Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos

Detalhes bibliográficos
Autor(a) principal: Salmazzo, Natália
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502
Resumo: Orientadora: Profa. Dra. Debora Maria Rossi de Medeiros
id UFBC_b03c0b5c9e007cd7ca90130215df0d25
oai_identifier_str oai:BDTD:102502
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidosCLASSIFICAÇÃO ONE-CLASSK-MEANSECOOCCONE-CLASS CLASSICATIONPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABCOrientadora: Profa. Dra. Debora Maria Rossi de MedeirosDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, 2016.O crescente aumento da exploração do meio ambiente e da biodiversidade faz com que seja necessário preservar os recursos naturais para evitar escassez e reduzir os impactos ambientais. Utilizando dados de distribuição geográfica de espécies combinados com características ambientais e, é possível gerar modelos de distribuição geográfica de espécies. Esses modelos podem ser aplicados na solução de diversos problemas relacionados à manutenção da biodiversidade e preservação das espécies, por exemplo, como auxiliar na dentição de politicas publica e cenários para o uso sustentável do meio ambiente, estudar o potencial de crescimento e proliferação de espécies invasoras, e avaliar os impactos das mudanças climáticas na biodiversidade. Este trabalho propõe um método para a geração de modelos de distribuição de espécies através da aplicação de conceitos de aprendizado de maquina adaptados para a resolução de problemas de uma classe. Os modelos gerados possibilitam a localização de áreas com características similares ao habitat natural das espécies e, dessa forma, contribuem para a sua preservação. Para avaliar a sua acácia, o método proposto foi aplicado em uma base de dados real e algumas bases de Benchmark, e comparado com uma versão do algoritmo Suporta Vector Machies, para dados com uma única classe. O SVM é um dos algoritmos mais aplicados na modelagem de distribuição de espécies e esta disponível em algumas das soluções mais utilizados pelos pesquisadores da área, como o Openmodeller 1 e o Biodiversityr2, avaliação para outras situações, como bases de dados que incluam dados de ausência de espécies bases de dados com um maior numeram de exemplos, os resultados são promissores e indicam que o aprofundamento da pesquisa nessa área pode ter impacto relevante para a modelagem de distribuição de espécies, portanto oferece uma base solida para avaliação. Os resultados mostraram que o método proposto é vi Avel e competitivo. Em muitos casos, como para dados possíveis de serem separados linearmente, o novo método apresentou resultados superiores aos do SVM. Embora ainda seja necessário estender a sua avaliação para outras situações, como bases de dados que incluam dados de ausência de espécies e bases de dados com um maior numeram de exemplos, os resultados são promissores e indicam que o aprofundamento da pesquisa nessa área pode ter impacto relevante para a modelagem de distribuição de espécies.The increasing exploitation of the environment and biodiversity makes it necessary to preserve the natural resources to avoid scarcity and reduce environmental impacts. Using geographical species distribution data combined with environmental and ecological characteristics, geographical species distribution models can be generated. These models can be applied in solving various problems related to the maintenance of biodiversity and species conservation, such as an aid in the denition of public policies and scenarios for sustainable use of the environment, study the potential for growth and proliferation of invasive species, and assess the impacts of climate change on biodiversity. This work proposes a method for generating geographical species distribution models by applying Machine Learning concepts adapted to solving one-class problems. The generated models enable the identication of areas with similar characteristics to the natural habitat of the species and therefore contribute to its preservation. To evaluate its eectiveness, the proposed method was applied to a real database and some benchmark bases, and compared with a version of the Support Vector Machines algorithm, for one-class classication . The SVM is one of the most applied algorithms for species distribution modelling and is available in some of the solutions most used by researchers in this eld, such as openModeller 3 and BiodiversityR 4. Therefore, it provides a solid base for evaluation. The results showed that the proposed method is viable and competitive. In many cases, such as when the data can be linearly separable, the results obtained by applying the new method were better than those of SVM. Although additional research is necessary to evaluate the method in dierent situations, such as by using databases that include species absence data and databases with a large number of examples, the results are promising and indicate that further research in this area could have a relevant impact to the species distribution modelling technique.Medeiros, Debora Maria Rossi dePrati, Ronaldo CristianoBrandão, Anarosa Alves FrancoSalmazzo, Natália2016info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf78 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502&midiaext=72693http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502&midiaext=72694Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=102502porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2017-01-31T10:03:37Zoai:BDTD:102502Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2017-01-31T10:03:37Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
title Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
spellingShingle Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
Salmazzo, Natália
CLASSIFICAÇÃO ONE-CLASS
K-MEANS
ECOOCC
ONE-CLASS CLASSICATION
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
title_short Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
title_full Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
title_fullStr Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
title_full_unstemmed Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
title_sort Classificação One-Class para predição de adaptação de espécies em ambientes desconhecidos
author Salmazzo, Natália
author_facet Salmazzo, Natália
author_role author
dc.contributor.none.fl_str_mv Medeiros, Debora Maria Rossi de
Prati, Ronaldo Cristiano
Brandão, Anarosa Alves Franco
dc.contributor.author.fl_str_mv Salmazzo, Natália
dc.subject.por.fl_str_mv CLASSIFICAÇÃO ONE-CLASS
K-MEANS
ECOOCC
ONE-CLASS CLASSICATION
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
topic CLASSIFICAÇÃO ONE-CLASS
K-MEANS
ECOOCC
ONE-CLASS CLASSICATION
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
description Orientadora: Profa. Dra. Debora Maria Rossi de Medeiros
publishDate 2016
dc.date.none.fl_str_mv 2016
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502&midiaext=72693
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=102502&midiaext=72694
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=102502
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
78 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1813263939313598464

Registros relacionados