@InProceedings{SperanzaAntBarConVas:2023:ImÍnVe,
author = "Speranza, Eduardo Antonio and Antunes, Jo{\~a}o Francisco
Gon{\c{c}}alves and Barbosa, Luiz Antonio Falaguasta and
Con{\c{c}}ado, Geraldo Magela de Almeida and Vasconcelos, Julio
Cezar",
affiliation = "{Embrapa Agricultura Digital} and {Embrapa Agricultura Digital}
and {Embrapa Agricultura Digital} and {Embrapa Agricultura
Digital} and {Embrapa Agricultura Digital}",
title = "Import{\^a}ncia de {\'{\i}}ndices de vegeta{\c{c}}{\~a}o para
modelos de estimativa de produtividade em
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 = "e155908",
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 = "imagens suborbitais, aprendizado de m{\'a}quina, florestas de
decis{\~a}o aleat{\'o}ria, imaging, machine learning, decision
trees.",
abstract = "Estimar a produtividade da cana-de-a{\c{c}}{\'u}car de forma
confi{\'a}vel e com anteced{\^e}ncia em rela{\c{c}}{\~a}o
{\`a} colheita {\'e} importante para a tomada de decis{\~a}o do
produtor. Neste contexto, este trabalho descreve o experimento
realizado com o algoritmo de aprendizado de m{\'a}quina Random
Forest para identifica{\c{c}}{\~a}o da import{\^a}ncia de
utiliza{\c{c}}{\~a}o de diferentes {\'{\i}}ndices de
vegeta{\c{c}}{\~a}o obtidos de imagens suborbitais, nas
diferentes fases do ciclo de desenvolvimento da
cana-dea{\c{c}}{\'u}car, como vari{\'a}veis preditoras para a
estimativa de produtividade. Foram utilizados {\'{\i}}ndices de
vegeta{\c{c}}{\~a}o conhecidos por estimar o {\'{\i}}ndice de
{\'a}rea foliar, cobertura vegetal, volume de biomassa e
clorofila presente nas plantas, e dados de produtividade de campo
obtidos a partir de biometria em parcelas experimentais. Os
resultados mostraram que os {\'{\i}}ndices BI e BGI na fase de
crescimento,e os {\'{\i}}ndices NDVI e VARI na fase de
matura{\c{c}}{\~a}o, possibilitaram a gera{\c{c}}{\~a}o de
modelos de estimativa de produtividade com menor erro dentre os
{\'{\i}}ndices estudados. ABSTRACT: Estimating sugarcane
productivity reliably and in advance of the harvest is important
for the farmers decision-making. In this context, this paper
describes the experiment carried out with the Random Forest
machine learning algorithm to identify the importance of using
different vegetation indices obtained from suborbital images, at
different stages of the sugarcane development cycle, as variables
predictors for estimating yield. Vegetation indices known to
estimate leaf area index, vegetation cover, volume of biomass and
chlorophyll present in plants, and yield data obtained from
biometry in experimental plots were used. The results showed that
the BI and BGI indices, in the growth phase, and the NDVI and VARI
indices, in the maturation phase, can enable the generation of
yield estimation models with greater accuracy among the studied
indices.",
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/493786H",
url = "http://urlib.net/ibi/8JMKD3MGP6W34M/493786H",
targetfile = "155908.pdf",
type = "Classifica{\c{c}}{\~a}o e minera{\c{c}}{\~a}o de dados",
urlaccessdate = "10 maio 2024"
}