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.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.creator | Pinto, Antonio Alves | - |
Autor(es): dc.creator | Zerbato, Cristiano | - |
Autor(es): dc.creator | Rolim, Glauco de Souza | - |
Autor(es): dc.creator | Barbosa Júnior, Marcelo Rodrigues | - |
Autor(es): dc.creator | Silva, Luis Fernando Vieira da | - |
Autor(es): dc.creator | Oliveira, Romário Porto de | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:21:53Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:21:53Z | - |
Data de envio: dc.date.issued | 2023-03-02 | - |
Data de envio: dc.date.issued | 2023-03-02 | - |
Data de envio: dc.date.issued | 2021-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1002/agj2.21141 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/242103 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/242103 | - |
Descrição: dc.description | This study aimed to evaluate the performance of six machine-learning models in forecasting corn (Zea mays L.) grain yield before harvest using, as input, variables in the models, some of the most-used vegetation indices (VIs) and spectral bands in the literature, as well as using data at 770 and 980 sum of degree days (SDD). The field study was carried out in a commercial area in the 2017–2018 and 2018–2019 harvests. Spectral data were obtained from Sentinel-2 satellite images and were used as input variables in the proposed models: artificial neural networks (ANN), k-nearest neighbors (KNN), random forest (RF), and support vector machine (SVM). The maximum R2 and minimum values of mean absolute error (MAE) and RMSE were 0.89, 0.33, and 0.42 t ha−1, respectively, for the RF algorithm using all input variables. The results obtained in the present study show that it is possible to predict corn grain yield 80 d before harvest using only VIs for the crop. Testing the various combinations of spectral bands and VIs resulted in obtaining the GREEN band and the VI global environment monitoring index (GEMI) as the best predictor variables in the present study. The use of more than one SDD did not improve the performance of the models tested. The models developed using data at 980 SDD obtained the best precision and accuracy performance both in the scenario with all model input variables and with the two best predictors. The KNN algorithm obtained the best performance in the precision and accuracy metrics for most of the scenarios studied in the present work. | - |
Descrição: dc.description | Dep. of Rural Engineering and Exact Sciences School of Agricultural and Veterinarian Sciences São Paulo State Univ. (UNESP), São Paulo | - |
Descrição: dc.description | College of Agriculture ‘Luiz de Queiroz’ Soil Science and Plant Nutrition Dep. Univ. of São Paulo, Av. Pádua Dias, 11, SP | - |
Descrição: dc.description | Dep. of Rural Engineering and Exact Sciences School of Agricultural and Veterinarian Sciences São Paulo State Univ. (UNESP), São Paulo | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Agronomy Journal | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Corn grain yield forecasting by satellite remote sensing and machine-learning models | - |
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: