Publicação: Reamostragem em redes neurais: uma abordagem alternativa aos métodos tradicionais de interpolação espacial para modelagem de superfícies em áreas agrícolas
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS, CNPQ::CIENCIAS AGRARIAS::AGRONOMIA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Rofatto, Vinicius Francisco
Resumo
As Redes Neurais Artificiais (RNAs) têm sido empregadas em diversas aplicações, destacando-se como um poderoso recurso para analisar dados e resolver problemas em diversas áreas do conhecimento. Na modelagem de superfícies, as RNAs desempenham o papel de um método de interpolação espacial. Entretanto, ao empregar as redes neurais, as predições dos valores de altitude não vêm acompanhadas de suas correspondentes incertezas. Nesta contribuição, fornecemos o aprimoramento das estimativas de RNAs em uma abordagem inovadora, aplicando um método de reamostragem para prever intervalos de altitudes em vez de uma única estimativa, como é comumente realizado por técnicas convencionais. Uma rede Perceptron de Múltiplas Camadas (MLP) foi usada para prever os intervalos de altitudes com base nas coordenadas dos pontos coletados em campo por Posicionamento Cinemático em Tempo Real (RTK). A rede foi treinada e validada usando o método de reamostragem Repeated Leave-One-Out Cross-Validation (RLOOCV), uma extensão do clássico método Leave-One-Out Cross-Validation (LOOCV), que ao realizar diversas iterações permite a captura da aleatoriedade associada à rede neural, incluindo fatores como arquitetura, inicialização e procedimento de aprendizado. As métricas de desempenho revelaram resultados satisfatórios na estimativa de altitudes, apresentando valores de Raiz do Erro Quadrático Médio (RMSE) consistentes, com a média global de RMSE, RMSE máximo e RMSE mínimo de 0,081 m (± 0,002), 0,520 m e 0,027 m, respectivamente. Embora essa metodologia tenha apresentado um desempenho satisfatório, a análise espacial revelou desafios na generalização em áreas vertentes, de talvegue e com variações abruptas na inclinação do terreno.
Abstract
Artificial Neural Networks (ANNs) have been employed in a wide range of applications, representing a highly potential mechanism for data analysis and problem-solving across various fields of knowledge. In surface modeling, ANNs play the role of a spatial interpolation method. However, when employing neural networks, predictions of altitude values do not provide their corresponding uncertainties. In this contribution, this research provides an enhancement of ANN predictions through an innovative approach by applying a resampling method to predict altitude intervals instead of a single estimate, as commonly done by conventional techniques. A Multilayer Perceptron (MLP) network was used to predict altitude intervals based on the coordinates of field-collected points using Real Time Kinematic (RTK) positioning. The network was trained and validated using the Repeated Leave-One-Out Cross-Validation (RLOOCV) resampling method, an extension of the classic Leave-One-Out Cross-Validation (LOOCV) method, which, through multiple iterations, captures the randomness associated with the neural network, including factors like architecture, initialization, and learning procedure. The performance metrics demonstrated satisfactory results in altitude estimation, presenting consistent Root Mean Square Error (RMSE) values, with the global average RMSE, maximum RMSE and minimum RMSE of 0.081 m (± 0.002), 0.520 m e 0.027 m, respectively. Although this methodology demonstrated satisfactory performance, spatial analysis revealed challenges in generalizing to slope, valley, and areas with abrupt variations in terrain inclination.
Palavras-chave
rede neural artificial, artificial neural network, divisão de dados, data splitting, reamostragem, resampling, leave-one-out, leave-one-out, predição de intervalo, interval prediction
Citação
SILVA, Wilker de Jesus. Reamostragem em redes neurais: uma abordagem alternativa aos métodos tradicionais de interpolação espacial para modelagem de superfícies em áreas agrícolas. 2024. 32 f. Dissertação (Mestrado em Agricultura e Informações Geoespaciais) - Universidade Federal de Uberlândia, Monte Carmelo, 2024. DOI http://doi.org/10.14393/ufu.di.2024.118.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto