|
|
Registro Completo |
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
23/01/2023 |
Data da última atualização: |
12/01/2024 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Autoria: |
CORREA, D. V.; RAMOS, A. P. M.; OSCO, L. P.; JORGE, L. A. de C. |
Afiliação: |
LUCIO ANDRE DE CASTRO JORGE, CNPDIA. |
Título: |
Aprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
Colloquium Exactarum, v.14, 2023. |
Páginas: |
146-153 |
ISSN: |
2178-8332 |
DOI: |
10.5747/ce.2022.v14.e393 |
Idioma: |
Português |
Conteúdo: |
A integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas. MenosA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja.... Mostrar Tudo |
Palavras-Chave: |
Aprendizagem de máquina; Medidas de refletância. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/245659/1/P-APRENDIZAGEM-DE-MAQUINA-PARA-IDENTIFICACAO-DE-PLANTAS-DE-SOJA.pdf
|
Marc: |
LEADER 02265naa a2200217 a 4500 001 2151175 005 2024-01-12 008 2023 bl uuuu u00u1 u #d 022 $a2178-8332 024 7 $a10.5747/ce.2022.v14.e393$2DOI 100 1 $aCORREA, D. V. 245 $aAprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais.$h[electronic resource] 260 $c2023 300 $a146-153 520 $aA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas. 653 $aAprendizagem de máquina 653 $aMedidas de refletância 700 1 $aRAMOS, A. P. M. 700 1 $aOSCO, L. P. 700 1 $aJORGE, L. A. de C. 773 $tColloquium Exactarum$gv.14, 2023.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 13 | |
5. | | OSCO, L. P.; MARCATO JUNIOR, J.; RAMOS, A. P. M.; JORGE, L. A. de C.; FATHOLAHI, S. N.; SILVA, J. A.; MATSUBARA, E. T.; PISTORI, H.; GONÇALVES, W. N.; LI, J. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observations and Geoinformation, v. 102, 102456, 2021. 1 - 22Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação. |
| |
6. | | OSCO, L. P.; NOGUEIRA, K.; RAMOS, A. P. M.; PINHEIRO, M. M. F.; FURUYA, D. E. G.; GONÇALVES, W. N.; JORGE, L. A. de C.; MARCATO JUNIOR, J.; SANTOS, J. A. Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery. Precision Agriculture, v. 22, n. 4,2021. 1171-1188Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação. |
| |
7. | | OSCO, L. P.; ARRUDA, M. S.; GONÇALVES, D. N.; DIAS, A.; BATISTOTI, J.; SOUZA, M.; GOMES, F. D. G.; RAMOS, A. P. M.; JORGE, L. A. de C.; LIESENBERG, V.; LI, J.; MA, L.; MARCATO JUNIOR, J.; GONÇALVES, W. N. A CNN approach to simultaneously count plants and detect plantation-rows from UAV imagery. ISPRS Journal of Photogrammetry and Remote Sensing, v. 174, 2021. 1 - 17Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação. |
| |
8. | | FURUYA, D. E. G.; MA, L.; PINHEIRO, M. M. F.; GOMES, F. D. G.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; RODRIGUES, D. de C.; BLASSIOLI- MORAES, M. C.; MICHEREFF, M. F. F.; BORGES, M.; ALAUMANN, R. A.; FERREIRA, E. J.; OSCO, L. P.; RAMOS, A. P. M.; LI, J.; JORGE, L. A. de C. Prediction of insect-herbivory-damage and insect-type attack in maize plants using hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, v. 105, 102608, 2021. 1 - 10Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação. |
| |
9. | | FURUYA, D. E. G.; MA, L.; PINHEIRO, M. M. F.; GOMES, F. D. G.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; RODRIGUES, D. de C.; BLASSIOLI- MORAES, M. C.; MICHEREFF, M. F. F.; BORGES, M.; LAUMANN, R. A.; FERREIRA, E. J.; OSCO, L. P.; RAMOS, A. P. M.; LI, J.; JORGE, L. A. de C. Prediction of insect-herbivory-damage and insect-type attack in maize plants using hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, v. 105, 102608, 2021. 1 - 10Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
10. | | RAMOS, A. P. M.; GOMES, F. D. G.; PINHEIRO, M. M. F.; FURUYA, D. E. G.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; MICHEREFF, M. F. F.; MORAES, M. C. B.; BORGES, M.; LAUMANN, R. A.; LIESENBERG, V.; JORGE, L. A. de C.; OSCO, L. P. Detecting the attack of the fall armyworm (Spodoptera frugiperda) in cotton plants with machine learning and spectral measurements. Precision Agriculture, 2021. Na publicação: Maria Carolina Blassioli-Moraes; Raúl Alberto Alaumann.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação; Embrapa Recursos Genéticos e Biotecnologia. |
| |
11. | | OSCO, L. P.; FURUYA, D. E. G.; FURUYA, M. T. G.; CORRÊA, D. V.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; BORGES, M.; BLASSIOLI-MORAES, M. C.; MICHEREFF, M. F. F.; AQUUINO, M. F. S.; LAUMANN, R. A.; LISENBERG, V.; RAMOS, A. P. M.; JORGE, L. A. de C. An impact analysis of pre-processing techniques in spectroscopy data to classify insect-damaged in soybean plants with machine and deep learning methods. Infrared Physics & Technology, v. 123, 104203, 2022. 13 p.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 2 |
Biblioteca(s): Embrapa Instrumentação. |
| |
12. | | OSCO, L. P.; FURUYA, D. E. G.; FURUYA, M. T. G.; CORRÊA, D. V.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; BORGES, M.; MORAES, M. C. B.; MICHEREFF, M. F. F.; AQUINO, M. F. S.; LAUMANN, R. A.; LISENBERG, V.; RAMOS, A. P. M.; JORGE, L. A. de C. An impact analysis of pre-processing techniques in spectroscopy data to classify insect-damaged in soybean plants with machine and deep learning methods. Infrared Physics & Technology, v. 123, 2022. 104203. Na publicação: Maria Carolina Blassioli-Moraes.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 2 |
Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
13. | | OSCO, L. P.; RAMOS, A. P. M.; PINHEIRO, M. M. F.; MORIYA, E. A. S.; IMAI, N. N.; ESTRABIS, N.; IANCZYK, F.; ARAÚJO, F. F.; LIESENBERG, V.; JORGE, L. A. de C.; LI, J.; MA, L.; GONÇALVES, W. N.; MARCATO JUNIOR, J.; CRESTE, J. E. A machine learning framework to predict nutrient content in valencia-orange leaf hyperspectral measurements. Remote Sensing, n. 12, v. 6, a. 906, 2020. 1 - 21Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
Biblioteca(s): Embrapa Instrumentação. |
| |
Registros recuperados : 13 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|