
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.creator | Miranda, Evandro Nunes | - |
| Autor(es): dc.creator | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.creator | Silva, Sergio Henrique Godinho | - |
| Autor(es): dc.creator | Monti, Cassio Augusto Ussi | - |
| Autor(es): dc.creator | Tng, David Yue Phin | - |
| Autor(es): dc.creator | Gomide, Lucas Rezende | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:42:00Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:42:00Z | - |
| Data de envio: dc.date.issued | 2022-07-01 | - |
| Data de envio: dc.date.issued | 2022-07-01 | - |
| Data de envio: dc.date.issued | 2022-01-14 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/50435 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0378112721009191 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1166530 | - |
| Descrição: dc.description | Tree height is an important trait in forest science and is highly associated with the site quality from which the trees are measured. However, other factors, such as competition and species interaction, may yield better estimates for individual tree height when taken into account, but these variables have so far been challenging in model fitting. We propose a hybrid approach using genetic algorithms for variables selection and a machine learning algorithm (random forest) for fitting models of individual tree heights. We compare our proposed hybrid method with a mixed-effects model and random forest model using a dataset of 5,608 trees and 189 environmental variables (forest inventory-based variables, soil, topographic, climate, spectral, and geographic) from sites in southeastern Brazil. The tree height models were evaluated using the coefficient of determination, absolute bias, and root means square error (RMSE) based on the validation of dataset performance. The optimal set of variables of the proposed method include the ratio of diameter at breast height to quadratic mean diameter, distance independent competition index, dominant height, the soil silt and boron content. Our findings showed that the proposed hybrid method achieved an accuracy comparable with other methodologies in estimating the total height of the individual trees, and such a modelling approach could have broader applications in forestry and ecological science where a studied response trait has a large number of potential explanatory variables. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Forest Ecology and Management | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Optimization | - |
| Palavras-chave: dc.subject | Feature selection | - |
| Palavras-chave: dc.subject | Forest modelling | - |
| Palavras-chave: dc.subject | Mixed-effect model | - |
| Título: dc.title | Variable selection for estimating individual tree height using genetic algorithm and random forest | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: