Título: USO DE APRENDIZADO DE MÁQUINA PARA A PREDIÇÃO DO RENDIMENTO OPERACIONAL NA COLHEITA DE EUCALIPTO

Título alternativo: USE OF LEARNING MACHINE FOR PREDICTION OF OPERATING INCOME IN EUCALYPTUS HARVEST

Autoria de: Poliana Brito Nejaim

Orientação de: Lucas Rezende Gomide

Coorientação de: Talles Hudson Souza Lacerda

Presidente da banca: Lucas Rezende Gomide

Primeiro membro da banca: Talles Hudson Souza Lacerda

Segundo membro da banca: Isáira Leite e Lopes

Palavras-chaves: Planejamento Florestal, Colheita florestal, Aprendizado de Máquinas, Redes Neurais, Eucalipto

Data da defesa: 29/11/2019

Semestre letivo da defesa: 2019-2

Data da versão final: 16/12/2019

Data da publicação: 16/12/2019

Referência: Nejaim, P. B. USO DE APRENDIZADO DE MÁQUINA PARA A PREDIÇÃO DO RENDIMENTO OPERACIONAL NA COLHEITA DE EUCALIPTO. 2019. 35 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Florestal Bacharelado)-Universidade Federal de Lavras, Lavras, 2019.

Resumo: A coleta e o processamento de variáveis para a modelagem de um dado atributo é um desafio constante na Engenharia Florestal. Independente do caminho metodológico seguido, os resultados gerados auxiliam na tomada de decisão. Atualmente, a inteligência artificial se mostra como uma alternativa promissora para gerar resultados confiáveis e com baixo erro. Assim, o presente trabalho teve como objetivo avaliar o desempenho das variáveis coletadas no boletim de colheita para a predição do rendimento operacional de frente de corte. Foram avaliadas variáveis como volume médio individual das árvores, área, turno, classe de experiência dos operadores e equipamentos. Para tal, a pesquisa utilizou a construção de Redes Neurais Artificiais (RNAs) na predição do rendimento operacional da colheita florestal. Buscando o êxito deste propósito, definiu-se a utilização da arquitetura Multilayer Perceptron com a separação da base de dados em treinamento (70) e validação (30) no pacote Neuralnet. Os resultados demonstraram um desempenho promissor no uso deste método. A partir das opções testadas foram selecionadas as 3 melhores configurações. Posteriormente, essas passaram por um refino para potencializar seu desempenho. A rede número 684 apresentou o melhor conjunto de análises estatísticas e gráficas, os valores apresentados foram RMSE (teste 17,1 e validação 21,65), BIAS (teste -0,06 e validação 0,25) e rs (teste 0,45 e validação 0,36). Apesar do bom desempenho do método, observou-se baixa correlação dos dados entre o estimado e o real pode ser vinculada à escassez de variáveis preditoras, o que poderia ser sanado com a coleta de mais informações edafoclimáticas, mecânicas e temporais. Concluiu-se que o estudo permitiu a ampliação do conhecimento técnico sobre o tema, obtendo resultados satisfatórios. As redes neurais artificiais são eficientes para predizer o rendimento operacional, mas ainda faz-se necessária a coleta e estudos de mais variáveis no boletim de colheita para a melhoria da correlação dos dados.

Abstract: The collection and processing of variables for modeling a given attribute is a constant challenge in Forest Engineering. Regardless of the methodological path followed, the results generated help in decision making. Today, artificial intelligence shows as a promising alternative to generate results with low errors. Thus, the present study aimed to evaluate the performance of the variables collected in the harvest report to predict the operational performance of the cutting front. Variables such as the individual average volume of trees, area, shift, operator experience and equipment were evaluated. For such, a research used the construction of Artificial Neural Networks (RNAs) in the prediction of the operational yield of the forest harvest. In pursuit or achievement of this goal, define the use of the Multilayer Perceptron architecture with training database selection (70) and validation (30) in the Neuralnet package. The results demonstrated promising performance in using this method. From the options tested, the 3 best settings were selected. Subsequently, these threats refine to enhance their performance. Number 684 presents the best set of statistics and statistics, the values presented were RMSE (test 17.1 and validation 21.65), BIAS (test -0.06 and validation 0.25) and rs (test 0.45 and validation 0.36). Despite the good performance of the method, the low correlation between estimated and actual data may be linked to predictor variable scores, or that could be remedied by collecting more edaphoclimatic, mechanical, and temporal information. It was concluded that the study allowed the expansion of technical knowledge on the subject, obtaining satisfactory results. Because artificial neural networks are effective in predicting operational performance, it is still necessary to collect and study more variables in the harvest report to improve data correlation.

URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
engenharia_florestal/20192201720286

URI alternaviva: repositorio.ufla.br/handle/1/44310

Curso: G005 - ENGENHARIA FLORESTAL (BACHARELADO)

Nome da editora: Universidade Federal de Lavras

Sigla da editora: UFLA

País da editora: Brasil

Gênero textual: Trabalho de Conclusão de Curso

Nome da língua do conteúdo: Português

Código da língua do conteúdo: por

Licença de acesso: Acesso aberto

Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras

URI da licença: repositorio.ufla.br

Termos da licença: Acesso aos termos da licença em repositorio.ufla.br

Detentores dos direitos autorais: Poliana Brito Nejaim e Universidade Federal de Lavras

Baixar arquivo