Home Itens selecionados Provedores de dados OAI Créditos Sobre Ajuda

			Busca avançada
	Provedor de dados Repositório Alice (2) Autor ANTUNES, J. F. G. (1) BERNARDI, A. C. de C. (1) BUENO, I. T. (1) COUTINHO, A. C. (1) ESQUERDO, J. C. D. M. (1) FIGUEIREDO, G. K. D. A. (1) LAMPARELLI, R. A. C. (1) MAGALHÃES, P. S. G. (1) SOUZA, G. B. de (1) TORO, A. P. S. G. D. D. (1) VALLE, F. (1) WERNER, J. P. S. (1) Mais... Palavra-chave ICLS (2) Agricultura (1) Agricultura regenerativa (1) Agriculture (1) Aprendizado de máquina (1) Aprendizado profundo (1) Floresta aleatória (1) Grasses (1) Integrated Crop-livestock systems (1) LSTM (1) Long short-term memory (1) Multisource (1) Piatã grass (1) Polyhalite (1) Potash fertilizer (1) Random forest (1) Regenerative agriculture (1) Sistemas integrados lavoura-pecuária (1) Sustainable agricultural intensification (1) Transformer (1) Mais... Tipo do documento Anais e Proceedings de eventos (1) Artigo de periódico (1) Ano 2023 (1) 2019 (1) País Brazil (2) Idioma Inglês (2)		Ordenar por:  Relevância Autor Título Ano Registros recuperados: 2 Primeira ... 1 ... Última Maize and grass integrated system fertilized with polyhalite and KCl. Repositório Alice BERNARDI, A. C. de C.; SOUZA, G. B. de; VALLE, F.. Crop-livestock integrated systems (CLIS) have been used as a strategy of sustainable agricultural intensification which integrates annual crops and livestock activities on the same area and in the same season. Tipo: Anais e Proceedings de eventos Palavras-chave: Potash fertilizer; Piatã grass; ICLS; Polyhalite; Grasses; Sustainable agricultural intensification; Urochloa brizantha. Ano: 2019 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1121542 SAR and optical data applied to early-season mapping of integrated crop-livestock systems using deep and machine learning algorithms. Repositório Alice TORO, A. P. S. G. D. D.; BUENO, I. T.; WERNER, J. P. S.; ANTUNES, J. F. G.; LAMPARELLI, R. A. C.; COUTINHO, A. C.; ESQUERDO, J. C. D. M.; MAGALHÃES, P. S. G.; FIGUEIREDO, G. K. D. A.. In this work, we explored the potential of three machine and deep learning algorithms (random forest, long short-term memory, and transformer) to perform early-season (with three-time windows) mapping of ICLS fields. To explore the scalability of the proposed methods, we tested them in two regions with different latitudes, cloud cover rates, field sizes, landscapes, and crop types. Finally, the potential of SAR (Sentinel-1) and optical (Sentinel-2) data was tested. Tipo: Artigo de periódico Palavras-chave: Floresta aleatória; Agricultura regenerativa; Sistemas integrados lavoura-pecuária; Aprendizado de máquina; Aprendizado profundo; Regenerative agriculture; Random forest; Integrated Crop-livestock systems; ICLS; Long short-term memory; LSTM; Multisource; Transformer; Agricultura; Agriculture. Ano: 2023 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1152495 Registros recuperados: 2 Primeira ... 1 ... Última

Empresa Brasileira de Pesquisa Agropecuária - Embrapa Todos os direitos reservados, conforme Lei n° 9.610 Política de Privacidade Área restrita		Embrapa Parque Estação Biológica - PqEB s/n° Brasília, DF - Brasil - CEP 70770-901 Fone: (61) 3448-4433 - Fax: (61) 3448-4890 / 3448-4891 SAC: https://www.embrapa.br/fale-conosco