Aplicação de técnicas de aprendizado de máquina na mensuração florestal

Detalhes bibliográficos
Autor(a) principal: Montaño, Razer Anthom Nizer Rojas
Data de Publicação: 2016
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/45346
Resumo: Orientador : Prof. Dr. Eduardo Todt
id UFPR_f4369b49c9ddaae2a3c1e971ea6b110c
oai_identifier_str oai:acervodigital.ufpr.br:1884/45346
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Sanquetta, Carlos Roberto, 1964-Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaTodt, Eduardo, 1963-Montaño, Razer Anthom Nizer Rojas2024-02-09T18:05:33Z2024-02-09T18:05:33Z2016https://hdl.handle.net/1884/45346Orientador : Prof. Dr. Eduardo TodtCoorientador : Prof. Dr. Carlos SanquettaTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 25/11/2016Inclui referências : f. 76-84Área de concentração : Ciência da computaçãoResumo: Vive-se em um mundo onde a escassez de recursos naturais leva a um uso cada vez mais racional destes, seja água, recursos minerais, biológicos, hídricos e energéticos. Especificamente quando se trata de madeira, o homem evoluiu muito no manejo de florestas plantadas, aplicando técnicas de cultivo e planejamento de corte para a exploração. Estas técnicas fazem uso da mensuração florestal para medição e estimação de valores dendrométricos importantes, como altura, volume e biomassa. A estimativa de valores dendrométricos é de extrema importância, pois não é viável o abate de toda uma população para que sejam observados os exatos valores. Assim, pesquisadores fazem uso de ferramentas estatísticas em mensuração florestal há anos, com bastante sucesso em suas estimações. Recentemente, com o avanço da área da inteligência artificial, técnicas de aprendizado de máquina têm se mostrado também capazes de competir com os métodos estatísticos de regressão, abrindo assim um leque de opções aos pesquisadores. Inserido neste contexto, o objetivo deste trabalho é aplicar técnicas de aprendizado de máquina para resolução de problemas de mensuração florestal, mostrando também que este se encaixa como um processo de descoberta de conhecimento, inserido na área da Ciência da Computação. Foram realizados experimentos com dados de árvores de Acácia-negra para avaliação de biomassa e relação hipsométrica, Pinus para estimativa de volumes e relação hipsométrica, e com uma amostra de árvores de florestas tropicais de várias regiões do mundo, para estimativa de biomassa. Compararam-se modelos alométricos clássicos com Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (SVM) e Random Forest (RF), e em todos os testes realizados o modelo que obteve melhor correlação é uma técnica de aprendizado de máquina. Para a predição de volumes de Pinus, o melhor modelo foi SVM com correlação de 99,19%. Para estimativa de biomassa da Acácia-negra, SVM obteve a melhor correlação com 98,6%. Para estimativa de biomassa de florestas tropicais, o melhor modelo foi RNA com correlação de 98,06%. Para relação hipsométrica da Acácia-negra, o modelo de SVM obteve a melhor correlação, de 97,73%. Já para relação hipsométrica de Pinus, o modelo de melhor predição foi RNA com correlação de 98,02%. O teste de Friedman mostrou a presença de diferença estatística entre os métodos e, embora o pós-teste de Nemenyi não tenha conseguido evidenciá-la, foi detectada uma tendência a uma separação entre os métodos. Os resultados obtidos mostram fortemente que os modelos de aprendizado de máquina são uma alternativa competitiva frente aos métodos clássicos, superando-os nos experimentos aqui realizados.Abstract: We live in a world where scarcity of natural resources leads to an increasing rational use of these resources, like water, minerals, biological or energetical. Specifically wood, man evolved much in the management of planted forests by applying cultivation techniques and cutting planning for exploration. These techniques make use of forest measurement to estimation of important dendrometric values such as height, volume and biomass. The estimation of dendrometric values is extremely important because is not feasible to cut down the whole population to note the exact values. Thus, researchers make use of statistical tools for measuring forest for years with success in their estimates. Recently, with the advancement of artificial intelligence, machine learning techniques have been able to compete with the statistical regression methods, thereby opening a range of options to researchers. Within this context, the objective of this work is to use machine learning techniques to resolution of forest measurement problems, showing that this is a process of knowledge discovery, from the area of Computer Science. Experiments were performed with data of Acacia-negra trees for evaluation of biomass and hypsometric relation, Pinus to estimate volumes and hypsometric relation, and with a sample of tropical forest trees of various regions to estimate biomass. Classical allometric models were compared with Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Random Forest (RF), and in all tests the model that obtained the best correlation was a machine learning technique. For the prediction of Pinus volumes, the best model was SVM with correlation of 99.19 %. To estimate Acacia-negra biomass, SVM showed the best correlation with 98.6 %. To estimate biomass of tropical forest trees, the best model was RNA with a correlation of 98.06 %. For hypsometric relation of Acacia-negra, the SVM model obtained the best correlation, of 97.73 %. As for the hypsometric relation of Pinus, the best prediction model was RNA with a correlation of 98.02The Friedman test showed the presence of statistical difference between the methods and, although the Nemenyi post-hoc test was not able to show it, it was detectecd a tendency towards a separation of methods. The results obtained strongly show that machine learning models are a competitive alternative in comparison to the classical methods, surpassing them in the experiments carried out here.86 p. : il.application/pdfDisponível em formato digitalCiência da computaçãoLevantamentos florestaisRedes neurais (Computação)Inteligência artificialAplicação de técnicas de aprendizado de máquina na mensuração florestalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - RAZER ANTHOM NIZER ROJAS MONTANO.pdfapplication/pdf16995879https://acervodigital.ufpr.br/bitstream/1884/45346/1/R%20-%20T%20-%20RAZER%20ANTHOM%20NIZER%20ROJAS%20MONTANO.pdf6368d4f8538d984c76b9c71a79d6b93cMD51open access1884/453462024-02-09 15:05:33.648open accessoai:acervodigital.ufpr.br:1884/45346Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-02-09T18:05:33Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Aplicação de técnicas de aprendizado de máquina na mensuração florestal
title Aplicação de técnicas de aprendizado de máquina na mensuração florestal
spellingShingle Aplicação de técnicas de aprendizado de máquina na mensuração florestal
Montaño, Razer Anthom Nizer Rojas
Ciência da computação
Levantamentos florestais
Redes neurais (Computação)
Inteligência artificial
title_short Aplicação de técnicas de aprendizado de máquina na mensuração florestal
title_full Aplicação de técnicas de aprendizado de máquina na mensuração florestal
title_fullStr Aplicação de técnicas de aprendizado de máquina na mensuração florestal
title_full_unstemmed Aplicação de técnicas de aprendizado de máquina na mensuração florestal
title_sort Aplicação de técnicas de aprendizado de máquina na mensuração florestal
author Montaño, Razer Anthom Nizer Rojas
author_facet Montaño, Razer Anthom Nizer Rojas
author_role author
dc.contributor.other.pt_BR.fl_str_mv Sanquetta, Carlos Roberto, 1964-
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Todt, Eduardo, 1963-
dc.contributor.author.fl_str_mv Montaño, Razer Anthom Nizer Rojas
contributor_str_mv Todt, Eduardo, 1963-
dc.subject.por.fl_str_mv Ciência da computação
Levantamentos florestais
Redes neurais (Computação)
Inteligência artificial
topic Ciência da computação
Levantamentos florestais
Redes neurais (Computação)
Inteligência artificial
description Orientador : Prof. Dr. Eduardo Todt
publishDate 2016
dc.date.issued.fl_str_mv 2016
dc.date.accessioned.fl_str_mv 2024-02-09T18:05:33Z
dc.date.available.fl_str_mv 2024-02-09T18:05:33Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/45346
url https://hdl.handle.net/1884/45346
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 86 p. : il.
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/1884/45346/1/R%20-%20T%20-%20RAZER%20ANTHOM%20NIZER%20ROJAS%20MONTANO.pdf
bitstream.checksum.fl_str_mv 6368d4f8538d984c76b9c71a79d6b93c
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_ 1801860760946606080

Registros relacionados