| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Meio Ambiente. |
|
Data corrente: |
24/07/2023 |
|
Data da última atualização: |
25/07/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
BOLFE, E. L.; PARREIRAS, T. C.; SILVA, L. A. P. da; SANO, E. E.; BETTIOL, G. M.; VICTORIA, D. de C.; DEL'ARCO SANCHES, I.; VICENTE, L. E. |
|
Afiliação: |
EDSON LUIS BOLFE, CNPTIA; TAYA CRISTO PARREIRAS, UNIVERSIDADE ESTADUAL DE CAMPINAS; LUCAS AUGUSTO PEREIRA DA SILVA, Universidade Federal de Uberlândia; EDSON EYJI SANO, CPAC; GIOVANA MARANHAO BETTIOL, CPAC; DANIEL DE CASTRO VICTORIA, CNPTIA; IARA DEL´ARCO SANCHES, INSTITUTO DE PESQUISAS ESPACIAIS; LUIZ EDUARDO VICENTE, CNPMA. |
|
Título: |
Mapping agricultural intensification in the Brazilian savanna: a machine learning approach using harmonized data from Landsat Sentinel-2. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
ISPRS International Journal of Geo-Information, v. 12, n. 7, 263, July 2023. |
|
DOI: |
https://doi.org/10.3390/ijgi12070263 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Agricultural intensification practices have been adopted in the Brazilian savanna (Cerrado), mainly in the transition between Cerrado and the Amazon Forest, to increase productivity while reducing pressure for new land clearing. Due to the growing demand for more sustainable practices, more accurate information on geospatial monitoring is required. Remote sensing products and artificial intelligence models for pixel-by-pixel classification have great potential. Therefore, we developed a methodological framework with spectral indices (Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), and Soil-Adjusted Vegetation Index (SAVI)) derived from the Harmonized Landsat Sentinel-2 (HLS) and machine learning algorithms (Random Forest (RF), Artificial Neural Networks (ANNs), and Extreme Gradient Boosting (XGBoost)) to map agricultural intensification considering three hierarchical levels, i.e., temporary crops (level 1), the number of crop cycles (level 2), and the crop types from the second season in double-crop systems (level 3) in the 2021-2022 crop growing season in the municipality of Sorriso, Mato Grosso State, Brazil. All models were statistically similar, with an overall accuracy between 85 and 99%. The NDVI was the most suitable index for discriminating cultures at all hierarchical levels. The RF-NDVI combination mapped best at level 1, while at levels 2 and 3, the best model was XGBoost-NDVI. Our results indicate the great potential of combining HLS data and machine learning to provide accurate geospatial information for decision-makers in monitoring agricultural intensification, with an aim toward the sustainable development of agriculture. MenosAgricultural intensification practices have been adopted in the Brazilian savanna (Cerrado), mainly in the transition between Cerrado and the Amazon Forest, to increase productivity while reducing pressure for new land clearing. Due to the growing demand for more sustainable practices, more accurate information on geospatial monitoring is required. Remote sensing products and artificial intelligence models for pixel-by-pixel classification have great potential. Therefore, we developed a methodological framework with spectral indices (Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), and Soil-Adjusted Vegetation Index (SAVI)) derived from the Harmonized Landsat Sentinel-2 (HLS) and machine learning algorithms (Random Forest (RF), Artificial Neural Networks (ANNs), and Extreme Gradient Boosting (XGBoost)) to map agricultural intensification considering three hierarchical levels, i.e., temporary crops (level 1), the number of crop cycles (level 2), and the crop types from the second season in double-crop systems (level 3) in the 2021-2022 crop growing season in the municipality of Sorriso, Mato Grosso State, Brazil. All models were statistically similar, with an overall accuracy between 85 and 99%. The NDVI was the most suitable index for discriminating cultures at all hierarchical levels. The RF-NDVI combination mapped best at level 1, while at levels 2 and 3, the best model was XGBoost-NDVI. Our results indicate the great potential of co... Mostrar Tudo |
|
Palavras-Chave: |
Agricultural Intensification; Aprendizado de máquina; Harmonized Landsat Sentinel-2; HLS; Inteligência artificial; Intensificação agrícola; Machine learning; Mapeamento agrícola; Multisensor. |
|
Thesagro: |
Agricultura; Cerrado; Sensoriamento Remoto. |
|
Thesaurus Nal: |
Agriculture; Artificial intelligence; Remote sensing. |
|
Categoria do assunto: |
--
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1155214/1/AP-Mapping-agricultural-intensification-2023.pdf
|
|
Marc: |
LEADER 02974naa a2200397 a 4500
001 2155214
005 2023-07-25
008 2023 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.3390/ijgi12070263$2DOI
100 1 $aBOLFE, E. L.
245 $aMapping agricultural intensification in the Brazilian savanna$ba machine learning approach using harmonized data from Landsat Sentinel-2.$h[electronic resource]
260 $c2023
520 $aAgricultural intensification practices have been adopted in the Brazilian savanna (Cerrado), mainly in the transition between Cerrado and the Amazon Forest, to increase productivity while reducing pressure for new land clearing. Due to the growing demand for more sustainable practices, more accurate information on geospatial monitoring is required. Remote sensing products and artificial intelligence models for pixel-by-pixel classification have great potential. Therefore, we developed a methodological framework with spectral indices (Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), and Soil-Adjusted Vegetation Index (SAVI)) derived from the Harmonized Landsat Sentinel-2 (HLS) and machine learning algorithms (Random Forest (RF), Artificial Neural Networks (ANNs), and Extreme Gradient Boosting (XGBoost)) to map agricultural intensification considering three hierarchical levels, i.e., temporary crops (level 1), the number of crop cycles (level 2), and the crop types from the second season in double-crop systems (level 3) in the 2021-2022 crop growing season in the municipality of Sorriso, Mato Grosso State, Brazil. All models were statistically similar, with an overall accuracy between 85 and 99%. The NDVI was the most suitable index for discriminating cultures at all hierarchical levels. The RF-NDVI combination mapped best at level 1, while at levels 2 and 3, the best model was XGBoost-NDVI. Our results indicate the great potential of combining HLS data and machine learning to provide accurate geospatial information for decision-makers in monitoring agricultural intensification, with an aim toward the sustainable development of agriculture.
650 $aAgriculture
650 $aArtificial intelligence
650 $aRemote sensing
650 $aAgricultura
650 $aCerrado
650 $aSensoriamento Remoto
653 $aAgricultural Intensification
653 $aAprendizado de máquina
653 $aHarmonized Landsat Sentinel-2
653 $aHLS
653 $aInteligência artificial
653 $aIntensificação agrícola
653 $aMachine learning
653 $aMapeamento agrícola
653 $aMultisensor
700 1 $aPARREIRAS, T. C.
700 1 $aSILVA, L. A. P. da
700 1 $aSANO, E. E.
700 1 $aBETTIOL, G. M.
700 1 $aVICTORIA, D. de C.
700 1 $aDEL'ARCO SANCHES, I.
700 1 $aVICENTE, L. E.
773 $tISPRS International Journal of Geo-Information$gv. 12, n. 7, 263, July 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 80 | |
| 41. |  | BERNARDI, A. C. de C.; PITRAT, T.; RABELLO, L. M.; PEZZOPANE, J. R. M.; BOSI, C.; MAZZUCO, G. G.; BETTIOL, G. M. Differences in soil electrical resistivity tomography due to soil water contents in an integrated agricultural system. Pesquisa Agropecuária Brasileira, Brasília, v.54, e00774, p. 1-5, 2019.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 2 |
| Biblioteca(s): Embrapa Pecuária Sudeste; Embrapa Unidades Centrais. |
|    |
| 42. | | PARREIRAS, T. C.; BOLFE, E. L.; CHAVES, M. E. D.; DEL'ARCO SANCHES, I.; SANO, E. E.; VICTORIA, D. de C.; BETTIOL, G. M.; VICENTE, L. E. Hierarchical classification of soybean in the Brazilian Savanna based on Harmonized Landsat Sentinel data. Remote Sensing, v. 14, n. 15, 3736, Aug. 2022.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Meio Ambiente. |
|  |
| 43. | | QUEIROS, L. R.; SPERANZA, E. A.; BETTIOL, G. M.; FILIPPINI ALBA, J. M.; BERNARDI, A. C. de C.; INAMASU, R. Y.; GREGO, C. R.; RABELLO, L. M. Gestão de recursos de informação em Agricultura de Precisão. Campinas: Embrapa Informática Agropecuária, 2011. 41 p. il. (Embrapa Informática Agropecuária. Documentos, 112).| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Clima Temperado; Embrapa Pecuária Sudeste; Embrapa Territorial. |
| |
| 44. | | BERNARDI, A. C. de C.; LAURENTI, N.; BETTIOL, G. M.; OLIVEIRA, P. P. A.; PEDROSO, A. de F.; ESTEVES, S. N.; PEZZOPANE, J. R. M. Otimização do uso de insumos em sistema de integração lavoura-pecuária-floresta com ferramentas de agricultura de precisão. Brazilian Journal of Biosystems Engineering, v. 13, n. 4, p.290-300, 2019| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 4 |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 45. | | PEZZOPANE, J. R. M.; SANTOS, P. M.; EVANGELISTA, S. R. M.; BOSI, C.; CAVALCANTE, A. C. R.; BETTIOL, G. M.; GOMIDE, C. A. de M.; PELLEGRINO, G. Q. Panicum maximum cv. Tanzânia: climate trends and regional pasture production in Brazil. Grass and forage science, v. 72, n. 1, p. 104-117, 2016.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Caprinos e Ovinos; Embrapa Gado de Leite; Embrapa Pecuária Sudeste. |
| |
| 46. | | BERNARDI, A. C. de C.; LAURENTI, N.; BETTIOL, G. M.; OLIVEIRA, P. P. A.; ALVES, T. C.; PEDROSO, A. de F.; ESTEVES, S. N.; PEZZOPANE, J. R. M. Melhoria da fertilidade do solo e otimização do uso de insumos em sistema de integração lavoura-pecuária-floresta com ferramentas de agricultura de precisão. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 4., 2019, São Carlos, SP. Anais... São Carlos, SP: Embrapa Instrumentação, 2019. 38-42. Editores: Paulino Ribeiro Villas-Boas, Maria Alice Martins, Débora Marcondes Bastos Pereira Milori, Ladislau Matin Neto. IV SIAGRO.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 47. | | BOLFE, E. L.; PARREIRAS, T. C.; SILVA, L. A. P. da; SANO, E. E.; BETTIOL, G. M.; VICTORIA, D. de C.; DEL'ARCO SANCHES, I.; VICENTE, L. E. Mapping agricultural intensification in the Brazilian savanna: a machine learning approach using harmonized data from Landsat Sentinel-2. ISPRS International Journal of Geo-Information, v. 12, n. 7, 263, July 2023.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 2 |
| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Meio Ambiente. |
| |
| 48. | | BERNARDI, A. C. de C.; TUPY, O.; SANTOS, K. E. L.; MAZZUCO, G. G.; BETTIOL, G. M.; RABELLO, L. M.; INAMASU, R. Y. Mapping of yield, economic return, soil electrical conductivity, and management zones of irrigated corn for silage. Pesquisa Agropecuária Brasileira, Brasília, v.53, n.12, p.1289-1298, dec. 2018.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 1 |
| Biblioteca(s): Embrapa Instrumentação; Embrapa Pecuária Sudeste; Embrapa Unidades Centrais. |
| |
| 49. | | BERNARDI, A. C. de C.; PITRAT, T.; RABELLO, L. M.; PEZZOPANE, J. R. M.; BOSI, C.; MAZZUCO, G. G.; BETTIOL, G. M. Soil electrical resistivity at different water contents in an integrated crop-livestock-forest system in Brazil. Advances in Animal Biosciences, v. 8, n. 2, p. 885-886, July 2017. Papers presented at the 11th European Conference on Precision Agriculture (ECPA 2017), John McIntyre Centre, Edinburgh, UK, July 16-20 2017.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 50. | | BERNARDI, A. C. de C.; PITRAT, T.; RABELLO, L. M.; PEZZOPANE, J. R. M.; BOSI, C.; MAZZUCO, G. G.; BETTIOL, G. M. Soil electrical resistivity at different water contents in an integrated crop-livestock-forest system in Brazil. Advances in Animal Biosciences, v. 8, n. 2, p. 885-886, July 2017. Papers presented at the 11th European Conference on Precision Agriculture (ECPA 2017), John McIntyre Centre, Edinburgh, UK, July 16-20 2017.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Cerrados. |
| |
| 51. | | GUSMAO, M. R.; ALVES, T. C.; LEMES, A. P.; BETTIOL, G. M.; PEDROSO, A. de F.; BARIONI JUNIOR, W.; OLIVEIRA, P. P. A.; GREGO, C. R. Sodium fluorescein as an internal tracer on the location of bovine urine patches in pastures. Grass and Forage Science, v. 71, p. 305-314, apr. 2015.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 52. | | BERNARDI, A. C. de C.; BETTIOL, G. M.; MAZZUCO, G. G.; ESTEVES, S. N.; OLIVEIRA, P. P. A.; PEZZOPANE, J. R. M. Spatial variability of soil fertility in an integrated crop livestock forest system. Advances in Animal Biosciences: Precision Agriculture, v. 8, n. 2, p. 590-593, 2017.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 54. | | VERRUMA, A. A.; MARTINELLI, P. R. P.; RABELLO, L. M.; INAMASU, R. Y.; SANTOS, K. E. L.; BETTIOL, G. M.; BERNARDI, A. C. de C. Soil and weed occurrence mapping and estimates of sugarcane production cost. Brazilian Journal of Biosystems Engineering, v. 11, n. 1, p. 68-78, 2017.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 4 |
| Biblioteca(s): Embrapa Pecuária Sudeste. |
| |
| 55. | | SANO, E. E.; BOLFE, E. L.; PARREIRAS, T. C.; DEL'ARCO SANCHES, I.; BETTIOL, G. M.; VICTORIA, D. de C.; VICENTE, L. E. Uso de dados multi-sensores para o monitoramento agrícola no Cerrado: resultados preliminares. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 412-415. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del´Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. Na publicação: Daniel Castro Victoria.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 56. | | SANO, E. E.; BOLFE, E. L.; PARREIRAS, T. C.; DEL'ARCO SANCHES, I.; BETTIOL, G. M.; VICTORIA, D. de C.; VICENTE, L. E. Uso de dados multi-sensores para o monitoramento agrícola no cerrado: resultados preliminares. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 412-415. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del´Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão. Na publicação: Daniel Castro Victoria.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Cerrados; Embrapa Meio Ambiente. |
| |
| 57. | | VAZ, C. M. P.; INAMASU, R. Y.; SANTOS, K. E. L.; BETTIOL, G. M.; ANDRADE, A. L.; BERNARDI, A. C. C. Variabilidade espacial de parâmetros físicos do solo em área de pivô e correlações com a produtividade do milho para silagem. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 2014, São Carlos, SP Anais do SIAGRO: ciência, inovação e mercado 2014. São Carlos, SP: Embrapa Instrumentação, 2014. p. 81-84. Editores: Carlos Manoel Pedro Vaz, Débora Marcondes Bastos Pereira Milori, Silvio Crestana.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Instrumentação; Embrapa Pecuária Sudeste. |
| |
| 58. | | BERNARDI, A. C. de C.; INAMASU, R. Y.; RABELLO, L. M.; CAMPANA, M.; BETTIOL, G. M.; OLIVEIRA, P. P. A. de. Variabilidade espacial de propriedades do solo, índices de vegetação e produtividade de pastagem sob manejo intensivo. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 513-522.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Instrumentação. |
| |
| 59. | | GODOY, F. O. de; BUENO, J. O. de A.; SANTOS, K. E. L.; BETTIOL, G. M.; RABELLO, L. M.; INAMASU, R. Y.; BERNARDI, A. C. de C. Mapeamento da condutividade elétrica aparente do solo e sua relação com matéria orgânica e granulometria. In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 10., 2018, São Carlos, SP. Anais... São Carlos: Embrapa Instrumentação: Embrapa Pecuária Sudeste, 2017. p. 22. Editores técnicos: Daniel Souza Corrêa, Elaine Cristina Paris, Maria Alice Martins, Paulino Ribeiro Villas Boas, Wilson Tadeu Lopes da Silva. (Embrapa Instrumentação. Documentos, 68). (Embrapa Instrumentação. Documentos, 68).| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Embrapa Instrumentação; Embrapa Pecuária Sudeste. |
| |
| 60. | | BETTIOL, G. M.; MOURA, L.; NOGUEIRA, S. F.; DRUCKER, D. P.; OLIVEIRA, P. P. A.; QUARTAROLI, C. F.; RODRIGUES, C. A. G.; SILVA, G. B. S. da. Web platform for geospatial information: aplications for GeoPECUS project. In: INTERNATIONAL SYMPOSIUM ON GREENHOUSE GASES IN AGRICULTURE, 2., 2016, Campo Grande, MS. Proceedings... Brasília, DF: Embrapa, 2016. p. 134-139. (Embrapa Gado de Corte. Documentos, 216). Coordenador: Roberto Giolo de Almeida. II SIGEE.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| Registros recuperados : 80 | |
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
