Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/7680
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorSilva, Mayra Luiza Marques da-
dc.date.accessioned2018-08-01T22:35:53Z-
dc.date.available2018-08-01-
dc.date.available2018-08-01T22:35:53Z-
dc.identifier.citationSILVA, 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.-
dc.identifier.urihttp://repositorio.ufes.br/handle/10/7680-
dc.publisherUniversidade Federal do Espírito Santopor
dc.titlePrognose da produção florestal utilizando sistema neuro-fuzzy e random forestpor
dc.typemasterThesisen
dc.subject.udc630-
dc.subject.br-rjbnProdutividade florestalpor
dc.subject.br-rjbnMensuraçãopor
dc.subject.br-rjbnInteligência artificialpor
dcterms.abstractO 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.por
dcterms.abstractThe 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.en
dcterms.alternativePrognosis of forest production using a neuralfuzzy system and random foresten
dcterms.creatorSilva, Jeferson Pereira Martins-
dcterms.formatTexten
dcterms.issued2018-02-28-
dcterms.languageporen
dcterms.subjectProdução florestalpor
dcterms.subjectMensuração florestalpor
dcterms.subjectEnsemble learningen
dcterms.subjectArtificial intelligenceen
dcterms.subjectForest measurementen
dc.publisher.countryBRpor
dc.publisher.programPrograma de Pós-Graduação em Ciências Florestaispor
dc.publisher.initialsUFESpor
dc.subject.cnpqRecursos Florestais e Engenharia Florestal-
dc.publisher.courseMestrado em Ciências Florestaispor
dc.contributor.refereeBarros Junior, Antônio Almeida de-
dc.contributor.refereeSilva, Gilson Fernandes da-
dc.contributor.advisor-coMendonça, Adriano Ribeiro de-
Aparece nas coleções:PPGCF - Dissertações de Mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
JefersonPereiraMartinsSilva-2018-trabalho.pdf4.3 MBAdobe PDFVisualizar/Abrir


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