Programa Naconal de Fortalecmento da Agrcultura Famlar - Floresta), lnha de crédto de nvestmento para Sstemas Agroflorestas (BCB), e o plano ABC (Agrcultura de Baxa Emssão de Carbono). Esse plano ncentva a adoção de sstemas de produção sustentáves que possam neutralzar a emssões de gases do efeto estufa e, aumentar a renda dos produtores, prncpalmente por meo de: recuperação de pastagens degradadas; fxação bológca do ntrogêno (FBN); sstema planto dreto (SPD); ntegração lavourapecuára-floresta (LPF) e sstemas agroflorestas (SAF). Na mplementação da LPF, tem-se o comprometmento com a amplação da área em de cerca de 4 mlhões de hectares, e será contemplada também, a mplantação de SAF pela agrcultura famlar, em,76 mlhões de hectares (Plano ABC, 0). Apesar da mportânca desses sstemas, anda exste uma carênca quanto ao acompanhamento contínuo de espéces arbóreas dos mesmos, que é mportante para entender sobre o desempenho produtvo dessas áreas (GAMA, 003). Tal fato pode, também, mplcar na falta de domíno dos processos e desfavorecmento da dfusão dos resultados obtdos sobre o tema aos produtores (VERA et.al., 007), assm como para agêncas fnancadoras de projetos.

8 O acompanhamento do crescmento das árvores pode ser feto por meo de nventáro florestal contínuo (FC). Além de acompanhar o volume em cada medção, é necessáro estmar o mesmo para dades futuras. Os dados do FC podem ser utlzados para ajuste de modelo de crescmento e produção de Clutter (963). Nos últmos anos, fontes de ntelgênca computaconal, como redes neuras artfcas (RNAs), tem sdo empregadas para modelagem e prognose da produção. Os estudos conduzdos em monocultvos de eucalpto tem mostrado grande exatdão (DAMANTOPOULOU, 005; BNOT et al., 009; GÖRGENS et al., 009; BNOT, 00; LETE et al., 0). Uma RNA é um sstema computaconal paralelo, composto com váras undades de processamento smples (neurônos artfcas), nterlgadas entre s de uma forma específca para a execução de uma determnada tarefa (BULLNARA, 00). Os problemas aplcáves às redes neuras enquadram-se nas tarefas de aprendzagem, classfcação de padrões, aproxmação de função, agrupamento de dados, predção (séres temporas), recuperação de conteúdo, otmzação e controle (JAN et al., 996; HAYKN, 00). Por conta de tas característcas, a RNA tem se mostrado bastante efcente e utlzada por algumas empresas brasleras para estmar altura da árvore, densdade e volume da madera. Em vrtude do potencal das redes neuras, da necessdade de melhorar as análses volumétrcas em sstemas agrosslvpastors e do custo da modelagem, às vezes expressvo, fo dealzado este estudo, cujo objetvo fo avalar a efcênca relatva da aplcação de RNA em relação à modelagem feta com emprego de um modelo de crescmento e produção ajustado por Salles (00). 3

9 - Materal e métodos. Dados Os dados utlzados neste estudo são provenentes de um nventáro florestal contínuo em povoamento de eucalpto em sstema agrosslvpastorl, localzados no muncípo de Paracatu, na regão Noroeste do Estado de Mnas Geras. O sstema estudado é composto por 38 clones de híbrdos de eucalpto em espaçamento 0 x 4 m, onde as árvores foram destnadas à serrara, energa e postes. No presente estudo e no realzado por Salles (00) foram utlzados dados de 7 clones (, 8, 3, 36, 44, 58, 6) mas representatvos em termos de área de planto. Nesses povoamentos, para evtar competção e njúras às raízes das árvores e facltar os tratos culturas, manteve-se um espaçamento de m entre as lnhas de planto de eucalpto das demas culturas. No prmero ano (ano 0) o consórco fo realzado com cultvo de arroz, pela sua menor exgênca em fertldade. No segundo ano (ano ), semeou-se soja no lugar do arroz, sendo mantda uma densdade populaconal de plantas por hectare. Os restos culturas da colheta da soja foram ncorporados ao solo, sendo feta a prmera manutenção do povoamento de eucalpto, com capnas manuas, aceros, conservação de estradas e combate às formgas. A partr do ano segunte (ano ), formou-se pastagens de capm-braquára para engorda de gado de corte. Anda nesse ano, quando as árvores de eucalpto apresentavam cerca de 6 m de altura e 8 meses de dade, as árvores foram desramadas até 4 m de altura, observando-se uma remoção de no máxmo 50% de copa 4

10 vva. No ano 3, após 90 das do estabelecmento das pastagens, ncou-se a engorda de bos. Nesse ano, houve mas uma manutenção no povoamento, uma segunda desrama até 6 m de altura, colocação de cercas vvas e nstalação de aguadas para o gado. No ano 4, ocorreu apenas a manutenção do componente arbóreo e a partr do ano 5 estabeleceu-se e sstema slvpastorl (SALLES, 00). Os dados utlzados nesse estudo são orundos de parcelas permanentes de.00 m² (30 x 40 m), composta por três fleras de 0 árvores. Sua mplementação atendeu aos crtéros de nventáro florestal contínuo por amostragem casual estratfcada, com ntensdade amostral de uma parcela para cada 0 ha. Em talhões com área nferor a 5 ha não foram lançadas parcelas. Mensurou-se um total de 650 parcelas permanentes em cnco ocasões (004, 005, 006, 007 e 008), contemplando os 7 clones (SALLES, 00).. Modelagem do crescmento e da produção utlzando modelo de regressão Para a determnação da capacdade produtva Salles (00) utlzou o método da curva-gua (dade índce = 7 meses), ajustando modelos Logístco e Gompertz, cujas relações funconas são, respectvamente: e Hd 0 e Hd e 0 ( e ) em que: Hd = altura domnante, em metros; = dade dos povoamentos, em meses;, = parâmetros dos modelos; e 0, ε = erro aleatóro, ε ~ N (0, ). 5

11 Segundo os procedmentos descrtos por Campos e Lete (03), as equações transformadas para estmar índces de local, em função da altura domnante, foram: e e S Hd e ( ) (7) (Modelo Logístco) (7) e e S Hd (Modelo de Gompertz) ) ( e e As equações estmadas por genótpos por Salles (00) e utlzadas no presente estudo, foram relaconadas na Tabela. Tabela Equações utlzadas para classfcação da capacdade produtva Modelo Clone ˆ 0 ˆ ˆ Gompertz 9,89300,9433 0,0570 Hd e 0 e 36 33,95678,056 0,04546 S Hd e e e e (7) ( ) 44 40,0934 0,8354 0, , ,8778 0,03664 Logístco 8 6, , ,0864 Hd 0 e 3 30,3399 0, ,0707 S Hd e e Fonte: SALLES (00) ( ) (7) 6 33, ,7980 0,

12 Para projeção do crescmento e produção foram utlzadas as equações apresentadas na Tabela. Tas equações foram obtdas pelo ajustamento de Clutter (963), sendo: ln B ln B 0 S lnv 0 S ln B 3 S 4 5 ln B S B ln 6 em que: = dade atual, em meses; = dade futura, em meses; B = área basal na dade atual, em m²ha ; B = área basal na dade futura, em m²ha ; S = índce de local, em m; V = volume futuro na dade futura em m³ha ; ln = logartmo neperano;, = parâmetros do modelo; e ε = erro aleatóro, ε ~ N (0, ). Tabela Modelos atrbuídos a cada clone para projeção de volume e área basal Clone 8 lnv ln B ln B Equações, ,785 lnv 4,88 0,003( S ln B ) ln B ln B 0,03-38,5768 3,844 0,0353S 70,66470 ln B 7 Contnua...

13 lnv ln B ln B 0,089 -,78908 S ln B lnv ln B lnv ln B,80974 ln B,97053( S ln B,8037 ) 33,9043 ln B - 60,57303 lnv 4,34 0,093( S ln B ) ln B,9496 0, ,7884,8397 0,04845S 0,684ln ln B,3799 0,00 -,46774,7047 0,007S,7575ln ln B ln B, lnv 3,40 -,75009 S 0,084( S ln B ln ) 5,953 B Fonte: SALLES (00) S B S B. - Redes neuras artfcas Os mesmos dados empregados por Salles (00) foram aqu aplcados para trenamento de redes neuras artfcas (RNA) utlzando o software gratuto Neuroforest 3.3. As análses foram realzadas sem a dstnção dos clones. O tpo de rede fo Multlayer Perceptron (MLP) com emprego da função de atvação sgmóde nas camadas ocultas e de saída. Para aumentar a velocdade e o desempenho do trenamento o algortmo utlzado fo Reslent Propagaton (Redmller e Braun, 993), com oto neurônos na camada escondda (oculta). Realzou-se trenamento das redes consderando dferentes proporções dos dados para trenamento e valdação: com 00% dos dados, 90% (0% para valdação), 80% (0% para valdação) e assm por dante, até 0% dos dados para trenamento e 80% para 8

14 valdação. Para avalar a qualdade dos ajustamentos observaram-se as estatístcas: bas percentuas, raz do erro quadrátco médo (RQEM) e correlação de Pearson (ρ); além de análses gráfcas de resíduos. Estas estatístcas foram estmadas pelo Neuroforest, sendo: Bas n n ^ ( Y Y î ) RQEM 00Y n n = ( Y Y)² ^ ^ cov( Y, Y ) ^ var Y var Y em que: n = número de casos. Y e Ŷ = valores observado e estmado da varável sob análse; Y _ = méda dos valores observados; cov = covarânca; var = varânca. Com a melhor partção de dados de treno e valdação, foram trenadas novas redes neuras, com uma camada ntermedára contendo 4 neurônos. Este número de neurônos fo defndo em função das varáves contínuas de entrada (dade atual e futura, área basal atual, altura domnante e volume na dade atual) e do número de níves das varáves categórcas, que foram: projeto (5) e clone (7). Assm, (5+7+5)/ = 3,5, resultando na defnção de 4 neurônos para a camada escondda. 9

15 3 Resultados e Dscussão Avalando-se os resultados de trenamento das redes neuras com dferentes proporções entre a quantdade de dados para treno e para valdação, pode-se notar que, para todos os casos, os resíduos das estmatvas de produção futura se concentraram em ±0% (Fgura ). 0% de trenamento 30% de trenamento Erro% 40% de trenamento 50% de trenamento Volume (m³ha - ) Contnua... 0

16 60% de trenamento 70% de trenamento 80% de trenamento 90% de trenamento Erro% 00% de trenamento Volume (m³ha - ) Fgura - Erros percentuas 00( ^ V - V)/V, para o conjunto de todos os dados das parcelas, para redes Multlayer Perceptron trenadas com dferentes dados percentuas. Por sso, como não houve grandes dferenças entre os resultados encontrados decdu-se pelo emprego de 70% dos dados para trenamento e 30% para valdação, sendo esse percentual usado em grande parte das pesqusas com RNA na área de mensuração florestal, como nos trabalhos de Bnot (0) e Bnot (00). Com a relação das estatístcas dos trenamentos para dferentes proporções de dados de trenamento (Tabela

17 3), também pode-se verfcar que a dmnução no percentual de dados do trenamento não alterou a exatdão das estmatvas de modo expressvo. Tal fato também fo observado no trabalho de Bnot (0), onde constatou a possbldade de redução da quantdade de alturas meddas nos nventáros sem perda de exatdão e precsão no ajustamento. Tabela 3 Estatístcas de precsão e de exatdão das estmatvas de produção obtda com RNA Tpo Dados % de dados Bas RQME Correlação Treno 0% 89, ,385 0,980 Valdação 80% 9, ,036 0,9675 Treno 30% 9,096 97,389 0,9683 Valdação 70% 89, ,50 0,957 Treno 40% 89,878 96,6344 0,9807 Valdação 60% 9,094 97,654 0,955 Treno 50% 89,503 95,5978 0,9704 Valdação 50% 9,638 98,0733 0,966 Treno 60% 90, ,45 0,9765 Valdação 40% 89, ,04 0,9609 Treno 70% 89,348 96,6 0,984 Valdação 30% 9,57 97,7573 0,9658 Treno 80% 90, ,876 0,9640 Valdação 0% 87, ,98 0,9373 Treno 90% 89, ,4700 0,9777 Valdação 0% 90, ,866 0,9733 Treno 00% 90, ,5958 0,979 A Fgura permte comparar os resultados obtdos com a rede neuras trenadas e com os resultados obtdos através do modelo de Clutter ajustado por clone, por Salles (00).

18 Erro% Volume (m³ha - ) Contnua... 3

19 E r r o % Volume (m³ha ) Fgura Gráfcos de resíduos das estmatvas geradas através do modelo de Clutter e RNA a 70% de trenamento para todos os clones e por clone ndvdualmente. Analsando os resultados da Fgura, verfca-se que as redes neuras resultaram em maor exatdão, com melhor dstrbução do erros, para todos os clones. É oportuno menconar, além da exatdão proporconada, permte utlzar uma menor amostra de dados. sto é mportante pos, conforme Loures (04) e Bezerra (009), a redução do número de parcelas permanentes dmnu custos do nventáro. Salles (00) demonstra que cada genótpo (clone) pode ser melhor descrto por dferentes componentes do modelo de produção de Clutter. Em alguns estratos a representatvdade e a quantdade de dados no campo pode não ser adequada para uso da regressão. O emprego da RNA de certo modo resolve este problema, uma vez que nesse caso é mas mportante ter varabldade e qualdade dos dados. 4

20 O modelo de Clutter tem sdo empregado em dversos estudos (BNOT, 00; SALLES, 00; ALCÂNTARA, 0). Ele é ndcado tanto em casos que vsam somente a estmação de v/ha quanto para multprodutos. Nesse últmo caso é necessáro aplcar desbastes nos povoamentos (CAMPOS e LETE, 03). Esse desbaste é melhor controlado pela varável área basal. Quando emprega-se RNA nesse caso é normal nclur área basal futura (B) como varável de saída e de entrada, de modo que seja possível smular desbastes nos povoamentos, conforme feto por Bnot (00) para manejo destnado a produção de madera para celulose. Os resultados obtdos no estudo mostraram que a modelagem e prognose do componente florestal em sstema agrosslvpastorl é mas efcente com o emprego de redes neuras artfcas. Além de maor exatdão nas estmatvas, a modelagem é muto mas smples e requer menos amostras de parcelas permanentes em relação aos modelos de crescmento e produção. Outra comprovação do estudo é que o emprego de RNA não necessta da classfcação da capacdade produtva, uma vez que a varável altura domnante e dade atual são sufcentes para obter exatdão. Ou seja, não é precso modelar prevamente a altura domnante. Assm, utlzando apenas a dade, altura domnante, área basal, volume atual, mas o genótpo, obtêm-se estmatvas de produção futura com grande exatdão e consstênca. Para todos os clones os resíduos gerados pelas estmatvas do modelo de Clutter vararam entre -30% e 50%, ao passo que os resíduos gerados pela aplcação da RNA tveram valores concentrados entre ±0%. Tal tendênca também ocorre ao analsar os clones ndvdualmente. Na Tabela 4 são apresentados os coefcentes de correlação entre produção observada e estmada pelo Clutter e pela RNA. Em todos os casos (clone), a correlação fo maor ao empregar RNA senão guas. 5

21 Tabela 4 Correlação de Pearson para avalar qualdade do ajustamento de Clutter e RNA ρ Clone Clutter RNA 0,9769 0, ,975 0, ,9690 0, ,9765 0, ,979 0, ,9938 0, ,9947 0,9947 As estatístcas obtdas para o trenamento da RNA, com 70% de trenamento dos casos são apresentadas na Tabela 5. Tabela 5 Estatístcas da RNA com 70% de trenamento Tpo Dados % de dados Bas RQME Correlação Treno 70% 77,648 84,050 0,9958 Valdação 30% 84,600 9,338 0,9897 Essa rede fo salva para uso com o software Neuroforest 3.3 e lnguagem computaconal Java 8, podendo ser usada em sstema agrosslvpastors semelhantes. 6

22 4 Conclusão A prognose da produção volumétrca do componente arbóreo (volume de madera) do sstema agrosslvpastorl pode ser feta para todos os clones utlzando uma únca rede neural artfcal MLP, com funções de atvação sgmóde na entrada e na saída, com 70% de trenamento e 30% de valdação e com um número de neurônos na camada oculta gual a,5 0 n j nc, onde: j nc= número de varáves contínuas; = número de varáves categórcas; j= número de níves da varável categórca. É possível fazer a prognose no sstema agrosslvcultural com a maor exatdão e consstênca, em relação ao emprego do modelo de Clutter ajustado por clone, reduzndo o custo, por meo da RNA. 7

23 5 - Referêncas Bblográfcas: ABDO, M. T. V. N.; VALER, S. V. Sstemas Agroflorestas e Agrcultura Famlar: Uma Parcera nteressante. Revsta tecnologa e novação agropecuára, São Paulo, v., n., p , 008. ABRAF. Anuáro estatístco da ABRAF: ano base 008. Brasíla, p. ALCÂNTARA, A. E. M. Alternatvas de modelagem para projeção do crescmento de eucalpto em nível de povoamento. 0, 53f. Dssertação (Mestrado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 0. BALBNO, L. C. et al. Evolução tecnológca e arranjos produtvos de sstemas de ntegração lavoura-pecuára-floresta no Brasl. Revsta Pesqusa Agropecuára Braslera, vol.46, nov Banco central do Brasl. Dsponível em:< Acesso em: de junho de 05. Bentes-Gama, M.M Análse técnca e econômca de sstemas agroflorestas em Machadnho D Oeste, Rondôna. Tese de Doutorado, Unversdade Federal de Vçosa, Vçosa, MG. 5pp. 8

24 BEZERRA, A. F. Modelagem de crescmento e produção de povoamentos de Tectona grands. 009, 59f. Dssertação (Mestrado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 009. BNOT, M. L. M. S. Emprego de Redes Neuras Artfcas em Mensuração e Manejo Florestal f. Tese (Doutorado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 0. BNOT, M. L. M. S. Redes neuras artfcas para prognose da produção de povoamentos não desbastados de eucalpto f. Dssertação (Mestrado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 00. BNOT, M. L. M. S.; BNOT, D. H. B.; GLERAN, J. M.; LETE, H. G. Ajuste do modelo de Schumacher e Hall e aplcação de redes neuras artfcas para estmar volume de árvores de eucalpto. Revsta Árvore, v. 33, n. 6, p , 009. BULLNARA, J. A. ntroducton to neural computaton. Lecture Notes. Dsponível em CAMPOS, J. C. C.; LETE, H. G. Mensuração florestal: perguntas e respostas. 4. ed. atual. e ampl. Vçosa: UFV, p. CLUTTER, J.L. Compatble growth and yeld models for lobolly pne. Forest Scence, v.9, n.3, p , 963. DAMANTOPOULOU, M. J. Artfcal neural networks as an alternatve tool n pne bark volume estmaton. Computers and electroncs n agrculture, v. 0, p , 005. GÖRGENS, E. B.; LETE, H.G.; SANTOS, H. N.; GLERAN, J.M. Estmação do volume de árvores utlzando redes neuras artfcas. Revsta Árvore, v.33, n.6, p.4-47,

25 HAYKN, S. Redes neuras: prncípos e prátca.. ed. Porto Alegre: Bookman, p. JAN, A. K.; MAO, J.; MOHUDDN, K. M. Artfcal Neural Networks: A Tutoral. Computer, v. 9, n. 3, p. 3-44, 996. LETE, H. G.; SLVA, M. L. M.; BNOT, D. H. B.; FARDN, L.; TAKZAWA, F. H. Estmaton of nsde-bark dameter and heartwood dameter for Tectona grands Lnn. trees usng artfcal neural networks. European Journal of Forest Research, v.30, n., p.63-69, 0. MACEDO, M.C.M. Degradação de pastagens: concetos, alternatvas e métodos de recuperação. nforme Agropecuáro, v. 6, n LOURES, N. G. Pós-amostragem seletva para modelagem do crescmento de povoamento de eucalpto. 04, 48f. Dssertação (Mestrado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 04. OLVERA NETO, S. N.; VALE, A.B.; NACF, A.P.; VLAR, M.B.; ASSS, J.B. SSTEMA AGROSSLVPASTORL - ntegração Lavoura, Pecuára e Floresta. ª. ed. Vçosa, MG: Socedade de nvestgações Florestas - SF, 00. v p. Plano setoral de mtgação e de adaptação às mudanças clmátcas para a consoldação de uma economa de baxa emssão de carbono na agrcultura : plano ABC (Agrcultura de Baxa Emssão de Carbono) / Mnstéro da Agrcultura, Pecuára e Abastecmento, Mnstéro do Desenvolvmento Agráro, coordenação da Casa Cvl da Presdênca da Repúblca. Brasíla : MAPA/ACS, p. REDMLLER, M.; Braun H. A drect adaptve method for faster backpropagaton learnng: the RPROP algorthm. n: EEE nternatonal Conference on Neural Networks (CNN 93), 993, San Francsco, CA, EUA. Proceedngs San Francsco: EEE, p ,

26 SALLES, T. T. Modelagem de crescmento e produção de clones de eucalpto em um sstema agroflorestal f. Dssertação (Mestrado em Cênca Florestal) Unversdade Federal de Vçosa, Vçosa, 00. VERA, T.A.; ROSA, L.S.; VASCONCELOS, P.C.S.; SANTOS, M.M.; MODESTO, R.S. Sstemas agroflorestas em áreas de agrcultores famlares em garapé-açú, Pará: caracterzação florístca, mplantação e manejo. Acta Amazônca, v.37, p , 007.