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 Federal de Mato Grosso do Sul (UFMS) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | The University of Georgia | - |
Autor(es): dc.contributor | State University of Mato Grosso (UNEMAT) | - |
Autor(es): dc.creator | Oliveira, Izabela Cristina de | - |
Autor(es): dc.creator | Gava, Ricardo | - |
Autor(es): dc.creator | Santana, Dthenifer Cordeiro | - |
Autor(es): dc.creator | Seron, Ana Carina da Silva Cândido | - |
Autor(es): dc.creator | Teodoro, Larissa Pereira Ribeiro | - |
Autor(es): dc.creator | Cotrim, Mayara Favero | - |
Autor(es): dc.creator | Santos, Regimar Garcia dos | - |
Autor(es): dc.creator | Alvarez, Rita de Cássia Félix | - |
Autor(es): dc.creator | Junior, Carlos Antonio da Silva | - |
Autor(es): dc.creator | Baio, Fábio Henrique Rojo | - |
Autor(es): dc.creator | Teodoro, Paulo Eduardo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:55:47Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:55:47Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/a17120542 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/306040 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/306040 | - |
Descrição: dc.description | The objectives of this work are (i) to classify soybean cultivars under different irrigation managements using hyperspectral data, looking for the best machine-learning algorithm for the classification and the input that improves the performance of the models. The experiment was implemented in the 2023/24 harvest in the experimental area of the Federal University of Mato Grosso do Sul, Câmpus Chapadão do Sul, Mato Grosso do Sul, and it was conducted in a strip scheme with seven cultivars subjected to irrigated and rainfed management. Sixty days after crop emergence, three leaves per plot were collected for evaluation by the hyperspectral sensor. The spectral data was then separated into 28 bands to reduce dimensionality. In this way, two databases were generated: one with all the spectral information provided by the sensor (WL) and one with the 28 spectral bands (SB). Each database was subjected to different machine-learning models to ascertain the improved accuracy of the models in distinguishing the different eucalyptus species. The models tested were artificial neural networks (ANN), decision trees (DT), linear regression (LR), M5P algorithm, random forest (RF), and support vector machine (SVM). The results demonstrate the effectiveness of machine-learning models in differentiating soybean management under rainfed and irrigated conditions, highlighting the advantage of hyperspectral data (WL) over selected spectral bands (SB). Models such as the support vector machine (SVM) showed the best levels of accuracy when using the entire available spectrum. On the other hand, artificial neural networks (ANN) performed well with spectral band data, demonstrating their ability to work with smaller data sets without compromising the classification. | - |
Descrição: dc.description | Department of Agronomy Federal University of Mato Grosso do Sul (UFMS), MS | - |
Descrição: dc.description | Department of Agronomy State University of São Paulo (UNESP), SP | - |
Descrição: dc.description | Plant Sciences Building Department of Horticulture The University of Georgia | - |
Descrição: dc.description | Department of Geography State University of Mato Grosso (UNEMAT), MT | - |
Descrição: dc.description | Department of Agronomy State University of São Paulo (UNESP), SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Algorithms | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | algorithms | - |
Palavras-chave: dc.subject | computational intelligence | - |
Palavras-chave: dc.subject | Glycine max | - |
Palavras-chave: dc.subject | spectral bands | - |
Palavras-chave: dc.subject | vegetation indices | - |
Título: dc.title | Detection of Irrigated and Non-Irrigated Soybeans Using Hyperspectral Data in 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: