| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agrobiologia; Embrapa Agropecuária Oeste; Embrapa Amapá; Embrapa Amazônia Ocidental; Embrapa Amazônia Oriental; Embrapa Arroz e Feijão; Embrapa Meio Norte / UEP-Parnaíba; Embrapa Meio-Norte; Embrapa Rondônia; Embrapa Semiárido; Embrapa Unidades Centrais. MenosEmbrapa Agrobiologia; Embrapa Agropecuária Oeste; Embrapa Amapá; Embrapa Amazônia Ocidental; Embrapa Amazônia Oriental; Embrapa Arroz e Feijão; Embrapa Meio Norte / UEP-Parnaíba; Embrapa Meio-Norte; Embrapa Rondônia; Embrapa Semiárido... Mostrar Todas |
|
Data corrente: |
12/07/2004 |
|
Data da última atualização: |
12/07/2007 |
|
Autoria: |
RAVA, C. A.; COSTA, J. G. C. da; FARIA, L. C. de; DEL PELOSO, M. J.; CARNEIRO, G. E. de S.; SOARES, D. M.; CABRERA DÍAZ, J. L.; MELO, L. C.; ABREU, Â. de F. B.; FARIA, J. C. de; SILVA, H. T. da; SARTORATO, A.; BASSINELLO, P. Z.; ZIMMERMANN, F. J. P. |
|
Título: |
BRS Grafite: cultivar de feijoeiro comum de grão preto, indicada para as regiões Sudeste e Centro-Oeste do Brasil. |
|
Ano de publicação: |
2003 |
|
Fonte/Imprenta: |
Santo Antônio de Goiás: Embrapa Arroz e Feijão, 2003. |
|
Páginas: |
3 p. |
|
Série: |
(Embrapa Arroz e Feijão. Comunicado Técnico, 63). |
|
Idioma: |
Português |
|
Conteúdo: |
O programa de melhoramento genético do feijoeiro comum conduzido pela Embrapa Arroz e Feijão, tem como objetivo principal desenvolver, avaliar e indicar cultivares melhoradas e adaptadas às diferentes condições edafoclimáticas das regiões produtoras, visando a auto-suficiência e, eventualmente, a consecução de saldos exportáveis deste produto. |
|
Palavras-Chave: |
Bean; Brasil; BRS grafite; Centro-Oeste; Cultivar; Cultivar BRS Grafite; Feijão-preto; Feijoeiro comum; Grão preto; Melhoramento genético; Preto; Região centro-oeste; Região sudeste; Sudeste. |
|
Thesagro: |
Cerrado; Feijão; Grão; Phaseolus Vulgaris; Variedade. |
|
Thesaurus Nal: |
beans. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/CNPAF/21538/1/comt_63.pdf
|
|
Marc: |
LEADER 01812nam a2200529 a 4500
001 1212418
005 2007-07-12
008 2003 bl uuuu u0uu1 u #d
100 1 $aRAVA, C. A.
245 $aBRS Grafite$bcultivar de feijoeiro comum de grão preto, indicada para as regiões Sudeste e Centro-Oeste do Brasil.
260 $aSanto Antônio de Goiás: Embrapa Arroz e Feijão$c2003
300 $a3 p.
490 $a(Embrapa Arroz e Feijão. Comunicado Técnico, 63).
520 $aO programa de melhoramento genético do feijoeiro comum conduzido pela Embrapa Arroz e Feijão, tem como objetivo principal desenvolver, avaliar e indicar cultivares melhoradas e adaptadas às diferentes condições edafoclimáticas das regiões produtoras, visando a auto-suficiência e, eventualmente, a consecução de saldos exportáveis deste produto.
650 $abeans
650 $aCerrado
650 $aFeijão
650 $aGrão
650 $aPhaseolus Vulgaris
650 $aVariedade
653 $aBean
653 $aBrasil
653 $aBRS grafite
653 $aCentro-Oeste
653 $aCultivar
653 $aCultivar BRS Grafite
653 $aFeijão-preto
653 $aFeijoeiro comum
653 $aGrão preto
653 $aMelhoramento genético
653 $aPreto
653 $aRegião centro-oeste
653 $aRegião sudeste
653 $aSudeste
700 1 $aCOSTA, J. G. C. da
700 1 $aFARIA, L. C. de
700 1 $aDEL PELOSO, M. J.
700 1 $aCARNEIRO, G. E. de S.
700 1 $aSOARES, D. M.
700 1 $aCABRERA DÍAZ, J. L.
700 1 $aMELO, L. C.
700 1 $aABREU, Â. de F. B.
700 1 $aFARIA, J. C. de
700 1 $aSILVA, H. T. da
700 1 $aSARTORATO, A.
700 1 $aBASSINELLO, P. Z.
700 1 $aZIMMERMANN, F. J. P.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Arroz e Feijão (CNPAF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Agricultura Digital. Para informações adicionais entre em contato com cnptia.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
21/09/2020 |
|
Data da última atualização: |
14/12/2021 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
B - 2 |
|
Autoria: |
REIS, A. A. dos; SILVA, B. C.; WERNER, J. P. S.; SILVA, Y. F.; ROCHA, J. V.; FIGUEIREDO, G. K. D. A.; ANTUNES, J. F. G.; ESQUERDO, J. C. D. M.; COUTINHO, A. C.; LAMPARELLI, R. A. C; MAGALHÃES, P. S. G. |
|
Afiliação: |
Feagri, Nipe/Unicamp; Feagri/Unicamp; Feagri/Unicamp; Feagri/Unicamp; Feagri/Unicamp; Feagri/Unicamp; JOAO FRANCISCO GONCALVES ANTUNES, CNPTIA; JULIO CESAR DALLA MORA ESQUERDO, CNPTIA; ALEXANDRE CAMARGO COUTINHO, CNPTIA; Nipe/Unicamp; Nipe/Unicamp. |
|
Título: |
Exploring the potential of high-resolution PlanetScope imagery for pasture biomass estimation in an integrated crop-livestock system. |
|
Ano de publicação: |
2020 |
|
Fonte/Imprenta: |
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 42-3, W12, p. 419-424, 2020. |
|
DOI: |
https://doi.org/10.5194/isprs-archives-XLII-3-W12-2020-419-2020 |
|
Idioma: |
Inglês |
|
Notas: |
Publicado também em: IEEE LATIN AMERICAN GRSS; ISPRS REMOTE SENSING CONFERENCE, Santiago, 2020. Proceedings... [Piscataway]: IEEE, 2020. p. 675-680. LAGIRS 2020. |
|
Conteúdo: |
ABSTRACT: Pasture biomass information is essential to monitor forage resources in grazed areas, as well as to support grazing management decisions. The increasing temporal and spatial resolutions offered by the new generation of orbital platforms, such as Planet CubeSat satellites, have improved the capability of monitoring pasture biomass using remotely-sensed data. In a preliminary study, we investigated the potential of spectral variables derived from PlanetScope imagery to predict pasture biomass in an area of Integrated Crop-Livestock System (ICLS) in Brazil. Satellite and field data were collected during the same period (May - August 2019) for calibration and validation of the relation between predictor variables and pasture biomass using the Random Forest (RF) regression algorithm. We used as predictor variables 24 vegetation indices derived from PlanetScope imagery, as well as the four PlanetScope bands, and field management information. Pasture biomass ranged from approximately 24 to 656 g.m-2, with a coefficient of variation of 54.96%. Near Infrared Green Simple Ratio (NIR/Green), Green Leaf Algorithm (GLA) vegetation indices and days after sowing (DAS) are among the most important variables as measured by the RF Variable Importance metric in the best RF model predicting pasture biomass, which resulted in Root Mean Square Error (RMSE) of 52.04 g.m-2 (32.75%). Accurate estimates of pasture biomass using spectral variables derived from PlanetScope imagery are promising, providing new insights into the opportunities and limitations related to the use of PlanetScope imagery for pasture monitoring. MenosABSTRACT: Pasture biomass information is essential to monitor forage resources in grazed areas, as well as to support grazing management decisions. The increasing temporal and spatial resolutions offered by the new generation of orbital platforms, such as Planet CubeSat satellites, have improved the capability of monitoring pasture biomass using remotely-sensed data. In a preliminary study, we investigated the potential of spectral variables derived from PlanetScope imagery to predict pasture biomass in an area of Integrated Crop-Livestock System (ICLS) in Brazil. Satellite and field data were collected during the same period (May - August 2019) for calibration and validation of the relation between predictor variables and pasture biomass using the Random Forest (RF) regression algorithm. We used as predictor variables 24 vegetation indices derived from PlanetScope imagery, as well as the four PlanetScope bands, and field management information. Pasture biomass ranged from approximately 24 to 656 g.m-2, with a coefficient of variation of 54.96%. Near Infrared Green Simple Ratio (NIR/Green), Green Leaf Algorithm (GLA) vegetation indices and days after sowing (DAS) are among the most important variables as measured by the RF Variable Importance metric in the best RF model predicting pasture biomass, which resulted in Root Mean Square Error (RMSE) of 52.04 g.m-2 (32.75%). Accurate estimates of pasture biomass using spectral variables derived from PlanetScope imagery are promisi... Mostrar Tudo |
|
Palavras-Chave: |
Aprendizado de máquina; Dove satellites; Floresta aleatória; Índice de vegetação; Integração lavoura-pecuária; Integrated crop-livestock system; Machine Learning; Nano-Satellites; Pastureland; Random Forest; Vegetation Indices. |
|
Thesagro: |
Biomassa; Pastagem. |
|
Thesaurus NAL: |
Biomass; Pasture management; Vegetation index. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 03286naa a2200457 a 4500
001 2125045
005 2021-12-14
008 2020 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.5194/isprs-archives-XLII-3-W12-2020-419-2020$2DOI
100 1 $aREIS, A. A. dos
245 $aExploring the potential of high-resolution PlanetScope imagery for pasture biomass estimation in an integrated crop-livestock system.$h[electronic resource]
260 $c2020
500 $aPublicado também em: IEEE LATIN AMERICAN GRSS; ISPRS REMOTE SENSING CONFERENCE, Santiago, 2020. Proceedings... [Piscataway]: IEEE, 2020. p. 675-680. LAGIRS 2020.
520 $aABSTRACT: Pasture biomass information is essential to monitor forage resources in grazed areas, as well as to support grazing management decisions. The increasing temporal and spatial resolutions offered by the new generation of orbital platforms, such as Planet CubeSat satellites, have improved the capability of monitoring pasture biomass using remotely-sensed data. In a preliminary study, we investigated the potential of spectral variables derived from PlanetScope imagery to predict pasture biomass in an area of Integrated Crop-Livestock System (ICLS) in Brazil. Satellite and field data were collected during the same period (May - August 2019) for calibration and validation of the relation between predictor variables and pasture biomass using the Random Forest (RF) regression algorithm. We used as predictor variables 24 vegetation indices derived from PlanetScope imagery, as well as the four PlanetScope bands, and field management information. Pasture biomass ranged from approximately 24 to 656 g.m-2, with a coefficient of variation of 54.96%. Near Infrared Green Simple Ratio (NIR/Green), Green Leaf Algorithm (GLA) vegetation indices and days after sowing (DAS) are among the most important variables as measured by the RF Variable Importance metric in the best RF model predicting pasture biomass, which resulted in Root Mean Square Error (RMSE) of 52.04 g.m-2 (32.75%). Accurate estimates of pasture biomass using spectral variables derived from PlanetScope imagery are promising, providing new insights into the opportunities and limitations related to the use of PlanetScope imagery for pasture monitoring.
650 $aBiomass
650 $aPasture management
650 $aVegetation index
650 $aBiomassa
650 $aPastagem
653 $aAprendizado de máquina
653 $aDove satellites
653 $aFloresta aleatória
653 $aÍndice de vegetação
653 $aIntegração lavoura-pecuária
653 $aIntegrated crop-livestock system
653 $aMachine Learning
653 $aNano-Satellites
653 $aPastureland
653 $aRandom Forest
653 $aVegetation Indices
700 1 $aSILVA, B. C.
700 1 $aWERNER, J. P. S.
700 1 $aSILVA, Y. F.
700 1 $aROCHA, J. V.
700 1 $aFIGUEIREDO, G. K. D. A.
700 1 $aANTUNES, J. F. G.
700 1 $aESQUERDO, J. C. D. M.
700 1 $aCOUTINHO, A. C.
700 1 $aLAMPARELLI, R. A. C
700 1 $aMAGALHÃES, P. S. G.
773 $tThe International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences$gv. 42-3, W12, p. 419-424, 2020.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
