Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867
Título: Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.
Autoria: KUCHLER, P. C.
SIMÕES, M.
BÉGUÉ, A.
FERRAZ, R. P. D.
ARVOR, D.
Afiliação: PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France.
Ano de publicação: 2021
Referência: In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30.
Conteúdo: 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
Palavras-chave: Séries temporais
Random forest
Mato Grosso
Sistemas integrados
Big Earth Observation Data
Aprendizado de máquina
Digital Object Identifier: http://doi.org/10.36229/978-65-5866-079-8.CAP.04
Tipo do material: Parte de livro
Acesso: openAccess
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

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace