|
|
|
Registros recuperados: 23 | |
|
|
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. |
Tipo: Artigo em anais de congresso (ALICE) |
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 |
| |
|
| |
|
| |
|
| |
|
| |
|
|
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, 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... |
Tipo: Artigo em anais de congresso (ALICE) |
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 |
| |
|
| |
|
| |
|
|
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... |
Tipo: Artigo em periódico indexado (ALICE) |
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,... |
Tipo: Artigo em periódico indexado (ALICE) |
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 |
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
|
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... |
Tipo: Artigo em periódico indexado (ALICE) |
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 |
| |
|
| |
|
| |
Registros recuperados: 23 | |
|
|
|