Título:	Aplicação de aprendizado por transferência para o mapeamento de sistemas intensivos de produção agropecuária por sensoriamento remoto em larga escala.
Autor:	KUCHLER, P. C. FERRAZ, R. P. D. VIEIRA, L. P. LAGE, S. M. BENCHIMOL, M. SIMÕES, M.
Afiliación:	PATRICK CALVANO KUCHLER, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; LUAN PORTO VIEIRA, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; SOFIA MARTINS LAGE, FUNARBE; MATEUS BENCHIMOL, UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO; MARGARETH GONCALVES SIMOES, CNPS.
Año:	2025
Referencia:	In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 21., 2025, Salvador. Anais [...]. Campinas: Galoá, 2025.
Descripción:	O aprendizado por transferência (transfer learning) é uma técnica de machine learning que permite reaproveitar conhecimento adquirido em um domínio para tarefas em um novo, sendo útil para classes complexas com difícil aquisição de dados, como os sistemas integrados Lavoura- Pecuária (ILP). Este estudo investiga a aplicabilidade da técnica de Adaptação de domínio, baseada em TL, para otimizar a classificação de ILP em grandes áreas, aplicando modelos treinados em uma região ou ano específico para outras áreas e períodos distintos com características particulares. Observou-se que tanto o TL espacial quanto o temporal melhoraram significativamente a acurácia, mesmo em diferentes regimes climáticos e anos com características variadas. Em regiões com poucas amostras, os índices de acurácia mostraram grande melhoria, enquanto áreas com mais amostras apresentaram ganhos menores. Os resultados indicam o potencial de generalização dos modelos para o monitoramento de ILP em amplas áreas agrícolas como subsídio às políticas públicas setoriais.
Palabras clave:	Transferência de aprendizagem Aprendizagem de máquina Random forest Adaptação de domínio Sistemas integrados
Tipo de Material:	Artigo em anais e proceedings
Acceso:	openAccess
Aparece en las colecciones:	Artigo em anais de congresso (CNPS)