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)
4° Autor
(*)
(?)
Grupo (4° 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 (4° Autor)
e-Mail (4° Autor)
5° Autor
(*)
(?)
Grupo (5° 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 (5° Autor)
e-Mail (5° Autor)
6° Autor
(*)
(?)
Grupo (6° 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 (6° Autor)
e-Mail (6° Autor)
Páginas
(*)
Palavras-Chave
(*)
(?)
Resumo
(*)
(?)
Este trabalho teve por objetivo identificar as áreas ocupadas pela cultura agrícola de tomate utilizando técnicas de classificação supervisionada aplicadas às imagens orbitais do sensor MSI (Multispectral Instrument) a bordo dos satélites Sentinel-2A e 2B. A área de estudo foi o município de Cristalina, localizado no leste do estado de Goiás. A classificação foi realizada na plataforma do Google Earth Engine (GEE) com base em amostras com ocorrência do plantio do tomate e sua ausência, divididas em 70% para treinamento/calibração e 30% para validação (teste). No treinamento foram utilizados os algoritmos de classificação Random Forest (RF) e Gradient Tree Boost (GTB). O RF teve melhor desempenho preditivo (F-score = 0,9745) em relação ao GTB (F-score = 0,9680). Este trabalho indica que é possível realizar o mapeamento da cultura do tomate por sensoriamento remoto orbital com boa exatidão. ABSTRACT: The main goal of this work was to identify the tomato crop based on supervised classification in MSI (Multispectral Instrument) imagery from the Sentinel-2A and 2B satellites. Study area was Cristalina City, located in the east of the Goiás State (Brazil). The classification was performed on the Google Earth Engine (GEE) platform based on samples with occurrence of tomato planting and its absence, divided into 70% for training/calibration and 30% for validation (test). In the training the Random Forest (RF) and Gradient Tree Boost (GTB) classification algorithms were used. RF had better predictive performance (F-score = 0.9745) in relation to GTB (F-score = 0.9680). This work indicates that it is possible to perform tomato crop mapping by orbital remote sensing with good accuracy.
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 ::