Aplicação de algoritmos de Random Forest no suporte à identificação das espécies Handroanthus Serratifolius (Vahl) S. O. Grose e Handroanthus Impetiginosus (Mart. Ex DC.) Mattos (bignoniaceae) / Application of Random Forest algorithm to support in identification of the Handroanthus Serratifolius (Vahl) S. O. Grose and Handroanthus Impetiginosus (Mart. Ex DC.) Mattos (bignoniaceae) species

• Published in: Brazilian Journal of Development Vol. 8; no. 5; pp. 39721 - 39735
• Main Authors: Gonçalves, Ygor Luiz Moraes, Siqueira, Elton Sarmanho, Ferreira, Cassiana Alves, Teixeira, Maycon da Silva, Correa, Pablo da Ventura, Urbinati, Cláudia Viana
• Format: Journal Article
• Language: English
• Published: 23.05.2022
• ISSN: 2525-8761; 2525-8761
• DOI: 10.34117/bjdv8n5-457

O presente trabalho ressalta a necessidade de estudos de conservação, desenvolvimento sustentável e tecnológico para espécies florestais comercializadas na Amazônia Brasileira e principalmente no estado do Pará, onde a exploração desordenada de espécies madeireiras alcança níveis preocupantes. O processo de identificação das madeiras de Handroanthus serratifolius e Handroanthus impetiginosus conhecidas pelo nome vernacular de ipê ( e comercializadas em todo estado, conta com aspectos dificultosos, sendo promissor  a utilização de dados anatômicos qualitativos das espécies associados ao desenvolvimento de um modelo inteligente e eficiente utilizando o algoritmo Random Forest. Para tal, duas espécies foram selecionadas e identificadas macroscópicamente e suas características anatômicas foram descritas e utilizadas para o treinamento do modelo. As referidas espécies apresentam semelhanças em sua estrutura anatômica o que torna a identificação pela análise visual complexa, diferindo pela presença de conteúdo obstruindo os vasos, estratificação do parenquima  radial, tipo de parênquima  e porosidade. Após a etapa de pré-processamento do conjunto de dados (seleção de atributos e balanceamento de classes) com o auxílio do algoritmo de grid search (para otimização de hiperparâmetros), durante a fase de treinamento do modelo, obteve-se uma precisão de 75% de acertos utilizando duas classes dentro de um mesmo conjunto de dados, sendo possível a diferenciação entre as duas espécies.