1. RiUfes
2. CCAE - Centro de Ciências Agrárias e Engenharias
3. PPGCF - Programa de Pós-Graduação em Ciências Florestais
4. PPGCF - Dissertações de Mestrado

Título:	Prognose da produção florestal utilizando sistema neuro-fuzzy e random forest
Autor(es):	Silva, Jeferson Pereira Martins
Orientador:	Silva, Mayra Luiza Marques da
Coorientador:	Mendonça, Adriano Ribeiro de
Palavras-chave:	Produção florestal Mensuração florestal Ensemble learning Artificial intelligence Forest measurement
Data do documento:	28-Fev-2018
Editor:	Universidade Federal do Espírito Santo
Citação:	SILVA, Jeferson Pereira Martins. Prognose da produção florestal utilizando sistema neuro-fuzzy e random forest. 2018. Dissertação (Mestrado em Ciências Florestais) Universidade Federal do Espírito Santo, Jerônimo Monteiro, 2018.
Resumo:	O objetivo deste estudo foi avaliar o emprego das técnicas Random Forest (RF) e Sistema Neuro-Fuzzy (SNF) na prognose da produção florestal. Os dados utilizados foram provenientes de inventários florestais contínuos conduzidos em povoamentos de clones de eucalipto, localizados no sul da Bahia. O processamento dos dados foi realizado no software Matlab R2016a. Os dados foram divididos em 70% para de treinamento e 30% para validação. Os algoritmos usados para geração de regras no SNF foram Subtractive Clustering (SC) e Fuzzy-C-Means (FCM). O treinamento foi feito com o algoritmo híbrido (gradiente descente e mínimos quadrados) com o número de épocas variando de 1 a 20. As funções de pertinências associadas às variáveis de entradas foram do tipo gaussianas e a função linear na de saída. Foram treinadas várias RF variando o número de árvores de 50 a 850 e o número de observações por folhas de 5 a 35. A modelagem da produção florestal de povoamentos clonais de eucalipto pode ser realizada com SNF e RF. Os algoritmos SC e FCM fornecem estimativas acuradas na projeção de área basal e volume. A RF apresentou estatísticas inferiores em relação a SNF para prognose da produção florestal. Ambas as técnicas são boas alternativas para seleção de variáveis empregadas na modelagem da produção florestal. The aim of this study to apply the techniques Random Forest (RF) and Neuro-Fuzzy System (SNF) in the prognosis of forest production. The data used came from continuous forest inventories conducted in settlements of eucalypt clones, located in the south of Bahia. The data processing was performed in Matlab R2016a software. Data were divided into 70% for training and 30% for validation. The algorithms used to generate rules in SNF were Subtractive Clustering (SC) and Fuzzy-C-Means (FCM). The training was done with the hybrid algorithm (descending gradient and least squares) with the number of times varying from 1 to 20. The pertinence functions associated with the input variables were of the gaussian type and the linear output. Several RF were trained by varying the number of trees from 50 to 850 and the number of observations per leaves from 5 to 35. The modeling of the forest production of clonal eucalypt stands can be performed with SNF and RF. The SC and FCM algorithms provide accurate estimates of basal area and volume projection. The RF presented inferior statistics in relation to SNF for prognosis of forest production. Both techniques are good alternatives for the selection of variables used in the modeling of forest production.
URI:	http://repositorio.ufes.br/handle/10/7680
Aparece nas coleções:	PPGCF - Dissertações de Mestrado

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.