XX SBSR
Formulário de atualização
O sistema de atualização, para eventuais correções, estará ativo até 30/06/2023.
Contato:
bibdigital@inpe.br
Nome do Campo
Valor do Campo
Tipo de Referência
Artigo em Evento (Conference Proceedings)
Título do Trabalho
(*)
(?)
Tipo Secundário
Evento Nacional
Evento Nacional - Trabalho Vinculado à Tese/Dissertação
Evento Nacional - Trabalho Não Relacionado à Tese/Dis.
Evento Nacional - Trabalho Externo
Não esqueça de clicar na opção "+" para informar os dados dos co-autores, se tiver.
v
1° Autor
(*)
(?)
Grupo (1° Autor)
CGCE
DIPST
DISEP
DICEP
DIAST
DIEEC
DIHPA
DIMEC
DISEP
DIEEC
SEGPR
YYY
CGCT
DIOTG
DIIAV
DIMNT
DIPTC
DISSM
YYY
CGIP
CORCR
COPDT
COMIT
COIDS
YYY
COGPI
DIPE1
DIPE2
DIPE3
DIPE4
SEPEC
SEGQP
YYY
CGGO
COADM
COEAM
COENE
COESU
COTIC
COPOA
COGRH
YYY
COGAB
SEREL
SECOM
YYY
AST
CAP
CMC
CMS
CSE
CST
GES
GESAST
GESATM
MET
PCP
SER
Afiliação (1° Autor)
e-Mail (1° Autor)
2° Autor
(*)
(?)
Grupo (2° Autor)
CGCE
DIPST
DISEP
DICEP
DIAST
DIEEC
DIHPA
DIMEC
DISEP
DIEEC
SEGPR
YYY
CGCT
DIOTG
DIIAV
DIMNT
DIPTC
DISSM
YYY
CGIP
CORCR
COPDT
COMIT
COIDS
YYY
COGPI
DIPE1
DIPE2
DIPE3
DIPE4
SEPEC
SEGQP
YYY
CGGO
COADM
COEAM
COENE
COESU
COTIC
COPOA
COGRH
YYY
COGAB
SEREL
SECOM
YYY
AST
CAP
CMC
CMS
CSE
CST
GES
GESAST
GESATM
MET
PCP
SER
Afiliação (2° Autor)
e-Mail (2° Autor)
3° Autor
(*)
(?)
Grupo (3° Autor)
CGCE
DIPST
DISEP
DICEP
DIAST
DIEEC
DIHPA
DIMEC
DISEP
DIEEC
SEGPR
YYY
CGCT
DIOTG
DIIAV
DIMNT
DIPTC
DISSM
YYY
CGIP
CORCR
COPDT
COMIT
COIDS
YYY
COGPI
DIPE1
DIPE2
DIPE3
DIPE4
SEPEC
SEGQP
YYY
CGGO
COADM
COEAM
COENE
COESU
COTIC
COPOA
COGRH
YYY
COGAB
SEREL
SECOM
YYY
AST
CAP
CMC
CMS
CSE
CST
GES
GESAST
GESATM
MET
PCP
SER
Afiliação (3° Autor)
e-Mail (3° Autor)
Páginas
(*)
Palavras-Chave
(*)
(?)
Resumo
(*)
(?)
Modelos de aprendizado de máquina têm obtido resultados notáveis em diversas áreas do conhecimento, inclusive em agricultura de precisão. Contudo, a diversidade de modelos distintos disponíveis e a carência de análises comparativas torna a seleção de um modelo uma tarefa desafiadora. Este artigo faz uma avaliação de diferentes regressores em tarefas de predição de produtividade de cana-de-açúcar, modeladas a partir de características compostas por índices vegetativos. O estudo realizado considerou os regressores Multi Layer Perceptron (MLP), Support Vector Regressor (SVR), Random Forest, AdaBoost e Gradient Boosting, ajustados a partir de hiperparâmetros obtidos com o método grid search. Foram utilizados conjuntos de dados públicos, referente a áreas cultivadas em 2 campos experimentais na Austrália. Foram considerados 5 modelos obtidos a partir de 10 índices vegetativos multiespectrais e espectro visível red-green-blue (RGB), escolhidos com base no redutor de dimensionalidade Análise de Componentes Principais (PCA). Além de imagens multiespectrais, bandas Light Detection And Ranging (LiDAR) também foram utilizadas no estudo comparativo. ABSTRACT: Machine learning models have obtained remarkable results in several areas of knowledge, including precision agriculture. However, the diversity of different models available and the lack of comparative analyzes make the selection of a model a challenging task. This article makes an evaluation of different regressors in sugarcane productivity prediction tasks, modeled from features composed by vegetative indices. The study carried out considered the Multi Layer Perceptron(MLP), Support Vector Regression (SVR), Random Forest, AdaBoost and Gradient Boosting regressors, adjusted from hyperparameters obtained with the grid search method. Public datasets were used, referring to cultivated areas in 2 experimental fields in Australia. We considered 5 models obtained from 10 multispectral and visible spectrum red-green-blue (RGB) vegetative indices, chosen based on the dimensionality reducer Principal Component Analysis (PCA). In addition to multispectral imaging, Light Detection And Ranging (LiDAR) bands were also used in the comparative study.
Tema
(*)
Análise de séries temporais de imagens de satélite
Aquacultura
Áreas úmidas
Cartografia e fotogrametria
Classificação e mineração de dados
Degradação de florestas
Educação
Floresta e outros tipos de vegetação
Geologia
Geomorfologia
Geoprocessamento e aplicações
Hidrologia
LIDAR: sensores e aplicações
Meteorologia e climatologia
Modelagem espacial
Monitoramento e modelagem ambiental
Mudança de uso e cobertura da Terra
Mudanças climáticas
Oceanografia
Poluição
Processamento de imagens
Produção e previsão agrícola
Saúde
Sensoriamento remoto de águas interiores
Sensoriamento remoto de microondas
Sensoriamento remoto hiperespectral
Sistemas de coleta de dados e telemetria
Sistemas marinhos costeiros
Sistemas sensores: projeto, calibração e avaliação
Sistemas, gerenciamento e política de dados
Solos e umidade do solo
Urbanização
Uso e qualidade da água
VANTs, videografia e alta resolução
Serviços e Tecnologias Espaciais
Inteligência Artificial para Observação da Terra
Biodiversidade e Conservação
Mapeamento Colaborativo
Queimadas e Incêndios Florestais
Sustentabilidade e Meio Ambiente
Idioma
(*)
Português
Espanhol
Inglês
FileName
(?)
e-Mail (login)
simone
:: Powered by UR
Lib
Service ::