@InProceedings{BarbosaPedrGuil:2023:EsCoDi,
author = "Barbosa, Luiz Antonio Falaguasta and Pedronette, Daniel Carlos
Guimar{\~a}es and Guilherme, Ivan Rizzo",
affiliation = "{Universidade Estadual Paulista (UNESP)} and {Universidade
Estadual Paulista (UNESP)} and {Universidade Estadual Paulista
(UNESP)}",
title = "Estudo comparativo entre diferentes regressores para estimar
produtividade de cana-de-a{\c{c}}{\'u}car",
booktitle = "Anais...",
year = "2023",
editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz
Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
pages = "e155771",
organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 20. (SBSR)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
address = "S{\~a}o Jos{\'e} dos Campos",
keywords = "Grid search, cana-de-a{\c{c}}{\'u}car, estimativa de
produtividade, aprendizado de m{\'a}quina, Grid search,
sugarcane, yield crop, machine learning.",
abstract = "Modelos de aprendizado de m{\'a}quina t{\^e}m obtido resultados
not{\'a}veis em diversas {\'a}reas do conhecimento, inclusive em
agricultura de precis{\~a}o. Contudo, a diversidade de modelos
distintos dispon{\'{\i}}veis e a car{\^e}ncia de an{\'a}lises
comparativas torna a sele{\c{c}}{\~a}o de um modelo uma tarefa
desafiadora. Este artigo faz uma avalia{\c{c}}{\~a}o de
diferentes regressores em tarefas de predi{\c{c}}{\~a}o de
produtividade de cana-de-a{\c{c}}{\'u}car, modeladas a partir de
caracter{\'{\i}}sticas compostas por {\'{\i}}ndices
vegetativos. O estudo realizado considerou os regressores Multi
Layer Perceptron (MLP), Support Vector Regressor (SVR), Random
Forest, AdaBoost e Gradient Boosting, ajustados a partir de
hiperpar{\^a}metros obtidos com o m{\'e}todo grid search. Foram
utilizados conjuntos de dados p{\'u}blicos, referente a
{\'a}reas cultivadas em 2 campos experimentais na Austr{\'a}lia.
Foram considerados 5 modelos obtidos a partir de 10
{\'{\i}}ndices vegetativos multiespectrais e espectro
vis{\'{\i}}vel red-green-blue (RGB), escolhidos com base no
redutor de dimensionalidade An{\'a}lise de Componentes Principais
(PCA). Al{\'e}m de imagens multiespectrais, bandas Light
Detection And Ranging (LiDAR) tamb{\'e}m foram utilizadas no
estudo comparativo. ABSTRACT: Machine learning models have
obtained remarkable results in several areas of knowledge,
including precision agriculture. However, the diversity of
different models available and the lack of comparative analyzes
make the selection of a model a challenging task. This article
makes an evaluation of different regressors in sugarcane
productivity prediction tasks, modeled from features composed by
vegetative indices. The study carried out considered the Multi
Layer Perceptron(MLP), Support Vector Regression (SVR), Random
Forest, AdaBoost and Gradient Boosting regressors, adjusted from
hyperparameters obtained with the grid search method. Public
datasets were used, referring to cultivated areas in 2
experimental fields in Australia. We considered 5 models obtained
from 10 multispectral and visible spectrum red-green-blue (RGB)
vegetative indices, chosen based on the dimensionality reducer
Principal Component Analysis (PCA). In addition to multispectral
imaging, Light Detection And Ranging (LiDAR) bands were also used
in the comparative study.",
conference-location = "Florian{\'o}polis",
conference-year = "02-05 abril 2023",
isbn = "978-65-89159-04-9",
language = "pt",
organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
ibi = "8JMKD3MGP6W34M/492LP35",
url = "http://urlib.net/ibi/8JMKD3MGP6W34M/492LP35",
targetfile = "155771.pdf",
type = "Produ{\c{c}}{\~a}o e previs{\~a}o agr{\'{\i}}cola",
urlaccessdate = "22 maio 2024"
}