Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorKUCHLER, P. C.
dc.contributor.authorSIMÕES, M.
dc.contributor.authorBÉGUÉ, A.
dc.contributor.authorFERRAZ, R. P. D.
dc.contributor.authorARVOR, D.
dc.date.accessioned2021-11-08T15:01:25Z-
dc.date.available2021-11-08T15:01:25Z-
dc.date.created2021-11-08
dc.date.issued2021
dc.identifier.citationIn: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867-
dc.descriptionA 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.
dc.language.isopor
dc.rightsopenAccesspt_BR
dc.subjectSéries temporais
dc.subjectRandom forest
dc.subjectMato Grosso
dc.subjectSistemas integrados
dc.subjectBig Earth Observation Data
dc.subjectAprendizado de máquina
dc.titleBig Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.
dc.typeParte de livro
dc.subject.thesagroSensoriamento Remoto
dc.subject.nalthesaurusRemote sensing
riaa.ainfo.id1135867
riaa.ainfo.lastupdate2021-11-08
dc.identifier.doihttp://doi.org/10.36229/978-65-5866-079-8.CAP.04
dc.contributor.institutionPATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France.
Aparece nas coleções:Capítulo em livro científico (CNPS)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Big-Earth-Observation-Data-e-aprendizado-de-maquina-2021.pdf880,21 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace