Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers

Detalhes bibliográficos
Autor(a) principal: Araújo Júnior, Carlos Alberto
Data de Publicação: 2019
Outros Autores: Souza, Pábulo Diogo de, Assis, Adriana Leandra de, Cabacinha, Christian Dias, Leite, Helio Garcia, Soares, Carlos Pedro Boechat, Silva, Antonilmar Araújo Lopes da, Castro, Renato Vinícius Oliveira
Tipo de documento: Artigo
Idioma: eng
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: http://dx.doi.org/10.1590/s1678-3921.pab2019.v54.00078
https://locus.ufv.br//handle/123456789/26466
Resumo: O objetivo deste trabalho foi comparar métodos para obtenção do índice de sítio para povoamentos de eucalipto (Eucalyptus spp.), bem como avaliar seus impactos na estabilidade desse índice em bases de dados com e sem a presença de “outliers”. Foram testados três métodos, com uso de regressão linear, regressão quantílica e rede neural artificial. Foram utilizadas 22 parcelas permanentes de inventário florestal contínuo, medidas em árvores com idade de 23 a 83 meses. Os outliers foram identificados com uso de gráfico de boxplot. A rede neural artificial proporcionou melhores resultados que as regressões linear e quantílica, tanto para as estimativas de altura dominante quanto do índice de sítio. A estabilidade da classificação do índice de sítio obtida pela rede neural artificial também foi melhor que a obtida com os outros métodos, independentemente da presença ou da ausência de outliers na base de dados. Isso indica que a rede neural artificial é uma técnica sólida de modelagem na presença de outliers. Quando a causa da presença de outliers na base de dados não é conhecida, eles podem ser mantidos nela se técnicas como as de redes neurais artificiais ou de regressão quantílica forem utilizadas.
id UFV_442480641c88f1870f9357137e918a30
oai_identifier_str oai:locus.ufv.br:123456789/26466
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Araújo Júnior, Carlos AlbertoSouza, Pábulo Diogo deAssis, Adriana Leandra deCabacinha, Christian DiasLeite, Helio GarciaSoares, Carlos Pedro BoechatSilva, Antonilmar Araújo Lopes daCastro, Renato Vinícius Oliveira2019-08-05T14:53:33Z2019-08-05T14:53:33Z20191678-3921http://dx.doi.org/10.1590/s1678-3921.pab2019.v54.00078https://locus.ufv.br//handle/123456789/26466O objetivo deste trabalho foi comparar métodos para obtenção do índice de sítio para povoamentos de eucalipto (Eucalyptus spp.), bem como avaliar seus impactos na estabilidade desse índice em bases de dados com e sem a presença de “outliers”. Foram testados três métodos, com uso de regressão linear, regressão quantílica e rede neural artificial. Foram utilizadas 22 parcelas permanentes de inventário florestal contínuo, medidas em árvores com idade de 23 a 83 meses. Os outliers foram identificados com uso de gráfico de boxplot. A rede neural artificial proporcionou melhores resultados que as regressões linear e quantílica, tanto para as estimativas de altura dominante quanto do índice de sítio. A estabilidade da classificação do índice de sítio obtida pela rede neural artificial também foi melhor que a obtida com os outros métodos, independentemente da presença ou da ausência de outliers na base de dados. Isso indica que a rede neural artificial é uma técnica sólida de modelagem na presença de outliers. Quando a causa da presença de outliers na base de dados não é conhecida, eles podem ser mantidos nela se técnicas como as de redes neurais artificiais ou de regressão quantílica forem utilizadas.The objective of this work was to compare methods of obtaining the site index for eucalyptus (Eucalyptus spp.) stands, as well as to evaluate their impact on the stability of this index in databases with and without outliers. Three methods were tested, using linear regression, quantile regression, and artificial neural network. Twenty-two permanent plots from a continuous forest inventory were used, measured in trees with ages from 23 to 83 months. The outliers were identified using a boxplot graphic. The artificial neural network showed better results than the linear and quantile regressions, both for dominant height and site index estimates. The stability obtained for the site index classification by the artificial neural network was also better than the one obtained by the other methods, regardless of the presence or the absence of outliers in the database. This shows that the artificial neural network is a solid modelling technique in the presence of outliers. When the cause of the presence of outliers in the database is not known, they can be kept in it if techniques as artificial neural networks or quantile regression are used.engPesquisa Agropecuária Brasileirav. 54, e00078, p. 1- 8, 2019EucalyptusArtificial intelligenceDominant heightForest inventoryForest modellingNon- sampling errorsInteligência artificialAltura dominanteInventário florestalModelagem florestalErros não amostraisArtificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliersinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALartigo.pdfartigo.pdftexto completoapplication/pdf636338https://locus.ufv.br//bitstream/123456789/26466/1/artigo.pdf9e92c519590427ca63369b402d769c83MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/26466/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/264662019-08-05 11:54:35.141oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452019-08-05T14:54:35LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.en.fl_str_mv Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
title Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
spellingShingle Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
Araújo Júnior, Carlos Alberto
Eucalyptus
Artificial intelligence
Dominant height
Forest inventory
Forest modelling
Non- sampling errors
Inteligência artificial
Altura dominante
Inventário florestal
Modelagem florestal
Erros não amostrais
title_short Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
title_full Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
title_fullStr Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
title_full_unstemmed Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
title_sort Artificial neural networks, quantile regression, and linear regression for site index prediction in the presence of outliers
author Araújo Júnior, Carlos Alberto
author_facet Araújo Júnior, Carlos Alberto
Souza, Pábulo Diogo de
Assis, Adriana Leandra de
Cabacinha, Christian Dias
Leite, Helio Garcia
Soares, Carlos Pedro Boechat
Silva, Antonilmar Araújo Lopes da
Castro, Renato Vinícius Oliveira
author_role author
author2 Souza, Pábulo Diogo de
Assis, Adriana Leandra de
Cabacinha, Christian Dias
Leite, Helio Garcia
Soares, Carlos Pedro Boechat
Silva, Antonilmar Araújo Lopes da
Castro, Renato Vinícius Oliveira
author2_role author
author
author
author
author
author
author
dc.contributor.author.fl_str_mv Araújo Júnior, Carlos Alberto
Souza, Pábulo Diogo de
Assis, Adriana Leandra de
Cabacinha, Christian Dias
Leite, Helio Garcia
Soares, Carlos Pedro Boechat
Silva, Antonilmar Araújo Lopes da
Castro, Renato Vinícius Oliveira
dc.subject.pt-BR.fl_str_mv Eucalyptus
Artificial intelligence
Dominant height
Forest inventory
Forest modelling
Non- sampling errors
Inteligência artificial
Altura dominante
Inventário florestal
Modelagem florestal
Erros não amostrais
topic Eucalyptus
Artificial intelligence
Dominant height
Forest inventory
Forest modelling
Non- sampling errors
Inteligência artificial
Altura dominante
Inventário florestal
Modelagem florestal
Erros não amostrais
description O objetivo deste trabalho foi comparar métodos para obtenção do índice de sítio para povoamentos de eucalipto (Eucalyptus spp.), bem como avaliar seus impactos na estabilidade desse índice em bases de dados com e sem a presença de “outliers”. Foram testados três métodos, com uso de regressão linear, regressão quantílica e rede neural artificial. Foram utilizadas 22 parcelas permanentes de inventário florestal contínuo, medidas em árvores com idade de 23 a 83 meses. Os outliers foram identificados com uso de gráfico de boxplot. A rede neural artificial proporcionou melhores resultados que as regressões linear e quantílica, tanto para as estimativas de altura dominante quanto do índice de sítio. A estabilidade da classificação do índice de sítio obtida pela rede neural artificial também foi melhor que a obtida com os outros métodos, independentemente da presença ou da ausência de outliers na base de dados. Isso indica que a rede neural artificial é uma técnica sólida de modelagem na presença de outliers. Quando a causa da presença de outliers na base de dados não é conhecida, eles podem ser mantidos nela se técnicas como as de redes neurais artificiais ou de regressão quantílica forem utilizadas.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-08-05T14:53:33Z
dc.date.available.fl_str_mv 2019-08-05T14:53:33Z
dc.date.issued.fl_str_mv 2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://dx.doi.org/10.1590/s1678-3921.pab2019.v54.00078
https://locus.ufv.br//handle/123456789/26466
dc.identifier.issn.none.fl_str_mv 1678-3921
identifier_str_mv 1678-3921
url http://dx.doi.org/10.1590/s1678-3921.pab2019.v54.00078
https://locus.ufv.br//handle/123456789/26466
dc.language.iso.fl_str_mv eng
language eng
dc.relation.ispartofseries.pt-BR.fl_str_mv v. 54, e00078, p. 1- 8, 2019
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Pesquisa Agropecuária Brasileira
publisher.none.fl_str_mv Pesquisa Agropecuária Brasileira
dc.source.none.fl_str_mv reponame:LOCUS Repositório Institucional da UFV
instname:Universidade Federal de Viçosa (UFV)
instacron:UFV
instname_str Universidade Federal de Viçosa (UFV)
instacron_str UFV
institution UFV
reponame_str LOCUS Repositório Institucional da UFV
collection LOCUS Repositório Institucional da UFV
bitstream.url.fl_str_mv https://locus.ufv.br//bitstream/123456789/26466/1/artigo.pdf
https://locus.ufv.br//bitstream/123456789/26466/2/license.txt
bitstream.checksum.fl_str_mv 9e92c519590427ca63369b402d769c83
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)
repository.mail.fl_str_mv fabiojreis@ufv.br
_version_ 1801213058021851136

Registros relacionados