03635nab a2200301 i 4500 BR-BrBNA 20240419115601.0 240418b2019 bl.qr|pooa||| 00| 0 por | BR-BrBNA por K10 U10 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 4065 314613 Santa Maria-RS Universidade Federal de Santa Maria - Centro de Pesquisas Florestais.Departamento de Ciências Florestais. Programa de Pós-Graduação em Engenharia Florestal 1991 2024-0865 Ciência Florestal (Brazil) 0103-9954; 1980-5098 (on-line) v. 29(4) p. 1501-1515; (Oct-Dec 2019) BR2023001699 https://www.scielo.br/j/cflo/a/WgBZRS7KnMrxSzLHwptQwSS/?format=pdf&lang=pt Analítica 299234 299234