Please use this identifier to cite or link to this item: https://repositorio.ifgoiano.edu.br/handle/prefix/2440
metadata.dc.type: Tese
Title: MODELAGEM DA RELAÇÃO HIPSOMÉTRICA E DO CRESCIMENTO E PRODUÇÃO UTILIZANDO APRENDIZAGEM DE MÁQUINA E MODELO DE EFEITO MISTO
metadata.dc.creator: Melo, Elliezer de Almeida
metadata.dc.contributor.advisor1: Calegario, Natalino
metadata.dc.description.resumo: Tese defendida na Universidade Federal de Lavras. O presente estudo foi desenvolvido a partir de dados de inventário florestal coletados em parcelas temporárias e permanentes. Objetivou-se modelar a relação hipsométrica, o crescimento e a produção das florestas de eucalipto, a partir das técnicas de regressão tradicional, modelagem mista e aprendizagem de máquinas, para a obtenção de modelos capazes de representar a realidade do povoamento florestal. O estudo foi dividido em três capítulos. No primeiro capítulo, realizou-se uma revisão de literatura com o intuito de embasar o desenvolvimento do segundo e terceiro capítulos. O segundo capítulo, constituiu-se na avaliação de quatro modelos não lineares para modelagem da relação hipsométrica. Comparou-se a técnica de regressão tradicional com a técnica de modelagem mista com a adição de covariantes e modelagem da heterocedasticidade, visando obter modelos com melhor acurácia. A utilização dos modelos não lineares mistos possibilitou uma redução do erro padrão em aproximadamente 60%. O modelo de Gompertz, por proporcionar melhor acurácia foi decomposto e incluíram-se as covariáveis clone, área basal, sítio e idade e modelou-se a heterocedasticidade. A modelagem da heterocedasticidade possibilitou uma redução na estimativa do erro padrão residual e percentual de, aproximadamente, 55%, quando comparado ao modelo de efeitos mistos. Para o segundo capítulo, objetivou-se analisar o desempenho de técnicas de aprendizagem de máquinas (Redes Neurais Artificiais - RNA e Máquina de Vetor de Suporte - MVS) na projeção da área basal e volume em comparação ao método tradicional de análise de regressão, utilizando o modelo de Clutter e variações deste. Os dados são provenientes de 2.550 unidades amostrais permanentes de povoamentos clonais do híbrido Eucalyptus grandis x E. urophylla, compreendendo sete materiais genéticos. Os métodos de aprendizagem de máquinas para projeção da área basal proporcionaram boa capacidade de treinamento e generalização. Para a projeção volumétrica, os métodos apresentaram baixa capacidade de generalização. As estimativas produzidas pelo sistema de Clutter e variações deste foram superiores às técnicas de aprendizagem de máquinas.
Abstract: We developed this study based on forest inventory data collected from temporary and permanent plots. The objective was to model the hypsometric relationship, the growth, and the production of eucalyptus forests using traditional regression techniques, mixed modeling, and machine learning to obtain models capable of representing the reality of forest stands. We divided the study into three chapters. In the first chapter, we performed a literature review to support the development of the second and third chapters. The second chapter consisted of evaluating four nonlinear models for modeling the hypsometric relationship. We compared the traditional regression technique with the mixed modeling technique with the addition of covariates and heteroscedasticity modeling to obtain more accurate models. The use of nonlinear mixed models allowed us to reduce the standard error by approximately 60%. We decomposed the Gompertz model and included the clone, basal area, site, and age covariates to provide better accuracy, modeling the heteroscedasticity. The heteroscedasticity modeling allowed us to reduce the estimate of the residual standard error and percentage of approximately 55% when compared to the mixed effects model. For the second chapter, we aimed to analyze the performance of machine learning techniques (Artificial Neural Networks - ANN and Support Vector Machine - SVM) in the projection of the basal area and volume, comparing them to the traditional method of regression analysis using the Clutter model and variations thereof. The data derive from 2,550 permanent sample units of clonal stands of the Eucalyptus grandis x E. urophylla hybrid, comprising seven genetic materials. The machine learning methods to project the basal area provided good training and generalization skills. For the volumetric projection, the methods presented low generalization capacity. The estimates produced by the Clutter system and its variations were superior to the machine learning techniques.
Keywords: Modelos Mistos
Modelagem da Heterocedasticidade
Aprendizagem de Máquinas
Redes Neurais Artificiais
Máquina de Vetor de Suporte
Modelo de Clutter
metadata.dc.subject.cnpq: CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Instituto Federal Goiano
metadata.dc.publisher.initials: IF Goiano
metadata.dc.publisher.department: Campus Morrinhos
metadata.dc.publisher.program: Instituição externa (descrever o nome da instituição no resumo/abstract)
Citation: MELO, E. de A. Modelagem da relação hipsométrica e do crescimento e produção utilizando aprendizagem de máquina e modelo de efeito misto. 2019. 143 p. Tese (Doutorado em Engenharia Florestal) - Universidade Federal de Lavras, Lavras, 2019.
metadata.dc.rights: Acesso Aberto
metadata.dc.identifier.doi: http://repositorio.ufla.br/jspui/handle/1/35290
URI: https://repositorio.ifgoiano.edu.br/handle/prefix/2440
Issue Date: 14-Mar-2019
Appears in Collections:Teses e dissertações defendidas em outras Instituições

Files in This Item:
File Description SizeFormat 
MODELAGEM DA RELAÇÃO HIPSOMÉTRICA E DO CRESCIMENTO E PRODUÇÃO UTILIZANDO APRENDIZAGEM DE MÁQUINA E MODELO DE EFEITO MISTO.pdfMODELAGEM DA RELAÇÃO HIPSOMÉTRICA E DO CRESCIMENTO E PRODUÇÃO UTILIZANDO APRENDIZAGEM DE MÁQUINA E MODELO DE EFEITO MISTO2,39 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.