|
|
Registros recuperados : 29 | |
21. | | VERAS, H. C. T.; CAMPOS, C. G.; RIBEIRO, J. A. de A.; ABDELNUR, P. V.; PARACHIN, N. S.; ALMEIDA, J. R. M. de. Limiting steps for xylose metabolism in yeast: comparative fermentation performance and metabolomics. In: SYMPOSIUM ON BIOTECHNOLOGY FOR FUELS AND CHEMICALS, 2017, 39., San Francisco, US. [Proceedings ...]. Fairfax: Society for Industrial Microbiology and Biotechnology, 2017. Não paginado. Biblioteca(s): Embrapa Agroenergia. |
| |
22. | | COTTA, M. G.; VERAS, H. C. T.; BARROS, L. M. G.; SILVA, F. R. da; ABDELNOOR, R. V.; ALMEIDA, J. D. de. Seleção de genes órgão/tecido específicos a partir do banco público de EST de soja. In: ENCONTRO DO TALENTO ESTUDANTIL DA EMBRAPA RECURSOS GENÉTICOS E BIOTECNOLOGIA, 14., 2009, Brasília, DF. Anais: resumos dos trabalhos. Brasília, DF: Embrapa Recursos Genéticos e Biotecnologia, 2009. Resumo 031. p. 67 Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
23. | | CUNHA, M. J.; SANTANA, R. H.; VERAS, H. C. T.; ABDELNOOR, R. V.; ALMEIDA, J. D. de; BARROS, L. M. G. Validação de um gene de Glycine max preferencialmente expresso em folha. In: ENCONTRO DO TALENTO ESTUDANTIL DA EMBRAPA RECURSOS GENÉTICOS E BIOTECNOLOGIA, 15., 2010, Brasília, DF. Anais: resumos dos trabalhos. Brasília, DF: Embrapa Recursos Genéticos e Biotecnologia, 2010. Resumo 039. Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
24. | | VERAS, H. C. T.; GONÇALVES, C. C.; NASCIMENTO, I. F.; ABDELNUR, P. V.; ALMEIDA, J. R. M. de; PARACHIN, N. S. Utilization of metabolic flux analysis for metabolome data validation of xylose-fermenting yeasts. In: INTERNATIONAL SPECIALIZED SYMPOSIUM ON YEASTS, 34; JORNADAS SUDAMERICANAS DE BIOLOGIA Y BIOTECNOLOGIA DE LEVADURAS, 6., 2018, Bariloche, Argentina. Book of Abstracts. São Paulo: CONICET, 2018. p. 100-101. Biblioteca(s): Embrapa Agroenergia. |
| |
25. | | CAMPOS, C. G.; RIBEIRO, J. A. de A.; COSTA, P. P. K. G.; PEREIRA, K. A.; VERAS, H. C.; ALMEIDA, J. R. M. de; RODRIGUES, C. M.; ABDELNUR, P. V. Análise quantitativa dos metabólitos produzidos por levedura na via de fermentação da xilose utilizando UHPLC-MS/MS. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE QUÍMICA, 39., 2016, Goiânia, GO. Criar e empreender: anais ... São Paulo: SBQ, 2016. Não paginado. Biblioteca(s): Embrapa Agroenergia. |
| |
26. | | FERREIRA, M. P.; ALMEIDA, D. R. A. de; PAPA, D. de A.; MINERVINO, J. B. S.; VERAS, H. F. P.; FORMIGHIERI, A.; SANTOS, C. A. N.; FERREIRA, M. A. D.; FIGUEIREDO, E. O.; FERREIRA, E. J. L. Individual tree detection and species classification of Amazonian palms using UAV images and deep learning. Forest Ecology and Management, v. 475, n. 118397, p. 1-11, 2020. Biblioteca(s): Embrapa Acre. |
| |
27. | | CAMPOS, C. G.; RIBEIRO, J. A. de A.; VERAS, H. C. T.; COSTA, P. P. K. G.; ARAÚJO, K. P.; ALMEIDA, J. R. M. de; RODRIGUES, C. M.; ABDELNUR, P. V. Identificação de alvos moleculares na via metabólica de fermentação de xilose utilizando estratégias de metabolômica. In: WORKSHOP DA PÓS-GRADUAÇÃO EM QUÍMICA, 1., 2015, Goiânia, GO. [Resumos ...] Goiânia: UFG, 2015. WSPGQ-027 Biblioteca(s): Embrapa Agroenergia. |
| |
28. | | CAMPOS, C. G.; VERAS, H. C. T.; RIBEIRO, J. A. de A.; COSTA, P. P. K. G.; ARAÚJO, K. P.; RODRIGUES, C. M.; ALMEIDA, J. R. M. de; ABDELNUR, P. V. New protocol based on UHPLC-MS/MS for quantitation of metabolites in xylose-fermenting yeasts. Journal of the American Society for Mass Spectrometry, v. 28, n. 12, p. 2646-2657, 2017. p. 2646-2657 Biblioteca(s): Embrapa Agroenergia. |
| |
29. | | FIGUEIREDO, E. O.; MELO JUNIOR, A. de; OLIVEIRA, L. C. de; OLIVEIRA, M. V. N. d'; FIGUEIREDO, S. M. de M.; SILVA. E. F. da; PAPA, D. de A.; SANTOS, E. K. M. dos; GOMEZ GUILLEN, M.; VERÁS, H. F. P.; GONÇALVES, R. J. F.; DUARTE, A. N. F. Manejo florestal 4.0 - passos para emprego de aeronaves remotamente pilotadas (drones) no planejamento florestal em nativas. Rio Branco, AC: Embrapa Acre, 2020. 46 p. (Embrapa Acre. Documentos, 169). Selo ODS 15. Biblioteca(s): Embrapa Acre. |
| |
Registros recuperados : 29 | |
|
|
Registro Completo
Biblioteca(s): |
Embrapa Acre. |
Data corrente: |
21/12/2022 |
Data da última atualização: |
21/12/2022 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
A - 2 |
Autoria: |
VERAS, H. F. P.; FERREIRA, M. P.; CUNHA NETO, E. M. da; FIGUEIREDO, E. O.; DALLA CORTE, A. P.; SANQUETTA, C. R. |
Afiliação: |
HUDSON FRANKLIN PESSOA VERAS, UNIVERSIDADE FEDERAL DO PARANÁ; MATHEUS PINHEIRO FERREIRA, INSTITUTO MILITAR DE ENGENHARIA; ERNANDES MACEDO DA CUNHA NETO, UNIVERSIDADE FEDERAL DO PARANÁ; EVANDRO ORFANO FIGUEIREDO, CPAF-AC; ANA PAULA DALLA CORTE, UNIVERSIDADE FEDERAL DO PARANÁ; CARLOS ROBERTO SANQUETTA, UNIVERSIDADE FEDERAL DO PARANÁ. |
Título: |
Fusing multi-season UAS images with convolutional neural networks to map tree species in Amazonian forests. |
Ano de publicação: |
2022 |
Fonte/Imprenta: |
Ecological Informatics, v. 71, 101815, 2022. |
ISSN: |
1574-9541 |
DOI: |
https://doi.org/10.1016/j.ecoinf.2022.101815 |
Idioma: |
Inglês |
Conteúdo: |
Remote sensing images obtained by unoccupied aircraft systems (UAS) across different seasons enabled capturing of species-specific phenological patterns of tropical trees. The application of UAS multi-season images to classify tropical tree species is still poorly understood. In this study, we used RGB images from different seasons obtained by a low-cost UAS and convolutional neural networks (CNNs) to map tree species in an Amazonian forest. Individual tree crowns (ITC) were outlined in the UAS images and identified to the species level using forest inventory data. The CNN model was trained with images obtained in February, May, August, and November. The classification accuracy in the rainy season (November and February) was higher than in the dry season (May and August). Fusing images from multiple seasons improved the average accuracy of tree species classification by up to 21.1 percentage points, reaching 90.5%. The CNN model can learn species-specific phenological characteristics that impact the classification accuracy, such as leaf fall in the dry season, which highlights its potential to discriminate species in various conditions. We produced high-quality individual tree crown maps of the species using a post-processing procedure. The combination of multi-season UAS images and CNNs has the potential to map tree species in the Amazon, providing valuable insights for forest management and conservation initiatives. |
Palavras-Chave: |
Acre; Amazonia Occidental; Amazônia Ocidental; Bosques experimentales; Bosques tropicales; Embrapa Acre; Fusão de imagens; Identificación de especies; Imagem multitemporada; Imagem RGB; Mapeamento de espécies; Modelo CNN; Rio Branco (AC); Teledetección; Western Amazon. |
Thesagro: |
Campo Experimental; Espécie Nativa; Fenologia; Floresta Tropical; Identificação; Sensoriamento Remoto. |
Thesaurus NAL: |
Experimental forests; Phenology; Remote sensing; Species identification; Tropical forests. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1150165/1/27406.pdf
|
Marc: |
LEADER 02966naa a2200517 a 4500 001 2150165 005 2022-12-21 008 2022 bl uuuu u00u1 u #d 022 $a1574-9541 024 7 $ahttps://doi.org/10.1016/j.ecoinf.2022.101815$2DOI 100 1 $aVERAS, H. F. P. 245 $aFusing multi-season UAS images with convolutional neural networks to map tree species in Amazonian forests.$h[electronic resource] 260 $c2022 520 $aRemote sensing images obtained by unoccupied aircraft systems (UAS) across different seasons enabled capturing of species-specific phenological patterns of tropical trees. The application of UAS multi-season images to classify tropical tree species is still poorly understood. In this study, we used RGB images from different seasons obtained by a low-cost UAS and convolutional neural networks (CNNs) to map tree species in an Amazonian forest. Individual tree crowns (ITC) were outlined in the UAS images and identified to the species level using forest inventory data. The CNN model was trained with images obtained in February, May, August, and November. The classification accuracy in the rainy season (November and February) was higher than in the dry season (May and August). Fusing images from multiple seasons improved the average accuracy of tree species classification by up to 21.1 percentage points, reaching 90.5%. The CNN model can learn species-specific phenological characteristics that impact the classification accuracy, such as leaf fall in the dry season, which highlights its potential to discriminate species in various conditions. We produced high-quality individual tree crown maps of the species using a post-processing procedure. The combination of multi-season UAS images and CNNs has the potential to map tree species in the Amazon, providing valuable insights for forest management and conservation initiatives. 650 $aExperimental forests 650 $aPhenology 650 $aRemote sensing 650 $aSpecies identification 650 $aTropical forests 650 $aCampo Experimental 650 $aEspécie Nativa 650 $aFenologia 650 $aFloresta Tropical 650 $aIdentificação 650 $aSensoriamento Remoto 653 $aAcre 653 $aAmazonia Occidental 653 $aAmazônia Ocidental 653 $aBosques experimentales 653 $aBosques tropicales 653 $aEmbrapa Acre 653 $aFusão de imagens 653 $aIdentificación de especies 653 $aImagem multitemporada 653 $aImagem RGB 653 $aMapeamento de espécies 653 $aModelo CNN 653 $aRio Branco (AC) 653 $aTeledetección 653 $aWestern Amazon 700 1 $aFERREIRA, M. P. 700 1 $aCUNHA NETO, E. M. da 700 1 $aFIGUEIREDO, E. O. 700 1 $aDALLA CORTE, A. P. 700 1 $aSANQUETTA, C. R. 773 $tEcological Informatics$gv. 71, 101815, 2022.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Acre (CPAF-AC) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|