Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Tedesco, Danilo | - |
Autor(es): dc.creator | Almeida Moreira, Bruno Rafael de | - |
Autor(es): dc.creator | Barbosa Júnior, Marcelo Rodrigues | - |
Autor(es): dc.creator | Papa, João Paulo | - |
Autor(es): dc.creator | Silva, Rouverson Pereira da | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:40:05Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:40:05Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2021-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.compag.2021.106544 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/233784 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/233784 | - |
Descrição: dc.description | Single-target regression can accurately predict the crop's performance but fails to generalize problems with more than one true and cross-validatable solution. An alternative to output multiple numeric values upon the input, we think, would be multi-target regression (MTR) with either Random Forest (RF) or k-nearest neighbors (KNN). Therefore, we captured the advantages of high-resolution remote sensing and multi-target machine learning into an immersive single framework then analyzed if it could be possible for accurately predicting for the yield of sweet potato by the market class of its tuberous roots (i.e., Extra < 0.15 kg; 015 ≤ Extra AA ≤ 0.45 kg; and Extra A > 0.45 kg) upon imagery data on summer and winter full-scale fields. The remote sensing captured the spectral changes on both fields and enabled the MTR to accurately predict for the yield of sweet potato in total and by the market class of harvestable roots upon normalized difference vegetation index (NDVI) and its derivative version (GreenNDVI) as well as upon soil-adjusted vegetation index (SAVI). The SAVI-RF framework predicted the summer field to yield marketable roots at the proportions of 2.04 t ha−1 Extra, 3.89 t ha−1 Extra AA and 2.08 t ha−1 Extra A, and the spectral data from the mid-stage of cultivation at 296 growing degree days (GDD) minimized its mean absolute error (MAE) to 2.66 t ha−1. The GNDVI-RF framework predicted the winter field to yield 1.64 t ha−1 Extra, 5.02 t ha−1 Extra AA and 3.65 t ha−1 Extra A, with an error of 3.45 t ha−1 upon spectral data from sampling on the late stage at 966 GDD. Our insights are timely an absolutely will open up the horizons for harvesting high-quality roots to commercialization, industrialization and propagation, and scaling up this essentially provocative yet emerging crop for food safety and energy security. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Department of Engineering and Mathematical Sciences São Paulo State University | - |
Descrição: dc.description | Department of Computing School of Sciences São Paulo State University | - |
Descrição: dc.description | Department of Engineering and Mathematical Sciences São Paulo State University | - |
Descrição: dc.description | Department of Computing School of Sciences São Paulo State University | - |
Descrição: dc.description | CAPES: 001 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Computers and Electronics in Agriculture | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | High-resolution remote sensing | - |
Palavras-chave: dc.subject | Ipomoea batatas | - |
Palavras-chave: dc.subject | K-nearest neighbors | - |
Palavras-chave: dc.subject | Random Forest | - |
Palavras-chave: dc.subject | Smart harvesting | - |
Palavras-chave: dc.subject | Transformative agriculture | - |
Título: dc.title | Predicting on multi-target regression for the yield of sweet potato by the market class of its roots upon vegetation indices | - |
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: