
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 | Souza, Jarlyson Brunno Costa | - |
| Autor(es): dc.creator | Almeida, Samira Luns Hatum de | - |
| Autor(es): dc.creator | Oliveira, Mailson Freire de | - |
| Autor(es): dc.creator | Santos, Adão Felipe dos | - |
| Autor(es): dc.creator | Brito Filho, Armando Lopes de | - |
| Autor(es): dc.creator | Meneses, Mariana Dias | - |
| Autor(es): dc.creator | Silva, Rouverson Pereira da | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:09:10Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:09:10Z | - |
| Data de envio: dc.date.issued | 2022-09-19 | - |
| Data de envio: dc.date.issued | 2022-09-19 | - |
| Data de envio: dc.date.issued | 2022-06 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/55129 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1155452 | - |
| Descrição: dc.description | The monitoring and determination of peanut maturity are fundamental to reducing losses during digging operation. However, the methods currently used are laborious and subjective. To solve this problem, we developed models to access peanut maturity using images from unmanned aerial vehicles (UAV) and satellites. We evaluated an area of approximately 8 hectares in which a regular grid of 30 points was determined with weekly evaluations starting at 90 days after sowing. Two Artificial Neural Networking (ANN) were used with Radial Basis Function (RBF) and Multilayer Perceptron (MLP) to predict the Peanut Maturity Index (PMI) with the spectral bands available from each sensor. Several vegetation indices were used as input to the ANN, with the data being split 80/20 for training and validation, respectively. The vegetation index, Normalized Difference Red Edge Index (NDRE), was the most precise coefficient of determination (R2 = 0.88) and accurate mean absolute error (MAE = 0.06) for estimating PMI, regardless of the type of ANN used. The satellite with Normalized Difference Vegetation Index (NDVI) could also determine PMI with better accuracy (MAE = 0.05) than the NDRE. The performance evaluation indicates that the RBF and MLP networks are similar in predicting peanut maturity. We concluded that satellite and UAV images can predict the maturity index with good accuracy and precision. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Multidisciplinary Digital Publishing Institute - MDPI | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| ???dc.source???: dc.source | Agronomy | - |
| Palavras-chave: dc.subject | PlanetScope | - |
| Palavras-chave: dc.subject | Unmanned aerial vehicle | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Multilayer Perceptron | - |
| Palavras-chave: dc.subject | Radial Basis Function | - |
| Palavras-chave: dc.subject | Redes neurais artificiais | - |
| Palavras-chave: dc.subject | Veículo aéreo não tripulado | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Perceptron Multicamadas | - |
| Palavras-chave: dc.subject | Função de base radial | - |
| Título: dc.title | Integrating satellite and UAV data to predict peanut maturity upon artificial neural networks | - |
| 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: