Aplicação de algoritmos de Random Forest no suporte à identificação das espécies Handroanthus Serratifolius (Vahl) S. O. Grose e Handroanthus Impetiginosus (Mart. Ex DC.) Mattos (bignoniaceae) / Application of Random Forest algorithm to support in identification of the Handroanthus Serratifolius (Vahl) S. O. Grose and Handroanthus Impetiginosus (Mart. Ex DC.) Mattos (bignoniaceae) species

Ygor Luiz Moraes Gonçalves, Elton Sarmanho Siqueira, Cassiana Alves Ferreira, Maycon da Silva Teixeira, Pablo da Ventura Correa, Cláudia Viana Urbinati

Abstract


O presente trabalho ressalta a necessidade de estudos de conservação, desenvolvimento sustentável e tecnológico para espécies florestais comercializadas na Amazônia Brasileira e principalmente no estado do Pará, onde a exploração desordenada de espécies madeireiras alcança níveis preocupantes. O processo de identificação das madeiras de Handroanthus serratifolius e Handroanthus impetiginosus conhecidas pelo nome vernacular de ipê ( e comercializadas em todo estado, conta com aspectos dificultosos, sendo promissor  a utilização de dados anatômicos qualitativos das espécies associados ao desenvolvimento de um modelo inteligente e eficiente utilizando o algoritmo Random Forest. Para tal, duas espécies foram selecionadas e identificadas macroscópicamente e suas características anatômicas foram descritas e utilizadas para o treinamento do modelo. As referidas espécies apresentam semelhanças em sua estrutura anatômica o que torna a identificação pela análise visual complexa, diferindo pela presença de conteúdo obstruindo os vasos, estratificação do parenquima  radial, tipo de parênquima  e porosidade. Após a etapa de pré-processamento do conjunto de dados (seleção de atributos e balanceamento de classes) com o auxílio do algoritmo de grid search (para otimização de hiperparâmetros), durante a fase de treinamento do modelo, obteve-se uma precisão de 75% de acertos utilizando duas classes dentro de um mesmo conjunto de dados, sendo possível a diferenciação entre as duas espécies.


Keywords


inteligência artificial, aprendizado de máquina, anatomia da madeira, ipê.

References


ALLENDE-CID, H. Machine Learning: catalisador da ciência. Computação Brasil, Belém/PA, v. 39, n. 1, p. 1–46, 2019. Disponível em: https://www.sbc.org.br. Acesso em: 15 jul. 2021.

BERRAR, Daniel. Cross-validation, Japan, p. 1-9, jan 2018. Disponível em: https://www.researchgate.net/publication. Acesso em: 9 set. 2021.

CORADIN, V. T. R., AND MUÑIZ, G. I. B. d. Normas de procedimentos em estudos de anatomia de madeira: Angiospermae e Gymnospermae. (v. 15.), Laboratório de Produtos Florestais - Série Técnica, Brasília, Brasil, 1991.

CUTLER, A.; CUTLER, D.; STEVENS, J. Random Forests, 2011. Disponível em: https://www.researchgate.net/publication.

Çelik, Özer. (2018). A Research on Machine Learning Methods and Its Applications. 10.31681/jetol.457046. Disponível em: https://www.researchgate.net/publication.

DORMONTT, E. E.; BONERB, M.; BRAUNC, B.; BREULMANND, G.; DEGENE, B.; ESPINOZAF, E.; GARDNERG, S.; GUILLERY, P.; HERMANSONI, J. C.; KOCHJ, G.; LEEK, S. L.; KANASHIROL, M.; RIMBAWANTOM, A.; THOMASN, D.; WIEDENHOEFTO, A. C.; YINP, Y.; ZAHNENQ, J.; LOWE, A. J. Forensic timber identification: it's time to integrate disciplines to combat illegal logging. Biological Conservation, v. 191, p. 790–798, 2015.

ESTEBAN, L. G.; PALACIOS, P.; CONDE, M.; FERNÁNDEZ, F. G.; GARCÍA-IRUELA, A.; GONZÁLEZ-ALONSO, M. Application of artificial neural networks as a predictive method to differentiate the wood of Pinus sylvestris L. and Pinus nigra Arn subsp. salzmannii (Dunal) Franco. Wood Science and Technology, v. 51, n. 5, p. 1249-1258, 2017.

FONSECA, C. N.; LISBOA, P. L. B.; URBINATI, C. V. A xiloteca (Coleção Walter A. Egler) do Museu Paraense Emílio Goeldi. Boletim do Museu Paraense Emílio Goeldi, Série Ciências Naturais, v. 1, n. 1, p. 65-140, 2005.

GENTRY, A. H. Handroanthus (Bignoniaceae): a critique. Taxon, v. 21, p. 113–114, 1972.

GENTRY, A. H. Tabebuia: The tortuous history of a generic name (Bignon.). Taxon, v. 18, p. 635, 1969.

GROSE, S. O.; OLMSTEAD, R. G. Taxonomic revision in the polyphyletic genus Tabebuia s. l. (Bignoniaceae). Systematic Botany, v. 32, n. 3, p. 660–670, 2007.

HE, T.; MARCO, J.; SOARES, R.; YIN, Y., WIEDENHOEFT, A. C. Machine learning models with quantitative wood anatomy data can discriminate between Swietenia macrophylla and Swietenia mahagoni. Forests, v. 11, n. 1, p. 36, 2020.

HWANG, S.; SUGIYAMA, . Computer vision-based wood identification and its expansion and contribution potentials in wood science: A review. Plant Methods, v. 17, n. 1, p. 1–21, 2021.

ŁAWRYNOWICZ, A.; TRESP, V. Introducing machine learning. Perspectives on Ontology Learning, 35–50, 2014. Disponível em: https://www.researchgate.net/publication.

LENS, F.; LIANG, C.; GUO, Y.; TANG, X. JAHANBANIFARD, M. ; DA SILVA, F. S. C.; CECCANTINI, G.; VERBEEK, F. J. Computer assisted timber identification based on features extracted from microscopic wood sections. IAWA Journal (0), 2020, 1-21.

LEÓN, H. Anatomía del xilema secundario de diez espécies de la familia Bignoniaceae de Venezuela. Acta Botánica Venezuelica, v. 30 (2), p. 361-384, 2007.

LISI, C. S.; SANTANA, C.; MENEZES, N. A.; GONTIJO, A. B.; CORADIN, V. T. R. Madeiras Comerciais do Brasil - Chave interativa de Identificação baseada em caracteres gerais e macroscópicos. O aplicativo disponibiliza um total de 157 espécies de madeiras comerciais do Brasil, Agosto de 2020, versão 1.11.0.

LIASHCHYNSKYI, PETRO & LIASHCHYNSKYI, PAVLO. (2019). Grid Search, Random Search, Genetic Algorithm: A Big Comparison for NAS.

LORENA, A. C.; CARVALHO, A. C. P. L. F. Uma introdução às support vector machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43–67, 2007.

NYRUD, Q. A; ROOS, A.; RODBOTTEN, M. Product attributes affecting consumer preference for residential deck materials. Canadian Journal of Forest Research, v. 38, n. 6, p. 1385–1396, 2008.

PACE, M.R.; LOHMANN, L.G..; OLMSTEAD, R.G.; ANGYALOSSY, V. Wood anatomy of major Bignoniaceae clades. Plant Systematics and Evolution, v. 301, p. 967-995, 2015

Patel, H. H.; Prajapati, P. (2018). Study and analysis of decision tree based classification algorithms. International Journal of Computer Sciences and Engineering, v. 6, n. 10, p. 74–78. Disponível em: https://www.researchgate.net/publication.

RAVINDRAN, P.; COSTA, A.; SOARES, R.; WIEDENHOEFT, A. C.. Classification of CITES-listed and other neotropical Meliaceae wood images using convolutional neural networks. Plant methods, v. 14, n. 1, p. 1–10, 2018.

SILVA, N. R.; RIDDER, M.; BAETENS, J. M.; BUCKLE, J. V. den; ROUSSEAU, M.; BRUNO, O. M.; BEECKMAN, H.; ACKER, J. VAN; BAETS, B. de. Automated classification of wood transverse cross-section micro-imagery from 77 commercial Central-African Timber species. Annals of Forest Science, 74:30 DOI 10.1007/s13595-017-0619-0, 2017.

TROPICOS (2021). “Missouri botanical garden,” (http://www.tropicos.org), accessed August 31, 2021.

VIEIRA, G. Utilização de classificador random forest na detecção de falhas em máquinas rotativas. 2015. 79f. TCC (Graduação) – Curso de Engenharia Eletrônica e de Computação da Escola Politécnica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2015.

Wang, P. On defining Artificial Intelligence. Journal of Artificial General Intelligence, v. 10, n. 2, p. 1–37, 2019. Disponível em: https://www.sciendo.com/article.

WEHLE, H. (2017). Machine Learning, Deep Learning, and AI: what’s the difference?. Disponível em: https://www.researchgate.net/publication.




DOI: https://doi.org/10.34117/bjdv8n5-457