@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"
}