Regressão e deep learning aplicados em modelagem de árvore individual para eucalipto

• Ano de defesa: 2021
• Autor(a) principal: Santos, Débora Evelyn Christo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Florestas - Manejo; Aprendizado profundo; Redes neurais (Computação); Manejo Florestal
• Link de acesso: https://locus.ufv.br//handle/123456789/28632; https://doi.org/10.47328/ufvbbt.2021.033

Neste estudo avaliamos a eficiência do emprego de redes neurais, convencionais e profundas (deep learning), em relação ao emprego de regressão, para projetar diâmetro (dap), altura total (Ht) e sobrevivência (N) em povoamentos de eucalipto. O estudo foi conduzido com dados de parcelas permanentes de inventários florestais contínuos de povoamentos de eucalipto localizados no estado de Minas Gerais. Para o processamento dos dados com uso de regressões e redes neurais convencionais utilizamos o software Statistica 12 e para redes profundas o software R. Os dados foram preliminarmente separados para treinamento (50%) e validação (50%) utilizando um algoritmo genético implementado no software Select2.0. A eficiência relativa dos dois métodos de aprendizado de máquinas, em relação às regressões, foi feita com base nas estatísticas: coeficiente de correlação linear entre valores observados e correspondentes valores estimados ou preditos (r ŷy ), viés (bias) e raiz quadrada do erro quadrático médio (RQEM). Foi utilizada, de modo complementar, a análise gráfica dos erros relativos (ER%), a análise da relação entre valores observados e estimados e a distribuição de frequência de ER%. Os resultados das modelagens foram eficientes, as Rna convencional e profunda apresentaram melhores desempenhos estatísticos comparada a regressão para estimativa de dap 2 , Ht 2 e N 2 . Concluiu-se que os métodos de aprendizagem de máquina utilizados são eficientes e aumentam a exatidão das estimativas de diâmetro e altura de árvores na modelagem de árvore individual. Palavras-chave: Aprendizagem profunda. Manejo Florestal. Redes neurais artificiais.