|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agroenergia. |
Data corrente: |
11/10/2018 |
Data da última atualização: |
11/10/2018 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
GUIMARÃES, M. B.; NAKAI, D. K.; SALUM, T. F. C.; RIBEIRO, J. A. de A.; MENDONCA, S. |
Afiliação: |
MARINA BORGES GUIMARÃES; DIOGO KEIJI NAKAI, CNPAE; THAIS FABIANA CHAN SALUM, CNPAE; JOSE ANTONIO DE AQUINO RIBEIRO, CNPAE; SIMONE MENDONCA, CNPAE. |
Título: |
Nova metodologia para determinação de acidez em óleo de dendê híbrido. |
Ano de publicação: |
2018 |
Fonte/Imprenta: |
In: ENCONTRO DE PESQUISA E INOVAÇÃO DA EMBRAPA AGROENERGIA, 5., 2018, Brasília, DF. Anais ... Brasília, DF: Embrapa Agroenergia, 2018. |
Páginas: |
p. 14. |
Idioma: |
Português |
Palavras-Chave: |
Ácidos graxos livres; Óleo de palma; Qualidade de óleo; UPLC. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/184249/1/EnPI-2018-4.pdf
|
Marc: |
LEADER 00700nam a2200205 a 4500 001 2097260 005 2018-10-11 008 2018 bl uuuu u00u1 u #d 100 1 $aGUIMARÃES, M. B. 245 $aNova metodologia para determinação de acidez em óleo de dendê híbrido.$h[electronic resource] 260 $aIn: ENCONTRO DE PESQUISA E INOVAÇÃO DA EMBRAPA AGROENERGIA, 5., 2018, Brasília, DF. Anais ... Brasília, DF: Embrapa Agroenergia$c2018 300 $ap. 14. 653 $aÁcidos graxos livres 653 $aÓleo de palma 653 $aQualidade de óleo 653 $aUPLC 700 1 $aNAKAI, D. K. 700 1 $aSALUM, T. F. C. 700 1 $aRIBEIRO, J. A. de A. 700 1 $aMENDONCA, S.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agroenergia (CNPAE) |
|
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
|
Expressão de busca inválida. Verifique!!! |
|
|