Predição dos custos para construção de estradas florestais por meio de modelos de machine learning

Abstract

As estradas florestais são estruturas complexas que demandam importantes mobilizações de recursos financeiros e exercem influência significativa sobre os custos de extração e transporte de madeira oriunda das florestas plantadas. Somado a isso, como resultado do aumento do poder computacional, o volume de dados coletados nas operações florestais, incluindo a construção das estradas, tem aumentado exponencialmente. Dessa forma, é imperativo que os gestores florestais extraiam desses dados informações relevantes de forma mais eficiente, como, por exemplo, por meio das técnicas de machine learning. No entanto, a escassez de estudos nessa área dificulta o avanço deste campo de pesquisa, especialmente quando relacionados à predição dos custos de construção das estradas florestais, a partir de bases de dados robustas. Diante disso, os objetivos foram: a) verificar se os atributos da construção de estradas florestais permitem a criação de um modelo de alto desempenho que possa predizer com precisão os custos totais usando machine learning e; b) criar um aplicativo online gratuito para auxiliar os gestores florestais na aplicação do modelo. Para a modelagem, consideramos 17 atributos operacionais, meteorológicos e edáficos relacionados à construção das estradas florestais. Consideramos o custo total de construção das estradas florestais como atributo-alvo. Submetemos o banco de dados a 24 algoritmos comuns no modo padrão e os comparamos de acordo com as métricas de erro e a precisão. O modelo combinado Extremely Randomized Trees x CART pelo método stacking consegue prever os custos totais de construção das estradas florestais de forma ajustada, com um coeficiente de determinação de 0,96. O uso de dados edáficos combinados com atributos operacionais relacionados às estradas florestais é uma abordagem precisa para prever os custos totais da construção dessas estradas, permitindo a criação de um aplicativo online gratuito para auxiliar os gestores florestais.

Forest roads are complex structures that require significant financial resources and greatly impact the cost of extracting and transporting timber from planted forests. In addition, increased computing power has resulted in an exponential growth in the volume of data collected in forestry operations, including road construction. Therefore, it is crucial that forest managers extract relevant information from this data more efficiently, for instance by using machine learning techniques. However, progress in this field of research is hindered by the scarcity of studies, especially those related to predicting the costs of forest road construction based on robust databases. The objectives were therefore to verify whether forest road construction attributes allow the creation of a high-performance model that can accurately predict total costs using machine learning, and to create a free online application to assist forest managers in applying the model. For modelling purposes, we considered 17 operational, meteorological and edaphic attributes related to forest road construction. We considered the total cost of forest road construction to be the target attribute. We submitted the database to 24 common algorithms in standard mode and compared them according to error metrics and accuracy. The combined Extremely Randomized Trees x CART model using the stacking method can accurately predict total construction costs, with a coefficient of determination of 0.96. Using edaphic data combined with operational attributes related to forest roads is an accurate way of predicting these roads' total construction costs, enabling the creation of a free online application to assist forest managers.