
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.creator | Barbosa, Brenon Diennevan Souza | - |
| Autor(es): dc.creator | Ferraz, Gabriel Araújo e Silva | - |
| Autor(es): dc.creator | Costa, Lucas | - |
| Autor(es): dc.creator | Ampatzidis, Yiannis | - |
| Autor(es): dc.creator | Vijayakumar, Vinay | - |
| Autor(es): dc.creator | Santos, Luana Mendes dos | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:46:46Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:46:46Z | - |
| Data de envio: dc.date.issued | 2022-01-21 | - |
| Data de envio: dc.date.issued | 2022-01-21 | - |
| Data de envio: dc.date.issued | 2021-11 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/48977 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1147276 | - |
| Descrição: dc.description | Unmanned Aerial Vehicles (UAVs) combined with machine learning have a great potential for crop yield estimation. In this study, a UAV equipped with an RGB (Red, Green, Blue) camera and computer vision algorithms were used to estimate coffee tree height and crown diameter, and for the prediction of coffee yield. Data were collected for 144 trees between June 2017 and May 2018, in the Minas Gerais, Brazil. Six parameters (leaf area index - LAI, tree height, crown diameter, and the individual RGB band values) were used to develop UAV-based yield prediction models. First, a feature ranking was performed to identify the most significant parameter(s) and month(s) for data collection and yield prediction. Based on the feature rankings, the LAI and the crown diameter were determined as the most important parameters. Five algorithms were used to develop yield prediction models: (i) linear support vector machines (SVM), (ii) gradient boosting regression (GBR), (iii) random forest regression (RFR), (iv) partial least square regression (PLSR), and (v) neuroevolution of augmenting topologies (NEAT). The mean absolute percentage error (MAPE) was used to evaluate the yield prediction models. The best result was obtained by the NEAT algorithm (MAPE of 31.75%) for a reduced dataset containing only the most important features (LAI and the crown diameter) and the most important months (December 2017 and April 2018). The results suggest that a dataset of the most important month (December) could be used for the yield prediction model, reducing the need for extensive data collection (e.g., monthly data collection). | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | - |
| Direitos: dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
| ???dc.source???: dc.source | Smart Agricultural Technology | - |
| Palavras-chave: dc.subject | Deep-learning | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | UAV imagery | - |
| Palavras-chave: dc.subject | Yield prediction | - |
| Título: dc.title | UAV-based coffee yield prediction utilizing feature selection and deep learning | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: