FLORISTIC DIVERSITY AND EQUITABILITY IN FOREST FRAGMENTS USING ARTIFICIAL NEURAL NETWORKS

Este estudo teve como objetivo avaliar a eficiência da predição dos índices de diversidade de Shannon (H’) e de Equabilidade de Pielou (J) em fragmentos florestais do Cerrado brasileiro a partir de índices de vegetação e métricas da paisagem empregando redes neurais artificiais (RNA). Utilizaram-se redes anteroalimentadas (feedforward), treinadas por meio do algoritmo da retropropagação do erro (back propagation). As variáveis utilizadas como entradas das RNA para a estimação simultânea dos índices foram: as categóricas (índices H’ e J) e as numéricas relacionadas às médias e desvios padrão dos índices de vegetação (NDVI, SAVI, EVI, MVI5 e MVI7) e métricas da paisagem (AREA, GYRATE, SHAPE, CONTIG, CORE e ENN). Foram gerados cinco modelos de RNA a partir das relações funcionais entre as variáveis numéricas inerentes aos índices de vegetação em duas épocas, uma seca (junho) e outra chuvosa (fevereiro). A arquitetura das redes foi a Multilayer Perceptron (MLP) para estimar simultaneamente H’ e J: 500 utilizando os índices de vegetação na época úmida (100 para cada índice de vegetação) e 500, na seca (100 para cada índice de vegetação). Foi avaliada a precisão, acurácia e realismo biológico das RNA. As redes construídas na época chuvosa e seca que utilizaram os índices de vegetação MVI5 (Moisture Vegetation Index) e SAVI (Soil Adjusted Vegetation Index), respectivamente, foram mais adequadas, precisas e realistas biologicamente para estimar, simultaneamente, os índices de H’ e de J. A modelagem por RNA demonstrou-se adequada para estimar os índices de diversidade e equabilidade.