dc.contributor.advisor | Breunig, Fábio Marcelo | |
dc.creator | Sestari, Geovane | |
dc.date.accessioned | 2021-09-28T17:37:37Z | |
dc.date.available | 2021-09-28T17:37:37Z | |
dc.date.issued | 2021-08-31 | |
dc.date.submitted | 2021 | |
dc.identifier.citation | SESTARI, G. Aplicação de técnicas de machine learning a dados de Sensoriamento remoto para
o estudo de florestas plantadas de pinus. 2021. 55 p. Trabalho de Conclusão de Curso (Graduação
em Engenharia Florestal) – Universidade Federal de Santa Maria, Frederico Wesphalen, RS, 2021. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/22289 | |
dc.description | Trabalho de conclusão de curso (graduação) – Universidade Federal de Santa Maria, Campus Frederico Westphalen, Curso de Engenharia Florestal, RS, 2021. | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Vegetation index | eng |
dc.subject | Artificial intelligence | eng |
dc.subject | Xgboost | eng |
dc.subject | Índices de vegetação | por |
dc.subject | Inteligência artificial | por |
dc.subject | NDVI | por |
dc.subject | Xgboost | por |
dc.title | Aplicação de técnicas de machine learning a dados de sensoriamento remoto para o estudo de florestas plantadas de pinus | por |
dc.title.alternative | Pinus planted forests study with machine learning methods applied on remote sensing data | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Frederico Westphalen, RS, Brasil. | por |
dc.degree.graduation | Engenharia Florestal | por |
dc.description.resumo | A crescente pressão antrópica sobre os sistemas naturais tem sido bastante debatida nas últimas
décadas. As florestas por apresentarem, além dos seus benefícios ambientais, diferentes aplicações
para a produção de produtos utilizados pelos homens sofrem constantemente impactos negativos com
o aumento de demanda por matéria prima. Estudos relacionados ao aumento de produtividade das
espécies comerciais fornecem apoio para que as demandas ambientais e econômicas sejam atendidas.
Dados em larga escala, confiáveis e com uma boa frequência de coleta são fundamentais para a
realização desses estudos, tais como os dados de sensoriamento remoto. Associados a estes, as
técnicas estatísticas de aprendizado de máquinas podem aumentar a capacidade desses dados em
fornecer informações e inferências aos gestores, públicos ou privados, dos recursos naturais. O
presente estudo teve como objetivo avaliar a performance de algoritmos de aprendizado de máquinas
na predição da idade de plantios de Pinus taeda. Foi utilizada uma série multitemporal dos satélites
Landsat, dados SRTM e índices de vegetação para análises do comportamento espectral dos plantios.
Esses dados serviram de entrada para o modelo de Bosting Learning XGboost, para a modelagem e
predição da idade dos plantios. A avaliação espectral possibilitou identificar a época de plantio,
desbastes aplicados nas áreas, assim como, estabilização do crescimento. O modelo de aprendizado de
máquinas obtido teve um R2 de 0,926, RMSE de ± 1,27 e um MAE ± 0,72, como métricas de
desempenho, além de apresentar uma boa consistência quando aplicado em dados de plantio que não
foram utilizados durante o treinamento. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL | por |
dc.publisher.unidade | UFSM Frederico Westphalen | por |