Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Silva, Diogo Ceddia Porto |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://app.uff.br/riuff/handle/1/29029
|
Resumo: |
A presente dissertação apresenta diversas aplicações do aprendizado de máquina para aperfeiçoar técnicas de mapeamento do fundo marinho. Inicialmente, é feita uma revisão das metodologias tradicionais de mapeamento do fundo marinho na Baía Rei George, Ilhas Shetland do Sul, Antártida. Nesta etapa foi mostrado que diferentes informações relativas ao leito marinho (profundidade, backscatter, declividade do fundo, etc) são predominantemente independentes entre si. Tal informação foi base para aplicação do modelo de aprendizado de máquina XGBoost, utilizado para: extrapolar classificação de ecocaráteres, inicialmente disposta em linhas, para uma superfície; demonstrar que o modelo pode oferecer resultados preliminares sobre a ecocaracterização da área, havendo somente interpretação parcial advinda do especialista; e, por último, demonstrar que o modelo é uma alternativa viável para realizar predição em secções do dado difíceis de classificar, seja devido à regiões transicionais de eco-tipos ou limitações da própria aquisição do dado, que dificultam a interpretação. Ao fim, foram evidenciadas aplicações de aprendizado de máquina de baixo custo computacional, aplicabilidade doméstica e acurácias balanceadas de até 99% na aplicação do modelo, demonstrando o potencial imenso que essa ferramenta pode proporcionar. |
