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 | Federal Technological University of Paraná (UTFPR) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | State University of Mato Grosso (UNEMAT) | - |
Autor(es): dc.contributor | Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA) | - |
Autor(es): dc.contributor | Louisiana State University (LSU) | - |
Autor(es): dc.creator | Carneiro, Franciele Morlin | - |
Autor(es): dc.creator | Filho, Armando Lopes de Brito | - |
Autor(es): dc.creator | Ferreira, Francielle Morelli | - |
Autor(es): dc.creator | Junior, Getulio de Freitas Seben | - |
Autor(es): dc.creator | Brandão, Ziany Neiva | - |
Autor(es): dc.creator | da Silva, Rouverson Pereira | - |
Autor(es): dc.creator | Shiratsuchi, Luciano Shozo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:47:48Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:47:48Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-10-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.atech.2023.100292 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/297636 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/297636 | - |
Descrição: dc.description | Remote sensing (RS) in agriculture has been widely used for mapping soil, plant, and atmosphere attributes, as well as helping in the sustainable production of the crop by providing the possibility of application at variable rates and estimating the productivity of agricultural crops. In this way, proximal sensors used by RS help producers in decision-making to increase productivity. This research aims to identify the best feature importance ranking to the Random Forest Classifier to predict cotton yield and select which one best correlates with cotton yield. This work was developed in four commercial fields on a Newellton, LA, USA farm. We evaluated the cotton in different years as 2019, 2020, and 2021. The variables evaluated were: soil parameters, topographic indices, elevation derivatives, and orbital remote sensing. The soil sensor used was: GSSI Profiler EMP400 (soil electromagnetic induction sensor) at a frequency of 15 kHz, and the RS data were collected from satellite images from Sentinel 2 (passive sensor) and active sensor from LiDAR (Light Detection and Ranging). For training (70%) and validation (30%) of dataset results, Spearman correlation was used between sensors and cotton yield data, machine learning (Random Forest Classifier and Regressor - RFC and RFR). The metric parameters were the coefficient of determination (R²), the Mean Absolute Error (MAE), and the Root Mean Square Error (RMSE). This study found that profiler, Sentinel-2 (blue, red, and green), TPI, LiDAR, and RTK elevation show the best correlations to predicting cotton yield. | - |
Descrição: dc.description | Cotton Incorporated | - |
Descrição: dc.description | Federal Technological University of Paraná (UTFPR), PR | - |
Descrição: dc.description | São Paulo State University (UNESP) School of Agricultural and Veterinarian Sciences, SP | - |
Descrição: dc.description | State University of Mato Grosso (UNEMAT), MT | - |
Descrição: dc.description | Brazilian Agricultural Research Corporation (EMBRAPA Cotton), PB | - |
Descrição: dc.description | School of Plant Enviromental and Soil Sciences Louisiana State University (LSU) | - |
Descrição: dc.description | São Paulo State University (UNESP) School of Agricultural and Veterinarian Sciences, SP | - |
Descrição: dc.description | Cotton Incorporated: GR-00010529 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Smart Agricultural Technology | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Gossypium hirsutum | - |
Palavras-chave: dc.subject | Random forest | - |
Palavras-chave: dc.subject | Satellite imagery | - |
Título: dc.title | Soil and satellite remote sensing variables importance using machine learning to predict cotton yield | - |
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: