| |
|
|
| Registros recuperados : 33 | |
| 7. |  | JONATHAN, M.; ARVOR, D.; MEIRELLES, M. S. P.; DUBREUIL, V. Field-oriented assessment of agricultural crops through temporal segmentation of modis VI data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 37, pt. B7, p. 921-926, 2008. Edition of Proceedings of XXI ISPRS Congress, Beijing, Jul. 2008.| Biblioteca(s): Embrapa Solos. |
|    |
| 8. | | ARVOR, D.; JONATHAN, M.; MEIRELLES, M. S. P.; DUBREUIL, V. Detecting outliers and asserting consistency in agriculture ground truth information by using temporal VI data from modis. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 37, pt. B7, p. 1031-1036, 2008. Edition of Proceedings of XXI ISPRS Congress, Beijing, Jul. 2008.| Biblioteca(s): Embrapa Solos. |
| |
| 9. | | BÉGUÉ, A.; ARVOR, D.; LELONG, C.; VINTROU, E.; SIMÕES, M. Agricultural systems studies using remote sensing. In: TENKABAIL, P. S. (Ed.). Land resources monitoring, modeling, and mapping with remote sensing. Boca Raton: CRC Press, 2015. cap. 5, p. 113-130.| Biblioteca(s): Embrapa Solos. |
|  |
| 13. | | KUCHLER, P. C.; BÉGUÉ, A.; SIMÕES, M.; GAETANO, R.; ARVOR, D.; FERRAZ, R. P. D. Assessing the optimal preprocessing steps of MODIS time series to map cropping systems in Mato Grosso, Brazil. International Journal of Applied Earth Observation and Geoinformation, v. 92, 102150, Oct. 2020.| Biblioteca(s): Embrapa Solos. |
| |
| 14. | | ARVOR, D.; SAN'TANNA NETO, J. L.; DUBREUIL, V.; ALMEIDA, I. R. de; MEIRELLES, M. S. P. Análise dos perfis temporais de EVI/MODIS para o monitoramento da cultura da soja no Estado de Mato Grosso, Brasil. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO., 13., 2007, Florianópolis/SC. [São José dos Campos: INPE, 2007]. p. 51-58.| Biblioteca(s): Embrapa Soja. |
| |
| 16. | | ARVOR, D.; JONATHAN, M.; MEIRELLES, M. S. P.; DUBREUIL, V.; DURIEUX, L. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil. International Journal of Remote Sensing, v. 32, n. 22, p. 7847-7871, 2011.| Biblioteca(s): Embrapa Solos. |
| |
| 17. | | ARVOR, D.; JONATHAN, M.; MEIRELLES, M. S. P.; DUBREUIL, V.; LECERF, R. Comparison of multitemporal MODIS-EVI smoothing algorithms and its contribution to crop monitoring. In: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, 2008, Boston. Proceedings... Danvers, MA: IEEE, 2008. v. 2, p. 958-961.| Biblioteca(s): Embrapa Solos. |
| |
| 18. | | MEIRELLES, M. S. P.; FREITAS, P. L. de; FERRAZ, R. P. D.; ARVOR, D.; DUBREUIL, V. Avaliação da dinâmica de uso da terra por meio de dados de sensores remotos para uma agricultura sustentável. In: LEITE, L. F. C.; MACIEL, G. A.; ARAÚJO, A. S. F. de (Ed.). Agricultura conservacionista no Brasil. Brasília, DF: Embrapa, 2014. pt 5, cap. 6, p. 489-511.| Biblioteca(s): Embrapa Solos. |
| |
| 19. | | ARVOR, D.; MEIRELLES, M. S. P.; DUBREUIL, V.; BEGUÈ, A.; SHIMABUKURO, Y. E. Analyzing the agricultural transition in Mato Grosso, Brazil, using satellite-derived indices. Applied Geography, v. 32, p. 702-713, 2011.| Biblioteca(s): Embrapa Solos. |
| |
| Registros recuperados : 33 | |
|
|
|
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
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
