Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de Mato Grosso do Sul (UFMS) | - |
Autor(es): dc.contributor | Univ Western Sao Paulo | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | Univ Waterloo | - |
Autor(es): dc.contributor | Santa Catarina State Univ UDESC | - |
Autor(es): dc.creator | Osco, Lucas Prado | - |
Autor(es): dc.creator | Marques Ramos, Ana Paula | - |
Autor(es): dc.creator | Pereira, Danilo Roberto | - |
Autor(es): dc.creator | Saito Moriya, Erika Akemi [UNESP] | - |
Autor(es): dc.creator | Imai, Nilton Nobuhiro [UNESP] | - |
Autor(es): dc.creator | Matsubara, Edson Takashi | - |
Autor(es): dc.creator | Estrabis, Nayara | - |
Autor(es): dc.creator | Souza, Mauricio de | - |
Autor(es): dc.creator | Marcato Junior, Jose | - |
Autor(es): dc.creator | Goncalves, Wesley Nunes | - |
Autor(es): dc.creator | Li, Jonathan | - |
Autor(es): dc.creator | Liesenberg, Veraldo | - |
Autor(es): dc.creator | Creste, Jose Eduardo | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:09:35Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:09:35Z | - |
Data de envio: dc.date.issued | 2020-12-09 | - |
Data de envio: dc.date.issued | 2020-12-09 | - |
Data de envio: dc.date.issued | 2019-12-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/rs11242925 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/196489 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/196489 | - |
Descrição: dc.description | The traditional method of measuring nitrogen content in plants is a time-consuming and labor-intensive task. Spectral vegetation indices extracted from unmanned aerial vehicle (UAV) images and machine learning algorithms have been proved effective in assisting nutritional analysis in plants. Still, this analysis has not considered the combination of spectral indices and machine learning algorithms to predict nitrogen in tree-canopy structures. This paper proposes a new framework to infer the nitrogen content in citrus-tree at a canopy-level using spectral vegetation indices processed with the random forest algorithm. A total of 33 spectral indices were estimated from multispectral images acquired with a UAV-based sensor. Leaf samples were gathered from different planting-fields and the leaf nitrogen content (LNC) was measured in the laboratory, and later converted into the canopy nitrogen content (CNC). To evaluate the robustness of the proposed framework, we compared it with other machine learning algorithms. We used 33,600 citrus trees to evaluate the performance of the machine learning models. The random forest algorithm had higher performance in predicting CNC than all models tested, reaching an R-2 of 0.90, MAE of 0.341 gkg(-1) and MSE of 0.307 gkg(-1). We demonstrated that our approach is able to reduce the need for chemical analysis of the leaf tissue and optimizes citrus orchard CNC monitoring. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | FAPESC | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Univ Fed Mato Grosso do Sul, Fac Engn Architecture & Urbanism & Geog, Ave Costa E Silva, BR-79070900 Campo Grande, MS, Brazil | - |
Descrição: dc.description | Univ Western Sao Paulo, Environm & Reg Dev, R Jose Bongiovani,700-Cidade Univ, BR-19050920 Presidente Prudente, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Cartog Sci, BR-19060900 Presidente Prudente, Brazil | - |
Descrição: dc.description | Univ Fed Mato Grosso do Sul, Fac Comp Sci, Ave Costa E Silva, BR-79070900 Campo Grande, MS, Brazil | - |
Descrição: dc.description | Univ Waterloo, Dept Geog & Environm Management, Waterloo, ON N2L 3G1, Canada | - |
Descrição: dc.description | Univ Waterloo, Dept Syst Design Engn, Waterloo, ON N2L 3G1, Canada | - |
Descrição: dc.description | Santa Catarina State Univ UDESC, Forest Engn Dept, Ave Luiz de Camoes 2090, BR-88520000 Conta Dinheiro, SC, Brazil | - |
Descrição: dc.description | Univ Western Sao Paulo, Agron Dev, R Jose Bongiovani,700 Cidade Univ, BR-19050920 Presidente Prudente, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Cartog Sci, BR-19060900 Presidente Prudente, Brazil | - |
Descrição: dc.description | CAPES: p: 88881.311850/2018-01 | - |
Descrição: dc.description | FAPESC: 2017TR1762 | - |
Descrição: dc.description | CNPq: 313887/2018-7 | - |
Formato: dc.format | 17 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Mdpi | - |
Relação: dc.relation | Remote Sensing | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | UAV multispectral imagery | - |
Palavras-chave: dc.subject | spectral vegetation indices | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | plant nutrition | - |
Título: dc.title | Predicting Canopy Nitrogen Content in Citrus-Trees Using Random Forest Algorithm Associated to Spectral Vegetation Indices from UAV-Imagery | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: