| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Arroz e Feijão. |
|
Data corrente: |
08/12/2021 |
|
Data da última atualização: |
08/12/2021 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
BABILÔNIA, F. R.; WANDER, A. E. |
|
Afiliação: |
FERNANDO REIS BABILÔNIA, Faculdade de Educação Santa Terezinha; ALCIDO ELENOR WANDER, CNPAF. |
|
Título: |
Cadeia produtiva da celulose em Imperatriz-MA. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
Revista Brasileira de Desenvolvimento Regional, v. 9, n. 1, p. 7-28, abr. 2021. |
|
ISSN: |
2317-5443 |
|
DOI: |
http://dx.doi.org/10.7867/2317-5443.2021v9n1p7-28 |
|
Idioma: |
Português |
|
Conteúdo: |
Imperatriz tem a segunda maior população e é a segunda maior economia do Estado do Maranhão, com predominância do setor de serviços, embora nos últimos anos se observe um sensível avanço do setor industrial. Tal avanço se deve, em larga medida, à instalação de uma grande empresa do segmento de papel e celulose. Com a chegada deste importante player, a economia do município passou por grandes transformações, que vão desde a expansão urbana, passando por um aumento nas exportações, até o desenvolvimento de uma nova cadeia produtiva. Para entender melhor esse movimento, o presente artigo se propõe a analisar, sob a ótica das Cadeias Globais de Valor, a cadeia produtiva da celulose em Imperatriz-MA. A metodologia adotada para a realização do estudo envolveu dados secundários de fontes oficiais, bem como pesquisa bibliográfica. Observou-se que, com a chegada de uma grande empresa de celulose e papel em Imperatriz, houve significativas mudanças no município, com o aumento na participação da indústria na composição de seu PIB, o crescimento de suas exportações e maior dinamismo de sua área urbana. |
|
Palavras-Chave: |
Global value chains; Imperatriz-MA. |
|
Thesagro: |
Celulose; Exportação; Indústria. |
|
Thesaurus Nal: |
Cellulose; Exports; Industry; Pulp. |
|
Categoria do assunto: |
E Economia e Indústria Agrícola |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/228693/1/rbdr-2021.pdf
|
|
Marc: |
LEADER 01890naa a2200265 a 4500
001 2137306
005 2021-12-08
008 2021 bl uuuu u00u1 u #d
022 $a2317-5443
024 7 $ahttp://dx.doi.org/10.7867/2317-5443.2021v9n1p7-28$2DOI
100 1 $aBABILÔNIA, F. R.
245 $aCadeia produtiva da celulose em Imperatriz-MA.$h[electronic resource]
260 $c2021
520 $aImperatriz tem a segunda maior população e é a segunda maior economia do Estado do Maranhão, com predominância do setor de serviços, embora nos últimos anos se observe um sensível avanço do setor industrial. Tal avanço se deve, em larga medida, à instalação de uma grande empresa do segmento de papel e celulose. Com a chegada deste importante player, a economia do município passou por grandes transformações, que vão desde a expansão urbana, passando por um aumento nas exportações, até o desenvolvimento de uma nova cadeia produtiva. Para entender melhor esse movimento, o presente artigo se propõe a analisar, sob a ótica das Cadeias Globais de Valor, a cadeia produtiva da celulose em Imperatriz-MA. A metodologia adotada para a realização do estudo envolveu dados secundários de fontes oficiais, bem como pesquisa bibliográfica. Observou-se que, com a chegada de uma grande empresa de celulose e papel em Imperatriz, houve significativas mudanças no município, com o aumento na participação da indústria na composição de seu PIB, o crescimento de suas exportações e maior dinamismo de sua área urbana.
650 $aCellulose
650 $aExports
650 $aIndustry
650 $aPulp
650 $aCelulose
650 $aExportação
650 $aIndústria
653 $aGlobal value chains
653 $aImperatriz-MA
700 1 $aWANDER, A. E.
773 $tRevista Brasileira de Desenvolvimento Regional$gv. 9, n. 1, p. 7-28, abr. 2021.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Arroz e Feijão (CNPAF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Instrumentação. Para informações adicionais entre em contato com cnpdia.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Instrumentação. |
|
Data corrente: |
28/09/2021 |
|
Data da última atualização: |
10/06/2022 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
CHRISTINELLI, W. A.; SHIMIZU, F. M.; FACURE, M. H. M.; CERRI, R.; OLIVEIRA JUNIOR, O. N.; CORREA, D. S.; MATTOSO, L. H. C. |
|
Afiliação: |
DANIEL SOUZA CORREA, CNPDIA; LUIZ HENRIQUE CAPPARELLI MATTOSO, CNPDIA. |
|
Título: |
Two-dimensional MoS2-based impedimetric electronic tongue for the discrimination of endocrine disrupting chemicals using machine learning. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
Sensors and Actuators: B. Chemical, v. 336, 129696, 2021. |
|
Páginas: |
1 - 11 |
|
ISSN: |
0925-4005 |
|
DOI: |
https://doi.org/10.1016/j.snb.2021.129696 |
|
Idioma: |
Inglês |
|
Conteúdo: |
In this paper, we report on machine learning to analyze the capacitance spectra obtained with an electronic tongue (e-tongue) and discriminate three endocrine-disrupting chemicals (EDC): bisphenol A, estrone, and 17- β-estradiol, and their mixtures. The e-tongue comprised seven sensing units made with interdigitated gold electrodes coated with layer-by-layer films of poly(o-methoxy aniline), poly(3-thiophene acetic acid), and molybdenum disulfide (MoS2). The Multilayer Perceptron (MLP), Random Forest, and Extreme Gradient Boosting (XGBoost) models were applied for multi-target regression to predict the concentration of individual contaminants and their mixtures. These machine learning models were evaluated according to the root mean square error (RMSE) values. The best performance was achieved with XGBoost for which RMSE ranged from 0.19 to 3.37 for individual contaminants, from 0.12 to 0.25 for the mixtures, and from 0.34 to 3.46 for the entire dataset. The high performance was only possible with a multi-target regression strategy, including a feature selection procedure. In the latter, the data were plotted with the parallel coordinate technique, and the silhouette coefficient was calculated, which is a quantitative measure of the ability to distinguish similar samples in a dataset. The usefulness of the machine learning methods is demonstrated by noting that the data from mixtures of EDCs could not be distinguished using multidimensional projections. Also significant is that this combination of machine learning and information visualization methodology is entirely generic; it may be applied to analyze data from etongues and other sensing and biosensing devices in prediction tasks as demanding as in the discrimination of mixtures of EDCs at concentrations below nmol L− 1 . MenosIn this paper, we report on machine learning to analyze the capacitance spectra obtained with an electronic tongue (e-tongue) and discriminate three endocrine-disrupting chemicals (EDC): bisphenol A, estrone, and 17- β-estradiol, and their mixtures. The e-tongue comprised seven sensing units made with interdigitated gold electrodes coated with layer-by-layer films of poly(o-methoxy aniline), poly(3-thiophene acetic acid), and molybdenum disulfide (MoS2). The Multilayer Perceptron (MLP), Random Forest, and Extreme Gradient Boosting (XGBoost) models were applied for multi-target regression to predict the concentration of individual contaminants and their mixtures. These machine learning models were evaluated according to the root mean square error (RMSE) values. The best performance was achieved with XGBoost for which RMSE ranged from 0.19 to 3.37 for individual contaminants, from 0.12 to 0.25 for the mixtures, and from 0.34 to 3.46 for the entire dataset. The high performance was only possible with a multi-target regression strategy, including a feature selection procedure. In the latter, the data were plotted with the parallel coordinate technique, and the silhouette coefficient was calculated, which is a quantitative measure of the ability to distinguish similar samples in a dataset. The usefulness of the machine learning methods is demonstrated by noting that the data from mixtures of EDCs could not be distinguished using multidimensional projections. Also significant is t... Mostrar Tudo |
|
Palavras-Chave: |
Information visualization; Machine learning; XGBoost. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 02660naa a2200265 a 4500
001 2134828
005 2022-06-10
008 2021 bl uuuu u00u1 u #d
022 $a0925-4005
024 7 $ahttps://doi.org/10.1016/j.snb.2021.129696$2DOI
100 1 $aCHRISTINELLI, W. A.
245 $aTwo-dimensional MoS2-based impedimetric electronic tongue for the discrimination of endocrine disrupting chemicals using machine learning.$h[electronic resource]
260 $c2021
300 $a1 - 11
520 $aIn this paper, we report on machine learning to analyze the capacitance spectra obtained with an electronic tongue (e-tongue) and discriminate three endocrine-disrupting chemicals (EDC): bisphenol A, estrone, and 17- β-estradiol, and their mixtures. The e-tongue comprised seven sensing units made with interdigitated gold electrodes coated with layer-by-layer films of poly(o-methoxy aniline), poly(3-thiophene acetic acid), and molybdenum disulfide (MoS2). The Multilayer Perceptron (MLP), Random Forest, and Extreme Gradient Boosting (XGBoost) models were applied for multi-target regression to predict the concentration of individual contaminants and their mixtures. These machine learning models were evaluated according to the root mean square error (RMSE) values. The best performance was achieved with XGBoost for which RMSE ranged from 0.19 to 3.37 for individual contaminants, from 0.12 to 0.25 for the mixtures, and from 0.34 to 3.46 for the entire dataset. The high performance was only possible with a multi-target regression strategy, including a feature selection procedure. In the latter, the data were plotted with the parallel coordinate technique, and the silhouette coefficient was calculated, which is a quantitative measure of the ability to distinguish similar samples in a dataset. The usefulness of the machine learning methods is demonstrated by noting that the data from mixtures of EDCs could not be distinguished using multidimensional projections. Also significant is that this combination of machine learning and information visualization methodology is entirely generic; it may be applied to analyze data from etongues and other sensing and biosensing devices in prediction tasks as demanding as in the discrimination of mixtures of EDCs at concentrations below nmol L− 1 .
653 $aInformation visualization
653 $aMachine learning
653 $aXGBoost
700 1 $aSHIMIZU, F. M.
700 1 $aFACURE, M. H. M.
700 1 $aCERRI, R.
700 1 $aOLIVEIRA JUNIOR, O. N.
700 1 $aCORREA, D. S.
700 1 $aMATTOSO, L. H. C.
773 $tSensors and Actuators: B. Chemical$gv. 336, 129696, 2021.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
