@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"
}