Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica

Abstract

No presente estudo foram aplicados quatro algoritmos de aprendizado de máquina na tarefa de modelagem da relação hipsométrica de povoamentos de Pinus taeda L. em diferentes idades. Centenas de combinações de parâmetros foram testadas para os algoritmos k-vizinhos mais próximos, florestas aleatórias, máquinas de vetores de suporte e redes neurais artificiais. Para seleção do melhor modelo para cada algoritmo, utilizou-se o método de busca em grade combinada ao método de validação cruzada k-fold. Os modelos selecionados foram utilizados para predição da altura total de indivíduos pertencentes a um conjunto de dados independente, e os resultados foram comparados aos obtidos por modelos de regressão linear. Os modelos de aprendizado de máquina apresentaram indicadores estatísticos similares aos modelos de regressão linear, no entanto, tiveram dispersão de resíduos menos tendenciosa, principalmente na análise estratificada por povoamento. A máquina de vetores de suporte e a rede neural artificial foram os modelos mais satisfatórios em precisão e dispersão dos resíduos.