Show simple item record

dc.contributor.advisorTodt, Eduardopt_BR
dc.contributor.authorRojas Montaño, Razer Anthom Nizerpt_BR
dc.contributor.otherSanquetta, Carlos Roberto, 1964-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informáticapt_BR
dc.date.accessioned2017-05-11T14:33:06Z
dc.date.available2017-05-11T14:33:06Z
dc.date.issued2016pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/45346
dc.descriptionOrientador : Prof. Dr. Eduardo Todtpt_BR
dc.descriptionCoorientador : Prof. Dr. Carlos Sanquettapt_BR
dc.descriptionTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 25/11/2016pt_BR
dc.descriptionInclui referências : f. 76-84pt_BR
dc.descriptionÁrea de concentração : Ciência da computaçãopt_BR
dc.description.abstractResumo: Vive-se em um mundo onde a escassez de recursos naturais leva a um uso cada vez mais racional destes, seja água, recursos minerais, biológicos, hídricos e energéticos. Especificamente quando se trata de madeira, o homem evoluiu muito no manejo de florestas plantadas, aplicando técnicas de cultivo e planejamento de corte para a exploração. Estas técnicas fazem uso da mensuração florestal para medição e estimação de valores dendrométricos importantes, como altura, volume e biomassa. A estimativa de valores dendrométricos é de extrema importância, pois não é viável o abate de toda uma população para que sejam observados os exatos valores. Assim, pesquisadores fazem uso de ferramentas estatísticas em mensuração florestal há anos, com bastante sucesso em suas estimações. Recentemente, com o avanço da área da inteligência artificial, técnicas de aprendizado de máquina têm se mostrado também capazes de competir com os métodos estatísticos de regressão, abrindo assim um leque de opções aos pesquisadores. Inserido neste contexto, o objetivo deste trabalho é aplicar técnicas de aprendizado de máquina para resolução de problemas de mensuração florestal, mostrando também que este se encaixa como um processo de descoberta de conhecimento, inserido na área da Ciência da Computação. Foram realizados experimentos com dados de árvores de Acácia-negra para avaliação de biomassa e relação hipsométrica, Pinus para estimativa de volumes e relação hipsométrica, e com uma amostra de árvores de florestas tropicais de várias regiões do mundo, para estimativa de biomassa. Compararam-se modelos alométricos clássicos com Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (SVM) e Random Forest (RF), e em todos os testes realizados o modelo que obteve melhor correlação é uma técnica de aprendizado de máquina. Para a predição de volumes de Pinus, o melhor modelo foi SVM com correlação de 99,19%. Para estimativa de biomassa da Acácia-negra, SVM obteve a melhor correlação com 98,6%. Para estimativa de biomassa de florestas tropicais, o melhor modelo foi RNA com correlação de 98,06%. Para relação hipsométrica da Acácia-negra, o modelo de SVM obteve a melhor correlação, de 97,73%. Já para relação hipsométrica de Pinus, o modelo de melhor predição foi RNA com correlação de 98,02%. O teste de Friedman mostrou a presença de diferença estatística entre os métodos e, embora o pós-teste de Nemenyi não tenha conseguido evidenciá-la, foi detectada uma tendência a uma separação entre os métodos. Os resultados obtidos mostram fortemente que os modelos de aprendizado de máquina são uma alternativa competitiva frente aos métodos clássicos, superando-os nos experimentos aqui realizados. Palavras chave: Inventário Florestal, Mensuração Florestal, Descoberta de Conhecimento em Bases de Dados, Aprendizado de Máquina, Redes Neurais, Máquinas de Vetores de Suporte, Árvores de Modelos, Florestas Aleatórias.pt_BR
dc.description.abstractAbstract: We live in a world where scarcity of natural resources leads to an increasing rational use of these resources, like water, minerals, biological or energetical. Specifically wood, man evolved much in the management of planted forests by applying cultivation techniques and cutting planning for exploration. These techniques make use of forest measurement to estimation of important dendrometric values such as height, volume and biomass. The estimation of dendrometric values is extremely important because is not feasible to cut down the whole population to note the exact values. Thus, researchers make use of statistical tools for measuring forest for years with success in their estimates. Recently, with the advancement of artificial intelligence, machine learning techniques have been able to compete with the statistical regression methods, thereby opening a range of options to researchers. Within this context, the objective of this work is to use machine learning techniques to resolution of forest measurement problems, showing that this is a process of knowledge discovery, from the area of Computer Science. Experiments were performed with data of Acacia-negra trees for evaluation of biomass and hypsometric relation, Pinus to estimate volumes and hypsometric relation, and with a sample of tropical forest trees of various regions to estimate biomass. Classical allometric models were compared with Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Random Forest (RF), and in all tests the model that obtained the best correlation was a machine learning technique. For the prediction of Pinus volumes, the best model was SVM with correlation of 99.19 %. To estimate Acacia-negra biomass, SVM showed the best correlation with 98.6 %. To estimate biomass of tropical forest trees, the best model was RNA with a correlation of 98.06 %. For hypsometric relation of Acacia-negra, the SVM model obtained the best correlation, of 97.73 %. As for the hypsometric relation of Pinus, the best prediction model was RNA with a correlation of 98.02The Friedman test showed the presence of statistical difference between the methods and, although the Nemenyi post-hoc test was not able to show it, it was detectecd a tendency towards a separation of methods. The results obtained strongly show that machine learning models are a competitive alternative in comparison to the classical methods, surpassing them in the experiments carried out here. Keywords: Forest Inventory, Forest Measuring, Knowledge Discovery in Databases Machine Learning, Neural Networks, Support Vector Machines, Model Trees, Random Forest.pt_BR
dc.format.extent86 p. : il.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectInventario florestalpt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectInteligencia artificialpt_BR
dc.subjectTesespt_BR
dc.titleAplicação de técnicas de aprendizado de máquina na mensuração florestalpt_BR
dc.typeTesept_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record