Performance da modelagem para classificação de sítios florestais em bases de dados com outliers

• Autor(a) principal: Pábulo Diogo de Souza
• Data de Publicação: 2021
• Outros Autores: Carlos Alberto Araújo Júnior, Christian Dias Cabacinha, Leandro Silva de Oliveira, Celso Dotta Lopes Júnior, Wellington de Almeida
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: https://doi.org/10.31413/nativa.v9i1.11202; http://hdl.handle.net/1843/51539; https://orcid.org/0000-0002-2446-8041; https://orcid.org/0000-0003-0909-8633; https://orcid.org/0000-0002-8148-083X; https://orcid.org/0000-0003-0800-5001; https://orcid.org/0000-0003-4268-4458; https://orcid.org/0000-0002-1259-3961
• topic: Levantamentos florestais; Modelos lineares (Estatística); Redes neurais (Computação)

As informações utilizadas para estimativa da capacidade produtiva de sítios florestais provêm de bases de dados de inventário florestal que podem conter observações discrepantes (outliers). Assim, torna-se necessário a análise de consistência para exclusão destes. Porém, os outliers podem representar determinado padrão de crescimento existente na floresta, logo a exclusão destes pode ser uma ação equivocada. Objetivou-se comparar a performance de diferentes técnicas de modelagem para classificação de sítios florestais, considerando uma base de dados com a presença de outliers. Utilizou-se pares de dados de idade e altura dominante (HD) de parcelas permanentes de Eucalyptus urophyla x Eucalyptus grandis localizadas no norte de Minas Gerais. Foi simulado um outlier de HD. A base de dados foi modelada, com e sem presença de outliers, por regressão linear (RL) e redes neurais artificiais Multilayer Perceptron (MLP) e Radial Basis Function (RBF). Os métodos foram analisados por meio dos critérios estatísticos de precisão: bias, raiz quadrada do erro médio, correlação de Pearson, erro médio percentual e gráfico de dispersão residual. A MLP foi superior para estimativa do índice de sítio. Portanto, a MLP é indicada para classificação de sítios florestais quando há presença de outliers na base de dados.