Made available in DSpace on 2018-08-01T22:56:05Z (GMT). No. of bitstreams: 1
tese_11767_Dissertação ISÁIRA 2017-Final.pdf: 2017494 bytes, checksum: 0a2d580e3699d6daa314f3acde92da7a (MD5)
Previous issue date: 2018-02-28 / Este trabalho teve como objetivo avaliar e selecionar as variáveis preditoras mais relevantes para estimação da densidade básica da madeira de árvores de eucalipto. Foram avaliadas as variáveis qualitativas obtidas em informações cadastrais (clone, sub-região e relevo), quantitativas obtidas de Inventário Florestal Contínuo IFC (volume total com casca, diâmetro a altura do peito e altura total) e quantitativas referentes às informações climáticas da área em estudo (velocidade do vento, temperatura média, precipitação total média, déficit de pressão de vapor, déficit hídrico e altitude), para a estimação da densidade da madeira de 386 árvores. Os métodos de avaliação e seleção de variáveis utilizados foram: força bruta com aplicação de Redes Neurais Artificiais (RNA) testando todas as possíveis combinações entre as variáveis; algoritmo de Garson e Random Forest, que quantificam a importância individual das variáveis preditoras. A classificação das variáveis preditoras variou entre os métodos, o que pode ser atribuído às suas diferentes abordagens matemáticas. A variável clone destacou-se das demais, em todos os métodos. Para o método da força bruta, a simplificação da RNA com o uso de 5 variáveis resultou em maior grau de exatidão das estimativas de densidade básica, em que a combinação ótima consistiu nas variáveis clone, idade, volume total com casca, temperatura média e déficit hídrico. Quanto ao algoritmo de Garson, as 5 variáveis com maior valor de importância foram: clone, sub-região, relevo, idade e déficit hídrico. Já o Random Forest, apresentou dentre as 5 variáveis com maior importância, o clone, idade, altura total, precipitação total média e temperatura média. Entretanto, diante do esforço computacional para aplicação do método da força bruta, uma alternativa é o uso do Random forest ou algoritmo de Garson, visto que as variáveis selecionadas nestes métodos também proporcionaram boas estimativas de densidade básica da madeira.
Palavras-chave: Random forest, algoritmo de Garson, Redes Neurais Artificiais, madeira, mensuração florestal.
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/7696 |
| Date | 28 February 2018 |
| Creators | LOPES, I. L. E. |
| Contributors | VIDAURRE, G. B., SILVA, G. F., BINOTI, M. L. M. S. |
| Publisher | Universidade Federal do Espírito Santo, Mestrado em Ciências Florestais, Programa de Pós-Graduação em Ciências Florestais, UFES, BR |
| Source Sets | IBICT Brazilian ETDs |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds