Algoritmo particle swarm optimization (PSO) no treinamento de redes neurais para estimativa de altura em povoamento de eucalipto

Harliany de Brito Matias, Daniel Henrique Breda Binoti, Gilson Fernandes da Silva, Helio Garcia Leite
2018 Ciência da Madeira  
RESUMO O presente trabalho objetivou avaliar o ajuste do algoritmo Particle Swarm Optimization (PSO) no treinamento de RNA para estimativa de altura de árvores de eucalipto. Os dados utilizados neste estudo foram provenientes de medições de inventários florestais contínuos conduzidos em povoamentos de um clone de eucalipto, localizados no Sul da Bahia, Brasil. A altura das árvores foi estimada em função das seguintes variáveis numéricas (quantitativas): diâmetro com casca a 1,3 m, altura
more » ... ,3 m, altura dominante média da parcela em (m), idade em meses, altura média das parcelas em (m), dap médio das parcelas em (cm) e dap máximo das parcelas em (cm). Enquanto que para a variável qualitativa foram: projeto e rotação. O algoritmo PSO, nas suas cinco configurações, apresentou uma melhor estimativa de altura quando comparado ao modelo hipsométrico ajustado. Porém suas estimativas não foram tão satisfatórias quando comparado com configurações tradicionais utilizadas em RNA, no caso do algoritmo Resilient propagation, em sua variação básica (RPROP+). Tanto as redes treinadas pelo PSO quanto aquelas treinadas pelo Resilient são mais eficientes para estimação da altura das árvores, do que o modelo de regressão testado neste estudo. Palavras-chave: relação hipsométrica; Metaheuristica; inteligência artificial. Algorithm particle swarm optimization (PSO) in neural network training for height estimate in settlement ABSTRACT This study aimed to evaluate the fit of the Particle Swarm Optimization algorithm (PSO) in RNA training to estimate eucalyptus trees tall. The data used in this study were derived from measurements of continuous forest inventories conducted in stands of eucalyptus clone, located in southern Bahia, Brazil. The height of the trees was estimated according to the following numerical variables (quantitative): diameter with bark 1.3 m, average dominant height of the parcel (m), age in months, average height of the plots (m), dap average the plots in (cm) and dap most of the plots in (cm). While for the qualitative variable were: Design and rotation. The PSO algorithm in its five configurations presented a better estimate of the time when compared to the adjusted hypsometric model. However, their estimates were not so satisfactory compared to traditional configurations used in RNA in the case of Resilient propagation algorithm in its basic variation (Rprop +). Both networks trained by PSO as those trainadas by Resilient are more efficient to estimate the height of the trees, than the regression model tested in this study.
doi:10.12953/2177-6830/rcm.v9n1p1-8 fatcat:3ibs5gszszeg7asr3pysdgiem4