Show simple item record

dc.contributor.advisorCamargo, Mauricio Garcia dept_BR
dc.contributor.authorFaller, Daiane Gracielipt_BR
dc.contributor.otherUniversidade Federal do Paraná. Centro de Estudos do Mar. Programa de Pos-Graduação em Sistemas Costeiros e Oceanicospt_BR
dc.date.accessioned2013-01-17T15:29:39Z
dc.date.available2013-01-17T15:29:39Z
dc.date.issued2013-01-17
dc.identifier.urihttp://hdl.handle.net/1884/29269
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.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectTesespt_BR
dc.titleAplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bênticapt_BR
dc.typeDissertaçãopt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record