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 | Canata, Tatiana Fernanda | - |
Autor(es): dc.creator | Júnior, Marcelo Rodrigues Barbosa | - |
Autor(es): dc.creator | de Oliveira, Romário Porto | - |
Autor(es): dc.creator | Furlani, Carlos Eduardo Angeli | - |
Autor(es): dc.creator | da Silva, Rouverson Pereira | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:18:14Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:18:14Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-06-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s12355-024-01399-9 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/297588 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/297588 | - |
Descrição: dc.description | Anticipating the sugar content of sugarcane crop is a crucial aspect that holds the key to develop innovative data-driven solutions for determining the ideal time of mechanized harvest. However, traditional laboratory-based approaches are laborious, time-consuming, and limited in their scalability. Thus, we explored the potential of integrating multispectral data and cutting-edge artificial intelligence algorithms to predict the sugar content attributes of sugarcane, namely Brix and Purity. The sugarcane quality attributes were measured in a routine laboratory using 510 georeferenced samples from two commercial areas. Crop canopy reflectance values and growing degree days (GDD) were used as inputs on developing predictive models. Two artificial intelligence (AI) algorithms, artificial neural network (ANN) and random forest (RF), and multiple linear regression (MLR) were performed to create the predictive models for mapping the sugarcane quality. The models’ performance proved that RF regression was better for °Brix prediction. In contrast, Purity values were better predicted by ANN algorithm. GDD was the most important variable on performance of RF modeling for both outputs, followed by Green spectral band from satellite imagery. Timely results were achieved integrating satellite imagery and AI-based model on prediction of qualitative attributes for sugarcane. It can provide useful data layers to support site-specific management strategies within season by agroindustry and supporting the decision-making of harvesting in large scale. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Department of Engineering School of Agricultural and Veterinarian Sciences São Paulo State University (UNESP) | - |
Descrição: dc.description | Department of Engineering School of Agricultural and Veterinarian Sciences São Paulo State University (UNESP) | - |
Descrição: dc.description | FAPESP: 2022/13992-0 | - |
Formato: dc.format | 741-751 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Sugar Tech | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Brix | - |
Palavras-chave: dc.subject | Crop monitoring | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Saccharum spp | - |
Título: dc.title | AI-Driven Prediction of Sugarcane Quality Attributes Using Satellite 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: