Pular para conteúdo

Estratificador

Warning

Esta biblioteca está em desenvolvimento, nenhuma das soluções apresentadas está disponível para download.

Com este módulo, você poderá obter assistência no processo de estratificação de seus plantios florestais. Utilize dados de inventário florestal para estratificar automaticamente as plantações, selecionando as variáveis florestais que considera mais relevantes e utilizando um número pré-definido de estratos ou permitindo que o módulo determine o número ideal de estratos.

Estratificação Florestal com Python

O processo de estratificação florestal requer o conhecimento de diversos fatores:

  • Localização geográfica
  • Espécie florestal
  • Tipo de solo
  • Idade do povoamento
  • Finalidade dos produtos
  • Histórico de manejo

Nesse contexto, o módulo Python desenvolvido para estratificação surge como uma ferramenta de apoio ao planejamento florestal, oferecendo uma visão inicial orientada por dados quantitativos.

Funções Principais

O módulo inclui funções como:

  • stratify_kmeans
  • stratify_hierarchical

Essas funções utilizam algoritmos de agrupamento multivariado (k-means e hierárquico, respectivamente) para identificar padrões em variáveis contínuas, como:

  • Diâmetro médio
  • Altura média
  • Volume por hectare
  • Idade
  • Índice de sítio

Os algoritmos agrupam as unidades amostrais em estratos homogêneos, que podem ser utilizados para:

  • Inventário florestal
  • Alocação amostral
  • Otimização do manejo

Importante

Os resultados não substituem a interpretação técnica especializada, mas fornecem uma base objetiva para análise exploratória, facilitando a tomada de decisão em projetos florestais.

Parâmetros da Classe

Estratificador

Stratifier(df, y, *train_columns, iterator=None)
Parâmetros Descrição
df O dataframe contendo os dados do inventário florestal.
*groups_columns Colunas que serão utilizadas para a estratificação. Apenas numéricas.
iterator (Opcional) A estratificação será realizada para cada iterator.

Métodos da Classe

functions and parameters
Stratifier.stratify_kmeans(k=None, k_method=None, max_k=100,
                          show_plots=True, save_plots_dir=None)#(1)!

Stratifier.stratify_hierarchical(k=None, k_method=None, max_k=10,
                                show_plots=True, save_plots_dir=None)#(2)!

  1. k = (Opcional) Número desejado de estratos.
    k_method = (Opcional) Caso k não seja especificado, define qual método será usado para determinar o número de estratos. Opções: elbow, silhouette, davies_bouldin, calinski_harabasz. Padrão = "elbow".
    max_k = (Opcional) Número máximo de estratos a serem criados.
    show_plots = Se true, exibe o gráfico de radar com os estratos gerados.
    save_plot_dir = (Opcional) Diretório para salvar os gráficos dos estratos gerados.

  2. k = (Opcional) Número desejado de estratos.
    k_method = (Opcional) Caso k não seja especificado, define qual método será usado para determinar o número de estratos. Opções: elbow, silhouette, davies_bouldin, calinski_harabasz. Padrão = "elbow".
    max_k = (Opcional) Número máximo de estratos a serem criados.
    show_plots = Se true, exibe o gráfico de radar com os estratos gerados.
    save_plot_dir = (Opcional) Diretório para salvar os gráficos dos estratos gerados.

Métodos Descrição
.stratify_kmeans() Realiza a estratificação utilizando o algoritmo K-Means.
.stratify_hierarchical() Realiza a estratificação utilizando o algoritmo Agglomerative Clustering.

Importante

Quando a variável k não for definida, o algoritmo tentará determinar automaticamente o número ideal de estratos utilizando o método elbow como padrão.

Para selecionar outro método de definição automática de k, basta informar o parâmetro method com o nome do método desejado. Os métodos disponíveis são:

  • elbow: Baseado na análise da inércia para diferentes valores de k. Utiliza a segunda derivada para identificar o ponto de inflexão.
  • silhouette: Utiliza o coeficiente de silhueta para avaliar a separação entre os grupos. Maior valor indica melhor agrupamento.
  • davies_bouldin: Avalia a compacidade e separação dos grupos. Quanto menor o índice, melhor o agrupamento.
  • calinski_harabasz: Utiliza a razão entre dispersão entre grupos e dispersão intra-grupo. Quanto maior o índice, melhor o agrupamento.

Cada método adapta-se melhor a diferentes características dos dados. A escolha correta pode melhorar significativamente a qualidade dos estratos gerados.

De mesmo modo, o usuário pode limitar o número máximo de estratos por meio da variável max_k, que define o maior valor de k a ser considerado durante o processo de avaliação automática.

Exemplo de Uso

Como exemplo, iremos usar uma adaptação dos dados obtidos por Arce e Dobner Jr. (2024) para Eucalyptus dunnii. A base de dados é composta por 81 parcelas de 300m², com idade igual a 7 anos.

Fazer download do arquivo.

stratifier_example.py
1
2
from fptools.stratifier import Stratifier#(1)!
import pandas as pd#(2)!

  1. Importa a classe Stratifier.
  2. Importa o pandas para manipulação de dados.

stratifier_example.py
 3
 4
 5
 6
 7
 8
 9
10
11
12
df = pd.read_excel(r'C:\Seu\diretório\dados_stratifier.xlsx')#(1)!

columns_to_check = [
    'Idade', 'N_ha', 'd', 'h', 'Hdom',
    'G_m2_ha', 'V_m3_ha',
]#(2)!

st = Stratifier(df, *columns_to_check)#(3)!

stratified_df = st.stratify_kmeans(save_plots_dir=r"C:\Seu\diretório\para\salvar\os\plots")#(4)!

  1. Carrega seu arquivo xlsx contendo os dados do inventário.
  2. Cria uma lista chamada columns_to_check contendo as colunas que serão utilizadas para a estratificação.
  3. Cria a variável st utilizando o dataframe df, passando as colunas columns_to_check como parâmetros de estratificação. Como
  4. Realiza a estratificação utilizando o algoritmo "KMeans", permitindo que o algoritmo determine o número de estratos. Salva os resultados na variável stratified_df. Salva o gráfico de radar gerado no diretório informado.

Saídas

Tabelas

stratified_df (1)

  1. DataFrame inicial com uma coluna a mais chamada Cluster, que contém o número do cluster que aquela linha de dados foi enquadrada, variando de 0 a n.
Chave_Parcela Idade N_ha d h Hdom G_m2_ha V_m3_ha S Cluster
14401109002_P1 7 866,67 16,63 16,09 16,50 19,43 112,77 15,44 0
14401109003_P2 7 866,67 16,55 15,02 16,47 19,91 110,36 15,17 0
14401110009_P3 7 600,00 16,96 14,07 15,32 13,92 64,83 14,71 0
1440817_P3 7 1066,67 16,45 14,53 16,49 24,24 129,46 14,61 0
1440818_P6 7 833,33 17,27 14,62 16,00 20,79 112,73 12,64 0

Gráficos

Exemplo de gráfico de radar gerado pelo método stratify_kmeans. O gráfico demonstra onde se encontrada a média normalizada de cada variável para cada cluster.
Interface do plugin

Referências

ARCE, JULIO EDUARDO; DOBNER JR., MARIO. (2024). Manejo e planejamento de florestas plantadas: com ênfase nos gêneros Pinus e Eucalyptus. Curitiba, PR: Ed. dos Autores, 419p.

KARCZMAREK, Pawel; KIERSZTYN, Adam; PEDRYCZ, Witold; AL, Ebru. K-Means-based isolation forest. Knowledge-Based Systems, Amsterdam, v. 195, p. 105659, 11 maio 2020. Disponível em: https://doi.org/10.1016/j.knosys.2020.105659. Acesso em: 22 maio 2025.

DETRINIDAD, E.; LÓPEZ-RUIZ, Víctor-Raúl. The Interplay of Happiness and Sustainability: A Multidimensional Scaling and K-Means Cluster Approach. Sustainability, v. 16, n. 22, p. 10068–10068, 19 nov. 2024.

MÄRZINGER, T.; KOTÍK, J.; PFEIFER, C. Application of Hierarchical Agglomerative Clustering (HAC) for Systemic Classification of Pop-Up Housing (PUH) Environments. Applied Sciences, v. 11, n. 23, p. 11122, 24 nov. 2021.