Seleção de algoritmo de aprendizado de máquina para inferência da densidade básica da madeira a partir de medições na árvore em pé

Resumo

Mesmo com avanços na engenharia genética e na clonagem, as propriedades da madeira ainda sofrem interferências de diferentes fatores (clima, solo, altitude etc.) relacionados ao desenvolvimento das árvores. Essas interferências fazem com que a madeira produzida na floresta tenha grande variabilidade, dificultando o conhecimento de valores referenciais importantes para a linha de produção de empresas florestais ligadas à celulose e papel, à produtos derivados da madeira (chapas de fibras e de partículas) e, também, à madeira roliça ou processada para ser utilizada na forma maciça ou engenheirada (madeira laminada colada ou contralaminada). Por essa razão, em todo mundo buscam-se métodos que permitam antecipar e acompanhar a inferência de propriedades da madeira com ensaios na árvore em pé, sendo as técnicas não destrutivas as mais comumente utilizadas na geração de modelos de inferência. Além de permitirem a aplicação direta na árvore, essas técnicas permitem que os ensaios sejam repetidos ao longo do tempo quantas vezes forem necessários, pois o material em avaliação não é destruído durante o ensaio. Em geral elas são, também, fáceis e rápidas para serem aplicadas, permitindo a geração de muitos dados. No entanto, nenhuma técnica é completa, sendo a associação de técnicas o mais adequado para a geração de modelos de maior acurácia. Em geral os modelos de inferência utilizados em estudos para o setor florestal utilizam técnicas estatísticas convencionais, que visam formalizar relações entre variáveis na forma de equações matemáticas (modelagem estatística). No entanto, atualmente considera-se que o aprendizado de máquina pode ser uma ferramenta mais eficiente quando se tem um volume muito grande de dados, que muitas vezes é o caso das técnicas não destrutivas, principalmente quando se pretende associar diferentes técnicas. Com a modelagem estatística se pode encontrar relações entre variáveis para prever um resultado enquanto o aprendizado de máquina permite construir sistemas que podem aprender com os dados. A empresa Valora Madeira atua na prestação de serviços para o setor florestal e da construção civil com madeira, sendo um dos serviços a predição de propriedades da madeira a partir de medições em árvores em pé. Assim, a viabilidade de criação de um processo de modelagem inovador permitirá à empresa oferecer um serviço de melhor qualidade, com resultados mais assertivos. Considerando os aspectos mencionados o objetivo deste projeto é estudar diferentes algoritmos de aprendizado de máquina e propor o mais adequado e viável para aprender com os dados gerados em campo com diferentes técnicas não destrutivas e, com esse aprendizado predizer propriedades específicas da madeira. Tendo em vista que para o estudo desses algoritmos é necessário banco de dados de grande volume, adotamos a densidade básica como variável para essa fase da pesquisa. Essa variável foi adotada porque é a propriedade mais estudada pelas empresas de papel e celulose, setor no qual pretendemos desenvolver a pesquisa. Esse setor foi o escolhido porque nos permite ter acesso a grande número de árvores e com a variabilidade necessária para o estudo, pois são provenientes de diferentes clones e com crescimento em regiões com diferentes condições edafoclimáticas. (AU)