| |
|
|
| Registros recuperados : 286 | |
| 261. |  | MANETA, M.; TORRES, M.; VOSTI, S. A.; WALLENDER, W. W.; ALLEN, S.; BASSOI, L. H.; BENNETT, L.; HOWITT, R.; RODRIGUES, L. N.; YOUNG, J. Assessing agriculture-water links at the basin scale: hydrologic and economic models of the São Francisco River Basin, Brazil. Water International, London, v. 34, n. 1, p. 88-103, 2009.| Biblioteca(s): Embrapa Semiárido. |
|    |
| 262. | | RESENDE, A. V. de; RODRIGUES, L. N.; SOUSA, D. M. G. de; MENDES, I. de C.; GOULART, A. M. C.; LIMA, J. E. F. W. Caracterização, uso e conservação do solo e água: demandas para a pesquisa. In: FALEIRO, F. G.; FARIAS NETO, A. L. (Ed.). Savanas: demandas para pesquisa. Planaltina, DF: Embrapa Cerrados, 2009. 170 p. p. 44-51| Biblioteca(s): Embrapa Cerrados; Embrapa Milho e Sorgo. |
|  |
| 263. | | MOREIRA, J. M. M. A. P.; SOUSA, T. C. R. de; SOUZA, M. A.; AGUIAR, J. L. P. de; BELCHIOR, E. B.; RODRIGUES, L. N. Caracterização dos produtores do Núcleo Rural do Buriti Vermelho: aspectos sociais, geográficos e de uso do solo e da água. Planaltina, DF: Embrapa Cerrados, 2010. 23 p. (Embrapa Cerrados. Boletim de Pesquisa e Desenvolvimento, 292).| Biblioteca(s): Embrapa Cerrados; Embrapa Unidades Centrais. |
| |
| 264. | | AZEVEDO, J. A. de; ROCHA, L. R.; VARGAS, R. B. S.; BATISTELLA, G.; RODRIGUES, L. N.; JUNQUEIRA, N. T. V.; BRAGA, M. F. Comprimento de raízes de dendê irrigado por microaspersão no cerrado utilizando imagens digitais. In: CONGRESSO NACIONAL DE IRRIGAÇÃO E DRENAGEM, 19., 2009, Montes Claros. Os efeitos multiplicadores da agricultura irrigada: anais. Montes Claros: ABID, 2009. 1 CD-ROM.| Biblioteca(s): Embrapa Cerrados. |
| |
| 265. | | NERY, A. R.; RODRIGUES, L. N.; SILVA, M. B. R.; FERNANDES, P. D.; CHAVES, L. H. G.; DANTAS NETO, J.; GHEYI, H. R. Crescimento do pinhão-manso irrigado com águas salinas em ambiente protegido. Revista brasileira de engenharia agrícola e ambiental, v.13, n.4, p.551-558, 2009.| Biblioteca(s): Embrapa Algodão. |
| |
| 266. | | MANETA, M. P.; SINGH, P. N.; TORRES, M.; WALLENDER, W. W.; VOSTI, S. A.; RODRIGUES, L. N.; BASSOI, L. H.; YOUNG, J. A. A parsimonious crop-water productivity index: an application to Brazil. Area, London, v. 41, n. 1, p. 94-106, 2009.| Biblioteca(s): Embrapa Semiárido. |
| |
| 267. | | MANETA, M. P.; SINGH, P. N.; TORRES, M.; WALLENDER, W. W.; VOSTI, S. A.; RODRIGUES, L. N.; BASSOI, L. H.; YOUNG, J. A. A parsimonious crop-water productivity index: an application to Brazil. Area, v. 41, n. 1, p. 94-106, 2009.| Biblioteca(s): Embrapa Cerrados. |
| |
| 268. | | RODRIGUEZ, R. del G.; PRUSKI, F. F.; SOUZA, J. F.; RODRIGUES, L. N.; SILVA, B. M. B. da; SARAIVA, I. S. Nova proposta de análise para a regionalização da vazão média de longa duração. In: SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 18., 2009, Campo Grande. Anais... [Campo Grande: ABRH], 2009. 1 CD-ROM.| Biblioteca(s): Embrapa Cerrados. |
| |
| 270. | | MANETA, M.; TORRES, M.; WALLENDER, W.; HOWITT, R.; VOSTI, S.; RODRIGUES, L. N.; BASSOI, L. H.; ALLEN, S.; BENNETT, L.; YOUNG, J. Water management across scales in the São Francisco river basin, Brazil: policy options and poverty consequences. In: CGIAR CHALLENGE PROGRAM ON WATER AND FOOD INTERNATIONAL FORUM ON WATER AND FOOD, 2., 2008, Addis Ababa, Ethiopia. Proceedings... [S.l.:s.n.], 2008. v. 1, p. 150-154.| Biblioteca(s): Embrapa Cerrados. |
| |
| 271. | | AZEVEDO, J. A. de; JUNQUEIRA, N. T. V.; BRAGA, M. F.; RODRIGUES, L. N.; ALENCAR, C. M. de; VELOSO, R. F.; SANTOS, E. C. Volumes de irrigação recebidos por plantas jovens de dendê irrigadas por microaspersão em ambiente de cerrado. In: CONGRESSO BRASILEIRO DE AGRONOMIA, 25., 2007, Guarapari. Agroenergia: o futuro do planeta em nossas mãos: resumo. Guarapari: CONFAEAB, 2007. 1 CD-ROM.| Biblioteca(s): Embrapa Cerrados. |
| |
| 272. | | MOURA, M. F.; MANCINI, A. L.; BENATTI, R. M.; RODRIGUES, L. N.; VICTORIA, D. de C.; ROMANI, L. A. S.; OLIVEIRA, S. R. de M.; SILVA, L. E. A.; BEZERRA, G. A.; FRANCIOLI, G. A. Um ambiente para uso de outorga compartilhada de água. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 12., 2019, Indaiatuba. Anais... Ponta Grossa: SBIAGRO, 2019. p. 521-522. Na publicação: Daniel Victoria, Luciana Alvim Romani, Stanley R Medeiros Oliveira. Organizadores: Maria Fernanda Moura, Jayme Garcia Arnal Barbedo, Alaine Margarete Guimarães, Valter Castelhano de Oliveira. SBIAgro 2019.| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 273. | | AIRES, U. R. V.; SILVA, D. D. da; FERNANDES FILHO, E. I.; RODRIGUES, L. N.; ULIANA, E. M.; AMORIM, R. S. S.; RIBEIRO, C. B. de M.; CAMPOS, J. A. Machine learning-based modeling of surface sediment concentration in Doce river basin. Journal of Hydrology, v. 619, 2023. e129320.| Biblioteca(s): Embrapa Cerrados. |
| |
| 274. | | CASTRO, K. B. de; MARTINS, E. de S.; BRAGA, A. R. dos S.; LIMA, L. A. de S.; RODRIGUES, L. N.; CARVALHO JUNIOR, O. A.; BORGES, M. E. S.; SOUZA, V. V. de; GOMES, M. P. Compartimentação geomorfológica da bacia hidrográfica do rio Buriti Vermelho, Distrito Federal, DF. Planaltina, DF : Embrapa Cerrados, 2009. 23 23 p. (Embrapa Cerrados. Boletim de Pesquisa, 244)| Biblioteca(s): Embrapa Cerrados. |
| |
| 275. | | CASTRO, K. B. de; MARTINS, E. de S.; REATTO, A.; LIMA, L. A. de S.; RODRIGUES, L. N.; CARVALHO JUNIOR, O. A. de; BORGES, M. E. S.; SOUZA, V. V. de; GOMES, M. P. Compartimentação geomorfológica da Bacia Hidrográfica do Rio Buriti Vermelho, Distrito Federal, DF. Planaltina, DF: Embrapa Cerrados, 2009. 23 p. (Embrapa Cerrados. Boletim de pesquisa e desenvolvimento, 244).| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 276. | | MOURA, M. F.; EVANGELISTA, S. R. M.; PIEROZZI JUNIOR, I.; GONZALES, L. E.; VAZ, G. J.; TAKEMURA, C. M.; RODRIGUES, L. N.; PELLEGRINO, G. Q.; OLIVEIRA, S. R. de M.; BASSOI, L. H. Compilação e recuperação de informações técnico-científicas e indução ao conhecimento de forma ágil na Rede AgroHidro - CRITIC@. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W. G. da (org.). Estratégias de adaptação às mudanças do clima dos sistemas agropecuários brasileiros. Brasília, DF: MAPA, 2021. p. 98-99.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Instrumentação; Embrapa Territorial. |
| |
| 277. | | MOURA, M. F.; EVANGELISTA, S. R. M.; PIEROZZI JUNIOR, I.; GONZALES, L. E.; VAZ, G. J.; TAKEMURA, C. M.; RODRIGUES, L. N.; PELLEGRINO, G. Q.; OLIVEIRA, S. R. de M.; BASSOI, L. H. Compilation and recovery of technical-scientific information and an agile deep-dive into knowledge on the Agro Hidro network-CRITIC@. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W . G. da (ed). Adapting to climate change: strategies for Brazilian agricultural and livestock systems. Brasília, DF: MAPA, 2021. p. 98-99.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Instrumentação; Embrapa Territorial. |
| |
| 278. | | AIRES, U. R. V.; SILVA, D. D. da; FERNANDES FILHO, E. I.; RODRIGUES, L. N.; ULIANA, E. M.; AMORIM, R. S. S.; RIBEIRO, C. B. de M.; CAMPOS, J. A. Modeling of surface sediment concentration in the Doce River basin using satellite remote sensing. Journal of Environmental Management, v. 323, 2022. 15 p.| Biblioteca(s): Embrapa Cerrados. |
| |
| 279. | | AZEVEDO, J. A. de; JUNQUEIRA, N. T. V.; BRAGA, M. F.; SANTOS, E. C. dos; RODRIGUES, L. N.; SÁ, M. A. C. de; ALENCAR, C. M. de; VELOSO, R. F. Volumes de irrigação recebidos por plantas jovens de dendê irrigadas por microaspersão no Cerrado. Planaltina, DF: Embrapa Cerrados, 2007. 1 folder.| Biblioteca(s): Embrapa Cerrados. |
| |
| 280. | | PALHARES, J. C. P.; FIGUEIREDO, R. de O.; PRADO, R. B.; CRUZ, M. A. S.; TURETTA, A. P. D.; SCHULER, A. E.; PADOVANI, C. R.; FIDALGO, E. C. C.; FRITZSONS, E.; PARRON, L. M.; VIANA, J. H. M.; RODRIGUES, L. N.; ACCIOLY, L. J. de O.; OLIVEIRA JUNIOR, R. C. de; FELIZZOLA, J. F.; MAGALHAES, C. A. de S. Índice de Qualidade da Unidade Hidrográfica (IQH). In: SEMINÁRIO DA REDE AGROHIDRO, 2., 2014, Campinas. Impactos da agricultura e das mudanças climáticas nos recursos hídricos: anais. Brasília, DF: Embrapa, 2014. p. 137-140.| Biblioteca(s): Embrapa Cerrados. |
| |
| Registros recuperados : 286 | |
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Cerrados. Para informações adicionais entre em contato com cpac.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Cerrados. |
|
Data corrente: |
15/12/2023 |
|
Data da última atualização: |
15/12/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
AIRES, U. R. V.; SILVA, D. D. da; FERNANDES FILHO, E. I.; RODRIGUES, L. N.; ULIANA, E. M.; AMORIM, R. S. S.; RIBEIRO, C. B. de M.; CAMPOS, J. A. |
|
Afiliação: |
UILSON RICARDO VENÂNCIO AIRES, UNIVERSIDADE FEDERAL DE VIÇOSA; DEMETRIUS DAVID DA SILVA, Universidade Federal de Viçosa; ELPÍDIO INÁCIO FERNANDES FILHO, Universidade Federal de Viçosa; LINEU NEIVA RODRIGUES, CPAC; EDUARDO MORGAN ULIANA, Universidade Federal de Mato Grosso; RICARDO SANTOS SILVA AMORIM, Universidade Federal de Viçosa; CELSO BANDEIRA DE MELO RIBEIRO, Universidade Federal de Juiz de Fora; JASMINE ALVES CAMPOS, Universidade Federal de Viçosa. |
|
Título: |
Machine learning-based modeling of surface sediment concentration in Doce river basin. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Journal of Hydrology, v. 619, 2023. e129320. |
|
ISSN: |
0022-1694 |
|
Idioma: |
Inglês |
|
Conteúdo: |
As sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and time-lagged discharge. The cumulative daily mean precipitation was also important for the sediment modeling. Our findings demonstrate that machine learning models may be a very helpful tool for sediment monitoring and understanding sediment dynamics in the Doce river basin over time. MenosAs sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and tim... Mostrar Tudo |
|
Thesagro: |
Água Doce; Rio; Sedimento. |
|
Thesaurus NAL: |
Sediment contamination. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
Marc: |
LEADER 02534naa a2200265 a 4500
001 2159802
005 2023-12-15
008 2023 bl uuuu u00u1 u #d
022 $a0022-1694
100 1 $aAIRES, U. R. V.
245 $aMachine learning-based modeling of surface sediment concentration in Doce river basin.$h[electronic resource]
260 $c2023
520 $aAs sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and time-lagged discharge. The cumulative daily mean precipitation was also important for the sediment modeling. Our findings demonstrate that machine learning models may be a very helpful tool for sediment monitoring and understanding sediment dynamics in the Doce river basin over time.
650 $aSediment contamination
650 $aÁgua Doce
650 $aRio
650 $aSedimento
700 1 $aSILVA, D. D. da
700 1 $aFERNANDES FILHO, E. I.
700 1 $aRODRIGUES, L. N.
700 1 $aULIANA, E. M.
700 1 $aAMORIM, R. S. S.
700 1 $aRIBEIRO, C. B. de M.
700 1 $aCAMPOS, J. A.
773 $tJournal of Hydrology$gv. 619, 2023. e129320.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Cerrados (CPAC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
