Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/39291
Full metadata record
DC FieldValueLanguage
dc.creatorMiranda, Evandro Nunes-
dc.date.accessioned2020-03-11T18:22:44Z-
dc.date.available2020-03-11T18:22:44Z-
dc.date.issued2020-03-11-
dc.date.submitted2020-01-31-
dc.identifier.citationMIRANDA, E. N. Hipsometria: seleção de variáveis e mineração de dados por métodos de inteligência computacional. 2020. 87 p. Dissertação (Mestrado em Engenharia Florestal)–Universidade Federal de Lavras, Lavras, 2020.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/39291-
dc.description.abstractThe assertive use of dendrometric variables has a direct impact on forest planning, so more accurate results are needed. Height stands out among biometric variables as it is an important attribute commonly used for volume calculation methods and for measuring height and volume increment of trees, etc. Thus, new technologies and techniques have been implemented in recent years to assist in their calculation. In the context of height estimation, traditional statistical models that have a good response can be improved with data mining techniques. In this dissertation, the principle of data mining was applied to feature selection in both chapters to estimate the individual height of the trees of the Rio Grande basin - MG. In the first chapter, the objective was to select variables within traditional literature models, where possible variable combinations were applied as input to nonlinear models, using a dual genetic algorithm, the first selects and assembles the variable combinations, the second parameterize and adjust the constructed model. The generated models presented a small gain in the estimates, and the proposed methodology proved to be efficient in the search for good results, but with difficulties to find good results in problems with many inputs. The proposal proved robust and can be applied to other problems. The second chapter sought to compare traditional methods of predicting height with machine learning methods in their pure and hybrid form. The Random Forest (RF) model with variable reduction proved to be robust, capable of improving the response and reducing the number of entries in the RF model, presenting better results to the others. Techniques that involve the use of computational intelligence are effective in the search for good results, with superior answers than traditional ones, capable of selecting good variables and estimating good height values.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsrestrictAccesspt_BR
dc.subjectSeleção de recursospt_BR
dc.subjectAlgoritmo genéticopt_BR
dc.subjectFlorestas nativaspt_BR
dc.subjectSeleção de variáveispt_BR
dc.subjectFeauture selectionpt_BR
dc.subjectGenetic algorithmpt_BR
dc.subjectNative forestspt_BR
dc.titleHipsometria: seleção de variáveis e mineração de dados por métodos de inteligência computacionalpt_BR
dc.title.alternativeHypsometry: feauture selection and data mining by computer intelligence methodspt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Ciências Florestaispt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Gomide, Lucas Rezende-
dc.contributor.advisor-co1Barbosa, Bruno Henrique Groenner-
dc.contributor.referee1Gomide, Lucas Rezende-
dc.contributor.referee2Silva, Carolina Souza Jarochinski e-
dc.contributor.referee3Scolforo, Henrique Ferraço-
dc.description.resumoO uso assertivo de variáveis dendrométricas impacta diretamente no planejamento florestal, deste modo, resultados mais precisos se faz necessário. A altura, se destaca entre as variáveis biométricas por ser um importante atributo usado comumente para os métodos de cálculo do volume e para a medida do incremento de altura e volume das árvores, etc. Assim, novas tecnologias e técnicas veem sendo implementadas nos últimos anos para auxiliar no seu cálculo. No contexto da estimativa da altura, modelos estatísticos tradicionais que tem uma boa resposta podem ser melhorados com técnicas de mineração de dados (data mining). Nessa dissertação, o princípio de data mining foi aplicado na seleção de variáveis (featureselection) nos dois capítulos para estimar a altura individual das árvores da bacia do Rio Grande - MG. No primeiro capítulo, o objetivo foi a seleção de variáveis dentro de modelos tradicionais da literatura, onde foram aplicadas possíveis combinações de variáveis como entrada em modelos não lineares, utilizando um algoritmo genético duplo, o primeiro seleciona e monta as combinações das variáveis, o segundo parametriza e ajusta o modelo construído. Os modelos gerados apresentaram um pequeno ganho nas estimativas, e a metodologia proposta se mostrou eficiente na busca por bons resultados, mas com dificuldades para encontrar bons resultados em problemas com muitas entradas. A proposta se mostrou robusta e pode ser aplicada a outros problemas. O segundo capítulo, buscou comparar métodos tradicionais de predizer a altura, com métodos de aprendizado de máquinas, na sua forma pura e híbrida. O modelo Random Forest (RF) com redução de variáveis se mostrou robusto, capaz de melhorar a resposta e reduzir o número de entradas no modelo de RF, apresentando melhores resultados aos demais. As técnicas que envolvem o uso de inteligência computacional se mostram eficazes na procura de bons resultados, com respostas superiores aos tradicionais, capazes de selecionar boas variáveis e estimar bons valores de altura.pt_BR
dc.publisher.departmentDepartamento de Engenharia Florestalpt_BR
dc.subject.cnpqManejo Florestalpt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1988604865446308pt_BR
Appears in Collections:DCF - Engenharia Florestal - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.