Navegando por Autor "Souza, Guilherme Silverio Aquino de"
Agora exibindo 1 - 3 de 3
- Resultados por Página
- Opções de Ordenação
Item Aprendizado de máquina em aplicações de manejo florestal(Universidade Federal de Viçosa, 2019-09-16) Souza, Guilherme Silverio Aquino de; Gleriani, José Marinaldo; http://lattes.cnpq.br/1638183020358550Os 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.Item Evaluation of non-linear taper equations for predicting the diameter of eucalyptus trees(Revista Árvore, 2018-03-29) Souza, Guilherme Silverio Aquino de; Cosenza, Diogo Nepomuceno; Araújo, Ana Carolina da Silva Cardoso; Pimenta, Lucas Veiga Ayres; Souza, Ramon Barreto; Almeida, Filipe Monteiro; Leite, Helio GarciaThis study aims to evaluate non-linear stem taper models for predicting the pre-commercial diameter of eucalyptus trees and to analyze the effect of genotype on stem taper. The treatments comprise three different genotypes of Eucalyptus sp. in a 3 × 3 m plantation spacing. Seventy sample trees aged 10 years were felled for each treatment. The outside bark diameter measurements were taken at 0.5 m; 1.0 m; 1.5 m; 2.0 m, and then at intervals of 2.0 m till the top of the stem. Four non-linear models were evaluated, namely, the sigmoid model of Garay (1979), the variable exponent model of Kozak (1988), the segmented model of Max and Burkhart (1976), and the compatible model of Demaerschalk (1972). The performance of the models was assessed using the following statistical validation methods: correlation coefficient, standard error of estimate, mean bias, bias variance, root mean squared error, and mean absolute deviation. Graphical analysis of residues was used to evaluate the accuracy and precision of the estimates. Compared with other models, the variable exponent model of Kozak (1988) best described the stem profile, and predicted the total volume of the trees. The identity test showed that the stem profile is affected by the genotype.Item Máquina de vetor de suporte aplicada a dados de sensoriamento remoto para estimação de volume e biomassa aérea de povoamentos de eucalipto(Universidade Federal de Viçosa, 2016-04-27) Souza, Guilherme Silverio Aquino de; Soares, Vicente Paulo; http://lattes.cnpq.br/1638183020358550O objetivo deste estudo foi avaliar a eficiência do algoritmo de aprendizagem supervisionado Máquina de Vetores de Suporte (MVS) para regressão, em dados obtidos pelos sensores AVNIR-2 e o PALSAR a bordo do satélite ALOS, para estimativa de volume de madeira e biomassa aérea de povoamentos florestais de eucalipto. O trabalho também avaliou a redução do número de dados para treinamento, bem como a busca de estruturas de MVS mais simples. O estudo foi conduzido em áreas de reflorestamento na região leste do estado de Minas Gerais. Foram testados dois tipos de regressão ɛ-MVS e -MVS, bem como as seguintes funções kernel: linear, polinomial, RBF (Gaussian Radial Basis Function) e sigmoide. Foram utilizadas 190 parcelas, sendo 75% (142) para treinamento das MVS. A integração de todos os dados dos sensores AVNIR-2 e PALSAR, como variáveis de entrada das MVS, geraram estimativas para generalizações com os maiores valores de coeficiente de correlação (r y ) e menores valores da raiz quadrada do erro quadrático médio (RQEM), tanto para a variável volume quanto para a biomassa aérea. As -MVS com a função RBF resultaram em maior exatidão, e foram então utilizadas para as análises subsequentes. Em um treinamento com 95 parcelas obteve-se exatidão satisfatória nas generalizações para ambas as variáveis alvo. Para estimar volume dos povoamentos, generalizações relativamente satisfatórias dos dados foram encontradas combinando as bandas AV3 ou AV4 do sensor AVNIR-2 com uma polarização cruzada (L HV ou L VH ) do sensor PALSAR. A combinação da banda AV4 e a polarização L VH apresentou um r y de 0,991 e RQEM de 4,120 m3, equivalente a 1,617% da média das parcelas testadas. Já para biomassa aérea boas generalizações foram alcançadas combinando a banda AV4 do sensor AVNIR-2 com a polarização L HV ou L VV . No melhor desempenho de MVS para estimativas de biomassa aérea, utilizando a combinação AV4 e L VV , obteve-se um r y de 0,951 e RQEM de 5,338 t.ha -1 , o equivalente a 2,095% da média das parcelas testadas. A análise gráfica dos resíduos se mostrou primordial para a seleção de MVS com menor viés quantitativo. A simplicidade de ajuste das MVS, atrelada ao poder de generalização dos dados mostrou o potencial operacional do algoritmo nas atividades de quantificação e mapeamento dos recursos florestais.