Título:	Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.
Autor:	KUCHLER, P. C. SIMÕES, M. BÉGUÉ, A. FERRAZ, R. P. D. ARVOR, D.
Afiliación:	PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France.
Año:	2021
Referencia:	In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30.
Descripción:	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.
Thesagro:	Sensoriamento Remoto
NAL Thesaurus:	Remote sensing
Palabras clave:	Séries temporais Random forest Mato Grosso Sistemas integrados Big Earth Observation Data Aprendizado de máquina
DOI:	http://doi.org/10.36229/978-65-5866-079-8.CAP.04
Tipo de Material:	Parte de livro
Acceso:	openAccess
Aparece en las colecciones:	Capítulo em livro científico (CNPS)