@InProceedings{CostaSilvAdamSanc:2023:PrPrMé,
               author = "Costa, Jo{\~a}o Pedro de Sousa and Silva, Luiz Gabriel da and 
                         Adami, Marcos and Sanches, Ieda Del'Arco",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "Predi{\c{c}}{\~a}o da produtividade m{\'e}dia de 
                         cana-de-a{\c{c}}{\'u}car a partir de imagens orbitais do Sensor 
                         MSI/Seninel-2",
            booktitle = "Anais...",
                 year = "2023",
               editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz 
                         Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
                pages = "e156003",
         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 = "Sensoriamento remoto, cana-dea{\c{c}}{\'u}car, aprendizado de 
                         m{\'a}quina, gradient boosting, Remote Sensing, Sugar Cane, 
                         Machine Learning, Gradient Boosting.",
             abstract = "Estimar a produtividade de culturas agr{\'{\i}}colas {\'e} 
                         fundamental por diversos motivos, desde a defini{\c{c}}{\~a}o de 
                         pol{\'{\i}}ticas por {\'o}rg{\~a}os governamentais ao 
                         planejamento de a{\c{c}}{\~o}es de colheita e p{\'o}s colheita 
                         por produtores agr{\'{\i}}colas, cooperativas e tradings. A 
                         cana-de-a{\c{c}}{\'u}car {\'e} uma cultura agr{\'{\i}}cola de 
                         larga escala, sendo o Brasil o maior produtor mundial. O objetivo 
                         deste trabalho foi estimar a produtividade m{\'e}dia de 
                         talh{\~o}es de cana-de-a{\c{c}}{\'u}car utilizando s{\'e}ries 
                         temporais de imagens do sensor MSI/Sentinel-2. Foram utilizadas 
                         estimativas de produtividade geradas por um sensor instalado em 
                         uma colhedora em Nova Londrina-PR para constru{\c{c}}{\~a}o da 
                         vari{\'a}vel resposta. Ao total foram utilizados 
                         informa{\c{c}}{\~o}es de 42 talh{\~o}es. As bandas das imagens 
                         foram utilizadas para constru{\c{c}}{\~a}o de atributos, que 
                         foram utilizados para treinamento de um estimador de aprendizado 
                         de m{\'a}quina, Gradient Boosting Regressor. Foram utilizados 10 
                         talh{\~o}es para valida{\c{c}}{\~a}o, e em sete desses 
                         talh{\~o}es o n{\'{\i}}vel de erro relativo foi inferior a 5%. 
                         ABSTRACT: Estimating the yield of agricultural crops is essential 
                         for several reasons, from the definition of policies by government 
                         agencies to the planning of harvest and post-harvest actions by 
                         farmers, cooperatives and trading companies. Sugarcane is a 
                         large-scale agricultural crop, with Brazil being the world's 
                         largest producer. The objective of this work was to estimate the 
                         average yield of sugarcane using a time series of images from the 
                         MSI/Sentinel-2. Yield estimates generated by a sensor installed in 
                         a harvester in Nova Londrina-PR were used for the construction of 
                         the target. Information from 42 areas was used. The bands of the 
                         images were used to construct attributes, which were used to train 
                         a machine learning estimator, Gradient Boosting Regressor. Ten 
                         areas were used for validation, and in seven of them the relative 
                         error level was less than 5%.",
  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/49278G8",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/49278G8",
           targetfile = "156003.pdf",
                 type = "Produ{\c{c}}{\~a}o e previs{\~a}o agr{\'{\i}}cola",
        urlaccessdate = "09 maio 2024"
}