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 | Science and Technology - Southeast of Minas Gerais | - |
Autor(es): dc.creator | Leal, Rodrigo Dzedzej | - |
Autor(es): dc.creator | da Silva, Thamires | - |
Autor(es): dc.creator | Nicodemo, Ana Caroline | - |
Autor(es): dc.creator | Almeida, Rodrigo Oliveira | - |
Autor(es): dc.creator | Munis, Rafaele Almeida | - |
Autor(es): dc.creator | da Silva, Richardson Barbosa Gomes | - |
Autor(es): dc.creator | Simões, Danilo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:10:53Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:10:53Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1080/14942119.2024.2398943 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/308412 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/308412 | - |
Descrição: dc.description | Productivity analysis in mechanized harvesting has traditionally relied on statistical expertise and mathematical modeling. However, machine learning tools have emerged as a viable alternative, as they serve the same purpose, utilizing a combination of varied attributes (quantitative and qualitative) and handling large datasets. This study aimed to determine whether the inherent attributes of mechanized timber harvesting of Eucalyptus spp. plantations enable the creation of a high-performance model that can accurately predict productivity from machine learning. For the modeling, we considered five attributes concerning forest inventory, in addition to working hours and the operator experience level. We considered the productivity, timber harvested per working hour, as the target attribute of the modeling. We subjected the database to 17 common algorithms in default mode and compared them according to error metrics and accuracy. We also determined the relative importance of each attribute in the predictive model. The inherent attributes concerning mechanized timber harvesting of Eucalyptus spp. plantations evaluated in this study enable the creation of a high-performance model that can accurately predict productivity from machine learning. The Gradient boosting model in ensemble mode can predict the productivity of harvesters in Eucalyptus spp. plantations with an R2 of 0.81. The attributes that have greater relative importance are operator experience level, average individual tree volume, and stand density with 100%, 76.3%, and 65.8%, respectively. | - |
Descrição: dc.description | Department of Forest Science Soils and Environment School of Agriculture São Paulo State University (UNESP) | - |
Descrição: dc.description | Federal Institute of Education Science and Technology - Southeast of Minas Gerais | - |
Descrição: dc.description | Department of Forest Science Soils and Environment School of Agriculture São Paulo State University (UNESP) | - |
Formato: dc.format | 58-66 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | International Journal of Forest Engineering | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | cut-to-length | - |
Palavras-chave: dc.subject | forest operations | - |
Palavras-chave: dc.subject | gradient boosting | - |
Palavras-chave: dc.subject | planted forests | - |
Palavras-chave: dc.subject | strategic planning | - |
Palavras-chave: dc.subject | Timber harvesting | - |
Título: dc.title | Harvesters’ productivity prediction in Brazilian Eucalyptus plantations: development of a model from machine learning | - |
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: