Artificial neural network to estimate the basic density of cerrado wood
DOI:
https://doi.org/10.4336/2018.pfb.38e201801656Keywords:
Artificial intelligence, Wood density, PilodynAbstract
The basic density of wood is an important property because it is related to the final product in the various uses that wood has. However, its determination demands time and costs, which justifies the use of more refined techniques for its estimation, such as artificial neural networks (ANN). The objective was to evaluate the use of artificial neural networks to estimate the basic density of species of cerrado stricto sensu with the use of Pilodyn and dendrometric variables. To compare the results obtained by ANN, regression models were adjusted. The best performing neural network was the one that used as input variables the depth of penetration (Pilodyn), species and DAP, presenting R² values of 0.72 and with root mean square error in percentage (RMSE%) of 5.69. The regression model presented R² value of 0.72 and RMSE% of 9.19. The artificial neural networks can estimate the basic wood density of species of cerrado stricto sensu studied in this study with satisfactory results.Downloads
Download data is not yet available.
References
Aertsen, W. et al. Comparison and ranking of different modelling techniques for prediction of site index in Mediterranean mountain forests. Ecolological Modelling, v. 221, n. 8 p. 1119-1130, 2010. DOI: 10.1016/j.ecolmodel.2010.01.007.
Associação Brasileira de Normas Técnicas. NBR-11941: Madeira: determinação da densidade básica. Rio de Janeiro, 2003.
Binoti, M. L. M. S. et al. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, v. 37, n. 4, p. 639-645, 2013. DOI: 10.1590/S0100-67622013000400007.
Binoti, M. L. M. S. et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, v. 21, n. 1, P. 97-105, 2015. DOI: 10.1590/01047760201521011153.
Bouffier, L. et al. Can wood density be efficiently selected at early stage in maritime pine (Pinus pinaster Ait.) Annals of Forest Science, v. 65, n. 1, p. 1-8, 2008. DOI: 10.1051/forest:2007078.
Braga, A. P. et al. (Ed.). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro, RJ: LTC, 2007. 226 p.
Campos, J. C. C. & Leite, H. G. (Ed.). Mensuração florestal: perguntas e respostas. Viçosa, MG: Universidade Federal de Viçosa, 2017. 636 p.
COUTO, A. M. et al. Modelagem da densidade básica da madeira de Eucalyptus grandis e Eucalyptus urophylla por métodos não destrutivos. Cerne, v. 19, n. 1, p. 27-34, 2013.
Cown, D. J. Comparasion of the pilodyn and torsiometer methods for the rapid assessment of wood density in living trees. New Zealand Journal of Forestry Science, v. 8, n. 3, p. 384-391, 1978.
Cown, D. J. & Hutchison, J. D. Wood density as an indicator of the bending properties of Pinus radiata poles. New Zealand Journal of Forestry Science, v. 13, n. 1, p. 87-99, 1983.
Cruz, C. R. et al. Variação dentro das árvores e entre clones das propriedades físicas e mecânicas da madeira de híbridos de Eucalyptus. Scientia Forestalis, v. 64, n. 34, p. 33-47, 2003.
DIAS, D. C et al. Uso da técnica de resistografia e de variáveis dendrométricas na
modelagem da densidade básica de povoamentos clonais de Eucalyptus. Ciência
Florestal, v. 27, n. 2, p. 609-619, 2017
Gorgens, E. B. et al. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, v. 33, n. 6, p. 1141-1147, 2009. DOI: 10.1590/S0100-67622009000600016.
Görgens, E. B. et al. A performance comparison of machine learning methods to estimate the fast-growing forest plantation yield based on laser scanning metrics. Computers and Electronics in Agriculture, v. 116, n. 1, p. 221-227, 2015. DOI: 10.1016/j.compag.2015.07.004.
Hein, P. R. G. Estimating shrinkage microfibril angle and density of Eucalyptus wood using near infrared spectroscopy. Journal of Near Infrared Spectroscopy, v. 20, p. 427-436, 2012.
Henry, M. et al. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa. Forest Ecology and Management, v. 260, n. 8, p. 1375-1388, 2010.
Hein, P. R. G. et al. Robustness of models based on near infrared spectra to predict the basic density in Eucalyptus urophylla Wood. Journal of Near Infrared Spectroscopy, v. 17, n. 1, p. 141-150, 2009. DOI: 10.1255/jnirs.833.
Haykin, S. (Ed.). Redes Neurais. Princípios e Prática. Porto Alegre, RS: Bookman, 2001. 900 p.
Iliadis, L. et al. Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information. Holzforschung, v. 67, n. 7, p. 71-777, 2013. DOI: 10.1515/hf-2012-0132.
Instituto Nacional de Meteorologia - INMET. Banco de dados meteorológicos para ensino e pesquisa. Disponível em: < http://www.inmet.gov.br/portal/>. Acesso em: 21 maio 2018.
Leite, H. G. et al. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis, v. 44, n. 1 p. 149-154, 2016.
Leite, H. G. et al. Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, v. 130, p. 263-269, 2011. DOI: 10.1007/s10342-010-0427-7.
Li, Y. et al. Prediction of Larch Wood Density by Near-infrared Spectroscopy and an Optimal BP Neural Network Using Coupled GA and RSM. Journal of Information & Computational, v. 9, n. 13, p. 3783-3794, 2012.
Mehtätalo, L. et al. The Use of quantile trees in the prediction of the diameter distribution of a stand. Silva Fennica, v. 40, n. 3, p. 501-516, 2006.
Özçelik, R. et al. Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal os Envionmental Management. V. 91, n. 3 p.742-753, 2010. DOI: 10.1016/j.jenvman.2009.10.002.
Özçelik, R. et al. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology Management, v. 306, n.1 p. 52-60, 2013. DOI: 10.1016/j.foreco.2013.06.009.
Pádua, F. A. et al. Tamanho amostral para a estimativa da densidade básica em um clone híbrido de Eucalyptus sp. Revista do Instituto Florestal, v. 27, n. 1, p. 41-47, 2015. DOI: 10.4322/rif.2015.004.
Reis, L. P. et al. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, v. 112, n. 1, p. 140-147, 2018. DOI: 10.1016/j.ecoleng.2017.12.014.
Silva, I. N. et al. (Ed.). Redes Neurais Artificiais: para engenharia e ciências aplicadas. São Paulo, SP: Artliber, 2010. 393 p.
Thiersch, C. R. et al. O uso de modelos matemáticos na estimativa da densidade básica da madeira em plantios de clones de Eucalyptus sp. Cerne, v. 12, n. 3, p. 264-278, 2006.
Vale, A. T. et al. Densidade básica média em função da profundidade de penetração do pino do Pilodyn e da classe diamétrica e variação axial da densidade básica em Eucalyptus grandis Hill ex Maiden. Revista Árvore, v. 19, n. 1, p. 80-91, 1995.
Vale, A. T. et al. Relações entre propriedades químicas, físicas e energéticas da madeira de cinco espécies de Cerrado. Ciência Florestal, v. 20, n. 1, p 137-145, 2010.
Vieira, G.C. et al. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Science of The Total Environment, v. 619, n. 1, p. 1473-1481, 2018. DOI: 10.1016/j.scitotenv.2017.11.138.
Wang, T. et al. Selection for height growth and Pilodyn pin penetration in lodgepole pine: effects on growth traits, wood properties, and their relationships, Canadian Journal of Forest Research, v. 29, n. 1, p. 434-445, 1999. DOI: 10.1139/x99-012.
Associação Brasileira de Normas Técnicas. NBR-11941: Madeira: determinação da densidade básica. Rio de Janeiro, 2003.
Binoti, M. L. M. S. et al. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, v. 37, n. 4, p. 639-645, 2013. DOI: 10.1590/S0100-67622013000400007.
Binoti, M. L. M. S. et al. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, v. 21, n. 1, P. 97-105, 2015. DOI: 10.1590/01047760201521011153.
Bouffier, L. et al. Can wood density be efficiently selected at early stage in maritime pine (Pinus pinaster Ait.) Annals of Forest Science, v. 65, n. 1, p. 1-8, 2008. DOI: 10.1051/forest:2007078.
Braga, A. P. et al. (Ed.). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro, RJ: LTC, 2007. 226 p.
Campos, J. C. C. & Leite, H. G. (Ed.). Mensuração florestal: perguntas e respostas. Viçosa, MG: Universidade Federal de Viçosa, 2017. 636 p.
COUTO, A. M. et al. Modelagem da densidade básica da madeira de Eucalyptus grandis e Eucalyptus urophylla por métodos não destrutivos. Cerne, v. 19, n. 1, p. 27-34, 2013.
Cown, D. J. Comparasion of the pilodyn and torsiometer methods for the rapid assessment of wood density in living trees. New Zealand Journal of Forestry Science, v. 8, n. 3, p. 384-391, 1978.
Cown, D. J. & Hutchison, J. D. Wood density as an indicator of the bending properties of Pinus radiata poles. New Zealand Journal of Forestry Science, v. 13, n. 1, p. 87-99, 1983.
Cruz, C. R. et al. Variação dentro das árvores e entre clones das propriedades físicas e mecânicas da madeira de híbridos de Eucalyptus. Scientia Forestalis, v. 64, n. 34, p. 33-47, 2003.
DIAS, D. C et al. Uso da técnica de resistografia e de variáveis dendrométricas na
modelagem da densidade básica de povoamentos clonais de Eucalyptus. Ciência
Florestal, v. 27, n. 2, p. 609-619, 2017
Gorgens, E. B. et al. Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, v. 33, n. 6, p. 1141-1147, 2009. DOI: 10.1590/S0100-67622009000600016.
Görgens, E. B. et al. A performance comparison of machine learning methods to estimate the fast-growing forest plantation yield based on laser scanning metrics. Computers and Electronics in Agriculture, v. 116, n. 1, p. 221-227, 2015. DOI: 10.1016/j.compag.2015.07.004.
Hein, P. R. G. Estimating shrinkage microfibril angle and density of Eucalyptus wood using near infrared spectroscopy. Journal of Near Infrared Spectroscopy, v. 20, p. 427-436, 2012.
Henry, M. et al. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa. Forest Ecology and Management, v. 260, n. 8, p. 1375-1388, 2010.
Hein, P. R. G. et al. Robustness of models based on near infrared spectra to predict the basic density in Eucalyptus urophylla Wood. Journal of Near Infrared Spectroscopy, v. 17, n. 1, p. 141-150, 2009. DOI: 10.1255/jnirs.833.
Haykin, S. (Ed.). Redes Neurais. Princípios e Prática. Porto Alegre, RS: Bookman, 2001. 900 p.
Iliadis, L. et al. Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information. Holzforschung, v. 67, n. 7, p. 71-777, 2013. DOI: 10.1515/hf-2012-0132.
Instituto Nacional de Meteorologia - INMET. Banco de dados meteorológicos para ensino e pesquisa. Disponível em: < http://www.inmet.gov.br/portal/>. Acesso em: 21 maio 2018.
Leite, H. G. et al. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis, v. 44, n. 1 p. 149-154, 2016.
Leite, H. G. et al. Estimation of inside-bark diameter and heartwood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research, v. 130, p. 263-269, 2011. DOI: 10.1007/s10342-010-0427-7.
Li, Y. et al. Prediction of Larch Wood Density by Near-infrared Spectroscopy and an Optimal BP Neural Network Using Coupled GA and RSM. Journal of Information & Computational, v. 9, n. 13, p. 3783-3794, 2012.
Mehtätalo, L. et al. The Use of quantile trees in the prediction of the diameter distribution of a stand. Silva Fennica, v. 40, n. 3, p. 501-516, 2006.
Özçelik, R. et al. Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal os Envionmental Management. V. 91, n. 3 p.742-753, 2010. DOI: 10.1016/j.jenvman.2009.10.002.
Özçelik, R. et al. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology Management, v. 306, n.1 p. 52-60, 2013. DOI: 10.1016/j.foreco.2013.06.009.
Pádua, F. A. et al. Tamanho amostral para a estimativa da densidade básica em um clone híbrido de Eucalyptus sp. Revista do Instituto Florestal, v. 27, n. 1, p. 41-47, 2015. DOI: 10.4322/rif.2015.004.
Reis, L. P. et al. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, v. 112, n. 1, p. 140-147, 2018. DOI: 10.1016/j.ecoleng.2017.12.014.
Silva, I. N. et al. (Ed.). Redes Neurais Artificiais: para engenharia e ciências aplicadas. São Paulo, SP: Artliber, 2010. 393 p.
Thiersch, C. R. et al. O uso de modelos matemáticos na estimativa da densidade básica da madeira em plantios de clones de Eucalyptus sp. Cerne, v. 12, n. 3, p. 264-278, 2006.
Vale, A. T. et al. Densidade básica média em função da profundidade de penetração do pino do Pilodyn e da classe diamétrica e variação axial da densidade básica em Eucalyptus grandis Hill ex Maiden. Revista Árvore, v. 19, n. 1, p. 80-91, 1995.
Vale, A. T. et al. Relações entre propriedades químicas, físicas e energéticas da madeira de cinco espécies de Cerrado. Ciência Florestal, v. 20, n. 1, p 137-145, 2010.
Vieira, G.C. et al. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Science of The Total Environment, v. 619, n. 1, p. 1473-1481, 2018. DOI: 10.1016/j.scitotenv.2017.11.138.
Wang, T. et al. Selection for height growth and Pilodyn pin penetration in lodgepole pine: effects on growth traits, wood properties, and their relationships, Canadian Journal of Forest Research, v. 29, n. 1, p. 434-445, 1999. DOI: 10.1139/x99-012.
Downloads
Published
2018-12-29
How to Cite
SILVA, Jeferson Pereira Martins; CABACINHA, Christian Dias; ASSIS, Adriana Leandra; MONTEIRO, Thiago Campos; ARAÚJO JÚNIOR, Carlos Alberto; MAIA, Renato Dourado. Artificial neural network to estimate the basic density of cerrado wood. Pesquisa Florestal Brasileira, [S. l.], v. 38, 2018. DOI: 10.4336/2018.pfb.38e201801656. Disponível em: https://pfb.sede.embrapa.br/pfb/article/view/1656. Acesso em: 7 jun. 2025.
Issue
Section
Articles
License
PFB reserves the right to edit manuscripts to correct grammar/spelling, improve clarity, and comply with the journal’s standards while maintaining the style of the authors.
The final version will be sent to the corresponding author for approval.
Published articles become the property of PFB.
Manuscripts may be used after publication without prior authorization from PFB, as long as the journal is credited.
Warning: figures published in PFB may only be reused with prior authorization from Embrapa Forestry.
All content in PFB is licensed under Creative Commons attribution (type BY-NC-ND).
The opinions and concepts expressed in manuscripts are the sole responsibility of their respective authors and not PFB.
The originals published in Pesquisa Florestal Brasileira are available under a License 