|
Registro Completo |
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
08/11/2021 |
|
Data da última atualização: |
08/11/2021 |
|
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
|
Autoria: |
KUCHLER, P. C.; SIMÕES, M.; BÉGUÉ, A.; FERRAZ, R. P. D.; ARVOR, D. |
|
Afiliação: |
PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France. |
|
Título: |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30. |
|
DOI: |
http://doi.org/10.36229/978-65-5866-079-8.CAP.04 |
|
Idioma: |
Português |
|
Conteúdo: |
A implementação do iLP, ou seja, a diversificação, rotação, consorcio e/ou sucessão das atividades agrícolas e de pecuária na mesma área formando um único sistema, é considerada uma importante estratégia de intensificação agrícola sustentável para brasil, com diversos impactos positivos com destaque na conservação do solo e rentabilidade e viabilidade econômica. O acompanhamento da implantação desta iniciativa é fundamental como instrumento de gestão pública, porém ainda é um desafio. Nesta direção, este trabalho discute a aplicação dos conceitos de BIG DATA e aprendizado de máquina para o sensoriamento remoto. Como teste foi utilizado o classificador Random Forest (RF) aplicado a séries temporais MODIS para analisar a capacidade de detecção de certos iLPs. Para isso, avaliamos a precisão do RF aplicado ao NDVI do MODIS para os anos de 2012 a 2016 em uma área no norte do mato grosso. Dois modelos foram testados: (i) usando 11 métricas fenológicas derivadas do MODIS (ii) usando as métricas e os dados originais. O índice kappa para (i) foi de 0,63, sendo 9 deles com potencial discriminatório; o resultado de (ii) foi de 0,84, onde somente 01 métrica foi significativa para discriminação. Nossos resultados indicam que o uso da técnica de classificação RF com dados MODIS tem grande potencial para compor uma metodologia de monitoramento do iLP, sendo o grande desafio o tratamento das SITS em larga escala, necessitando em termos de arquitetura de sistemas processamento paralelo em nuvem, tecnologia esta, cada vez mais disponível. MenosA implementação do iLP, ou seja, a diversificação, rotação, consorcio e/ou sucessão das atividades agrícolas e de pecuária na mesma área formando um único sistema, é considerada uma importante estratégia de intensificação agrícola sustentável para brasil, com diversos impactos positivos com destaque na conservação do solo e rentabilidade e viabilidade econômica. O acompanhamento da implantação desta iniciativa é fundamental como instrumento de gestão pública, porém ainda é um desafio. Nesta direção, este trabalho discute a aplicação dos conceitos de BIG DATA e aprendizado de máquina para o sensoriamento remoto. Como teste foi utilizado o classificador Random Forest (RF) aplicado a séries temporais MODIS para analisar a capacidade de detecção de certos iLPs. Para isso, avaliamos a precisão do RF aplicado ao NDVI do MODIS para os anos de 2012 a 2016 em uma área no norte do mato grosso. Dois modelos foram testados: (i) usando 11 métricas fenológicas derivadas do MODIS (ii) usando as métricas e os dados originais. O índice kappa para (i) foi de 0,63, sendo 9 deles com potencial discriminatório; o resultado de (ii) foi de 0,84, onde somente 01 métrica foi significativa para discriminação. Nossos resultados indicam que o uso da técnica de classificação RF com dados MODIS tem grande potencial para compor uma metodologia de monitoramento do iLP, sendo o grande desafio o tratamento das SITS em larga escala, necessitando em termos de arquitetura de sistemas processamento paralelo em n... Mostrar Tudo |
|
Palavras-Chave: |
Aprendizado de máquina; Big Earth Observation Data; Mato Grosso; Random forest; Séries temporais; Sistemas integrados. |
|
Thesagro: |
Sensoriamento Remoto. |
|
Thesaurus Nal: |
Remote sensing. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/227468/1/Big-Earth-Observation-Data-e-aprendizado-de-maquina-2021.pdf
|
|
Marc: |
LEADER 02518naa a2200277 a 4500
001 2135867
005 2021-11-08
008 2021 bl uuuu u00u1 u #d
024 7 $ahttp://doi.org/10.36229/978-65-5866-079-8.CAP.04$2DOI
100 1 $aKUCHLER, P. C.
245 $aBig Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.$h[electronic resource]
260 $c2021
520 $aA implementação do iLP, ou seja, a diversificação, rotação, consorcio e/ou sucessão das atividades agrícolas e de pecuária na mesma área formando um único sistema, é considerada uma importante estratégia de intensificação agrícola sustentável para brasil, com diversos impactos positivos com destaque na conservação do solo e rentabilidade e viabilidade econômica. O acompanhamento da implantação desta iniciativa é fundamental como instrumento de gestão pública, porém ainda é um desafio. Nesta direção, este trabalho discute a aplicação dos conceitos de BIG DATA e aprendizado de máquina para o sensoriamento remoto. Como teste foi utilizado o classificador Random Forest (RF) aplicado a séries temporais MODIS para analisar a capacidade de detecção de certos iLPs. Para isso, avaliamos a precisão do RF aplicado ao NDVI do MODIS para os anos de 2012 a 2016 em uma área no norte do mato grosso. Dois modelos foram testados: (i) usando 11 métricas fenológicas derivadas do MODIS (ii) usando as métricas e os dados originais. O índice kappa para (i) foi de 0,63, sendo 9 deles com potencial discriminatório; o resultado de (ii) foi de 0,84, onde somente 01 métrica foi significativa para discriminação. Nossos resultados indicam que o uso da técnica de classificação RF com dados MODIS tem grande potencial para compor uma metodologia de monitoramento do iLP, sendo o grande desafio o tratamento das SITS em larga escala, necessitando em termos de arquitetura de sistemas processamento paralelo em nuvem, tecnologia esta, cada vez mais disponível.
650 $aRemote sensing
650 $aSensoriamento Remoto
653 $aAprendizado de máquina
653 $aBig Earth Observation Data
653 $aMato Grosso
653 $aRandom forest
653 $aSéries temporais
653 $aSistemas integrados
700 1 $aSIMÕES, M.
700 1 $aBÉGUÉ, A.
700 1 $aFERRAZ, R. P. D.
700 1 $aARVOR, D.
773 $tIn: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021.$gv. 4, cap. 4, p. 24-30.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Solos (CNPS) |
|
