| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Semiárido; Embrapa Unidades Centrais. |
|
Data corrente: |
12/04/2000 |
|
Data da última atualização: |
14/12/2023 |
|
Tipo da produção científica: |
Documentos |
|
Autoria: |
OLIVEIRA, C. A. V.; CORREIA, R. C.; SILVA, C. N. da; FRAGA, A. F. |
|
Afiliação: |
CARLOS ALBERTO VASCONCELOS OLIVEIRA, CPATSA; REBERT COELHO CORREIA, CPATSA; CARLIENE NUNES DA SILVA; ANTÔNIO FONSECA FRAGA. |
|
Título: |
Diagnóstico e tipificação dos sistemas de produção praticados pelos pequenos produtores do município de Caraíbas-BA. |
|
Ano de publicação: |
1999 |
|
Fonte/Imprenta: |
Petrolina: Embrapa Semi-Árido, 1999. |
|
Páginas: |
66 p. |
|
Série: |
(Embrapa Semi-Árido. Documentos, 131). |
|
Idioma: |
Português |
|
Conteúdo: |
Esta pesquisa teve como objetivo diagnosticar e tipificar os sistemas de produção praticados pelos pequenos produtores do município de Caraíbas-BA, a partir de solicitação da Companhia de Desenvolvimento e Ação Regional (CAR-BA). Neste município foi selecionada uma amostra de 98 produtores e um questionário de 670 variáveis foi aplicado. Posteriormente, foram geradas 86 variáveis complexas, a partir das variáveis simples (dados coletados). As informações foram analisadas através de técnicas estatísticas multivariadas. Os resultados mostraram a existência de oito tipos distintos de pequenos produtores, dos deze encontrados no Nordeste: Tipos 1, 2, 3, 4, 5, 6, 7, 8 e 10 com as seguintes importâncias (%): 4,08; 11,2; 2,04; 5,1; 8,16; 26,53; 39,83 e 3,06, respectivamente. Os mesmos foram caracterizados segundo o tamanho da família, dos rebanhos, produção vegetal e animal, áreas total e cultivadas (culturas comerciais, subsistência e pastagens), índice de tecnologia e rendas diversas (agropecuária, aposentadoria e outras atividades). Estes tipos, com relação a política de transferência de tecnologias, priorização de ações de pesquisa e de investimentos, possuem demandas diferenciadas. |
|
Palavras-Chave: |
Bahia; Brasil; Caraíbas; Estrutura; Perfil socioeconômico; Propriedade agrícola; Small farmers; Socioeconomic profile; Structure; Tipificação. |
|
Thesagro: |
Diagnostico; Pequeno Produtor; Sistema de Produção. |
|
Thesaurus Nal: |
Brazil; classification; farming systems; farms. |
|
Categoria do assunto: |
--
B Sociologia Rural |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/133910/1/n-131-Diagnostico-e...-Caraibas-BA.pdf
|
|
Marc: |
LEADER 02275nam a2200373 a 4500
001 1133910
005 2023-12-14
008 1999 bl uuuu 00u1 u #d
100 1 $aOLIVEIRA, C. A. V.
245 $aDiagnóstico e tipificação dos sistemas de produção praticados pelos pequenos produtores do município de Caraíbas-BA.
260 $aPetrolina: Embrapa Semi-Árido$c1999
300 $a66 p.
490 $a(Embrapa Semi-Árido. Documentos, 131).
520 $aEsta pesquisa teve como objetivo diagnosticar e tipificar os sistemas de produção praticados pelos pequenos produtores do município de Caraíbas-BA, a partir de solicitação da Companhia de Desenvolvimento e Ação Regional (CAR-BA). Neste município foi selecionada uma amostra de 98 produtores e um questionário de 670 variáveis foi aplicado. Posteriormente, foram geradas 86 variáveis complexas, a partir das variáveis simples (dados coletados). As informações foram analisadas através de técnicas estatísticas multivariadas. Os resultados mostraram a existência de oito tipos distintos de pequenos produtores, dos deze encontrados no Nordeste: Tipos 1, 2, 3, 4, 5, 6, 7, 8 e 10 com as seguintes importâncias (%): 4,08; 11,2; 2,04; 5,1; 8,16; 26,53; 39,83 e 3,06, respectivamente. Os mesmos foram caracterizados segundo o tamanho da família, dos rebanhos, produção vegetal e animal, áreas total e cultivadas (culturas comerciais, subsistência e pastagens), índice de tecnologia e rendas diversas (agropecuária, aposentadoria e outras atividades). Estes tipos, com relação a política de transferência de tecnologias, priorização de ações de pesquisa e de investimentos, possuem demandas diferenciadas.
650 $aBrazil
650 $aclassification
650 $afarming systems
650 $afarms
650 $aDiagnostico
650 $aPequeno Produtor
650 $aSistema de Produção
653 $aBahia
653 $aBrasil
653 $aCaraíbas
653 $aEstrutura
653 $aPerfil socioeconômico
653 $aPropriedade agrícola
653 $aSmall farmers
653 $aSocioeconomic profile
653 $aStructure
653 $aTipificação
700 1 $aCORREIA, R. C.
700 1 $aSILVA, C. N. da
700 1 $aFRAGA, A. F.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Semiárido (CPATSA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
26/07/2023 |
|
Data da última atualização: |
26/07/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
BASTOS, B. P.; PINHEIRO, H. S. K.; FERREIRA, F. J. F.; CARVALHO JUNIOR, W. de; ANJOS, L. H. C. dos. |
|
Afiliação: |
BLENDA PEREIRA BASTOS, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; HELENA SARAIVA KOENOW PINHEIRO, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; FRANCISCO JOSÉ FONSECA FERREIRA, UNIVERSIDADE FEDERAL DO PARANÁ; WALDIR DE CARVALHO JUNIOR, CNPS; LÚCIA HELENA CUNHA DOS ANJOS, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO. |
|
Título: |
Could airborne geophysical data be used to improve predictive modeling of agronomic soil properties in tropical hillslope area? |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Remote Sensing, v. 15, n. 15, 3719, 2023. |
|
DOI: |
https://doi.org/10.3390/rs15153719 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Airborne geophysical data (AGD) have great potential to represent soil-forming factors. Because of that, the objective of this study was to evaluate the importance of AGD in predicting soil attributes such as aluminum saturation (ASat), base saturation (BS), cation exchange capacity (CEC), clay, and organic carbon (OC). The AGD predictor variables include total count (uR/h), K (potassium), eU (uranium equivalent), and eTh (thorium equivalent), ratios between these elements (eTh/K, eU/K, and eU/eTh), factor F or F-parameter, anomalous potassium (Kd), anomalous uranium (Ud), anomalous magnetic field (AMF), vertical derivative (GZ), horizontal derivatives (GX and GY), and mafic index (MI). The approach was based on applying predictive modeling techniques using (1) digital elevation model (DEM) covariates and Sentinel-2 images with AGD; and (2) DEM covariates and Sentinel-2 images without the AGD. The study was conducted in Bom Jardim, a county in Rio de Janeiro-Brazil with an area of 382,430 km², with a database of 208 soil samples to a predefined depth (0-30 cm). Non-explanatory covariates for the selected soil attributes were excluded. Through the selected covariables, the random forest (RF) and support vector machine (SVM) models were applied with separate samples for training (75%) and validation (25%). The model's performance was evaluated through the R-squared (R2), root mean square error (RMSE), and mean absolute error (MAE), as well as null model values and coefficient of variation (CV%). The RF algorithm showed better performance with AGD (R2 values ranging from 0.15 to 0.23), as well as the SVM model (R2 values ranging from 0.08 to 0.23) when compared to RF (R2 values ranging from 0.10 to 0.20) and SVM (R2 values ranging from 0.04 to 0.10) models without AGD. Overall, the results suggest that AGD can be helpful for soil mapping. Nevertheless, it is crucial to acknowledge that the accuracy of AGD in predicting soil properties could vary depending on various common factors in DSM, such as the quality and resolution of the covariates and available soil data. Further research is needed to determine the optimal approach for using AGD in soil mapping. MenosAirborne geophysical data (AGD) have great potential to represent soil-forming factors. Because of that, the objective of this study was to evaluate the importance of AGD in predicting soil attributes such as aluminum saturation (ASat), base saturation (BS), cation exchange capacity (CEC), clay, and organic carbon (OC). The AGD predictor variables include total count (uR/h), K (potassium), eU (uranium equivalent), and eTh (thorium equivalent), ratios between these elements (eTh/K, eU/K, and eU/eTh), factor F or F-parameter, anomalous potassium (Kd), anomalous uranium (Ud), anomalous magnetic field (AMF), vertical derivative (GZ), horizontal derivatives (GX and GY), and mafic index (MI). The approach was based on applying predictive modeling techniques using (1) digital elevation model (DEM) covariates and Sentinel-2 images with AGD; and (2) DEM covariates and Sentinel-2 images without the AGD. The study was conducted in Bom Jardim, a county in Rio de Janeiro-Brazil with an area of 382,430 km², with a database of 208 soil samples to a predefined depth (0-30 cm). Non-explanatory covariates for the selected soil attributes were excluded. Through the selected covariables, the random forest (RF) and support vector machine (SVM) models were applied with separate samples for training (75%) and validation (25%). The model's performance was evaluated through the R-squared (R2), root mean square error (RMSE), and mean absolute error (MAE), as well as null model values and coefficient ... Mostrar Tudo |
|
Palavras-Chave: |
Digital soil mapping; Gamma-ray spectrometry data; Hillslope areas; Machine learning; Magnetic data; Mapeamento digital do solo; Parent material. |
|
Thesagro: |
Sensoriamento Remoto. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1155276/1/Could-airborne-geophysical-data-be-used-to-improve-predictive-modeling-2023.pdf
|
|
Marc: |
LEADER 03095naa a2200277 a 4500
001 2155276
005 2023-07-26
008 2023 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.3390/rs15153719$2DOI
100 1 $aBASTOS, B. P.
245 $aCould airborne geophysical data be used to improve predictive modeling of agronomic soil properties in tropical hillslope area?$h[electronic resource]
260 $c2023
520 $aAirborne geophysical data (AGD) have great potential to represent soil-forming factors. Because of that, the objective of this study was to evaluate the importance of AGD in predicting soil attributes such as aluminum saturation (ASat), base saturation (BS), cation exchange capacity (CEC), clay, and organic carbon (OC). The AGD predictor variables include total count (uR/h), K (potassium), eU (uranium equivalent), and eTh (thorium equivalent), ratios between these elements (eTh/K, eU/K, and eU/eTh), factor F or F-parameter, anomalous potassium (Kd), anomalous uranium (Ud), anomalous magnetic field (AMF), vertical derivative (GZ), horizontal derivatives (GX and GY), and mafic index (MI). The approach was based on applying predictive modeling techniques using (1) digital elevation model (DEM) covariates and Sentinel-2 images with AGD; and (2) DEM covariates and Sentinel-2 images without the AGD. The study was conducted in Bom Jardim, a county in Rio de Janeiro-Brazil with an area of 382,430 km², with a database of 208 soil samples to a predefined depth (0-30 cm). Non-explanatory covariates for the selected soil attributes were excluded. Through the selected covariables, the random forest (RF) and support vector machine (SVM) models were applied with separate samples for training (75%) and validation (25%). The model's performance was evaluated through the R-squared (R2), root mean square error (RMSE), and mean absolute error (MAE), as well as null model values and coefficient of variation (CV%). The RF algorithm showed better performance with AGD (R2 values ranging from 0.15 to 0.23), as well as the SVM model (R2 values ranging from 0.08 to 0.23) when compared to RF (R2 values ranging from 0.10 to 0.20) and SVM (R2 values ranging from 0.04 to 0.10) models without AGD. Overall, the results suggest that AGD can be helpful for soil mapping. Nevertheless, it is crucial to acknowledge that the accuracy of AGD in predicting soil properties could vary depending on various common factors in DSM, such as the quality and resolution of the covariates and available soil data. Further research is needed to determine the optimal approach for using AGD in soil mapping.
650 $aSensoriamento Remoto
653 $aDigital soil mapping
653 $aGamma-ray spectrometry data
653 $aHillslope areas
653 $aMachine learning
653 $aMagnetic data
653 $aMapeamento digital do solo
653 $aParent material
700 1 $aPINHEIRO, H. S. K.
700 1 $aFERREIRA, F. J. F.
700 1 $aCARVALHO JUNIOR, W. de
700 1 $aANJOS, L. H. C. dos
773 $tRemote Sensing$gv. 15, n. 15, 3719, 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Solos (CNPS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
