ESTIMATIVA DA ALTURA DE ÁRVORES DE Tectona grandis L.f. UTILIZANDO REGRESSÃO E REDES NEURAIS ARTIFICIAIS

O objetivo deste estudo foi avaliar a modelagem por regressão e por redes neurais artificiais na estimativa da altura total de árvores de teca em diferentes espaçamentos em Cáceres, MT. A base de dados foi proveniente da medição do dap por meio de censo florestal. Posteriormente, estes foram agrupados em classes de diâmetro, com amplitude de 5 cm. Foi medida a altura total (h) de 20% dos indivíduos em cada espaçamento e classe de diâmetro. Para estimativa da altura total por regressão foram utilizados modelos não lineares e lineares, enquanto que para a estimativa por redes neurais artificiais foram testadas redes do tipo Multilayer Perceptron. Na modelagem por regressão, os modelos não lineares foram superiores aos lineares, com destaque para o modelo de Gompertz. As duas técnicas foram eficientes na estimativa da altura total de Tectona grandis, no entanto, a modelagem por redes neurais artificiais apresentou erro inferior a 10% em todos os espaçamentos analisados.Palavras-chave: Teca, identidade de modelos, inteligência artificial. HEIGHT ESTIMATIVE OF Tectona grandis L. f. TREES USING REGRESSION AND ARTIFICIAL NEURAL NETWORKS ABSTRACTThe aim of this study was to evaluate the modeling regression and artificial neural networks to estimate the total of teak trees in different spacings in Cáceres, MT, Brazil. The database was derived from the measurement of dbh by forest census. Subsequently, these were grouped into classes of diameter, with an amplitude of 5 cm. Was measured the overall height (h) of 20% of subjects in each spacing, and diameter class. To estimate the total height per regression were used nonlinear and linear models, while for the estimated by artificial neural networks of the type were tested Multilayer Perceptron. In regression modeling, the non-linear models were superior to linear, highlighting the Gompertz model. Both techniques were efficient for estimates the total teak height, however, through the modeling for artificial neural network, the error values were lower than 10% in all evaluated spacings.Keywords: Teak, identity models, artificial intelligence. DOI: http://dx.doi.org/10.5935/2318-7670.v05n01a09