Modelagem da distribuição de diâmetros utilizando autômatos celulares e redes neurais artificiais

Ano: 2013 | Volume: 19 | Número: 4

Autores: Daniel Henrique Breda Binoti, Mayra Luiza Marques da Silva Binoti, Helio Garcia Leite, Antonilmar Araújo Lopes da Silva

Palavras-chave: inteligência artificial, distribuição diamétrica, eucalipto

Resumo Português:

Esse estudo apresenta um modelo de distribuição diamétrica baseado em um modelo de Autômatos Celulares (AC) unidimensionais e redes neurais artificiais (RNA). Cada célula do AC proposto representa uma classe de dap, sendo o estado futuro previsto em função do estado atual dessa célula, do estado de suas quatro células vizinhas e de sua idade atual e futura. Como regra de evolução, utilizou-se uma RNA. A exatidão foi avaliada empregando: o procedimento estatístico proposto por Leite e Oliveira (2002); a relação entre frequência observada e estimada; e o realismo biológico do modelo construído. Dentre as redes treinadas, foram selecionadas as dez que representavam a evolução da distribuição diamétrica com maior exatidão. Dentre essas dez RNA, sete apresentaram valores estimados estatisticamente iguais aos observados (p>0,01). O enfoque de modelagem proposto permite estimar distribuições diamétricas futuras com exatidão.

Resumo Inglês:

This study presents a diametric distribution model based on a one-dimensional cellular automata model (CA) and artificial neural network (ANN). Each cell of CA represents a dbh class, with the future state predicted in function of the present state of this cell, of the four neighboring cells and of its present and future age. An ANN was used as rule of evolution. Accuracy was evaluated by applying: statistical procedure proposed by Leite and Oliveira (2002); relation between observed and estimated frequency; and biological realism of the built model. Of the trained networks, were selected the ten representing the evolution of the diameter distribution with greater accuracy. Among these ten ANN, seven had estimated values statistically equal to observed (p>0.01). The proposed modeling approach estimates accurately future diameter distributions.