| |
|
|
| Registros recuperados : 737 | |
| 162. |  | CURI, R. A.; CHARDULO, L. A. L.; SILVEIRA, A. C.; OLIVEIRA, H. N. de. Alternative genotyping method for the single nucleotide polymorphism A2959G (AF159246) of the bovine CAST gene. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 43, n. 5, p. 657-659, maio 2008 Notas Científicas.
Títulos em português: Método alternativo de genotipagem do polimorfismo de nucleotídeo único A2959G (AF159246) do gene CAST bovino.| Biblioteca(s): Embrapa Unidades Centrais. |
|    |
| 173. | | SPERA, S. T.; TOSTO, S. G.; SANTOS, R. D. dos; CARDOSO, E. L.; OLIVEIRA, H. de. Levantamento de reconhecimento de alta intensidade dos solos da borda oeste do pantanal: maçico do urucum e adjacencias, MS. IN: CONGRESSO BRASILEIRO DE CIÊNÇIA DO SOLO, 25., 1995, Viçosa, MG. Resumos expandidos. Viçosa: UFV, 1995. v.3, p. 1457-1459.| Biblioteca(s): Embrapa Tabuleiros Costeiros. |
| |
| 174. | | SPERA, S. T.; TOSTO, S. G.; SANTOS, R. D. dos; CARDOSO, E. L.; OLIVEIRA, H. de. Levantamento de reconhecimento de alta intensidade dos solos da borda oeste do Pantanal: Macico do Urucum e adjacencias, MS. In: CONGRESSO BRASILEIRO DE CIENCIA DO SOLO, 25., 1995. Vicosa. Resumos expandidos: o solo nos grandes dominios morfoclimatico do Brasil e o desenvolvimento sustentado. Vicosa: Sociedade Brasileira de Ciencia do Solo / Universidade Federal Vicosa, 1995. v.3, p.1457-1459.| Biblioteca(s): Embrapa Pantanal. |
| |
| 178. | | OLIVEIRA, H. G. de; ZANUNCIO, T. V.; ZANUNCIO, J. C.; SANTOS, G. P. Coleópteros associados à eucaliptocultura na região de nova era, Minas Gerais, Brasil. Floresta e Ambiente, Rio de Janeiro, v. 8, n. 1, p. 52-60, 2001.| Biblioteca(s): Embrapa Florestas. |
| |
| Registros recuperados : 737 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
18/10/2017 |
|
Data da última atualização: |
21/01/2020 |
|
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 LIMA CARÁ DE OLIVEIRA, Unicamp, Bolsista CNPq; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA. |
|
Título: |
Geração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina. |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.], 2017. |
|
Páginas: |
Não paginado. |
|
Descrição Física: |
1 CD-ROM. |
|
ISBN: |
978-85-7029-141-7 |
|
Idioma: |
Português |
|
Notas: |
CIIC 2017. Nº 17602. |
|
Conteúdo: |
RESUMO - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, 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. A região foi escolhida por ser climaticamente bastante heterogênea 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 TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grades 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 modelos preditivos de precipitação diária, acumulada de 10 dias, temperatura máxima e temperatura mínima. Os resultados revelaram um bom ajuste dos modelos em relação aos valores previstos e observados, 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 - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, 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. A região foi escolhida por ser climaticamente bastante heterogênea 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 TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grades 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 modelos preditivos de precipitação diária, acumulada de 10 dias, temperatura máxima e temperatura mínima. Os resultados revelaram um bom ajuste dos modelos em relação aos valores previstos e observados, 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... Mostrar Tudo |
|
Palavras-Chave: |
Agrometeorologia; Algoritmo Random Forest; Aprendizado com classes desbalanceadas; Aprendizado de máquina; Data imputation; Imputação de dados; Machine Learning; Modelos preditivos; Predictive modeling; Séries temporais; Unbalanced class learning. |
|
Thesaurus NAL: |
Agrometeorology; Artificial intelligence; Time series analysis. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/165194/1/PL-Geracao-CIIC.pdf
|
|
Marc: |
LEADER 02726nam a2200337 a 4500
001 2077534
005 2020-01-21
008 2017 bl uuuu u00u1 u #d
020 $a978-85-7029-141-7
100 1 $aOLIVEIRA, H. L. C. de
245 $aGeração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.$h[electronic resource]
260 $aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.]$c2017
300 $aNão paginado.$c1 CD-ROM.
500 $aCIIC 2017. Nº 17602.
520 $aRESUMO - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, 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. A região foi escolhida por ser climaticamente bastante heterogênea 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 TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grades 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 modelos preditivos de precipitação diária, acumulada de 10 dias, temperatura máxima e temperatura mínima. Os resultados revelaram um bom ajuste dos modelos em relação aos valores previstos e observados, 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 $aTime series analysis
653 $aAgrometeorologia
653 $aAlgoritmo Random Forest
653 $aAprendizado com classes desbalanceadas
653 $aAprendizado de máquina
653 $aData imputation
653 $aImputação de dados
653 $aMachine Learning
653 $aModelos preditivos
653 $aPredictive modeling
653 $aSéries temporais
653 $aUnbalanced class learning
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
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
