Active learning e sua aplicação no monitoramento da cana-de-açúcar utilizando o algoritmo SVM.

SILVA, J. P. da; ZULLO JÚNIOR, J.; ROMANI, L. A. S.

Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1083299

Registro completo de metadados

Campo DC	Valor	Idioma
dc.contributor.author	SILVA, J. P. da
dc.contributor.author	ZULLO JÚNIOR, J.
dc.contributor.author	ROMANI, L. A. S.
dc.date.accessioned	2017-12-23T23:20:27Z	-
dc.date.available	2017-12-23T23:20:27Z	-
dc.date.created	2017-12-21
dc.date.issued	2017
dc.identifier.citation	In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 11., 2017, Campinas. Ciência de dados na era da agricultura digital: anais. Campinas: Editora da Unicamp: Embrapa Informática Agropecuária, 2017.
dc.identifier.isbn	978-85-85783-75-4
dc.identifier.uri	http://www.alice.cnptia.embrapa.br/alice/handle/doc/1083299	-
dc.description	A cana-de-açúcar é um dos pilares do agronegócio brasileiro e, por apresentar intensa dinâmica expansionista, demanda metodologias que subsidiem a criação de estratégias políticas e econômicas que promovam a sustentabilidade da produção. Este artigo propõe uma nova abordagem de monitoramento de áreas canavieiras baseada na classificação de séries temporais de imagens de satélite associada à técnica de Active Learning. A interação do usuário especialista no aprendizado do algoritmo de classificação através desta técnica utilizando parâmetros sazonais das séries temporais gerou um conjunto de treino otimizado que promoveu a redução do custo operacional de monitoramento da ocupação da cana-de-açúcar. A correlação de cerca de 90% observada entre as análises conduzidas neste trabalho com dados oficiais indica que a metodologia proposta pode ser utilizada no monitoramento agrícola devido à similaridade entre os resultados associada ao baixo custo operacional envolvido.
dc.language.iso	por	pt_BR
dc.rights	openAccess	pt_BR
dc.subject	Mineração de dados
dc.subject	Análise sazonal
dc.subject	Classificação de imagens
dc.subject	Séries temporais
dc.subject	Algoritmo Support Vector Machine
dc.subject	Índice de Vegetação da Diferença Normalizada
dc.subject	Data mining
dc.subject	Seasonal analysis
dc.title	Active learning e sua aplicação no monitoramento da cana-de-açúcar utilizando o algoritmo SVM.
dc.type	Artigo em anais e proceedings
dc.date.updated	2020-01-21T11:11:11Z	pt_BR
dc.subject.thesagro	Cana de açúcar
dc.subject.nalthesaurus	Sugarcane
dc.subject.nalthesaurus	Time series analysis
dc.subject.nalthesaurus	Vegetation index
dc.description.notes	SBIAgro 2017.
dc.format.extent2	p. 119-128.
riaa.ainfo.id	1083299
riaa.ainfo.lastupdate	2020-01-21 -02:00:00
dc.contributor.institution	JOÃO PAULO DA SILVA, Feagri/Unicamp; JURANDIR ZULLO JÚNIOR, Cepagri/Unicamp; LUCIANA ALVIM SANTOS ROMANI, CNPTIA.
Aparece nas coleções:	Artigo em anais de congresso (CNPTIA)

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
ActiveSBIAgro.pdf		1.67 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Visualizar estatísticas