ABSTRACT

O transporte de madeira, majoritariamente rodoviário, apresenta-se como um dos segmentos mais onerosos dentre as atividades florestais. Entretanto, a aplicação do machine learning pode resultar em ganhos de precisão e redução de custos na produção. Diante do exposto, o objetivo foi predizer por meio do machine learning, via análise de regressão, os custos do transporte rodoviário de madeira, o qual foi realizado por dois caminhões com diferentes características técnicas. O estudo foi conduzido em florestas plantadas de Eucalyptus grandis, cujo processamento dessa matéria-prima foi realizado no estado Rio Negro, no Uruguai. A análise foi pautada na construção de um banco de dados estruturado a partir da seleção dos atributos. Destaca-se que os custos do modal rodoviário constituíram-se como o atributo alvo da predição. Após o processo de data wrangling, os dados foram balanceados por oversampling e divididos em conjunto de treinamento e teste. A partir da aplicação de 19 algoritmos de aprendizagem, modo Default, constatou-se que os modelos Bayesian Ridge, Gradient Boosting Regressor e Random Forest Regressor obtiveram melhor performance, sendo R2 treinamento igual a 0,55, 0,53 e 0,52, respectivamente. Em todo processo de treinamento foi aplicado o cross-validation. Desse modo, o melhor modelo, utilizando o algoritmo Random Forest Regressor, em modo Default, atinge uma performance de 0,89, sendo um modelo de alta performance na predição de custos no transporte rodoviário de madeira de Eucalyptus.