|
|
Registros recuperados : 1 | |
Registros recuperados : 1 | |
|
|
Registro Completo
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
23/01/2023 |
Data da última atualização: |
12/01/2024 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
B - 3 |
Autoria: |
CORREA, D. V.; RAMOS, A. P. M.; OSCO, L. P.; JORGE, L. A. de C. |
Afiliação: |
LUCIO ANDRE DE CASTRO JORGE, CNPDIA. |
Título: |
Aprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
Colloquium Exactarum, v.14, 2023. |
Páginas: |
146-153 |
ISSN: |
2178-8332 |
DOI: |
10.5747/ce.2022.v14.e393 |
Idioma: |
Português |
Conteúdo: |
A integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas. MenosA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja.... Mostrar Tudo |
Palavras-Chave: |
Aprendizagem de máquina; Medidas de refletância. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/245659/1/P-APRENDIZAGEM-DE-MAQUINA-PARA-IDENTIFICACAO-DE-PLANTAS-DE-SOJA.pdf
|
Marc: |
LEADER 02265naa a2200217 a 4500 001 2151175 005 2024-01-12 008 2023 bl uuuu u00u1 u #d 022 $a2178-8332 024 7 $a10.5747/ce.2022.v14.e393$2DOI 100 1 $aCORREA, D. V. 245 $aAprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais.$h[electronic resource] 260 $c2023 300 $a146-153 520 $aA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas. 653 $aAprendizagem de máquina 653 $aMedidas de refletância 700 1 $aRAMOS, A. P. M. 700 1 $aOSCO, L. P. 700 1 $aJORGE, L. A. de C. 773 $tColloquium Exactarum$gv.14, 2023.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|