Resumo Compreender como a anatomia molda a mecânica da madeira é essencial para a classificação e reprodução. Este estudo desenvolve uma estrutura interpretável baseada em SHAP fornecendo a primeira decomposição condicionalmente independente dos efeitos anatômicos no desempenho do abeto chinês (Cunninghamia lanceolata). Para mitigar a escassez de dados, dados sintéticos gerados por três modelos generativos foram avaliados quanto à correlação, distribuição e previsão. Cinco modelos de aprendizado de máquina foram treinados com dados sintéticos para prever o módulo de elasticidade (MOE), módulo de ruptura (MOR) e resistência à compressão paralela à fibra (CSP). Todos os métodos generativos produziram dados realistas, com a Copula Gaussiana apresentando o melhor desempenho. A melhor precisão foi alcançada pela CopulaGAN–XGBoost (MOE, 75 %), Copula Gaussiana–AdaBoost (MOR, 80 %) e Copula Gaussiana–Random Forest (CSP, 91 %), superando modelos treinados com dados reais (58 %, 64 %, 68 %). A análise SHAP identificou o comprimento dos traqueídeos (15,6 %, 6,0 %, 8,3 %), espessura da parede (13,8 %, 12,6 %, 7,5 %) e ângulo microfibrilar (3,4 %, 2,7 %, 4,5 %) como características-chave, com o ângulo microfibrilar mostrando as interações mais fortes. As contribuições da madeira latejante em comparação com a madeira de crescimento rápido foram 24,1 % versus 16,7 % (MOE), 16,6 % versus 39,9 % (MOR) e 18,1 % versus 28,8 % (CSP). A densidade foi a característica mais influente: a resistência (MOR, CSP) foi impulsionada pela densidade e características da madeira de crescimento rápido, enquanto a rigidez (MOE) dependia da densidade e da anatomia geral. Essas descobertas fornecem orientações interpretáveis para a avaliação da qualidade da madeira, classificação de materiais e melhoria de plantações.
Liu et al. (Qui,) estudaram essa questão.