| |
|
|
|
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 : 11 | |
| 2. |  | SANTANA, C. A. M.; SOUZA, G. da S. e; CAMPOS, S. K.; DEL'ARCO SANCHES, I.; GOMES, E. G.; SANO, E. E. Dinâmicas agropecuárias e socioeconômicas no Cerrado, de 1975 a 2015. In: BOLFE, E. L.; SANO, E. E.; CAMPOS, S. K. (Ed.). Dinâmica agrícola no cerrado: análises e projeções. Brasília, DF: Embrapa, 2020. v. 1, cap. 5, p. 141-192.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Unidades Centrais. |
|    |
| 3. | | 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. |
| |
| 4. | | 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. |
| |
| 5. | | SANO, E. E.; BOLFE, E. L.; PARREIRAS, T. C.; BETTIOL, G. M.; VICENTE, L. E.; DEL'ARCO SANCHES, I.; VICTORIA, D. de C. Estimating double cropping plantations in the Brazilian Cerrado through PlanetScope monthly mosaics. Land, v. 12, n. 3, 581, 2023.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 3 |
| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Meio Ambiente. |
| |
| 6. | | BOLFE, E. L.; PARREIRAS, T. C.; SANO, E. E.; DEL'ARCO SANCHES, I.; VICTORIA, D. de C.; AMARAL, T. B.; MONTAGNER, D. B.; FONTANA, A. Dados multisensor na caracterização do perfil espectral de sistemas de integração lavoura-pecuária em área de Cerrado. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 1580-1583. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del´Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Cerrados; Embrapa Gado de Corte. |
| |
| 7. | | BOLFE, E. L.; PARREIRAS, T. C.; SANO, E. E.; DEL'ARCO SANCHES, I.; VICTORIA, D. de C.; AMARAL, T. B.; MONTAGNER, D. B.; FONTANA, A. Dados multisensor na caracterização do perfil espectral de sistemas de integração lavoura-pecuária em área de Cerrado. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 1580-1583. Editores: Douglas Francisco Marcolino Gherardi, Ieda Del´Arco Sanches, Luiz Eduardo Oliveira e Cruz de Aragão.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Solos. |
| |
| 8. | | 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. |
| |
| 9. | | 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. |
| |
| 10. | | CHEN, Y.; LU, D.; MORAN, E.; BATISTELLA, M.; DUTRA, L. V.; DEL'ARCO SANCHES, I.; SILVA, R. F. B. da; HUANG, J.; LUIZ, A. J. B.; OLIVEIRA, M. A. F. de. Mapping croplands, cropping patterns, and crop types using MODIS time-series data. International Journal of Applied Earth Observation and Geoinformation, v. 69, p. 133-147, July 2018.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Agricultura Digital. |
|  |
| 11. | | BOLFE, E. L.; JORGE, L. A. de C.; DEL'ARCO SANCHES, I.; LUCHIARI JUNIOR, A.; COSTA, C. C. da; VICTORIA, D. de C.; INAMASU, R. Y.; GREGO, C. R.; FERREIRA, V. R.; RAMIREZ, A. R. Precision and digital agriculture: adoption of technologies and perception of Brazilian farmers. Agriculture, v. 10, n. 12, p. 1-16, Dec. 2020. Article 653.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 1 |
| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| Registros recuperados : 11 | |
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
