
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 | Alves, Marcelo de Carvalho | - |
| Autor(es): dc.creator | Sanches, Luciana | - |
| Autor(es): dc.creator | Pozza, Edson Ampélio | - |
| Autor(es): dc.creator | Pozza, Adélia A. A. | - |
| Autor(es): dc.creator | Silva, Fábio Moreira da | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:50:17Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:50:17Z | - |
| Data de envio: dc.date.issued | 2022-09-21 | - |
| Data de envio: dc.date.issued | 2022-09-21 | - |
| Data de envio: dc.date.issued | 2022-09 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/55149 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.biosystemseng.2022.06.014 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1148547 | - |
| Descrição: dc.description | Coffee yield variation in the field can be learned to obtain useful information for coffee management. Machine learning algorithms were evaluated to determine Arabica coffee yield. The Classification and Regression Tree (CART) rpart1SE algorithm used for classification and regression provided crucial nutrient thresholds to obtain high yield and minimise yield variability, by increasing vigour in well-nourished plants, with fertiliser management in the field. The use of the random forest model enabled to detect the most important variables for predicting coffee yield, as well as to identify how the nutritional status of the plants, such as Mg, Fe and Ca contents can be balanced to maximise yield. Variables related to the coffee nutritional status were more important than remote sensing variables for estimating coffee yield in the field. Despite the better accuracy of the random forest model (rf) to predict coffee yield when compared to the rpart1SE model, the particularity of each machine learning algorithm modelling was used in terms of the benefits of the results of each methodology synergistically in favour of wisely defining the best strategy and tactics for the crop management. In general, Mg leaf content was the most important variable for yield class prediction in both the 2005 and 2006 harvests by the rf model. The CART algorithm defined Mg leaf content threshold <3.615 g kg−1 in 6/15/2005 for yield classification in the first node and this threshold obtained is consistent with the available literature associated with high coffee yields between 3.6 and 4.0 g kg−1. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Biosystems Engineering | - |
| Palavras-chave: dc.subject | Coffee management | - |
| Palavras-chave: dc.subject | Data mining | - |
| Palavras-chave: dc.subject | Mineral nutrition | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Spectral data | - |
| Palavras-chave: dc.subject | Precision agriculture | - |
| Palavras-chave: dc.subject | Café - Produtividade | - |
| Palavras-chave: dc.subject | Mineração de dados | - |
| Palavras-chave: dc.subject | Nutrição mineral | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Dados espectrais | - |
| Palavras-chave: dc.subject | Agricultura de precisão | - |
| Título: dc.title | The role of machine learning on Arabica coffee crop yield based on remote sensing and mineral nutrition monitoring | - |
| 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: