!"#$%&'()!"*"+,$%&-$.$&,!#(!'/.,"& 0*".(%'$*&(&1$!',0,)$34"&5(& )$.6"!"&!"#$%&'#%()#*%'&"+,-)**".'/0113 /45678854'9:'-;<=748<9:97'>7974:?'95'/:4:;@3 8:;AB7C:DB6E41F43
$-.(%(!'$34"& 78!.9:;<=>=&0?><9=@AB=& C8!,DE9D@F<B>&0?><9=@A?& G8!1;ADHI:AJK>&L9&)A<M>D>& N8!$?>O9@<BA& P8!,D@9?BQRD:BA&$<HI:BA?& S8!(=@;L>&L9&)A=>&7& T8!(=@;L>&L9&)A=>&C& U8!)>D=BL9<AJV9=&0BDAB=&
.().%"%&0*".(%'$,%&
.().%"%&0*".(%'$,%&!"
.().%"%&0*".(%'$,%& #"
.().%"%&0*".(%'$,%& )"!'(W'"& & Z9<:AL>& -<>@9JK>& $OMB9D@A?& $=X9:@>=& %>:BAB=& 0?><9=@A=& )?BOA&,DLY=@<BA&,!#(!'/.,"& 0*".(%'$*& 6B>LBE9<=BLAL9& *B:9D:BAO9D@>& )$.6"!"&
,!#(!'/.,"&0*".(%'$*& 1$!',0,)$34"&(&1$*,0,)$34"& & +9>@9:D>?>QBA=& & ZAX9AO9D@>& $O>=@<AQ9O& Z[@>L>=&L9& X<>:9==>=&L9& AO>=@<AQ9O&,DE9D@F<B>& 0?><9=@A?& $=X9:@>=& L9DL<>O[@<B:>=& 9&L9&O9D=;<AJK>& Z9D=;<AJK>& Z>L9?AQ9O& Z>L9?>=& (\;AJV9=&.9Q<9==K>&.9?AJK>&]^L& #>?;O9@<BA& 9@:8& & $?>O9@<BA& & (=HOAHEA=& L9&)A<M>D>&
+("'()!"*"+,$%&
!,5$5(&& $Z"%'.$*&,!#(!'/.,"&0*".(%'$*& -"-*$34"& $Z"%'.$&
Z(!%.$34"&0*".(%'$*&
Z(!%.$34"&0*".(%'$*& ]_X`aabbb8A<M>DA;@8:>O&
Y Z"5(*$+(Z& X1, X...
&1$!',0,)$34"&5(&)$.6"!"&
&1$!',0,)$34"&5(&)$.6"!"&
&1$!',0,)$34"&5(&)$.6"!"&
&1$!',0,)$34"&5(&)$.6"!"&
$*"Z('.,$& Z"5(*$+(Z&.(+.(%%4"&
$*"Z('.,$& G'BH:'IJK;<K:'97':;@?<87'9:8':?I74:LM78';5'I:H:;05'47?:N=5'97' E:4I78'95'K54E5'K5447?:K<5;:9:8'K5H':8'HB9:;L:8';5'I:H:;05'I5I:?' OPBQ?7R'S'*788<74.'TUVWX13
$*"Z('.,$& )A<M>D>& $?@;<A& 5BcO9@<>&d&A?@;<A&L>& X9B@>&eLAXf&,LAL9g& )>XAg& 59D=BLAL9g& %hh>g&& ->=BJK>&%>:B>?iQB:Ag&
$*"Z('.,$& w = a log w w = f * x b = a + b*log ( d, h,!...) x )H'AB7Y'3 w'z'f<5h:88:[3 d'z'9:e['3 h'z':?ib4:['3! Z'97;8<9:97'9:'H:97<4:13
\%)$%&')\/#)]"%&3 3 3 3 3 3 );I47'5BI4583 h d w d w d d d w h d w h d w 4 3 3 1 3 1 1 log log log log log log log log log log log log! + =! + =! +! +! +! + =! +! +! + =! +! + = " # " # $ " " " " # $ " " " # " " # $%&'("()"&*+",-..#/"01(*1"34" $%&'("()"&*+",-..#/"01(*1"334" 56%78&6%(9":";&**",<=>>4" 5?799",<=#-4" @1?(ABCDE(%9%&9)",<F==/"<=.<4" $*"Z('.,$&
$*"Z('.,$& &^*-"_`)&'!%\-+&'+%'"a-&*)')'),-"_`)&' "$%\G*#^!"&'/%#'#)]#)&&b%3 c! ]4:;97'9<8E748d5';58'9:958[3 c! P7I745K79:8NK<9:97[3 c! >:?I:'97'<;97E7;9e;K<:'7';54H:?<9:97'3 3958'478f9B58[3 c! (:<Q:'E47K<8d5'7'78NH:N=:8'K5H'=<J813
Y "'.$%& -"%%,6,*,5$5(%g& X1, X...
,!'(*,+j!),$&$.',0,),$*& c! )AB:LM78':?5HJI4<K:8'g@'8d5' BN?<h:958'E54'HB<I:8'9JK:9:81' &7B8'B858'7'478I4<LM78'97'BN?<h:Ld5' 8d5'F7H'K5;07K<958[3 c! )Q<8I7H'5BI4:8'IJK;<K:8'AB7' E597H'874'BN?<h:9:8'K5H'5' H78H5'E45Ei8<I5j3 c! "'^;I7?<ke;K<:'"4NlK<:?'E597'874' BH:':?I74;:N=:'O5B'K5HE?7H7;I5X' E:4:')AB:LM78'"?5HJI4<K:8j3
,!'(*,+j!),$&$.',0,),$*& c! ^"'J'BH:'@47:'HB?N9<8K<E?<;:4'9:'K5HEBI:Ld5[3 c! )Q<8I7H'=@4<:8'IJK;<K:8'7;=5?=<9:8[3 c!!"#"$%&'&'($o\<;74:ld5'97':958xy'j'e:4i7'97'bh' E45K7885'97'K5;07K<H7;I5'7H'F:;K58'97'9:958'O)!!' m')'*+,-.(-$!&/0*1-3$&'$!"#"4"/-/x'e:4:'7;k5;i4:4' E:94M78'nI7<8'7H'9:958'7'k74:Ld5'97'<;654H:Ld5' OK5;07K<H7;I5X'AB7'78Id5'78K5;9<958';7?78[3 c! "5'K5;I4@4<5'958'H597?58'97'47k4788d5.';d5':88BH7H' 654H:8'H:I7H@NK:8'E4778I:F7?7K<9:813
3,!'(*,+j!),$&$.',0,),$*& *G!+^!"&3 c! \<;74:Ld5'97':958'O!%$5$!"#"$%&'&'(X[3 c! #7978'+7B4:<8'"4NlK<:<8'o'#+"'O677$5$6890&",$7-:",$ 7-#+*;/X[3 c! \@AB<;:8'97'p7I5478'97'&BE54I7'O<=%$5$<:>>*#$=-0#*$ %"0?&'-X[3 c! >?5478I:8'"?7:Ii4<:8'O@"'.*A$B*-/#X[3 c! "?k54<ih58']7;jnk58[3 c! );I47'5BI4:813
(%'5"&5(&)$%"&7`&!"#"$%&'&'($ :958'97'F<5H:88:'I5I:?'97'Tqr'@4=5478'97'sU'78EJK<78'7H'BH:' E?:;I:Ld5'97'478I:B4:Ld5'7K5?ik<K:';5')8I:95'95'#<5'97'a:;7<4513
(%'5"&5(&)$%"&7`&5$'$&Z,!,!+& :958'97'F<5H:88:'I5I:?'97'Tqr'@4=5478'97'sU'78EJK<78'7H'BH:' E?:;I:Ld5'97'478I:B4:Ld5'7K5?ik<K:';5')8I:95'95'#<5'97'a:;7<4513
ESTUDO DE CASO 1: DATA MINING DM: tenta descobrir padrões em grandes volumes de dados. O objenvo global do processo é o de extrair informação de um conjunto de dados numa estrutura compreensível para uso posterior (previsão); Fases: seleção de dados, pré- processamento dos dados, seleção das variáveis independentes, extração de conhecimento (padrões), interpretação e predição.
(%'5"&5(&)$%"&7`&5$'$&Z,!,!+&!?:88<lK:95478'(:87:958';:'^;8It;K<:Y'BN?<h:H':'E58<Ld5'97'BH'9:95' 7'8B:'9<8It;K<:'E:4:'47:?<h:4'K?:88<lK:Ld5'7.'K5;87AB7;I7H7;I7.' E479<Ld51'3!
ESTUDO DE CASO 1: DATA MINING DM: 4 Npos de distancias foram avaliadas; Vizinhos mas próximos: 1, 3 e 5; Variáveis: dap; dap e ht; dap, ht, da, db; dap, dm, ht, hc, da, db (todas); Transformação Logarítmica; Regressão: modelo de Schumacher- Hall; Critérios de avaliação: R aj, syx, AIC, BIC, análise de resíduos;
Distância Euclidiana Distância Euclidiana QuadráNca Distância ManhaCan Distância Chebyshev ) (... ) 3 3 ( ) ( ) 1 1 ( ), ( q Xn Xn p q X p X q X p X q X p X q p d + + + + = ) Xnq Xn p (... ) q X p X ( ) q X p X ( ) q X p X ( q ) p, ( d + + + + = 3 3 1 1 Xn q Xn p... q X p X q X p X q X p X q ) p, ( dm + + + + = 3 3 1 1 ) Xnq Xnp );...; ( q X p X ); ( q X p X ); ( q X p X max ( q ) p, ( dc = 3 3 1 1 ESTUDO DE CASO 1: DATA MINING
ESTUDO DE CASO 1: DATA MINING X 1, X, X 3,..., X n = variáveis independentes (dap, dm, ht, hc, da, y db); X np, X npq = qualquer combinação de dois valores (p e q) específico de una variável independente; n = número de dados.
(%'5"&5(&)$%"&7`&5$'$&Z,!,!+& Statistical criteria of goodness of fit applied to 180 data of individual biomass of native trees of the Atlantic Forest, using Data Mining (!: 1 neighbor;!: 3 neighbors 1/d ;!: 3 neighbors 1/ d ; " : 5 neighbors 1/d ; ": 5 neighbors 1/d ) ( : all variables; : dbh, ht, da, db; : dbh, ht; : dbh).
(%'5"&5(&)$%"&7`&5$'$&Z,!,!+& :3 Syx% Syx% F3 +AD]>&L9& 7SkPl& Statistical criteria for selecting models applied to the data of individual biomass of native trees of the Atlantic Forest, using Data Mining. a) ( " : distance of Chebyshev; : Manhattan distance; : Quadratic Euclidean distance ; : Euclidian distance); (!: 1 neighbor;!: 3 neighbors 1/"d";!: 3 neighbors 1/"d" "; ": 5 neighbors 1/d"; " : 5 neighbors 1/d" "). b) SH: allometric model of Schumacher-Hall; EQ: DM Quadratic Euclidean distance; E: Euclidean distance; M: Manhattan distance; C: Chebyshev distance)."
(%'5"&5(&)$%"&7`&5$'$&Z,!,!+& \Y'!07FR807=.' v' =<h<;058.' I59:8':8'=:4<@=7<83 #7k4788d5Y' &K0BH:K074m P:??3
ESTUDO DE CASO 1: DATA MINING CONCLUSÕES DM possibilita a obtenção de esnmanvas precisas de biomassa seca de árvores individuais na restauração da Mata AtlânNca; EsNmaNvas realizadas com o uso de SM são comparáveis às obndas pelo modelo Schumacher- Hall (Ganho de 16,5%); Para gerar esnmanvas mais precisas, a técnica DM requer mais dados e variáveis; A distância Chebyshev provou ser a mais adequada; A grande vantagem da técnica DM é que não é necessário respeitar as restrições estazsncas impostas pela regressão.
ESTUDO DE CASO : RNA, SVM, RF Dados de biomassa aérea de 545 árvores de acácia- negra (Acacia mearnsii) em uma plantação comercial no Estado do Rio Grande do Sul.
(%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& :958'97'F<5H:88:':J47:'97'vuv'@4=5478'97':K@K<:m;7k4:'O60"0&"$ A-"'/&&X'7H'BH:'E?:;I:Ld5'K5H74K<:?';5')8I:95'95'#<5']4:;97'95'&B?13
ESTUDO DE CASO : RNA, SVM, RF RNA: paradigma de aprendizagem e processamento autománco inspirado na forma como o sistema nervoso funciona. É uma interconexão de neurônios que trabalham juntos para produzir um eszmulo de saída. Podem ser unlizadas para reconhecer padrões de aprendizagem em relação das variáveis: Saída: biomassa Entrada: dap, h, etc.
(%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& &p\y'k5;gb;i5'97':?k54<ih58'97':e47;9<h:95'8be74=<8<5;:95'e:4:' 4785?=74'E45F?7H:8'47?:K<5;:958'x'K?:88<lK:Ld5'7'47k4788d51':95'BH' K5;gB;I5'97'I47<;:H7;I5'7Q7HE?58'O:H58I4:X.'E597H58'45IB?:4':8' K?:8878'7'I47<;:4'BH:'&p\'E:4:'K5;8I4B<4'BH'H597?5'AB7'E47=e'5'NE5' 97'BH:';5=:':H58I4:13 /597'874'7HE47k:95' 7H'K?:88<lK:Ld5'7' 47k4788d513 -N?<h:'0<E74E?:;5813
ESTUDO DE CASO : RNA, SVM, RF RF: combinação de "árvores" preditoras (SVM), em que cada árvore depende dos valores de um vector aleatório testado independentemente e com a mesma distribuição em cada uma delas. Usa um conjunto de árvores preditoras e calcula os valores médios para esnmar um novo valor. Pode ser empregado em classificação e regressão. Calcula uma média de uma série de SVMs. Dados de treinamento Visualização de Random Forest depois do treinamento. Modelo de regressão logísnca depois do treinamento.
Técnica Modelo R aj syx syx% AIC Regressão Inteligência ArNficial ESTUDO DE CASO : RNA, SVM, RF Schumacher- Hall 0,88 17,3 36,83 3.11,61 Spurr 0,97 9,17 19,50.419,84 Kopezky 0,94 1,1 5,97.731,83 RNA 0,97 9,19 19,53.417,45 SVM 0,97 8,46 17,98.37,45 RF 0,99 4,81 10,3 1.713,0 Ganho de 47,6%
(%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& &EB443 #>3
(%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& G(H",I4" #>'Q'&EB443 #>'Q'&K0BH:K074mP:??3
ESTUDO DE CASO : RNA, SVM, RF CONCLUSÕES RNA, RF e SVM produzem esnmanvas precisas de biomassa seca de árvores individuais de acácia- negra; EsNmaNvas feitas usando estas técnicas de IA são comparáveis ou superiores às obndas por modelos de regressão; RF mostrou- se a mais acurada entre as técnicas de IA avaliadas, considerando os dados desta pesquisa (Ganho de 47,6%); A grande vantagem de técnicas de IA é que não é necessário respeitar as restrições impostas pela técnica de regressão.
CONSIDERAÇÕES FINAIS Inventários Florestais: evoluíram no Brasil e no mundo, mas... pouco; Técnicas promissoras: ainda não disponíveis em escala comercial; QuanNficação de C: um dos objenvos do inventário florestal; Várias técnicas de IA: cada qual com suas caracterísncas e potenciais usos na ciência florestal; IA tem sido pouco explorada (RNA, outras nada) em inventários florestais e na quannficação de carbono; Não exige uma relação matemánca pré- estabelecida e são menos exigentes estansncamente; Procurar manter a simplicidade, mas sempre inovar;
!,#(.%,5$5(&0(5(.$*&5"&-$.$!/& )$.*"%&."6(.'"&%$!1(''$k&-]858& -<>o9==><&la&dbe9<=blal9&09l9<a?&l>&-a<adf& =AD\;9_Ap;oX<8M<& "6.,+$5" )(!'."&6,"0,W&5(&-(%1,%$%&%"6.(&6,"Z$%%$&(&)$.6"!"& *$6".$'n.,"&5(&,!#(!'/.,"&0*".(%'$*$