Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia

Detalhes bibliográficos
Autor(a) principal: Martins, João Felipe Cardozo, 1993-
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/69192
Resumo: Orientador: Prof. Dr. Alexandre Behling
id UFPR_31a04cd3356d454f8c56f95355305ea4
oai_identifier_str oai:acervodigital.ufpr.br:1884/69192
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Martins, João Felipe Cardozo, 1993-Pelissari, Allan Libanio, 1987-Ribeiro, RichardUniversidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia FlorestalBehling, Alexandre, 1987-2021-09-28T15:28:53Z2021-09-28T15:28:53Z2020https://hdl.handle.net/1884/69192Orientador: Prof. Dr. Alexandre BehlingCoorientador: Prof. Dr. Allan Libanio Pelissari e Prof. Dr. Richardson RibeiroDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Florestais, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 21/02/2020Inclui referências: p. 124-142Área de concentração: Manejo FlorestalResumo: O contexto deste trabalho visa modelar a biomassa total de árvores por meio de técnicas de aprendizagem de máquina utilizando a linguagem de programaçãoJulia. A importância em quantificar a biomassa nas árvores está associada aos cenários de fixação de carbono, ciclagem de nutrientes, fins energéticos e também para avaliação do crescimento da floresta; contudoquantificar a biomassa de uma floresta é um desafio para os profissionais da área florestal, dada as dificuldades em mensurar essa variável. Usualmente, a biomassa é estimada por meio de equações de regressão, mas outras técnicas têm sido empregadas com objetivo de obter estimadores mais acurados, entre elas, técnicas de aprendizado de máquina. Nessa direção, foram propostos os seguintes objetivos: i) Aplicar e avaliar técnicas e algoritmos de aprendizagem de máquina: redes neurais artificiais, máquinas de vetores de suporte, florestas aleatórias e k-vizinhos mais próximos na modelagem de biomassa da espécie acácia-negra; ii) Comparar o melhor resultado de aprendizagem de máquina com equações de regressão, considerada como a técnica testemunha; e iii) realizar as modelagens utilizando a linguagem de programaçãoJulia. Para tanto, foram utilizadas duas bases de dados da espécie acácia-negra, uma para treinamento composta por 670 árvores e outra para validação com 96 árvores. Na modelagem, a biomassa foi tratada como a variável dependente, sendo que o diâmetro à altura do peito, a altura total e a idade foram as variáveis independentes. Floresta aleatória foi a melhor técnica de aprendizagem de máquina para modelar a biomassa de árvores de acácia-negra. Essa técnica também apresentou maior capacidade para estimar a biomassa de árvores para novos dados, quando comparado com as equações de regressão, portanto, é recomendada. Outra contribuição desse trabalho foi explorar a linguagem de programação Julia, demostrando seu potencial em problemas da Ciência Florestal. Palavras-chave:ciência de dados; linguagens de programação; floresta aleatória; análise de regressão; acácia-negra.Abstract: The context of the present endeavor has the purpose of modeling Total Tree Biomass, by means of implementing Machine Learning Techniques, using the Programming Language referred to as, "Julia". The importance in quantifying Tree Biomass is associated with the following scenarios: carbon fixation, nutrient cycling, energy purposes and also for the evaluating of forest growth; however, achieving Forest Biomass Quantification is a challenge for professionals, who act in the realm of forestation, given the difficulties inherent in measuring this variable. Usually, Forest Biomass is estimated using regression related equations, but other techniques have come to the fore encumbering the minds of researchers, who have the goal of striving to obtain more accurate estimation techniques, among them being, Machine Learning techniques. In this regard, the following objectives have been proposed: i) implementing and evaluating techniques as well as Machine Learning algorithms: artificial neural networks, support vector machines, random forests and k-nearest neighbors, in the biomass modeling of the black acacia species; ii) Comparing Machine Learning best results with regression equations, which are considered as the baseline technique; and iii) Carrying out the modeling using the said Programming Language, Julia. Therefore; two databases have been used stemming from the black wattle species, one for training related purposes, consisting of 670 trees and another for validation purposes comprising 96 trees. In the modeling exercise, the Forest Biomass in question was treated as the dependent variable, while the Diameter at Breast Height (DBH), Total Height and Age were factored as the independent variables. The random forest was deemed as the best Machine Learning technique for the purposes of modeling the biomass of black wattle trees. The aforementioned technique also revealed a greater ability to ascertain the Tree Biomass for obtaining new data, when compared to regression related equation techniques and is; therefore, the recommended technique. Another contributing factor of this study was that it afforded exploration into the said Programming Language, Julia, by demonstrating the Former's potential for tackling the problems of Forest Science itself, having inherently high IT related costs, such as, in the case of implementing Machine Learning modeling techniques. Keywords: date science; programming languages; random forest; regression related analysis; black wattle142 p. : il. (algumas color.).application/pdfBiomassa florestalJulia (Linguagem de programação de computador)Florestas - Métodos estatísticosAcaciaFlorestas - MediçãoRecursos Florestais e Engenharia FlorestalMétodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Juliainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - JOAO FELIPE CARDOZO MARTINS.pdfapplication/pdf5456017https://acervodigital.ufpr.br/bitstream/1884/69192/1/R%20-%20D%20-%20JOAO%20FELIPE%20CARDOZO%20MARTINS.pdf061abae47fe1c3fb876988cf98e7ae19MD51open access1884/691922021-09-28 12:28:53.179open accessoai:acervodigital.ufpr.br:1884/69192Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-09-28T15:28:53Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
title Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
spellingShingle Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
Martins, João Felipe Cardozo, 1993-
Biomassa florestal
Julia (Linguagem de programação de computador)
Florestas - Métodos estatísticos
Acacia
Florestas - Medição
Recursos Florestais e Engenharia Florestal
title_short Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
title_full Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
title_fullStr Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
title_full_unstemmed Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
title_sort Métodos de aprendizagem de máquina aplicados na modelagem de biomassa de árvores usando a linguagem de programação Julia
author Martins, João Felipe Cardozo, 1993-
author_facet Martins, João Felipe Cardozo, 1993-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Pelissari, Allan Libanio, 1987-
Ribeiro, Richard
Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia Florestal
dc.contributor.author.fl_str_mv Martins, João Felipe Cardozo, 1993-
dc.contributor.advisor1.fl_str_mv Behling, Alexandre, 1987-
contributor_str_mv Behling, Alexandre, 1987-
dc.subject.por.fl_str_mv Biomassa florestal
Julia (Linguagem de programação de computador)
Florestas - Métodos estatísticos
Acacia
Florestas - Medição
Recursos Florestais e Engenharia Florestal
topic Biomassa florestal
Julia (Linguagem de programação de computador)
Florestas - Métodos estatísticos
Acacia
Florestas - Medição
Recursos Florestais e Engenharia Florestal
description Orientador: Prof. Dr. Alexandre Behling
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-09-28T15:28:53Z
dc.date.available.fl_str_mv 2021-09-28T15:28:53Z
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 https://hdl.handle.net/1884/69192
url https://hdl.handle.net/1884/69192
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 142 p. : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/69192/1/R%20-%20D%20-%20JOAO%20FELIPE%20CARDOZO%20MARTINS.pdf
bitstream.checksum.fl_str_mv 061abae47fe1c3fb876988cf98e7ae19
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860324035395584

Registros relacionados