Modelagem preditiva da distribuição potencial de espécies arbóreas na bacia hidrográfica do Rio Grande, MG

• Ano de defesa: 2015
• Autor(a) principal: Carvalho, Mônica Canaan
• Orientador(a): Gomide, Lucas Rezende
• Banca de defesa: Dutra, Gleyce Campos, Oliveira, Luciano Teixeira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: UNIVERSIDADE FEDERAL DE LAVRAS
• Programa de Pós-Graduação: DCF - Departamento de Ciências Florestais
• País: BRASIL
• Palavras-chave em Português: Fitogeografia; Random forest; Árvore de decisão; Redes neurais artificiais; Maxent; Phytogeography; Decision tree; Artificial neural networks
• Área do conhecimento CNPq: CNPQ_NÃO_INFORMADO
• Link de acesso: https://repositorio.ufla.br/handle/1/9580

O presente estudo tem como objetivo principal comparar o desempenho de quatro algoritmos de aprendizagem de máquina (árvore de decisão, Random Forest, redes neurais artificiais e Maxent) na modelagem da distribuição de espécies arbóreas em Minas Gerais. Para este fim, utilizou-se os dados proveniente de 197 fragmentos inventariados em Minas Gerais e 25 variáveis relacionadas ao clima, topografia e solo. A capacidade preditiva dos algoritmos foi avaliada pela métrica Area Under the Curve (AUC), obtida através da validação cruzada (10%) e por um conjunto de dados de teste independente (30%). Os resultados obtidos pela validação cruzada foram testados pelo teste estatístico T-pareado, com 95% de confiança. Foram avaliados dois conjuntos de atributos abióticos na modelagem, sendo o primeiro formado por todas as 25 variáveis abióticas disponíveis e o segundo, pelas 10 variáveis com maior ganho de informação. As espécies com grande abundância e ampla distribuição selecionadas no estado de Minas Gerais são Casearia sylvestris, Copaifera langsdorffii, Croton floribundis e Tapirira guianensis. Para todas estas espécies, os algoritmos não apresentaram melhora significativa em seu desempenho quando modelados com os atributos pré-selecionados. De acordo com a validação cruzada, a maioria das espécies não apresentou diferença significativa entre a capacidade preditiva dos algoritmos árvore de decisão, Random Forest e redes neurais. Entretanto, o Random Forest demonstrou AUC numericamente superior na maioria dos casos. Já para a validação com o conjunto de teste, o Random Forest superou todos os algoritmos, inclusive o Maxent, para todas as espécies. A área predita pelo Random Forest foi menor do que a área predita pelo Maxent quando utilizado o limiar mínimo de adequabilidade ambiental presente no conjunto de treinamento; e menor quando a adequabilidade ambiental é reclassificada adotando o limiar 0,5. De acordo com as métricas de avaliação e os mapas obtidos para cada espécie, o Random Forest se mostrou um algoritmo com grande potencial para a modelagem da distribuição de espécies.