000			04538nab a2200325 i 4500
003			BR-BrBNA
005			20240523121810.0
008			240523b2022 bl.ar|pooa||| 00| 0 eng |
040			_aBR-BrBNA _beng
072			_aK10
072			_aU40
100			_aCarvalho, Mônica Canaan
100			_aGomide, Lucas Rezende
100			_aScolforo, José Roberto Soares
100			_aPáscoa, Kalill José Viana da
100			_aAraújo, Laís Almeida
100			_aLopes, Isáira Leite e
245			_aData mining applied to feature selection methods for aboveground carbon stock modelling
500			_aPublicação on-line; 27 ref.; 4 illus.; Summaries (En, Pt)
520			_a Abstract – The objective of this work was to apply the random forest (RF) algorithm to the modelling of the aboveground carbon (AGC) stock of a tropical forest by testing three feature selection procedures – recursive removal and the uniobjective and multiobjective genetic algorithms (GAs). The used database covered 1,007 plots sampled in the Rio Grande watershed, in the state of Minas Gerais state, Brazil, and 114 environmental variables (climatic, edaphic, geographic, terrain, and spectral). The best feature selection strategy – RF with multiobjective GA – reaches the minor root-square error of 17.75 Mg ha-1 with only four spectral variables – normalized difference moisture index, normalized burn ratio 2 correlation texture, treecover, and latent heat flux –, which represents a reduction of 96.5% in the size of the database. Feature selection strategies assist in obtaining a better RF performance, by improving the accuracy and reducing the volume of the data. Although the recursive removal and multiobjective GA showed a similar performance as feature selection strategies, the latter presents the smallest subset of variables, with the highest accuracy. The findings of this study highlight the importance of using near infrared, short wavelengths, and derived vegetation indices for the remote-sense-based estimation of AGC. The MODIS products show a significant relationship with the AGC stock and should be further explored by the scientific community for the modelling of this stock. Index terms: forest management, genetic algorithm, random forest.
520			_a Resumo – O objetivo deste trabalho foi aplicar o algoritmo “random forest” (RF) à modelagem do estoque de carbono acima do solo (CAS) de uma floresta tropical, por meio da testagem de três procedimentos de seleção de variáveis: remoção recursiva e algoritmos genéticos (AGs) uniobjetivo e multiobjetivo. Os dados utilizados abrangeram 1.007 parcelas amostradas na bacia hidrográfica do Rio Grande, no estado de Minas Gerais, Brasil, e 114 variáveis ambientais (climáticas, edáficas, geográficas, de terreno e espectrais). A melhor estratégia de seleção de variáveis – a RF com AG multiobjetivo – chega ao menor erro quadrático de 17,75 Mg ha-1 com apenas quatro variáveis espectrais – índice de umidade por diferença normalizada, textura de correlação do índice de queimada por razão normalizada 2, cobertura arbórea e fluxo de calor latente –, o que representa redução de 96,5% no tamanho do banco de dados. As estratégias de seleção de variáveis ajudam a obter melhor desempenho da RF, ao melhorar a acurácia e reduzir o volume dos dados. Embora a remoção recursiva e o AG multiobjetivo mostrem desempenho semelhante como estratégias de seleção de variáveis, esta último apresenta menor subconjunto de variáveis, com maior precisão. As descobertas deste trabalho destacam a importância do uso de infravermelho próximo, comprimentos de onda curtos e índices de vegetação derivados para a estimativa de CAS baseada em sensoriamento remoto. Os produtos MODIS mostram relação significativa com o estoque de CAS e precisam ser melhor explorados pela comunidade científica para a modelagem deste estoque. Termos para indexação: manejo florestal, algoritmo genético, floresta aleatória.
650			_aFLORESTA TROPICAL
650			_aMANEJO
650			_aSENSORIAMENTO REMOTO
650			_aCARBONO
773	0		_0920 _925802 _dBrasília-DF Empresa Brasileira de Pesquisa Agropecuária - EMBRAPA 1966- _o2023-436358 _tPesquisa Agropecuária Brasileira (Brazil) _x0100-204X _gv. 57 p. 1-13; (2022) _wBR2024001081
856			_uhttps://www.scielo.br/j/pab/a/679y4MZ9D5C4gZxZ4M7rGHv/?format=pdf&lang=en
942			_cAnalítica
999			_c299739 _d299739