APLICAÇÃO DE MACHINE LEARNING PARA PREDIÇÃO DA PRODUTIVIDADE DO HARVESTER

A colheita mecanizada de madeira pode ser realizada por meio do sistema cut-to-length, o qual utiliza o harvester que comumente atinge significativa produtividade. Assim, pode-se aplicar o machine learning visando o aumento da produtividade e a redução dos custos da atividade florestal. Diante disso, o objetivo foi avaliar se os modelos machine learning, via análise de regressão, atingem alta performance para predição da produtividade do harvester. Os dados estruturados foram provenientes de florestas plantadas de Eucalyptus, localizadas no estado de Minas Gerais. A análise foi pautada na construção de um banco de dados estruturado com diferentes atributos. Sendo que, a variável produtividade do harvester foi o atributo alvo da predição. Para avaliar as performances preditivas, foram utilizadas as métricas Coeficiente de Determinação, Erro Quadrático Médio e Erro Percentual Absoluto Médio. Após a aplicação de 18 algoritmos de aprendizagem, a modelagem da produtividade surge a partir do Gradient Boosting, em modo Ensembled, com performance de 0,85 para o Coeficiente de Determinação, de 728,43 para o Erro Quadrático Médio e de 48,38 para o Erro Percentual Absoluto Médio. O atributo horas produtivas apresentou importância relativa ao determinar a produtividade.