|
|
Registro Completo |
Biblioteca(s): |
Embrapa Cocais; Embrapa Hortaliças. |
Data corrente: |
26/01/2011 |
Data da última atualização: |
10/01/2014 |
Autoria: |
BOREM, A.; GIUDICE, M. P.; SAKIYAMA, N. S. (ed.). |
Afiliação: |
ALUÍZIO BORÉM, UFV; MARCOS P. DEL GIÚDICE, UFV; NEY S. SAKIYAMA. |
Título: |
Plant breeding in the turn of the millennium. |
Complemento do título: |
BIOWORK II. |
Ano de publicação: |
1999 |
Fonte/Imprenta: |
Viçosa, MG: UFV, 1999. |
Páginas: |
379 p. |
Idioma: |
Inglês |
Notas: |
Workshop held at the Federal University of Vicosa, MG, Brazil, March 2 and 3, 1999. |
Palavras-Chave: |
BIOWORK; Congress; Congresso; Industry property; Plant; Plant breeding genetics; Plantas; Plants. |
Thesagro: |
Agricultura; Biossegurança; Biotecnologia; Genética; Melhoramento; Melhoramento Genético Vegetal; Planta. |
Thesaurus Nal: |
agriculture; biosecurity; biotechnology; breeding; genetics; plant breeding. |
Categoria do assunto: |
-- |
Marc: |
LEADER 01034nam a2200397 a 4500 001 1975618 005 2014-01-10 008 1999 bl uuuu u01u1 u #d 100 1 $aBOREM, A. 245 $aPlant breeding in the turn of the millennium. 260 $aViçosa, MG: UFV$c1999 300 $a379 p. 500 $aWorkshop held at the Federal University of Vicosa, MG, Brazil, March 2 and 3, 1999. 650 $aagriculture 650 $abiosecurity 650 $abiotechnology 650 $abreeding 650 $agenetics 650 $aplant breeding 650 $aAgricultura 650 $aBiossegurança 650 $aBiotecnologia 650 $aGenética 650 $aMelhoramento 650 $aMelhoramento Genético Vegetal 650 $aPlanta 653 $aBIOWORK 653 $aCongress 653 $aCongresso 653 $aIndustry property 653 $aPlant 653 $aPlant breeding genetics 653 $aPlantas 653 $aPlants 700 1 $aGIUDICE, M. P. 700 1 $aSAKIYAMA, N. S.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Cocais (CPACP) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Solos. |
Data corrente: |
08/11/2021 |
Data da última atualização: |
08/11/2021 |
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
Autoria: |
KUCHLER, P. C.; SIMÕES, M.; BÉGUÉ, A.; FERRAZ, R. P. D.; ARVOR, D. |
Afiliação: |
PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France. |
Título: |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
Ano de publicação: |
2021 |
Fonte/Imprenta: |
In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30. |
DOI: |
http://doi.org/10.36229/978-65-5866-079-8.CAP.04 |
Idioma: |
Português |
Conteúdo: |
A 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. MenosA 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 n... Mostrar Tudo |
Palavras-Chave: |
Aprendizado de máquina; Big Earth Observation Data; Mato Grosso; Random forest; Séries temporais; Sistemas integrados. |
Thesagro: |
Sensoriamento Remoto. |
Thesaurus NAL: |
Remote sensing. |
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/227468/1/Big-Earth-Observation-Data-e-aprendizado-de-maquina-2021.pdf
|
Marc: |
LEADER 02518naa a2200277 a 4500 001 2135867 005 2021-11-08 008 2021 bl uuuu u00u1 u #d 024 7 $ahttp://doi.org/10.36229/978-65-5866-079-8.CAP.04$2DOI 100 1 $aKUCHLER, P. C. 245 $aBig Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.$h[electronic resource] 260 $c2021 520 $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. 650 $aRemote sensing 650 $aSensoriamento Remoto 653 $aAprendizado de máquina 653 $aBig Earth Observation Data 653 $aMato Grosso 653 $aRandom forest 653 $aSéries temporais 653 $aSistemas integrados 700 1 $aSIMÕES, M. 700 1 $aBÉGUÉ, A. 700 1 $aFERRAZ, R. P. D. 700 1 $aARVOR, D. 773 $tIn: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021.$gv. 4, cap. 4, p. 24-30.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Solos (CNPS) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|