Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Federal University of Paraná | - |
Autor(es): dc.creator | Munis, Rafaele Almeida | - |
Autor(es): dc.creator | Almeida, Rodrigo Oliveira | - |
Autor(es): dc.creator | Camargo, Diego Aparecido | - |
Autor(es): dc.creator | Silva, Richardson Barbosa Gomes da | - |
Autor(es): dc.creator | Wojciechowski, Jaime | - |
Autor(es): dc.creator | Simões, Danilo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:01:25Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:01:25Z | - |
Data de envio: dc.date.issued | 2023-03-01 | - |
Data de envio: dc.date.issued | 2023-03-01 | - |
Data de envio: dc.date.issued | 2022-07-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/f13071068 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/240431 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/240431 | - |
Descrição: dc.description | The correct capture of forest operations information carried out in forest plantations can help in the management of mechanized harvesting timber. Proper management must be able to dimension resources and tools necessary for the fulfillment of operations and helping in strategic, tactical, and operational planning. In order to facilitate the decision making of forest managers, this work aimed to analyze the performance of machine learning algorithms in estimating the productivity of timber harvesters. As predictors of productivity, we used the availability of hours of machine use, individual mean volumes of trees, and terrain slopes. The dataset was composed of 144,973 records, carried out over a period of 28 months. We tested the predictive performance of 24 machine learning algorithms in default mode. In addition, we tested the performance of blending and stacking joint learning methods. We evaluated the model’s fit using the root mean squared error, mean absolute error, mean absolute percentage error, and determination coefficient. After cleaning the initial database, we used only 1.12% to build the model. Learning by blending ensemble stood out with a determination coefficient of 0.71 and a mean absolute percentage error of 15%. From the use of data from machine learning algorithms, it became possible to predict the productivity of timber harvesters. Testing a variety of machine learning algorithms with different dynamics contributed to the machine learning technique that helped us reach our goal: maximizing the model’s performance by conducting experimentation. | - |
Descrição: dc.description | Department of Forest Science Soils and Environment School of Agriculture São Paulo State University (UNESP) | - |
Descrição: dc.description | Informatics Department Federal University of Paraná | - |
Descrição: dc.description | Department of Forest Science Soils and Environment School of Agriculture São Paulo State University (UNESP) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Forests | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | blending ensemble learning | - |
Palavras-chave: dc.subject | decision making | - |
Palavras-chave: dc.subject | forest plantation | - |
Palavras-chave: dc.subject | individual mean volumes of trees | - |
Palavras-chave: dc.subject | stacking ensemble learning | - |
Palavras-chave: dc.subject | terrain slope | - |
Título: dc.title | Machine Learning Methods to Estimate Productivity of Harvesters: Mechanized Timber Harvesting in Brazil | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: