| |
|
|
| Registros recuperados : 89 | |
| 41. |  | OLIVEIRA, M. G. de C.; SANTOS, H. V. N.; SILVA, R. P. da; TEIXEIRA, I. R.; BASSINELLO, P. Z. Influência de plantas daninhas na qualidade fisiológica de sementes de genótipos de feijão. In: CONGRESSO NACIONAL DE PESQUISA DE FEIJÃO, 9., 2008, Campinas. Ciência e tecnologia na cadeia produtiva do feijão. Campinas: Instituto Agronômico, 2008. 1 CD-ROM. (IAC. Documentos, 85).| Biblioteca(s): Embrapa Arroz e Feijão. |
|    |
| 42. | | SANZONOWICZ, C.; SILVA, R. P. da; PEIXOTO, J. R.; JUNQUEIRA, N. T. V.; OLIVEIRA, J. A. de. Efeito da adubacao potassica na producao do maracujazeiro amarelo (Passiflora edulis Sims f. flavicarpa Deneger). In: CONGRESSO BRASILEIRO DE FRUTICULTURA, 16., 2000, Fortaleza, CE. Fruticultura: agronegocio do 3º milenio: resumos. Fortaleza: Embrapa Agroindustria Tropical, 2000. p. 454.| Biblioteca(s): Embrapa Cerrados. |
| |
| 43. | | SILVA, R. P. da; DANTAS, G. G.; SILVA, I. D.; BATISTA, F. S.; LOBO JUNIOR, M.; OTTONI, G. Efeito de complexos nutritivos de Si, Ca, B, K e aminoácidos em tratamento de sementes e aplicações foliares no controle do crestamento bacteriano do feijoeiro (Xanthomonas axonopodis pv. phaseoli). Fitopatologia Brasileira, v. 28, p. S369-S370, ago. 2003. Suplemento, ref. 776. Edição de resumos do XXXVI Congresso Brasileiro de Fitopatologia, Uberlândia, MG, ago. 2003.| Biblioteca(s): Embrapa Arroz e Feijão. |
| |
| 44. | | SILVA, R. P. da; SILVA, V. S. M. e; SOARES, T. S.; COLPINI, C.; TRAVAGIN, D. P. Dinâmica do crescimento inicial de Tectona grandis L.F. em Cáceres, MT, por meio da análise de tronco. In: SEMINÁRIO NACIONAL SOBRE DINÂMICAS DE FLORESTAS, 1., 2008, Curitiba. Anais. Colombo: Embrapa Florestas, 2008. 1 CD-ROM. Resumo 36.| Biblioteca(s): Embrapa Florestas. |
| |
| 45. | | NUNES, V. L. B.; SILVA, R. P. da; TAKEDA, G. K. F.; ESPINDOLA, M. A.; CAVALHEIROS, M. E. M. Ocorrencia de Tripanossomos em bovinos na regiao de Campo Grande, Mato Grosso do Sul, Brasil. Revista da Faculdade Medicina Veterinaria e Zootecnia, USP, v.20, n.2, p.183, 1983.| Biblioteca(s): Embrapa Pantanal. |
| |
| 46. | | SILVA, R. P. da; COSTA, M. A. P. de C.; SOUZA, A. da S.; ALMEIDA, W. A. B. de. Regeneração de plantas de laranja Pêra via organogênese in vitro. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 40, n. 12, p. 1153-1159, dez. 2005 Título em inglês: Regeneration of 'Pera' sweet orange plants through in vitro organogenesis.| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 51. | | BRANQUINHO, K. B.; FARLANI, C. E. A.; LOPES, A.; SILVA, R. P. da; GROTTA, D. C. C.; BORSATTO, E. A. Desempenho de uma semeadora direta, em função da velocidade de deslocamento e do tipo de manejo da biomassa da cultura de cobertura do solo. Engenharia Agrícola, Jaboticabal, v.24, n.2, p.374-380, 2004. p. 374-380| Biblioteca(s): Embrapa Rondônia. |
| |
| 52. | | SILVA, R. P. da; PEIXOTO, J. R.; SANZONOWICZ, C.; JUNQUEIRA, N. T. V.; OLIVEIRA, J. A. de. Concentracao de macro e micronutrientes na parte aerea de mudas de maracujazeiro (Passiflora edulis Sims f. flavicarpa deneger) sob influencia de diferentes substratos. In: CONGRESSO BRASILEIRO DE FRUTICULTURA, 16., 2000, Fortaleza, CE. Fruticultura: agronegocio do 3º milenio: resumos. Fortaleza: Embrapa Agroindustria Tropical, 2000. p. 453.| Biblioteca(s): Embrapa Cerrados. |
| |
| 53. | | CORTEZ, J. W.; ALVES, P. J.; FURLANI, C. E. A.; GROTTA, D. C.; SILVA, R. P. da. Profundidades de semeadura do milho e cargas aplicadas na roda compactadora da semeadora. Revista Brasileira de Ciências Agrárias, v.2, n.2, p.156-160, abr./jun., 2007.| Biblioteca(s): Embrapa Algodão. |
| |
| 54. | | RIBEIRO, T. P.; LIMA, M. A. C. de; TRINDADE, D. C. G. da; SILVA, R. P. da; AMARIZ, A. Qualidade e compostos bioativos em frutos de mangueiras de origem americana do Banco Ativo de Germoplasma da Embrapa Semiárido. In: CONGRESSO BRASILEIRO DE CIÊNCIA E TECNOLOGIA DE ALIMENTOS, 22., 2010, Salvador. Ciência e tecnologia de alimentos: potencialidades, desafios e inovações. Campinas: SBCTA, 2010. 1 CD-ROM.| Biblioteca(s): Embrapa Semiárido. |
| |
| 55. | | PEIXOTO, J. R.; OLIVEIRA, J. A. de; JUNQUEIRA, N. T. V.; SILVA, R. P. da; MELO, B. de. Efeito de substratos artificiais no enraizamento de estacas de maracujazeiro azedo. In: CONGRESSO BRASILEIRO DE FRUTICULTURA, 16., 2000, Fortaleza, CE. Fruticultura: agronegocio do 3º milenio: resumos. Fortaleza: Embrapa Agroindustria Tropical, 2000. p. 481.| Biblioteca(s): Embrapa Cerrados. |
| |
| 56. | | SOUZA, S. O. de; LIMA, M. A. C. de; FINGER, F. L.; OLIVEIRA, A. H.; SILVA, R. P. da. Aplicação de benziladenina e seu efeito na qualidade e conservação pós-colheita de helicônias ‘Golden Torch’. In: CONGRESSO BRASILEIRO DE FLORICULTURA E PLANTAS ORNAMENTAIS, 17.; CONGRESSO BRASILEIRO DE CULTURA DE TECIDOS DE PLANTAS, 4., 2009, Aracaju. Ciência, inovação e sustentabilidade: anais. Aracaju: Embrapa Tabuleiros Costeiros; Cruz das Almas: Embrapa Mandioca e Fruticultura Tropical, 2009. 1 CD-ROM. (Embrapa Tabuleiros Costeiros. Documentos, 150).| Biblioteca(s): Embrapa Semiárido. |
| |
| 57. | | ROSATTI, S. R.; RISTOW, N. C.; TRINDADE, D. C. G. da; SILVA, R. P. da; LIMA, M. A. C. de. Caracterização física de frutos de acessos de mangueiras de origens diversas. In: ENCONTRO DE GENÉTICA DO NORDESTE, 19.; SIMPÓSIO DE GENÉTICA HUMANA E MÉDICA DO NORDESTE, 1.; GENÉTICA NA PRAÇA, 2012, Petrolina, Juazeiro. A genética, a natureza e o ser humano: mudando mentalidades e transformando vidas. Petrolina: Embrapa Semiárido: UNIVASF: SBG, 2012. 1 CD-ROM.| Biblioteca(s): Embrapa Semiárido. |
| |
| 58. | | PEIXOTO, J. R.; SILVA, R. P. da; RODRIGUES, F. de A.; RAMOS, R. S.; FARIA, V. R. C. A.; JULIATTI, F. C. Avaliacao de cultivares de tomate "Santa Cruz", nas aguas do Triangulo Mineiro. Horticultura Brasileira, Brasilia, v.14, n.1, p.107, maio 1996. Resumo.| Biblioteca(s): Embrapa Hortaliças. |
| |
| 59. | | PEIXOTO, J. R.; FARIA, V. R. da C. A.; RODRIGUES, F. de A.; SILVA, R. P. da; RAMOS, R. S.; JULIATTI, F. C. Avaliacao de genotipos de tomate tipo "salada" no periodo das aguas, em Araguari - MG. Horticultura Brasileira, Brasilia, v.14, n.1, p.106, maio 1996. Resumo.| Biblioteca(s): Embrapa Hortaliças. |
| |
| 60. | | BRITO FILHO, A. L. de; CARNEIRO, F. M.; RONTANI, F.; SILVA, R. P. da; BRANDÃO, Z. N.; SILVA JUNIOR, C. A. da; SHIRATSUCHI, L. S. Comparison between active and passive optics sensors to monitor spectral behavior during rice growth stages. In: SILVA-MATOS, R. R. S. da; DOIHARA, I. P.; LINHARES, S. C. (org.). Medio ambiente: Agricultura, desarrollo y sustentabilidad 2. Ponta Grossa, PR: Atena, 2023. c. 1. p. 1-9.| Biblioteca(s): Embrapa Algodão. |
|  |
| Registros recuperados : 89 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Algodão. |
|
Data corrente: |
21/08/2023 |
|
Data da última atualização: |
21/08/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
CARNEIRO, F. M.; BRITO FILHO, A. L. de; FERREIRA, F. M.; SEBEN JUNIOR, G. de F.; BRANDÃO, Z. N.; SILVA, R. P. da; SHIRATSUCHI, L. S. |
|
Afiliação: |
FRANCIELE MORLIN CARNEIRO, UTFPR; ARMANDO LOPES DE BRITO FILHO, UNESP; FRANCIELLE MORELLI FERREIRA, UNESP; GETULIO DE FREITAS SEBEN JUNIOR, UNEMAT; ZIANY NEIVA BRANDÃO, CNPA; ROUVERSON PEREIRA DA SILVA, UNESP; LUCIANO SHOZO SHIRATSUCHI, LOUISIANA STATE UNIVERSITY. |
|
Título: |
Soil and satellite remote sensing variables importance using machine learning to predict cotton yield. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Smart Agricultural Technology, v. 5, p. 1-10, 100292, 2023. |
|
ISSN: |
2772-3755 |
|
DOI: |
https://doi.org/10.1016/j.atech.2023.100292 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Remote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TPI, LiDAR, and RTK elevation show the best correlations to predicting cotton yield. MenosRemote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TP... Mostrar Tudo |
|
Palavras-Chave: |
Árvores de decisão; Decision trees; Imagem de satélite; Inteligência artificial; Produção sustentável; Proximal sensors; Random forest; RS; Satellite imagery; Sensores proximais; Sustainable production. |
|
Thesagro: |
Algodão; Estrutura do Solo; Gossypium Hirsutum; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Artificial intelligence; Cotton; Remote sensing; Soil structure. |
|
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1156016/1/SOIL-SATELLITE-COTTON-ZIANY.pdf
|
|
Marc: |
LEADER 02921naa a2200445 a 4500
001 2156016
005 2023-08-21
008 2023 bl uuuu u00u1 u #d
022 $a2772-3755
024 7 $ahttps://doi.org/10.1016/j.atech.2023.100292$2DOI
100 1 $aCARNEIRO, F. M.
245 $aSoil and satellite remote sensing variables importance using machine learning to predict cotton yield.$h[electronic resource]
260 $c2023
520 $aRemote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TPI, LiDAR, and RTK elevation show the best correlations to predicting cotton yield.
650 $aArtificial intelligence
650 $aCotton
650 $aRemote sensing
650 $aSoil structure
650 $aAlgodão
650 $aEstrutura do Solo
650 $aGossypium Hirsutum
650 $aSensoriamento Remoto
653 $aÁrvores de decisão
653 $aDecision trees
653 $aImagem de satélite
653 $aInteligência artificial
653 $aProdução sustentável
653 $aProximal sensors
653 $aRandom forest
653 $aRS
653 $aSatellite imagery
653 $aSensores proximais
653 $aSustainable production
700 1 $aBRITO FILHO, A. L. de
700 1 $aFERREIRA, F. M.
700 1 $aSEBEN JUNIOR, G. de F.
700 1 $aBRANDÃO, Z. N.
700 1 $aSILVA, R. P. da
700 1 $aSHIRATSUCHI, L. S.
773 $tSmart Agricultural Technology$gv. 5, p. 1-10, 100292, 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Algodão (CNPA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
