02518naa a2200277 a 450000100080000000500110000800800410001902400580006010000190011824501350013726000090027252016010028165000190188265000250190165300280192665300310195465300160198565300180200165300220201965300240204170000160206570000160208170000210209770000140211877301080213221358672021-11-08       2021    bl uuuu     u00u1 u    #d7 ahttp://doi.org/10.36229/978-65-5866-079-8.CAP.042DOI1 aKUCHLER, P. C.  aBig Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.h[electronic resource]  c2021  aA implementação do iLP, ou seja, a diversificação, rotação, consorcio e/ou sucessão das atividades agrícolas e de pecuária na mesma área formando um único sistema, é considerada uma importante estratégia de intensificação agrícola sustentável para brasil, com diversos impactos positivos com destaque na conservação do solo e rentabilidade e viabilidade econômica. O acompanhamento da implantação desta iniciativa é fundamental como instrumento de gestão pública, porém ainda é um desafio. Nesta direção, este trabalho discute a aplicação dos conceitos de BIG DATA e aprendizado de máquina para o sensoriamento remoto. Como teste foi utilizado o classificador Random Forest (RF) aplicado a séries temporais MODIS para analisar a capacidade de detecção de certos iLPs. Para isso, avaliamos a precisão do RF aplicado ao NDVI do MODIS para os anos de 2012 a 2016 em uma área no norte do mato grosso. Dois modelos foram testados: (i) usando 11 métricas fenológicas derivadas do MODIS (ii) usando as métricas e os dados originais. O índice kappa para (i) foi de 0,63, sendo 9 deles com potencial discriminatório; o resultado de (ii) foi de 0,84, onde somente 01 métrica foi significativa para discriminação. Nossos resultados indicam que o uso da técnica de classificação RF com dados MODIS tem grande potencial para compor uma metodologia de monitoramento do iLP, sendo o grande desafio o tratamento das SITS em larga escala, necessitando em termos de arquitetura de sistemas processamento paralelo em nuvem, tecnologia esta, cada vez mais disponível.  aRemote sensing  aSensoriamento Remoto  aAprendizado de máquina  aBig Earth Observation Data  aMato Grosso  aRandom forest  aSéries temporais  aSistemas integrados1 aSIMÕES, M.1 aBÉGUÉ, A.1 aFERRAZ, R. P. D.1 aARVOR, D.  tIn: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021.gv. 4, cap. 4, p. 24-30.