Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica
Costa Filho, Sérgio Vinícius Serejo da Arce, Julio Eduardo Montaño, Razer Nizer Rojas Pelissari, Allan Libanio
Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica
Publicação on-line; 23 ref.; 5 tables; 2 illus.; Summaries (En, Pt)
Resumo
No presente estudo foram aplicados quatro algoritmos de aprendizado de máquina na tarefa de modelagem
da relação hipsométrica de povoamentos de Pinus taeda L. em diferentes idades. Centenas de combinações
de parâmetros foram testadas para os algoritmos k-vizinhos mais próximos, florestas aleatórias, máquinas
de vetores de suporte e redes neurais artificiais. Para seleção do melhor modelo para cada algoritmo,
utilizou-se o método de busca em grade combinada ao método de validação cruzada k-fold. Os modelos
selecionados foram utilizados para predição da altura total de indivíduos pertencentes a um conjunto
de dados independente, e os resultados foram comparados aos obtidos por modelos de regressão linear.
Os modelos de aprendizado de máquina apresentaram indicadores estatísticos similares aos modelos de
regressão linear, no entanto, tiveram dispersão de resíduos menos tendenciosa, principalmente na análise
estratificada por povoamento. A máquina de vetores de suporte e a rede neural artificial foram os modelos
mais satisfatórios em precisão e dispersão dos resíduos.
Palavras-chave: Inteligência artificial; Busca em grade; Redes neurais artificiais; Validação cruzada
Abstract
In the present study, four machine learning algorithms were applied in the task of modeling the heightdiameter relationship of Pinus taeda L. stands at different ages. Hundreds of parameter combinations were
tested for the k-nearest neighbors, random forests, support vector machines, and artificial neural networks
algorithms. In order to select the best model for each algorithm, the grid search and the k-fold cross
validation methods were applied. The selected models were used to predict the total height of individuals
in an independent data set, and the results were compared to those obtained by linear regression models.
The machine learning models presented similar statistical indicators to the linear regression models.
However, they had less biased dispersion of residues, especially in the stratified analysis by age. The
support vector machine and the artificial neural network were the most satisfactory models in precision
and dispersion of residues.
Keywords: Artificial intelligence; Grid search; Artificial neural networks; Cross validation
HIPSÔMETRO
FLORESTA
MÉTODO ESTATÍSTICO
POVOAMENTO FLORESTAL
Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica
Publicação on-line; 23 ref.; 5 tables; 2 illus.; Summaries (En, Pt)
Resumo
No presente estudo foram aplicados quatro algoritmos de aprendizado de máquina na tarefa de modelagem
da relação hipsométrica de povoamentos de Pinus taeda L. em diferentes idades. Centenas de combinações
de parâmetros foram testadas para os algoritmos k-vizinhos mais próximos, florestas aleatórias, máquinas
de vetores de suporte e redes neurais artificiais. Para seleção do melhor modelo para cada algoritmo,
utilizou-se o método de busca em grade combinada ao método de validação cruzada k-fold. Os modelos
selecionados foram utilizados para predição da altura total de indivíduos pertencentes a um conjunto
de dados independente, e os resultados foram comparados aos obtidos por modelos de regressão linear.
Os modelos de aprendizado de máquina apresentaram indicadores estatísticos similares aos modelos de
regressão linear, no entanto, tiveram dispersão de resíduos menos tendenciosa, principalmente na análise
estratificada por povoamento. A máquina de vetores de suporte e a rede neural artificial foram os modelos
mais satisfatórios em precisão e dispersão dos resíduos.
Palavras-chave: Inteligência artificial; Busca em grade; Redes neurais artificiais; Validação cruzada
Abstract
In the present study, four machine learning algorithms were applied in the task of modeling the heightdiameter relationship of Pinus taeda L. stands at different ages. Hundreds of parameter combinations were
tested for the k-nearest neighbors, random forests, support vector machines, and artificial neural networks
algorithms. In order to select the best model for each algorithm, the grid search and the k-fold cross
validation methods were applied. The selected models were used to predict the total height of individuals
in an independent data set, and the results were compared to those obtained by linear regression models.
The machine learning models presented similar statistical indicators to the linear regression models.
However, they had less biased dispersion of residues, especially in the stratified analysis by age. The
support vector machine and the artificial neural network were the most satisfactory models in precision
and dispersion of residues.
Keywords: Artificial intelligence; Grid search; Artificial neural networks; Cross validation
HIPSÔMETRO
FLORESTA
MÉTODO ESTATÍSTICO
POVOAMENTO FLORESTAL
BINAGRI