RESUMO
O objetivo geral deste trabalho foi avaliar o método Neuroevolution of Augmenting Topologies (NEAT) para ajustar os pesos e a topologia de redes neurais artificiais (RNAs) na estimação da altura de árvores em povoamento clonais de eucalipto, bem como comparar com as estimativas obtidas por um modelo hipsométrico de regressão. Para a estimativa da altura total das árvores (Ht), pelas RNAS e pelo modelo de regressão, utilizou-se variáveis diâmetro à 1,3 m de altura (dap) e a altura dominante (Hd). As RNAs foram ajustadas e aplicadas no sistema computacional NeuroForest, variando o tamanho da população inicial (parâmetro do algoritmo genético) e a densidade das conexões iniciais. As estimativas da altura total das árvores obtidas com o emprego de RNA e pelo modelo de regressão foram avaliadas com base no coeficiente de correlação, no gráfico de dispersão dos erros percentuais, no histograma de frequência percentual dos erros percentuais e na raiz do erro quadrado médio percentual (Root Mean Square Error - RMSE). A configuração de tamanho de população 300 e densidade inicial das conexões de 0,1 obteve a maior correlação e o menor RMSE%. Foram encontradas várias configurações de RNA com estatísticas superiores ao modelo hipsométrico de regressão. A metodologia NEAT pode ser utilizada para a estimação da altura de árvores em povoamento clonais de eucalipto.
Palavras-Chave:
Relação hipsométrica; Mensuração florestal; Redes neurais artificiais
