| |
|
|
| Registros recuperados : 16 | |
| 5. |  | FERREIRA, A. B.; MING, L. C.; HAVERROTH, M.; LIMA, M. S. de; NASCIMENTO, M. M. do. Manejo de variedades locais de Dioscorea spp. em comunidades tradicionais da Baixada Cuiabana em Mato Grosso, Brasil. Scientia Naturalis, v. 2, n. 1, p. 204-219, 2020.| Biblioteca(s): Embrapa Acre. |
|    |
| 6. | | NASCIMENTO, M. M. do; MIRANDA, V. S.; POLTRONIERI, L. S.; SANTOS, J. M. dos; MAIA, W. J. M. e S. Identificação de Helicotylenchus e Aorolaimus em amostras coletadas na floresta amazônica em municípios do Nordeste Paraense. Revista de Ciências Agrárias, Belém, PA, n. 49, p. 77-86, jan./jun. 2008. Disponível também on-line.| Biblioteca(s): Embrapa Amazônia Oriental. |
| |
| 7. | | FERREIRA, A. B.; CHECHETTO, F.; MOREIRA, C.; LIMA, M. S. de; NASCIMENTO, M. M. do; HAVERROTH, M.; MING, L. C. Hortaliças comercializadas nas feiras de Botucatu-SP e sistemas de produção. Scientia Naturalis, v. 2, n. 1, p. 220-240, 2020.| Biblioteca(s): Embrapa Acre. |
| |
| 8. | | GOMES, B. E. G.; MIRANDA, V. S.; POLTRONIERI, L. S.; NASCIMENTO, M. M. do; FARIAS, P. R. S. Incidência da mancha foliar (Bipolaris incurvata) em três híbridos de coqueiro (cocos nucifera L.) em condições de campo. Revista de Ciências Agrárias, Belém, PA, n. 51, p. 161-170, jan./jun. 2009.| Biblioteca(s): Embrapa Amazônia Oriental. |
| |
| 9. | | NASCIMENTO, F. C. da C.; SOUZA, J. M. L. de; YOMURA, R. B. T.; VASCONCELOS, M. A. M. de; NASCIMENTO, M. M. do. Estabilidade da torta parcialmente desengordurada de amêndoas despeliculadas de cupuaçu. In: SEMINÁRIO DA EMBRAPA ACRE DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO, 2., 2019, Rio Branco, AC. A Contribuição da ciência para a agropecuária no Acre: anais. Rio Branco, AC: Embrapa Acre, 2020. p. 59-63. Apresentação oral. (Embrapa Acre. Eventos técnicos & científicos, 2). Editores técnicos: Virgínia de Souza Álvares: Fabiano Marçal Estanislau.| Biblioteca(s): Embrapa Acre. |
| |
| 10. | | SILVA, C. M. da; HAVERROTH, M.; SOUZA, J. M. L. de; FERREIRA, A. B.; LIMA, M. S. de; NASCIMENTO, M. M. do. Caracterização físico-química de vinagreira (Hibiscus acetosella) em função da dosagem de adubo orgânico. In: SEMINÁRIO DA EMBRAPA ACRE DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO, 2., 2019, Rio Branco, AC. A Contribuição da ciência para a agropecuária no Acre: anais. Rio Branco, AC: Embrapa Acre, 2020. p. 37-41. Apresentação oral. (Embrapa Acre. Eventos técnicos & científicos, 2). Editores técnicos: Virgínia de Souza Álvares: Fabiano Marçal Estanislau.| Biblioteca(s): Embrapa Acre. |
| |
| 11. | | SOUZA, J. M. L. de; LIMA, M. S. de; NASCIMENTO, F. C. da C.; ALVARES, V. de S.; YOMURA, R. B. T.; NASCIMENTO, M. M. do. Caracterização de amêndoas de cupuaçu despeliculadas e torta parcialmente desengordurada. In: SEMINÁRIO DA EMBRAPA ACRE DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO, 2., 2019, Rio Branco, AC. A Contribuição da ciência para a agropecuária no Acre: anais. Rio Branco, AC: Embrapa Acre, 2020. p. 141-146. Banner. (Embrapa Acre. Eventos técnicos & científicos, 2). Editores técnicos: Virgínia de Souza Álvares; Fabiano Marçal Estanislau.| Biblioteca(s): Embrapa Acre. |
| |
| 12. | | SOUZA JUNIOR, E. S.; PEREIRA, K. R. M.; SOUZA, J. M. L. de; MELO, A. L. de; NASCIMENTO, M. M. do; MAGALHÃES, A. J. P. de. Características biométricas de amêndoas fermentadas de cupuaçu visando à agroindustrialização. In: SEMINÁRIO DA EMBRAPA ACRE DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO, 3., 2020, Rio Branco, AC. Ciência e tecnologia na sociedade digital (edição on-line): anais. Rio Branco, AC: Embrapa Acre, 2021. p. 83-87. Banner. (Embrapa Acre. Eventos técnicos & científicos, 3). Editores: Virgínia de Souza Álvares, Fabiano Marçal Estanislau.| Biblioteca(s): Embrapa Acre. |
| |
| 13. | | ROCHA, L. A. DA; NASCIMENTO, M. M. DO; LIMA, M. S. DE; HAVERROTH, M.; MING, L. C.; ARAGÃO JÚNIOR, A. C. DE; TORRES, N. S.; FERREIRA, A. B. Physicochemical characterization of seeds and aril of Renealmia aromatica (Aubl.) Griseb. Research, Society and Development, v. 13, n. 4, e4313445469, 2024. 17 p.| Biblioteca(s): Embrapa Alimentos e Territórios. |
| |
| 14. | | FONTINELE, Y. da R; BORGES, V. S.; LIMA, M. S. de; NASCIMENTO, M. M. do; HAVERROTH, M.; ARAÚJO, S. A. de A. e. Variabilidade entre variedades de milho crioulo. Revista RG News, v. 4, n. 3, p. 593, 2018. Edição especial com os Anais do V Congresso Brasileiro de Recursos Genéticos.| Biblioteca(s): Embrapa Acre. |
| |
| 15. | | FERREIRA, A. C. de S.; CEDDIA, M. B.; COSTA, E. M.; PINHEIRO, E. F. M.; NASCIMENTO, M. M. do; VASQUES, G. M. Use of airborne radar images and machine learning algorithms to map soil clay, silt, and sand contents in remote areas under the Amazon rainforest. Remote Sensing, v. 14, n. 22, 5711, 2022.| Biblioteca(s): Embrapa Solos. |
| |
| 16. | | CARVALHO, H. W. L. de; CARDOSO, M. J.; TABOSA, J. N.; LIRA, M. A.; GUIMARAES, P. E. O.; PACHECO, C. A. P.; ALBUQUERQUE, M. M. de; BRITO, A. R. de M. B.; CAVALCANTE, M. H. B.; NASCIMENTO, M. M. do; MACEDO, J. J. G. de; RODRIGUES, A. R. S.; SOUSA, E. M. de; RIBEIRO, S. S.; OLIVEIRA, V. D. de; RODRIGUES, K. F. Adaptabilidade e estabilidade de híbridos de milho no Nordeste Brasileiro no ano agrícola de 2004/2005;. Aracaju: Embrapa Tabuleiros Costeiros, 2006. 21 p. (Embrapa Tabuleiros Costeiros. Boletim de Pesquisa e Desenvolvimento, 13).| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| Registros recuperados : 16 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
16/11/2022 |
|
Data da última atualização: |
22/11/2022 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
FERREIRA, A. C. de S.; CEDDIA, M. B.; COSTA, E. M.; PINHEIRO, E. F. M.; NASCIMENTO, M. M. do; VASQUES, G. M. |
|
Afiliação: |
ANA CAROLINA DE S. FERREIRA, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; MARCOS B. CEDDIA, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; ELIAS M. COSTA, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; ÉRIKA F. M. PINHEIRO, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; MARIANA MELO DO NASCIMENTO, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO; GUSTAVO DE MATTOS VASQUES, CNPS. |
|
Título: |
Use of airborne radar images and machine learning algorithms to map soil clay, silt, and sand contents in remote areas under the Amazon rainforest. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Remote Sensing, v. 14, n. 22, 5711, 2022. |
|
DOI: |
https://doi.org/10.3390/rs14225711 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Soil texture has a great influence on the physical-hydric and chemical behavior of soils. In the Amazon regions, due to the presence of dense forest cover and limited access to roads, carrying out surveys and mapping of soils is challenging. When data exist, they are relatively sparse and the distribution is quite uneven. In this context, machine learning algorithms (ML) associated with remote sensor covariates offer a framework to derive digital maps of soil attributes. The objective of this study was to produce maps of surface and subsurface soil clay, silt, and sand contents in a 13.440 km2 area in the Amazon. The specific objectives were to a) evaluate the gain in prediction accuracy when using the P-band of airborne radar as a covariate; b) evaluate two sampling approaches (Reference Area-RA and Total Area-TA); and c) evaluate the transferability and performance of three ML algorithms: regression tree (RT), random forest (RF), and support vector machine (SVM). The study site was divided into three blocks, called Urucu, Araracanga, and Juruá, respectively. The soil dataset consisted of 151 surface and subsurface sand, silt, and clay observations and 21 covariates (20 relief variables and the backscattering coefficient from the P-band). Both the RA and TA sampling approach used 114 observations for training the prediction models (75%) and 37 for validation (25%). The RA approach was better for the development of sand and silt models. Overall, RF derived the most accurate predictions for all variables. The effect of introducing the P-band backscattering coefficient improved the sand prediction accuracy at the surface and subsurface in Araracanga, which had the highest sand content, with relative improvements (RI) of the R2, root mean square error (RMSE), and mean absolute error (MAE) of 46%, 3%, and 4% at the surface, respectively, and 66.7%, 4.4%, and 5.2% at the subsurface, respectively. For silt, the P-band improved the predictions at the surface in Araracanga, which had the lowest silt contents among the blocks. For clay, adding the P-band improved the RF predictions at the subsurface, with RI of the R2, RMSE, and MAE of 29%, 5%, and 5%, respectively. Despite the low observation density, inherently hindered by the low accessibility of the area and high costs of sampling thereof, the results showed the potential of ML algorithms boosted by airborne radar P-band to map soil clay, silt, and sand contents in the Amazon. MenosSoil texture has a great influence on the physical-hydric and chemical behavior of soils. In the Amazon regions, due to the presence of dense forest cover and limited access to roads, carrying out surveys and mapping of soils is challenging. When data exist, they are relatively sparse and the distribution is quite uneven. In this context, machine learning algorithms (ML) associated with remote sensor covariates offer a framework to derive digital maps of soil attributes. The objective of this study was to produce maps of surface and subsurface soil clay, silt, and sand contents in a 13.440 km2 area in the Amazon. The specific objectives were to a) evaluate the gain in prediction accuracy when using the P-band of airborne radar as a covariate; b) evaluate two sampling approaches (Reference Area-RA and Total Area-TA); and c) evaluate the transferability and performance of three ML algorithms: regression tree (RT), random forest (RF), and support vector machine (SVM). The study site was divided into three blocks, called Urucu, Araracanga, and Juruá, respectively. The soil dataset consisted of 151 surface and subsurface sand, silt, and clay observations and 21 covariates (20 relief variables and the backscattering coefficient from the P-band). Both the RA and TA sampling approach used 114 observations for training the prediction models (75%) and 37 for validation (25%). The RA approach was better for the development of sand and silt models. Overall, RF derived the most accurate ... Mostrar Tudo |
|
Palavras-Chave: |
Digital soil mapping; Radar P-band; Reference area. |
|
Thesagro: |
Mapa; Reconhecimento do Solo; Textura do Solo. |
|
Thesaurus NAL: |
Soil surveys; Soil texture. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1148295/1/Use-of-airborne-radar-images-and-machine-learning-algorithms-2022.pdf
|
|
Marc: |
LEADER 03374naa a2200289 a 4500
001 2148295
005 2022-11-22
008 2022 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.3390/rs14225711$2DOI
100 1 $aFERREIRA, A. C. de S.
245 $aUse of airborne radar images and machine learning algorithms to map soil clay, silt, and sand contents in remote areas under the Amazon rainforest.$h[electronic resource]
260 $c2022
520 $aSoil texture has a great influence on the physical-hydric and chemical behavior of soils. In the Amazon regions, due to the presence of dense forest cover and limited access to roads, carrying out surveys and mapping of soils is challenging. When data exist, they are relatively sparse and the distribution is quite uneven. In this context, machine learning algorithms (ML) associated with remote sensor covariates offer a framework to derive digital maps of soil attributes. The objective of this study was to produce maps of surface and subsurface soil clay, silt, and sand contents in a 13.440 km2 area in the Amazon. The specific objectives were to a) evaluate the gain in prediction accuracy when using the P-band of airborne radar as a covariate; b) evaluate two sampling approaches (Reference Area-RA and Total Area-TA); and c) evaluate the transferability and performance of three ML algorithms: regression tree (RT), random forest (RF), and support vector machine (SVM). The study site was divided into three blocks, called Urucu, Araracanga, and Juruá, respectively. The soil dataset consisted of 151 surface and subsurface sand, silt, and clay observations and 21 covariates (20 relief variables and the backscattering coefficient from the P-band). Both the RA and TA sampling approach used 114 observations for training the prediction models (75%) and 37 for validation (25%). The RA approach was better for the development of sand and silt models. Overall, RF derived the most accurate predictions for all variables. The effect of introducing the P-band backscattering coefficient improved the sand prediction accuracy at the surface and subsurface in Araracanga, which had the highest sand content, with relative improvements (RI) of the R2, root mean square error (RMSE), and mean absolute error (MAE) of 46%, 3%, and 4% at the surface, respectively, and 66.7%, 4.4%, and 5.2% at the subsurface, respectively. For silt, the P-band improved the predictions at the surface in Araracanga, which had the lowest silt contents among the blocks. For clay, adding the P-band improved the RF predictions at the subsurface, with RI of the R2, RMSE, and MAE of 29%, 5%, and 5%, respectively. Despite the low observation density, inherently hindered by the low accessibility of the area and high costs of sampling thereof, the results showed the potential of ML algorithms boosted by airborne radar P-band to map soil clay, silt, and sand contents in the Amazon.
650 $aSoil surveys
650 $aSoil texture
650 $aMapa
650 $aReconhecimento do Solo
650 $aTextura do Solo
653 $aDigital soil mapping
653 $aRadar P-band
653 $aReference area
700 1 $aCEDDIA, M. B.
700 1 $aCOSTA, E. M.
700 1 $aPINHEIRO, E. F. M.
700 1 $aNASCIMENTO, M. M. do
700 1 $aVASQUES, G. M.
773 $tRemote Sensing$gv. 14, n. 22, 5711, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Solos (CNPS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
