Análise de anomalias em operações silviculturais mecanizadas.

Abstract

O processo florestal de silvicultura tem empregado diversas tecnologias embarcadas em máquinas, porém a gestão dessas informações ainda é fator limitante para o sucesso completo das soluções. Atualmente, a análise das informações geradas a partir dos dados coletados com essas tecnologias, bem como a determinação de anomalias e de suas principais causas continuam sob intervenção manual humana. Na silvicultura, anomalias devem ser detectadas o mais rápido possível para que a ação indevida de campo possa ser interrompida ou que seja tomada ação corretiva imediata. Portanto, o objetivo geral deste trabalho é gerar modelo para classificação automática de anomalias a partir de dados coletados em máquinas de silvicultura. A base utilizada pertence a empresa florestal Celulose Nipo-Brasileira S.A. (CENIBRA). A coleção de dados é formada pelos dados de máquinas de silvicultura, mais especificamente, de controladores de aplicação de insumos sólidos. A coleção de dados é caracterizada como multirrótulo e exigiu tratativas específicas para este tipo de classificação. As etapas passaram por amostragem, definição de variáveis e análise de relacionamentos entre as variáveis, tratamento de dados, sumarização estatística e caracterização dos dados, codificação de variáveis, análise de correlação e avaliação de dimensionalidade, rotulagem de anomalias, balanceamento, validação cruzada e comparação entre experimentos. As técnicas de análise de correlação, PCA e validação cruzada permitiram a obtenção de um modelo com parâmetros satisfatórios de acerto. O melhor resultado para as métricas accuracy, Hamming Loss, F1 score e recall foi por meio do modelo Classifier Chain com classificador XGBoost e hiperparâmetros iterações igual a 100, profundidade igual a 20 e taxa de aprendizado igual a 0.2. A acurácia superior a 72% e o Hamming loss inferior a 5% foram considerados satisfatórios, considerando a complexidade da coleção de dados utilizada.