PROGNOSE DA PRODUÇÃO FLORESTAL UTILIZANDO SISTEMA NEURO-FUZZY E RANDOM FOREST
Nome: JÉFERSON PEREIRA MARTINS SILVA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 28/02/2018
Orientador:
| Nome | Papel |
|---|---|
| ADRIANO RIBEIRO DE MENDONÇA | Co-orientador |
Banca:
| Nome | Papel |
|---|---|
| ADRIANO RIBEIRO DE MENDONÇA | Coorientador |
| ANTONIO ALMEIDA DE BARROS JUNIOR | Examinador Externo |
| GILSON FERNANDES DA SILVA | Examinador Interno |
| MAYRA LUIZA MARQUES DA SILVA | Orientador |
Resumo: O objetivo deste estudo foi avaliar o emprego das técnicas Random Forest (RF) e Sistema Neuro-Fuzzy (SNF) na prognose da produção florestal. Os dados utilizados foram provenientes de inventários florestais contínuos conduzidos em povoamentos de clones de eucalipto, localizados no sul da Bahia. O processamento dos dados foi realizado no software Matlab R2016a. Os dados foram divididos em 70% para de treinamento e 30% para validação. Os algoritmos usados para geração de regras no SNF foram Subtractive Clustering (SC) e Fuzzy-C-Means (FCM). O treinamento foi feito com o algoritmo híbrido (gradiente descente e mínimos quadrados) com o número de épocas variando de 1 a 20. As funções de pertinências associadas às variáveis de entradas foram do tipo gaussianas e a função linear na de saída. Foram treinadas várias RF variando o número de árvores de 50 a 850 e o número de observações por folhas de 5 a 35. A modelagem da produção florestal de povoamentos clonais de eucalipto pode ser realizada com SNF e RF. Os algoritmos SC e FCM fornecem estimativas acuradas na projeção de área basal e volume. A RF apresentou estatísticas inferiores em relação a SNF para prognose da produção florestal. Ambas as técnicas são boas alternativas para seleção de variáveis empregadas na modelagem da produção florestal.
Palavras-chave: Inteligência artificial, ensemble learning, mensuração florestal.
