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 Univ Mato Grosso UNEMAT | - |
Autor(es): dc.creator | Oliveira, Joao L. G. de | - |
Autor(es): dc.creator | Santana, Dthenifer C. | - |
Autor(es): dc.creator | Oliveira, Izabela C. de | - |
Autor(es): dc.creator | Gava, Ricardo | - |
Autor(es): dc.creator | Baio, Fabio H. R. | - |
Autor(es): dc.creator | Silva Junior, Carlos A. da | - |
Autor(es): dc.creator | Teodoro, Larissa P. R. | - |
Autor(es): dc.creator | Teodoro, Paulo E. | - |
Autor(es): dc.creator | Oliveira, Job T. de | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:20:16Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:20:16Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1590/1809-4430-Eng.Agric.v45e20240164/2025 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/300001 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/300001 | - |
Descrição: dc.description | The integration multispectral sensors with machine learning algorithms has demonstrated increasing efficacy in the classification of various maize morphophysiological characteristics. The hypothesis of this study is that maize plants subjected to different irrigation management practices exhibit distinct spectral behaviors, allowing for their classification through machine learning modeling. Thus, the objective of this study is to classify maize hybrids in different irrigation management practices using multispectral images. This involves identifying the most effective machine learning algorithms and inputs variables that enhance model performance for accurate classification. The experiment was conducted at the experimental facility of the Federal University of Mato Grosso do Sul, in Chapad & atilde;o do Sul - MS. Seven hybrids were evaluated: H1 (AS 1868), H2 (DKB 360), H3 (FS 615 PWU), H4 (K 7510 VIP3), H5 (NK 520 VIP3), H6 (P 3858 PWU), and H7 (SS 182E VIP3). These hybrids were subjected to irrigation and non- irrigation management practices. Sixty days after crop emergence, images were captured in the blue (475 nm, B_475), green (550 nm, G_550), red (660 nm, R_660), red edge (735 nm, RE_735), and near-infrared (790 nm, NIR_790) bands using the Sensefly eBee RTK fixed-wing Remotely Piloted Aircraft, equipped with a Parrot Sequoia multispectral sensor and RTK (Real-Time Kinematics) technology. Through the collected band data, the ESRI ArcGIS 10.5 geographic information system software was used to calculate 41 vegetation indices (VIs). Data were analyzed using machine learning techniques, testing six algorithms: Logistic Regression (RL), REPTree (DT), J48 Decision Trees (J48), Random Forest (RF), Artificial Neural Networks (ANN) and Support Vector Machine (SVM). Three accuracy metrics were utilized to evaluate the algorithms in the classification of irrigation management: correct classifications (CC), Kappa coefficient and F-Score. The ANN and RF algorithms demonstrated better accuracy in classifying maize hybrids with respect to irrigation management. The use of Vegetation Indices (IVs) and Spectral Bands + Vegetation Indices (SB+IVs) enhanced performance of these algorithms. | - |
Descrição: dc.description | State Univ Sao Paulo UNESP, Dept Agron, Ilha Solteira, SP, Brazil | - |
Descrição: dc.description | Fed Univ Mato Grosso UFMS, Dept Agron, Chapadao do Sul, MS, Brazil | - |
Descrição: dc.description | State Univ Mato Grosso UNEMAT, Dept Geog, Sinop, MT, Brazil | - |
Descrição: dc.description | State Univ Sao Paulo UNESP, Dept Agron, Ilha Solteira, SP, Brazil | - |
Formato: dc.format | 10 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Soc Brasil Engenharia Agricola | - |
Relação: dc.relation | Engenharia Agricola | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | Random Forest | - |
Palavras-chave: dc.subject | Vegetation Indices | - |
Palavras-chave: dc.subject | Artificial Neural Networks | - |
Título: dc.title | CLASSIFICATION OF IRRIGATION MANAGEMENT PRACTICES IN MAIZE HYBRIDS USING MULTISPECTRAL SENSORS AND MACHINE LEARNING TECHNIQUES | - |
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: