English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Este estudo teve como objetivo avaliar a eficiência da predição dos índices de diversidade de Shannon (H’) e de Equabilidade de Pielou (J) em fragmentos florestais do Cerrado brasileiro a partir de índices de vegetação e métricas da paisagem empregando redes neurais artificiais (RNA). Utilizaram-se redes anteroalimentadas (feedforward), treinadas por meio do algoritmo da retropropagação do erro (back propagation). As variáveis utilizadas como entradas das RNA para a estimação simultânea dos índices foram: as categóricas (índices H’ e J) e as numéricas relacionadas às médias e desvios padrão dos índices de vegetação (NDVI, SAVI, EVI, MVI5 e MVI7) e métricas da paisagem (AREA, GYRATE, SHAPE, CONTIG, CORE e ENN). Foram gerados cinco modelos de RNA a partir das relações funcionais entre as variáveis numéricas inerentes aos índices de vegetação em duas épocas, uma seca (junho) e outra chuvosa (fevereiro). A arquitetura das redes foi a Multilayer Perceptron (MLP) para estimar simultaneamente H’ e J: 500 utilizando os índices de vegetação na época úmida (100 para cada índice de vegetação) e 500, na seca (100 para cada índice de vegetação). Foi avaliada a precisão, acurácia e realismo biológico das RNA. As redes construídas na época chuvosa e seca que utilizaram os índices de vegetação MVI5 (Moisture Vegetation Index) e SAVI (Soil Adjusted Vegetation Index), respectivamente, foram mais adequadas, precisas e realistas biologicamente para estimar, simultaneamente, os índices de H’ e de J. A modelagem por RNA demonstrou-se adequada para estimar os índices de diversidade e equabilidade.

DIVERSIDADE FLORÍSTICA E EQUABILIDADE EM FRAGMENTOS FLORESTAIS USANDO REDES NEURAIS ARTIFICIAIS