PPGBDN - Programa de Pós-Graduação em Biodiversidade Neotropical
URI Permanente desta comunidade
Navegar
Navegando PPGBDN - Programa de Pós-Graduação em Biodiversidade Neotropical por Assunto "aprendizado do computador"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Item Utilizando redes neurais profundas para predizer abundância de espécies no contexto do Gran Chaco(2025-05-21) Oliveira Junior, Admir Cesar deOs Modelos de Distribuição de Espécies (SDMs) tornaram-se importantes ferramentas, não só para a biologia da conservação como também para a ecologia e biogeografia. Entretanto, os SDM apresentam limitações por ignorarem aspectos ecológicos como tendência e distribuição espacial da abundância de espécies. Recentemente vêm sendo propostos os Modelos de Distribuição Baseados em Abundância (ADM). Como os SDM, estes são modelos correlativos, mas modelam e predizem ao longo do espaço geográfico a abundância das espécies. Entretanto, os ADM permanecem pouco desenvolvidos em comparação com os SDMs, com poucos trabalhos na literatura que explorem os ADM, em questões como algoritmos e validação, e poucos pacotes ou ferramentas desenvolvidas para suas construções. A capacidade dos ADM pode significar ganhos expressivos para a conversação biológica, resultando em melhores decisões e planejamento, especialmente em áreas ameaçadas, como o Gran Chaco. O Gran Chaco é uma região que se estende pelo norte da Argentina, oeste do Paraguai, sudeste da Bolívia e em uma pequena parte do centro-oeste Brasil. Apresenta vegetação predominantemente aberta e xeromórfica e clima semiárido e alta biodiversidade, mas possui poucas áreas protegidas e grande taxa perda de cobertura natural. Esta dissertação está estruturada em dois capítulos. No primeiro capítulo, apresenta-se o pacote para R adm, desenvolvido com o intuito de possibilitar fluxos de trabalho concisos e flexíveis para a construção de ADMs. Com este pacote objetiva-se alavancar o estado de desenvolvimento e a pesquisa dos ADMs fornecendo uma ferramenta útil para sua fácil construção e validação. No segundo capítulo, apresenta-se a aplicação deste pacote em um experimento que teve como objetivo avaliar e comparar o desempenho de nove algoritmos, com ênfase em diferentes tipos de Redes Neurais Artificiais, em múltiplos cenários de tratamento dos dados, com a construção de ADMs para 117 espécies arbóreas nativas do Gran Chaco. Os dados de abundância destas espécies foram compilados de inventários florestais do Brasil, Paraguai e Argentina. Os resultados do experimento mostram que decisões como o particionamento dos dados de treinamento e o balanço entre quantidade de pontos de ausência e abundância são importantes para o desempenho dos modelos. Além disso, Redes Neurais Profundas, com múltiplas camadas, tendem a ter melhor desempenho que Redes Neurais Rasas, com apenas uma camada.