Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Floresta e Ambiente |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-80872017000100152 |
Resumo: | RESUMO O objetivo deste estudo foi comparar o desempenho de técnicas de inteligência artificial com funções de afilamento e avaliar a contribuição da idade nessa estimativa. O conjunto de dados foi composto por 135 observações, abrangendo as idades de 6, 12, 18, 24 e 43 anos de um povoamento de Araucaria angustifolia. As funções de afilamento ajustadas foram Kozak modificado, Schöepfer, Hradetzky e Garay. Os modelos de inteligência artificial utilizados foram: RNA e árvore modelo (M5P). Os vetores de entrada foram as mesmas variáveis utilizadas nas equações de afilamento e também o mesmo arranjo com a adição da idade. Foram utilizados 70% dos dados para ajuste e 30% para validação. A função de afilamento de Hradetzky forneceu o melhor ajuste. Dentre os modelos avaliados, a RNA propiciou as melhores estimativas, com destaque para a RNA com adição da variável idade. O desempenho da M5P foi satisfatório, porém, inferior às demais técnicas utilizadas. |
id |
UFRJ-3_26aebf91887b9e1a4e0fa6d48ccc236a |
---|---|
oai_identifier_str |
oai:scielo:S2179-80872017000100152 |
network_acronym_str |
UFRJ-3 |
network_name_str |
Floresta e Ambiente |
repository_id_str |
|
spelling |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificialfunção de afilamentoM5Pmulti layer perceptronRESUMO O objetivo deste estudo foi comparar o desempenho de técnicas de inteligência artificial com funções de afilamento e avaliar a contribuição da idade nessa estimativa. O conjunto de dados foi composto por 135 observações, abrangendo as idades de 6, 12, 18, 24 e 43 anos de um povoamento de Araucaria angustifolia. As funções de afilamento ajustadas foram Kozak modificado, Schöepfer, Hradetzky e Garay. Os modelos de inteligência artificial utilizados foram: RNA e árvore modelo (M5P). Os vetores de entrada foram as mesmas variáveis utilizadas nas equações de afilamento e também o mesmo arranjo com a adição da idade. Foram utilizados 70% dos dados para ajuste e 30% para validação. A função de afilamento de Hradetzky forneceu o melhor ajuste. Dentre os modelos avaliados, a RNA propiciou as melhores estimativas, com destaque para a RNA com adição da variável idade. O desempenho da M5P foi satisfatório, porém, inferior às demais técnicas utilizadas.Instituto de Florestas da Universidade Federal Rural do Rio de Janeiro2017-01-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-80872017000100152Floresta e Ambiente v.24 2017reponame:Floresta e Ambienteinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ10.1590/2179-8087.023416info:eu-repo/semantics/openAccessMartins,Ana Paula MarquesDebastiani,Aline BernardaPelissari,Allan LibanioMachado,Sebastião do AmaralSanquetta,Carlos Robertopor2017-05-04T00:00:00Zoai:scielo:S2179-80872017000100152Revistahttps://www.floram.org/PUBhttps://old.scielo.br/oai/scielo-oai.phpfloramjournal@gmail.com||floram@ufrrj.br||2179-80871415-0980opendoar:2017-05-04T00:00Floresta e Ambiente - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.none.fl_str_mv |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
title |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
spellingShingle |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial Martins,Ana Paula Marques função de afilamento M5P multi layer perceptron |
title_short |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
title_full |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
title_fullStr |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
title_full_unstemmed |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
title_sort |
Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial |
author |
Martins,Ana Paula Marques |
author_facet |
Martins,Ana Paula Marques Debastiani,Aline Bernarda Pelissari,Allan Libanio Machado,Sebastião do Amaral Sanquetta,Carlos Roberto |
author_role |
author |
author2 |
Debastiani,Aline Bernarda Pelissari,Allan Libanio Machado,Sebastião do Amaral Sanquetta,Carlos Roberto |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
Martins,Ana Paula Marques Debastiani,Aline Bernarda Pelissari,Allan Libanio Machado,Sebastião do Amaral Sanquetta,Carlos Roberto |
dc.subject.por.fl_str_mv |
função de afilamento M5P multi layer perceptron |
topic |
função de afilamento M5P multi layer perceptron |
description |
RESUMO O objetivo deste estudo foi comparar o desempenho de técnicas de inteligência artificial com funções de afilamento e avaliar a contribuição da idade nessa estimativa. O conjunto de dados foi composto por 135 observações, abrangendo as idades de 6, 12, 18, 24 e 43 anos de um povoamento de Araucaria angustifolia. As funções de afilamento ajustadas foram Kozak modificado, Schöepfer, Hradetzky e Garay. Os modelos de inteligência artificial utilizados foram: RNA e árvore modelo (M5P). Os vetores de entrada foram as mesmas variáveis utilizadas nas equações de afilamento e também o mesmo arranjo com a adição da idade. Foram utilizados 70% dos dados para ajuste e 30% para validação. A função de afilamento de Hradetzky forneceu o melhor ajuste. Dentre os modelos avaliados, a RNA propiciou as melhores estimativas, com destaque para a RNA com adição da variável idade. O desempenho da M5P foi satisfatório, porém, inferior às demais técnicas utilizadas. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-01-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-80872017000100152 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-80872017000100152 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/2179-8087.023416 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Instituto de Florestas da Universidade Federal Rural do Rio de Janeiro |
publisher.none.fl_str_mv |
Instituto de Florestas da Universidade Federal Rural do Rio de Janeiro |
dc.source.none.fl_str_mv |
Floresta e Ambiente v.24 2017 reponame:Floresta e Ambiente instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Floresta e Ambiente |
collection |
Floresta e Ambiente |
repository.name.fl_str_mv |
Floresta e Ambiente - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
floramjournal@gmail.com||floram@ufrrj.br|| |
_version_ |
1750128141678936064 |