Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales

La selva amazónica presenta diferentes estratos forestales, debido a su estructura heterogénea. En el que estos estratos pueden variar en altos, medios y bajos. El conocimiento de los diferentes patrones de estructuras verticales que se encuentran en el bosque es extremadamente importante para compr...

Descripción completa

Detalles Bibliográficos
Autores principales:	dos Santos Silva, Anthoinny Vittória, Teixeira de Souza, Rodrigo Galvão, Carvalho Liarte, Gabriel Victor Caetano, Piedade Pinho, Bianca Caterine, Pereira de Oliveira, Cinthia, Elera Gonzáles, Duberlí Geomar, Borges de Lima, Robson, Coelho de Abreu, Jadson
Formato:	Online
Idioma:	spa
Publicado:	Editorial Tecnológica de Costa Rica 2022
Acceso en línea:	https://revistas.tec.ac.cr/index.php/kuru/article/view/6326

id	KURU6326
record_format	ojs
spelling	KURU63262023-07-23T23:15:12Z Classification model in different forest strata in a floodplain environment using artificial neural networks Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales dos Santos Silva, Anthoinny Vittória Teixeira de Souza, Rodrigo Galvão Carvalho Liarte, Gabriel Victor Caetano Piedade Pinho, Bianca Caterine Pereira de Oliveira, Cinthia Elera Gonzáles, Duberlí Geomar Borges de Lima, Robson Coelho de Abreu, Jadson The Amazon forest presents different forest strata, due to its heterogeneous structure. In which these strata can vary in upper, middle and lower. Knowledge about the different patterns of vertical structures found in the forest is extremely important for understanding the vegetation dynamics, influencing forest conservation strategies. In order to optimize the process of classifying the different types of strata, the objective of the present work was to use artificial neural networks (ANNs) to classify these strata. Two resilient propagation algorithms (Rprop + and Rprop-) were used, in four different configurations of input variables. The training and testing of the eight RNA models were performed using the R software. The models were evaluated using a confusion matrix. In which models with inputs: HT, DAP and QF; HT, DAP and only HT from the Rprop + algorithm obtained 100% correct answers in the classification of strata. Demonstrating a high rate of learning, reliability and generalization of data. La selva amazónica presenta diferentes estratos forestales, debido a su estructura heterogénea. En el que estos estratos pueden variar en altos, medios y bajos. El conocimiento de los diferentes patrones de estructuras verticales que se encuentran en el bosque es extremadamente importante para comprender la dinámica de la vegetación, lo que influye en las estrategias de conservación del bosque. Con el fin de optimizar el proceso de clasificación de los diferentes tipos de estratos, el objetivo del presente trabajo fue utilizar redes neuronales artificiales (RNA) para clasificar estos estratos. Se utilizaron dos algoritmos de resilient propagation (Rprop+ y Rprop-), en cuatro configuraciones diferentes de variables de entrada. El entrenamiento y la prueba de los ocho modelos de RNAs se realizaron utilizando el software R. Los modelos se evaluaron mediante una matriz de confusión. En qué modelos con entradas: HT, DAP y QF; HT, DAP y solo HT del algoritmo Rprop + obtuvieron 100% de aciertos en la clasificación de estrato, presentando una alta tasa de aprendizaje, confiabilidad y generalización de datos.  Editorial Tecnológica de Costa Rica 2022-07-28 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf application/epub+zip https://revistas.tec.ac.cr/index.php/kuru/article/view/6326 10.18845/rfmk.v19i45.6326 Revista Forestal Mesoamericana Kurú; Vol. 19 Núm. 45 (2022) 2215-2504 spa https://revistas.tec.ac.cr/index.php/kuru/article/view/6326/6087 https://revistas.tec.ac.cr/index.php/kuru/article/view/6326/6585 http://creativecommons.org/licenses/by-nc-nd/4.0
institution	Tecnológico de Costa Rica
collection	Revista Forestal Mesoamaericana
language	spa
format	Online
author	dos Santos Silva, Anthoinny Vittória Teixeira de Souza, Rodrigo Galvão Carvalho Liarte, Gabriel Victor Caetano Piedade Pinho, Bianca Caterine Pereira de Oliveira, Cinthia Elera Gonzáles, Duberlí Geomar Borges de Lima, Robson Coelho de Abreu, Jadson
spellingShingle	dos Santos Silva, Anthoinny Vittória Teixeira de Souza, Rodrigo Galvão Carvalho Liarte, Gabriel Victor Caetano Piedade Pinho, Bianca Caterine Pereira de Oliveira, Cinthia Elera Gonzáles, Duberlí Geomar Borges de Lima, Robson Coelho de Abreu, Jadson Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
author_facet	dos Santos Silva, Anthoinny Vittória Teixeira de Souza, Rodrigo Galvão Carvalho Liarte, Gabriel Victor Caetano Piedade Pinho, Bianca Caterine Pereira de Oliveira, Cinthia Elera Gonzáles, Duberlí Geomar Borges de Lima, Robson Coelho de Abreu, Jadson
author_sort	dos Santos Silva, Anthoinny Vittória
description	La selva amazónica presenta diferentes estratos forestales, debido a su estructura heterogénea. En el que estos estratos pueden variar en altos, medios y bajos. El conocimiento de los diferentes patrones de estructuras verticales que se encuentran en el bosque es extremadamente importante para comprender la dinámica de la vegetación, lo que influye en las estrategias de conservación del bosque. Con el fin de optimizar el proceso de clasificación de los diferentes tipos de estratos, el objetivo del presente trabajo fue utilizar redes neuronales artificiales (RNA) para clasificar estos estratos. Se utilizaron dos algoritmos de resilient propagation (Rprop+ y Rprop-), en cuatro configuraciones diferentes de variables de entrada. El entrenamiento y la prueba de los ocho modelos de RNAs se realizaron utilizando el software R. Los modelos se evaluaron mediante una matriz de confusión. En qué modelos con entradas: HT, DAP y QF; HT, DAP y solo HT del algoritmo Rprop + obtuvieron 100% de aciertos en la clasificación de estrato, presentando una alta tasa de aprendizaje, confiabilidad y generalización de datos.
title	Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_short	Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_full	Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_fullStr	Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_full_unstemmed	Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_sort	modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales
title_alt	Classification model in different forest strata in a floodplain environment using artificial neural networks
publisher	Editorial Tecnológica de Costa Rica
publishDate	2022
url	https://revistas.tec.ac.cr/index.php/kuru/article/view/6326
work_keys_str_mv	AT dossantossilvaanthoinnyvittoria classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT teixeiradesouzarodrigogalvao classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT carvalholiartegabrielvictorcaetano classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT piedadepinhobiancacaterine classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT pereiradeoliveiracinthia classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT eleragonzalesduberligeomar classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT borgesdelimarobson classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT coelhodeabreujadson classificationmodelindifferentforeststratainafloodplainenvironmentusingartificialneuralnetworks AT dossantossilvaanthoinnyvittoria modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT teixeiradesouzarodrigogalvao modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT carvalholiartegabrielvictorcaetano modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT piedadepinhobiancacaterine modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT pereiradeoliveiracinthia modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT eleragonzalesduberligeomar modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT borgesdelimarobson modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales AT coelhodeabreujadson modelodeclasificacionendiferentesestratosforestalesenunentornodellanuraaluvialutilizandoredesneuronalesartificiales
_version_	1805400240238362624

Modelo de clasificación en diferentes estratos forestales en un entorno de llanura aluvial utilizando redes neuronales artificiales

Ejemplares similares