|
|
Registro Completo |
Biblioteca(s): |
Embrapa Solos. |
Data corrente: |
19/09/2023 |
Data da última atualização: |
22/11/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
KUCHLER, P. C.; SIMÕES, M.; FERRAZ, R. P. D.; ALMEIDA, M. B. F. de; BÉGUÉ, A. |
Afiliação: |
PATRICK CALVANO KUCHLER, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; MARGARETH GONCALVES SIMOES, CNPS; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; MATEUS BENCHIMOL FERREIRA DE ALMEIDA, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; AGNÈS BÉGUÉ, MAISON DE LA TÉLÉDÉTÉCTION. |
Título: |
Avaliação do impacto das amostras de treinamento na acurácia da classificação random forest dos sistemas integrados de produção agropecuária. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 2484-2487. |
Idioma: |
Português |
Conteúdo: |
Ao conduzir uma classificação supervisionada com algoritmos de aprendizado de máquina, como o Random Forest, a estratégia de balanceamento das amostras é fundamental, pois impacta diretamente nos resultados. Estes classificadores são sensíveis às proporções das amostras de treinamento das diferentes classes. Compreender como estes fatores influenciam na classificação de áreas de produção agropecuária, sobretudo de sistemas minoritários e complexos como o iLP (Integração Lavoura-Pecuária) são de extrema importância para contribuir com metodologias de monitoramento. Para avaliar o impacto do balanceamento, foram testados três grupos de dados de aprendizagem do Random Forest: (i) Bset01: dados balanceados entre três classes prioritárias no estado do Mato Grosso; (ii) Bset02: dados desbalanceados com as proporções refletindo a realidade de campo e (iii) Bset03: superestimando a classe rara iLP. Os melhores valores de fscore da classe iLP foram para Bset01 (0,81) e Bset02 (0,83), com um erro de comissão mais alto para Bset01, sugerindo uma melhor performance do Bset02. |
Palavras-Chave: |
Agricultura de baixa emissão de carbono; Aprendizado de máquina; Dados de treinamento; ILP; Séries temporais. |
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1156750/1/Avaliacao-do-impacto-das-amostras-de-treinamento-na-acuracia-2023.pdf
|
Marc: |
LEADER 01979nam a2200217 a 4500 001 2156750 005 2023-11-22 008 2023 bl uuuu u00u1 u #d 100 1 $aKUCHLER, P. C. 245 $aAvaliação do impacto das amostras de treinamento na acurácia da classificação random forest dos sistemas integrados de produção agropecuária.$h[electronic resource] 260 $aIn: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 2484-2487.$c2023 520 $aAo conduzir uma classificação supervisionada com algoritmos de aprendizado de máquina, como o Random Forest, a estratégia de balanceamento das amostras é fundamental, pois impacta diretamente nos resultados. Estes classificadores são sensíveis às proporções das amostras de treinamento das diferentes classes. Compreender como estes fatores influenciam na classificação de áreas de produção agropecuária, sobretudo de sistemas minoritários e complexos como o iLP (Integração Lavoura-Pecuária) são de extrema importância para contribuir com metodologias de monitoramento. Para avaliar o impacto do balanceamento, foram testados três grupos de dados de aprendizagem do Random Forest: (i) Bset01: dados balanceados entre três classes prioritárias no estado do Mato Grosso; (ii) Bset02: dados desbalanceados com as proporções refletindo a realidade de campo e (iii) Bset03: superestimando a classe rara iLP. Os melhores valores de fscore da classe iLP foram para Bset01 (0,81) e Bset02 (0,83), com um erro de comissão mais alto para Bset01, sugerindo uma melhor performance do Bset02. 653 $aAgricultura de baixa emissão de carbono 653 $aAprendizado de máquina 653 $aDados de treinamento 653 $aILP 653 $aSéries temporais 700 1 $aSIMÕES, M. 700 1 $aFERRAZ, R. P. D. 700 1 $aALMEIDA, M. B. F. de 700 1 $aBÉGUÉ, A.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Solos (CNPS) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Amazônia Oriental. |
Data corrente: |
30/11/2020 |
Data da última atualização: |
30/11/2020 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
A - 1 |
Autoria: |
MOURA, Y. M. de; BALZTER, H.; GALVÃO, L. S.; DALAGNOL, R.; ESPÍRITO-SANTO, F.; SANTOS, E. G.; GARCIA, M.; BISPO, P. da C.; OLIVEIRA JUNIOR, R. C. de; SHIMABUKURO, Y. E. |
Afiliação: |
Yhasmin Mendes de Moura, University of Leicester; Heiko Balzter, University of Leicester; Lênio S. Galvão, INPE; Ricardo Dalagnol, INPE; Fernando Espírito-Santo, University of Leicester; Erone G. Santos, University of Helsinki; Mariano Garcia, Universidad de Alcalá; Polyanna da Conceição Bispo, University of Manchester; RAIMUNDO COSME DE OLIVEIRA JUNIOR, CPATU; Yosio E. Shimabukuro, INPE. |
Título: |
Carbon dynamics in a human-modified tropical forest: a case study using multi-temporal LiDAR Data. |
Ano de publicação: |
2020 |
Fonte/Imprenta: |
Remote Sensing, v. 12, n. 3, Article 430, 2020. |
DOI: |
https://doi.org/10.3390/rs12030430 |
Idioma: |
Inglês |
Conteúdo: |
Tropical forests hold significant amounts of carbon and play a critical role on Earth´s climate system. To date, carbon dynamics over tropical forests have been poorly assessed, especially over vast areas of the tropics that have been affected by some type of disturbance (e.g., selective logging, understory fires, and fragmentation). Understanding the multi-temporal dynamics of carbon stocks over human-modified tropical forests (HMTF) is crucial to close the carbon cycle balance in the tropics. Here, we used multi-temporal and high-spatial resolution airborne LiDAR data to quantify rates of carbon dynamics over a large patch of HMTF in eastern Amazon, Brazil. We described a robust approach to monitor changes in aboveground forest carbon stocks between 2012 and 2018. Our results showed that this particular HMTF lost 0.57 m·yr−1 in mean forest canopy height and 1.38 Mg·C·ha-1 yr-1 of forest carbon between 2012 and 2018. LiDAR-based estimates of Aboveground Carbon Density (ACD) showed progressive loss through the years, from 77.9 Mg·C·ha-1 in 2012 to 53.1 Mg·C·ha-1 in 2018, thus a decrease of 31.8%. Rates of carbon stock changes were negative for all time intervals analyzed, yielding average annual carbon loss rates of -1.34 Mg·C·ha−1·yr−1. This suggests that this HMTF is acting more as a source of carbon than a sink, having great negative implications for carbon emission scenarios in tropical forests. Although more studies of forest dynamics in HMTFs are necessary to reduce the current remaining uncertainties in the carbon cycle, our results highlight the persistent effects of carbon losses for the study area. HMTFs are likely to expand across the Amazon in the near future. The resultant carbon source conditions, directly associated with disturbances, may be essential when considering climate projections and carbon accounting methods MenosTropical forests hold significant amounts of carbon and play a critical role on Earth´s climate system. To date, carbon dynamics over tropical forests have been poorly assessed, especially over vast areas of the tropics that have been affected by some type of disturbance (e.g., selective logging, understory fires, and fragmentation). Understanding the multi-temporal dynamics of carbon stocks over human-modified tropical forests (HMTF) is crucial to close the carbon cycle balance in the tropics. Here, we used multi-temporal and high-spatial resolution airborne LiDAR data to quantify rates of carbon dynamics over a large patch of HMTF in eastern Amazon, Brazil. We described a robust approach to monitor changes in aboveground forest carbon stocks between 2012 and 2018. Our results showed that this particular HMTF lost 0.57 m·yr−1 in mean forest canopy height and 1.38 Mg·C·ha-1 yr-1 of forest carbon between 2012 and 2018. LiDAR-based estimates of Aboveground Carbon Density (ACD) showed progressive loss through the years, from 77.9 Mg·C·ha-1 in 2012 to 53.1 Mg·C·ha-1 in 2018, thus a decrease of 31.8%. Rates of carbon stock changes were negative for all time intervals analyzed, yielding average annual carbon loss rates of -1.34 Mg·C·ha−1·yr−1. This suggests that this HMTF is acting more as a source of carbon than a sink, having great negative implications for carbon emission scenarios in tropical forests. Although more studies of forest dynamics in HMTFs are nece... Mostrar Tudo |
Thesagro: |
Carbono; Floresta Tropical. |
Thesaurus NAL: |
Amazonia. |
Categoria do assunto: |
K Ciência Florestal e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/218361/1/remotesensing-12-00430-v2.pdf
|
Marc: |
LEADER 02715naa a2200277 a 4500 001 2127189 005 2020-11-30 008 2020 bl uuuu u00u1 u #d 024 7 $ahttps://doi.org/10.3390/rs12030430$2DOI 100 1 $aMOURA, Y. M. de 245 $aCarbon dynamics in a human-modified tropical forest$ba case study using multi-temporal LiDAR Data.$h[electronic resource] 260 $c2020 520 $aTropical forests hold significant amounts of carbon and play a critical role on Earth´s climate system. To date, carbon dynamics over tropical forests have been poorly assessed, especially over vast areas of the tropics that have been affected by some type of disturbance (e.g., selective logging, understory fires, and fragmentation). Understanding the multi-temporal dynamics of carbon stocks over human-modified tropical forests (HMTF) is crucial to close the carbon cycle balance in the tropics. Here, we used multi-temporal and high-spatial resolution airborne LiDAR data to quantify rates of carbon dynamics over a large patch of HMTF in eastern Amazon, Brazil. We described a robust approach to monitor changes in aboveground forest carbon stocks between 2012 and 2018. Our results showed that this particular HMTF lost 0.57 m·yr−1 in mean forest canopy height and 1.38 Mg·C·ha-1 yr-1 of forest carbon between 2012 and 2018. LiDAR-based estimates of Aboveground Carbon Density (ACD) showed progressive loss through the years, from 77.9 Mg·C·ha-1 in 2012 to 53.1 Mg·C·ha-1 in 2018, thus a decrease of 31.8%. Rates of carbon stock changes were negative for all time intervals analyzed, yielding average annual carbon loss rates of -1.34 Mg·C·ha−1·yr−1. This suggests that this HMTF is acting more as a source of carbon than a sink, having great negative implications for carbon emission scenarios in tropical forests. Although more studies of forest dynamics in HMTFs are necessary to reduce the current remaining uncertainties in the carbon cycle, our results highlight the persistent effects of carbon losses for the study area. HMTFs are likely to expand across the Amazon in the near future. The resultant carbon source conditions, directly associated with disturbances, may be essential when considering climate projections and carbon accounting methods 650 $aAmazonia 650 $aCarbono 650 $aFloresta Tropical 700 1 $aBALZTER, H. 700 1 $aGALVÃO, L. S. 700 1 $aDALAGNOL, R. 700 1 $aESPÍRITO-SANTO, F. 700 1 $aSANTOS, E. G. 700 1 $aGARCIA, M. 700 1 $aBISPO, P. da C. 700 1 $aOLIVEIRA JUNIOR, R. C. de 700 1 $aSHIMABUKURO, Y. E. 773 $tRemote Sensing$gv. 12, n. 3, Article 430, 2020.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Amazônia Oriental (CPATU) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|