|
|
| 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: |
21/12/2017 |
Data da última atualização: |
15/08/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
OLIVEIRA, H. L. C. de; OLIVEIRA, S. R. de M.; MONTEIRO, J. E. B. de A. |
Afiliação: |
HENRIQUE L. C. DE OLIVEIRA, Bolsista CNPTIA; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA. |
Título: |
Metodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação. |
Ano de publicação: |
2017 |
Fonte/Imprenta: |
In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 20., SIMPÓSIO DE MUDANÇAS CLIMÁTICAS E DESERTIFICAÇÃO NO SEMIÁRIDO BRASILEIRO, 5., 2017, Juazeiro. A agrometeorologia na solução de problemas multiescala: anais. Juazeiro: Sociedade Brasileira de Agrometeorologia, 2017. |
Páginas: |
Não paginado. |
Idioma: |
Português |
Notas: |
CBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro. |
Conteúdo: |
RESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos. MenosRESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para... Mostrar Tudo |
Palavras-Chave: |
Agrometeorologia; Aprendizado de máquina; Classificação de dados; Data classification; Data imputation; Imputação de dados; Inteligência artificial; Machine learning; Modelos preditivos; Optimization; Otimização; Predictive modeling. |
Thesaurus Nal: |
Agrometeorology; Artificial intelligence; Models. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
Marc: |
LEADER 03011nam a2200337 a 4500 001 2083203 005 2023-08-15 008 2017 bl uuuu u00u1 u #d 100 1 $aOLIVEIRA, H. L. C. de 245 $aMetodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação.$h[electronic resource] 260 $aIn: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 20., SIMPÓSIO DE MUDANÇAS CLIMÁTICAS E DESERTIFICAÇÃO NO SEMIÁRIDO BRASILEIRO, 5., 2017, Juazeiro. A agrometeorologia na solução de problemas multiescala: anais. Juazeiro: Sociedade Brasileira de Agrometeorologia$c2017 300 $aNão paginado. 500 $aCBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro. 520 $aRESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos. 650 $aAgrometeorology 650 $aArtificial intelligence 650 $aModels 653 $aAgrometeorologia 653 $aAprendizado de máquina 653 $aClassificação de dados 653 $aData classification 653 $aData imputation 653 $aImputação de dados 653 $aInteligência artificial 653 $aMachine learning 653 $aModelos preditivos 653 $aOptimization 653 $aOtimização 653 $aPredictive modeling 700 1 $aOLIVEIRA, S. R. de M. 700 1 $aMONTEIRO, J. E. B. de A.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Agrobiologia. |
Data corrente: |
08/12/2010 |
Data da última atualização: |
08/12/2010 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
LESSA, A. C. da R.; SILVA, E. B.; PAREDES, D. da S.; ALVES, B. J. R.; JANTALIA, C. P.; URQUIAGA, S.; BODDEY, R. M. |
Afiliação: |
ANA CAROLINA DA ROCHA LESSA, UFRRJ; ERIC BONFIM SILVA, UNIVERSIDADE DO ESTADO DO MATO GROSSO; DEBORA DA SILVA PAREDES, UNIVERSIDADE UNI-ANHANGUERA, GO; BRUNO JOSE RODRIGUES ALVES, CNPAB; CLAUDIA POZZI JANTALIA, CNPAB; SEGUNDO SACRAMENTO U CABALLERO, CNPAB; ROBERT MICHAEL BODDEY, CNPAB. |
Título: |
Emissões de N2O e volatilização de NH3 de excretas bovinas em latossolo sob pastagem no Cerrado. |
Ano de publicação: |
2010 |
Fonte/Imprenta: |
In: REUNIÃO BRASILEIRA DE FERTILIDADE DO SOLO E NUTRIÇÃO DE PLANTAS, 29.; REUNIÃO BRASILEIRA SOBRE MICORRIZAS, 13.; SIMPÓSIO BRASILEIRO DE MICROBIOLOGIA DO SOLO, 11.; REUNIÃO BRASILEIRA DE BIOLOGIA DO SOLO, 8., 2010, Guarapari. Fontes de nutrientes e produção agrícola: modelando o futuro: anais. Viçosa: SBCS, 2010. |
Idioma: |
Português |
Palavras-Chave: |
Perda de nitrogênio. |
Thesagro: |
Fezes; Urina. |
Categoria do assunto: |
-- |
URL: |
https://www.fertbio2010.com/TRABALHOS/567.pdf
|
Marc: |
LEADER 00927naa a2200217 a 4500 001 1869119 005 2010-12-08 008 2010 bl --- 0-- u #d 100 1 $aLESSA, A. C. da R. 245 $aEmissões de N2O e volatilização de NH3 de excretas bovinas em latossolo sob pastagem no Cerrado.$h[electronic resource] 260 $c2010 650 $aFezes 650 $aUrina 653 $aPerda de nitrogênio 700 1 $aSILVA, E. B. 700 1 $aPAREDES, D. da S. 700 1 $aALVES, B. J. R. 700 1 $aJANTALIA, C. P. 700 1 $aURQUIAGA, S. 700 1 $aBODDEY, R. M. 773 $tIn: REUNIÃO BRASILEIRA DE FERTILIDADE DO SOLO E NUTRIÇÃO DE PLANTAS, 29.; REUNIÃO BRASILEIRA SOBRE MICORRIZAS, 13.; SIMPÓSIO BRASILEIRO DE MICROBIOLOGIA DO SOLO, 11.; REUNIÃO BRASILEIRA DE BIOLOGIA DO SOLO, 8., 2010, Guarapari. Fontes de nutrientes e produção agrícola: modelando o futuro: anais. Viçosa: SBCS, 2010.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agrobiologia (CNPAB) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|