| |
|
|
| Registros recuperados : 28 | |
| 2. |  | BÉGUÉ, A.; ARVOR, D.; LELONG, C.; VINTROU, E.; SIMÕES, M. Agricultural systems studies using remote sensing. In: TENKABAIL, P. S. (Ed.). Land resources monitoring, modeling, and mapping with remote sensing. Boca Raton: CRC Press, 2015. cap. 5, p. 113-130.| Biblioteca(s): Embrapa Solos. |
|    |
| 5. | | MULIANGA, B.; BÉGUÉ, A.; SIMÕES, M.; CLOUVEL, P.; TODOROFF, P. Estimating potential soil erosion for environmental services in a sugarcane growing área ussing multisource remote sensing data. In: SPIE REMOTE SENSING, 4., 2013, Dresden. Remote sensing for agriculture, ecosystems, and hydrology XV: proceedings... Bellingham: SPIE, 2013. v. 8887. Ref. 88871W.| Biblioteca(s): Embrapa Solos. |
| |
| 10. | | ARVOR, D.; MEIRELLES, M. S. P.; DUBREUIL, V.; BEGUÈ, A.; SHIMABUKURO, Y. E. Analyzing the agricultural transition in Mato Grosso, Brazil, using satellite-derived indices. Applied Geography, v. 32, p. 702-713, 2011.| Biblioteca(s): Embrapa Solos. |
| |
| 11. | | KUCHLER, P. C.; BÉGUÉ, A.; SIMÕES, M.; GAETANO, R.; ARVOR, D.; FERRAZ, R. P. D. Assessing the optimal preprocessing steps of MODIS time series to map cropping systems in Mato Grosso, Brazil. International Journal of Applied Earth Observation and Geoinformation, v. 92, 102150, Oct. 2020.| Biblioteca(s): Embrapa Solos. |
|  |
| 18. | | BELLÓN, B.; BÉGUÉ, A.; LO SEEN, D.; LEBOURGEOIS, V.; EVANGELISTA, B. A.; SIMÕES, M.; FERRAZ, R. P. D. Improved regional-scale Brazilian cropping systems' mapping based on a semi-automatic object-based clustering approach. International Journal of Applied Earth Observation and Geoinformation, V. 68, p. 127-138, Jun. 2018.| Biblioteca(s): Embrapa Pesca e Aquicultura; Embrapa Solos. |
| |
| 19. | | KUCHLER, P. C.; SIMÕES, M.; BÉGUÉ, A.; MACHADO, P. L. O. de A.; FERRAZ, R. P. D.; MADARI, B. E.; FREITAS, P. L. de; MANZATTO, C. V. Monitoring Brazilian low-carbon agriculture plan: the potential of remote sensing to detect adoption of selected agricultural practices. In: EFITA WCCA CONGRESS, 2017, Montpellier. Conference proceedings. Montpellier: Efita, 2017. p. 169-170.| Biblioteca(s): Embrapa Arroz e Feijão. |
| |
| 20. | | KUCHLER, P. C.; SIMÕES, M.; BÉGUÉ, A.; MACHADO, P. L. O. de A.; FERRAZ, R. P. D.; MADARI, B. E.; FREITAS, P. L. de; MANZATTO, C. V. Monitoring Brazilian low-carbon agriculture plan: the potential of remote sensing to detect adoption of selected agricultural practices. In: EFITA WCCA CONGRESS, 2017, Montpellier. Conference proceedings. Montpellier: Efita, 2017. p. 169-170.| Biblioteca(s): Embrapa Solos. |
| |
| Registros recuperados : 28 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
19/09/2023 |
|
Data da última atualização: |
22/11/2023 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
KUCHLER, P. C.; SIMÕES, M.; FERRAZ, R. P. D.; ALMEIDA, M. B. F. de; BÉGUÉ, A. |
|
Afiliação: |
PATRICK CALVANO KUCHLER, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; MARGARETH GONCALVES SIMOES, CNPS; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; MATEUS BENCHIMOL FERREIRA DE ALMEIDA, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; AGNÈS BÉGUÉ, MAISON DE LA TÉLÉDÉTÉCTION. |
|
Título: |
Avaliação do impacto das amostras de treinamento na acurácia da classificação random forest dos sistemas integrados de produção agropecuária. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 2484-2487. |
|
Idioma: |
Português |
|
Conteúdo: |
Ao conduzir uma classificação supervisionada com algoritmos de aprendizado de máquina, como o Random Forest, a estratégia de balanceamento das amostras é fundamental, pois impacta diretamente nos resultados. Estes classificadores são sensíveis às proporções das amostras de treinamento das diferentes classes. Compreender como estes fatores influenciam na classificação de áreas de produção agropecuária, sobretudo de sistemas minoritários e complexos como o iLP (Integração Lavoura-Pecuária) são de extrema importância para contribuir com metodologias de monitoramento. Para avaliar o impacto do balanceamento, foram testados três grupos de dados de aprendizagem do Random Forest: (i) Bset01: dados balanceados entre três classes prioritárias no estado do Mato Grosso; (ii) Bset02: dados desbalanceados com as proporções refletindo a realidade de campo e (iii) Bset03: superestimando a classe rara iLP. Os melhores valores de fscore da classe iLP foram para Bset01 (0,81) e Bset02 (0,83), com um erro de comissão mais alto para Bset01, sugerindo uma melhor performance do Bset02. |
|
Palavras-Chave: |
Agricultura de baixa emissão de carbono; Aprendizado de máquina; Dados de treinamento; ILP; Séries temporais. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1156750/1/Avaliacao-do-impacto-das-amostras-de-treinamento-na-acuracia-2023.pdf
|
|
Marc: |
LEADER 01979nam a2200217 a 4500
001 2156750
005 2023-11-22
008 2023 bl uuuu u00u1 u #d
100 1 $aKUCHLER, P. C.
245 $aAvaliação do impacto das amostras de treinamento na acurácia da classificação random forest dos sistemas integrados de produção agropecuária.$h[electronic resource]
260 $aIn: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 2484-2487.$c2487
520 $aAo conduzir uma classificação supervisionada com algoritmos de aprendizado de máquina, como o Random Forest, a estratégia de balanceamento das amostras é fundamental, pois impacta diretamente nos resultados. Estes classificadores são sensíveis às proporções das amostras de treinamento das diferentes classes. Compreender como estes fatores influenciam na classificação de áreas de produção agropecuária, sobretudo de sistemas minoritários e complexos como o iLP (Integração Lavoura-Pecuária) são de extrema importância para contribuir com metodologias de monitoramento. Para avaliar o impacto do balanceamento, foram testados três grupos de dados de aprendizagem do Random Forest: (i) Bset01: dados balanceados entre três classes prioritárias no estado do Mato Grosso; (ii) Bset02: dados desbalanceados com as proporções refletindo a realidade de campo e (iii) Bset03: superestimando a classe rara iLP. Os melhores valores de fscore da classe iLP foram para Bset01 (0,81) e Bset02 (0,83), com um erro de comissão mais alto para Bset01, sugerindo uma melhor performance do Bset02.
653 $aAgricultura de baixa emissão de carbono
653 $aAprendizado de máquina
653 $aDados de treinamento
653 $aILP
653 $aSéries temporais
700 1 $aSIMÕES, M.
700 1 $aFERRAZ, R. P. D.
700 1 $aALMEIDA, M. B. F. de
700 1 $aBÉGUÉ, A.
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. |
|
|
