Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/3162
Tipo: Dissertação
Título: Prognose e Regulação de Florestas de eucalipto utilizando Modelo de Crescimento e Inteligência Computacional
Título(s) alternativo(s): Prognosis and Regulation of eucalyptus forest using Growth Model and Computational Intelligence
Autor(es): Magalhães, Juliana Galvão de Sousa
Primeiro Orientador: Silva, Márcio Lopes da
Primeiro avaliador: Leite, Hélio Garcia
Segundo avaliador: Binoti, Daniel Henrique Breda
Abstract: O intuito deste estudo foi avaliar o desempenho da técnica de inteligência artificial, Máquinas de Vetores Suporte (MVS), para a projeção da produção de povoamentos equiâneos, em relação ao emprego de um modelo de densidade variável e de uma rede neural artificial (RNA). Ademais, comparou-se o efeito destas metodologias na regulação da produção em uma fazenda modelo. A estrutura da dissertação é organizada em três capítulos. O capítulo 1 consiste na revisão bibliográfica dos diversos métodos de modelagem utilizados, e de uma breve abordagem sobre a influência destes e dos dados florestais para o estudo do crescimento e produção. Fundamenta-se também a proposta de utilização das técnicas de inteligência artificial como alternativa eficiente para modelagem florestal, abrangendo também o conceito de Máquina de Vetores Suporte e desta teoria na aproximação por regressão. No capítulo 2, diferentes Máquinas de Vetores Suporte são construídas para prognose da produção, sendo esses resultados comparados aos do modelo de crescimento e das Redes Neurais Artificiais. No capítulo 3, cada alternativa foi utilizada para elaborar tabelas de produção, as quais serviram como entrada (inputs) em um modelo de programação linear (PL) formulado com intuito de regular a produção de uma fazenda modelo.
The purpose of this study is to evaluate the performance of an Artificial Intelligence technique, Support Vector Machines (SVM), on projecting the production of eucalyptus stands. Furthermore, it aimed to analyze the effects of these methodologies on regulating the production in a model farm. This dissertation is organized into three chapters: Chapter 1 consists of a forest modeling review, and a brief overview of these techniques and forest data influence on modeling the growth and yield. It also proposes the use of artificial intelligence techniques as an efficient alternative for forest modeling, covering the concept of Support Vector Machine and Least Square Support Vector Machine. In Chapter 2, different Support Vector Machines were built for eucalyptus production prognosis, and these results were compared to those by growth model and Artificial Neural Networks. In chapter 3, each alternative has been used to develop production tables, which served as input into a linear programming model (LP) formulated to regulate the production of a model farm.
Palavras-chave: Eucalipto - Cultivo
Redes neurais artificiais
Modelagem florestal
Eucalyptus - Cultivation
Artificial neural networks
Forest modeling
CNPq: CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL::MANEJO FLORESTAL
Idioma: por
País: BR
Editor: Universidade Federal de Viçosa
Sigla da Instituição: UFV
Departamento: Manejo Florestal; Meio Ambiente e Conservação da Natureza; Silvicultura; Tecnologia e Utilização de
Programa: Mestrado em Ciência Florestal
Citação: MAGALHÃES, Juliana Galvão de Sousa. Prognosis and Regulation of eucalyptus forest using Growth Model and Computational Intelligence. 2014. 77 f. Dissertação (Mestrado em Manejo Florestal; Meio Ambiente e Conservação da Natureza; Silvicultura; Tecnologia e Utilização de) - Universidade Federal de Viçosa, Viçosa, 2014.
Tipo de Acesso: Acesso Aberto
URI: http://locus.ufv.br/handle/123456789/3162
Data do documento: 18-Fev-2014
Aparece nas coleções:Ciência Florestal

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdf1,31 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.