Submitted by Alice Araujo (alice.caraujo@ufpe.br) on 2018-04-20T22:08:03Z No. of bitstreams: 1 TESE Wylmor Constantino Tives Dalfovos.pdf: 1512779 bytes, checksum: 3d66c570f598b84df1accecd066a86af (MD5) / Made available in DSpace on 2018-04-20T22:08:03Z (GMT). No. of bitstreams: 1 TESE Wylmor Constantino Tives Dalfovos.pdf: 1512779 bytes, checksum: 3d66c570f598b84df1accecd066a86af (MD5) Previous issue date: 2016-05-25 / CAPES / O presente estudo tem como objetivo analisar o efeito da política pública intitulada Fundo de Amparo ao Transporte e Habitação – FETHAB no estado de Mato Grosso. O Fundo foi instituído a partir da Lei 7.263/2000 que entrou em vigor a partir de janeiro de 2004 e tem como premissa central a isenção de tributos para a produção de matéria prima e tributar a comercialização de produtos agropecuários tais como a soja, gado em pé (bovino e bubalino), algodão, madeira, óleo diesel e gás natural no estado de Mato Grosso. Para tal avaliação, convencionou-se analisar o efeito dessa política sobre a atividade madeireira no estado de Mato Grosso, enfatizando a relação do FETHAB com o desmatamento, a receita da indústria madeireira e a legalização do consumo de toras de madeira em Mato Grosso. Para esta avaliação foi construído um banco de dados tendo como amostra nove estados da Amazônia Legal, e a partir disso utilizou-se o método de controle sintético desenvolvido por Abadie e Gardeazabal (2003) para avaliar o impacto dessa política sobre os elementos destacados anteriormente. Como resultados, verificou-se a partir da análise da política do FETHAB, que em relação a receita operacional da indústria madeireira e considerando o período de 2004-2012, houve um incremento para o estado tratado de 13,76%, enquanto que para o estado sintético este aumento foi de 1,54%. Quanto à redução do desmatamento, a implantação da política do FETHAB contribuiu positivamente para sua redução no estado tratado em 29,64%, enquanto que para o estado sintético, no mesmo período, esta redução foi de 15,12%. Quanto as questões sobre extração ilegal e consumo legal de toras de madeira, os resultados da aplicação do FETHAB demonstraram que a política influenciou de forma positiva para a legalização do consumo de toras em 15,11% para o estado tratado, enquanto que para o estado sintético essa redução foi de apenas 2,36%. / This study aims to analyze the effect of public policy titled Fund of Protection to transport and Housing - FETHAB in the State of Mato Grosso. The Fund was established from the law 7.263/2000, became effective from January 2004, and has as its central premise to give tax exemption for the production of raw materials and tax the sale of agricultural products, such as soybeans, cattle (bovine and buffalo), cotton, wood, diesel oil and natural gas in the State of Mato Grosso. For this evaluation, was established to analyze the impact of this policy on logging in the state of Mato Grosso, emphasizing the FETHAB's relationship with deforestation, the timber industry revenue and the legalization of logs consumption in Mato Grosso. Therefore, was built a database and a sample of nine states of the Legal Amazon, and from there use the synthetic control method developed by Abadie e Gardeazabal (2003) to assess the impact of this policy on the previously highlighted elements. As a result, it was found from the analysis of FETHAB the policy in relation to operating revenue of the timber industry and considering the period of 2004-2012, there was an increment for the treated state of 13,76%, while for the state synthetic this increment was 1,54%. As reducing deforestation, the implementation of FETHAB's policy contributed positively to a reduction in the treated state at 29,64%, while for the synthetic state, in the same period, this reduction was 15,12%. The questions on illegal logging and legal consumption of logs, the results of the application of FETHAB demonstrated that politics influenced in a positive way for the legalization of timber consumption by 15,11% for the treated state, while for the state synthetic this reduction was only 2,36%.

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2015-12-08T16:02:39Z No. of bitstreams: 1 texto completo.pdf: 2253096 bytes, checksum: 5541581ebb27e71bcfe7e8866684bfe1 (MD5) / Made available in DSpace on 2015-12-08T16:02:39Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2253096 bytes, checksum: 5541581ebb27e71bcfe7e8866684bfe1 (MD5) Previous issue date: 2015-07-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Conhecer a produtividade das máquinas é essencial para um planejamento adequado da colheita da madeira. Na extração florestal, as estimativas de produtividade das máquinas normalmente são realizadas através de modelos de regressão, utilizando-se poucas variáveis que afetam a produtividade das máquinas. Entretanto, as Redes Neurais Artificiais (RNAs) tem sido uma técnica cada vez mais empregada para modelagem de problemas complexos, comumente aqueles que envolvem diversas variáveis (categóricas e continuas). Portanto, o objetivo desta pesquisa foi avaliar e aplicar a técnica das RNAs para estimar a produtividade do forwarder em função de variáveis relacionadas ao povoamento, planejamento operacional e características físicas do terreno. O estudo foi realizado em áreas de operação de colheita florestal mecanizada em povoamentos de Eucalyptus spp de uma empresa localizada no Estado de Minas Gerais, Brasil. O banco de dados foi constituído de dados de estudo de tempos e movimentos da operação de extração mecanizada, registro de produção dos operadores, dados cadastrais dos talhões, dados de inventário florestal, dados geográficos dos projetos florestais. Na modelagem a produtividade do forwarder através da técnica de RNAs, as entradas das redes foram utilizadas variáveis contínuas, como volume por hectare, dados gerados no Sistema de Informação Geográfica (SIG), relacionados à topografia e estradas, Diâmetro à Altura do Peito (DAP) médio e máximo. As variáveis categóricas foram o método de colheita, experiência do operador, comprimento da madeira, idade do povoamento e clima. Os dados foram divididos aleatoriamente para serem utilizados no treinamento (70%) e na generalização (30%). Foram treinados três tipos de arquiteturas de redes: Multilayer Perceptron (MLP), Radial Basic Function (RBF) e Adaptative Linear Neuron (ADALINE). O emprego de redes neurais artificiais foi capaz de estimar com precisão a produtividade (m3 he-1) do forwarder. Uma RNA, com arquitetura MLP, 30 - 14 - 1, utilizando todos os dados de entrada, função de ativação sigmoidal nas camadas intermediárias e na camada de saída, foi a que obteve o melhor desempenho para estimar a produtividade da extração com o forwarder em povoamentos de Eucalyptus spp. / Meet the productivity of machines is essential for proper planning of timber harvest. In forestry extraction, the machines productivity estimates are usually carried out through regression models, generally using few variables that affect the productivity of the machines. However, the Artificial Neural Networks (ANN) has been increasingly used technique for modeling complex problems, often those involving several variables (categorical and continuous).The objective of this research was to evaluate and use the ANN technique to estimate the productivity do forwarder in related variables function the forest, operational planning and physical characteristics of the land. The study was conducted in mechanized harvesting forest areas of Eucalyptus spp in a company site in Minas Gerais, Brazil. The database consisted in spreadsheets of time and motion study of mechanized extraction operation, registry of production, forest inventory data, and geographic data of forest projects. The forwarder's productivity modeling was conduced using the ANN technique. In input data were used continuous variables such as volume per hectare, topography and roads GIS data, average and maximum Diameter at Breast Height (DBH). As categorical variables harvesting method, operator experience, log length, forest age class and climate. The data were randomly assigned to be used in training (70%) and the generalization (30%). The ANNs were trained using three types of network architectures: Multilayer Perceptron (MLP), Radius Basic Function (RBF) and linear structure. The use of artificial neural network was able to accurately estimate the productivity (m3 he-1) of the forwarder. MLP architecture ANN: 30 - 14 - 1, using all input data, sigmoidal activation function in the hidden layer and output layer was the best performance to estimate the extraction of the forwarder’s productivity in Eucalyptus spp plantations.

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2018-06-29T11:31:24Z No. of bitstreams: 1 texto completo.pdf: 2215686 bytes, checksum: bd3bf560e364036fc013e4b29b0904a5 (MD5) / Made available in DSpace on 2018-06-29T11:31:24Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2215686 bytes, checksum: bd3bf560e364036fc013e4b29b0904a5 (MD5) Previous issue date: 2018-05-03 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O consumo de combustível de máquinas florestais é um dos componentes mais impactantes nos custos de colheita florestal e, por isso, grande importância é dada à sua redução. Objetivou-se com este trabalho predizer o consumo especifico de combustível do harvester em função de variáveis climáticas, dendrométricas e operacionais, utilizando modelos lineares mistos (MLM) e redes neuronais artificiais (RNA). Foi utilizado um harvester John Deere 1270E para derrubar e processar as árvores em toras. Os dados foram obtidos através do software instalado no computador de bordo da máquina TimberMatic (John Deere) e do Boletim de Apropriação de Equipamento (BAE). As variáveis contínuas utilizadas foram: diâmetro médio da tora e ângulo frontal da máquina. As categóricas: local de corte, tipo de manejo da floresta, clima, turno de trabalho, combinação de rotação do motor e nível de treinamento do operador. O consumo especifico de combustível foi usado como a variável resposta. No modelo linear misto os dados foram agrupados dentro da variável operador e, portanto, esta variável foi incluída como um intercepto aleatório. Para o emprego de RNA o banco de dados foi dividido aleatoriamente em: 70% dos dados para treinamento e 30% para validação das redes. O treinamento foi o do tipo supervisionado, o algoritmo de aprendizagem utilizado foi o resilient- propagation e a função de ativação usada na camada oculta e de saída foi a sigmoide. Para verificar a qualidade do MLM foram usados o Critério de informação de Akaike (AIC) e o coeficiente de determinação baseado no teste ). Como medidas de avaliação dos resultados da razão de verossimilhança (R LR gerados pelas redes, foi utilizada a correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RQEM), o erro relativo percentual médio e a distribuição de frequência dos erros relativos percentuais. Para comparar os resultados gerados pelo MLM e a RNA foram utilizados o erro relativo percentual e a RQEM, além da distribuição dos erros. O valor R LR obtido para a MLM selecionada foi de 0,84. A rede que obteve menor RQEM na validação foi a que continha oito neurônios na camada escondida. A RQME encontrada para a RNA e MLM foi de 17,6189 e 20,9686 respectivamente, indicando maior exatidão na estimativa do consumo específico de combustível do harvester pela RNA. O MLM e RNA são eficientes na estimativa do consumo específico de combustível do harvester, com ligeira superioridade (exatidão) para a rede neuronal. / The fuel consumption of forestry machines is one of the most impacting components of forest harvesting costs and, therefore, great importance is given to their reduction. The objective of this work was to predict the specific fuel consumption of the harvester as a function of climatic, dendrometric and operational variables using mixed linear models (LME) and artificial neural networks (ANNs). A John Deere 1270E harvester was used to fell and process trees into logs. The data were obtained through the software installed on the onboard computer of the machine, TimberMatic (John Deere) and the Equipment Appropriation Bulletin (EAB). The continuous variables used were: average log diameter and pitch machine. The categorical ones: cutting location, type of forest management, climate, work shift, combination of engine rotation and operator training level. The specific fuel consumption was used as the response variable. In the mixed linear model the data were grouped within the operator variable and, therefore, this variable was included as a random intercept. For the use of RNA the database was randomly divided into: 70% of data for training and 30% for validation of networks. The training was supervised type, the learning algorithm used was the resilient-propagation and the activation function used in the hidden layer and the output was the sigmoid. The Akaike Information Criterion (AIC) and the determination coefficient based ) were used to verify LME quality. As a measure on the likelihood ratio test (R LR of the results generated by the networks, the correlation between the observed and estimated values, the square root of the mean square error (RSME), the relative mean percentage error and the frequency distribution of the relative percentage errors were used. In order to compare the results generated by the LME and ANN, the percentage relative error and the RSME were used, besides value obtained for the LME selected was the distribution of the errors. The R LR 0.84. The network that obtained the lowest RSME in the validation was the one that contained eight neurons in the hidden layer. The RSME found for ANN and LME was 17.6189 e 20.9686 respectively, indicating greater accuracy in the estimation of the specific fuel consumption of the harvester by ANN. The LME and ANN are efficient in estimating the specific fuel consumption of the harvester, with slight superiority (accuracy) for the neural network.