Avaliação da deterioração interna de árvores urbanas através de algoritmos de aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Candido, Giovani [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Arborização urbana; Gestão de riscos de árvores; Avaliação de deterioração interna; Aprendizado de máquina; Otimização meta-heurística; Urban forestry; Tree risk management; Internal deterioration assessment; Machine learning; Meta-heuristic optimization
• Link de acesso: https://hdl.handle.net/11449/256959

Embora as florestas urbanas ofereçam benefícios como a melhoria da qualidade do ar e a mitigação de enchentes, a queda de árvores pode causar sérios problemas. Este estudo propõe uma nova abordagem para estimar a deterioração interna do tronco de árvores urbanas e, assim, auxiliar na previsão do risco de queda. A pesquisa utilizou uma base de dados com variáveis intrínsecas e extrínsecas contendo árvores de sete espécies localizadas em São Paulo, Brasil. Para a estimativa, o problema foi modelado como duas tarefas distintas: regressão e classificação. Nesse cenário, diferentes modelos de aprendizado de máquina, incluindo uma versão inicial do Optimum-Path Forest (OPF) para regressão, foram empregados em um fluxo de trabalho que inclui a seleção de características e a otimização de hiperparâmetros por meio de uma promissora meta-heurística denominada Slime Mold Algorithm (SMA). Para avaliar as estimativas de forma prática, um método de três etapas foi utilizado. Na primeira etapa, os modelos foram treinados para estimar a deterioração interna do tronco; na segunda, os modelos foram treinados para avaliar o risco de queda utilizando a mesma base de dados, considerando os valores reais de deterioração e outros atributos; na terceira, as estimativas de deterioração foram utilizadas na previsão do risco de queda, em vez dos valores reais, validando a abordagem empregada. Além disso, visando melhorar o desempenho dos modelos, foi realizada a inferência por espécie, considerando Caesalpinia peltophoroides e Tipuana tipu, e a junção das demais espécies. No entanto, a análise demonstrou que um modelo geral, treinado com amostras de todas as espécies, apresentou melhor desempenho. No geral, a estimativa via regressão, que previu o percentual de área deteriorada, teve um erro médio mínimo próximo de 10% e um R-quadrado (R2) máximo de 0,23. Já na classificação, que previu o nível de deterioração interna, obteve-se uma acurácia máxima próxima de 80%, com uma acurácia balanceada máxima de cerca de 56%. Ao analisar as acurácias por classes, constatou-se que o desempenho dos modelos em amostras com baixos níveis de deterioração é um destaque, pois permite que os modelos sejam utilizados para complementar a análise visual de sinais externos de deterioração, reforçando a decisão de arboristas e, potencialmente, reduzindo a necessidade de investigações com equipamentos não destrutivos. Contudo, o uso das estimativas para prever o risco indicou que o método ainda não gera estimativas de deterioração suficientemente precisas, comprometendo a previsão de risco, com uma redução de no mínimo 10% da acurácia balanceada ao utilizar os valores previstos de deterioração em vez dos reais.