Hipsometria: seleção de variáveis e mineração de dados por métodos de inteligência computacional

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGomide, Lucas Rezende-
Autor(es): dc.contributorBarbosa, Bruno Henrique Groenner-
Autor(es): dc.contributorGomide, Lucas Rezende-
Autor(es): dc.contributorSilva, Carolina Souza Jarochinski e-
Autor(es): dc.contributorScolforo, Henrique Ferraço-
Autor(es): dc.creatorMiranda, Evandro Nunes-
Data de aceite: dc.date.accessioned2026-02-09T12:03:46Z-
Data de disponibilização: dc.date.available2026-02-09T12:03:46Z-
Data de envio: dc.date.issued2020-03-11-
Data de envio: dc.date.issued2020-03-11-
Data de envio: dc.date.issued2020-03-11-
Data de envio: dc.date.issued2020-01-30-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/39291-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1153501-
Descrição: dc.descriptionThe assertive use of dendrometric variables has a direct impact on forest planning, so more accurate results are needed. Height stands out among biometric variables as it is an important attribute commonly used for volume calculation methods and for measuring height and volume increment of trees, etc. Thus, new technologies and techniques have been implemented in recent years to assist in their calculation. In the context of height estimation, traditional statistical models that have a good response can be improved with data mining techniques. In this dissertation, the principle of data mining was applied to feature selection in both chapters to estimate the individual height of the trees of the Rio Grande basin - MG. In the first chapter, the objective was to select variables within traditional literature models, where possible variable combinations were applied as input to nonlinear models, using a dual genetic algorithm, the first selects and assembles the variable combinations, the second parameterize and adjust the constructed model. The generated models presented a small gain in the estimates, and the proposed methodology proved to be efficient in the search for good results, but with difficulties to find good results in problems with many inputs. The proposal proved robust and can be applied to other problems. The second chapter sought to compare traditional methods of predicting height with machine learning methods in their pure and hybrid form. The Random Forest (RF) model with variable reduction proved to be robust, capable of improving the response and reducing the number of entries in the RF model, presenting better results to the others. Techniques that involve the use of computational intelligence are effective in the search for good results, with superior answers than traditional ones, capable of selecting good variables and estimating good height values.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionO uso assertivo de variáveis dendrométricas impacta diretamente no planejamento florestal, deste modo, resultados mais precisos se faz necessário. A altura, se destaca entre as variáveis biométricas por ser um importante atributo usado comumente para os métodos de cálculo do volume e para a medida do incremento de altura e volume das árvores, etc. Assim, novas tecnologias e técnicas veem sendo implementadas nos últimos anos para auxiliar no seu cálculo. No contexto da estimativa da altura, modelos estatísticos tradicionais que tem uma boa resposta podem ser melhorados com técnicas de mineração de dados (data mining). Nessa dissertação, o princípio de data mining foi aplicado na seleção de variáveis (featureselection) nos dois capítulos para estimar a altura individual das árvores da bacia do Rio Grande - MG. No primeiro capítulo, o objetivo foi a seleção de variáveis dentro de modelos tradicionais da literatura, onde foram aplicadas possíveis combinações de variáveis como entrada em modelos não lineares, utilizando um algoritmo genético duplo, o primeiro seleciona e monta as combinações das variáveis, o segundo parametriza e ajusta o modelo construído. Os modelos gerados apresentaram um pequeno ganho nas estimativas, e a metodologia proposta se mostrou eficiente na busca por bons resultados, mas com dificuldades para encontrar bons resultados em problemas com muitas entradas. A proposta se mostrou robusta e pode ser aplicada a outros problemas. O segundo capítulo, buscou comparar métodos tradicionais de predizer a altura, com métodos de aprendizado de máquinas, na sua forma pura e híbrida. O modelo Random Forest (RF) com redução de variáveis se mostrou robusto, capaz de melhorar a resposta e reduzir o número de entradas no modelo de RF, apresentando melhores resultados aos demais. As técnicas que envolvem o uso de inteligência computacional se mostram eficazes na procura de bons resultados, com respostas superiores aos tradicionais, capazes de selecionar boas variáveis e estimar bons valores de altura.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Ciências Florestais-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Engenharia Florestal-
Direitos: dc.rightsrestrictAccess-
Palavras-chave: dc.subjectSeleção de recursos-
Palavras-chave: dc.subjectAlgoritmo genético-
Palavras-chave: dc.subjectFlorestas nativas-
Palavras-chave: dc.subjectSeleção de variáveis-
Palavras-chave: dc.subjectFeauture selection-
Palavras-chave: dc.subjectGenetic algorithm-
Palavras-chave: dc.subjectNative forests-
Palavras-chave: dc.subjectManejo Florestal-
Título: dc.titleHipsometria: seleção de variáveis e mineração de dados por métodos de inteligência computacional-
Título: dc.titleHypsometry: feauture selection and data mining by computer intelligence methods-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.