| |
|
|
| Registros recuperados : 24 | |
| 2. |  | VICENTE, L. E.; LOEBMANN, D. G. dos S. W.; VICTORIA, D. de C.; KOGA-VICENTE, A. Monitoring of agricultural land use in São Paulo State - Brazil using geotechnology approach. In: INTERNATIONAL CONSORTIUM ON APPLIED BIOECONOMY RESEARCH, 16.; SEMINAR EAAE, 128., 2012, Ravello, Italy. Anais... Ravello: CABR, 2012. 14 p.| Biblioteca(s): Embrapa Territorial. |
|    |
| 5. | | ROGGIA, S.; BUENO, A. de F.; OLIVEIRA, M. C. N. de; GREGO, C. R.; KOGA-VICENTE, A.; VICENTE, L. E. Aplicação localizada de parasitoide de ovos e inseticida químico para o manejo do percevejo Euschistus heros em soja. In: CONGRESSO BRASILEIRO DE SOJA, 9., 2022, Foz do Iguaçu. Desafios para a produtividade sustentável no Mercosul: resumos. Brasília, DF: Embrapa, 2022. p. 98.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 8. | | PORTINHO, J. L.; GOMES, A. C. C.; KOGA-VICENTE, A.; MILANI, F. C. C.; PENTEAN, R. P.; MANZATTO, C. V.; ARAUJO, L. S. de; VICENTE, L. E. The pathways influence of agricultural expansion on water quality of fish farming in Ilha Solteira reservoir, São Paulo, Brazil. Aquaculture, v. 536, article 736405, 2021.| Biblioteca(s): Embrapa Meio Ambiente. |
|  |
| 9. | | ALFONSI, W. M. V.; COLTRI, P. P.; ZULLO JÚNIOR, J.; PATRÍCIO, F. R. A.; GONÇALVES, R. R. do V.; SHINJI, K.; ALFONSI, E. L.; KOGA-VICENTE, A. Geographical distribution of the incubation period of coffee leaf rust in climate change scenarios. Pesquisa Agropecuária Brasileira, Brasília, v. 54, e00273, jan.-dez. 2019. Título em português: Distribuição geográfica do período de incubação da ferrugem do cafeeiro em cenários de mudanças climáticas.| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 10. | | GAROFALO, D. F. T.; KONDO, V. Y.; VICENTE, L. E.; SILVA, M. G. da; KOGA-VICENTE, A.; RAMOS, N. P.; PACKER, A. P. Pre-harvesting biomass burning for sugarcane crop: comparing emission factors for realist results. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. Ref. 96710. p. 1-4.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 11. | | PORTINHO, J. L.; GOMES, A. C. C.; KOGA-VICENTE, A.; MANZATTO, C. V.; MILANI, F. C. C.; ARAUJO, L. S. de; VICENTE, L. E. An interactive webgis platform for enhanced support of integrated environmental management of aquaculture In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. Artigo 96069. p. 1-4.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 12. | | VICENTE, L. E.; SILVA, A. F. da; BUENO, A. de F.; KOGA-VICENTE, A.; ARAUJO, L. S. de; MACIEL, R. M. A.; ROGGIA, S. Dados hiperespectrais de variedades de soja sob diferentes tempos de ataque do percevejo Euschistus heros. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. Ref. 155756. p. 960-963.| Biblioteca(s): Embrapa Meio Ambiente; Embrapa Soja. |
| |
| 13. | | PEROSA, B. B.; MANZATTO, C. V.; VICENTE, L. E.; KOGA-VICENTE, A.; ARAUJO, L. S. de; ASSAD, E. D.; GURGEL, A. Emissões de gases do efeito estufa pela agricultura de baixa emissão de carbono. Agroanalysis, v. 40, n. 5, p. 29-31, maio 2020.| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 14. | | PEROSA, B. B.; MANZATTO, C. V.; VICENTE, L. E.; KOGA-VICENTE, A.; ARAUJO, L. S. de; ASSAD, E. D.; GURGEL, A. da C. Emissões de gases do efeito estufa pela agricultura de baixa emissão de carbono. Agroanalysis, v. 40, n. 5, p. 29-31, mai. 2020.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 15. | | KOGA-VICENTE, A.; VICENTE, L. E.; ROGGIA, S.; ARAUJO, L. S. de; CRECCI, C. V.; SILVA, A. F. da; GUERRERO, J. V. Elaboração de biblioteca espectral de soja (Glycine max) em ambiente de rede colaborativa utilizando o sistema AgroTag. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. Ref. 156004. p. 1806-1809.| Biblioteca(s): Embrapa Meio Ambiente; Embrapa Soja. |
| |
| 16. | | ZULLO JÚNIOR, J.; MACEDO JÚNIOR, C.; EVANGELISTA, B. A.; PINTO, H. S.; MARIN, F. R.; ASSAD, E. D.; KOGA-VICENTE, A. Riscos climáticos da cultura da cana-de-açúcar. In: BAENINGER, R.; ZULLO JUNIOR, J.; AIDAR, T.; PERES, R. G. (Org.). Regiões canavieiras. Campinas: Unicamp, 2013. p. 63-78. (Por dentro do Estado de São Paulo, 6).| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 17. | | PORTINHO, J. L.; GOMES, A. C. C.; KOGA-VICENTE, A.; SILVA, M. S. G. M. e; ARAUJO, L. S. de; LOSEKANN, M. E.; SAULINO, H. H. L.; MANZATTO, C. V.; VICENTE, L. E. Desenvolvimento e validação de metodologias multissensor/multiescala para coleta, análise e disponibilização de dados de qualidade de água em áreas aquícolas: o caso de Ilha Solteira no contexto projeto componente manejo e gestão ambiental da aquicultura (projeto BRS/AQUA). In: CARNEIRO, V. A.; SANTOS, J. C. V. (Org.). O matraquear das águas no cerrado. Anápolis: UEG, 2019. p. 179-198. E-book.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 18. | | VICENTE, L. E.; PADILHA, M. C. C.; SILVA, A. F. da; KOGA-VICENTE, A.; DEMATTÊ, J. A. M.; GUERRERO, J. V.; ARAUJO, L. S. de; SILVA, G. F. da. Imagens hiperespectrais do sensor PRISMA na detecção de argilominerais em solos tropicais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. Ref. 156060. p. 2004-2007.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 19. | | PADILHA, M. C. C.; VICENTE, L. E.; DEMATTÊ, J. A. M.; LOEBMANN, D. G. dos S. W.; URBINA SALAZAR, D.; KOGA-VICENTE, A.; ARAUJO, L. S. de; MANZATTO, C. V. Prediction statistical model for soil organic carbon mapping in crop areas using the Landsat/OLI sensor. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 19., 2019, Santos. Anais... São José dos Campos: INPE, 2019. Ref. 96042. p. 1-4.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| 20. | | PORTINHO, J. L.; GOMES, A. C. C.; KOGA-VICENTE, A.; SILVA, M. S. G. M. e; ARAUJO, L. S. de; MANZATTO, C. V.; PEROSA, B. B.; VICENTE, L. E.; RODRIGUES, G. S. Indicadores de boas práticas de manejo na aquicultura. Agroanalysis, v. 40, n. 2, p. 31-32, fev. 2020.| Biblioteca(s): Embrapa Meio Ambiente. |
| |
| Registros recuperados : 24 | |
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Meio Ambiente. Para informações adicionais entre em contato com cnpma.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Meio Ambiente. |
|
Data corrente: |
02/08/2018 |
|
Data da última atualização: |
02/08/2018 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
FRIEDEL, M. J.; BUSCEMA, M.; VICENTE, L. E.; IWASHITA, F.; KOGA-VICENTE, A. |
|
Afiliação: |
MICHAEL J FRIEDEL, Hydrogeology Department - GNS Science; MASSIMO BUSCEMA, University of Colorado; LUIZ EDUARDO VICENTE, CNPMA; FABIO IWASHITA, University of Florence; ANDREA KOGA-VICENTE, CEPAGRI-UNICAMP. |
|
Título: |
Mapping fractional landscape soils and vegetation components from Hyperion satellite imagery using an unsupervised machine-learning workflow. |
|
Ano de publicação: |
2018 |
|
Fonte/Imprenta: |
International Journal of Digital Earth, v. 11, n. 7, p. 670-690, 2018. |
|
ISSN: |
1753-8955 |
|
DOI: |
https://doi.org/10.1080/17538947.2017.1349841 |
|
Idioma: |
Inglês |
|
Conteúdo: |
An unsupervised machine-learning workflow is proposed for estimating fractional landscape soils and vegetation components from remotely sensed hyperspectral imagery. The workflow is applied to EO-1 Hyperion satellite imagery collected near Ibirací, Minas Gerais, Brazil. The proposed workflow includes subset feature selection, learning, and estimation algorithms. Network training with landscape feature class realizations provide a hypersurface from which to estimate mixtures of soil (e.g. 0.5 exceedance for pixels: 75% clay-rich Nitisols, 15% iron-rich Latosols, and 1% quartz-rich Arenosols) and vegetation (e.g. 0.5 exceedance for pixels: 4% Aspen-like trees, 7% Blackberry-like trees, 0% live grass, and 2% dead grass). The process correctly maps forests and iron-rich Latosols as being coincident with existing drainages, and correctly classifies the clay-rich Nitisols and grasses on the intervening hills. These classifications are independently corroborated visually (Google Earth) and quantitatively (random soil samples and crossplots of field spectra). Some mapping challenges are the underestimation of forest fractions and overestimation of soil fractions where steep valley shadows exist, and the under representation of classified grass in some dry areas of the Hyperion image. These preliminary results provide impetus for future hyperspectral studies involving airborne and satellite sensors with higher signal-to-noise and smaller footprints. |
|
Palavras-Chave: |
Machine learning. |
|
Thesagro: |
Satélite; Sensoriamento Remoto; Solo; Vegetação. |
|
Thesaurus NAL: |
Hyperspectral imagery; Remote sensing; Soil; Vegetation cover. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
LEADER 02406naa a2200301 a 4500
001 2093828
005 2018-08-02
008 2018 bl uuuu u00u1 u #d
022 $a1753-8955
024 7 $ahttps://doi.org/10.1080/17538947.2017.1349841$2DOI
100 1 $aFRIEDEL, M. J.
245 $aMapping fractional landscape soils and vegetation components from Hyperion satellite imagery using an unsupervised machine-learning workflow.$h[electronic resource]
260 $c2018
520 $aAn unsupervised machine-learning workflow is proposed for estimating fractional landscape soils and vegetation components from remotely sensed hyperspectral imagery. The workflow is applied to EO-1 Hyperion satellite imagery collected near Ibirací, Minas Gerais, Brazil. The proposed workflow includes subset feature selection, learning, and estimation algorithms. Network training with landscape feature class realizations provide a hypersurface from which to estimate mixtures of soil (e.g. 0.5 exceedance for pixels: 75% clay-rich Nitisols, 15% iron-rich Latosols, and 1% quartz-rich Arenosols) and vegetation (e.g. 0.5 exceedance for pixels: 4% Aspen-like trees, 7% Blackberry-like trees, 0% live grass, and 2% dead grass). The process correctly maps forests and iron-rich Latosols as being coincident with existing drainages, and correctly classifies the clay-rich Nitisols and grasses on the intervening hills. These classifications are independently corroborated visually (Google Earth) and quantitatively (random soil samples and crossplots of field spectra). Some mapping challenges are the underestimation of forest fractions and overestimation of soil fractions where steep valley shadows exist, and the under representation of classified grass in some dry areas of the Hyperion image. These preliminary results provide impetus for future hyperspectral studies involving airborne and satellite sensors with higher signal-to-noise and smaller footprints.
650 $aHyperspectral imagery
650 $aRemote sensing
650 $aSoil
650 $aVegetation cover
650 $aSatélite
650 $aSensoriamento Remoto
650 $aSolo
650 $aVegetação
653 $aMachine learning
700 1 $aBUSCEMA, M.
700 1 $aVICENTE, L. E.
700 1 $aIWASHITA, F.
700 1 $aKOGA-VICENTE, A.
773 $tInternational Journal of Digital Earth$gv. 11, n. 7, p. 670-690, 2018.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Meio Ambiente (CNPMA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
