Use este identificador para citar ou linkar para este item:
https://repositorio.ufms.br/handle/123456789/8012| Tipo: | Dissertação |
| Título: | APRENDIZAGEM DE MÁQUINA PARA PREDIÇÃO DE VARIÁVEIS DENDROMÉTRICAS EM ESPÉCIES NATIVAS POR VARIÁVEIS HIPERESPECTRAIS |
| Autor(es): | Enio Antonio Manfroi Filho |
| Primeiro orientador: | Gileno Brito de Azevedo |
| Resumo: | O uso de sensoriamento remoto combinado com técnicas de aprendizagem de máquina (AM) é uma abordagem promissora para estimar o crescimento e a produtividade das árvores. Muitos estudos mostram melhorias na precisão das estimativas quando os modelos de AM são implementados em comparação com os métodos tradicionais. O objetivo deste estudo foi investigar o desempenho de Técnicas de AM e leituras espectrais para prever o diâmetro à altura do peito (DAP) e altura (Ht) de espécies florestais nativas por meio de variáveis hiperespectrais. A área de estudo compreendeu um povoamento florestal misto, no qual 195 árvores foram aleatoriamente amostradas. Para a aquisição dos dados hiperpectrais, foram realizadas leituras das reflectâncias foliares com o equipamento ASD FieldSpec® 4. Os comprimentos de onda obtidos pelas leituras espectrais, cuja faixa variou de 350 a 2500 nm, foram utilizados como variáveis de entrada dos modelos. As técnicas de AM testadas foram, Redes neurais artificiais (ANN), REPTree (DT), Árvore de decisão (M5P), Zero R (R), Floresta aleatória (RF) e Máquina de vetor suporte (SVM). Foram testadas duas configurações de inputs: 1) utilizando apenas os comprimentos de onda na predição das variáveis dendrométricas, sem inclusão da variável qualitativa espécie (SE) e, 2) utilizando os comprimentos de onda em conjunto com a variável qualitativa espécie (CE). O desempenho de cada algoritmo foi verificado usando coeficiente de correlação (r), o erro absoluto médio MAE e raiz quadrada do erro médio RMSE. Houve interação significativa entre inputs e algoritmos de AM para as variáveis r, MAE e RMSE. O algoritmo melhor ranqueado foi DT, tanto para DAP como para Ht em todos os testes. Houve diferença significativa quando utilizada a variável de entrada CE demonstrando melhora nos resultados de predição. Portanto, o estudo demonstra que é possível predizer DAP e Ht com relativa precisão utilizando-se de bandas espectrais como entrada nos modelos de AM testados. Quando incluída a variável qualitativa espécie, os algoritmos DT, M5P e SVM apresentaram melhor desempenho. Quando não incluída essa informação como entrada, verificou-se que o algoritmo RF obteve os melhores resultados devido à sua capacidade de predição e alta estabilidade. Palavras-chave: Inteligência computacional. Bandas espectrais. Mensuração Florestal. Sensoriamento hiperespectral. |
| Abstract: | The use of remote sensing combined with machine learning (ML) techniques is a promising approach for estimating tree growth and productivity. Many studies show improvements in estimation accuracy when ML models are implemented compared to traditional methods. The objective of this study was to investigate the performance of AM techniques and spectral readings to predict diameter at breast height (DBH) and height (Ht) of native forest species using hyperspectral variables. The study area comprised a mixed forest stand, in which 195 trees were randomly sampled. To acquire hyperspectral data, leaf reflectance readings were carried out with the ASD FieldSpec® 4 equipment. The wavelengths obtained by spectral readings, whose range varied from 350 to 2500 nm, were used as input variables for the models. The ML techniques tested were, Artificial Neural Networks (ANN), REPTree (DT), Decision Tree (M5P), Zero R (R), Random Forest (RF) and Support Vector Machine (SVM). Two input configurations were tested: 1) using only wavelengths in the prediction of dendrometric variables, without including the qualitative variable species (SE) and, 2) using wavelengths together with the qualitative variable species (CE). The performance of each algorithm was checked using correlation coefficient (r), the mean absolute error MAE and root mean square error RMSE. There was a significant interaction between inputs and AM algorithms for the variables r, MAE and RMSE. The best ranked algorithm was DT, both for DAP and Ht in all tests. There was a significant difference when using the input variable CE, demonstrating improvement in prediction results. Therefore, the study demonstrates that it is possible to predict DAP and Ht with relative accuracy using spectral bands as input in the AM models tested. When the qualitative variable species was included, the DT, M5P and SVM algorithms performed better. When this information was not included as input, it was found that the RF algorithm obtained the best results due to its prediction capacity and high stability. Keywords: Computational intelligence. Spectral bands. Forest Measurement. Hyperspectral sensing. |
| Palavras-chave: | Aprendizagem de máquina predição variáveis dendrométricas variáveis hiperespectrais |
| País: | Brasil |
| Editor: | Fundação Universidade Federal de Mato Grosso do Sul |
| Sigla da Instituição: | UFMS |
| Tipo de acesso: | Acesso Restrito |
| URI: | https://repositorio.ufms.br/handle/123456789/8012 |
| Data do documento: | 2023 |
| Aparece nas coleções: | Programa de Pós-graduação em Agronomia (Campus de Chapadão do Sul) |
Arquivos associados a este item:
Não existem arquivos associados a este item.
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.