RESUMOO objetivo deste trabalho foi definir configurações adequadas de Redes Neurais Artificiais (RNA) para modelagem do afilamento do fuste (taper) de árvores de eucalipto. Foram utilizados dados de cubagem de povoamentos de eucalipto localizados no sul da Bahia. Várias configurações de RNA foram avaliadas diferindo em relação ao número de neurônios na camada oculta, função de ativação, número de ciclos e algoritmos de aprendizagem com os seus parâmetros. As RNA foram treinadas no sistema Neuroforest, e as estimativas foram avaliadas por meio do coeficiente de correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RMSE%), e análise gráfica de resíduos. Configurações simples, com apenas 04 neurônios ocultos, propiciaram resultados satisfatórios. Todas as funções de ativação testadas (tangente hiperbólica, sigmoidal, identidade, log, linear e seno) podem ser utilizadas, sendo que as funções linear e identidade são apropriadas para a camada de saída das RNA. O treinamento das RNA pode ser feito com 2000 ciclos. Os algoritmos Resilient Propagation e Quick Propagation são eficientes para aplicações de taper. Diversas configurações de RNA podem ser utilizadas para aplicações de taper. Palavras-chave: inteligência artificial, multiprodutos, neuroforest Configuration of artificial neural network for estimation of taper of trees eucalyptus ABSTRACTThe aim of this work was to define appropriate configurations of Artificial Neural Networks (ANN) to model the taper of eucalyptus trees. were used cubage data of eucalyptus plantations located in southern Bahia. Several ANN configurations were evaluated differing in the number of neurons in the hidden layer, activation function, number of cycles and learning algorithms with their parameters. ANN were trained in Neuroforest system, and estimates were evaluated using the correlation coefficient between observed and estimated values, the root mean square error (RMSE%) and graphical analysis of waste. Simple configurations, with only 04 hidden neurons, have provided satisfactory results. All activation functions tested (hyperbolic tangent, sigmoid, identity, log, linear, sine) may be used, wherein functions linear and identities are appropriate for the output layer of the ANN. The training of ANN may be done with 2000 cycles. The algorithms Resilient Propagation and Quick Propagation are efficient to applications of taper. Several ANN configurations may be used to applications of taper.

RESUMOO objetivo do presente trabalho foi definir configurações adequadas de Redes Neurais Artificiais (RNA) para a obtenção da altura total de árvores de eucalipto. Os dados utilizados foram provenientes de inventários florestais contínuos em povoamentos com idades entre 21 a 137 meses, localizados no sul da Bahia. As configurações de RNA testadas variaram em relação ao número de neurônios na camada oculta, função de ativação, número de ciclos e algoritmos de aprendizagem com seus parâmetros. Os testes foram realizados no sistema Neuroforest e as estimativas foram avaliadas pelo coeficiente de correlação, raiz quadrada do erro quadrático médio (RMSE%) e análise gráfica de resíduos. A estimação da altura de árvores pode ser feita por meio de diversas configurações de RNA, utilizando os algoritmos de aprendizagem Resilient Propagation, Quick Propagation e Scaled Conjugate Gradient, com o número de neurônios ocultos variando entre 03 e 08 para o algoritmo Quick Propagation e 13 e 20 para o algoritmo Scaled Conjugate Gradient. As funções de ativação tangente hiperbólica, sigmóide, log e seno são apropriadas para as camadas ocultas e de saída, e as funções linear e identidade se mostraram apropriadas apenas para a camada de saída. Dois mil ciclos são suficientes para o treinamento das RNA. Palavras-chave: inteligência artificial, neuroforest, relações hipsométricas Configuration of artificial neural networks for estimation of total height of eucalyptus trees ABSTRACTThe aim of this study was to define appropriate configurations of Artificial Neural Networks (ANN) to obtain the total height of eucalyptus trees. The data used came from continuous forest inventories in stands aged 21-137 months located in southern Bahia. The ANN configurations tested varied according to the number of neurons in the hidden layer, activation function, number of cycles and learning algorithms with their parameters. The tests were performed in Neuroforest system and the estimates were evaluated using the correlation coefficient, the root mean square error (RMSE%), and graphical analysis of residues. The estimation of the height of trees may be made by various ANN configurations using the learning algorithms Resilient Propagation, Quick Propagation and Scaled Conjugate Gradient, with number of hidden neurons varying between 03 and 08 for the Quick Propagation algorithm and 13 and 20 to Scaled Conjugate Gradient algorithm. The activation functions hyperbolic tangent, sigmoid, log and sine are suitable for the hidden and output layers, and functions linear and identity proved suitable only for the output layer. Two thousand cycles are sufficient for the training of ANN.

RESUMOO objetivo deste estudo foi definir configurações adequadas de Redes Neurais Artificiais (RNA) para prognose da produção florestal de plantios de eucalipto em nível de povoamento. Os dados foram obtidos a partir de inventários florestais contínuos e foram avaliadas diferentes configurações de RNA referentes ao número de neurônios na camada oculta, funções de ativação, número de ciclos e algoritmos de aprendizagem com os seus parâmetros. O treinamento das redes foi realizado no sistema Neuroforest. A avaliação das estimativas foi realizada por meio do coeficiente de correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RMSE%), e análise gráfica de resíduos. Obteve-se resultados satisfatórios com configurações simples de RNA, contendo apenas 03 neurônios na camada oculta. Todas as funções de ativação testadas (tangente hiperbólica, sigmoidal, identidade, log, linear e seno) podem ser utilizadas. O treinamento das RNA pode ser feito com 500 ciclos. Os algoritmos Resilient Propagation, Scaled Conjugate Gradiente, Quick Propagation são eficientes para fins de prognose florestal. A prognose da produção de povoamentos clonais de eucalipto pode ser modelada por meio de diversas configurações de RNA. Palavras-chave: crescimento e produção, inteligência artificial, neuroforest Configuration of artificial neural network for prognosis the production of eucalyptus clonal stands ABSTRACTThe objective of this study was to define appropriate configurations of Artificial Neural Networks (ANN) for prognosis of forest production of eucalyptus plantations at the stand level. Data were obtained from continuous forest inventory and were evaluated different settings of ANN for the number of neurons in the hidden layer activation function, number of cycles and learning algorithms with their parameters. The training of network was held at Neuroforest system. The evaluation of the estimates was performed using the correlation coefficient between observed and estimated values, the root mean square error (RMSE%) and graphical analysis of waste. Satisfactory results are obtained with simple configurations of ANN containing only 03 neurons in the hidden layer. All activation functions tested (hyperbolic tangent, sigmoid, identity, log, linear, sine) may be used. The training of RNA may be made with 500 cycles. The algorithms Resilient Propagation, Scaled Conjugate Gradient and Quick Propagation are efficient for the modeling of forest prognosis. The prognosis of production of eucalyptus clonal stands may be modeled using several ANN configurations.