ABSTRACT

A colheita mecanizada de madeira de Eucalyptus pode ser realizada pelo sistema full tree, no qual utiliza o feller buncher para o corte e a derrubada de árvores. A utilização de máquinas florestais autopropelidas ressalta a importância da correta previsão referente à manutenção. Em vista disso, aplica-se o machine learning visando encontrar resultados interpretativos para tomada de decisões estratégicas e redução dos custos de manutenção. A partir deste contexto, o objetivo foi verificar se é possível predizer a manutenção de feller bunchers empregados na derrubada de árvores por meio do machine learning. O estudo foi conduzido em florestas plantadas de Eucalyptus, localizadas no Centro-Oeste do estado de São Paulo. O banco de dados estruturado foi produzido por meio de dois atributos: horímetro e tipo de manutenção, sendo esse último o atributo alvo da predição. Após o processo de data wrangling, foi utilizado o aprendizado supervisionado, com balanceamento de dados via oversampling. Nesse caso, o banco de dados foi dividido em conjunto de treinamento e teste. Em sequência a aplicação dos 14 algoritmos de aprendizagem, observou-se uma melhor performance em três modelos: CatBoost Classifier, Linear Discriminant Analysis e Naive Bayes. Durante o processo de treinamento foi aplicado o cross-validation. Assim, a partir do algoritmo CatBoost Classifier, em modo Default, encontra-se o melhor modelo gerado para predição do tipo de manutenção de máquinas florestais autopropelidas, com performance de 0,46, 0,60, e 0,74 para as métricas Coeficiente de Correlação de Matthews, Precisão e Área Sob a Curva, respectivamente.