Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/34645
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_RuanFelipeLimaCaldeira_tcc.pdf1,36 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorMiguel, Éder Pereira-
dc.contributor.authorCaldeira, Ruan Felipe Lima-
dc.identifier.citationCALDEIRA, Ruan Felipe Lima. Modelos volumétricos e Redes Neurais Artificiais são acurados para a predição do volume individual em povoamentos de Tectona grandis Linn.F. 2022. 48 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Florestal) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, 2022.pt_BR
dc.description.abstractA Tectona grandis Linn. F. (teca) é uma das espécies tropicais com madeira mais valiosa do mundo, que possui alta demanda, o que causou um intenso crescimento de plantios no território brasileiro. Tendo em vista seu alto valor comercial, é imprescindível estimativas acuradas de seu volume nos inventários florestais. Portanto, esse estudo buscou comparar o desempenho das estimativas de volume individual de teca por intermédio de modelos volumétricos e Redes Neurais Artificiais (RNA) em um povoamento clonal na Amazônia Oriental. Foram cubadas 149 árvores utilizando o método relativo de Hohenadl, com idades variando de 4 a 12 anos. Desses dados, 70 % foram usados no ajuste dos modelos volumétricos e no treino das RNAs, e os demais 30 % na validação utilizando o teste de bootstrap. As redes treinadas foram do tipo Multilayer Perceptron, supervisionadas. A precisão do ajuste dos modelos volumétricos e das RNAs treinadas foi avaliada utilizando o erro padrão residual absoluto e percentual da estimativa (Syx e Syx %), do coeficiente de correlação (r) e da análise gráfica de resíduos. A acurácia da RNA e do modelo volumétrico mais precisos, frente o volume verdadeiro, foram comparados pelo teste de Kruskal-Wallis e como estatística complementar a diferença agregada. Os modelos e as redes apresentaram medidas acuradas, dos quais o modelo de Takata e a RNA nº 4 alcançaram uma correlação de 0,991 e erro menor que 7,5 %. Embora a rede tenha tido uma ligeira superioridade, o teste de Kruskal-Wallis não indicou diferença significativa entre o volume estimado pelas diferentes categorias (regressão e inteligência artificial) frente ao volume real, sendo ambos capazes de gerar estimativas acuradas.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordTeca (Tectona grandis Linn)pt_BR
dc.subject.keywordInteligência artificialpt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordManejo florestalpt_BR
dc.subject.keywordFlorestas - povoamentopt_BR
dc.titleModelos volumétricos e Redes Neurais Artificiais são acurados para a predição do volume individual em povoamentos de Tectona grandis Linn.Fpt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-04-28T11:40:50Z-
dc.date.available2023-04-28T11:40:50Z-
dc.date.submitted2022-09-23-
dc.identifier.urihttps://bdm.unb.br/handle/10483/34645-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Tectona grandis Linn. F. (teak) is a specie with one of the most highly valued timber in the world, which has a high demand in the international market, leading to an intense increasing in its plantations in Brazilian territory. Regarding its commercial value, accurate estimates of volume are essential to forest inventories. Hence, this study aimed to compare the performance of estimates of teak’s volume made by volumetric models and artificial neural networks (ANN) for a clonal stand in the East Amazon. 149 trees were measured by Hohenadl’s method, with ages ranging from 4 to 12 years, from which 70 % of the data were used to adjust the volumetric models and train the networks and the remaining 30 % were applied to validate the prediction methods by the bootstrap test. The ANN with Multilayer Perceptron architecture were trained using supervised learning. The precision of the adjustment of the volumetric models and the trained ANN was evaluated through the absolute residual standard error and percentage of the estimate (Syx and Syx%), the correlation coefficient (r) and the graphic analysis of residues. The accuracy of the most precise ANN and volumetric model, with regard to the real volume, were contrasted by means of the Kruskal-Wallis test and the aggregated difference. Both the models and the networks presented accurate measures, from which the Takata model and ANN nº 4 presented correlation coefficient equal to 0,991 and standard error lower than 7,5 %. Although the ANN showed slightly better measures, the Kruskal-Wallis test did not find any significant difference between them (regression and ANN) when they have been faced with the real volume, being both able to predict accurately teak’s volume.pt_BR
Aparece na Coleção:Engenharia Florestal



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.