Uso de redes neurais artificiais na predição de parâmetros e calibração do modelo 3-PG

A produtividade de um plantio florestal tende a variar conforme o genótipo, idade, manejo, clima, fisiografia, algumas características do solo, práticas silviculturais e operações florestais durante a rotação. No contexto atual, mudanças climáticas, ganhos genéticos já não muito significativos e, além disso, a expansão para áreas, possivelmente, menos produtivas, contribuem para o fato da produtividade do eucalipto no Brasil não estar aumentado como em décadas passadas. Dessa forma, modelos orientados por variáveis climáticas, edáficas e fisiológicas, chamados modelos processuais, são cada vez mais importantes para auxiliar no planejamento e manejo florestal. O 3-PG (Physiological Principles Predicting Growth) é um exemplo dessa categoria de modelo, que além de calcular a quantidade de carbono fixada e alocada pelas árvores, também simula o crescimento em diâmetro à 1,30 m de altura (D), altura total e volume do povoamento. Ao analisá-lo, percebeu-se que alguns aspectos do 3-PG poderiam ser aprimorados com o uso de redes neurais artificiais (RNA), integradas ao modelo, e no processo de parametrização do mesmo. Diante do exposto, os objetivos deste trabalho foram: estimar a produtividade do eucalipto utilizando o modelo 3-PG, já calibrado para algumas regiões do Brasil; Configurar e treinar RNA para substituir os modelos de regressão do modelo 3-PG, propondo uma abordagem mista; Configurar e treinar RNA para predizer alguns dos parâmetros do 3-PG, que geram maior sensibilidade ao modelo. Foram selecionadas na literatura 16 parametrizações para eucalipto, com as quais foi produzido um banco de dados, usado no treinamento das RNA. Foi avaliado o comportamento do modelo 3-PG, nas diferentes regiões climáticas. O tipo de RNA utilizada foi a multilayer perceptrom com uma camada intermediária e o algoritmo de aprendizagem resilient backpropagation. Foram testadas diferentes combinações entre variáveis climáticas e relacionadas com a saída desejada. O mesmo foi feito para a predição dos parâmetros analisados, porém, considerando duas abordagens de treinamento das redes. O modelo 3-PG, associado às RNA, foi aplicado em todo o Brasil. As estimativas do modelo 3-PG apresentaram resultados consistentes com cada sítio. As predições das RNA foram precisas, a partir de variáveis de fácil acesso. As redes de melhor desempenho foram para predizer o D, altura total, volume do povoamento, biomassa foliar e os parâmetros a p e n p . Para a predição dos demais parâmetros, as redes apresentaram resultados precisos nas duas abordagens de treinamento, principalmente para os parâmetros da função para estimar o D (a s e n s ) e a fração máxima de biomassa alocada para raízes (η Rx ). As principais conclusões foram: parâmetros e saídas do modelo 3-PG podem ser estimadas com eficiência empregando RNA; Maior flexibilidade e generalismo podem ser conferidos ao 3-PG por meio da inclusão de variáveis climáticas e processuais, integradas por uma RNA; O ajuste de um modelo sigmoide às estimativas de volume do 3-PG possibilita avaliar biologicamente as etapas do crescimento, em diferentes cenários; Nos casos onde houve baixa precisão, foi devido a falta de informações explicativas, principalmente relacionadas a fertilidade do solo. Os modelos de RNA e o modelo proposto (3-PG + RNA) foram disponibilizados. Palavras-chave: Eucalyptus. Modelagem processual. Inteligência artificial. Aprendizado de máquina. Parametrização. Manejo florestal.