|
|
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) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 28 | |
2. | | BÉGUÉ, A.; ARVOR, D.; LELONG, C.; VINTROU, E.; SIMÕES, M. Agricultural systems studies using remote sensing. In: TENKABAIL, P. S. (Ed.). Land resources monitoring, modeling, and mapping with remote sensing. Boca Raton: CRC Press, 2015. cap. 5, p. 113-130.Tipo: Capítulo em Livro Técnico-Científico |
Biblioteca(s): Embrapa Solos. |
| |
5. | | MULIANGA, B.; BÉGUÉ, A.; SIMÕES, M.; CLOUVEL, P.; TODOROFF, P. Estimating potential soil erosion for environmental services in a sugarcane growing área ussing multisource remote sensing data. In: SPIE REMOTE SENSING, 4., 2013, Dresden. Remote sensing for agriculture, ecosystems, and hydrology XV: proceedings... Bellingham: SPIE, 2013. v. 8887. Ref. 88871W.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Solos. |
| |
9. | | KUCHLER, P. C.; BÉGUÉ, A.; SIMÕES, M.; GAETANO, R.; ARVOR, D.; FERRAZ, R. P. D. Assessing the optimal preprocessing steps of MODIS time series to map cropping systems in Mato Grosso, Brazil. International Journal of Applied Earth Observation and Geoinformation, v. 92, 102150, Oct. 2020.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Solos. |
| |
10. | | ARVOR, D.; MEIRELLES, M. S. P.; DUBREUIL, V.; BEGUÈ, A.; SHIMABUKURO, Y. E. Analyzing the agricultural transition in Mato Grosso, Brazil, using satellite-derived indices. Applied Geography, v. 32, p. 702-713, 2011.Biblioteca(s): Embrapa Solos. |
| |
18. | | BELLÓN, B.; BÉGUÉ, A.; LO SEEN, D.; LEBOURGEOIS, V.; EVANGELISTA, B. A.; SIMÕES, M.; FERRAZ, R. P. D. Improved regional-scale Brazilian cropping systems' mapping based on a semi-automatic object-based clustering approach. International Journal of Applied Earth Observation and Geoinformation, V. 68, p. 127-138, Jun. 2018.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Pesca e Aquicultura; Embrapa Solos. |
| |
19. | | BÉGUÉ, A.; ARVOR, D.; BELLON, B.; BETBEDER, J.; ABELLEYRA, D. de; FERRAZ, R. P. D.; LEBOURGEOIS, V.; LELONG, C.; SIMÕES, M.; VERÓN, S. R. Remote sensing and cropping practices: a review. Remote Sensing, v. 10, n. 1, Jan. 2018.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Solos. |
| |
20. | | KUCHLER, P. C.; SIMÕES, M.; BÉGUÉ, A.; MACHADO, P. L. O. de A.; FERRAZ, R. P. D.; MADARI, B. E.; FREITAS, P. L. de; MANZATTO, C. V. Monitoring Brazilian low-carbon agriculture plan: the potential of remote sensing to detect adoption of selected agricultural practices. In: EFITA WCCA CONGRESS, 2017, Montpellier. Conference proceedings. Montpellier: Efita, 2017. p. 169-170.Tipo: Resumo em Anais de Congresso |
Biblioteca(s): Embrapa Arroz e Feijão. |
| |
Registros recuperados : 28 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|