Mostrar registro simples

dc.contributor.advisorCamargo, Mauricio Garcia dept_BR
dc.contributor.otherUniversidade Federal do Paraná. Campus Pontal do Paraná - Centro de Estudos do Mar. Programa de Pós-Graduação em Sistemas Costeiros e Oceânicospt_BR
dc.creatorFaller, Daiane Gracielipt_BR
dc.date.accessioned2022-12-06T17:21:05Z
dc.date.available2022-12-06T17:21:05Z
dc.date.issued2012pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/29269
dc.descriptionOrientador : Prof. Dr. Maurício garcia Camargopt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Centro de Estudos do Mar, Programa de Pos-Graduação em Sistemas Costeiros e Oceanicos. Defesa : Pontal do Parana, 23/03/2012pt_BR
dc.descriptionBibliografia: fls. 90-92pt_BR
dc.description.abstractResumo: O objetivo geral deste estudo foi avaliar a aplicação de diferentes técnicas de inteligência artificial (IA) na predição e análise espacial da macrofauna bêntica em relação aos descritores ambientais. Em um primeiro momento, a distribuição da fauna em relação às variáveis ambientais foi analisada através de mapas autoorganizáveis (SOMs), que identificaram cinco grupos ambientais distintos, cada um contendo pontos com características semelhantes. A ocorrência dos táxons foi maior para grupos que registraram maiores valores das variáveis que indicam enriquecimento orgânico. Em seguida, foram desenvolvidos modelos de predição da presença/ausência de 20 táxons, simultânea e individualmente, utilizando perceptrons de múltiplas camadas (MLP) com seleção de variáveis ambientais através dos algoritmos genéticos (GA). Para todos os táxons simultaneamente, o melhor modelo foi obtido com apenas oito variáveis. Para os táxons individualmente, somente para T. lineata a seleção de variáveis prejudicou a eficiência do modelo, enquanto os demais responderam positivamente à seleção. Através da análise de sensibilidade foi possível identificar que a presença da maioria dos táxons esteve relacionada com variáveis que denotam enriquecimento orgânico no ambiente. Por último, foram desenvolvidos modelos de predição de máquinas de vetor de suporte (SVM) e árvores de classificação (CT). O desempenho das duas técnicas foi comparado e cada técnica foi avaliada antes e após seleção de variáveis com GAs. Os resultados para as duas técnicas foram melhores após a seleção das variáveis ambientais. Os modelos desenvolvidos com CTs, no geral, obtiveram valores superiores para todas as medidas de desempenho. Entre os 20 táxons modelados, 16 obtiveram sucesso para as CTs, enquanto que para as SVMs apenas 10 táxons foram modelados com sucesso.pt_BR
dc.description.abstractAbstract: The aim of this study was to analyze the application of different artificial intelligence techniques in spatial analysis and prediction of benthic macrofauna in relation to environmental variables. Initially, the fauna distribution in relation to environmental variables was identified through self-organizing maps (SOMs). The SOMs identified five different environmental groups, which grouped the points with similar characteristics. The occurrence of taxa was greater for groups which recorded the highest values of the variables indicating organic enrichment. Then, models were developed to predict the presence/absence of 20 taxa, simultaneous and individually, using multilayer perceptrons (MLP) with environmental variables selection using genetic algorithms (GAs). For all taxa simultaneously the best model was obtained with only eight variables. For individual taxa, only for T. lineata the variable selection undermined the models efficiency and all other taxa have responded positively to the selection. Through sensitivity analysis it was found that the presence of most taxa was related to variables denoting environmental organic enrichment. Finally, predicting models were developed by support vector machines (SVM) and classification trees (CT). The performances of these techniques were compared and each technique was evaluated before and after variables selection with GAs. The results for both techniques were better after the selection of environmental variables. The models developed with CTs in general had higher values for all performance measures. Among the 20 taxa modeled, 16 were successful to CTs, while for the SVM, only 10 taxa were modeled successfully.pt_BR
dc.format.extent94f. : il. [algumas color.], grafs., maps., tabs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectTesespt_BR
dc.subjectOceanografiapt_BR
dc.titleAplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bênticapt_BR
dc.typeDissertaçãopt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples