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 Federal de Mato Grosso do Sul (UFMS) | - |
Autor(es): dc.contributor | State University of Mato Grosso (UNEMAT) | - |
Autor(es): dc.creator | Silva, Bianca Cavalcante da | - |
Autor(es): dc.creator | Prado, Renato de Mello | - |
Autor(es): dc.creator | Baio, Fábio Henrique Rojo | - |
Autor(es): dc.creator | Campos, Cid Naudi Silva | - |
Autor(es): dc.creator | Teodoro, Larissa Pereira Ribeiro | - |
Autor(es): dc.creator | Teodoro, Paulo Eduardo | - |
Autor(es): dc.creator | Santana, Dthenifer Cordeiro | - |
Autor(es): dc.creator | Fernandes, Thiago Feliph Silva | - |
Autor(es): dc.creator | Silva Junior, Carlos Antonio da | - |
Autor(es): dc.creator | Loureiro, Elisangela de Souza | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:24:10Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:24:10Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.rsase.2023.101110 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/298903 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/298903 | - |
Descrição: dc.description | Fast diagnostics from hyperspectral data and machine learning (ML) models to predict nitrogen (N) and pigment content in maize crops is challenging to optimize nitrogen fertilization. This research assessed the efficiency of the five ML algorithms, the best phenological stage, and the sensitivity of the 90 spectra to estimate N and pigment content. Therefore, this field research proposes as a novelty to test which of the five ML algorithms accurately estimates nitrogen, chlorophyll, and carotenoid content in maize leaves at different phenological stages using hyperspectral band data. The treatments were arranged in a factorial scheme with four N doses (0, 54, 108, and 216 kg ha−1) combined with five leaf collection seasons at phenological stages V6 to V14. The ML models tested were artificial neural networks – ANN, decision tree adapted for prediction problems – M5P, REPTree decision tree, random forest - RF, polynomial support vector machine – PSVM, and ZeroR - ZR (control). Spectral bands 530–560 nm and 690–750 nm are effective wavelengths because the visible region with lower reflectance (530–560 nm) affects N uptake and chlorophyll and carotenoid content, while the red-edge and near-infrared region affects N and chlorophyll content. The random forest (RF) model performed better with higher correlation (r) and mean absolute error (MAE) between predicted and observed values for all variables, with the correlation coefficient (r) value being around 0.6 and the MAE below 0.5 for the prediction of chlorophyll a+b. For the prediction of flavonoids, the r was around 0.6 and the error was 0.07. Support vector machine (SVM) and RF efficiently predicted nitrogen content, in predicting of NF, the r values for both algorithms were above 0.35 and the error was below 2.75. | - |
Descrição: dc.description | Universidade Federal de Mato Grosso do Sul | - |
Descrição: dc.description | Gaussian | - |
Descrição: dc.description | Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul | - |
Descrição: dc.description | Department of Soils and Fertilizers Paulista State University “Júlio de Mesquita Filho” UNESP/FCAV | - |
Descrição: dc.description | Federal University of Mato Grosso Do Sul (UFMS), Chapadão Do Sul, MS | - |
Descrição: dc.description | Department of Agronomy State University of São Paulo (UNESP), Ilha Solteira, SP | - |
Descrição: dc.description | Department of Geography State University of Mato Grosso (UNEMAT), MT | - |
Descrição: dc.description | Department of Soils and Fertilizers Paulista State University “Júlio de Mesquita Filho” UNESP/FCAV | - |
Descrição: dc.description | Department of Agronomy State University of São Paulo (UNESP), Ilha Solteira, SP | - |
Descrição: dc.description | Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul: 07/2022 | - |
Descrição: dc.description | Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul: 318/2022 | - |
Descrição: dc.description | Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul: 88/2021 | - |
Descrição: dc.description | Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul: 94/2023 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Remote Sensing Applications: Society and Environment | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Leaf N content | - |
Palavras-chave: dc.subject | Nutritional diagnosis | - |
Palavras-chave: dc.subject | Precision agriculture | - |
Palavras-chave: dc.subject | Zea mays | - |
Título: dc.title | New approach for predicting nitrogen and pigments in maize from hyperspectral data 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: