|
|
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 |
URL |
Voltar
|
|
Registros recuperados : 459 | |
108. | | QUEIROZ, E. F. de; SILVA, R. J. B. da; OLIVEIRA, M. C. N. de. Modelo de analise de regressao periodica da precipitacao mensal, da bacia atlantico sudeste, no Estado do Parana. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 36, n. 5, p. 727-42, maio 2001 Título em inglês: A model for monthly rainfall periodic regression analysis, of the southeast Atlantic basin, on Paraná State.Tipo: Artigo em Periódico Indexado |
Biblioteca(s): Embrapa Soja; Embrapa Unidades Centrais. |
| |
109. | | OLIVEIRA, M. C. N. de; CARRÃO-PANIZZI, M.C.; MANDARINO, J. M. G. Método de componentes principais na avaliação de saponinas em cultivares de soja. In: CONGRESSO BRASILEIRO DE SOJA, 5.; MERCOSOJA 2009, Goiânia. Resumos... Londrina: Embrapa Soja, 2009. p. 242, trab. 442. Editado por Adilson de Oliveira Júnior, Odilon Ferreira Saraiva, Clara Beatriz Hoffmann Campo, César de Castro.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Soja. |
| |
111. | | CARRÃO-PANIZZI, M. C.; BERHOW, M.; MANDARINO, J. M. G.; OLIVEIRA, M. C. N. de. Environmental and genetic variation of isoflavone content of soybean seeds grown in Brazil. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 44, n. 11, p. 1444-1451, nov. 2009.Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 1 |
Biblioteca(s): Embrapa Soja; Embrapa Unidades Centrais. |
| |
120. | | LEITE, R. M. V. B. de C.; OLIVEIRA, M. C. N. de. Grouping sunflower genotypes for yield, oil content, and reaction to Alternaria leaf spot using GGE biplot. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 50, n. 8, p. 649-657, ago. 2015.Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 2 |
Biblioteca(s): Embrapa Soja; Embrapa Unidades Centrais. |
| |
Registros recuperados : 459 | |
|
Expressão de busca inválida. Verifique!!! |
|
|