@InProceedings{LucianoDufPicRocLaM:2019:EsPrCa,
               author = "Luciano, Ana Cl{\'a}udia dos Santos and Duft, Daniel Garbellini 
                         and Picoli, Michelle Cristina Ara{\'u}jo and Rocha, Jansle Vieira 
                         and La Maire, Guerric",
          affiliation = "{Centro Nacional de Pesquisa em Energia e Materiais (CNPEM)} and 
                         {Centro Nacional de Pesquisa em Energia e Materiais (CNPEM)} and 
                         {Instituto Nacional de Pesquisas Espaciais (INPE)} and 
                         {Universidade Estadual de Campinas (UNICAMP)} and CIRAD, UMR 
                         Eco\&Sols",
                title = "Estimativa da produtividade de cana-de-a{\c{c}}{\'u}car 
                         utilizando imagens Landsat e Random Forest",
            booktitle = "Anais...",
                 year = "2019",
               editor = "Gherardi, Douglas Francisco Marcolino and Sanches, Ieda DelArco 
                         and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz de",
                pages = "223--226",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 19. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "estimativa de safra, sensoriamento remoto, aprendizado de 
                         m{\'a}quina, {\'{\i}}ndices de vegeta{\c{c}}{\~a}o, yield 
                         forecasting, remote sensing, machine learning, vegetation index.",
             abstract = "O sensoriamento remoto tem contribu{\'{\i}}do para o 
                         monitoramento de {\'a}rea e produ{\c{c}}{\~a}o da 
                         cana-de-a{\c{c}}{\'u}car. Neste trabalho, a produtividade de 
                         cana-de-a{\c{c}}{\'u}car foi estimada a partir de imagens dos 
                         sat{\'e}lites Landsat. Foram criados modelos calibrados e 
                         aplicados no mesmo ano e, um modelo global com 
                         calibra{\c{c}}{\~a}o de 5 anos e aplica{\c{c}}{\~a}o em um ano 
                         de interesse. Os modelos foram criados com a s{\'e}rie temporal 
                         de imagens Landsat e dados de campo, a partir do algoritmo Random 
                         Forest. Os dados de campo correspondem a produtividade, e 
                         preditores tipo de solos, data de colheita e variedade dos 
                         talh{\~o}es. Os modelos anuais apresentaram melhores ajustes do 
                         que o modelo global (Rē=0,80 e RMSE=6,3ton/ha versus Rē=0,77 e 
                         RMSE=6,5 ton/ha). As principais vari{\'a}vies espectrais do 
                         modelo global foram {\'{\i}}ndices de vegeta{\c{c}}{\~a}o e 
                         bandas espectrais do infravermelho m{\'e}dio e infravermelho 
                         pr{\'o}ximo. Os resultados apontam uma metodologia potencial de 
                         estimativa de produtividade da cana-de-a{\c{c}}{\'u}car com 
                         imagens de sat{\'e}lite. ABSTRACT: Remote sensing is essential 
                         for monitoring sugarcane area and production. In this study, the 
                         forecasting of sugarcane yield was done based on images from 
                         Landsat satellites. Models were calibrated and applied on the same 
                         year and a global model was calibrated on the 5 years and applied 
                         on one independent data from each year. The models were created 
                         with temporal series of Landsat images and field data with Random 
                         Forest algorithm. Field data are yield, soil type, harvest date 
                         and variety of sugarcane areas. The annual models showed better 
                         agreement than the global model (Rē=0,80 e RMSE=6,3ton/ha versus 
                         Rē=0,77 e RMSE=6,5 ton/ha). The most important spectral variables 
                         of the global model were vegetation index and bands from short 
                         wave infrared and near infrared spectral regions. The results show 
                         a potential methodology for forecasting sugarcane yield with 
                         Landsat images.",
  conference-location = "Santos",
      conference-year = "14-17 abril 2019",
                 isbn = "978-85-17-00097-3",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/3U9MEUH",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/3U9MEUH",
           targetfile = "97833.pdf",
                 type = "Produ{\c{c}}{\~a}o e previs{\~a}o agr{\'{\i}}cola",
        urlaccessdate = "10 maio 2024"
}