Machine learning na predição de desembolsos financeiros das manutenções de máquinas na colheita de madeira

• Ano de defesa: 2025
• Autor(a) principal: Pandolfo, Paloma Trevisan [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Colheita de madeira mecanizada; Manutenção florestal; Desembolso financeiro; Harvester; Cut-to-length; Forest maintenance; Machine learning; Predictive analysis
• Link de acesso: https://hdl.handle.net/11449/316932

A colheita mecanizada de madeira exige um planejamento assertivo e robusto, principalmente o financeiro, por se tratar da operação de maior dispêndio na cadeia produtiva florestal. O planejamento financeiro dos custos de manutenção florestal tradicionalmente se baseia em conhecimento estatístico e modelagem matemática. Contudo, com o grande volume de dados oriundos de sistemas e controle nas máquinas, é possível realizar análises mais complexas e confiáveis, utilizando ferramentas como o aprendizado de máquina, que combina estatística, inteligência artificial e ciências matemáticas para resolver diversos desafios. Diante disso, este estudo teve como objetivo determinar se os atributos inerentes à colheita mecanizada de madeira de florestas plantadas de Eucalyptus permitem a criação de um modelo capaz de prever os desembolsos financeiros dos materiais de manutenção das máquinas florestais adaptadas - harvesters a partir do aprendizado de máquina. Para a modelagem, foram considerados oito atributos operacionais e edáficos relacionados ao custo operacional de manutenção dos harvesters. O custo operacional de manutenção dos harvesters foi considerado como atributo-alvo. O banco de dados foi submetido a 24 algoritmos no modo padrão da técnica de aprendizado supervisionado, os quais foram comparados acordo com as métricas de erro e a precisão. O modelo combinado CART x Catboost por stacking apresenta métricas de desempenho mais estáveis e confiáveis na predição dos custos de manutenção dos harvesters de esteira em florestas plantadas de Eucalyptus, com R² de 0,90 e erro máximo de R$ 3.066,43. Os atributos com maior influência relativa na predição do modelo são as categorias dos materiais, o relevo e a textura. Os materiais mais consumidos são as mangueiras e os filtros, mas, por outro lado, os cilindros representam maior dispêndio financeiro.