Estimativa do Afilamento do Fuste de Araucária Utilizando Técnicas de Inteligência Artificial

Detalhes bibliográficos
Autor(a) principal: Martins,Ana Paula Marques
Data de Publicação: 2017
Outros Autores: Debastiani,Aline Bernarda, Pelissari,Allan Libanio, Machado,Sebastião do Amaral, Sanquetta,Carlos Roberto
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

Registros relacionados