Predição da produtividade de harvester e forwarder por abordagem de machine learning

Modelos de machine learning envolvendo algoritmos de regressão podem ser utilizados por gestores florestais na otimização dos processos em que empreendem e como suporte às tomadas de decisões. A excelente performance preditiva dos modelos de machine learning pode contribuir para o gerenciamento eficiente da cadeia de suprimentos, redução de desperdícios e, otimização do tempo, máquinas e equipamentos. Na operação de colheita mecanizada de madeira, a incorporação de ferramentas preditivas, como a técnica de machine learning, auxilia nos planejamentos estratégico, tático e operacional, reduzindo a complexidade e aproveitando a diversidade dos dados. Assim, como o planejamento pode ser associado a provisões, verificamos se a produtividade de máquinas florestais autopropelidas pode ser obtida por meio da implementação de algoritmos de machine learning no sistema cut-to-length. Foram avaliados dados da atividade de corte e processamento de madeira provenientes de florestas plantadas de Pinus e Eucalyptus no Brasil, realizados por 21 harvesters e 23 forwarders em sistemas cut-to-length. Métodos de aprendizado por blending e stacking foram testados, incorporando a permutação de 18 e 22 algoritmos na predição da produtividade de harvesters e forwarders, respectivamente. Os métodos de aprendizado e os algoritmos foram comparados a partir de métricas de performance. Mesmo com o comprometimento da qualidade da base, métricas de desempenho satisfatórias foram obtidas pelo default dos algoritmos. Na ingestão de dados aptos por algoritmos de machine learning, alcança-se coeficiente de determinação de 0,74 na estimativa da produtividade de harvesters por meio do default do algoritmo extra trees regressor e o modo default do light gradient boosting de 0,77 na estimativa da produtividade na estimativa da produtividade do forwarder.

Resumo (inglês)

Machine learning models involving regression algorithms can be used by forest managers to optimize the processes they undertake and provide support for decision-making. The excellent predictive performance of machine learning models can contribute to efficient supply chain management, waste reduction, and the optimization of time, machinery, and equipment. In the mechanized wood harvesting operation, the incorporation of predictive tools, such as machine learning, assists in strategic, tactical, and operational planning, reducing complexity and leveraging data diversity. Just as planning can be associated with provisions, we investigate whether the productivity of self-propelled forestry machines can be achieved through the implementation of machine learning algorithms in the cut-to-length system. Data from the cutting and wood processing activities in planted Pinus and Eucalyptus forests in Brazil were evaluated, carried out by 21 harvesters and 23 forwarders in cut-to-length systems. Blending and stacking learning methods were tested, incorporating the permutation of 18 and 22 algorithms in predicting the productivity of harvesters and forwarders, respectively. Learning methods and algorithms were compared based on performance metrics. Even with the compromise of the database quality, satisfactory performance metrics were obtained using default algorithms. When processing suitable data through machine learning algorithms, a coefficient of determination of 0.74 was achieved in estimating harvester productivity through the default extra trees regressor algorithm and a default light gradient boosting mode with a coefficient of determination of 0.77 in estimating forwarder productivity.

Palavras-chave

Eucalyptus Colheita florestal Machine learning Produtividade Data mining

Idioma

Português

Citação

MUNIS, R. A. Predição da produtividade de harvester e forwarder por abordagem de machine learning. 2023. Tese (Doutorado em Ciência Florestal) – Faculdade de Ciências Agronômicas, Universidade Estadual Paulista (UNESP), Botucatu, 2023.