k-NEAREST NEIGHBOR AND LINEAR REGRESSION IN THE PREDICTION OF THE ARTIFICIAL FORM FACTOR

Abstract

Resumo k-vizinhos mais próximos e regressão linear na predição do fator de forma artificial. A proposta deste estudo foi testar se a abordagem não-paramétrica, conhecida como k-Nearest-Neighbor (k-NN), poderia melhorar as estimativas do fator de forma artificial (f1,3) individual de árvores do híbrido Eucalyptus urophylla x Eucalyptus grandis, em comparação ao método de Mínimos Quadrados Ordinário. Foram selecionadas e derrubadas 149 árvores-amostras e medidos ao longo do fuste os diâmetros a 10% (d0,1), 30% (d0,3), 50% (d0,5) e 70% (d0,7) da altura do fuste comercial e, posteriormente, a cada 2m. Modelos matemáticos reconhecidos na literatura para predição do fator de forma foram ajustados para comparação. O hiperparâmetro k de ajuste ótimo para o estimador k-NN foi obtido através de repetidas validações cruzadas. Os dados de treinamento do modelo de regressão k-NN foram idênticos aos utilizados no ajuste dos modelos de regressão linear. A maior parte dos modelos de regressão linear múltipla apresentou problemas de colinearidade ou multicolinearidade. O uso da covariável (0.3. 0.7)/ 1.3 2 e k = 15 possibilitou a construção de modelos k-NN com melhor capacidade de generalização. O potencial do estimador k-NN para predizer o fator de forma artificial e, por conseguinte, obter estimativas menos viesadas dos volumes individuais de árvores foi admitido e, considerado superior ao uso da regressão linear e fatores de forma médios. A abordagem k-NN pode ser considerada mais genérica para predizer o fator de forma de árvores, e seu uso pode ser aconselhado quando modelos de regressão linear clássicos, ou outros métodos mais simples, não mostrarem bons resultados. Palavras-chave: Eucalyptus, aprendizado de máquina, vizinho mais próximo, regressão linear, fator de forma 0,7