Machine Translated by Google
Artigo
Previsão do Diâmetro do Eucalipto na Altura do Peito e Total
Altura com índices espectrais baseados em UAV e aprendizado de máquina
Ana Karina Vieira da Silva 1,* , Marcus Vinícius Vieira Borges 2
3 ,
Carlos Antonio da Silva Danielle Elis Garcia Furuya
Júnior 2
Larissa Pereira Ribeiro Teodoro
, Fábio Henrique Rojo Baio
Wesley Nunes Gonçalves6 , José Marcato Júnior
Citação: da Silva, AKV;
Borges, MVV; Batista, TS; da
Silva Júnior, CA; Furuya, DEG;
Prado Osco, L.; Teodoro, LPR;
Baio, FHR; Ramos, APM;
Gonçalves, WN; e outros Previsão
do diâmetro do eucalipto na altura do peito
e altura total com índices espectrais
baseados em UAV e aprendizado
de máquina. Florestas 2021, 12,
582. https://doi.org/10.3390/f12050582
Recebido: 30 de março de 2021
Aceito: 26 de abril de 2021
Publicado: 7 de maio de 2021
Nota do editor: MDPI permanece neutro
em relação a reivindicações jurisdicionais
em mapas publicados e afiliação institucional
ições.
Direitos autorais: © 2021 pelos autores.
Licenciado MDPI, Basel, Suíça.
Este artigo é um artigo de acesso aberto
distribuído nos termos e
condições do Creative Commons
Licença de atribuição (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Florestas 2021, 12, 582. https://doi.org/10.3390/f12050582
, Tays Silva Batista2 ,
4 , Lucas Prado Osco5 ,
2 , 4 ,
Ana Paula Marques
, Paulo Eduardo Teodoro Ramos e Hemerson Pistori 1,6
7 2
1
Inovisão, Departamento de Engenharia, Universidade Católica Dom Bosco (UCDB), Av. Prof. Tamandaré
6000, Campo Grande, MS 79117-900, Brasil;
2
pistori@ucdb.br Departamento de Agronomia, Universidade Federal de Mato Grosso do Sul (UFMS), Rodovia
MS 306, km. 305, Chapadão do Sul, MS 79560-000, Brasil; marcus.v.borges@ufv.br (MVVB);
tays.batista@ufv.br (TSB); larissa_ribeiro@ufms.br (LPRT); fabiobaio@ufms.br (FHRB); paulo.teodoro@ufms.br (PET)
3
Departamento de Geografia, Universidade Estadual de Mato Grosso (UNEMAT), Av. Prof. dos Ingas, 3001, Jardim
Imperial, Sinop, MT 78555-000, Brasil;
4
carlosjr@unemat.br Programa de Agronomia e Programa de Meio Ambiente e Desenvolvimento Regional,
Universidade do Oeste Paulista (UNOESTE), Rod. Raposo Tavares, Presidente
Prudente, SP 19067-175, Brasil; daniellegarciafuruya@gmail.com (DEGF); anaramos@unoeste.br (APMR)
5
Faculdade de Engenharia e Arquitetura e Urbanismo, Universidade do Oeste de São Paulo (UNOESTE),
Rod. Raposo Tavares, Presidente Prudente, SP 19067-175, Brasil; lucasosco@unoeste.br
6
Faculdade de Ciência da Computação, Universidade Federal de Mato Grosso do Sul (UFMS), Av. Prof.
Costa e Silva, Campo Grande, MS 79070-900, Brasil;
7
wesley.goncalves@ufms.br Faculdade de Engenharia, Arquitetura e Urbanismo e Geografia, Universidade Federal
de Mato Grosso do Sul (UFMS), Av. Prof. Costa e Silva, Campo Grande, MS 79070-900, Brasil; jose.marcato@ufms.br
* Correspondência: anakarinavs@ucdb.br
Resumo: As técnicas de aprendizado de máquina (ML) têm ganhado destaque nas práticas de agricultura
de precisão, uma vez que atendem de forma eficiente a múltiplas aplicações, como estimar o crescimento
e rendimento de árvores em plantações florestais. A combinação entre algoritmos de ML e índices espectrais
de vegetação (VIs) de medição de linha de alta resolução espacial, segmento: 0,079024 m imagens
multiespectrais, pode otimizar a previsão dessas variáveis biométricas. Neste artigo, investigamos o
desempenho de técnicas de ML e VIs adquiridas com um veículo aéreo sem nome (UAV) para prever o
diâmetro à altura do peito (DAP) e a altura total (Ht) de eucaliptos. Foi selecionado um sítio experimental
com seis espécies de eucalipto e utilizado o sensor Parrot Sequoia. Várias técnicas de ML foram avaliadas,
como floresta aleatória (RF), REPTree (DT), árvore modelo alternada (AT), k-vizinho mais próximo (KNN),
máquina de vetor de suporte (SVM), rede neural artificial (ANN), regressão linear ( LR) e função de base
radial (RBF). O desempenho de cada algoritmo foi verificado por meio do coeficiente de correlação (r) e do
erro médio absoluto (MAE). Usamos, como entrada, 34 VIs como variáveis numéricas para predizer DHB e Ht.
Também adicionamos ao modelo uma variável categórica como entrada identificando as diferentes espécies
de eucalipto . A técnica de RF obteve uma estimativa globalmente superior para todas as configurações testadas.
Ainda assim, o RBF também apresentou um desempenho superior para predizer o DHB, superando
numericamente o RF tanto em r quanto no MAE, em alguns casos. Para a variável Ht, a técnica que obteve
o menor MAE foi a SVM, porém em um teste particular. Nesse sentido, concluímos que uma combinação
de ML e VIs extraídos de imagens baseadas em UAV é adequada para estimar DAP e Ht em espécies de eucalipto.
A abordagem apresentada constitui uma interessante contribuição para o inventário e manejo de florestas plantadas.
Palavras-chave: agricultura de precisão; aprendizado de máquina; eucalipto
https://www.mdpi.com/journal/forests
Machine Translated by Google

Florestas 2021, 12, 582 2 de 13

1. Introdução

Modelar o crescimento e o rendimento das árvores é uma questão essencial no manejo florestal.
As plantações de árvores brasileiras são as mais produtivas em escala mundial, e os eucaliptos são as
espécies mais comuns usadas em atividades de reflorestamento [1]). Em 2018, a produção média anual
de eucalipto no Brasil foi de 36 m3 haÿ1 anoÿ1 , número que aumentou para 39 m3 haÿ1 anoÿ1 em
2019, o que corresponde a mais de 5,7 milhões de hectares plantados com essa cultura no Brasil terras
[1]. Existem mais de 700 espécies de Eucalyptus em todo o mundo, e elas são utilizadas para diferentes
aplicações, como papel, celulose, geração de energia, carvão vegetal, entre outras [1]. Por isso, e em
decorrência de sua alta taxa de expansão em muitos países tropicais [2], o eucalipto ganhou destaque
como importante papel comercial na economia brasileira, sendo produzido principalmente em estados
como Minas Gerais (24%), São Paulo (17%) e Mato Grosso do Sul (16%). Em média, a área plantada
com eucalipto cresceu 1,1% ao ano nos últimos sete anos. O Mato Grosso do Sul liderou essa expansão
com um crescimento médio de 7,4% ao ano [1].

No passado, a estratégia tradicional para estimar o crescimento e a produtividade das árvores

era baseada na adoção de modelos de regressão [2–10], que permitem prever o DAP, Ht, índice de
competição das árvores, entre outros parâmetros e métricas importantes para descrever o variáveis
acima mencionadas . No entanto, nos últimos anos, métodos mais eficientes relacionados às técnicas
de ML [11–14] ganharam destaque para realizar essa tarefa relacionada. Problemas de classificação
e regressão são a principal direção de pesquisa em ML. Ultimamente, a pesquisa sobre problemas
de regressão, onde muitos dos problemas relacionados à agricultura e ao meio ambiente estão
incluídos, tem recebido grande atenção, tornando-se um foco de pesquisa no campo de ML [15].
Muitos estudos [2,14,16–19] mostram melhorias significativas na precisão das estimativas
quando os modelos de ML são implementados em comparação com os métodos tradicionais.
Também vale a pena mencionar que existem vários estudos [2,12,14,20–23] que adotaram algoritmos
de ML para modelar a produção ou determinar o DAP e Ht de eucaliptos no Brasil.
No entanto, uma característica observada nesses estudos é a fonte de dados utilizada para estimar essas
variáveis. Os conjuntos de dados são originados de medições feitas diretamente e anualmente no campo,
resultando em um inventário florestal contínuo para estimativa de produtividade do eucalipto. Ainda assim, esta é
uma tarefa demorada, cara e altamente exigente, que pode ser suportada por novas abordagens, como o uso de
dados de sensoriamento remoto.
Um estudo proposto por Maire et al. [2] fizeram uso de séries temporais do Índice de Vegetação por
Diferença Normalizada (NDVI) de dados de satélite MODIS para monitorar a biomassa de 15.000 ha de plantações
de eucalipto no sul do Brasil. Os autores estimaram a idade do povoamento por meio de uma análise de séries
temporais e os volumes e alturas dominantes de parcelas florestais individuais aplicando modelos de regressão
RF linear (Stepwise) e não linear. Os autores concluíram que a precisão da previsão de biomassa usando o
algoritmo RF foi melhorada pela implementação dos dados NDVI durante os primeiros dois anos após o plantio.
Outra pesquisa [13] integrou um grupo de variáveis como stand-age, dados de sensoriamento remoto ( imagens
ópticas multiespectrais—Landsat 8, sensor Operational Land Imager e imagens de radar— satélite Sentinel-1B) e
atributos do terreno extraídos de um modelo digital de elevação , para mapear o volume de plantações de
eucalipto com o algoritmo RF. Entre as combinações de dados avaliadas, o modelo que integrou dados de
sensoriamento remoto com variáveis de standage foi capaz de melhorar significativamente a estimativa de volume.

Mais recentemente, uma popular plataforma de sensoriamento remoto para aplicações agrícolas,
com ênfase no monitoramento de culturas, é o Unmanned Aerial Vehicle (UAV) [24-26]. A ampla
disponibilidade no mercado, baixo custo operacional e otimização para aquisição e processamento de
imagens são algumas características dessas plataformas de sensoriamento remoto [24,27,28].
Independentemente disso, em relação ao mapeamento de eucaliptos, nenhum estudo investigou o
desempenho de algoritmos de ML para prever o DAP e Ht usando índices espectrais de vegetação
extraídos de imagens de UAV, representando uma lacuna na literatura relacionada a aplicações de
agricultura de precisão. A esse respeito, apresentamos aqui os desempenhos de vários algoritmos de
ML para prever DAP e Ht para diferentes espécies de eucalipto com base em índices espectrais
calculados a partir de imagens multiespectrais de alta resolução espacial adquiridas pelo sensor remoto incorporad
Machine Translated by Google

Florestas 2021, 12, 582 3 de 13

árvores: (1.) Eucalyptus camaldulensis dehnh, (2.) Eucalyptus uroplylla ST Blake, (3.)
Eucalyptus saligna Sm, (4.) Eucalyptus grandis W.Hill ex Maiden, (5.) Eucalyptus urograndis
clone GG100, e ( 6.) Corymbria citriodora (Hook.) KD Hill & LAS Johnson. Foram considerados
para realizar os experimentos usando os VIs disponíveis com UAV, uma inovação para a previsão de
DAP e Ht.

2. Materiais e métodos
2.1. Área de
Estudo A área de estudo tem altitude aproximada de 820 m e está localizada no município de
Chapadão do Sul, Mato Grosso do Sul, Brasil, no sítio experimental da Universidade Federal de Mato
Grosso do Sul (Figura 1). O solo é classificado como Latossolo Vermelho de textura média. Segundo
a classificação de Köppen, o clima é tropical úmido (Aw), com estação chuvosa de outubro a abril e
estação seca de maio a setembro. O plantio experimental foi iniciado em janeiro de 2014 em blocos
casualizados com quatro repetições, com 20 plantas por parcela. Os tratamentos foram compostos
por seis espécies de eucalipto, incluindo E. camaldulensis, E. uroplylla, E. saligna, E. grandis, E.
urograndis e Corymbria citriodora.
E. grandis é uma espécie que possui excelentes qualidades para silvicultura, superando qualquer
outra em incremento quando as condições ambientais são adequadas, sendo esta a causa de seu
grande uso [29].
Existem algumas restrições quanto à sua capacidade de regeneração após cortes periódicos,
o que a torna inferior à E. saligna nesse aspecto [30]. A madeira de Corymbria citriodora é
considerada excelente para serraria, produção de carvão, postes e dormentes ferroviários [31]. E.
saligna é uma espécie muito próxima de E. grandis nos aspectos botânico, ecológico e silvicultural.
Nas condições brasileiras, o crescimento de E. saligna é geralmente inferior ao de E. grandis [32].
O interesse pela E. urophylla surgiu no Brasil nos últimos anos, pela comprovação de sua alta
resistência ao cancro do eucalipto causado por Cryphonectria cubensis e, também, pelas
propriedades de sua madeira, altamente indicada para a produção de celulose [ 33]. E.
camaldulensis é uma espécie preferencial para plantio em regiões tropicais sujeitas a períodos de
estiagem, devido a sua maior tolerância à deficiência hídrica no solo [34].

Figura 1. Localização da área de estudo no Brasil (A), no estado do Mato Grosso do Sul (B) e
delimitação das parcelas experimentais em Chapadão do Sul (C).
Machine Translated by Google

Florestas 2021, 12, 582 4 de 13

2.2. Aquisição de dados e pré-processamento

O DAP e Ht ao nível do estande foram obtidos medindo-se cinco árvores em cada unidade
experimental (24 parcelas amostrais localizadas aleatoriamente). Para obtenção do DAP (cm), foi
utilizada uma trena para medir a circunferência à altura do peito, que posteriormente foi convertida para
DAP. O Ht (m) foi obtido com o auxílio de um hipsômetro Haglof. Foram realizadas sete medições, que
ocorreram nos dias 1º de novembro de 2018, 6 de dezembro de 2018, 22 de janeiro de 2019, 29 de
março de 2019, 10 de maio de 2019 , 30 de outubro de 2019 e 28 de novembro de 2019. Essas
medições foram obtidas em ambas as estações (seca e úmida) visando gerando uma grande variabilidade
nos dados e, a partir disso, construindo modelos robustos que podem ser utilizados em qualquer época
do ano. Portanto, foram utilizadas 168 amostras para cada modelo obtido pela combinação de 24
parcelas multiplicadas por sete datas de aquisição.
Os voos foram realizados com o UAV de asa fixa Sensefly eBee RTK equipado com o sensor
multiespectral Parrot modelo Sequoia (G: 550 nm; R: 660 nm; RE: 735 nm; e NIR: 790 nm) . Mais
detalhes sobre procedimentos de voo e aquisição de comprimentos de onda para cálculo de VIs podem
ser encontrados em [32]. Aqui destacamos principalmente os principais aspectos desse processamento.
Elas foram feitas com 80% de sobreposição lateral e 85% de imagens longitudinais, bem como a mesma
área, que foram fotografadas duas vezes usando linhas de vôo perpendiculares.
O aumento da sobreposição entre as imagens foi necessário para obter um número elevado de cenas
contendo os mesmos pontos de controle, permitindo maior precisão na geração do ortomosaico no software
Pix4Dmapper. Isso ocorre em função da altura da planta, que está sujeita às oscilações do caule devido ao
vento, pois, independente de sua velocidade, interfere no processo de mosaico. Os sobrevoos foram
realizados próximo ao zênite devido à minimização das sombras das árvores às 11h, pois o sensor
multiespectral é do tipo passivo, ou seja, dependente da luminosidade solar.

A calibração radiométrica foi realizada para toda a cena, com base em superfícies reflexivas
calibradas. Para a correção dos parâmetros de irradiação solar foi utilizado o software Pix4Dmapper [35] e
o alvo refletor da câmera com placa de calibração de refletância é individualizado para cada aparelho.
Contém informações sobre as taxas de refletância para cada comprimento de onda medido pelo sensor
multiespectral, para toda a cena. Este procedimento é realizado em campo imediatamente antes da
realização do voo com o software e-Motion. A refletância de imagens multiespectrais foi obtida nos
comprimentos de onda verde (550 nm), vermelho (660 nm), borda vermelha (735 nm) e infravermelho
próximo (790 nm). As árvores foram ilustradas a partir da imagem RGB da mesma cena , com isso é
possível definir o que é uma folha e visualizar o solo. A partir das imagens do ortomosaico, as extrações
dos VIs foram realizadas pelo programa ArcGis 10.5, tomando como referência uma camada (camada
poligonal) criada manualmente a partir da imagem, envolvendo manualmente cada copa das árvores. A
Tabela S1 contém os índices de vegetação (IVs) usados para a previsão de DAP e Ht. A combinação de
algoritmos de ML com a alta resolução espacial dos VIs (0,079024 m), pode contribuir para otimizar a
predição dessas variáveis biométricas.

2.3. Análises Estatísticas e Abordagem de Machine Learning

Para verificar a relação linear entre as variáveis DBH e Ht com os VIs, uma rede de correlação foi
construída. Este procedimento é uma técnica utilizada para visualizar graficamente uma matriz de
correlação de Pearson entre variáveis. As variáveis correlacionadas positivamente são vinculadas por
linhas verdes, enquanto as variáveis correlacionadas negativamente são vinculadas por uma linha
vermelha. A espessura da linha é proporcional à magnitude da correlação, ou seja, quanto mais próximo
de 1 (ou ÿ1) mais grossa é a linha. Esta análise foi realizada com o pacote gráfico do software R (Versão
3.6.3, The R Foundation for Statistical Computingg, Viena, Áustria). Oito algoritmos ML foram aplicados
usando a métrica coeficiente de correlação (r) e erro absoluto médio (MAE) em uma validação cruzada
estratificada aleatória de 10 vezes com 10 repetições, dando um total de 100 execuções para cada
modelo. Além de usar todos os VIs (Tabela S1) como variáveis de entrada para prever o DAP e Ht,
outro cenário foi testado onde uma nova variável categórica indicativa da espécie de eucalipto foi
incluída. Todas as 8 técnicas de ML foram testadas com (Sim) e sem (Não) espécies.
Machine Translated by Google

Florestas 2021, 12, 582 5 de 13

As técnicas de ML utilizadas neste estudo são apresentadas na Tabela 1. Entre elas está o RF, que é um algoritmo
baseado em ensemble capaz de produzir várias árvores de classificação para o mesmo conjunto de dados e usar um esquema
de votação entre todas essas árvores aprendidas para classificar novas instâncias [36,37]. Dois outros algoritmos baseados
em árvore foram usados: a árvore de decisão (DT) de poda de erro reduzido e a árvore de decisão alternada (AT). DT é uma
adaptação do classificador C4.5 que pode ser usado em problemas de regressão com uma etapa adicional de poda baseada
em uma estratégia de redução de erros [38,39]. AT é outro algoritmo baseado em ensemble que aplica uma estratégia de
boosting para reduzir o overfitting de dados [40]. O algoritmo K-Nearest Neighbors (KNN) também foi usado, com k = 5, pois
experimentos anteriores em conjuntos de dados semelhantes sugerem que valores mais altos e mais baixos de k não
melhoram o desempenho geral. KNN é uma abordagem de aprendizagem preguiçosa não paramétrica que interpola as
instâncias de treinamento mais próximas da entrada para obter seu valor de regressão [41,42].

As quatro últimas técnicas de ML adotadas são as Support Vector Machines (SVM), as Artificial Neural Networks
(ANN), a Linear Regression (LR) e a Radial Basis Function Network (RBF). O SVM foi testado com a estratégia de otimização
sequencial mínima (SMO) e um kernel polinomial [43-45]. A RNA foi testada usando a arquitetura padrão do Weka que
consiste em uma única camada oculta formada por muitos neurônios que é igual ao número de atributos, mais o número de
classes, tudo dividido por 2 [46]. LR foi testado com os critérios de informação de Akaike para seleção de atributos [47] durante
a regressão linear e, por último, testamos um RBF que induz uma rede de funções de base gaussiana minimizando o erro
quadrático com o algoritmo Broyden-Fletcher-Goldfarb-Shanno (BFGS ) [48].

Tabela 1. Conjuntos de dados baseados em UAV que estão disponíveis publicamente a partir de pesquisas anteriores.

Pedido de teste Modelo de aprendizado de máquina Referência

#1 Florestas Aleatórias (RF) [36]

#2 Árvore REP (DT) [38,39]
#3 Árvore Modelo Alternada (AT) [40]
#4 K-vizinhos mais próximos (KNN) [42]
#5 Máquina de vetores de suporte (SVM) [44]
#6 Redes Neurais Artificiais (ANN) [46]
#7 Regressão Linear (LR) [47]
#8 Funções de base radial (RBF) [48]

Os experimentos foram executados em uma CPU Intel® Core™ i7 com 8 Gb de RAM e todos
os hiperparâmetros foram definidos de acordo com a biblioteca padrão Weka (Versão 3.9.4,
Universidade de Waikato, Hamilton, Nova Zelândia). Boxplots para todas as configurações avaliadas
são apresentados juntamente com os resultados do teste de Scott–Knott [49] a um nível de
significância de 5% para r e MAE de DAP e Ht.

3. Resultados

A correlação linear entre as variáveis foi expressa graficamente na Figura 2. É possível verificar
que Ht e DAP estão positivamente correlacionados entre si (r = 0,8361).
No entanto, essas variáveis possuem baixa correlação com os VIs avaliados (observe que as linhas
que ligam os VIs a Ht e DAP são finas). Em geral, os VIs possuem alta correlação entre si e podem
ser visualizados em dois grupos.
Machine Translated by Google

Florestas 2021, 12, 582 6 de 13

Figura 2. Rede de correlação de Pearson entre as variáveis diâmetro à altura do peito (DAP), altura total (Ht)
e índices de vegetação avaliados em seis espécies de eucalipto. As linhas vermelhas ligam variáveis
negativamente correlacionadas, enquanto as linhas verdes ligam variáveis positivamente correlacionadas. A
espessura da linha é proporcional à magnitude da correlação.

A Figura 3 mostra os boxplots para as previsões de DBH, enquanto a Figura 4 mostra

os boxplots para as previsões de Ht para r e MAE, com (Sim) e sem (Não) a variável
categórica de espécie incluída nos conjuntos de dados de teste, considerando 100
execuções. Um padrão claro indica prontamente que todas as técnicas de ML foram capazes
de melhorar seus desempenhos, para métricas r e MAE e para previsões de DAP e Ht
quando a variável espécie foi incluída (Sim) nos modelos. Essas melhorias variaram entre
as técnicas, com KNN e LR tendo uma melhoria muito maior para r na previsão de DBH do que RF e
O número de outliers e o intervalo interquartil (IQR) também são diferentes para
técnicas distintas , mas no MAE das previsões Ht, RF e KNN são os únicos sem outliers.
No entanto, o RF apresenta um IQR inferior ao KNN. Em geral, RF parece ter um
desempenho mais estável com menos outliers e IQR menor do que outras configurações
gerais de técnicas. Para RF e algumas outras técnicas, além de melhorar o desempenho
geral (maior mediana para r e menor mediana para MAE), a introdução da informação
de espécie também baixou o IQR e reduziu o número de outliers. As medianas do box
plot para RF, SVM e RBF parecem ser consistentemente mais altas (para r) e mais
baixas (para MAE) do que para as outras técnicas.
Machine Translated by Google

Florestas 2021, 12, 582 7 de 13

Figura 3. Boxplots para coeficiente de correlação de Pearson (r) e erro médio absoluto (MAE) usando todos os VIs, para estes
modelos de aprendizado de máquina: Random Forest (RF), REP Tree (DT), Alternating Model Tree (AT), K-Nearest Vizinhos
(KNN), Support Vector Machine (SVM), Redes Neurais Artificiais (ANN), Regressão Linear (LR) e Funções de Base Radial (RBF).

Os modelos de ML são diferenciados pelo tipo de viés indutivo que é um conjunto de hipóteses,
em cada algoritmo, vinculado aos critérios que um modelo usa para restringir o espaço de conceito
ou selecionar conceitos desse espaço, generalizando um conjunto de dados de treinamento [30 ,50,51].
Segue uma polarização indutiva de cada método: O RF trabalha com subconjuntos de dados
onde irá selecionar características a serem montadas, gerando diversas árvores de decisão
aleatoriamente, com base nos conjuntos [36]; o DT, modelo de aprendizado ágil, baseado no
algoritmo C4.5, produz classificações com resultado discreto ou regressão com o resultado
contínuo, regressão de árvores construídas, decisão e com variação de informação, poda
com erro reduzido, subseqüente ajuste [38,39]; o AT, método a ser aplicado em uma
regressão de árvores construídas, árvore de decisão com variação de informação, poda com
erro reduzido, e posterior ajuste, que mostra a linearidade com os nós folha [48] ; o KNN usa
o conceito de classificação e distância euclidiana [42]; o SVM tem uma separação por
classes por amplas margens [44]; uma RNA é classificada em sistemas conectados, através
de processamento paralelo distribuído representado por valores numéricos [46,50]; o LR,
para minimizar a soma dos erros quadráticos, é relacionado aos atributos para gerar uma
saída linear [47]; e RBF, baseado em treinamento totalmente supervisionado usando vários
parâmetros, um para penalizar o tamanho dos pesos na camada de saída, e também usa
um sigma global para simplificar os resultados combinados [48].
Machine Translated by Google

Florestas 2021, 12, 582 8 de 13

Figura 4. Boxplots para coeficiente de correlação de Pearson (r) e erro absoluto médio (MAE) usando todos os VIs, para estes modelos de
aprendizado de máquina: Random Forest (RF), REP Tree (DT), Alternating Model Tree (AT), K-Nearest Vizinhos (KNN), Support Vector
Machine (SVM), Redes Neurais Artificiais (ANN), Regressão Linear (LR) e Funções de Base Radial (RBF).

As Tabelas 2 e 3 mostram os resultados do teste estatístico Scott–Knott [49] para as previsões

de DBH e Ht, respectivamente. RF é a única técnica de ML no grupo de melhor desempenho para
todas as configurações, mas RBF também apresentou alto desempenho para previsões de DBH,
superando numericamente RF tanto em r (0,776 contra 0,765) quanto MAE (2,019 contra 2,068
cm). Para predição de Ht, o menor MAE foi obtido pelo SVM (MAE = 1,596 m).
Ainda assim, novamente, todos os valores médios melhoraram significativamente quando a informação da espécie foi usada.

Os valores médios em ambas as tabelas que são seguidos por letras diferentes na mesma coluna diferem
pelo teste Scott-Knott a 5% de probabilidade.
O maior coeficiente de correlação foi obtido para a predição de Ht usando RF (r = 0,793),
ligeiramente superior ao coeficiente de correlação para DBH usando RBF (r = 0,776). No entanto,
ao considerar um nível de significância de 5%, os desempenhos médios de RF, SVM e RBF não
foram estatisticamente diferentes para a previsão de DAP usando informações de espécies. Na
predição de Ht, também usando a variável categórica da espécie, temos LR no mesmo grupo que
RF, SVM e RBF com os melhores desempenhos, não estatisticamente diferentes.

Tabela 2. Agrupamento das médias pelo teste de Scott–Knott para coeficiente de correlação de Pearson (r) e erro
médio absoluto (MAE) obtido com modelos de aprendizado de máquina usando resultados de Diâmetro à altura
do peito (DAP, cm) sem “Não” e com “Sim " as espécies. Os melhores valores estão destacados em negrito.

r MAE

Modelo de ML Não Sim Não Sim

RF 0,5585519 a 0,7658274 a 2,640846 a 2,068483 a

DT 0,4959422 b 0,6452931 d 2,839738 a 2,508980 c
NO 0,4766069 b 0,7179331 b 3,025350 b 2,304467 b
KNN 0,3889535 c 0,7197959 b 3,507216 d 2,351439 b
SVM 0,4675034 b 0,7601881 a 2,940311 b 2,118331 a
ANN 0,4745830 b 0,6876008 c 3,245595 c 2,655013 c
LR 0,3977474 c 0,7373977 b 3,182319 c 2,289460 b
RBF 0,5222714 a 0,7766995 a 2,766008 a 2,019337 a
Médias seguidas de letras iguais na mesma coluna não diferem pelo teste Scott-Knott a 5% de probabilidade.
Machine Translated by Google

Florestas 2021, 12, 582 9 de 13

Tabela 3. Agrupamento de médias pelo teste de Scott–Knott para coeficiente de correlação de Pearson (r) e erro
médio absoluto (MAE) obtido com modelos de aprendizado de máquina usando resultados de Diâmetro à altura
do peito (DAP, cm) sem “Não” e com “Sim " as espécies. Os melhores valores estão destacados em negrito.

r MAE

Modelo de ML Não Sim Não Sim

RF 0,5960122 a 0,7933196 a 2,289211 a 1,636217 a

DT 0,4358845 c 0,7205053 b 2,603367 b 1,882463 b
NO 0,5503493 b 0,7413255 b 2,565441 b 1,863904 b
KNN 0,5098741 b 0,7369110 b 2,848660 c 1,935309 b
SVM 0,5185571 b 0,7850652 a 2,693773 b 1.596318 a
ANN 0,5775465 a 0,7055027 b 2,683148 b 2,234163 c
LR 0,3479574 d 0,7691572 a 2,760455 c 1,709424 a
RBF 0,5406943 b 0,7675664 a 2,417393 a 1,631220 a
Médias seguidas de letras iguais na mesma coluna não diferem pelo teste Scott-Knott a 5% de probabilidade.

4. Discussão

Esta pesquisa investigou a possibilidade de IVs obtidos com um sensor multiespectral de VANT
serem usados para prever DAP e Ht em seis espécies de eucalipto. Os resultados mostrados na Figura 2
indicam que todos os VIs têm uma relação linear baixa com DAP e Ht. Portanto, é necessário buscar
algoritmos baseados em comportamento não linear, como aprendizado de máquina, para prever DBH e
Ht. Neste estudo, demonstramos a capacidade de diferentes algoritmos de ML para prever variáveis
biométricas, como DAP e Ht de eucaliptos, com base em índices espectrais calculados apenas a partir
de imagens multiespectrais de alta resolução espacial adquiridas por um UAV . Uma análise robusta foi
conduzida usando coeficiente de correlação (r) e erro absoluto médio (MAE) e uma validação cruzada de
10 vezes estratificada randomizada com 10 repetições. Os principais VIs espectrais foram considerados
como entrada para os métodos. Também consideramos as espécies de eucalipto (E. camaldulensis, E.
uroplylla, E. saligna, E. grandis, E. urograndis e Corymbria citriodora) como variáveis categóricas, o que
melhorou significativamente os resultados alcançados, conforme pode ser verificado nas Figuras 2 e 3.

Com base nos resultados estatísticos, os desempenhos dos algoritmos de RF, SVM e RBF
não são estatisticamente diferentes para a previsão de DBH usando informações de espécies.
Em relação à predição de Ht, LR, RF, SVM e RBF forneceram desempenhos semelhantes.
Embora a comparação entre os oito métodos ML tenha mostrado que o RF não superou
significativamente os outros métodos, deve-se destacar que nossos resultados demonstram que
o RF apresentou um desempenho estável, em termos de menos outliers e menor intervalo
interquartil para ambas as variáveis preditas DBH e Ht. Trabalhos anteriores [28,52] também
mostraram que RF superou outros métodos de ML para estimar variáveis relacionadas a aplicações agríco
De acordo com a revisão da literatura, notamos que existem poucos estudos relacionados à
estimação das variáveis DAP e Ht. Aqui, aplicamos algoritmos de ML em VIs espectrais que foram
extraídos de imagens capturadas por UAV. encontramos estudos que usam uma abordagem semelhante
para prever outras variáveis, como o teor de nutrientes foliares em pomares de frutas cítricas [28] e
2
rendimento em cultivares de milho [52]. Enquanto [23] obtiveram resultados precisos, com R maior que
0,95 quando aplicaram modelos de ANN (rede neural artificial) e ANFIS ( sistema de inferência neurodifusa
adaptativa) para estimar DBH e Ht, esses modelos dependem da inclusão de entradas de elementos que
requerem medições in loco, o que representa uma tarefa trabalhosa. Nossa proposta agiliza o processo
de previsão, dispensando a medição em campo. Mesmo assim, os estudos anteriores analisados mostram
que o material genético não influenciou nos resultados alcançados, que também divergem dos nossos
achados.
Corte e outros. [53] usou dados de nuvem de pontos de densidade, fornecidos pelo UAV LiDAR
para estimar DBH e Ht. Esses autores consideraram apenas uma espécie de eucalipto, obtendo um
coeficiente de correlação de 0,77 e 0,91 para as variáveis DAP e Ht, respectivamente. Comparado
com a abordagem baseada em LiDAR, nosso método forneceu resultados precisos com uma solução
de baixo custo. É importante destacar que seis espécies de Eucalyptus foram consideradas em nosso
Machine Translated by Google

Florestas 2021, 12, 582 10 de 13

estudar. Imagens multiespectrais, adquiridas de sensores remotos incorporados a UAV, são comumente
mais usadas em aplicações de agricultura de precisão, principalmente devido ao recurso econômico e
agilidade de produção [24,26]. Na realização de inventários florestais, geralmente, as variáveis
dendrométricas medidas diretamente nas parcelas delimitadas são DAP e Ht. Posteriormente, essas
variáveis são utilizadas para gerar estimativas indiretas das variáveis que expressam a produção (ou
seja, volume e biomassa), que são extrapoladas para a área de plantio. No entanto, esse processo tem
custos elevados, pois demanda deslocamento até a área de plantio, alocação de talhões representativos
de toda a população e a própria medição, que demanda tempo e mão de obra especializada. O principal
custo para substituir o esforço humano para automatizar esse processo é a aquisição do VANT e da
câmera multiespectral, além dos custos com treinamento para processamento de imagens. A principal
limitação das imagens multiespectrais do UAV é a ocorrência de ventos no momento do voo, o que
pode reduzir a precisão do processo. Embora o uso de imagens multiespectrais adquiridas de UAV
ainda seja incipiente no setor florestal quando comparado à agricultura, estudos usando essa
abordagem têm sido cada vez mais comuns nos últimos anos. Diante desse cenário, nossa abordagem
pode facilitar o inventário florestal e fornecer rapidamente informações relevantes para auxiliar os
técnicos na estimativa de tais variáveis.

Nosso estudo explora algoritmos de ML para processar VIs espectrais extraídos de imagens
multiespectrais baseadas em UAV com o objetivo de estimar DAP e Ht de várias espécies de eucalipto.
Métodos baseados em aprendizado profundo podem ser avaliados em trabalhos futuros; no entanto, há
necessidade de aumentar o conjunto de dados, pois esses modelos geralmente exigem quantidades
maiores de amostras. De fato, muitos trabalhos relevantes e recentes [28,52,54,55] ainda mostram o
potencial dos métodos tradicionais de ML na estimativa de parâmetros agrícolas. Nesse sentido, nossa
abordagem é adequada para predizer as variáveis DAP e Ht com desempenho satisfatório.

5. Conclusões

Nosso estudo explora algoritmos de ML para processar VIs espectrais extraídos de imagens
multiespectrais baseadas em UAV com o objetivo de estimar o DAP e o Ht de várias espécies de eucalipto.
Verificamos um desempenho semelhante para a predição de DAP entre os algoritmos RF, SVM e RBF,
enquanto os métodos LR, RF, SVM e RBF fornecem desempenho aproximado na predição de Ht. Um
achado importante é que ocorreram melhorias quando as espécies de eucalipto foram consideradas como
variáveis categóricas nos modelos ML.
Em conclusão, a investigação desenvolvida constitui uma abordagem promissora para contribuir com a
gestão de inventários florestais. Para trabalhos futuros, pretendemos avaliar a exploração de métodos
baseados em regressão de aprendizado profundo, pois mais dados devem estar disponíveis.

Materiais suplementares: Os seguintes estão disponíveis em www.mdpi.com/2071-1050/12/5/582/s1, Tabela S1: Equações utilizadas
para calcular os índices de vegetação implementados nos experimentos.

Contribuições dos Autores: Conceitualização, HP, JMJ, PET, FHRB e CAdSJ; metodologia, HP,
PET, FHRB, AKVdS e LPRT; software, HP, AKVdS e WNG; validação, LPO, APMR, HP, PET e JMJ;
análise formal, HP, AKVdS e WNG; investigação, DEGF, MVVB e TSB; recursos, FHRB, JMJ, PET,
WNG e HP; redação—preparação do rascunho original, AKVdS, APMR, JMJ, HP, LPRT, FHRB e
PET; redação—revisão e edição, LPO, JMJ, PET, APMR e HP; visualização, DEGF, LPRT, MVVB,
TSB e CAdSJ; supervisão, HP, JMJ e PET; administração de projetos, PET, FHRB e HP; aquisição
de financiamento, JMJ, PET, WNG e HP Todos os autores leram e concordaram com a versão
publicada do manuscrito.

Financiamento: Esta pesquisa foi financiada pelo CNPq, bolsas nº 303559/2019-5, 433783/2018-4,
314902/2018-0 e 304173/2016-9; CAPES-PrInt, bolsa nº 88881.311850/2018-01, e FUNDECT, bolsa
nº 59/300.066/2015 e 59/300.095/2015.
Machine Translated by Google

Florestas 2021, 12, 582 11 de 13

Agradecimentos: Os autores agradecem o apoio da UFMS (Universidade Federal de Mato Grosso do Sul), UCDB
(Universidade Católica Dom Bosco), CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico), CAPES
(Coordenação de Aperfeiçoamento de Pessoal de Nível Superior — Código Financeiro 001) e FUNDECT (Fundação de
Apoio ao Desenvolvimento da Educação, Ciência e Tecnologia do Estado de Mato Grosso do Sul).

Conflitos de Interesse: Os autores declaram não haver conflito de interesse. Os financiadores não tiveram nenhum
papel no desenho do estudo; na coleta, análise ou interpretação de dados; na redação do manuscrito, ou na decisão de
publicar os resultados.

Referências

1. Indústria Brasileira de Árvores (IBÁ). Relatório 2019; Relatório 2019; Indústria Brasileira de Árvores (IBÁ): São Paulo, Brasil, 2019;
pp. 1–80.
2. Le Maire, G.; Marsden, C.; Nouvellon, Y.; Grinand, C.; Hakamada, R.; Stape, JL; Laclau, JP Séries temporais MODIS NDVI permitem o monitoramento da
biomassa de plantações de eucalipto. Sensor Remoto. Ambiente. 2011, 115, 2613–2625, doi:10.1016/j.rse.2011.05.017.
3. Pienaar, LV; Shiver, BD Funções de sobrevivência para plantações de pinheiros preparadas no local nas florestas planas da Geórgia e do norte
Flórida. Sul. J. Appl. Para. 1981, 5, 59–62, doi:10.1093/sjaf/5.2.59.
4. Tennent, RB Modelo de crescimento de árvores individuais para Pinus radiata. NZJ Para. ciência 1982, 12, 62–70.
5. Lynch, TB; Murphy, PA Um Sistema Compatível de Previsão e Projeção de Altura para Árvores Individuais em Árvores Naturais e Iguais
Suportes de pinho Shortleaf. Para. ciência 1995, 41, 194–209, doi:10.1093/forestscience/41.1.194.
6. Soares, P.; Tomé, M. Equação altura-diâmetro para plantações de eucalipto de primeira rotação em Portugal. Para. Eco. Gerenciar 2002, 166,
99–109, doi:10.1016/S0378-1127(01)00674-0.
7. Mabvurira, D.; Miina, J. Modelos de crescimento e mortalidade de árvores individuais para plantações de Eucalyptus grandis (Hill) Maiden em
Zimbábue. Para. Eco. Gerenciar 2002, 161, 231–245, doi:10.1016/S0378-1127(01)00494-7.
8. Adame, P.; Hynynen, J.; Cañellas, I.; del Río, M. Modelo de crescimento de diâmetro de árvore individual para talhadias de carvalho rebollo (Quercus pyrenaica
Willd.) . Para. Eco. Gerenciar 2008, 255, 1011–1022, doi:10.1016/j.foreco.2007.10.019.
9. Vospernik, S.; Monserud, RA; Sterba, H. Os modelos de crescimento de árvores individuais representam corretamente as proporções altura:diâmetro do abeto
da Noruega e do pinheiro escocês? Para. Eco. Gerenciar 2010, 260, 1735–1753, doi:10.1016/j.foreco.2010.07.055.
10. Martins, FB; Soares, CPB; da Silva, GF Modelos individuais de crescimento de árvores de eucalipto no norte do Brasil. ciência Agrícola 2014, 71,
212–225, doi:10.1590/S0103-90162014000300006.
11. Soares, FAA; Flores, EL; Cabacinha, CD; Carrijo, GA; Veiga, ACP Previsão recursiva de diâmetros e cálculo de volumes de eucaliptos utilizando Redes
Multilayer Perceptron. Comput. Elétron. Agrícola 2011, 78, 19–27, doi:10.1016/j.compag.2011.05.008.

12. Vinícius Oliveira Castro, R.; Boechat Soares, CP; Leite, HG; Lopes de Souza, A.; Saraiva Nogueira, G.; Bolzan Martins, F.
Modelo de Crescimento Individual de Povoamentos de Eucalipto no Brasil Utilizando Redes Neurais Artificiais. ISRN Para. 2013, 2013, 1–12, doi:
10.1155/2013/196832.
13. Dos Reis, AA; Franklin, SE; de Mello, JM; Acerbi Junior, FW Estimativa de volume em uma plantação de eucalipto usando sensoriamento remoto multifonte
e dados digitais do terreno: um estudo de caso no estado de Minas Gerais, Brasil. Int. J. Remote Sens. 2019, 40, 2683–2702, doi:
10.1080/01431161.2018.1530808. 14. de
Freitas, ECS; de Paiva, HN; Neves, JCL; Marcatti, GE; Leite, HG Modelagem da produtividade do eucalipto com
redes neurais. Colheita Ind. Prod. 2020, 146, 112149, doi:10.1016/j.indcrop.2020.112149.
15. Huang, JC; Ko, KM; Shu, MH; Hsu, BM Aplicação e comparação de vários algoritmos de aprendizado de máquina e seus
modelos de integração em problemas de regressão. Computação Neural. Appl. 2020, 32, 5461–5469, doi: 10.1007/s00521-019-04644-5. 16.
Özçelik, R.; Diamantopoulou, MJ; Brooks, JR; Wiant, HV Estimando o volume do tronco da árvore usando modelos de rede neural artificial
para quatro espécies na Turquia. J. Environ. Gerenciar 2010, 91, 742–753, doi:10.1016/j.jenvman.2009.10.002.
17. Diamantopoulou, MJ; Özçelik, R. Avaliação de diferentes abordagens de modelagem para estimativa da altura total das árvores no Mediterrâneo
Região da Turquia. Para. Sist. 2012, 21, 383, doi:10.5424/fs/2012213-02338.
18. Ribeiro, RBdS; Gama, JRV; de Souza, AL; Leite, HG; Soares, CPB; da Silva, GF Métodos para estimar o volume de fustes e galhos na floresta nacional do
TapajÓS1. Rev. Árvore 2016, 40, 81–88, doi:10.1590/0100-67622016000100009.
19. Vahedi, AA Monitoramento do reservatório de carbono do solo na floresta da planície costeira hircaniana do Irã: aplicação de rede neural artificial em
comparação com o desenvolvimento de modelos tradicionais. CATENA 2017, 152, 182–189, doi:10.1016/j.catena.2017.01.022. 20. da
Silva, MLM; Binoti, DHB; Gleriani, JM; Leite, HG Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores
de eucalipto. Rev. Árvore 2009, 33, 1133–1139, doi:10.1590/S0100-67622009000600015.
21. Leite, HG; da Silva, MLM; Binoti, DHB; Fardin, L.; Takizawa, FH Estimativa do diâmetro interno da casca e diâmetro do cerne de Tectona grandis Linn.
árvores usando redes neurais artificiais. EUR. J. Para. Res. 2011, 130, 263–269, doi: 10.1007/s10342-010-0427-7.
22. Bhering, LL; Cruz, DC; Peixoto, Lda; Rosado, AM; Laviola, BG; Nascimento, M. Aplicação de redes neurais na previsão de volume em eucalipto. Raça
Colheita. Appl. Biotecnologia. 2015, 15, 125–131, doi: 10.1590/1984-70332015v15n3a23.
23. Vieira, GC; de Mendonça, AR; da Silva, GF; Zanetti, SS; da Silva, MM; dos Santos, AR Prognósticos de diâmetro e altura de árvores de eucalipto usando
inteligência artificial. ciência Ambiente Total. 2018, 619–620, 1473–1481, doi:10.1016/j.scitotenv.2017.11.138.
Machine Translated by Google

Florestas 2021, 12, 582 12 de 13

24. Candiago, S.; Remondino, F.; De Giglio, M.; Dubbini, M.; Gattelli, M. Avaliação de imagens multiespectrais e índices de vegetação para aplicações de
agricultura de precisão a partir de imagens de UAV. Remote Sens. 2015, 7, 4026–4047, doi:10.3390/rs70404026.
25. Marques, P.; Pádua, L.; Adão, T.; Hruska, J.; Peres, E.; Sousa, A.; Sousa, JJ Detecção automática baseada em UAV e monitoramento de
Castanheiros. Remote Sens. 2019, 11, 855, doi:10.3390/rs11070855.
26. Maddikunta, PKR; Hakak, S.; Alazab, M.; Bhattacharya, S.; Gadekallu, TR; Khan, WZ; Pham, QV Veículos Aéreos Não Tripulados na Agricultura Inteligente:
Aplicações, Requisitos e Desafios. IEEE Sens. J. 2021, doi:10.1109/JSEN.2021.3049471.
27. Xu, Y.; Smith, SE; Grunwald, S.; Abd-Elrahman, A.; Wani, SP; Nair, VD Estimando o nitrogênio total do solo em configurações de fazendas de pequenos
produtores usando índices espectrais de sensoriamento remoto e krigagem de regressão. CATENA 2018, 163, 111–122, doi:10.1016/j.catena.2017.12.011.
28. Osco, LP; Ramos, APM; Faita Pinheiro, MM; Moriya, É.AS; Imai, NN; Estrabis, N.; Ianczyk, F.; de Araújo, FF; Liesenberg, V.; de Castro Jorge, LA; e outros
Uma estrutura de aprendizado de máquina para prever o conteúdo de nutrientes em medições hiperespectrais de folha de laranja-valência . Remote
Sens. 2020, 12, 906, doi:10.3390/rs12060906.
29. Chaín, JM; Tubert, E.; Graciano, C.; Castagno, LN; Recchi, M.; Pieckenstain, Flórida; Estrella, MJ; Gudesblat, G.; Amodeo, G.; Baroli, I. Promoção do
crescimento e proteção contra seca em mudas de Eucalyptus grandis inoculadas com bactérias benéficas embebidas em polímero superabsorvente.
ciência Rep. 2020, 10, 18221, doi:10.1038/s41598-020-75212-4.
30. Mphahlele, MM; Isik, F.; Mostert-O'Neill, MM; Reynolds, SM; Hodge, GR; Myburg, AA Benefícios esperados da seleção genômica para características de
crescimento e qualidade da madeira em Eucalyptus grandis. Árvore Genet. Genomas 2020, 16, 49, doi:10.1007/s11295-020-01443-1 .

31. de Souza, BM; Freitas, MLM; Sebbenn, AM; Gezan, SA; Zanatto, B.; Zulian, DF; Lopes, MTG; Longui, EL; Guerrini, IA; de Aguiar, AV Interação genótipo-
ambiente em Corymbia citriodora (Hook.) KD Hill, LAS Teste de progênie de Johnson em Luiz Antonio, Brasil. Para. Eco. Gerenciar 2020, 460, 117855,
doi:10.1016/j.foreco.2019.117855.
32. da Silva, EE; Rojo Baio, FH; Ribeiro Teodoro, LP; da Silva Júnior, CA; Borges, RS; Teodoro, PE UAV-índices multiespectrais e de vegetação na previsão
da produtividade de grãos de soja com base na observação in situ. Sensor Remoto Appl. Sociedade Ambiente. 2020, 18, 100318, doi:10.1016/
j.rsase.2020.100318.
33. Binkley, D.; Campoe, OC; Alvares, C.; Carneiro, RL; Cegatta, Í.; Stape, JL As interações de clima, espaçamento e genética em plantações clonais de
eucalipto no Brasil e no Uruguai. Para. Eco. Gerenciar 2017, 405, 271–283, doi:10.1016/j.foreco.2017.09.050.
34. Asão, S.; Hayes, L.; Aspinwall, MJ; Rymer, PD; Blackman, C.; Bryant, CJ; Cullerne, D.; Egerton, JJG; Fã, Y.; Innes, P.; e outros
A variação de características foliares é semelhante entre os genótipos de Eucalyptus camaldulensis de diferentes climas e surge em respostas plásticas
às estações do ano, e não na disponibilidade de água. Novo Fitol. 2020, 227, 780–793, doi:10.1111/nph.16579.
35. Pix4d. Disponível online: https://www.pix4d.com/product/pix4dmapper-photogrammetry-software (acessado em 6 de maio de 2021).
36. Bélgica, M.; Drÿagu¸t, L. Floresta aleatória em sensoriamento remoto: Uma revisão de aplicações e direções futuras. ISPRS J. Photogramm.
Remote Sens. 2016, 114, 24–31, doi:10.1016/j.isprsjprs.2016.01.011.
37. Breiman, L. Random Forest. Mach. Aprender. 2001, 5–32, doi:10.1023/A:1010933404324.
38. Bouckaert, R.; Frank, E.; Salão, M.; Kirkby, R.; Reutemann, P.; Seewald, ASD WEKA Manual para Versão 3-7-1; Universidade de
Waikato: Hamilton, Nova Zelândia, 2010.
39. Snousy, MBA; El-Deeb, HM; Badran, K.; Khlil, IAA Conjunto de algoritmos de classificação baseados em árvore de decisão no gene do câncer
dados de expressão. Egito. Informar. J. 2011, 12, 73–82, doi:10.1016/j.eij.2011.04.003.
40. Frank, E.; Mayo, M.; Kramer, S. Árvores modelo alternadas. In Proceedings of the 30th Annual ACM Symposium on Applied Computing, Salamanca,
Espanha, 2015; ACM: Nova York, NY, EUA, 2015; pp. 871–878. doi:10.1145/2695664.2695848.
41. Ah, DW; Kibler, D.; Albert, MK Algoritmos de aprendizado baseados em instâncias. Mach. Aprender. 1991, 6, 37–66, doi: 10.1007/BF00153759.
42. Ali, N.; Neagu, D.; Trundle, P. Avaliação do desempenho do classificador k-vizinho mais próximo para conjuntos de dados heterogêneos. SN Appl. ciência
2019, 1, 1559, doi:10.1007/s42452-019-1356-9.
43. Bernhard Schölkopf, AJS Advances in Kernel Methods—Support Vector Learning; MIT Press: Cambridge, MA, EUA, 1998.
44. Nalepa, J.; Kawulok, M. Selecionando conjuntos de treinamento para máquinas de vetores de suporte: uma revisão. artif. Intel. Rev. 2019, 52, 857–900,
doi:10.1007/s10462-017-9611-1.
45. Keerthi, SS; Shevade, SK; Bhattacharyya, C.; Murthy, KR Melhorias no algoritmo SMO de Platt para projeto de classificador SVM.
Computação Neural. 2001, 13, 637–649, doi: 10.1162/089976601300014493.
46. Egmont-Petersen, M.; de Ridder, D.; Handels, H. Processamento de imagens com redes neurais - uma revisão. Reconhecimento de padrão. 2002,
35, 2279–2301, doi:10.1016/S0031-3203(01)00178-9.
47. Štepanovský, M.; Ibrová, A.; Buk, Z.; Velemínská, J. Novo modelo de estimativa de idade baseado no desenvolvimento de dentes permanentes em
comparação com a abordagem clássica e outros métodos modernos de mineração de dados. Ciência Forense. Int. 2017, 279, 72–82, doi:10.1016/
j.forsciint.2017.08.005.
48. Frank, E. Treinamento Totalmente Supervisionado de Redes de Função de Base Radial Gaussiana em WEKA; Relatório técnico; Departamento de Ciência
da Computação University of Waikato: Hamilton, Nova Zelândia, 2014.
49. Scott, AJ; Knott, M. Um Método de Análise de Cluster para Agrupamento de Meios na Análise de Variância. Biometria 1974, 30, 507,
doi:10.2307/2529204.
50. Luger, GF Inteligência Artificial, 6ª ed.; Luger, GF, Ed.; Pearson Addison Wesley: Boston, MA, EUA, 2008; pp. 320–350.
51. García Nieto, P.; Martínez Torres, J.; Araújo Fernández, M.; Ordóñez Galán, C. Máquinas vetoriais de suporte e redes neurais usadas para avaliar papel
fabricado com Eucalyptus globulus. Appl. Matemática. Modelo. 2012, 36, 6137–6145, doi:10.1016/j.apm.2012.02.016.
Machine Translated by Google

Florestas 2021, 12, 582 13 de 13

52. Marques Ramos, AP; Prado Osco, L.; Elis Garcia Furuya, D.; Nunes Gonçalves, W.; Cordeiro Santana, D.; Pereira Ribeiro Teodoro, L.;
Antonio da Silva Júnior, C.; Fernando Capristo-Silva, G.; Li, J.; Henrique Rojo Baio, F.; e outros Uma abordagem de classificação florestal
aleatória para prever a produção de milho com índices espectrais de vegetação baseados em uav. Comput. Elétron. Agrícola 2020, 178,
105791, doi:10.1016/j.compag.2020.105791.
53. Dalla Corte, AP; Rex, FE; de Almeida, DRA; Sanquetta, CR; Silva, CA; Moura, MM; Wilkinson, B.; Zambrano, AMA; da Cunha Neto, EM;
Veras, HFP; e outros Medindo o diâmetro e a altura de cada árvore usando o GatorEye High-Density UAV-Lidar em um Sistema Integrado
Lavoura-Pecuária-Floresta. Remote Sens. 2020, 12, 863, doi:10.3390/rs12050863.
54. Li, B.; Xu, X.; Zhang, L.; Han, J.; Bian, C.; Li, G.; Liu, J.; Jin, L. Estimativa de biomassa acima do solo e previsão de rendimento em batata
usando RGB baseado em UAV e imagens hiperespectrais. ISPRS J. Photogramm. Remote Sens. 2020, 162, 161–172, doi:10.1016/
j.isprsjprs.2020.02.013.
55. Oliveira, RA; Nasi, R.; Niemelainen, O.; Nyholm, L.; Alhonoja, K.; Kaivosoja, J.; Jauhiainen, L.; Viljanen, N.; Nezami, S.; Markelin, L.; e outros
Estimadores de aprendizado de máquina para a quantidade e qualidade de pastos de grama usados para produção de silagem usando
espectrometria de imagem baseada em drone e fotogrametria. Sensor Remoto. Ambiente. 2020, 246, 111830, doi:10.1016/j.rse.2020.111830.