Modelo de Clutter
Warning
Esta biblioteca está em desenvolvimento, nenhuma das soluções apresentadas está disponível para download.
Use bancos de dados de inventário florestal contínuo para prever o crescimento e a produção da floresta. Utilize o método tradicional do modelo de Clutter. Com este módulo, você poderá estimar o volume e a área basal.
Parâmetros da Classe
ClutterTrainer
ClutterTrainer(df, age1, age2, ba1, ba2, site, vol, iterator=None)
Parâmetros | Descrição |
---|---|
df | O dataframe contendo os dados processados do inventário florestal contínuo. |
age1 | Nome da coluna contendo a idade da parcela amostrada anteriormente. |
age2 | Nome da coluna contendo a idade da parcela amostrada posteriormente. |
ba1 | Nome da coluna contendo a área basal da parcela amostrada anteriormente. |
ba2 | Nome da coluna contendo a área basal da parcela amostrada posteriormente. |
site | Nome da coluna contendo o índice de sítio do povoamento. |
vol | Nome da coluna contendo o volume da parcela amostrada posteriormente. |
iterator | (Opcional) Nome de um iterador que será usado para agrupar os dados. Exemplo de um iterador: Material genético, Estrato. |
Exemplo de entrada para o modelo de Clutter
Iterador | Parcela | age1 | age2 | ba1 | ba2 | site | vol |
---|---|---|---|---|---|---|---|
GM 1 | 1 | 2.5 | 3.5 | 7.57 | 8.42 | 7.83 | 44.04 |
GM 1 | 1 | 3.5 | 4.5 | 8.42 | 14 | 8.73 | 51.42 |
GM 1 | 2 | 2.1 | 3.1 | 4.94 | 5.51 | 6.98 | 38.06 |
GM 1 | 2 | 3.1 | 4.33 | 5.51 | 6.45 | 7.45 | 39.26 |
GM 2 | 1 | 2 | 3 | 7.3 | 8.25 | 11.37 | 74.63 |
GM 2 | 1 | 3 | 4 | 8.25 | 9.13 | 11.69 | 68.27 |
GM 2 | 1 | 4 | 5 | 9.13 | 12.79 | 12.83 | 72.76 |
GM 2 | 1 | 5 | 6 | 12.79 | 15.63 | 14 | 73.87 |
Funções da Classe
- save_dir = Diretório onde os coeficientes e parâmetros dos modelos treinados serão salvos.
Parâmetros | Descrição |
---|---|
.fit_model() | Ajusta os modelos para prever a área basal e o volume. |
Modelos de Clutter
\[
\operatorname{lnb_2}^{\text{est}} =b_0 + b_1 \cdot x_1 + b_2 \cdot x_2 + b_3 \cdot x_3 + b_4 \cdot \frac{1}{I_2} + b_5 \cdot S
\]
\[
\operatorname{lnv_2} = b_0 + b_1 \cdot \frac{1}{I_2} + b_2 \cdot S + b_3 \cdot \operatorname{lnb_2}^{\text{est} }
\]
Notação
- \( β_n \): Parâmetros ajustados
- \( I \): Idade
-
\[\operatorname{x_1} = \ln(β_1) \cdot \frac{\operatorname{I_1}}{\operatorname{I}_2}\]
-
\[\operatorname{x_2} = 1 - \frac{\operatorname{I}_1}{\operatorname{I}_2}\]
-
\[\operatorname{x_3} = \left( 1 - \frac{\operatorname{I}_1}{\operatorname{I}_2} \right) \cdot \operatorname{S}\]
- \( S \): Índice de sítio da floresta
Parâmetros da Classe
ClutterPredictor
ClutterPredictor(coefs_file, age1, site, ba1, iterator=None)
Parâmetros | Descrição |
---|---|
coefs_file | Diretório do arquivo json contendo os coeficientes e parâmetros dos modelos ajustados. |
age1 | Nome da coluna contendo a idade da parcela amostrada anteriormente. |
ba1 | Nome da coluna contendo a área basal da parcela amostrada anteriormente. |
site | Nome da coluna contendo o índice de sítio do povoamento. |
iterator | (Opcional) Nome de um iterador que será usado para previsões. |
Funções da Classe
funções e parâmetros
ClutterTrainer.get_coefs()#(1)!
ClutterTrainer.predict(age2)#(2)!
ClutterTrainer.predict_range(age_range=(2, 10),show_plots=False)#(3)!
- Retorna os coeficientes carregados do
coefs_file
. - Retorna a previsão feita para
age2
. - Retorna a previsão feita para um intervalo de idades especificado em
age_range
como uma tupla.
Seshow_plots=True
, exibe os gráficos das previsões realizadas.
Example Usage
clutter_forecast_example.py | |
---|---|
- Importa as classes
ClutterTrainer
eClutterPredictor
. - Importa o
pandas
para manipulação de dados.
- Carregue seu arquivo CSV.
- Crie a variável
c_train
contendo a classeClutterTrainer
. - Ajuste o modelo de Clutter, salvando os coeficientes e parâmetros na pasta
C:\Your\path\output
, e salve as métricas do treinamento na variávelc_train_metrics
. - Crie uma variável contendo o preditor. Esse preditor usará o modelo salvo
C:\Your\path\output\all_coefficients.json
para aplicar um inventário com idade de2.35
, um índice de sítio de9.27
e uma área basal de9.13
, a fim de prever a produção futura de volume e área basal. - Faça a previsão para essa plantação quando atingir
4
anos e salve os resultados emba_vol_predicted
. - Obtenha os coeficientes do modelo e salve-os na variável
coef
. - Faça a previsão para essa plantação de
2
a12
anos, gerando um gráfico que mostre a evolução da área basal e do volume ao longo desse período, juntamente com o nível de confiança.
Exemplo de Gráfico de Saída da Previsão
Referências
CLUTTER, J. L.; FORTSON, J. C.; PIENAAR, L. V.; BRISTER, G. H.; BAILEY, R. L. (1983). Timber management: a quantitative approach. New York: John Wiley & Sons, 333 p.