Eficiência preditiva de características de qualidade da madeira de Eucalyptus com abordagens de Machine Learning aplicadas a dados NIR
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Viçosa
Genética e Melhoramento |
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: | https://locus.ufv.br//handle/123456789/31497 https://doi.org/10.47328/ufvbbt.2022.544 |
Resumo: | A qualidade da madeira é uma das características decisivas na recomendação de clones nos programas de melhoramento de eucaliptos. Essa informação mensurada de forma acurada e precoce, auxilia nas decisões do melhorista e aumenta as chances de obter clones superiores. A mensuração dessa característica no gênero Eucalyptus é laboriosa, requer vários dias para determinação em laboratório, é um processo caro, aplicado em um número restrito de indivíduos e, muitas das vezes, demanda a perda total dos indivíduos amostrados. Para contornar essas dificuldades, a técnica de espectroscopia no infravermelho próximo tem sido uma alternativa que possibilita a predição dessas características da associação de comprimentos de ondas e as características avaliadas em laboratório. O principal método usado para predição é o dos mínimos quadrados parciais ou PLS (Partial Least Squares) que, apesar de eficiente para algumas características, ainda se mostra limitante no que se refere à acurácia preditiva, sendo necessário testar novas metodologias de predição. Além disso, os métodos de pré-tratamentos usados para limpeza dos dados espectrais são poucos difundidos, gerando muitas dúvidas de qual é o melhor a se usar. O objetivo desse trabalho foi avaliar a importância do uso de pré-tratamento na predição de características tecnológicas da madeira e testar metodologias de Machine Learning na predição dessas características, com base em informações de NIR (Near Infrared Spectroscopy), para fins de seleção indireta de indivíduos de Eucalyptus. O material para as análises foi composto por 75 indivíduos de E. benthamii 3 de E. saligna, 3 de E. grandis e 3 de E. dunnii, totalizando 87 indivíduos escolhidos por critérios industriais. Para avaliação dos pré-tratamentos e modelos de predição, foram usadas 11 características obtidas por análises laboratoriais. Para a avaliação da importância dos pré-tratamento, usou-se 15 métodos de pré-tratamentos, sendo que alguns apresentam parâmetros variáveis, totalizando 199 possibilidades. Para os modelos de predição, foram testadas 4 metodologias de Machine Learning (Árvores de decisão, Floresta Aleatória, bagging e boosting) e comparadas ao PLS em diferentes cenários (no mesmo background genético, usando diferentes background com os dados pré-tratados e sem pré-tratamento). A avaliação de pré-tratamento para fins de ajustes de modelos para predição foi indispensável via PLS. Diferentes técnicas de pré- tratamentos se mostram eficientes, considerando informações de diferentes características na população de E. benthamii, sendo recomendável estudos prévios para adequação do melhor pré-tratamento. O uso do pré-tratamento envolvendo técnicas de segunda derivada com gap se destacou no conjunto de dados analisados e deve ser enfatizado como uma alternativa vantajosa em estudos de ajuste de modelo. No estudo de predição, conclui-se que diferentes características se identificam com diferentes abordagens e que o procedimento PLS é uma opção de análise a ser considerada, mas seu generalizado não é recomendado, sendo que outras opções podem apresentar resultados comparativamente superiores. O background considerado nos conjuntos de dados de treinamento e validação influenciam os resultados. Validar conjuntos de mesmo background conduz a resultados de eficiência de predição mais elevados. Palavras-chave: Eucalyptus. Aprendizado de Máquina. Qualidade da Madeira. Melhoramento Genético. |