02147nam a2200313 a 450000100080000000500110000800800410001902000220006010000200008224501260010226001980022830000160042650000180044252010220046065000140148265000250149665000210152165000210154265300370156365300210160065300310162165300160165265300530166865300250172165300220174665300220176870000220179070000210181220832992020-01-21       2017    bl uuuu     u00u1 u    #d  a978-85-85783-75-41 aSILVA, J. P. da  aActive learning e sua aplicação no monitoramento da cana-de-açúcar utilizando o algoritmo SVM.h[electronic resource]  aIn: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 11., 2017, Campinas. Ciência de dados na era da agricultura digital: anais. Campinas: Editora da Unicamp: Embrapa Informática Agropecuáriac2017  ap. 119-128.  aSBIAgro 2017.  aA cana-de-açúcar é um dos pilares do agronegócio brasileiro e, por apresentar intensa dinâmica expansionista, demanda metodologias que subsidiem a criação de estratégias políticas e econômicas que promovam a sustentabilidade da produção. Este artigo propõe uma nova abordagem de monitoramento de áreas canavieiras baseada na classificação de séries temporais de imagens de satélite associada à técnica de Active Learning. A interação do usuário especialista no aprendizado do algoritmo de classificação através desta técnica utilizando parâmetros sazonais das séries temporais gerou um conjunto de treino otimizado que promoveu a redução do custo operacional de monitoramento da ocupação da cana-de-açúcar. A correlação de cerca de 90% observada entre as análises conduzidas neste trabalho com dados oficiais indica que a metodologia proposta pode ser utilizada no monitoramento agrícola devido à similaridade entre os resultados associada ao baixo custo operacional envolvido.  aSugarcane  aTime series analysis  aVegetation index  aCana de açúcar  aAlgoritmo Support Vector Machine  aAnálise sazonal  aClassificação de imagens  aData mining  aÍndice de Vegetação da Diferença Normalizada  aMineração de dados  aSeasonal analysis  aSéries temporais1 aZULLO JÚNIOR, J.1 aROMANI, L. A. S.