|
|
Registro Completo |
Biblioteca(s): |
Embrapa Solos. |
Data corrente: |
06/12/2022 |
Data da última atualização: |
14/12/2022 |
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
Autoria: |
MONTANARELLA, L.; MAY, W. B.; TONG, Y.; FONTANA, A.; KLIMANOV, A.; KONTOBOYTSEVA, A.; LOSS, A.; NOOV, B.; LABAZ, B.; SMRECZAK, B.; HONGGUANG, C.; CLERICI, C.; SANCHEZ, C. O.; PENG, D.; TIMOFEEVA, E.; GIASSON, E.; BAZARRADNAA, E.; WEI, F.; FONTES, F.; PEREIRA, G.; ERDOGAN, H. E.; HUSEIN, H. H.; SKRYLNYK, I.; SOBOCKÁ, J.; QU, J.; CLARKE, J. L.; WANG, J.; STUCHI, J. F.; KONYUSHKOVA, M.; SILVA, L. S. da; YAO, L.; VOROTYNTSEVA, L.; SOVETBEK, M.; BOLAÑOS-BENAVIDES, M. M.; ENTZ, M.; ZAKHAROVA, M.; ST. LUCE, M.; SCHELLENBERG, M. P.; SCHELLENBERG, M.; MIROSHNICHENKO, M.; CLARKE, N.; NONGHARNPITAK, N.; NYAMSAMBUU, N.; TURSUNOVNA, O. R.; CARFAGNO, P.; SCHENATO, R. B.; KAPUR, S.; WAN, S.; DYBDAL, S.; BALIUK, S.; KUYPER, T. W.; SHISHKOV, T. A.; BARON, V.; HETMANENKO, V.; CARDONA, W. A.; XU, X.; LIU, X.; GENG, X.; MA, X.; CHEN, X.; ZHANG, Y. |
Afiliação: |
LUCA MONTANARELLA, EUROPEAN COMMISSION; WILLIAM BILL MAY, CANADA; YUXIN TONG, FAO-GLOBAL SOIL PARTNERSHIP; ADEMIR FONTANA, CNPS; ANATOLY KLIMANOV; ANNA KONTOBOYTSEVA; ARCANGELO LOSS; BAYARSUKH NOOV; BEATA LABAZ; BOZENA SMRECZAK; CAI HONGGUANG; CARLOS CLERICI; CAROLINA OLIVERA SANCHEZ; DELIANG PENG; ELENA TIMOFEEVA; ÉLVIO GIASSON; ENKHTUYA BAZARRADNAA; FAN WEI; FERNANDO FONTES; GONZALO PEREIRA; HAKKI EMRAH ERDOGAN; HUSSAM HAG HUSEIN; IEVGEN SKRYLNYK; JAROSLAVA SOBOCKÁ; JIANHUA QU; JIHONG LIU CLARKE; JINGKUAN WANG; JULIA FRANCO STUCHI, CNPS; MARIA KONYUSHKOVA; LEANDRO SOUZA DA SILVA; LIANG YAO; LYUDMILA VOROTYNTSEVA; MAMYTKANOV SOVETBEK; MARTHA MARINA BOLAÑOS-BENAVIDES; MARTIN ENTZ; MARYNA ZAKHAROVA; MERVIN ST. LUCE; MICHAEL P. SCHELLENBERG; MIKE SCHELLENBERG; MYKOLA MIROSHNICHENKO; NICHOLAS CLARKE; NUNTAPON NONGHARNPITAK; N. NYAMSAMBUU; OROZAKUNOVA ROZA TURSUNOVNA; PATRICIA CARFAGNO; RICARDO BERGAMO SCHENATO; SELIM KAPUR; SHUMING WAN; SIRI DYBDAL; SVIATOSLAV BALIUK; THOMAS W. KUYPER; TOMA ANGELOV SHISHKOV; VERN BARON; VICTORIA HETMANENKO; WILLIAM ANDRÉS CARDONA; XIANGRU XU; XIAOYU LIU; XIAOYUAN GENG; XINGZHU MA; XUELI CHEN; YING ZHANG. |
Título: |
Sustainable management of black soils: from practices to policies. |
Ano de publicação: |
2022 |
Fonte/Imprenta: |
In: FAO. Global status of black soils. Rome, 2022. cap. 4, p. 107-144. |
Idioma: |
Inglês |
Conteúdo: |
Good practices to address sustainable management of black soils; Relevant policies for the protection, conservation and/or sustainable management of black soils. |
Palavras-Chave: |
Black soils. |
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/243415/1/Sustainable-management-of-black-soils-2022.pdf
|
Marc: |
LEADER 02300naa a2200853 a 4500 001 2149237 005 2022-12-14 008 2022 bl uuuu u00u1 u #d 100 1 $aMONTANARELLA, L. 245 $aSustainable management of black soils$bfrom practices to policies.$h[electronic resource] 260 $c2022 520 $aGood practices to address sustainable management of black soils; Relevant policies for the protection, conservation and/or sustainable management of black soils. 653 $aBlack soils 700 1 $aMAY, W. B. 700 1 $aTONG, Y. 700 1 $aFONTANA, A. 700 1 $aKLIMANOV, A. 700 1 $aKONTOBOYTSEVA, A. 700 1 $aLOSS, A. 700 1 $aNOOV, B. 700 1 $aLABAZ, B. 700 1 $aSMRECZAK, B. 700 1 $aHONGGUANG, C. 700 1 $aCLERICI, C. 700 1 $aSANCHEZ, C. O. 700 1 $aPENG, D. 700 1 $aTIMOFEEVA, E. 700 1 $aGIASSON, E. 700 1 $aBAZARRADNAA, E. 700 1 $aWEI, F. 700 1 $aFONTES, F. 700 1 $aPEREIRA, G. 700 1 $aERDOGAN, H. E. 700 1 $aHUSEIN, H. H. 700 1 $aSKRYLNYK, I. 700 1 $aSOBOCKÁ, J. 700 1 $aQU, J. 700 1 $aCLARKE, J. L. 700 1 $aWANG, J. 700 1 $aSTUCHI, J. F. 700 1 $aKONYUSHKOVA, M. 700 1 $aSILVA, L. S. da 700 1 $aYAO, L. 700 1 $aVOROTYNTSEVA, L. 700 1 $aSOVETBEK, M. 700 1 $aBOLAÑOS-BENAVIDES, M. M. 700 1 $aENTZ, M. 700 1 $aZAKHAROVA, M. 700 1 $aST. LUCE, M. 700 1 $aSCHELLENBERG, M. P. 700 1 $aSCHELLENBERG, M. 700 1 $aMIROSHNICHENKO, M. 700 1 $aCLARKE, N. 700 1 $aNONGHARNPITAK, N. 700 1 $aNYAMSAMBUU, N. 700 1 $aTURSUNOVNA, O. R. 700 1 $aCARFAGNO, P. 700 1 $aSCHENATO, R. B. 700 1 $aKAPUR, S. 700 1 $aWAN, S. 700 1 $aDYBDAL, S. 700 1 $aBALIUK, S. 700 1 $aKUYPER, T. W. 700 1 $aSHISHKOV, T. A. 700 1 $aBARON, V. 700 1 $aHETMANENKO, V. 700 1 $aCARDONA, W. A. 700 1 $aXU, X. 700 1 $aLIU, X. 700 1 $aGENG, X. 700 1 $aMA, X. 700 1 $aCHEN, X. 700 1 $aZHANG, Y. 773 $tIn: FAO. Global status of black soils. Rome, 2022. cap. 4, p. 107-144.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Solos (CNPS) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
07/12/2023 |
Data da última atualização: |
15/01/2024 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
VIANA, J. V. S.; DANTAS, L. P.; PAULA, O. R. de; BARRETO, B. B.; MILORI, D. M. B. P. |
Afiliação: |
JOÃO VICTOR SILVA VIANA, Universidade de São Paulo; LETICIA PIAZENTIN DANTAS, Universidade Federal de São Carlos; OTÁVIO RODRIGUES DE PAULA, Universidade Federal de São Carlos; BIANCA BATISTA BARRETO; DEBORA MARCONDES BASTOS PEREIRA, CNPDIA. |
Título: |
Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêa |
Páginas: |
34 p. |
Idioma: |
Português |
Conteúdo: |
A integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura. MenosA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machin... Mostrar Tudo |
Palavras-Chave: |
Classificação; Detecção de doenças; Machine learning. |
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1159277/1/P-Utilizacao-de-machine-learning-para-classificacao-de-plantas.pdf
|
Marc: |
LEADER 02751nam a2200205 a 4500 001 2159277 005 2024-01-15 008 2023 bl uuuu u00u1 u #d 100 1 $aVIANA, J. V. S. 245 $aUtilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.$h[electronic resource] 260 $aIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêa$c2023 300 $a34 p. 520 $aA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura. 653 $aClassificação 653 $aDetecção de doenças 653 $aMachine learning 700 1 $aDANTAS, L. P. 700 1 $aPAULA, O. R. de 700 1 $aBARRETO, B. B. 700 1 $aMILORI, D. M. B. P.
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. |
|
|