Mostrar registro simples

Aplicação de técnicas de machine learning a dados de sensoriamento remoto para o estudo de florestas plantadas de pinus

dc.contributor.advisorBreunig, Fábio Marcelo
dc.creatorSestari, Geovane
dc.date.accessioned2021-09-28T17:37:37Z
dc.date.available2021-09-28T17:37:37Z
dc.date.issued2021-08-31
dc.date.submitted2021
dc.identifier.citationSESTARI, 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.urihttp://repositorio.ufsm.br/handle/1/22289
dc.descriptionTrabalho de conclusão de curso (graduação) – Universidade Federal de Santa Maria, Campus Frederico Westphalen, Curso de Engenharia Florestal, RS, 2021.por
dc.languageporpor
dc.publisherUniversidade Federal de Santa Mariapor
dc.rightsAcesso Abertopor
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectVegetation indexeng
dc.subjectArtificial intelligenceeng
dc.subjectXgboosteng
dc.subjectÍndices de vegetaçãopor
dc.subjectInteligência artificialpor
dc.subjectNDVIpor
dc.subjectXgboostpor
dc.titleAplicação de técnicas de machine learning a dados de sensoriamento remoto para o estudo de florestas plantadas de pinuspor
dc.title.alternativePinus planted forests study with machine learning methods applied on remote sensing dataeng
dc.typeTrabalho de Conclusão de Curso de Graduaçãopor
dc.degree.localFrederico Westphalen, RS, Brasil.por
dc.degree.graduationEngenharia Florestalpor
dc.description.resumoA 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.countryBrasilpor
dc.publisher.initialsUFSMpor
dc.subject.cnpqCNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTALpor
dc.publisher.unidadeUFSM Frederico Westphalenpor


Arquivos deste item

Thumbnail
Nome:
Sestari_Geovane_2021_TCC.pdf
Tamanho:
3.906Mb
Formato:
PDF
Descrição:
TCC de Graduação
Visualizar/Abrir
Thumbnail
Nome:
license_rdf
Tamanho:
805bytes
Formato:
application/rdf+xml
Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples

Acesso Aberto
Exceto quando indicado o contrário, a licença deste item é descrito como Acesso Aberto