Inteligencia artificial para la predicción de estrés de crecimiento en clones de Eucalyptus utilizando variables dendrométricas y densidad de la madera

• Thiago Campos Monteiro ^[1] ; Carlos Alberto Araújo Junior ^[2] ; Jean-Henrique dos Santos ^[1] ; Thiago Cardoso Silva ^[1] ; Thiago Magalhães do Nascimento ^[1] ; José Luiz Ferraresso Conti Junior ^[3] ; Jorge Luis Monteiro de Matos ^[1] ; Ricardo Jorge Klitzke ^[1] ; Márcio Pereira da Rocha ^[1]
  1. [1] Universidade Federal do Paraná

     Universidade Federal do Paraná

     Brasil

     
  2. [2] Universidade Federal de Minas Gerais

     Universidade Federal de Minas Gerais

     Brasil

     
  3. [3] ArborGen Tecnologia Florestal. Campinas. Brasil

  Mostrar afiliaciones +
• Localización: Maderas: Ciencia y tecnología, ISSN 0717-3644, ISSN-e 0718-221X, Vol. 25, Nº. 1, 2023
• Idioma: español
• Títulos paralelos:
  • Artificial intelligence to growth stresses predicting in eucalyptus clones using dendrometric variables and wood density
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los bosques plantados de eucalipto contribuyen a maximizar la producción de madera, pero problemas como la tensión del crecimiento longitudinal pueden influir negativamente en la calidad de los productos. Conocer las variables dendrométricas y las propiedades de la madera puede ayudar en la predicción de la deformación por crecimiento longitudinal, principalmente con la ayuda de la inteligencia artificial. Por lo tanto, el objetivo de esta investigación fue evaluar el uso de redes neuronales artificiales para predecir la tensión de crecimiento longitudinal en árboles de eucalipto en función de variables dendrométricas, distancia entre árboles y densidad de la madera. La deformación del crecimiento longitudinal se midió en árboles de cuatro Eucalyptusclones sembrados en tres espaciamientos. Se midió el diámetro y la altura de cada árbol. Se determinó la densidad básica de la madera. Se utilizaron redes neuronales artificiales para estimar la tensión de crecimiento longitudinal en función de las variables dendrométricas, el espaciamiento de los árboles y la densidad de la madera. Los resultados mostraron que las redes neuronales artificiales presentaron buenos resultados para el entrenamiento y la validación, resultando en la mayoría de ellos valores altos del coeficiente de correlación. Las redes neuronales artificiales entrenadas mostraron un coeficiente de correlación superior a 0,56. Las redes neuronales artificiales mostraron que las variables clon y densidad básica de la madera fueron las que más contribuyeron a la predicción de la deformación por crecimiento longitudinal. Por otro lado, el espaciamiento entre árboles, la altura del árbol y el diámetro a la altura del pecho no fueron relevantes para predecir las tensiones de crecimiento.

  • English

    Eucalyptus planted forests contribute to maximizing lumber production but problems such as longitudinal growth strain can negatively influence the quality of the products. Knowing dendrometric variables and wood properties can help in the prediction of longitudinal growth strain, mainly with the help of artificial intelli-gence. Thus, the aim of this research was to evaluate the use of artificial neural networks to predict longitudinal growth strain in Eucalyptus trees based on dendrometric variables, spacing between trees and wood density. The longitudinal growth strain was measured in trees of four Eucalyptus clones planted in three spacings. The diameter and height of each tree were measured. The basic wood density was determined. Artificial neural networks were used to estimate longitudinal growth strain as a function of dendrometric variables, tree spacing and wood density. The results showed that the artificial neural networks presented good results for training and validation, with most of them resulting in high correlation coefficient values. The trained artificial neural net-works showed a correlation coefficient above 0,56. Artificial neural networks showed that the variables clone and basic wood density were the ones that most contributed to the prediction of longitudinal growth strain. On the other hand, the spacing between trees, the height of the tree and the diameter at breast height were not relevant to predict growth stresses