Modelo misto e rede neural artificial para estimativas dendrométricas de árvores individuais

• Ano de defesa: 2018
• Autor(a) principal: Isaac Júnior, Marcos Antônio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras; Programa de Pós-Graduação em Engenharia Florestal; UFLA; brasil; Departamento de Ciências Florestais
• Palavras-chave em Português: Inteligência computacional; Modelos não lineares mistos; Sólido de revolução; Redes neurais artificiais; Computational intelligence; Nonlinear mixed models; Artificial neural networks; Recursos Florestais e Engenharia Florestal
• Link de acesso: http://repositorio.ufla.br/jspui/handle/1/29069

A carência de hardwares e softwares com alta capacidade de processamento era uma limitação para os ajustes de modelos de regressão mais complexos e inteligência computacional. Atualmente, é possível realizar esses ajustes e, com o passar dos anos, vem crescendo o uso de modelos não lineares mistos e redes neurais artificiais nas diversas áreas do conhecimento. Com o emprego desses novos métodos, é possível uma melhoria da exatidão das estimativas das variáveis florestais, auxiliando nas tomadas de decisão para o planejamento florestal. No primeiro artigo deste estudo foi feita uma revisão de literatura para compreender melhor estes métodos e a sua importância para a obtenção de melhores resultados. O segundo artigo utilizou a técnica de modelos não lineares mistos em multinível, com o objetivo de explicar a variação da altura de árvores individuais, em função de variáveis das árvores e do povoamento, e avaliar a qualidade dos ajustes para obtenção de sortimentos florestais. Por último, no artigo 3, fez-se uso das Redes Neurais Artificias e procurou -se demonstrar que as mesmas podem ser tratadas como modelos de regressão, sendo possível recuperar seus parâmetros, obter um modelo e estimar o volume do fuste por meio da integração da estimativa da altura em função do raio. Provou-se que é possível usar os dois métodos para melhorar as estimativas das variáveis florestais.