| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Cerrados. |
|
Data corrente: |
15/12/2020 |
|
Data da última atualização: |
15/12/2020 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
WIEDERKEHR, N. C.; GAMA, F. F.; CASTRO, P. B. N.; BISPO, P. da C.; BALZTER, H.; SANO, E. E.; SANTOS, J. R.; LIESENBERG, V.; MURA, J. C. |
|
Afiliação: |
EDSON EYJI SANO, CPAC. |
|
Título: |
Discriminating Forest Successional Stages, Forest Degradation, and Land Use in Central Amazon Using ALOS/PALSAR-2 Full-Polarimetric Data. |
|
Ano de publicação: |
2020 |
|
Fonte/Imprenta: |
Remote Sensing, v. 12, n. 21, 2020. |
|
Idioma: |
Português |
|
Conteúdo: |
We discriminated different successional forest stages, forest degradation, and land use classes in the Tapajós National Forest (TNF), located in the Central Brazilian Amazon. We used full polarimetric images from ALOS/PALSAR-2 that have not yet been tested for land use and land cover (LULC) classification, neither for forest degradation classification in the TNF. Our specific objectives were: (1) to test the potential of ALOS/PALSAR-2 full polarimetric images to discriminate LULC classes and forest degradation; (2) to determine the optimum subset of attributes to be used in LULC classification and forest degradation studies; and (3) to evaluate the performance of Random Forest (RF) and Support Vector Machine (SVM) supervised classifications to discriminate LULC classes and forest degradation. PALSAR-2 images from 2015 and 2016 were processed to generate Radar Vegetation Index, Canopy Structure Index, Volume Scattering Index, Biomass Index, and Cloude?Pottier, van Zyl, Freeman?Durden, and Yamaguchi polarimetric decompositions. To determine the optimum subset, we used principal component analysis in order to select the best attributes to discriminate the LULC classes and forest degradation, which were classified by RF. Based on the variable importance score, we selected the four first attributes for 2015, alpha, anisotropy, volumetric scattering, and double-bounce, and for 2016, entropy, anisotropy, surface scattering, and biomass index, subsequently classified by SVM. Individual backscattering indexes and polarimetric decompositions were also considered in both RF and SVM classifiers. Yamaguchi decomposition performed by RF presented the best results, with an overall accuracy (OA) of 76.9% and 83.3%, and Kappa index of 0.70 and 0.80 for 2015 and 2016, respectively. The optimum subset classified by RF showed an OA of 75.4% and 79.9%, and Kappa index of 0.68 and 0.76 for 2015 and 2016, respectively. RF exhibited superior performance in relation to SVM in both years. Polarimetric attributes exhibited an adequate capability to discriminate forest degradation and classes of different ecological succession from the ones with less vegetation cover. MenosWe discriminated different successional forest stages, forest degradation, and land use classes in the Tapajós National Forest (TNF), located in the Central Brazilian Amazon. We used full polarimetric images from ALOS/PALSAR-2 that have not yet been tested for land use and land cover (LULC) classification, neither for forest degradation classification in the TNF. Our specific objectives were: (1) to test the potential of ALOS/PALSAR-2 full polarimetric images to discriminate LULC classes and forest degradation; (2) to determine the optimum subset of attributes to be used in LULC classification and forest degradation studies; and (3) to evaluate the performance of Random Forest (RF) and Support Vector Machine (SVM) supervised classifications to discriminate LULC classes and forest degradation. PALSAR-2 images from 2015 and 2016 were processed to generate Radar Vegetation Index, Canopy Structure Index, Volume Scattering Index, Biomass Index, and Cloude?Pottier, van Zyl, Freeman?Durden, and Yamaguchi polarimetric decompositions. To determine the optimum subset, we used principal component analysis in order to select the best attributes to discriminate the LULC classes and forest degradation, which were classified by RF. Based on the variable importance score, we selected the four first attributes for 2015, alpha, anisotropy, volumetric scattering, and double-bounce, and for 2016, entropy, anisotropy, surface scattering, and biomass index, subsequently classified by SVM. Individ... Mostrar Tudo |
|
Thesagro: |
Degradação Ambiental; Floresta; Uso da Terra. |
|
Thesaurus Nal: |
Amazonia. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/219224/1/SANO-DISCRIMINATING-FOREST-SUCCESSIONAL-STAGES.pdf
|
|
Marc: |
LEADER 02958naa a2200265 a 4500
001 2128151
005 2020-12-15
008 2020 bl uuuu u00u1 u #d
100 1 $aWIEDERKEHR, N. C.
245 $aDiscriminating Forest Successional Stages, Forest Degradation, and Land Use in Central Amazon Using ALOS/PALSAR-2 Full-Polarimetric Data.$h[electronic resource]
260 $c2020
520 $aWe discriminated different successional forest stages, forest degradation, and land use classes in the Tapajós National Forest (TNF), located in the Central Brazilian Amazon. We used full polarimetric images from ALOS/PALSAR-2 that have not yet been tested for land use and land cover (LULC) classification, neither for forest degradation classification in the TNF. Our specific objectives were: (1) to test the potential of ALOS/PALSAR-2 full polarimetric images to discriminate LULC classes and forest degradation; (2) to determine the optimum subset of attributes to be used in LULC classification and forest degradation studies; and (3) to evaluate the performance of Random Forest (RF) and Support Vector Machine (SVM) supervised classifications to discriminate LULC classes and forest degradation. PALSAR-2 images from 2015 and 2016 were processed to generate Radar Vegetation Index, Canopy Structure Index, Volume Scattering Index, Biomass Index, and Cloude?Pottier, van Zyl, Freeman?Durden, and Yamaguchi polarimetric decompositions. To determine the optimum subset, we used principal component analysis in order to select the best attributes to discriminate the LULC classes and forest degradation, which were classified by RF. Based on the variable importance score, we selected the four first attributes for 2015, alpha, anisotropy, volumetric scattering, and double-bounce, and for 2016, entropy, anisotropy, surface scattering, and biomass index, subsequently classified by SVM. Individual backscattering indexes and polarimetric decompositions were also considered in both RF and SVM classifiers. Yamaguchi decomposition performed by RF presented the best results, with an overall accuracy (OA) of 76.9% and 83.3%, and Kappa index of 0.70 and 0.80 for 2015 and 2016, respectively. The optimum subset classified by RF showed an OA of 75.4% and 79.9%, and Kappa index of 0.68 and 0.76 for 2015 and 2016, respectively. RF exhibited superior performance in relation to SVM in both years. Polarimetric attributes exhibited an adequate capability to discriminate forest degradation and classes of different ecological succession from the ones with less vegetation cover.
650 $aAmazonia
650 $aDegradação Ambiental
650 $aFloresta
650 $aUso da Terra
700 1 $aGAMA, F. F.
700 1 $aCASTRO, P. B. N.
700 1 $aBISPO, P. da C.
700 1 $aBALZTER, H.
700 1 $aSANO, E. E.
700 1 $aSANTOS, J. R.
700 1 $aLIESENBERG, V.
700 1 $aMURA, J. C.
773 $tRemote Sensing$gv. 12, n. 21, 2020.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Cerrados (CPAC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Instrumentação. |
|
Data corrente: |
18/01/2024 |
|
Data da última atualização: |
18/01/2024 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
SCHUTZ, D. R.; PENALOZA, E. A. G.; MERCALDI, H. V.; SILVA, L. J. R.; OLIVEIRA, V. A.; CRUVINEL, P. E. |
|
Afiliação: |
Universidade de São Paulo; Universidade Federal de Pelotas; Universidade Federal de São Carlos; Universidade de São Paulo; Universidade de São Paulo; PAULO ESTEVAO CRUVINEL, CNPDIA. |
|
Título: |
Classificador em tempo real do tamanho de gota de um pulverizador agrÍcola baseado em redes neurais artificiais. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
In: INTERNATIONAL CONFERENCE ON ADVANCES IN SENSORS, ACTUATORS, METERING AND SENSING - ALLSENSORS 2023, 8., 2023, Venice, Italy. Proceedings... Wilmington, USA: IARIA, 2023. |
|
Idioma: |
Português |
|
Conteúdo: |
Dentre as diferentes etapas envolvidas nos processos produtivos agrícolas, a pulverização agrícola utilizada para o controle fitossanitário abrange grande parte do custo total de produção e sua incorreta execucão pode aumentar os riscos humanos e biológicos. Assim pesquisas são necessárias para garantir o uso adequado de defensivos agrícolas, assegurando a qualidade da aplicação. Dentre os indicadores de qualidade, fornecidos pelo espectro de gotas, o diâmetro médio volumétrico (DMV) é um dos mais utilizados. Porém, sua análise é baseada em testes pós aplicação, consequentemente impedindo a atuação no momento da pulverização do agrotóxico. Esta pesquisa tem como objetivo a implementação de uma arquitetura de rede neural artificial (RNA) em um pulverizador agrícola com tecnologia de injeção direta, de modo a efetuar a classificação do tamanho de gotas em tempo real baseadas em medições de vazão, pressão e resistência fluídica provenientes dos instrumentos no pulverizador e históricos de caracteríısticas operacionais do maquinário. Assim, treinamentos e testes são realizados com base em resultados experimentais e tabelas provenientes de manuais técnicos dos fabricantes dos bicos. Resultados obtidos permitem caracterizar que a metodologia usada propiciam estimativas adequadas do tamanho de gotas, aumentando a qualidade de aplicação. |
|
Palavras-Chave: |
Diâmetro médio volumétrico; Pulverização agrícola; Redes neurais artificiais; Sistemas inteligentes. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1161039/1/P-Classificador-em-tempo-real-do-tamanho-de-gota.pdf
|
|
Marc: |
LEADER 02242nam a2200217 a 4500
001 2161039
005 2024-01-18
008 2023 bl uuuu u00u1 u #d
100 1 $aSCHUTZ, D. R.
245 $aClassificador em tempo real do tamanho de gota de um pulverizador agrÍcola baseado em redes neurais artificiais.$h[electronic resource]
260 $aIn: INTERNATIONAL CONFERENCE ON ADVANCES IN SENSORS, ACTUATORS, METERING AND SENSING - ALLSENSORS 2023, 8., 2023, Venice, Italy. Proceedings... Wilmington, USA: IARIA$c2023
520 $aDentre as diferentes etapas envolvidas nos processos produtivos agrícolas, a pulverização agrícola utilizada para o controle fitossanitário abrange grande parte do custo total de produção e sua incorreta execucão pode aumentar os riscos humanos e biológicos. Assim pesquisas são necessárias para garantir o uso adequado de defensivos agrícolas, assegurando a qualidade da aplicação. Dentre os indicadores de qualidade, fornecidos pelo espectro de gotas, o diâmetro médio volumétrico (DMV) é um dos mais utilizados. Porém, sua análise é baseada em testes pós aplicação, consequentemente impedindo a atuação no momento da pulverização do agrotóxico. Esta pesquisa tem como objetivo a implementação de uma arquitetura de rede neural artificial (RNA) em um pulverizador agrícola com tecnologia de injeção direta, de modo a efetuar a classificação do tamanho de gotas em tempo real baseadas em medições de vazão, pressão e resistência fluídica provenientes dos instrumentos no pulverizador e históricos de caracteríısticas operacionais do maquinário. Assim, treinamentos e testes são realizados com base em resultados experimentais e tabelas provenientes de manuais técnicos dos fabricantes dos bicos. Resultados obtidos permitem caracterizar que a metodologia usada propiciam estimativas adequadas do tamanho de gotas, aumentando a qualidade de aplicação.
653 $aDiâmetro médio volumétrico
653 $aPulverização agrícola
653 $aRedes neurais artificiais
653 $aSistemas inteligentes
700 1 $aPENALOZA, E. A. G.
700 1 $aMERCALDI, H. V.
700 1 $aSILVA, L. J. R.
700 1 $aOLIVEIRA, V. A.
700 1 $aCRUVINEL, P. E.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
