Proyección de supervivencia en plantaciones de Pinus caribaea Morelet var. caribaea Barrett & Golfari



Título del documento: Proyección de supervivencia en plantaciones de Pinus caribaea Morelet var. caribaea Barrett & Golfari
Revista: Revista cubana de ciencias forestales
Base de datos: PERIÓDICA
Número de sistema: 000424858
ISSN: 2310-3469
Autores: 1
1
1
2
2
Instituciones: 1Universidade Federal Rural de Pernambuco, Recife, Pernambuco. Brasil
2Universidad de Pinar del Río, Facultad de Ciencias Forestales y Agropecuaria, Pinar del Río. Cuba
Año:
Periodo: Ene-Abr
Volumen: 6
Número: 1
Paginación: 15-30
País: Cuba
Idioma: Español
Tipo de documento: Artículo
Enfoque: Analítico, descriptivo
Resumen en español El presente estudio fue realizado con el objetivo de obtener ecuaciones de regresión y Redes Neuronales Artificiales (RNAs) para la proyección de la supervivencia de Pinus caribaea var. caribaea en la empresa forestal Macurije, provincia de Pinar del Río, Cuba. Los datos utilizados en las modelaciones provienen de la medición de las variables edad (años) y supervivencia (densidad) en parcelas permanentes circulares de 500 m², establecidas en plantaciones de P. caribaea var. caribaea. El estudio se dividió en tres etapas: 1) Ajuste de modelos de regresión tradicionales para proyección de supervivencia; 2) Entrenamientos de RNAs para la proyección de supervivencia, incluyendo variables categóricas «sitio» y «Unidades Básicas de Producción Forestal»; 3) Comparación de los desempeños de las ecuaciones de regresión con los de las RNAs en la proyección de la supervivencia. Los mejores modelos y RNAs fueron seleccionados y basados en: coeficiente de determinación ajustado -R2 aj (%), raíz cuadrada del error medio cuadrático - RMSE (%) y análisis de distribución de residuos. La evaluación de la bondad de ajuste de los modelos también incluyó la verificación de los supuestos de normalidad, homocedasticidad y ausencia de autocorrelación serial en los residuos por las pruebas de Kolmogorov-Smirnov, White y Durbin-Watson, respectivamente. El modelo de Pienaar y Shiver en 1981 resultó ser el de mejor ajuste en la proyección de la supervivencia. La RNA de arquitectura MLP 13-10-1 fue la de mejor capacidad de generalización y presentó un desempeño similar al de la ecuación obtenida del ajuste del modelo de Pienaar y Shiver
Resumen en inglés The present study was carried out with the objective of obtaining regression equations and Artificial Neural Networks (ANNs) for the prognosis of Pinus caribaea var. caribaea survival in Macurije Forest Company, province of Pinar del Río - Cuba. The data used in the modeling comes from the measurement of the variables age (years) and survival (density) in circular permanent plots of 500 m² established in P. caribaea var. caribaea plantations. The study was divided into three stages: i) Adjustment of survival traditional regression models; ii) Training of ANNs for survival prognosis, including categorical variables «site» and «Basic Units of Forest Production»; iii) Comparison of regression equations performance with those of ANNs in survival prognosis. The best models and ANNs were selected based on: adjusted determination coefficient - R2 aj (%), square root of the mean square error - RMSE (%) and residue distribution analysis. The evaluation of the models goodness of fit also included the verification of the assumptions of normality, homocedasticity and absence of serial autocorrelation in the residues by Kolmogorov-Smirnov, White and Durbin-Watson tests, respectively. The model of Pienaar and Shiver, in 1981 turned out to be the best fit in survival prognosis. The ANN MLP 13-10-1 was the one with the best generalization capacity and presented a performance similar to that of Pienaar and Shiver equation
Disciplinas: Agrociencias,
Biología
Palabras clave: Silvicultura,
Ecología,
Pinus caribaea,
Regresión no lineal,
Mortalidad,
Análisis estadístico,
Plantaciones forestales,
Cuba
Keyword: Silviculture,
Ecology,
Pinus caribaea,
Nonlinear regression,
Mortality,
Forest plantations,
Cuba
Texto completo: Texto completo (Ver HTML)