Made available in DSpace on 2018-08-01T22:35:53Z (GMT). No. of bitstreams: 1 tese_11765_Dissertação JEFERSON 2018-Final.pdf: 4406644 bytes, checksum: 0baf7d2721f4cabcec877505e31b18d1 (MD5) Previous issue date: 2018-02-28 / 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. Palavras-chave: Inteligência artificial, ensemble learning, mensuração florestal.