X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil

MULTILAYER PERCEPTRON NA PREDICAO RECURSIVA DE DIAMETROS DE CLONE DE EUCALIPTO Fabr zzio Alphonsus A M N Soares, Edna Lucia Flores, Christian Dias Cabacinha, Gilberto Arantes Carrijo, Antonio Claudio Paschoarelli Veiga Instituto de Informtica a Universidade Federal de Gois a Goinia, Gois, Brasil a a Faculdade de Engenharia Eltrica e Universidade Federal de Uberlndia a Uberlndia, Minas Gerais, Brasil a
Instituto de Cincias Agrrias e a Universidade Federal de Minas Gerais Montes Claros, Minas Gerais, Brasil

Emails: fabrizzio@inf.ufg.br, edna@ufu.br, ccabacinha@yahoo.com.br, gilberto@ufu.br, acpveiga@ufu.br

Abstract A major challenge in the forest area is the prediction of the volume of forest stands quickly and accurately without the need to fell trees. The purpose of this work is a model that uses articial neural network Multilayer Perceptron (MLP) for predicting tree diameters. This model requires three measurements of diameter of the base of the tree and recursively provides other measures of diameters. The performance of the proposed model was satisfactory when compared with diameters obtained from the cubed. Keywords Multilayer Perceptron, Recursive Prediction, Forestry Inventory, Estimated Diameter, ANN

Resumo Um dos grandes desaos na rea orestal a prediao do volume dos povoamentos de forma rpida a e c a e precisa sem a necessidade de abater rvores. A proposta deste trabalho um modelo que utiliza a rede neural a e articial Perceptron de Mltiplas Camadas (MLP) na predio de dimetros de rvores. Este modelo necessita u ca a a de 3 medidas de dimetros da base da rvore e de forma recursiva prev as demais medidas de dimetros. A a a e a performance do modelo proposto foi satisfatria quando comparado com os dimetros obtidos a partir da cubagem o a rigorosa. Palavras-chave dimetro, RNA a Perceptron de M ltiplas Camadas, Predio Recursiva, Inventrio Florestal, Estimativa de u ca a

Introduo ca

O eucalipto uma espcie orestal de rpido crese e a cimento, menor custo, e produz muito mais madeira que outras espcies. A produtividade mdia e e de madeira no Brasil de 45 50m3 ha1 ano1 . e No Chile, Estados Unidos, Canad e Finlndia, a a esse n mero de 20, 10, 7 e 4m3 ha1 ano1 , u e respectivamente (Votorantim Celulose e Papel VCP, 2004). O volume de madeira plantado uma infore mao essencial no direcionamento racional e susca tentvel dos recursos dispon a veis nas orestas. Assim, muito importante quantic-lo da forma e a mais precisa poss vel. O mtodo mais tradicional e utilizado nas empresas brasileiras so as equaes a co volumtricas. Estas equaes so ajustadas com e co a amostras de cubagem rigorosa durante a realizaca o do inventrio orestal. a Nas equaes volumtricas so feitas supoco e a sies geomtricas sobre as rvores que necessico e a tam de diversas medidas de dimetros ao longo a do fuste para a construo dos modelos que reca presentam o estrato do povoamento. Durante a cubagem, as rvores amostradas so abatidas rea a

petidamente at completar todos os estratos da e populao. Esta atividade bastante demorada e ca e onerosa. Com isto, muitas vezes as empresas orestais negligenciam a cubagem prejudicando as predies realizadas com as equaes volumtrico co e cas (Andrade et al., 2006). As redes neurais tm sido usadas na modelae gem orestal para estimatimar diversos parmea tros das rvores tais como dimetro, altura, voa a lume, e outros. Diamantopoulou (2005a), Diamantopoulou (2005b) previu os dimetros das rvores baseaa a dos nos dimetros na altura do peito (DAP) e nas a alturas totais da rvore utilizando redes neurais a articiais. Em (Kaloudis et al., 2006) as redes neurais foram usadas para estimar os dimetros das ra a vores. Nessas RNAS foram utilizadas 22 entradas tais como altitude, aspecto, rea basal, dentre oua tros. Em (Diamantopoulou, 2006; Grgens, 2006; o Baleeiro, 2007; Grgens et al., 2009; Silva et al., o c 2009; Ozelik et al., 2010) as redes neurais foram utilizadas para estimar os volumes das rvores baa seados nos DAPs e nas alturas totais das rvores. a

ISSN: 2175-8905 - Vol. X

450

X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil

A proposta deste trabalho utilizar a rede e neural articial Perceptron de Mltiplas Camadas u (MLP) na predio de dimetros de rvores. Este ca a a modelo usa como entrada 3 medidas de dimetro a na base da rvore e de forma recursiva prev as a e demais medidas de dimetros ao longo do fuste. a Com os dimetros previstos utilizando-se o ma e todo de Smalian calcula-se os volumes das rvores a do s plantado. tio Este artigo est organizado como segue. Na a seo 2 o modelo de predio recursiva e a arca ca quitetura da MLP so explicados, onde os detaa lhes mais signicantes so dados durante o treinaa mento, alm dos mtodos de validao utilizados. e e ca Na seo 3 so apresentados os detalhes sobre o ca a desempenho do modelo proposto. Finalmente, na seo 4 as concluses so apresentadas. ca o a 2 2.1 Redes Neurais e Mtodos de Predio e ca Rede Neural articial Perceptron de Mltiu plas camadas (MLP)

mtodo Gauss-Newton, que uma variante do e e mtodo de Newton (Levenberg, 1944; Marquardt, e 1963). O mtodo de Newton usa a informao da e ca derivada parcial de segunda ordem do ndice de desempenho utilizado para corrigir os pesos. Isso permite que alm da informao do gradiente, seja e ca usada informao sobre a curvatura da superf ca cie do erro. 2.2 Predio ca

A predio de sries utilizada comumente em ca e e sries temporais. Ela pode ser considerada como e um problema de modelagem. Para a predio, um ca modelo constru entre as entradas e as sa e do das. Este modelo usado para prever os prximos vae o lores baseados nos valores prvios. A predio die ca reta e a recursiva so alguns dos mtodos aplicaa e dos na predio de longa durao(Ji et al., 2005). ca ca 2.2.1 Predio Direta ca

A rede neural Perceptron de Mltiplas Camadas u (MLP) composta de uma camada de entrada, e uma ou mais camadas ocultas e uma camada de sa da. O sinal de entrada propaga-se para frente pela rede, camada por camada (Haykin, 1998). O clculo do nmero de neurnios da caa u o mada oculta da rede MLP obtido pela Equao e ca (1)(Doan and Liong, 2004). n (1) + R 2 onde n o nmero de neurnios de entrada e e u o R o tamanho do conjunto de dados. e N = integer 2 1 (1 + exp(2a))

Para predizer os valores de uma srie so constru e a dos M +1 modelos diferentes, conforme a Equao ca (3). di+m = fm (di1 , di2 , . . . , din ), (3)

onde m = 0, 1, ..., M ; M o horizonte mximo e a da predio e n o tamanho do regressor. ca e As variveis de entrada do lado direito da a Equao (3) denem o regressor. ca 2.2.2 Predio Recursiva ca

A predio recursiva pode ser constru primeiro ca da fazendo a predio de um passo adiante, conforme ca a Equao (4). ca di = f (di1 , di2 , . . . , din ), (4)

(a) = tanh(a) =

(2) Para prever o prximo valor da srie, utilizao e se tambm a Equao (4), porm o primeiro valor e ca e dessa equao o resultado dela no passo anterior, ca e como mostrado na Equao (5). ca di+1 = f (di , di1 , di2 , . . . , din+1 ). 2.3 (5)

Diversas funes de ativao podem ser utico ca lizadas na rede MLP (Haykin, 1998). A funo ca de ativao utilizada neste trabalho nos neurnios ca o das camadas oculta e de sa foi a tangente hida perblica, tambm chamada de tan-sigmide ou o e o tansig, calculada conforme a Equao (2). ca Existe uma variedade de algoritmos para treinamento da MLP. Estes algoritmos so o gradiente a descendente, o gradiente descendente com momentum, o gradiente conjugado, o quasi-Newton, o Levenberg-Marquardt, e outros. A tcnica de Levenberg-Marquardt mais ee e ciente do que a tcnica do gradiente descendente e convencional (Hagan and Menhaj, 1994). O gradiente descendente um algoritmo de maior descida e e envolve movimentos de pequenos passos abaixo do gradiente local do campo escalar. Uma desvantagem deste mtodo a possibilidade do gradie e ente descendente encontrar um m nimo local antes que o m nimo global seja atingido. O algoritmo Levenberg-Marquardt um aperfeioamento do e c

Clculo dos Erros dos Dimetros Preditos a a com a MLP

Com a nalidade de vericar o comportamento da MLP na estimao de todos os dimetros de cada ca a a rvore foram utilizadas o Root Mean Square Error (RM SE% e a correlao linear (R), conforme as ca Equaes (6) e (7), respectivamente. co
n 1/2

1 RM SE% = Y

(Yi Yi )2
i=1

1 n

100 (6)

ISSN: 2175-8905 - Vol. X

451

X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil
y

n R=

n i=1

Yi Yi
n i=1

n i=1

Yi ( Y)

n i=1 2 1/2

ht

d ht

Yi ) (7)
... ...
d3.0 d2.0 d1.3 d0.7 d0.3
x

n(

Y 2) (

n i=1

e onde Y a mdia dos dimetros, Yi e Yi so e a a os dimetros preditos e medidos, respectivamente, a e n o nmero de medidas de dimetros entre as e u a medidas de entrada e a altura total. 3 Resultados e Discusso a

h3.0 h2.0 h1.3 h0.7 h0.3

Neste trabalho foram realizados vrios testes para a encontrar a estrutura da MLP. Para encontrar o nmero de neurnios na camada oculta utilizou-se u o a Equao (1). Embora o clculo com esta equaca a ca o sugira uma quantidade de neurnios grande, o no ocorreu melhoria signicativa nos valores de a RM SE% e R quando foi utilizado um nmero u maior do que 20 neurnios nessa camada. A estruo tura adotata possui uma camada de entrada com trs variveis, que representam trs medidas de die a e a metros, uma camada oculta com m = 20 neuro nios, e uma camada de sa com um neurnio, da o que resulta em um valor de dimetro estimado. a 3.1 Dados

Figura 1: As alturas medidas da rvore e seus a dimetros a

Os dados utilizados neste estudo foram levantados em um plantio localizado no munic pio de Aracruz, na regio metropolitana do estado do Esp a rito Santo, no Brasil. Foram usados 615 rvores, a do gnero Eucalyptus, obtidas de um mesmo mae terial gentico clonal. Todas elas com a mesma e idade, 6 anos e seis meses, plantadas com espaac mento 3 3 m, distribu das em 16 parcelas circulares de 360 m2 . Estas rvores foram abatia das e cubadas rigorosamente pelo mtodo Smae lian (Cabacinha, 2003). Durante a cubagem foram medidos, com Suta, os dimetros nas alturas a 0, 10; 0, 30; 0, 50; 0, 70; 0, 90, 1, 10; 1, 30; 2, 00 m em relao ao solo, no restante do tronco em interca valos de 1 em 1 m e o dimetro no topo da rvore a a considerado igual a zero cm. Os dimetros nas e a alturas h0.3 e h1.3 so conhecidos como dimetro a a do toco e dimetro na altura do peito (DAP), resa pectivamente. A Figura 1 ilustra como as rvores a foram medidas. Diversas caracter sticas das rvores variam de a acordo com o DAP. Devido a isto, vrios trabaa lhos tm separado as rvores em classes diame a e tricas baseadas no DAP em amplitudes de 4 e 5 cm (Schneider et al., 1996; Pires and Calegario, 2007). Neste trabalho, as rvores foram sea paradas de acordo com a medida do DAP em 5 classes em intervalos de 3 cm e criou-se uma MLP para treino e predio de cada uma dessas classes. ca Apenas a classe 5 foi amplidada para inserir uma unica rvore que estava isolada. A Tabela 1 mos a tra a frequncia de indiv e duos, as estat sticas dos

DAPs e alturas das rvores por classe utilizadas a neste trabalho. O modelo de MLP proposto neste trabalho baseou-se na relao entre os 3 dimetros vizinhos ca a usados como entrada e o prximo dimetro que o a e previsto na sa da rede. Com a nalidade de da vericar a relao da medida de um dimetro com ca a seus dimetros vizinhos, foi calculado o coeciente a de autocorrelao utilizando-se a Equao (7). O ca ca clculo da autocorrelao foi feito para cada ra ca a vore com deslocamentos de 1 a 3. A Tabela 1 mostra o menor e o maior coecientes de autocorrelao para 1 deslocamento em cada classe. ca Os resultados obtidos nos testes de autocorrelao realizados para 1 deslocamento apresentaca ram valores bastante altos. Pode-se vericar na Tabela 1 que a menor e a maior autocorrelao ca para 1 intervalo foram de 0, 63 e 0, 90, respectivamente. Enquanto no teste para 3 intervalos a menor e a maior autocorrelao foram de 0, 55 e ca 0, 81. Assim os testes comprovaram que existe um forte relacionamento entre os 3 dimetros vizinhos a e o prximo dimetro a ser previsto. o a Para uma maior conabilidade e rapidez no treinamento das MLPs normalizou-se os dados de dimetros das rvores no intervalo de [1, 1], a a usando a Equao (8). Neste intervalo o 1 indica ca dimetros iguais a 0, 1 o maior dimetro e entre a a esses valores os demais dimetros(Zanchettin and a Ludermir, 2005). A normalizao foi feita em toca das as rvores independente de sua classe. a X min(X) +a (8) max(X) min(X)

XN ORM = (ba)

onde XN ORM o valor do dimetro normalie a zado, X o dimetro da rvore, min(X) o menor e a a e dimetro das rvores, max(X) o maior dimetro a a e a das rvores, a = 1 e b = 1 so os intervalos de a a normalizao. ca Aps a predio dos dimetros das rvores peo ca a a las MLPs, estes dimetros foram denormalizados a

ISSN: 2175-8905 - Vol. X

452

X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil

Tabela 1: Estat sticas descritivas das rvores do gnero Eucaplyptus a e

Classe 1 2 3 4 5 n 14 106 302 178 15 Autocorr(di ) Min Max 0,63 0,84 0,77 0,87 0,78 0,89 0,83 0,90 0,82 0,90 DAP(cm) Media Var 8,68 0,95 12,01 0,54 14,62 0,68 17,23 0,64 20,21 1,7 DP 0,97 0,73 0,82 0,80 1,31 Min 7,15 10,32 13,15 16,15 19,31 Max 10,10 13,14 16,14 19,14 24,55 Altura Total (H) (m) Media Var DP 17,60 3,49 1,87 22,83 2,75 1,66 25,74 1,57 1,25 27,52 1,39 1,18 29,23 1,06 1,03 Min 14,20 18,00 18,40 24,20 27,20 Max 19,70 26,70 29,40 30,10 30,60

usando os valoes de min(X) e max(X) utilizados na normalizao. ca O algoritmo de treino utilizado nas MLPs foi o Levenberg-Marquardt (Marquardt, 1963) com 1.000 pocas. Todos os treinos das MLPs foram e realizados com pesos iniciais aleatrios e no foo a ram utilizados parmetros adaptativos de taxa de a aprendizado e momentum. Para evitar o overtting, neste trabalho foi utilizado uma adaptao do mtodo early stopca e ping(Caruana et al., 2001; Doan and Liong, 2004; Lodwich et al., 2009). Nesta adaptao a heuca r stica adotada foi estabelecer o erro mdio quae drtico (M SE), em 1 1010 e treinar as MLPs a at que por 5 pocas seguidas o M SE no apree e a sentasse reduo signicativa ou aumentasse. Nos ca testes realizados, as MLPs convergiram abaixo de 150 pocas. A Tabela 2 mostra os valores de M SE e e o nmero mdio de pocas para convergncia em u e e e cada classe de rvore. a Tabela 2: Amostras de treino
Classe 1 2 3 4 5 Total Total Arvr Conj 14 231 106 2405 302 8025 178 5105 15 462 615 16228 Amostras Arvs Conj 10 155 11 239 31 792 18 498 10 298 80 1982 Treino Epocas 35 45 120 110 130 MSE 3, 0 104 3, 0 104 3, 5 104 3, 5 104 5, 0 104 -

para prever a medida d3,0 , e assim sucessivamente. Este procedimento est descrito no Algoritmo 4 e a a Tabela 3 ilustra as denies utilizadas nesse co algoritmo. Tabela 3: Declaraes do algoritmo de predio co ca
X X1 X2 X3 i d0,3 d0,7 d1,3 D Di Ht O vetor de entradas da MLP A entrada 1 da MLP A entrada 2 da MLP A entrada 3 da MLP A altura que est sendo predita a O dimetro na altura 0, 3 a O dimetro na altura 0, 7 a O dimetro na altura 1, 3 (DBH) a O vetor de dimetros preditos at a altura total a e Na altura total o dimetro adotado como zero a e O Dimetro na altura i a A Altura total da rvore predita a

Tabela 4: Algoritmo de predio da rvore ca a

function PredictTree(d0,3 , d0,7 , d1,3 , Ht ) X [d0,3 , d0,7 , d1,3 ] D[] i 2, 0 while i < Ht do Di Net.PredictDiameter(X) X1 X2 X2 X3 X3 Di i i + 1, 0 end while return D end function

Para o treino das MLPs, em cada classe foram selecionadas aleatoriamente 10% das rvores ou no a m nimo 10 rvores para a gerao dos conjuntos de a ca amostras de entrada e sa da. Para cada uma destas rvores foram geradas as amostras de entradas a [di2 , di1 , di ] e a sa [di+1 ]. Por exemplo, no da treinamento da rede, o par de entrada e sa foi da [d0,3 , d0,7 , d1,3 ] e [d2,0 ], onde d0,3 , d0,7 , d1,3 , d2,0 representam a distncia do solo at as medidas a e 0, 3; 0, 7; 1, 3 e 2, 0 metros. O prximo par de eno trada e sa foi [d0,7 , d1,3 , d2,0 ] e [d3,0 ], onde d3,0 da representa a distncia do solo at a medida 3, 0 a e metros, e assim sucessivamente. Na etapa de teste das MLPs so utilizadas a apenas as medidas iniciais de dimetro d0,3 , d0,7 a e d1,3 para prever as demais medidas de dimea tros de cada rvore. Esta etapa realizada para a e cada rvore individualmente, conforme o procedia mento de predio recursiva descrito na Equao ca ca (5). Portanto, estas medidas iniciais so utilizaa das para prever o dimetro d2,0 . Em seguida, as a medidas d0,7 , d1,3 e a d2,0 estimada so utilizadas a

3.2

Predio de Dimetros ca a

Devido ` grande quantidade de rvores previstas, a a a Tabela 5 mostra de forma resumida os valores de RM SE% e Correlao (R) dos testes realizados ca para predio dos dimetros das rvores. ca a a Tabela 5: Erros de predio de dimetros por ca a classe - RM SE% (Menor, Maior, Mdio e Desvio e Padro) e Correlao - R (Menor, Maior) a ca
Classe Arv. RM SE% Min Max 1 4 3,0485 9,9825 2 95 1,8253 22,9360 3 271 1,6863 21,3653 4 160 1,6740 22,8324 5 5 2,0645 6,2103 Med 6,2052 7,3111 6,6817 7,4058 4,3476 DP 3,4018 4,2031 3,6985 4,4258 1,6525 Corr.(R) Min Max 0,9677 0,9977 0,9835 0,9999 0,9718 0,9992 0,9883 0,9993 0,9959 0,9991

Pode-se observar na Tabela 5 que nas classes 1 e 5, onde a quantidade de rvores muito pea e quena, o maior valor de RM SE% menor do que e 10%. E que nas classes 2, 3 e 4, onde a quantidade de rvores bem maior do que nas classes a e 1 e 5, o maior valor de RM SE% est em torno a

ISSN: 2175-8905 - Vol. X

453

X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil
9 8 7 Diametro / 2 (cm) 6 5 4 3 2 1 0 .7 2 4 6 8 10 12 14 16 18 20 22 Altura (m) 25.24 RMSE% R% CUB RNA 1.686 99.923

8 7 6 Diametro / 2 (cm) 5 4 3 2 1 0 RMSE% R% CUB RNA 21.365 98.665

80 70 60 Quantidade 50 40 30 20 10 0 0

.7 2

10 12 14 16 18 20 22 Altura (m)

25.7

10 RMSE%

15

20

25

(a)

(b)

(c)

Figura 2: Curvas de exemplo de predio (Melhor e pior caso) e histograma de RM SE% para a classe 3. ca de 22%. Embora este ultimo valor seja grande, a mdia dos RM SE% (erros) das classes 2,3 e 4 e cou em torno de 7%, mostrando que os dimetros a preditos pelas MLPs esto bastante prximos dos a o dimetros reais medidos nas rvores. Essa tabela a a tambm ilustra o menor e o maior coecientes de e correlao linear entre os dimetros preditos e meca a didos. Praticamente todos esses coecientes esto a no intervalo de 0, 96 a 0, 99. Assim existe uma fort ssima correlao linear entre os dimetros reais ca a medidos e os preditos pelas MLPs. As Figuras 2(a) e 2(b) exemplicam com linhas cont nuas e pontilhadas os valores de dimea tros reais e estimados pelas MLPs para a classe 3, respectivamente. E a Figura 2(c) ilustra o histograma dos RM SE% calculados para cada rvore a da classe 3. A Figura 2(a) mostra o menore RM SE% para a classe 3. Pode-se observar nessa gura que os valores dos dimetros reais e estimados pelas a MLPs so bastante coincidentes uns com os oua tros. Verica-se tambm que as MLPs possuem e uma alta aproximao para os casos em que as rca a vores apresentam um perl linear e mesmo quando o perl das rvores no linear as MLPs acompaa e a nharam satisfatoriamente as variaes bruscas de co dimetros. a O maior RM SE% da classe 3 mostrado na e Figura 2(b). Pode-se vericar nessa gura que as MLPs subestimaram os valores reais dos dimea tros da rvore para esta classe. Este comportaa mento foi observado em outras classes exceto para a classe 5, onde ocorreu uma pequena superestimao desses dimetros. ca a Embora a Figura 2 ilustre os dimetros reais e a preditos de algumas rvores, o comportamento de a todas as rvores utilizadas para teste mostraram a que as MLPs tiveram diculdade para prever os dimetros mais prximos do topo das rvores. Isso a o a j era esperado pois o modelo proposto neste traa balho realiza predies recursivas e o erro em um co determinado dimetro ser repassado para predia a ca o do prximo dimetro. Portanto, quanto mais o a predies recursivas forem realizadas maior o vaco lor da diferena entre os dimetros real e o predito c a pelas MLPs. No entanto, essa diferena inuencia c muito pouco no clculo do volume de cada rvore. a a A Figura 2(c) mostra o histograma de RM SE% para a classe 3. Pode-se vericar nessa gura que a maior parte dos valores de RM SE% esto abaixo de 10% na classe 3. Isto tambm foi a e observado nas classes 2 e 4 que um valor base tante satisfatrio. Como a quantidade de rvores o a de teste nas classes 1 e 5 muito pequena no e a existe um acumulo de RM SE% em torno da me dia, porm todos RM SE% esto abaixo de 10% e e a 6.3% nas classes 1 e 5, respectivamente, que tambm so valores bastante satisfatrios. e a o 4 Concluses o

Em todos os testes realizados pde-se observar que o independente da variao dos dimetros em cada ca a a rvore ser regular ou no, os valores dos dimetros a a preditos pelas MLPs foram bastante satisfatrios o em relao aos valores dos dimetros reais. Poca a rm, as MLPs tiveram diculdade para prever os e dimetros mais prximos do topo das rvores. Isso a o a j era esperado pois o modelo proposto neste traa balho realiza predies recursivas e erros em um co determinado dimetro so repassados para predia a ca o dos prximos dimetros. o a Nos testes realizados vericou-se que as diferenas entre os dimetros estimados pelas MLPs c a e os dimetros reais foram muito pequenas. a Os resultados obtidos com o mtodo proposto e foram bastante satisfatrios. Esse mtodo alm de o e e reduzir signicativamente o custo e o tempo de realizao de um inventrio est menos suscept ca a a vel a erros humanos. Assim, as redes neurais podem ser utilizadas para auxiliar os levantamentos orestais. Referncias e Andrade, V. C. L., Calegario, N. and Scolforo, J. R. S. (2006). Anlise de algumas alternativas a para obter o coeciente angular da reta no mtodo da altura relativa, Cincia Florestal e e 16(3): 303337. Baleeiro, G. B. (2007). Modelagem neuro-fuzzy na estimativa de volume de eucalyptus sp, Mas-

ISSN: 2175-8905 - Vol. X

454

X SBAI Simpsio Brasileiro de Automao Inteligente 18 a 21 de setembro de 2011 So Joo del-Rei - MG - Brasil

ters thesis, Universidade Federal de Lavras, Lavras - MG. Cabacinha, C. D. (2003). Um mtodo para a ree alizao do inventrio orestal suprimindo a ca a cubagem rigorosa, Masters thesis, Universidade Federal de Lavras. Caruana, R., Lawrence, S. and Giles, L. (2001). Overtting in neural nets: Backpropagation, conjugate gradient, and early stopping, Advances in Neural Information Processing Systems 13. Diamantopoulou, M. J. (2005a). Articial neural networks as an alternative tool in pine bark volume estimation, Computers and Electronics in Agriculture 48(3): 235244. Diamantopoulou, M. J. (2005b). Predicting r trees stem diameters using articial neural network models, Southern African Forestry Journal 205(1): 3944. Diamantopoulou, M. J. (2006). Tree-bole volume estimation on standing pine trees using cascade correlation articial neural network models, Agricultural Engineering International: The CIGR EJournal VIII. Doan, C. D. and Liong, S.-Y. (2004). Generalization for multilayer neural network bayesian regularization or early stopping, APHW2004 Conference. Grgens, E. B. (2006). Estimao do volume o ca de rvores utilizando redes neurais articiais, a Masters thesis, Universidade Federal de Vic osa. Grgens, E. B., Leite, H. G., do Nascimento, H. o and Gleriani, J. M. (2009). Estimao do voca lume de rvores utilizando redes neurais ara ticiais, Revista Arvore 33(6). Hagan, M. and Menhaj, M. (1994). Training feed forward networks with the marquardt algorithm, IEEE Transactions on Neural Networks, Vol. 6, IEEE, pp. 861867. Haykin, S. (1998). Neural Networks - A comprehensive Foundation, 2nd edn, Prentice Hall: Upper Saddle River. Ji, Y., Hao, J., Reyhani, N. and Lendasse, A. (2005). Direct and recursive prediction of time series using mutual information selection, IWANN 2005, Lecture Notes in Computer Science, Vol. 3512, Springer Verlag, pp. 10101017. Kaloudis, S., Glezakos, T., Ferentinos, K. P., Tsiligiridis, T. A. and Yialouris, C. P. (2006). Feedforward neural network modeling of r

taper in natural forests of greece, International Conference on Sustainable Management and Development of Mountainous and Island Areas. Levenberg, K. (1944). A method for the solution of certain non-linear problems in least squares, Quarterly Journal of Applied Mathmatics II(2): 164168. Lodwich, A., Rangoni, Y. and Breuel, T. (2009). Evaluation of robustness and performance of early stopping rules with multi layer perceptrons, 2009 international joint conference on Neural Networks. Marquardt, D. (1963). An algorithm for least squares estimation of non-linear parameters, Journal of the society of Industrial and Applied Mathematics pp. 431441. c Ozelik, R., Diamantopoulou, M. J., Brooks, J. R. and Jr., H. V. W. (2010). Estimating tree bole volume using articial neural network models for four species in turkey, Journal of Environmental Management 91(3): 742753. Pires, L. M. and Calegario, N. (2007). Ajuste de modelos estocsticos lineares e no-lineares a a para a descrio do perl longitudinal de rca a vores, Revista Arvore 31(5): 845852. Schneider, P. R., Finger, C. A. G., Klein, J. E. M., Totti, J. A. and Bazzo, J. L. (1996). Forma de tronco e sortimentos de madeira de Eucalyptus grandis maiden para o estado do rio grande do sul, Cincia Florestal 6(1): 7988. e Silva, M. L. M., Binoti, D. H. B., Gleriani, J. M. and Leite, H. G. (2009). Ajuste do modelo de schumacher e hall e aplicao de redes neurais ca articiais para estimar volume de rvores de a eucaplito, Revista Arvore 33(6): 11331139. Votorantim Celulose e Papel - VCP (2004). Sustainable growth with value creation and solid returns, Technical report, VCP. Zanchettin, C. and Ludermir, T. B. (2005). Sistemas neurais h bridos para reconhecimento de padres em narizes articiais, SBA Controle o & Automao 16(2). ca

ISSN: 2175-8905 - Vol. X

455