@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"
}