Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica

Detalhes bibliográficos
Ano de defesa: 2012
Autor(a) principal: Faller, Daiane Gracieli
Orientador(a): Camargo, Mauricio Garcia de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Teses
Oceanografia
Link de acesso: https://hdl.handle.net/1884/29269
Resumo: Orientador : Prof. Dr. Maurício garcia Camargo
id UFPR_29470aa2fc470c978aa820cdba71a90f
oai_identifier_str oai:acervodigital.ufpr.br:1884/29269
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Campus Pontal do Paraná - Centro de Estudos do Mar. Programa de Pós-Graduação em Sistemas Costeiros e OceânicosCamargo, Mauricio Garcia deFaller, Daiane Gracieli2022-12-06T17:21:05Z2022-12-06T17:21:05Z2012https://hdl.handle.net/1884/29269Orientador : Prof. Dr. Maurício garcia CamargoDissertação (mestrado) - Universidade Federal do Paraná, Centro de Estudos do Mar, Programa de Pos-Graduação em Sistemas Costeiros e Oceanicos. Defesa : Pontal do Parana, 23/03/2012Bibliografia: fls. 90-92Resumo: O objetivo geral deste estudo foi avaliar a aplicação de diferentes técnicas de inteligência artificial (IA) na predição e análise espacial da macrofauna bêntica em relação aos descritores ambientais. Em um primeiro momento, a distribuição da fauna em relação às variáveis ambientais foi analisada através de mapas autoorganizáveis (SOMs), que identificaram cinco grupos ambientais distintos, cada um contendo pontos com características semelhantes. A ocorrência dos táxons foi maior para grupos que registraram maiores valores das variáveis que indicam enriquecimento orgânico. Em seguida, foram desenvolvidos modelos de predição da presença/ausência de 20 táxons, simultânea e individualmente, utilizando perceptrons de múltiplas camadas (MLP) com seleção de variáveis ambientais através dos algoritmos genéticos (GA). Para todos os táxons simultaneamente, o melhor modelo foi obtido com apenas oito variáveis. Para os táxons individualmente, somente para T. lineata a seleção de variáveis prejudicou a eficiência do modelo, enquanto os demais responderam positivamente à seleção. Através da análise de sensibilidade foi possível identificar que a presença da maioria dos táxons esteve relacionada com variáveis que denotam enriquecimento orgânico no ambiente. Por último, foram desenvolvidos modelos de predição de máquinas de vetor de suporte (SVM) e árvores de classificação (CT). O desempenho das duas técnicas foi comparado e cada técnica foi avaliada antes e após seleção de variáveis com GAs. Os resultados para as duas técnicas foram melhores após a seleção das variáveis ambientais. Os modelos desenvolvidos com CTs, no geral, obtiveram valores superiores para todas as medidas de desempenho. Entre os 20 táxons modelados, 16 obtiveram sucesso para as CTs, enquanto que para as SVMs apenas 10 táxons foram modelados com sucesso.Abstract: The aim of this study was to analyze the application of different artificial intelligence techniques in spatial analysis and prediction of benthic macrofauna in relation to environmental variables. Initially, the fauna distribution in relation to environmental variables was identified through self-organizing maps (SOMs). The SOMs identified five different environmental groups, which grouped the points with similar characteristics. The occurrence of taxa was greater for groups which recorded the highest values of the variables indicating organic enrichment. Then, models were developed to predict the presence/absence of 20 taxa, simultaneous and individually, using multilayer perceptrons (MLP) with environmental variables selection using genetic algorithms (GAs). For all taxa simultaneously the best model was obtained with only eight variables. For individual taxa, only for T. lineata the variable selection undermined the models efficiency and all other taxa have responded positively to the selection. Through sensitivity analysis it was found that the presence of most taxa was related to variables denoting environmental organic enrichment. Finally, predicting models were developed by support vector machines (SVM) and classification trees (CT). The performances of these techniques were compared and each technique was evaluated before and after variables selection with GAs. The results for both techniques were better after the selection of environmental variables. The models developed with CTs in general had higher values for all performance measures. Among the 20 taxa modeled, 16 were successful to CTs, while for the SVM, only 10 taxa were modeled successfully.94f. : il. [algumas color.], grafs., maps., tabs.application/pdfDisponível em formato digitalTesesOceanografiaAplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bênticainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - DAIANE GRACIELI FALLER.pdfapplication/pdf2322307https://acervodigital.ufpr.br/bitstream/1884/29269/1/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdfc79c1d183d8c64f095badac49d00ea09MD51open accessTEXTR - D - DAIANE GRACIELI FALLER.pdf.txtExtracted Texttext/plain199964https://acervodigital.ufpr.br/bitstream/1884/29269/2/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdf.txt340807ffc2d5382168e312d051c9d0fbMD52open accessTHUMBNAILR - D - DAIANE GRACIELI FALLER.pdf.jpgGenerated Thumbnailimage/jpeg1162https://acervodigital.ufpr.br/bitstream/1884/29269/3/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdf.jpgf45ec86ea96002fcfc9dc9469066fdf6MD53open access1884/292692022-12-06 14:21:06.059open accessoai:acervodigital.ufpr.br:1884/29269Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082022-12-06T17:21:06Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
title Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
spellingShingle Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
Faller, Daiane Gracieli
Teses
Oceanografia
title_short Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
title_full Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
title_fullStr Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
title_full_unstemmed Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
title_sort Aplicação de modelos de inteligência artificial na predição e análise espacial da macrofauna bêntica
author Faller, Daiane Gracieli
author_facet Faller, Daiane Gracieli
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Campus Pontal do Paraná - Centro de Estudos do Mar. Programa de Pós-Graduação em Sistemas Costeiros e Oceânicos
dc.contributor.advisor1.fl_str_mv Camargo, Mauricio Garcia de
dc.contributor.author.fl_str_mv Faller, Daiane Gracieli
contributor_str_mv Camargo, Mauricio Garcia de
dc.subject.por.fl_str_mv Teses
Oceanografia
topic Teses
Oceanografia
description Orientador : Prof. Dr. Maurício garcia Camargo
publishDate 2012
dc.date.issued.fl_str_mv 2012
dc.date.accessioned.fl_str_mv 2022-12-06T17:21:05Z
dc.date.available.fl_str_mv 2022-12-06T17:21:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/29269
url https://hdl.handle.net/1884/29269
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 94f. : il. [algumas color.], grafs., maps., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/29269/1/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdf
https://acervodigital.ufpr.br/bitstream/1884/29269/2/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/29269/3/R%20-%20D%20-%20DAIANE%20GRACIELI%20FALLER.pdf.jpg
bitstream.checksum.fl_str_mv c79c1d183d8c64f095badac49d00ea09
340807ffc2d5382168e312d051c9d0fb
f45ec86ea96002fcfc9dc9469066fdf6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526172710141952

Registros relacionados