| |
|
|
| Registros recuperados : 21 | |
| 7. |  | GOMIDE, L. R.; COSTA, E. R. O.; CORRAZZA, A. P.; BIONDI, D. Avaliação paisagística de um trecho da rodovia PR-340, Antonina, Paraná, Brasil. Floresta, Curitiba, v. 40, n.4, p. 701-710, out./dez. 2010.| Biblioteca(s): Embrapa Florestas. |
|   |
| 12. | | COELHO, G. L. N.; CARVALHO, L. M. T. de; GOMIDE, L. R. Modelagem preditiva de distribuição de espécies pioneiras no Estado de Minas Gerais. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 51, n. 3, p. 207-214, mar. 2016. Título em inglês: Predictive modeling distribution of pioneer species in the state of Minas Gerais, Brazil.| Biblioteca(s): Embrapa Unidades Centrais. |
|  |
| 15. | | SILVA, P. H. da; GOMIDE, L. R.; FIGUEIREDO, E. O.; CARVALHO, L. M. T. de; FERRAZ FILHO, A. C. Optimal selective logging regime and log landing location models: a case study in the Amazon forest. Acta Amazonica, Manaus, v. 48, n. 1, p. 18-27, 2018.| Biblioteca(s): Embrapa Acre. |
| |
| 17. | | GUEDES, I. C. de L.; MELLO, J. M. de; SILVEIRA, E. M. de O.; MELLO, C. R. de; REIS, A. A. dos; GOMIDE, L. R. Continuidade espacial de características dendrométricas em povoamentos clonais de eucalyptus sp. avaliada ao longo do tempo. Revista Cerne, Lavras, v. 21, n. 4, p. 527-534, out./dez. 2015.| Biblioteca(s): Embrapa Florestas. |
| |
| 18. | | MORAIS, V. A.; SCOLFORO, J. R. S.; SILVA, C. A.; MELLO, J. M. de; GOMIDE, L. R.; OLIVEIRA, A. D. de. Carbon and biomass stocks in a fragment of cerradão in Minas Gerais state, Brazil. Cerne, Lavras, v. 19, n. 2, p. 237-245, abr./jun. 2013.| Biblioteca(s): Embrapa Florestas. |
| |
| 19. | | ISAAC JÚNIOR, M. A.; BARBOSA, B. H. G.; GOMIDE, L. R.; CALEGARIO, N.; FIGUEIREDO, E. O.; MORAS FILHO, L. O.; MELO, E. de A.; DANTAS, D. Reduced-impact logging by allocating log-decks using multiobjective evolutionary algorithm in Western Amazon. Revista Árvore, v. 46, e4506, 2021.| Biblioteca(s): Embrapa Acre. |
| |
| 20. | | LACERDA, T. H. S.; FRANÇA, L. C. de J.; LOPES, I. L. e; LACERDA, S. L. S.; FIGUEIREDO, E. O.; BARBOSA, B. H. G.; SILVA, C. S. J. e; GOMIDE, L. R. Multi‑objective forest harvesting under sustainable and economic principles. Journal of Forestry Research, v. 34, p. 1379-1394, Oct. 2023.| Biblioteca(s): Embrapa Acre. |
| |
| Registros recuperados : 21 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Unidades Centrais. |
|
Data corrente: |
11/01/2023 |
|
Data da última atualização: |
26/01/2024 |
|
Autoria: |
CARVALHO, M. C.; GOMIDE, L. R.; SCOLFORO, J. R. S.; PÁSCOA, K. J. V. da; ARAÚJO, L. A.; LOPES, I. L. e. |
|
Afiliação: |
MÔNICA CANAAN CARVALHO, UNIVERSIDADE FEDERAL DE LAVRAS; LUCAS REZENDE GOMIDE, UNIVERSIDADE FEDERAL DE LAVRAS; JOSÉ ROBERTO SOARES SCOLFORO, UNIVERSIDADE FEDERAL DE LAVRAS; KALILL JOSÉ VIANA DA PÁSCOA, UNIVERSIDADE FEDERAL DE LAVRAS; LAÍS ALMEIDA ARAÚJO, UNIVERSIDADE FEDERAL DE LAVRAS; ISÁIRA LEITE E LOPES, EUCATEX S. A. |
|
Título: |
Data mining applied to feature selection methods for aboveground carbon stock modelling. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Pesquisa Agropecuária Brasileira, v. 57, e03015, 2022. |
|
DOI: |
https://doi.org/10.1590/S1678-3921.pab2022.v57.03015 |
|
Idioma: |
Inglês |
|
Notas: |
Título em português: Mineração de dados aplicada a métodos de seleção de variáveis para a modelagem de estoque de carbono acima do solo. |
|
Conteúdo: |
ABSTRACT - The objective of this work was to apply the random forest (RF) algorithm to the modelling of the aboveground carbon (AGC) stock of a tropical forest by testing three feature selection procedures - recursive removal and the uniobjective and multiobjective genetic algorithms (GAs). The used database covered 1,007 plots sampled in the Rio Grande watershed, in the state of Minas Gerais state, Brazil, and 114 environmental variables (climatic, edaphic, geographic, terrain, and spectral). The best feature selection strategy - RF with multiobjective GA - reaches the minor root-square error of 17.75 Mg ha-¹ with only four spectral variables - normalized difference moisture index, normalized burn ratio 2 correlation texture, treecover, and latent heat flux -, which represents a reduction of 96.5% in the size of the database. Feature selection strategies assist in obtaining a better RF performance, by improving the accuracy and reducing the volume of the data. Although the recursive removal and multiobjective GA showed a similar performance as feature selection strategies, the latter presents the smallest subset of variables, with the highest accuracy. The findings of this study highlight the importance of using near infrared, short wavelengths, and derived vegetation indices for the remote-sense-based estimation of AGC. The MODIS products show a significant relationship with the AGC stock and should be further explored by the scientific community for the modelling of this stock. RESUMO - O objetivo deste trabalho foi aplicar o algoritmo "random forest" (RF) à modelagem do estoque de carbono acima do solo (CAS) de uma floresta tropical, por meio da testagem de três procedimentos de seleção de variáveis: remoção recursiva e algoritmos genéticos (AGs) uniobjetivo e multiobjetivo. Os dados utilizados abrangeram 1.007 parcelas amostradas na bacia hidrográfica do Rio Grande, no estado de Minas Gerais, Brasil, e 114 variáveis ambientais (climáticas, edáficas, geográficas, de terreno e espectrais). A melhor estratégia de seleção de variáveis - a RF com AG multiobjetivo - chega ao menor erro quadrático de 17,75 Mg ha-¹ com apenas quatro variáveis espectrais - índice de umidade por diferença normalizada, textura de correlação do índice de queimada por razão normalizada 2, cobertura arbórea e fluxo de calor latente -, o que representa redução de 96,5% no tamanho do banco de dados. As estratégias de seleção de variáveis ajudam a obter melhor desempenho da RF, ao melhorar a acurácia e reduzir o volume dos dados. Embora a remoção recursiva e o AG multiobjetivo mostrem desempenho semelhante como estratégias de seleção de variáveis, esta último apresenta menor subconjunto de variáveis, com maior precisão. As descobertas deste trabalho destacam a importância do uso de infravermelho próximo, comprimentos de onda curtos e índices de vegetação derivados para a estimativa de CAS baseada em sensoriamento remoto. Os produtos MODIS mostram relação significativa com o estoque de CAS e precisam ser melhor explorados pela comunidade científica para a modelagem deste estoque. MenosABSTRACT - The objective of this work was to apply the random forest (RF) algorithm to the modelling of the aboveground carbon (AGC) stock of a tropical forest by testing three feature selection procedures - recursive removal and the uniobjective and multiobjective genetic algorithms (GAs). The used database covered 1,007 plots sampled in the Rio Grande watershed, in the state of Minas Gerais state, Brazil, and 114 environmental variables (climatic, edaphic, geographic, terrain, and spectral). The best feature selection strategy - RF with multiobjective GA - reaches the minor root-square error of 17.75 Mg ha-¹ with only four spectral variables - normalized difference moisture index, normalized burn ratio 2 correlation texture, treecover, and latent heat flux -, which represents a reduction of 96.5% in the size of the database. Feature selection strategies assist in obtaining a better RF performance, by improving the accuracy and reducing the volume of the data. Although the recursive removal and multiobjective GA showed a similar performance as feature selection strategies, the latter presents the smallest subset of variables, with the highest accuracy. The findings of this study highlight the importance of using near infrared, short wavelengths, and derived vegetation indices for the remote-sense-based estimation of AGC. The MODIS products show a significant relationship with the AGC stock and should be further explored by the scientific community for the modelling of this ... Mostrar Tudo |
|
Palavras-Chave: |
Algoritmo genético. |
|
Thesagro: |
Carbono; Floresta Tropical; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Carbon; Forest management; Remote sensing; Tropical forests. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1150893/1/Data-mining-applied-feature-2022.pdf
|
|
Marc: |
LEADER 04201naa a2200301 a 4500
001 2150893
005 2024-01-26
008 2022 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1590/S1678-3921.pab2022.v57.03015$2DOI
100 1 $aCARVALHO, M. C.
245 $aData mining applied to feature selection methods for aboveground carbon stock modelling.$h[electronic resource]
260 $c2022
500 $aTítulo em português: Mineração de dados aplicada a métodos de seleção de variáveis para a modelagem de estoque de carbono acima do solo.
520 $aABSTRACT - The objective of this work was to apply the random forest (RF) algorithm to the modelling of the aboveground carbon (AGC) stock of a tropical forest by testing three feature selection procedures - recursive removal and the uniobjective and multiobjective genetic algorithms (GAs). The used database covered 1,007 plots sampled in the Rio Grande watershed, in the state of Minas Gerais state, Brazil, and 114 environmental variables (climatic, edaphic, geographic, terrain, and spectral). The best feature selection strategy - RF with multiobjective GA - reaches the minor root-square error of 17.75 Mg ha-¹ with only four spectral variables - normalized difference moisture index, normalized burn ratio 2 correlation texture, treecover, and latent heat flux -, which represents a reduction of 96.5% in the size of the database. Feature selection strategies assist in obtaining a better RF performance, by improving the accuracy and reducing the volume of the data. Although the recursive removal and multiobjective GA showed a similar performance as feature selection strategies, the latter presents the smallest subset of variables, with the highest accuracy. The findings of this study highlight the importance of using near infrared, short wavelengths, and derived vegetation indices for the remote-sense-based estimation of AGC. The MODIS products show a significant relationship with the AGC stock and should be further explored by the scientific community for the modelling of this stock. RESUMO - O objetivo deste trabalho foi aplicar o algoritmo "random forest" (RF) à modelagem do estoque de carbono acima do solo (CAS) de uma floresta tropical, por meio da testagem de três procedimentos de seleção de variáveis: remoção recursiva e algoritmos genéticos (AGs) uniobjetivo e multiobjetivo. Os dados utilizados abrangeram 1.007 parcelas amostradas na bacia hidrográfica do Rio Grande, no estado de Minas Gerais, Brasil, e 114 variáveis ambientais (climáticas, edáficas, geográficas, de terreno e espectrais). A melhor estratégia de seleção de variáveis - a RF com AG multiobjetivo - chega ao menor erro quadrático de 17,75 Mg ha-¹ com apenas quatro variáveis espectrais - índice de umidade por diferença normalizada, textura de correlação do índice de queimada por razão normalizada 2, cobertura arbórea e fluxo de calor latente -, o que representa redução de 96,5% no tamanho do banco de dados. As estratégias de seleção de variáveis ajudam a obter melhor desempenho da RF, ao melhorar a acurácia e reduzir o volume dos dados. Embora a remoção recursiva e o AG multiobjetivo mostrem desempenho semelhante como estratégias de seleção de variáveis, esta último apresenta menor subconjunto de variáveis, com maior precisão. As descobertas deste trabalho destacam a importância do uso de infravermelho próximo, comprimentos de onda curtos e índices de vegetação derivados para a estimativa de CAS baseada em sensoriamento remoto. Os produtos MODIS mostram relação significativa com o estoque de CAS e precisam ser melhor explorados pela comunidade científica para a modelagem deste estoque.
650 $aCarbon
650 $aForest management
650 $aRemote sensing
650 $aTropical forests
650 $aCarbono
650 $aFloresta Tropical
650 $aSensoriamento Remoto
653 $aAlgoritmo genético
700 1 $aGOMIDE, L. R.
700 1 $aSCOLFORO, J. R. S.
700 1 $aPÁSCOA, K. J. V. da
700 1 $aARAÚJO, L. A.
700 1 $aLOPES, I. L. e
773 $tPesquisa Agropecuária Brasileira$gv. 57, e03015, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Unidades Centrais (AI-SEDE) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
