|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
04/11/2016 |
Data da última atualização: |
21/01/2020 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
SERVIDONE, G.; TERNES, S.; VILAMIU, R.; LARANJEIRA, F. F. |
Afiliação: |
GABRIELA SERVIDONE, Unicamp, Bolsista CNPq (PIBIC); SÔNIA TERNES, CNPTIA; RAPHAEL VILAMIU, Cefet Angra dos Reis; FRANCISCO FERRAZ LARANJEIRA BARBOSA, CNPMF. |
Título: |
Aspectos introdutórios de um modelo baseado no indivíduo para estudo da dinâmica espacial do HLB do citros. |
Ano de publicação: |
2016 |
Fonte/Imprenta: |
In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 10., 2016, Campinas. Anais... Campinas: Embrapa Monitoramento por Satélite, 2016. |
Páginas: |
p. 1-8. |
ISBN: |
978-85-7029-135-6 |
Idioma: |
Português |
Notas: |
CIIC 2016. Nº 16604. |
Conteúdo: |
RESUMO - O Huanglongbing (HLB) é uma doença incurável que afeta plantas de citros em todo o país. Como o Brasil é um dos maiores produtores de citros do mundo, essa doença pode causar um grande impacto econômico na agricultura brasileira. Visando contribuir para novas estratégias de controle da doença, estão sendo realizados estudos focados na modelagem baseada no indivíduo (MBI) para avaliar a propagação espaço-temporal da doença em áreas de plantio com a presença de um novo hospedeiro alternativo mais atrativo. Este trabalho tem como objetivo desenvolver a estrutura computacional de um MBI, utilizando o software R e o pacote Shiny que possibilita executar as simulações via web, a partir de premissas e estudos biológicos prévios da doença. As simulações iniciais indicam que a estrutura computacional concebida possibilita uma melhor visualização da progressão da doença, bem como facilita o teste de diferentes geometrias de plantio envolvendo os hospedeiros principal e alternativo. |
Palavras-Chave: |
Coffee production; Huanglongbing; Image recognition; Modelagem baseada no indivíduo; R Shiny; Software R. |
Thesaurus Nal: |
Artificial intelligence; Citrus; Greening disease; Image analysis. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/149586/1/PL-16604-CIIC-Servidone.pdf
|
Marc: |
LEADER 02009nam a2200301 a 4500 001 2055877 005 2020-01-21 008 2016 bl uuuu u00u1 u #d 020 $a978-85-7029-135-6 100 1 $aSERVIDONE, G. 245 $aAspectos introdutórios de um modelo baseado no indivíduo para estudo da dinâmica espacial do HLB do citros.$h[electronic resource] 260 $aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 10., 2016, Campinas. Anais... Campinas: Embrapa Monitoramento por Satélite$c2016 300 $ap. 1-8. 500 $aCIIC 2016. Nº 16604. 520 $aRESUMO - O Huanglongbing (HLB) é uma doença incurável que afeta plantas de citros em todo o país. Como o Brasil é um dos maiores produtores de citros do mundo, essa doença pode causar um grande impacto econômico na agricultura brasileira. Visando contribuir para novas estratégias de controle da doença, estão sendo realizados estudos focados na modelagem baseada no indivíduo (MBI) para avaliar a propagação espaço-temporal da doença em áreas de plantio com a presença de um novo hospedeiro alternativo mais atrativo. Este trabalho tem como objetivo desenvolver a estrutura computacional de um MBI, utilizando o software R e o pacote Shiny que possibilita executar as simulações via web, a partir de premissas e estudos biológicos prévios da doença. As simulações iniciais indicam que a estrutura computacional concebida possibilita uma melhor visualização da progressão da doença, bem como facilita o teste de diferentes geometrias de plantio envolvendo os hospedeiros principal e alternativo. 650 $aArtificial intelligence 650 $aCitrus 650 $aGreening disease 650 $aImage analysis 653 $aCoffee production 653 $aHuanglongbing 653 $aImage recognition 653 $aModelagem baseada no indivíduo 653 $aR Shiny 653 $aSoftware R 700 1 $aTERNES, S. 700 1 $aVILAMIU, R. 700 1 $aLARANJEIRA, F. F.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Agricultura Digital; Embrapa Uva e Vinho. |
Data corrente: |
02/05/2022 |
Data da última atualização: |
02/05/2022 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
B - 3 |
Autoria: |
SPERANZA, E. A.; GREGO, C. R.; GEBLER, L. |
Afiliação: |
EDUARDO ANTONIO SPERANZA, CNPTIA; CELIA REGINA GREGO, CNPTIA; LUCIANO GEBLER, CNPUV. |
Título: |
Analysis of pest incidence on apple trees validated by unsupervised machine learning algorithms. |
Ano de publicação: |
2022 |
Fonte/Imprenta: |
Engenharia na Agricultura, v. 30, p. 63-74, 2022. |
DOI: |
https://doi.org/10.13083/reveng.v30i1.12919 |
Idioma: |
Português |
Conteúdo: |
ABSTRACT. Integrated pest control is a practice commonly used in apple orchards in southern Brazil. This type of management is an important tool to help improve quality and increase yields. This study aimed to identify areas with higher and lower incidence of aerial pests in a commercial apple orchard, regarding data collected from three different crops using georeferenced traps. Geostatistical analyses were performed, based on the modeling of semivariograms and spatial interpolation using the kriging method; and clustering, based on specific unsupervised machine learning algorithms for count data. The algorithms were selected from measures of stability, connectivity and homogeneity, seeking to identify areas with different incidence of pests that could help farmer decision making regarding insect population control using pesticides. The geostatistical analysis verified the presence of individual pest infestations in specific sites of the study area. Additionally, the analysis using machine learning allowed the identification of areas with incidence above the average for all analyzed pests, especially in the central area of the map. The process of evaluation described in this study can serve as an aid for risk analysis, promoting management benefits and reducing cost in the farms. |
Palavras-Chave: |
Análise geoestatística; Aprendizado de Máquina Não-Supervisionado; Controle de pragas; Geoestatística; Maçãs; Manejo de Pragas; Pomares; Unsupervised Machine Learning. |
Thesaurus NAL: |
Apples; Geostatistics; Orchards; Pest management. |
Categoria do assunto: |
-- F Plantas e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1142552/1/AP-Analysis-pest-incidence-2022.pdf
|
Marc: |
LEADER 02221naa a2200301 a 4500 001 2142552 005 2022-05-02 008 2022 bl uuuu u00u1 u #d 024 7 $ahttps://doi.org/10.13083/reveng.v30i1.12919$2DOI 100 1 $aSPERANZA, E. A. 245 $aAnalysis of pest incidence on apple trees validated by unsupervised machine learning algorithms.$h[electronic resource] 260 $c2022 520 $aABSTRACT. Integrated pest control is a practice commonly used in apple orchards in southern Brazil. This type of management is an important tool to help improve quality and increase yields. This study aimed to identify areas with higher and lower incidence of aerial pests in a commercial apple orchard, regarding data collected from three different crops using georeferenced traps. Geostatistical analyses were performed, based on the modeling of semivariograms and spatial interpolation using the kriging method; and clustering, based on specific unsupervised machine learning algorithms for count data. The algorithms were selected from measures of stability, connectivity and homogeneity, seeking to identify areas with different incidence of pests that could help farmer decision making regarding insect population control using pesticides. The geostatistical analysis verified the presence of individual pest infestations in specific sites of the study area. Additionally, the analysis using machine learning allowed the identification of areas with incidence above the average for all analyzed pests, especially in the central area of the map. The process of evaluation described in this study can serve as an aid for risk analysis, promoting management benefits and reducing cost in the farms. 650 $aApples 650 $aGeostatistics 650 $aOrchards 650 $aPest management 653 $aAnálise geoestatística 653 $aAprendizado de Máquina Não-Supervisionado 653 $aControle de pragas 653 $aGeoestatística 653 $aMaçãs 653 $aManejo de Pragas 653 $aPomares 653 $aUnsupervised Machine Learning 700 1 $aGREGO, C. R. 700 1 $aGEBLER, L. 773 $tEngenharia na Agricultura$gv. 30, p. 63-74, 2022.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|