
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 | Bretas, Igor Lima | - |
| Autor(es): dc.creator | Valente, Domingos Sarvio Magalhães | - |
| Autor(es): dc.creator | Oliveira, Thiago Furtado de | - |
| Autor(es): dc.creator | Montagner, Denise Baptaglin | - |
| Autor(es): dc.creator | Euclides, Valéria Pacheco Batista | - |
| Autor(es): dc.creator | Chizzotti, Fernanda Helena Martins | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:36:55Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:36:55Z | - |
| Data de envio: dc.date.issued | 2023-10-25 | - |
| Data de envio: dc.date.issued | 2023-10-25 | - |
| Data de envio: dc.date.issued | 2022 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br//handle/1/58479 | - |
| Fonte completa do material: dc.identifier | https://link.springer.com/article/10.1007/s11119-023-10013-z | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1164852 | - |
| Descrição: dc.description | Remote sensing can serve as a promising solution for monitoring spatio-temporal variability in grasslands, providing timely information about different biophysical parameters. We aimed to develop models for canopy height classification and aboveground biomass estimation in pastures of Megathyrsus maximus cv. Mombaça using machine learning techniques and images obtained from the Sentinel-2 satellite. We used different spectral bands from the Sentinel-2, which were obtained and processed entirely in the cloud computing space. Three canopy height classes were defined according to grazing management recommendations: Class 0 (< 0.45 m), Class 1 (0.45–0.80 m) and Class 2 (> 0.80 m). For modeling, the original database was divided into training data (85%) and test data (15%). To avoid dependency between our training and test datasets and ensure greater generalization capacity, we used a spatial grouping evaluation structure. The random forest algorithm was used to predict canopy height and aboveground biomass by using height and biomass field reference data obtained from 54 paddocks in Brazil between 2016 and 2018. Our results demonstrated precision, recall, and accuracy values of up to 73%, 73%, and 72%, respectively, for canopy height classification. In addition, the models showed reasonable predictive performance for aboveground fresh biomass (AFB) and dry matter concentration (DMC; R2 = 0.61 and 0.69, respectively). We conclude that the combined use of satellite imagery and machine learning techniques has potential to predict canopy height and aboveground biomass of Megathyrsus maximus cv. Mombaça. However, further studies should be conducted to improve the proposed models and develop software to implement the tool under field conditions. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Springer | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Precision Agriculture | - |
| Palavras-chave: dc.subject | Precision livestock farming | - |
| Palavras-chave: dc.subject | Pasture height | - |
| Palavras-chave: dc.subject | Pasture biomass | - |
| Palavras-chave: dc.subject | Pasture management | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Tropical grasslands | - |
| Título: dc.title | Canopy height and biomass prediction in Mombaca guinea grass pastures using satellite imagery and machine 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: