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 | Camargo, Mauricio Garcia de | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Campus Pontal do Paraná - Centro de Estudos do Mar. Programa de Pós-Graduação em Sistemas Costeiros e Oceânicos | - |
Autor(es): dc.creator | Faller, Daiane Gracieli | - |
Data de aceite: dc.date.accessioned | 2025-09-01T11:45:52Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T11:45:52Z | - |
Data de envio: dc.date.issued | 2022-12-05 | - |
Data de envio: dc.date.issued | 2022-12-05 | - |
Data de envio: dc.date.issued | 2012 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/29269 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/29269 | - |
Descrição: dc.description | Orientador : Prof. Dr. Maurício garcia Camargo | - |
Descrição: dc.description | Dissertação (mestrado) - Universidade Federal do Paraná, Centro de Estudos do Mar, Programa de Pos-Graduação em Sistemas Costeiros e Oceanicos. Defesa : Pontal do Parana, 23/03/2012 | - |
Descrição: dc.description | Bibliografia: fls. 90-92 | - |
Descrição: dc.description | Resumo: O objetivo geral deste estudo foi avaliar a aplicação de diferentes técnicas de inteligência artificial (IA) na predição e análise espacial da macrofauna bêntica em relação aos descritores ambientais. Em um primeiro momento, a distribuição da fauna em relação às variáveis ambientais foi analisada através de mapas autoorganizáveis (SOMs), que identificaram cinco grupos ambientais distintos, cada um contendo pontos com características semelhantes. A ocorrência dos táxons foi maior para grupos que registraram maiores valores das variáveis que indicam enriquecimento orgânico. Em seguida, foram desenvolvidos modelos de predição da presença/ausência de 20 táxons, simultânea e individualmente, utilizando perceptrons de múltiplas camadas (MLP) com seleção de variáveis ambientais através dos algoritmos genéticos (GA). Para todos os táxons simultaneamente, o melhor modelo foi obtido com apenas oito variáveis. Para os táxons individualmente, somente para T. lineata a seleção de variáveis prejudicou a eficiência do modelo, enquanto os demais responderam positivamente à seleção. Através da análise de sensibilidade foi possível identificar que a presença da maioria dos táxons esteve relacionada com variáveis que denotam enriquecimento orgânico no ambiente. Por último, foram desenvolvidos modelos de predição de máquinas de vetor de suporte (SVM) e árvores de classificação (CT). O desempenho das duas técnicas foi comparado e cada técnica foi avaliada antes e após seleção de variáveis com GAs. Os resultados para as duas técnicas foram melhores após a seleção das variáveis ambientais. Os modelos desenvolvidos com CTs, no geral, obtiveram valores superiores para todas as medidas de desempenho. Entre os 20 táxons modelados, 16 obtiveram sucesso para as CTs, enquanto que para as SVMs apenas 10 táxons foram modelados com sucesso. | - |
Descrição: dc.description | Abstract: The aim of this study was to analyze the application of different artificial intelligence techniques in spatial analysis and prediction of benthic macrofauna in relation to environmental variables. Initially, the fauna distribution in relation to environmental variables was identified through self-organizing maps (SOMs). The SOMs identified five different environmental groups, which grouped the points with similar characteristics. The occurrence of taxa was greater for groups which recorded the highest values of the variables indicating organic enrichment. Then, models were developed to predict the presence/absence of 20 taxa, simultaneous and individually, using multilayer perceptrons (MLP) with environmental variables selection using genetic algorithms (GAs). For all taxa simultaneously the best model was obtained with only eight variables. For individual taxa, only for T. lineata the variable selection undermined the models efficiency and all other taxa have responded positively to the selection. Through sensitivity analysis it was found that the presence of most taxa was related to variables denoting environmental organic enrichment. Finally, predicting models were developed by support vector machines (SVM) and classification trees (CT). The performances of these techniques were compared and each technique was evaluated before and after variables selection with GAs. The results for both techniques were better after the selection of environmental variables. The models developed with CTs in general had higher values for all performance measures. Among the 20 taxa modeled, 16 were successful to CTs, while for the SVM, only 10 taxa were modeled successfully. | - |
Formato: dc.format | 94f. : il. [algumas color.], grafs., maps., tabs. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Relação: dc.relation | Disponível em formato digital | - |
Palavras-chave: dc.subject | Teses | - |
Palavras-chave: dc.subject | Oceanografia | - |
Título: dc.title | Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
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: