Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://dx.doi.org/10.1590/S0102-77862010000100002 http://hdl.handle.net/11449/28937 |
Resumo: | As condições meteorológicas são determinantes para a produção agrícola; a precipitação, em particular, pode ser citada como a mais influente por sua relação direta com o balanço hídrico. Neste sentido, modelos agrometeorológicos, os quais se baseiam nas respostas das culturas às condições meteorológicas, vêm sendo cada vez mais utilizados para a estimativa de rendimentos agrícolas. Devido às dificuldades de obtenção de dados para abastecer tais modelos, métodos de estimativa de precipitação utilizando imagens dos canais espectrais dos satélites meteorológicos têm sido empregados para esta finalidade. O presente trabalho tem por objetivo utilizar o classificador de padrões floresta de caminhos ótimos para correlacionar informações disponíveis no canal espectral infravermelho do satélite meteorológico GOES-12 com a refletividade obtida pelo radar do IPMET/UNESP localizado no município de Bauru, visando o desenvolvimento de um modelo para a detecção de ocorrência de precipitação. Nos experimentos foram comparados quatro algoritmos de classificação: redes neurais artificiais (ANN), k-vizinhos mais próximos (k-NN), máquinas de vetores de suporte (SVM) e floresta de caminhos ótimos (OPF). Este último obteve melhor resultado, tanto em eficiência quanto em precisão. |
id |
UNSP_5aae3b0fb927636a136cb25a6625be91 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/28937 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimosAgricultural areas precipitation occurrence estimation using optimum path forestClassificadores SupervisionadosFloresta de Caminhos ÓtimosGOESEstimativa de Ocorrência de PrecipitaçãoSupervised ClassifiersOptimum-Path ForestGOESPrecipitation Occurrence IdentificationAs condições meteorológicas são determinantes para a produção agrícola; a precipitação, em particular, pode ser citada como a mais influente por sua relação direta com o balanço hídrico. Neste sentido, modelos agrometeorológicos, os quais se baseiam nas respostas das culturas às condições meteorológicas, vêm sendo cada vez mais utilizados para a estimativa de rendimentos agrícolas. Devido às dificuldades de obtenção de dados para abastecer tais modelos, métodos de estimativa de precipitação utilizando imagens dos canais espectrais dos satélites meteorológicos têm sido empregados para esta finalidade. O presente trabalho tem por objetivo utilizar o classificador de padrões floresta de caminhos ótimos para correlacionar informações disponíveis no canal espectral infravermelho do satélite meteorológico GOES-12 com a refletividade obtida pelo radar do IPMET/UNESP localizado no município de Bauru, visando o desenvolvimento de um modelo para a detecção de ocorrência de precipitação. Nos experimentos foram comparados quatro algoritmos de classificação: redes neurais artificiais (ANN), k-vizinhos mais próximos (k-NN), máquinas de vetores de suporte (SVM) e floresta de caminhos ótimos (OPF). Este último obteve melhor resultado, tanto em eficiência quanto em precisão.Meteorological conditions are determinant for the agricultural production; in particular, rainfall may be cited as the most important because having direct relation with water balance. To estimate agricultural production, agrometeorological models based on the cultures behavior under meteorological conditions, have been used. Since it is difficult to obtain the required data to these models, rainfall estimation techniques using meteorological satellites images from spectral channels have been used. The objective of the present work is to apply the Optimum-Path Forest pattern classifier to the agrometeorological research field in order to correlate the available information from GOES-12 satellite infrared spectral channel images, to the reflectivity data obtained by the IPMET/UNESP radar located at Bauru, aiming to develop a model for precipitation occurrence identification. In the experiments we compared four classification algorithms: Artificial Neural Networks (ANN), k-Nearest Neighbors (k-NN), Support vector Machines (SVM) and optimum-Path Forest (OPF). this last one shows the best results in terms of accuracy rate and running time.Universidade Estadual de Campinas Faculdade de Engenharia Elétrica Departamento de Engenharia de Computação e Automação IndustrialUniversidade Estadual Paulista Júlio de Mesquita Filho Faculdade de Ciências Departamento de ComputaçãoUNICAMP Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à AgriculturaUNICAMP Instituto de Computação Departamento de Sistemas de InformaçãoUniversidade Estadual Paulista Júlio de Mesquita Filho Faculdade de Ciências Departamento de ComputaçãoSociedade Brasileira de MeteorologiaUniversidade Estadual de Campinas (UNICAMP)Universidade Estadual Paulista (Unesp)Freitas, Greice Martins dePapa, João Paulo [UNESP]Avila, Ana Maria Heuminski dePinto, Alexandre Xavier Falcão Hilton SilveiraPinto, Hilton Silveira2014-05-20T15:13:47Z2014-05-20T15:13:47Z2010-03-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/article13-23application/pdfhttp://dx.doi.org/10.1590/S0102-77862010000100002Revista Brasileira de Meteorologia. Sociedade Brasileira de Meteorologia, v. 25, n. 1, p. 13-23, 2010.0102-7786http://hdl.handle.net/11449/2893710.1590/S0102-77862010000100002S0102-77862010000100002S0102-77862010000100002.pdf9039182932747194SciELOreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPporRevista Brasileira de Meteorologia0,264info:eu-repo/semantics/openAccess2024-04-23T16:10:44Zoai:repositorio.unesp.br:11449/28937Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T15:16:27.099929Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos Agricultural areas precipitation occurrence estimation using optimum path forest |
title |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
spellingShingle |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos Freitas, Greice Martins de Classificadores Supervisionados Floresta de Caminhos Ótimos GOES Estimativa de Ocorrência de Precipitação Supervised Classifiers Optimum-Path Forest GOES Precipitation Occurrence Identification |
title_short |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
title_full |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
title_fullStr |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
title_full_unstemmed |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
title_sort |
Estimativa de ocorrência de precipitação em áreas agrícolas utilizando floresta de caminhos ótimos |
author |
Freitas, Greice Martins de |
author_facet |
Freitas, Greice Martins de Papa, João Paulo [UNESP] Avila, Ana Maria Heuminski de Pinto, Alexandre Xavier Falcão Hilton Silveira Pinto, Hilton Silveira |
author_role |
author |
author2 |
Papa, João Paulo [UNESP] Avila, Ana Maria Heuminski de Pinto, Alexandre Xavier Falcão Hilton Silveira Pinto, Hilton Silveira |
author2_role |
author author author author |
dc.contributor.none.fl_str_mv |
Universidade Estadual de Campinas (UNICAMP) Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Freitas, Greice Martins de Papa, João Paulo [UNESP] Avila, Ana Maria Heuminski de Pinto, Alexandre Xavier Falcão Hilton Silveira Pinto, Hilton Silveira |
dc.subject.por.fl_str_mv |
Classificadores Supervisionados Floresta de Caminhos Ótimos GOES Estimativa de Ocorrência de Precipitação Supervised Classifiers Optimum-Path Forest GOES Precipitation Occurrence Identification |
topic |
Classificadores Supervisionados Floresta de Caminhos Ótimos GOES Estimativa de Ocorrência de Precipitação Supervised Classifiers Optimum-Path Forest GOES Precipitation Occurrence Identification |
description |
As condições meteorológicas são determinantes para a produção agrícola; a precipitação, em particular, pode ser citada como a mais influente por sua relação direta com o balanço hídrico. Neste sentido, modelos agrometeorológicos, os quais se baseiam nas respostas das culturas às condições meteorológicas, vêm sendo cada vez mais utilizados para a estimativa de rendimentos agrícolas. Devido às dificuldades de obtenção de dados para abastecer tais modelos, métodos de estimativa de precipitação utilizando imagens dos canais espectrais dos satélites meteorológicos têm sido empregados para esta finalidade. O presente trabalho tem por objetivo utilizar o classificador de padrões floresta de caminhos ótimos para correlacionar informações disponíveis no canal espectral infravermelho do satélite meteorológico GOES-12 com a refletividade obtida pelo radar do IPMET/UNESP localizado no município de Bauru, visando o desenvolvimento de um modelo para a detecção de ocorrência de precipitação. Nos experimentos foram comparados quatro algoritmos de classificação: redes neurais artificiais (ANN), k-vizinhos mais próximos (k-NN), máquinas de vetores de suporte (SVM) e floresta de caminhos ótimos (OPF). Este último obteve melhor resultado, tanto em eficiência quanto em precisão. |
publishDate |
2010 |
dc.date.none.fl_str_mv |
2010-03-01 2014-05-20T15:13:47Z 2014-05-20T15:13:47Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dx.doi.org/10.1590/S0102-77862010000100002 Revista Brasileira de Meteorologia. Sociedade Brasileira de Meteorologia, v. 25, n. 1, p. 13-23, 2010. 0102-7786 http://hdl.handle.net/11449/28937 10.1590/S0102-77862010000100002 S0102-77862010000100002 S0102-77862010000100002.pdf 9039182932747194 |
url |
http://dx.doi.org/10.1590/S0102-77862010000100002 http://hdl.handle.net/11449/28937 |
identifier_str_mv |
Revista Brasileira de Meteorologia. Sociedade Brasileira de Meteorologia, v. 25, n. 1, p. 13-23, 2010. 0102-7786 10.1590/S0102-77862010000100002 S0102-77862010000100002 S0102-77862010000100002.pdf 9039182932747194 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
Revista Brasileira de Meteorologia 0,264 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
13-23 application/pdf |
dc.publisher.none.fl_str_mv |
Sociedade Brasileira de Meteorologia |
publisher.none.fl_str_mv |
Sociedade Brasileira de Meteorologia |
dc.source.none.fl_str_mv |
SciELO reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808128492542361600 |