Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/39974
ORCID: | http://orcid.org/0000-0002-0569-3112 |
Tipo do documento: | Dissertação |
Tipo de acesso: | Acesso Aberto |
Título: | Modelo de predição do crescimento e produção para plantios de tachi-branco baseado em autômato celular e aprendizado de máquina |
Título(s) alternativo(s): | Growth and production prediction modelo for tachi-branco plantations based on cellular automaton and machine learning |
Autor(es): | Freitas, Pablo Henrique de |
Primeiro orientador: | Martins, Luiz Gustavo Almeida |
Primeiro coorientador: | Carneiro, Murillo Guimarães |
Primeiro membro da banca: | Soares, Álvaro Augusto Vieira |
Segundo membro da banca: | Lima, Danielli Araújo |
Resumo: | A dinâmica das plantações florestais tem sido amplamente estudada com aplicações de simulação computacional. Autômatos celulares (AC) é uma técnica capaz de modelar estados futuros com base em um conjunto de regras de transição. No entanto, essa construção não é simples, muitas vezes exigindo conhecimento técnico do processo por meio de anos de pesquisa científica. Técnicas de aprendizado de máquina podem ser aplicadas nesse contexto, facilitando a construção desses simuladores. De acordo com esse cenário, este trabalho apresenta um modelo de simulação baseado em autômatos celulares probabilísticos capazes de estimar a evolução da produção de madeira ao longo do período de manejo. Diferente de outros trabalhos da literatura, a construção da regra de transição do AC é baseada exclusivamente em dados históricos de uma plantação de Tachi-branco, uma espécie de floresta manejada. Modelos de regressão linear e logística são aplicados para aprender e representar as regras de transição locais do autômato e simular sua evolução. A abordagem proposta baseada em AC foi capaz de prever o comportamento futuro das plantações nas áreas monitoradas com erros em torno de 4%, confirmando o potencial do uso de aprendizado de máquina na descoberta de regras de transição para modelos precisos baseados em autômatos celulares. |
Abstract: | The dynamics of forest plantations have been widely studied with computational simulation applications. Cellular automata (CA) is a technique capable of modelling future states based on a set of transition rules. However, this construction is not simple, often requiring technical knowledge of the process through years of scientific research. Machine learning techniques can be applied in this context, facilitating the construction of these simulators. According to this scenario, this work presents a simulation model based on probabilistic cellular automata capable of estimating the evolution of wood production throughout the management period. Unlike other works in the literature, the construction of the AC transition rule is based exclusively on historical data from a Tachi-branco plantation, a managed forest species. Linear and logistic regression models are applied to learn and represent the local transition rules of the automaton and simulate its evolution. The proposed CA-based approach was able to predict the future behavior of plantations in the monitored areas with errors around 4%, confirming the potential of using machine learning in discovering transition rules for precise models based on cellular automata. |
Palavras-chave: | Autômato celular Aprendizado de máquina Florestas plantadas Predição da produção Cellular Automata Machine Learning Production prediction Managed Forest Managed Forest |
Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::LINGUAGEM FORMAIS E AUTOMATOS |
Assunto: | Computação Automato celular Aprendizado do computador Florestas - Inovações tecnológicas |
Idioma: | por |
País: | Brasil |
Editora: | Universidade Federal de Uberlândia |
Programa: | Programa de Pós-graduação em Ciência da Computação |
Referência: | FREITAS, Pablo Henrique de. Modelo de predição do crescimento e produção para plantios de tachi-branco baseado em autômato celular e aprendizado de máquina . 2023. 73 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2023. DOI http://doi.org/10.14393/ufu.di.2023.562. |
Identificador do documento: | http://doi.org/10.14393/ufu.di.2023.562 |
URI: | https://repositorio.ufu.br/handle/123456789/39974 |
Data de defesa: | 1-Nov-2023 |
Objetivos de Desenvolvimento Sustentável (ODS): | ODS::ODS 15. Vida terrestre - Proteger, recuperar e promover o uso sustentável dos ecossistemas terrestres, gerir de forma sustentável as florestas, combater a desertificação, deter e reverter a degradação da Terra e deter a perda da biodiversidade. |
Aparece nas coleções: | DISSERTAÇÃO - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ModeloPrediçãoCrescimento.pdf | Dissertação | 15.65 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.