|
|
Registro Completo |
Biblioteca(s): |
Embrapa Acre. |
Data corrente: |
24/08/2009 |
Data da última atualização: |
03/11/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
ALVARES, V. de S.; NEGREIROS, J. R. da S.; BRUCKNER, C. H.; MORGADO, M. A. D. |
Afiliação: |
VIRGINIA DE SOUZA ALVARES, CPAF-AC; JACSON RONDINELLI DA S NEGREIROS, CPAF-AC; CLAUDIO HORST BRUCKNER, UFV; MARCO ANTONIO DELL'ORTO MORGADO, UFV. |
Título: |
Análise de trilha e possibilidade de ganhos indiretos para os caracteres em maracujazeiro amarelo. |
Ano de publicação: |
2009 |
Fonte/Imprenta: |
In: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 5., 2009, Guarapari. Anais... Vitória: SBMP: Icaper, 2009. |
Páginas: |
4 p. |
Descrição Física: |
1 CD ROM. |
Idioma: |
Português |
Thesagro: |
Maracujá; Passiflora Edulis. |
Categoria do assunto: |
-- |
Marc: |
LEADER 00620nam a2200169 a 4500 001 1512183 005 2023-11-03 008 2009 bl uuuu u00u1 u #d 100 1 $aALVARES, V. de S. 245 $aAnálise de trilha e possibilidade de ganhos indiretos para os caracteres em maracujazeiro amarelo.$h[electronic resource] 260 $aIn: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 5., 2009, Guarapari. Anais... Vitória: SBMP: Icaper$c2009 300 $a4 p.$c1 CD ROM. 650 $aMaracujá 650 $aPassiflora Edulis 700 1 $aNEGREIROS, J. R. da S. 700 1 $aBRUCKNER, C. H. 700 1 $aMORGADO, M. A. D.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Acre (CPAF-AC) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
| Acesso ao texto completo restrito à biblioteca da Embrapa Agricultura Digital. Para informações adicionais entre em contato com cnptia.biblioteca@embrapa.br. |
Registro Completo
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
21/12/2017 |
Data da última atualização: |
15/08/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
OLIVEIRA, H. L. C. de; OLIVEIRA, S. R. de M.; MONTEIRO, J. E. B. de A. |
Afiliação: |
HENRIQUE L. C. DE OLIVEIRA, Bolsista CNPTIA; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA. |
Título: |
Metodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação. |
Ano de publicação: |
2017 |
Fonte/Imprenta: |
In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 20., SIMPÓSIO DE MUDANÇAS CLIMÁTICAS E DESERTIFICAÇÃO NO SEMIÁRIDO BRASILEIRO, 5., 2017, Juazeiro. A agrometeorologia na solução de problemas multiescala: anais. Juazeiro: Sociedade Brasileira de Agrometeorologia, 2017. |
Páginas: |
Não paginado. |
Idioma: |
Português |
Notas: |
CBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro. |
Conteúdo: |
RESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos. MenosRESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para... Mostrar Tudo |
Palavras-Chave: |
Agrometeorologia; Aprendizado de máquina; Classificação de dados; Data classification; Data imputation; Imputação de dados; Inteligência artificial; Machine learning; Modelos preditivos; Optimization; Otimização; Predictive modeling. |
Thesaurus NAL: |
Agrometeorology; Artificial intelligence; Models. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
Marc: |
LEADER 03011nam a2200337 a 4500 001 2083203 005 2023-08-15 008 2017 bl uuuu u00u1 u #d 100 1 $aOLIVEIRA, H. L. C. de 245 $aMetodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação.$h[electronic resource] 260 $aIn: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 20., SIMPÓSIO DE MUDANÇAS CLIMÁTICAS E DESERTIFICAÇÃO NO SEMIÁRIDO BRASILEIRO, 5., 2017, Juazeiro. A agrometeorologia na solução de problemas multiescala: anais. Juazeiro: Sociedade Brasileira de Agrometeorologia$c2017 300 $aNão paginado. 500 $aCBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro. 520 $aRESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos. 650 $aAgrometeorology 650 $aArtificial intelligence 650 $aModels 653 $aAgrometeorologia 653 $aAprendizado de máquina 653 $aClassificação de dados 653 $aData classification 653 $aData imputation 653 $aImputação de dados 653 $aInteligência artificial 653 $aMachine learning 653 $aModelos preditivos 653 $aOptimization 653 $aOtimização 653 $aPredictive modeling 700 1 $aOLIVEIRA, S. R. de M. 700 1 $aMONTEIRO, J. E. B. de A.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|