| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Florestas. |
|
Data corrente: |
22/09/2017 |
|
Data da última atualização: |
27/09/2017 |
|
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
|
Autoria: |
OLIVEIRA, Y. M. M. de; GARRASTAZU, M. C.; ROSOT, M. A. D.; LUZ, N. B. da; SCHAITZA, E. G. |
|
Afiliação: |
YEDA MARIA MALHEIROS DE OLIVEIRA, CNPF; MARILICE CORDEIRO GARRASTAZU, CNPF; MARIA AUGUSTA DOETZER ROSOT, CNPF; Naíssa Batista da Luz, Serviço Florestal Brasileiro/FAO; ERICH GOMES SCHAITZA, CNPF. |
|
Título: |
Plantações florestais comerciais no contexto da paisagem. |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
In: OLIVEIRA, Y. M. M. de; OLIVEIRA, E. B. de (Ed.). Plantações florestais: geração de benefícios com baixo impacto ambiental. Brasília, DF : Embrapa, 2017. Cap. 5. |
|
Páginas: |
p. 57-66. |
|
Idioma: |
Português |
|
Conteúdo: |
A proposta do presente capítulo é a de considerar como pano de fundo os aspectos anteriormente mencionados, como solo, água e biodiversidade que, evidentemente, são peculiares da paisagem em que estão inseridos, para analisar a relação das plantações florestais com o ambiente de forma mais ampla que o contexto da propriedade. Inclui a interseção entre o setor florestal e a agricultura, representada pelos sistemas agroflorestais |
|
Palavras-Chave: |
Espécie invasora; Floresta plantada; Paisagem; Sistema agroflorestal. |
|
Thesagro: |
Acácia Mearnsii; Acácia negra; Povoamento florestal. |
|
Thesaurus Nal: |
Pinus. |
|
Categoria do assunto: |
K Ciência Florestal e Produtos de Origem Vegetal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/164216/1/Plantacoes-florestais-Capitulo-5.pdf
|
|
Marc: |
LEADER 01333naa a2200277 a 4500
001 2076148
005 2017-09-27
008 2017 bl uuuu u00u1 u #d
100 1 $aOLIVEIRA, Y. M. M. de
245 $aPlantações florestais comerciais no contexto da paisagem.$h[electronic resource]
260 $c2017
300 $ap. 57-66.
520 $aA proposta do presente capítulo é a de considerar como pano de fundo os aspectos anteriormente mencionados, como solo, água e biodiversidade que, evidentemente, são peculiares da paisagem em que estão inseridos, para analisar a relação das plantações florestais com o ambiente de forma mais ampla que o contexto da propriedade. Inclui a interseção entre o setor florestal e a agricultura, representada pelos sistemas agroflorestais
650 $aPinus
650 $aAcácia Mearnsii
650 $aAcácia negra
650 $aPovoamento florestal
653 $aEspécie invasora
653 $aFloresta plantada
653 $aPaisagem
653 $aSistema agroflorestal
700 1 $aGARRASTAZU, M. C.
700 1 $aROSOT, M. A. D.
700 1 $aLUZ, N. B. da
700 1 $aSCHAITZA, E. G.
773 $tIn: OLIVEIRA, Y. M. M. de; OLIVEIRA, E. B. de (Ed.). Plantações florestais: geração de benefícios com baixo impacto ambiental. Brasília, DF : Embrapa, 2017. Cap. 5.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Florestas (CNPF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Algodão. |
|
Data corrente: |
21/08/2023 |
|
Data da última atualização: |
21/08/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
CARNEIRO, F. M.; BRITO FILHO, A. L. de; FERREIRA, F. M.; SEBEN JUNIOR, G. de F.; BRANDÃO, Z. N.; SILVA, R. P. da; SHIRATSUCHI, L. S. |
|
Afiliação: |
FRANCIELE MORLIN CARNEIRO, UTFPR; ARMANDO LOPES DE BRITO FILHO, UNESP; FRANCIELLE MORELLI FERREIRA, UNESP; GETULIO DE FREITAS SEBEN JUNIOR, UNEMAT; ZIANY NEIVA BRANDÃO, CNPA; ROUVERSON PEREIRA DA SILVA, UNESP; LUCIANO SHOZO SHIRATSUCHI, LOUISIANA STATE UNIVERSITY. |
|
Título: |
Soil and satellite remote sensing variables importance using machine learning to predict cotton yield. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Smart Agricultural Technology, v. 5, p. 1-10, 100292, 2023. |
|
ISSN: |
2772-3755 |
|
DOI: |
https://doi.org/10.1016/j.atech.2023.100292 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Remote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TPI, LiDAR, and RTK elevation show the best correlations to predicting cotton yield. MenosRemote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TP... Mostrar Tudo |
|
Palavras-Chave: |
Árvores de decisão; Decision trees; Imagem de satélite; Inteligência artificial; Produção sustentável; Proximal sensors; Random forest; RS; Satellite imagery; Sensores proximais; Sustainable production. |
|
Thesagro: |
Algodão; Estrutura do Solo; Gossypium Hirsutum; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Artificial intelligence; Cotton; Remote sensing; Soil structure. |
|
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1156016/1/SOIL-SATELLITE-COTTON-ZIANY.pdf
|
|
Marc: |
LEADER 02921naa a2200445 a 4500
001 2156016
005 2023-08-21
008 2023 bl uuuu u00u1 u #d
022 $a2772-3755
024 7 $ahttps://doi.org/10.1016/j.atech.2023.100292$2DOI
100 1 $aCARNEIRO, F. M.
245 $aSoil and satellite remote sensing variables importance using machine learning to predict cotton yield.$h[electronic resource]
260 $c2023
520 $aRemote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R2), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TPI, LiDAR, and RTK elevation show the best correlations to predicting cotton yield.
650 $aArtificial intelligence
650 $aCotton
650 $aRemote sensing
650 $aSoil structure
650 $aAlgodão
650 $aEstrutura do Solo
650 $aGossypium Hirsutum
650 $aSensoriamento Remoto
653 $aÁrvores de decisão
653 $aDecision trees
653 $aImagem de satélite
653 $aInteligência artificial
653 $aProdução sustentável
653 $aProximal sensors
653 $aRandom forest
653 $aRS
653 $aSatellite imagery
653 $aSensores proximais
653 $aSustainable production
700 1 $aBRITO FILHO, A. L. de
700 1 $aFERREIRA, F. M.
700 1 $aSEBEN JUNIOR, G. de F.
700 1 $aBRANDÃO, Z. N.
700 1 $aSILVA, R. P. da
700 1 $aSHIRATSUCHI, L. S.
773 $tSmart Agricultural Technology$gv. 5, p. 1-10, 100292, 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Algodão (CNPA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
