SABIIA - Sistema Aberto e Integrado de Informação em Agricultura (Sabiia)

SOUZA, K. X. S. de; TERNES, S.; OLIVEIRA, S. R. de M.; MOURA, M. F.; BARIONI, L. G.; HIGA, R. H.; FASIABEN, M. do C. R..

A quantidade e diversidade de dados disponíveis têm o potencial de causar profundas transformações na maneira que se realiza pesquisa e se propõe inovações na agricultura. Na chamada era do Petabyte, caracterizada pela ubiquidade de sensores e computadores, armazenamento quase infinito, computação em nuvem, robótica e IoT, a demanda e as oportunidades para aplicação da computação científica são extraordinárias, tanto na extração do conhecimento quanto na compreensão dos mecanismos associados a sistemas complexos. Este artigo apresenta um estudo prospectivo com base no estado da arte e enumera algumas áreas nas quais a aplicação da Ciência de Dados resultaria em grande benefício para pesquisadores, agricultores e agentes públicos.

An approach based on text mining for knowledge acquisition in diagnostic systems.

Palavras-chave: Computação científica; Aprendizado de máquina; Modelagem; Redes de sensores; Simulação; Agricultura; Agriculture; Machine learning.

Ano: 2017

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1083412

MASSRUHA, S. M. F. S.; MARCHI, R.; SILVA, L. M. C. da; SOUZA, K. X. S. de; OLIVEIRA, L. H. M. de; OLIVEIRA, S. R. de M.; MORANDI, M. A. B..

Introduction. Methodology. Data preparation phase. Information extraction and mining phase. A case study with corn diseases. The results and discussion.

Avaliação da eficiência de algoritmos de aprendizado de máquina para classificação automática de solos.

Palavras-chave: Mineração de texto; Aprendizado de máquina; Doenças do milho; Text mining; Knowledge discovery; Predictions; Corn diseases; Machine learning.

Ano: 2007

URL: http://www.alice.cnptia.embrapa.br/handle/doc/2921

VASCONCELOS, G. T.; OLIVEIRA, S. R. de M..

RESUMO - Técnicas de mineração de dados têm sido usadas, estrategicamente, para transformar dados em informações e conhecimentos visando subsidiar o processo decisório em vários domínios. Na agricultura, em particular, essas técnicas são eficientes para selecionar um conjunto de atributos relevantes no processo de geração de modelos preditivos em bancos de dados com muitas variáveis. Este trabalho tem por objetivo avaliar a eficiência de diferentes algoritmos de Aprendizado de Máquina (AM) para classificação automática de solos, no 1º nível categórico do Sistema Brasileiro de Classificação de Solos (SiBCS). Os dados foram obtidos do projeto Mapeamento de Recursos Naturais do Brasil, liderado pelo Instituo Brasileiro de Geografia e Estatística (IBGE)....

Avaliação de métodos de detecção de tópicos em pré-processamento para classificação de textos agrícolas.

Palavras-chave: Árvores de decisão; Mineração de dados; Atributos de solos; Aprendizado de máquina; Máquinas de Vetores Suporte; Algoritmo k-vizinhos mais próximos; Classificação de solos; Decision trees; Data mining; Soil attributes; Support vector machines; Soil classification.

Ano: 2018

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1096175

BARROS, F. M. M.; OLIVEIRA, S. R. de M..

Neste trabalho, buscou-se construir e comparar modelos capazes de diferenciar textos sobre a cultura da cana-de-açúcar de outros textos relacionados a outras culturas ou criações. Para criar modelos de classificação de textos, os dados são transformados em matrizes termos-documentos, de forma que os dados apresentam alta dimensionalidade. Para construir melhores modelos de classificação de textos agrícolas foram testados: a) métodos de redução de dimensionalidade utilizando LDA (Latent Dirichlet Allocation) e PCA (Principal Component Analysis); b) número de tópicos/componentes principais; c) unigrama/bigrama; e d) algoritmos Random Forest, Gradiente Boosting e SVM (Support Vector Machine), de forma a determinar os fatores que mais impactam o AUC (Area...

Classificação de distúrbios em folhas de macieiras utilizando redes neurais convolucionais.

Palavras-chave: Mineração de textos; Aprendizado de máquina; Redução de dimensionalidade; Sistema de informação agrícola; Text mining; Dimensionality reduction; Agricultural information systems; Agricultura; Agriculture; Machine learning.

Ano: 2017

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1083387

Computação científica na agricultura.

NACHTIGALL, L. G..

2016

Tipo: Tese/dissertação (ALICE)

Palavras-chave: Aprendizado de máquina; Inteligência artificial; Redes neurais; Redes neurais convolucionais; Classificação de sintomas em plantas.

Ano: 2016

URL: http://www.alice.cnptia.embrapa.br/handle/doc/1053681

Detecção automática de bagas de café em imagens de campo.

TERNES, S.; MOURA, M. F.; SOUZA, K. X. S. de; VAZ, G. J.; OLIVEIRA, S. R. de M.; HIGA, R. H.; LIMA, H. P. de; TAKEMURA, C. M.; COELHO, E. A.; BARBOSA, F. F. L.; VISOLI, M. C.; MENEZES, G. R. de O.; SILVA, L. O. C. da; SANTOS, S. A.; MASSRUHÁ, S. M. F. S.; ABREU, U. G. P. de; SORIANO, B. M. A.; SALIS, S. M.; OLIVEIRA, M. D. de; TOMAS, W. M..

Introdução. Inteligência artificial. Classificação automática de solos. Sistema especialista baseado no SiBCS. Sistema inteligente de classificação de solos. Mineração de textos em publicações técnico-científicas. Modelagem matemática e estatística. Modelagem da dinâmica de dispersão do "HLB do citros". Avaliação genética de animais. Fazenda Pantaneira Sustentável (FPS). O software FPS. Considerações finais.

Tipo: Capítulo em livro científico (ALICE)

Palavras-chave: Agricultura digital; Computação científica; Transformação digital na agricultura; Inteligência Artificial; Aprendizado de máquina; Mineração de textos; Modelagem matemática; Machine learning; Text mining; Digital agriculture; Agricultura; Análise Estatística; Agriculture; Artificial intelligence; Statistical analysis; Mathematical models.

Ano: 2020

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1126229

SANTOS, T. T..

O presente trabalho propõe um método para detecçãao automática de bagas em imagens de cafeeiros tomadas em campo sob luz ambiente.

Detecção automática de uvas e folhas em viticultura com uma rede neural YOLOv2.

Palavras-chave: Aprendizado de máquina; Imagem digital; Machine learning; Café; Visão computacional; Fruticultura; Image analysis; Fruit growing; Artificial intelligence; Computer vision.

Ano: 2015

URL: http://www.alice.cnptia.embrapa.br/handle/doc/1027251

SANTOS, A. A. dos; AVILA, S.; SANTOS, T. T..

RESUMO - Neste trabalho, o problema de detecção de frutas e folhas em viticultura para aplicações envolvendo sensoriamento próximo foi modelado como um problema de aprendizado supervisionado de máquina. Uma base de dados foi criada e manualmente anotada a partir de imagens obtidas em abril de 2017 na Vinícola Guaspari. No total são 11.883 imagens contendo exemplos de cachos de uvas e folhas. Uma rede convolutiva com arquitetura YOLOv2 foi treinada para localização e classificação de cachos e folhas. Testes quantitativos demonstraram resultados para a detecção e classificação com precisão de 100%, revocação de até 74,2% e F1-Score de 85,2% para classe "uva" e precisão de 100%, revocação de até 67,9% e F1-Score de 80,9% para a classe "folha". Testes...

Detecção de frutos em campo por aprendizado de máquina.

Palavras-chave: Detecção de frutos; Reconhecimento de Imagens; Aprendizagem profunda; Aprendizado de máquina; Redes neurais; Aprendizado supervisionado; Image Recognition; Fruit detection; Deep Learning; Learning machine; Viticultura; Viticulture; Neural networks.

Ano: 2018

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1096173

SANTOS, A. A. dos; SANTOS, T. T..

RESUMO - Métodos de reconhecimento de frutos utilizando diferentes descritores e classificadores foram estudados. Uma base de dados de 1.830 imagens contendo exemplos de bagas de uva e outros padrões foi criada e manualmente anotada. Testes quantitativos demonstraram a identificação automática de bagas de uva com 79% de precisão através da utilização Máquinas de Vetores de Suporte com descritores HOG (Histograma de Gradientes Orientados). Esses resultados evidenciam que a detecção automática de frutos em viticultura possível e pode ser aplicada em metodologias de previsão de safra e em sistemas de agricultura de precisão.

Detecting and classifying pests in crops using proximal images and machine learning: a review.

Palavras-chave: Aprendizado de máquina; Reconhecimento de imagens; Image recognition; Uva; Viticultura; Artificial intelligence; Learning machine; Image analysis; Viticulture.

Ano: 2017

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1077535

BARBEDO, J. G. A..

Abstract: Pest management is among the most important activities in a farm. Monitoring all different species visually may not be effective, especially in large properties. Accordingly, considerable research effort has been spent towards the development of effective ways to remotely monitor potential infestations. A growing number of solutions combine proximal digital images with machine learning techniques, but since species and conditions associated to each study vary considerably, it is difficult to draw a realistic picture of the actual state of the art on the subject. In this context, the objectives of this article are (1) to briefly describe some of the most relevant investigations on the subject of automatic pest detection using proximal digital...

From visual estimates to fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy.

Palavras-chave: Aprendizado de máquina; Imagem digital; Imagens digitais; Monitoramento de pragas; Pest detection; Machine learning; Agricultural crops; Infestação; Inseto; Pest monitoring; Insects; Digital images.

Ano: 2020

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1125314

BOCK, C. H.; BARBEDO, J. G. A.; DEL PONTE, E. M.; BOHNENKAMP, D.; MAHLEIN, A. K..

Abstract. The severity of plant diseases, traditionally the proportion of the plant tissue exhibiting symptoms, is a key quantitative variable to know for many diseases and is prone to error. Good quality disease severity data should be accurate (close to the true value). Earliest quantification of disease severity was by visual estimates. Sensor-based image analysis including visible spectrum and hyperspectral and multispectral sensors are established technologies that promise to substitute, or complement visual ratings. Indeed, these technologies have measured disease severity accurately under controlled conditions but are yet to demonstrate their full potential for accurate measurement under field conditions. Sensor technology is advancing rapidly, and...

Genome-wide association study for backfat thickness in Canchim beef cattle using Random Forest approach.

Palavras-chave: Inteligência artificial; Aprendizado de máquina; Dispositivo móvel; Tecnologias digitais; Aprendizado profundo; Precisão; Acurácia; Severidade da doença; Machine learning; Assessment; Sensor; Mobile device; Digital technologies; Deep learning; Phenotyping; Doença de Planta; Precision agriculture; Plant diseases and disorders; Artificial intelligence; Disease severity; Accuracy; Precision.

Ano: 2020

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1122199

MOKRY, F. B.; HIGA, R. H.; MUDADU, M. de A.; LIMA, A. O. de; MEIRELLES, S. L. C.; SILVA, M. V. G. B. da; CARDOSO, F. F.; OLIVEIRA, M. M. de; URBINATI, I.; NICIURA, S. C. M.; TULLIO, R. R.; ALENCAR, M. M. de; REGITANO, L. C. de A..

Background: Meat quality involves many traits, such as marbling, tenderness, juiciness, and backfat thickness, all of which require attention from livestock producers. Backfat thickness improvement by means of traditional selection techniques in Canchim beef cattle has been challenging due to its low heritability, and it is measured late in an animal?s life. Therefore, the implementation of new methodologies for identification of single nucleotide polymorphisms (SNPs) linked to backfat thickness are an important strategy for genetic improvement of carcass and meat quality. Results: The set of SNPs identified by the random forest approach explained as much as 50% of the deregressed estimated breeding value (dEBV) variance associated with backfat thickness,...

Geração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.

Palavras-chave: Polimorfismo de nucleotídeo único; Gado de corte; Metabolismo lipídico; Aprendizado de máquina; Inteligência artificial; Machine learning; Tecido adiposo subcutâneo; Single nucleotide polymorphism; Beef cattle; Lipid metabolism; Artificial intelligence; Subcutaneous fat.

Ano: 2013

URL: http://www.alice.cnptia.embrapa.br/handle/doc/977539

OLIVEIRA, H. L. C. de; OLIVEIRA, S. R. de M.; MONTEIRO, J. E. B. de A..

RESUMO - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. A região foi escolhida por ser climaticamente bastante heterogênea e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também...

Gerenciamento de risco decorrente de doenças fúngicas em cultura da banana baseado em automação e aprendizado de máquinas.

Palavras-chave: Séries temporais; Aprendizado de máquina; Aprendizado com classes desbalanceadas; Modelos preditivos; Imputação de dados; Algoritmo Random Forest; Unbalanced class learning; Predictive modeling; Data imputation; Agrometeorologia; Time series analysis; Artificial intelligence; Machine learning; Agrometeorology.

Ano: 2017

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1077534

Improving binding affinity prediction by using a rule-based model with physical-chemical and structural descriptors of the nano-environment for protein-ligand interactions.

CRUVINEL, P. E..

bitstream/item/204940/1/P-GERENCIAMENTO-DE-RISCO-DECORRENTE-DE-DOENCAS-FUNGICAS-....pdf

Tipo: Resumo em anais de congresso (ALICE)

Palavras-chave: Risco agrícola; Doenças fúngicas; Aprendizado de máquina.

Ano: 2019

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1114577

Método para reconhecimento de padrões de sementes agrícolas com emprego de tomografia de raios-X, visão computacional e aprendizado de máquina.

BORRO, L. C.; SALIM, J. A.; MAZONI, I.; YANO, I.; JARDINE, J. G.; NESHICH, G..

In order to improve binding affinity prediction, we developed a new scoring function, named STINGSF, derived from physical-chemical and structural features that describe the protein-ligand interaction nano-environment of experimentally determined structures.

Tipo: Resumo em anais de congresso (ALICE)

Palavras-chave: Interação proteína-ligante; Aprendizado de máquina; Inteligência artificial; Protein-ligand interaction; Scoring functions; Machine learning; Artificial intelligence.

Ano: 2015

URL: http://www.alice.cnptia.embrapa.br/handle/doc/1032260

BRITO, A. R.; CRUVINEL, P. E..

bitstream/item/202505/1/P-Metodo-para-reconhecimento-de-padroes....pdf

Tipo: Resumo em anais de congresso (ALICE)

Palavras-chave: Sementes agricolas; Tomografia de raio-x; Visão computacional; Aprendizado de máquina.

Ano: 2019

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1112723

Metodologia para processamento de imagens digitais do sistema radicular de milho e sorgo utilizando a plataforma Digital Imaging of Root Traits (DIRT).

Infoteca-e

SANTOS, T. T.; SOUSA, S. M. de; CAMPOLINO, M. L.; LANA, U. G. de P.; COELHO, A. M..

Neste trabalho, apresentamos uma nova metodologia para segmentação e identificação de itens em imagens, baseada em aprendizado de máquina, que é mais robusta que a metodologia de pré-processamento de imagens originalmente proposta para o DIRT.

Tipo: Boletim de Pesquisa e Desenvolvimento (INFOTECA-E)

Palavras-chave: Metodologia; Processamento de imagem digital; Digital Imaging of Root Traits; Raiz de planta; Aprendizado de máquina; Shovelomics; Árvore de decisão; Image processing; Machine learning; Decision tree; Fósforo; Digital images; Phosphorus; Roots; Image analysis..

Ano: 2019

URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1117049

Preprocessing procedures and supervised classification applied to a database of systematic soil survey.

VALADARES, A. P.; COELHO, R. M.; OLIVEIRA, S. R. de M..

ABSTRACT:Data Mining techniques play an important role in the prediction of soil spatial distribution in systematic soil surveying, though existing methodologies still lack standardization and a full understanding of their capabilities. The aim of this work was to evaluate the performance of preprocessing procedures and supervised classification approaches for predicting map units from 1:100,000-scale conventional semi-detailed soil surveys. Sheets of the Brazilian National Cartographic System on the 1:50,000 scale, ?Dois Córregos? (?Brotas? 1:100,000-scale sheet), ?São Pedro? and ?Laras? (?Piracicaba? 1:100,000-scale sheet) were used for developing models. Soil map information and predictive environmental covariates for the dataset were obtained from the...

Palavras-chave: Aprendizado de máquina; Pré-processamento; Classificação de solos; Random forest; Machine learning algorithms; Tacit soil-landscape relationships; Digital soil mapping; Solo; Soil; Soil classification.

Ano: 2019

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1118563

SANTOS, M. A. S.; ASSAD, E. D.; GURGEL, A. C.; OMAR, N..

Abstract. Accurate identification of agriculture areas is a key piece in the building blocks strategy of environment and economics resources management. The challenge requires one to deal with landscape complexity, sensors and data acquisition limitations through a proper computational approach to timely deliver accurate information. In this paper, a Machine Learning (ML) based method to enhance the classification process of areas dedicated to seasonal crops (row crops) is proposed. To this objective, a broad exploration of data from Moderate Resolution Imaging Spectro-radiometer sensors (MODIS) was made using pixel time-series combined with time-series similarity metrics. The experiment was performed in Brazil, covered 61% of the total agriculture areas,...

SVM com DenseNet para classificação de mudas do guaraná a partir da nervura central do folíolo.

Palavras-chave: Aprendizado de máquina; Dinâmica de uso da terra; Time series similarity metrics; Land use dynamics; Agricultura; Sensoriamento Remoto; Uso da Terra; Agriculture; Remote sensing; Land use; Time series analysis.

Ano: 2020

URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1123627

MARTINS, B. T. C.; SALAME, M. F. A..

bitstream/item/216921/1/PC-Anais-SBIAGRO-2019-2.pdf