APRENDIZADO DE MÁQUINA E REGRESSÃO LINEAR NA ESTIMATIVA DO VOLUME DE Eucalyptus NA AMAZÔNIA ORIENTAL
Resumo
O crescimento da área florestada trouxe a necessidade de aprimorar técnicas que proporcionem estimativas mais precisas e acuradas do volume de árvores individuais. Neste contexto, técnicas de aprendizagem de máquina foram aplicadas para este fim, contudo, ainda não foi testado o uso combinado dessas técnicas (Ensemble). Assim, a hipótese deste estudo é que o Ensemble proporciona estimativas mais precisas e acuradas do volume que os métodos convencionais de estimativa e aprendizado de máquina isoladamente. Com isso, objetivou-se avaliar a estimativa do volume individual do Eucalyptus spp. utilizando técnicas isoladas e conjuntas de aprendizado de máquina. O estudo foi realizado em duas fazendas em Paragominas, Pará. Foram cubadas 90 árvores, distribuídas em 4 clones, com 6 anos idade e 1.111 indivíduos.ha-1. Utilizaram-se 70% das árvores para o ajuste e 30% para a validação. Aplicaram-se quatro métodos distintos de estimação: regressão linear (Modelo de Schumacher-Hall), máquinas de vetores de suporte (SVM), redes neurais artificiais (RNA) e Ensemble (SVM, RNA e modelos lineares generalizados - GLM) com distribuição gaussiana). O Ensemble resultou em maior coeficiente de determinação, enquanto a RNA no menor. O erro padrão da estimativa variou entre 8,21 % e 12,99 %, para as técnicas Ensemble e RNA, respectivamente. Os modelos preditivos apresentaram generalização acurada e precisa, com RMSE entre 7,01 % e 13,17 %. Schumacher-Hall e Ensemble apresentaram leve tendência em subestimar o volume, já SVM e RNA superestimaram. Os modelos de Schumacher-Hall e Ensemble foram os mais precisos e acurados à predição do volume para os dados utilizados.
Palavras-chave
Texto completo:
PDFDOI: http://dx.doi.org/10.5380/biofix.v6i1.75092
Apontamentos
- Não há apontamentos.

Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.
BIOFIX Scientific Journal. ISSN Eletrônico (e-ISSN): 2525-9725
SJIF 2017 (Scientific Journal Impact Factor): 4.978
Index Copernicus Value (ICV) 2019: 51.65
Indexado em (Indexed on):
Biblioteca Virtual de Biotecnología para las Américas, HsH - Bibliothek, SJIFactor
Todos os conteúdos desta revista estão licenciados sob uma Licença Internacional Creative Commons 4.0 (CC BY 4.0)
All the contents of this journal is licensed under a Creative Commons 4.0 Internacional License (CC BY 4.0)