| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Florestas. |
|
Data corrente: |
02/03/2010 |
|
Data da última atualização: |
15/07/2011 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
BARBOSA, L. R.; IEDE, E. T.; SANTOS, F. |
|
Afiliação: |
LEONARDO RODRIGUES BARBOSA, CNPF; EDSON TADEU IEDE, CNPF; FRANCIELE SANTOS, ESTAGIÁRIA EMBRAPA FLORESTAS. |
|
Título: |
Caracterização de danos de Gryllus sp. em plantas de eucalipto, em laboratório. |
|
Ano de publicação: |
2009 |
|
Fonte/Imprenta: |
Pesquisa Florestal Brasileira, n. 59, p.63-68 , jul./dez 2009. |
|
Idioma: |
Português |
|
Notas: |
Nota Científica. |
|
Conteúdo: |
Objetivou-se caracterizar os danos de Gryllus sp. em plantas de E. grandis, em laboratório. Avaliaram-se três grupos de plantas: grupo 1 ? com 7 dias e 2,5 mm de diâmetro médio; grupo 2 ? com 49 dias e 3,3 mm de diâmetro e grupo 3 ?com 80 dias e 5,7 mm de diâmetro. Utilizaram-se para cada grupo 12 plantas individualizadas em gaiolas com um casal de grilos, por 15 dias. Avaliaram-se diariamente a ausência de danos, sinais de mastigação superficiais, sinais de mastigação profundos e corte do caule. O diâmetro e a idade das mudas afetaram a manifestação e intensidade dos danos de grilos nas plantas. |
|
Thesagro: |
Grilo; Praga. |
|
Thesaurus Nal: |
Eucalyptus; Gryllus. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/37627/1/Caracterizacao-de-danos-de-Gryllus-sp.-em-plantas-de-eucalipto-em-laboratorio..pdf
|
|
Marc: |
LEADER 01170naa a2200205 a 4500
001 1659406
005 2011-07-15
008 2009 bl uuuu u00u1 u #d
100 1 $aBARBOSA, L. R.
245 $aCaracterização de danos de Gryllus sp. em plantas de eucalipto, em laboratório.
260 $c2009
500 $aNota Científica.
520 $aObjetivou-se caracterizar os danos de Gryllus sp. em plantas de E. grandis, em laboratório. Avaliaram-se três grupos de plantas: grupo 1 ? com 7 dias e 2,5 mm de diâmetro médio; grupo 2 ? com 49 dias e 3,3 mm de diâmetro e grupo 3 ?com 80 dias e 5,7 mm de diâmetro. Utilizaram-se para cada grupo 12 plantas individualizadas em gaiolas com um casal de grilos, por 15 dias. Avaliaram-se diariamente a ausência de danos, sinais de mastigação superficiais, sinais de mastigação profundos e corte do caule. O diâmetro e a idade das mudas afetaram a manifestação e intensidade dos danos de grilos nas plantas.
650 $aEucalyptus
650 $aGryllus
650 $aGrilo
650 $aPraga
700 1 $aIEDE, E. T.
700 1 $aSANTOS, F.
773 $tPesquisa Florestal Brasileira$gn. 59, p.63-68 , jul./dez 2009.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Florestas (CNPF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Pesca e Aquicultura. |
|
Data corrente: |
25/01/2024 |
|
Data da última atualização: |
25/01/2024 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
GREENSTREET, L.; FAN, J.; PACHECO, F. S.; BAI, Y.; UMMUS, M. E.; DORIA, C.; BARROS, N. O.; FORSBERG, B. R.; XU, X.; FLECKER, A.; GOMES, C. |
|
Afiliação: |
LAURA GREENSTREET, CORNELL UNIVERSITY; JOSHUA FAN, CORNELL UNIVERSITY; FELIPE SIQUEIRA PACHECO, CORNELL UNIVERSITY; YIWEI BAI, CORNELL UNIVERSITY; MARTA EICHEMBERGER UMMUS, CNPASA; CAROLINA DORIA, UNIVERSIDADE FEDERAL DE RONDÔNIA; NATHAN OLIVEIRA BARROS, UNIVERSIDADE FEDERAL DE JUIZ DE FORA; BRUCE R. FORSBERG, INPA; XIANGTAO XU, CORNELL UNIVERSITY; ALEXANDER FLECKER, CORNELL UNIVERSITY; CARLA GOMES, CORNELL UNIVERSITY. |
|
Título: |
Detecting aquaculture with deep learning in a low-data setting. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
In: SIGKDD FRAGILE EARTH WORKSHOP, 2023, Long Beach. |
|
Idioma: |
Inglês |
|
Conteúdo: |
Aquaculture is growing rapidly in the Amazon basin and detailed spatial information is needed to understand the trade-offs between food production, economic development, and environmental impacts. Large open-source datasets of medium resolution satellite imagery offer the potential for mapping a variety of infrastructure, including aquaculture ponds. However, there are many challenges utilizing this data, including few labelled examples, class imbalance, and spatial bias. We find previous rule-based methods for mapping aquaculture perform poorly in the Amazon. By incorporating temporal information through percentile data, we show deep learning models can outperform previous methods by as much as 15% with as few as 300 labelled examples. Further, generalization to unseen regions can be improved by incorporating segmentation information through masked pooling and using contrastive pretraining to harness large quantities of unlabelled data. |
|
Palavras-Chave: |
Attention; Contrastive learning; Convolutinal neural networks; Image classification; Image segmentation; Representation learning. |
|
Thesagro: |
Aquicultura; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Aquaculture; Digital images; Neural networks; Remote sensing. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1161305/1/detecting-aquaculture-with-dee.pdf
|
|
Marc: |
LEADER 01980nam a2200373 a 4500
001 2161305
005 2024-01-25
008 2023 bl uuuu u00u1 u #d
100 1 $aGREENSTREET, L.
245 $aDetecting aquaculture with deep learning in a low-data setting.$h[electronic resource]
260 $aIn: SIGKDD FRAGILE EARTH WORKSHOP, 2023, Long Beach.$c2023
520 $aAquaculture is growing rapidly in the Amazon basin and detailed spatial information is needed to understand the trade-offs between food production, economic development, and environmental impacts. Large open-source datasets of medium resolution satellite imagery offer the potential for mapping a variety of infrastructure, including aquaculture ponds. However, there are many challenges utilizing this data, including few labelled examples, class imbalance, and spatial bias. We find previous rule-based methods for mapping aquaculture perform poorly in the Amazon. By incorporating temporal information through percentile data, we show deep learning models can outperform previous methods by as much as 15% with as few as 300 labelled examples. Further, generalization to unseen regions can be improved by incorporating segmentation information through masked pooling and using contrastive pretraining to harness large quantities of unlabelled data.
650 $aAquaculture
650 $aDigital images
650 $aNeural networks
650 $aRemote sensing
650 $aAquicultura
650 $aSensoriamento Remoto
653 $aAttention
653 $aContrastive learning
653 $aConvolutinal neural networks
653 $aImage classification
653 $aImage segmentation
653 $aRepresentation learning
700 1 $aFAN, J.
700 1 $aPACHECO, F. S.
700 1 $aBAI, Y.
700 1 $aUMMUS, M. E.
700 1 $aDORIA, C.
700 1 $aBARROS, N. O.
700 1 $aFORSBERG, B. R.
700 1 $aXU, X.
700 1 $aFLECKER, A.
700 1 $aGOMES, C.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Pesca e Aquicultura (CNPASA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
