Feature selection aplicada à biometria florestal

• Ano de defesa: 2022
• Autor(a) principal: Lopes, Isáira Leite e
• Orientador(a): Gomide, Lucas Rezende
• Banca de defesa: Castro, Renato Vinícius Oliveira, Scolforo, José Roberto Soares, Páscoa, Kalill José Viana da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Florestal
• Departamento: Departamento de Ciências Florestais
• País: brasil
• Palavras-chave em Português: Inteligência computacional; Algoritmo genético; Crescimento e produção florestal; Colheita florestal; Biometria florestal; Computational Intelligence; Genetic algorithm; Forest growth and yield; Forest harvesting; Forest biometrics
• Área do conhecimento CNPq: Recursos Florestais e Engenharia Florestal
• Link de acesso: https://repositorio.ufla.br/handle/1/49615

Os avanços computacionais oportunizaram uma maior viabilidade da coleta e armazenamento de dados, e processamento de algoritmos com a expansão de big data no setor florestal. Em alinhamento com isso, técnicas de inteligência computacional têm sido adotadas como suporte a tomada de decisão em uma gama de problemas. Dentre suas aplicações, o processo de seleção de atributos (Feature selection) contribui com êxito na automatização da tarefa de redução da dimensionalidade dos dados para otimização de um subconjunto de variáveis relevantes na construção de modelos. Diante dessa perspectiva, a tese foca no uso do algoritmo genético juntamente com o Random Forest (GA-RF) para seleção de variáveis na modelagem da produtividade de máquina florestal (Artigo 1) e do incremento periódico anual em diâmetro em uma Floresta Estacional Semidecidual Montana (Artigo 2). No artigo 1, o objetivo do trabalho foi testar diferentes abordagens metodológicas na geração de modelos com boa capacidade preditiva além da investigação da importância de variáveis oriundas de condições edafoclimáticas, registros dos operadores e inventário florestal. O GA-RF foi selecionado por apresentar alto poder de generalização com redução do erro das estimativas além da maximização da importância das variáveis relevantes na produtividade da máquina. O artigo 2 objetivou avaliar a incorporação dos efeitos da competição em um modelo de crescimento em nível de árvores individuais, baseando-se na investigação de diferentes categorias de índices clássicos de competição e do uso de métricas de redes complexas, metodologia proposta nesse estudo. A metodologia GA-RF foi eficiente em conciliar aspectos com significado ecológico e melhoria da acurácia por meio da seleção de índices independentes da distância e métricas de redes complexas para a modelagem do crescimento das respectivas espécies, Xylopia brasiliensis e Copaifera langsdorffii.