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

Abstract

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.

Although urban forests provide benefits such as improved air quality and flood mitigation, tree failures can pose serious issues. This study proposes a new approach for estimating the internal deterioration of urban tree trunks to help predict the risk of tree failure. The research used a database with intrinsic and extrinsic variables from trees of seven species in São Paulo, Brazil. The problem was modeled for estimation as two distinct tasks: regression and classification. In this scenario, different machine learning models, including an initial version of the Optimum-Path Forest (OPF) for regression, were employed in a workflow that includes feature selection and hyperparameter optimization through a promising meta-heuristic called Slime Mold Algorithm (SMA). To evaluate the estimates practically, a three-step method was used. In the first step, the models were trained to estimate the internal deterioration of the trunk; in the second, the models were trained to assess the risk of failure using the same database, considering actual deterioration values and other attributes; in the third, deterioration estimates were used to predict the risk of failure instead of actual values, validating the approach used. Additionally, to improve model performance, the inference was made by species, considering Caesalpinia peltophoroides and Tipuana tipu separately and grouping the remaining species. However, the analysis showed that a general model trained with samples from all species performed better. Overall, the regression estimate, which predicted the percentage of the deteriorated area, had a minimum mean error close to 10% and a maximum R-squared (R2) of 0.23. In classification, which predicted the level of internal deterioration, the maximum accuracy achieved was around 80%, with a maximum balanced accuracy of about 56%. However, using estimates to predict risk pointed out that the method still does not provide sufficiently accurate deterioration estimates, compromising risk prediction, with at least a 10% reduction in balanced accuracy when using predicted deterioration values instead of actual ones.