Aplicação de redes neurais artificiais na cultura do mogno (Khaya spp. e Swietenia spp.)

Palavras-chave: inteligência artificial, biometria, mensuração

Resumo

Devido ao seu alto valor comercial e aceitação no mercado internacional, as espécies de mogno foram exploradas indiscriminadamente, mesmo em áreas protegidas, resultando em ameaça de extinção. As espécies de mogno são desejáveis ​​tanto em termos de cores e padrões de grãos quanto em suas propriedades físicas e mecânicas. Ambas as espécies têm características semelhantes e são consideradas resistentes ao ataque de fungos e cupins. A cultura do Mogno (Khaya spp. e Swietenia spp.) apresenta grande potencial produtivo no Brasil, sendo uma boa alternativa às culturas de maior expressão no país, por se tratar de madeiras nobres, e assim como o Mogno, as Redes Neurais Artificiais (RNAs) também são boas alternativas para estimar diferentes variáveis dendrométricas em diferentes culturas, e estudos comprovam que essa técnica vem produzindo ótimos ajustes, principalmente quando comparados aos modelos de regressão tradicionais. Sendo assim a presente revisão teve como objetivo trazer informações das diferentes aplicações das RNAs nas culturas do Mogno no Brasil.

Referências

Almeida TG de. Comparação entre redes neurais artificiais e modelos tradicionais de regressão para estimar altura e vo-lume em povoamentos de Araucaria angustifolia (Bertol.) O. Kuntze. 2015. Trabalho de conclusão de curso (Bacharel em Engenharia Florestal) - Universidade Federal do Paraná, Curitiba, 2015.

Associação Brasileira dos Produtores de Mogno Africano, Apresentação. ABPMA, 2015. Disponível em:

http://abpma.org.br/apresentacao/.

Ashraf M., Irfan et al. A novel modelling approach for predict-ing forest growth and yield under climate change. PloS one, v.10, n.7, 2015.

Binoti DHB et al. Redução dos custos em inventário de povo-amentos equiâneos utilizando redes neurais artificiais. Agrá-ria, v.8, p.125-129, 2012a

Binoti DHB et al. Modelagem da distribuição diamétrica em povoamentos de eucalipto submetidos a desbaste utilizando autômatos celulares. Revista Árvore, v.36, n.5, p.931-939, 2012b.

Binoti MLMS et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, Lavras, v.21, n.1, p.97-105, 2015.

Blundell AG. A review of the CITES listing of big-leaf ma-hogany. Oryx, v.38, n.1, p.84-90, 2004.

Caldeira, MVW et al. Relação hipsométrica para Araucaria angustifolia (Bert.) O. Ktze na região oeste do estado do Pa-raná. Revista Acadêmica: Ciência Animal, v.1, n.2, p.79-88, 2017.

Campos JCC, LEITE HG. Mensuração florestal: perguntas e respostas, Universidade Federal de Viçosa, Viçosa, Brasil, 2009.

Castro RVO et al. Crescimento e produção de plantios comer-cias de eucalipto estimados por duas categorias de modelo. Pesq. Agropec. Bras., Brasília, v.48, n.3, p.287-295, 2013.

Casaroli D. et al. Aptidão edafoclimática para o mogno africa-no no Brasil. Ciênc. Florestal., Santa Maria, v.28, n.1, p.357-368, 2018 .

Garber SM, Maguire DA. Modeling stem taper of three central oregon species using nonlinear mixed effects models and autoregressive error structures. Forest Ecology and Man-agement, v.179, n.1, p.507-522, 2003.

Castro RVO et al. Artificial neural networks effectiveness to estimate mortality in a Semi-deciduous Seasonal Forest. Australian Journal of Basic and Applied Sciences, v.9, n.5, p.435-444, 2015.

Castro RVO et al. Individual growth model for eucalyptus stands in Brazil using artificial neural network. ISRN Fores-try, v. 2013. 2013.

Castro, Renato Vinícius Oliveira et al. Crescimento e produção de plantios comerciais de eucalipto estimados por duas cate-gorias de modelos. Pesquisa Agropecuária Brasileira, v. 48, n. 3, p. 287-295, 2013.

Crescente-Campo F, Soares P, Tomé M, Diéguez-Aranda U. Modeling noncatastrophic individual tree mortality for Pinus radiate plantations in northwestern Spain. Forest Ecology and Management, v.257, n.6, p.1542–1550, 2010.

Diamantopoulou MJ. Artificial neural networks as an alterna-tive tool in pine bark volume estimation. Computers and Electronics in Agriculture, v.48, n.3, p.235-244, 2005.

Goergens EB et al. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, v.33, n.6, p.1141-1147, 2009.

Grogan J et al. What loggers leave behind: impacts on big-leaf mahogany (Swietenia macrophylla) commercial populations and potential for post-logging recovery in the Brazilian Am-azon. Forest Ecology and Management, v.255, n.2, p.269-281, 2008.

Grogan J, Barreto P. Big-leaf mahogany on CITES Appendix II: big challenge, big opportunity. Conservation Biology, v.19, n.3, p.973-976, 2005.

Grogan J et al. Over‐harvesting driven by consumer demand leads to population decline: Big‐leaf mahogany in South America. Conservation Letters, v.3, n.1, p.12-20, 2010.

Hammond D. et al. Hardwood programmes in Fiji, Solomon Islands, and Papua New Guinea. 2002.

Jesus CM et al. (2017), Funções de densidade de probabilida-de para estimativa das distribuições de variáveis dendromé-tricas em um povoamento clonal de eucalipto. Revista Es-pacios. v.38, n.16. 30p.

Krisnawati H, Kallio MH, Kanninen M. Swietenia macrophyl-la King: Ecology, silviculture and productivity. CIFOR, 2011.

Lafetá BO et al. Eficiência de utilização de macronutrientes em eucalipto por método não destrutivo estimados por redes neurais artificiais. Ciência Florestal, v.28, n.2, p.613-623, jun. 2018.

Langbour P et al. Comparison of wood properties of planted big-leaf mahogany (Swietenia macrophylla) in martinique island with naturally grown mahogany from Brazil, Mexico and Peru. Journal of Tropical Forest Science, p.252-259, 2011.

Leite HG et al. Estimation of inside-bark diameter and heart-wood diameter for Tectona grandis Linn. trees using artifi-cial neural networks. European Journal of Forest Research, v.130, n.2, p.263-269, 2010.

Leite HG, da Silva MLM, Binoti DHB, Fardin L, Takizawa FH. Estimation of inside-bark diameter and heartwood di-ameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, v.130, n.2, p.263–269, 2011.

Lugo AE, Alayón M. Big-leaf mahogany: Genetics, ecology and management. Springer Science & Business Media, 2003.

Mead DJ, Odoom FK. Promotion of valuable hardwood plan-tations in the tropics. A global overview. Forest Plantations Thematic Papers. Working Paper (FAO), 2001.

Merkl D, Hasenauer H. Using neural networks to predict individual tree mortality. em Proceedings of the Int’l Con-ference on Engineering Applications of Neural Networks, p.10–12, Gibraltar, Reino Unido, 1998.

Miehle P, Battaglia M, Sands PJ et al. A comparison of four process-based models and a statistical regression model to predict growth of Eucalyptus globulus plantations. Ecologi-cal Modelling, v.220, n.5, p.734-746, 2009.

Morandi PS et al. Influência da disponibilidade de luz na qualidade de mudas e nutrição mineral de Calophyllum bra-siliense Cambess. (Calophyllaceae). Revista Árvore, Viçosa, v.41, n.2, p.1-10, abr. 2017.

Newnham RM. The development of a standmodel for Doug-lasfir [Ph.D. thesis], University of British Columbia, Cana-da, 1964.

Paula Filho P, Tusset A. Análise de cor para o reconhecimento de espécies florestais. Ágora : revista de divulgação científi-ca, v.16, n.2esp., p.330-341, 11 abr. 2012.

Pinheiro AL. et al. Ecologia, silvicultura e tecnologia de utili-zação dos mognos africanos (Khaya spp.). Viçosa: 2011, p.102. SEPLAN. Atlas do Tocantins: subsídios ao planeja-mento da gestão territorial. 6. ed. Palmas: Secretaria do Pla-nejamento e da Modernização da Gestão Pública, 80 p. 2012.

Reais LP et al. Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural net-works. Forest Ecology and Management, Amsterdam, v.382, p.161-167, 2016.

Richards M, McDonald AJS, Aitkenhead MJ. Optimisation of competition indices using simulated annealing and artificial neural networks. Ecological Modelling, v.214, n.2-4, p.375-384, 2008.

Ribeiro A et al. O cultivo do mogno africano (Khaya spp.) e o crescimento da atividade no Brasil. Floresta Ambiente. Se-ropédica, v.24, e00076814, 2017.

Santos Neto JC. Redes neurais artificiais na estimação de volume de Mogno Aricano (Khaya ivorensis). 2018. Traba-lho de conclusão de curso (Bacharel em Engenharia Flores-tal) - Universidade Federal do Recôncavo Bahiano, Cruz das Almas, 2018.

Silva IN da, Spatti DH, Flauzino RA. Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, v.23, n.5, p.33-111, 2010.

Silva MLM, Binoti DHB, Gleriani JM, Leite HG. Ajuste do modelo de Schumacher e Hall e aplicações de redes neurais artificiais para estimar volumes de árvores de eucalipto. Ár-vore, v.33, n.6, p.1133–1139, 2009.

Silva MVC, RamosYA, Limeira MMC, Coelho, MCB, San-tos AF, Giongo M, Erpen ML. Uso de redes neurais artifi-ciais e modelos de regressão para estimar volume de espé-cies nativas em Portel, Pará - Brasil. Revista Forestal Meso-americana Kurú, v.17, n.40, 20 dez. 2019.

Wiemann MC. Characteristics and availability of commercially important woods. Wood handbook: wood as an engineering material: chapter 2. Centennial ed. General technical report FPL; GTR-190. Madison, WI: US Dept. of Agriculture, Forest Service, Forest Products Laboratory, 2010: v.190, p.2.1-2.45, 2010.

Zbonak A et al. Wood properties and processing outcomes for plantation grown African mahogany (Khaya senegalensis) trees from Clare, Queensland (18 and 20 year-old trees) and Katherine, Northern Territory (14 year-old trees). 2010.

Publicado
2020-05-22
Como Citar
Silva, M. C., Silva da Silva, F. C., Viana Souza, I., Rodrigues Duarte, V. B., Ataíde, Y., & Bueno Coelho, M. C. (2020). Aplicação de redes neurais artificiais na cultura do mogno (Khaya spp. e Swietenia spp.). Journal of Biotechnology and Biodiversity, 8(1), 017-023. https://doi.org/10.20873/jbb.uft.cemaf.v8n1.csilva