Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | , , , |
Tipo de documento: | Capítulo de livro |
Idioma: | por |
Título da fonte: | Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) |
Texto Completo: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867 http://doi.org/10.36229/978-65-5866-079-8.CAP.04 |
Resumo: | 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. |
id |
EMBR_97991cbbadabb17bcdffe091cac2fc42 |
---|---|
oai_identifier_str |
oai:www.alice.cnptia.embrapa.br:doc/1135867 |
network_acronym_str |
EMBR |
network_name_str |
Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) |
repository_id_str |
2154 |
spelling |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil.Séries temporaisRandom forestMato GrossoSistemas integradosBig Earth Observation DataAprendizado de máquinaSensoriamento RemotoRemote sensingA 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.PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France.KUCHLER, P. C.SIMÕES, M.BÉGUÉ, A.FERRAZ, R. P. D.ARVOR, D.2021-11-08T15:01:25Z2021-11-08T15:01:25Z2021-11-082021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bookPartIn: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30.http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867http://doi.org/10.36229/978-65-5866-079-8.CAP.04porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice)instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa)instacron:EMBRAPA2021-11-08T15:01:34Zoai:www.alice.cnptia.embrapa.br:doc/1135867Repositório InstitucionalPUBhttps://www.alice.cnptia.embrapa.br/oai/requestopendoar:21542021-11-08T15:01:34falseRepositório InstitucionalPUBhttps://www.alice.cnptia.embrapa.br/oai/requestcg-riaa@embrapa.bropendoar:21542021-11-08T15:01:34Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa)false |
dc.title.none.fl_str_mv |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
title |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
spellingShingle |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. KUCHLER, P. C. Séries temporais Random forest Mato Grosso Sistemas integrados Big Earth Observation Data Aprendizado de máquina Sensoriamento Remoto Remote sensing |
title_short |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
title_full |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
title_fullStr |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
title_full_unstemmed |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
title_sort |
Big Earth Observation Data e aprendizado de máquina para mapeamento da agricultura sustentável no Brasil. |
author |
KUCHLER, P. C. |
author_facet |
KUCHLER, P. C. SIMÕES, M. BÉGUÉ, A. FERRAZ, R. P. D. ARVOR, D. |
author_role |
author |
author2 |
SIMÕES, M. BÉGUÉ, A. FERRAZ, R. P. D. ARVOR, D. |
author2_role |
author author author author |
dc.contributor.none.fl_str_mv |
PATRICK CALVANO KUTCHLER, UERJ; MARGARETH GONCALVES SIMOES, CNPS; AGNÈS BÉGUÉ, CIRAD; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; DAMIEN ARVOR, CNRS, France. |
dc.contributor.author.fl_str_mv |
KUCHLER, P. C. SIMÕES, M. BÉGUÉ, A. FERRAZ, R. P. D. ARVOR, D. |
dc.subject.por.fl_str_mv |
Séries temporais Random forest Mato Grosso Sistemas integrados Big Earth Observation Data Aprendizado de máquina Sensoriamento Remoto Remote sensing |
topic |
Séries temporais Random forest Mato Grosso Sistemas integrados Big Earth Observation Data Aprendizado de máquina Sensoriamento Remoto Remote sensing |
description |
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. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-11-08T15:01:25Z 2021-11-08T15:01:25Z 2021-11-08 2021 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bookPart |
format |
bookPart |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30. http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867 http://doi.org/10.36229/978-65-5866-079-8.CAP.04 |
identifier_str_mv |
In: REDIN, E. (org.). Ciências rurais em foco. Belo Horizonte: Poisson, 2021. v. 4, cap. 4, p. 24-30. |
url |
http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135867 http://doi.org/10.36229/978-65-5866-079-8.CAP.04 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa) instacron:EMBRAPA |
instname_str |
Empresa Brasileira de Pesquisa Agropecuária (Embrapa) |
instacron_str |
EMBRAPA |
institution |
EMBRAPA |
reponame_str |
Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) |
collection |
Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) |
repository.name.fl_str_mv |
Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa) |
repository.mail.fl_str_mv |
cg-riaa@embrapa.br |
_version_ |
1794503511384260608 |