Aprendizado de máquina em aplicações de manejo florestal

• Ano de defesa: 2019
• Autor(a) principal: Souza, Guilherme Silverio Aquino de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Máquinas de vetor de suporte; Redes neurais (Computação); Algoritmos; Sensoriamento Remoto
• Link de acesso: https://locus.ufv.br//handle/123456789/27848

Os algoritmos de aprendizagem de máquina (machine learning), constituem algumas das técnicas de inteligência artificial capazes resolver problemas mais complexos e de relações não lineares entre variáveis. Esses algoritmos vêm ganhando espaço em aplicações florestais mostrando-se eficientes em diversas aplicações florestais, retornando ganhos de precisão e redução de custos de processos em empresas. Além das ANN, que acumulam já uma considerável quantidade de estudos em aplicações florestais, alguns outros algoritmos mostraram potencial para a melhoria da precisão e acurácia de trabalhos de modelagem, tais como regressão de vetor de suporte (SVR) e o random forest (RF). O objetivo do presente trabalho foi de comparar o desempenho dos algoritmos citados em algumas aplicações florestais, buscando entender o comportamento das predições bem como os melhores modelos para os casos estudados. O primeiro caso, primeiro capítulo, teve o objetivo de avaliar o desempenho de índices de vegetação óticos e radarmétricos, provindos dos sensores ALOS-AVNIR-2 e ALOS-PALSAR, respectivamente, para predição do volume de plantios de eucalipto usando os três algoritmos supracitados. Cinco principais índices contribuíram, em diferentes níveis para as predições de volume: NDVI e R (índices opticos), e Pt, VSI, BMI (índices radarmétricos), provando a complementariedade da informação de ambos sensores. RF foi o algoritmo mais apropriado, com um R² de 0.778 e RMSE de 11.561(4.578%). No segundo capítulo, investigou-se o uso dos algoritmos para a predição de diâmetros e alocação ótima de fustes árvores de eucalipto em toras para diferentes usos, comparando- os com equações de afilamento. A equação de Kozak (1988) e as ANN apresentaram as estimativas mais acuradas e desempenho similar. RF gerou estimativas inexatas, gerando curvas de perfil de árvores na forma de “degraus”. Em ambos estudos, os três algoritmos testados (ANN, SVR e RF) mostraram desempenho ou igual ou superior as abordagens convencionais. O RF se mostrou um algoritmo muito flexível para os casos de regressão, especialmente para a predição de volume por sensoriamento remoto. Entretanto os modelos gerados são limitados em predizer em uma amplitude e intervalo dado das mensurações das amostras. Para estimar o diâmetro no fuste, a não ser que mensurações sejam tomadas em intervalos menores e grandes amplitude de classes de tamanho de árvores amostras, o algoritmo RF se mostrou inapropriado. Os algoritmos SVR e ANN preservaram a continuidade das funções, mostrando-se apropriadas para estimativas fora do intervalo de mensuração, especialmente para o caso das funções de afilamento. Entre esses dois algoritmos, a ANN se mostrou muito mais flexível para lidar com a modelagem quantitativa (regressão), especialmente quando são envolvidas variáveis categóricas com muitos fatores (estratos e classes). Palavras-chave: Máquina de vetor de suporte. Redes Neurais (Computação). Algoritmos.