Please use this identifier to cite or link to this item:
https://rima.ufrrj.br/jspui/handle/20.500.14407/15759
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Carvalho, Joyce de Aguiar | - |
dc.date.accessioned | 2024-01-16T15:57:37Z | - |
dc.date.available | 2024-01-16T15:57:37Z | - |
dc.date.issued | 2022-08-30 | - |
dc.identifier.uri | https://rima.ufrrj.br/jspui/handle/20.500.14407/15759 | - |
dc.description.abstract | O sorgo (Sorghum bicolor) é uma planta rústica que se destaca pela elevada produção de biomassa e tolerância ao déficit hídrico tornando-a uma boa alternativa de diversificação agrícola. Um fator latente que acarreta problemas na produção do sorgo é a presença de plantas daninhas, que competem por nutrientes e água com a cultura. O estudo da análise espectral das plantas pode ser uma ferramenta ideal para tomadas de decisão, obtendo resultados mais rápidos e de forma não-destrutiva para o manejo das culturas. O presente trabalho tem como objetivo identificar, de acordo com o comportamento espectral, as faixas espectrais que as plantas da cultura do Sorgo se diferenciam das plantas daninhas na região do visível, a partir da análise de componentes principais e recomendar faixas espectrais ideais para a distinção das espécies de plantas. O experimento foi realizado na UFRRJ, localizada em Seropédica RJ, em uma área de 1 ha de produção de sorgo. Foram analisados 40 pontos de controle em cinco diferentes datas de coleta das assinaturas espectrais das plantas. A análise espectral foi realizada para as plantas daninhas e para a cultura do sorgo por um espectroradiometro ASD FIELDSPEC® 4. No software Rstudio foi analisado a região do visível a partir da divisão do espectro em três faixas espectrais: azul (450 a 510 nm), verde (530 a 590 nm), vermelho (640 a 700 nm). Essas leituras espectrais foram analisadas com a análise de componentes principais (ACP), uma técnica da estatística multivariada, de modo a observar comportamentos espectrais diferentes das espécies de plantas da área nas faixas espectrais estudadas. Como resultado do estudo, foi observado que as plantas do sorgo, Brachiaria marandu e Cyperus rotundus apresentaram comportamentos diferentes para os cinco dias de coleta, principalmente na região do verde e do vermelho. A análise de componentes principais permitiu a redução da dimensão dos dados e a discriminação das faixas espectrais que diferenciaram os grupos de espécies de plantas daninhas e o Sorgo. A região do verde apresentou maior diferenciação entre as plantas para todas as coletas. As faixas espectrais ideais para a distinção das espécies na região do vermelho foram os comprimentos de onda 689-693nm para a primeira coleta, 650-662nm para a segunda coleta e 657-660nm para a última coleta e na região do verde de 570-580nm. Essa diferença espectral entre as plantas ocorre devido ao conteúdo do pigmento de cada espécie, como clorofila e carotenoides. Os resultados obtidos contribuíram para a discriminação das espécies de plantas daninhas e Sorgo na região espectral do visível, apresentando potencial de utilização para discriminar espécies, o que torna uma alternativa mais acessível. | pt_BR |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal Rural do Rio de Janeiro | pt_BR |
dc.subject | Assinatura espectral | pt_BR |
dc.subject | Sensoriamento Remoto | pt_BR |
dc.subject | Análise multivariada | pt_BR |
dc.subject | Spectral signature | pt_BR |
dc.subject | Remote Sensing | pt_BR |
dc.subject | Multivariate analysis | pt_BR |
dc.title | Caracterização das respostas espectrais na região do visível de plantas daninhas na cultura do sorgo (sorghum bicolor) | pt_BR |
dc.title.alternative | Characterization of spectral responses in the visible region of weeds in sorghum (sorghum bicolor) | en |
dc.type | Dissertação | pt_BR |
dc.description.abstractOther | Sorghum (Sorghum bicolor) is a rustic plant that stands out for its high biomass production and tolerance to water deficit, making it a good alternative for agricultural diversification. A latent factor that causes problems in sorghum production is the presence of weeds, which compete for nutrients and water with the crop. The study of spectral analysis of plants can be an ideal tool for decision making, obtaining faster results and in a non-destructive way for crop management. The present work aims to identify, according to the spectral behavior, the spectral bands that the sorghum plants differ from the weeds in the visible region, from the analysis of principal components and to recommend ideal spectral bands for the distinction of plant species. The experiment was carried out at UFRRJ, located in Seropédica RJ, in an area of 1 ha of sorghum production. Forty control points were analyzed on five different dates for collecting the spectral signatures of the plants. The spectral analysis was performed for the weeds and for the sorghum crop using an ASD FIELDSPEC® 4 spectroradiometer. In the Rstudio software, the visible region was analyzed by dividing the spectrum into three spectral bands: blue (450 to 510 nm), green (530 to 590 nm), red (640 to 700 nm). These spectral readings were analyzed using principal component analysis (PCA), a technique of multivariate statistics, in order to observe different spectral behaviors of plant species in the area in the spectral ranges studied. As a result of the study, it was observed that sorghum plants, Brachiaria marandu and Cyperus rotundus showed different behaviors for the five days of collection, mainly in the green and red regions. Principal component analysis allowed the reduction of the data size and the discrimination of the spectral bands that differentiated the groups of weed species and Sorghum. The green region showed greater differentiation between plants for all collections. The ideal spectral ranges for species distinction in the red region were the wavelengths 689-693nm for the first collection, 650-662nm for the second collection and 657-660nm for the last collection and in the green region of 570-580nm. . This spectral difference between plants is due to the pigment content of each species, such as chlorophyll and carotenoids. The results obtained contributed to the discrimination of weed and sorghum species in the visible spectral region, showing potential for use to discriminate species, which makes it a more accessible alternative. | en |
dc.contributor.advisor1 | Barros, Murilo Machado de | - |
dc.contributor.advisor1ID | 064.940.796-28 | pt_BR |
dc.contributor.advisor1ID | https://orcid.org/0000-0003-0378-4800 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4104434684776921 | pt_BR |
dc.contributor.advisor-co1 | Gelsleichter, Yuri Andrei | - |
dc.contributor.advisor-co1ID | 004.884.359-86 | pt_BR |
dc.contributor.advisor-co1ID | https://orcid.org/0000-0003-0869-3000 | pt_BR |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/9657254584315936 | pt_BR |
dc.contributor.referee1 | Costa, Anderson Gomide | - |
dc.contributor.referee1ID | https://orcid.org/0000-0003-0594-8514 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/6959807888629144 | pt_BR |
dc.contributor.referee2 | Barros, Murilo Machado de | - |
dc.contributor.referee2ID | https://orcid.org/0000-0003-0378-4800 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/4104434684776921 | pt_BR |
dc.contributor.referee3 | Silva, Flávio Castro da | - |
dc.contributor.referee3ID | https://orcid.org/0000-0003-1366-9806 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/0101052677830341 | pt_BR |
dc.creator.ID | 159.311.947-03 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/1892837248855327 | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Tecnologia | pt_BR |
dc.publisher.initials | UFRRJ | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Agrícola e Ambiental | pt_BR |
dc.relation.references | ABBASI, M., Verrelst, J., Mirzaei, M., Marofi, S., & Riyahi Bakhtiari, H. R. Optimal Spectral Wavelengths for Discriminating Orchard Species Using Multivariate Statistical Techniques. Remote Sensing, v. 12, n. 1, p. 63, 2019. ABDEL‐RAHMAN, E. M.; AHMED, F. B. The application of remote sensing techniques to sugarcane (Saccharum spp. hybrid) production: a review of the literature. International Journal of Remote Sensing, v. 29, n. 13, p. 3753-3767, 2008. Acompanhamento da Safra Brasileira de Grãos: quarto levantamento: Janeiro/2020. Brasília, DF: Conab, 2020. ALVES, B. A., MEDEIROS, L. T., DE FÁTIMA SALES, J., DE CÁSSIA BRANQUINHO, A., DA SILVA, J. W., & DE SOUZA, R. G. Germinação de sementes de forrageiras do gênero 43 Brachiaria em função dos ambientes e tempos de armazenamento. Global Science and Technology, v. 10, n. 1, 2017. ANDRES, A., CONCENÇO, G., SCHWANKE, A. M. L., THEISEN, G., & MELO, P. T. B. S. Períodos de interferência de plantas daninhas na cultura do sorgo forrageiro em terras baixas. Planta Daninha, v. 27, p. 229-234, 2009. ANEECE, I. P.; EPSTEIN, H.; LERDAU, M. Correlating species and spectral diversities using hyperspectral remote sensing in early‐successional fields. Ecology and evolution, v. 7, n. 10, p. 3475-3488, 2017. ASTUTI, I. S., MISHRA, D. R., MISHRA, S., & SCHAEFFER, B. Spatio-temporal dynamics of inherent optical properties in oligotrophic northern Gulf of Mexico estuaries. Continental Shelf Research, v. 166, p. 92-107, 2018. BARTON, C. VM. Advances in remote sensing of plant stress. Plant and Soil, v. 354, n. 1, p. 41-44, 2012. BASSOI, L. H., INAMASU, R. Y., BERNARDI, A. D. C., VAZ, C. M. P., SPERANZA, E. A., & CRUVINEL, P. E. Agricultura de precisão e agricultura digital. 2019. BAURIEGEL, E., GIEBEL, A., GEYER, M., SCHMIDT, C., HERPPICH, W. B. Early detection of Fusarium infection in wheat using hyper-spectral imaging. Computers and Electronics in Agriculture. v.75, p.304-312, 2011. BEEBE, K. R.; RANDY, J. P.; SEASHOLTZ, M. B. Chemometrics: A practical guide, New York: Wiley-Interscience, 1998, 520p. BERNARDI, A. C. D. C., TUPY, O., SANTOS, K. E. L., MAZZUCO, G. G., BETTIOL, G. M., RABELLO, L. M., & INAMASU, R. Y. Mapping of yield, economic return, soil electrical conductivity, and management zones of irrigated corn for silage. Pesquisa Agropecuária Brasileira, v. 53, p. 1289-1298, 2018. BERNARDI, A. C., BETTIOL, G. M., GREGO, C. R., ANDRADE, R. G., RABELLO, L. M.; INAMASU, R. Y. Ferramentas de agricultura de precisão como auxílio ao manejo da fertilidade do solo. Cadernos de Ciência & Tecnologia, Brasília v. 32, n. 1/2, p. 205-221, 2015. BRANDÃO, L. M., BORGES, I. D., FRANCO, A. A. N., KONDO, M. K., MOREIRA, T. D. S., & SOUZA, V. D. Acúmulo de macronutrientes secundários, na safra e rebrota em plantas de sorgo forrageiro. In: Congresso Nacional de Milho e Sorgo. 2016. BRANDÃO, Z. N., BEZERRA M. V. C., FREIRE E. C., DA SILVA B. B. Agricultura de precisão para gerenciamento do algodão. In: AZEVÊDO, D. M. P., BELTRÃO, N. E. M. O Agronegócio do Algodão no Brasil. Cap. 20. v.2. Ed: Embrapa Informação Tecnológica. Brasília, DF. 2008. 1309 p. BRAZ, G. B. P., MACHADO, F. G., DO CARMO, E. L., ROCHA, A. G. C., SIMON, G. A., & FERREIRA, C. J. B. Desempenho agronômico e supressão de plantas daninhas no sorgo em semeadura adensada. Revista de Ciências Agroveterinárias, v. 18, n. 2, p. 170-177, 2019. 44 BRO, R. & SMILDE, A. K. Principal component analysis. Analytical Methods, v. 6, p. 2812– 2831, 2014. BUCCI, G.; BENTIVOGLIO, D.; FINCO, A. Agricultura de precisão como motor para sistemas agrícolas sustentáveis: Estado da arte na literatura e pesquisa. Calitatea 2018, 19, 114- 121. CABRAL, P. H. R., JAKELAITIS, A., CARDOSO, I. S., ARAÚJO, V. T. D., & PEDRINI, E. C. F. Interferência de plantas daninhas na cultura do sorgo cultivado em safrinha. Pesquisa Agropecuária Tropical, v. 43, n. 3, p. 308-314, 2013. CARVALHO, L. B.; BIANCO, S.; BIANCO, M. S. Estudo comparativo do acúmulo de massa seca e macronutrientes por plantas de Zea mays e Ipomoea hederifolia. Planta Daninha, v. 32, n. 1, p. 99-107, 2014. CERVO, V. L.; ANZANELLO, M. J. Seleção variável de agrupamento para agrupamento de lotes de produção através de ACP e mapeamento de kernel. Produção, v. 25, p. 826-833, 2015. DAMM, Alexander et al. Remote sensing of plant-water relations: An overview and future perspectives. Journal of plant physiology, v. 227, p. 3-19, 2018. DE OLIVEIRA, A. D., DE LIMA, M. E., DE CARVALHO, D. F., GOMES, D. P., & DE ALMEIDA, W. S. Graus-dias acumulados para a berinjela em Seropédica, RJ. 2009. DE SOUZA, M. F.; NETTO, C. F.; NERIS, M. A. III E AP E Congresso Brasileiro de Agricultura de Precisão–ConBAP, 2016. DELL’ORTO, E., SILVA, S. S. P., ZAMPROGNO, G. C., & PEREIRA, M. M. Estimativas do teor de clorofila do mangue da Baía de Vitória (ES) por meio de dados hiperespectrais. Revista Brasileira de Geografia Física, v. 13, n. 01, p. 131-142, 2020. DONG, C. W., Yang, Y., ZHANG, J. Q., ZHU, H. K., & Fei, L. "Detection of Thrips Defect on Green-Peel Citrus Using Hyperspectral Imaging Technology Combining PCA and B-Spline Lighting Correction Method. Journal of Integrative Agriculture , v.13, n.10 p.2229-2235, 2014. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA.(EMBRAPA).Cultivo do Sorgo, 2011. Disponível em: <https://www.spo.cnptia.embrapa.br>. Acesso em: 15 de maio de 2019. FAOSTAT, 2020. FAO Statistics, Food and Agriculture Organization of the United Nations, Rome. Acesso em 15/04/2020. http://faostat.fao.org/ (2020). FIORINI, I. V. A., VON PINHO, R. G., RESENDE, É. L., JÚNIOR, L. A. Y. B., BORGES, I. D., SANTOS, Á. D. O., & PIRES, L. P. M. Produtividade de sorgo sacarino em função de populações de plantas e de épocas de corte. Revista Brasileira de Milho e Sorgo, v. 15, n. 1, p. 105-113, 2016. FORMAGGIO, A. R.; SANCHES, I. D. Sensoriamento remoto em agricultura. Oficina de Textos, 2017. 45 FORNASIERI FILHO, D.; FORNASIERI, J. L. Manual da cultura do Sorgo. Jaboticabal: Funep, 2009. GALVÃO, L. S., ROBERTS, D. A., FORMAGGIO, A. R., NUMATA, I., & BREUNIG, F. M. View angle effects on the discrimination of soybean varieties and on the relationships between vegetation indices and yield using off-nadir Hyperion data. Remote Sensing of Environment, v. 113, n. 4, p. 846-856, 2009. GALVAO, L. S.; FORMAGGIO, A. R.; TISOT, D. A. Discrimination of sugarcane varieties in Southeastern Brazil with EO-1 Hyperion data. Remote sensing of Environment, v. 94, n. 4, p. 523-534, 2005. GROWTH AND DEVELOPMENT. Sorghum CheckOff Program, 2022. Disponível em: < https://www.sorghumcheckoff.com/our-farmers/grain-production/growth-and-development/>. Acesso em: 20 de Abril de 2022. GUO, W., GU, J., LIU, D., & SHANG, L. Peach variety identification using near-infrared diffuse reflectance spectroscopy. Computers and Electronics in Agriculture, v. 123, p. 297- 303, 2016. HACHÉA, C.; SHIBUSAWA, S.; SASAO, A.; SUHAMA, T.; SAH, B.P. Field-derived spectral characteristics to classify conventional and conservation agricultural practices. Computers and Electronics in Agriculture, 2007. HE, K. S., Rocchini, D., Neteler, M., & Nagendra, H. Benefits of hyperspectral remote sensing for tracking plant invasions. Diversity and Distributions, v. 17, n. 3, p. 381-392, 2011. HONGYU, K.; SANDANIELO, V. L. M.; DE OLIVEIRA JUNIOR, G. J. Análise de componentes principais: resumo teórico, aplicação e interpretação. E&S Engineering and Science, v. 5, n. 1, p. 83-90, 2016. ISPA. (2019). ISPA precision Ag definition. Disponível em: <https://ispag.org/>. Acesso em: 20 de Fevereiro de 2021. KANAPECKAS, Kimberly L. et al. Contrasting patterns of variation in weedy traits and unique crop features in divergent populations of US weedy rice (Oryza sativa sp.) in Arkansas and California. Pest management science, v. 74, n. 6, p. 1404-1415, 2018. KÜKENBRINK, K. L., TSENG, T. M., VIGUEIRA, C. C., ORTIZ, A., BRIDGES, W. C., BURGOS, N. R., LAWTON‐RAUH, A. "Mapping the Irradiance Field of a Single Tree: Quantifying Vegetation-Induced Adjacency Effects", Geociência e Remoto Sensing IEEE Transactions on, vol. 57, no 7, pp. 4994-5011, 2019. LEV-RAM M. John Deere is paying $305 million for this Silicon Valley company. Fortune, 2017. Disponível em: <http:// fortune.com/2017/09/06/john-deere-blue-river-acquisition>. LOUARGANT, M.; JONES, G.; FAROUX, R.; PAOLI, J.P.; MAILLOT, T.; GÉE, C.; VILLETTE, S. Unsupervised Classification Algorithm for Early Weed Detection in Row-Crops by Combining Spatial and Spectral Information. Remote Sensing, v.10, n.5, p.1-18, 2018. 46 MAHAJAN, G. R., PANDEY, R. N., SAHOO, R. N., GUPTA, V. K., DATTA, S. C., & KUMAR, D. Monitoring nitrogen, phosphorus and sulphur in hybrid rice (Oryza sativa L.) using hyperspectral remote sensing. Precision agriculture, v. 18, n. 5, p. 736-761, 2017. MAHLEIN, A. K., OERKE, E. C., STEINER, U., DEHNE, H. W. Recent advances in sensing plant diseases for precision crop protection. Eur J Plant Pathology. v.133, p.197-209, 2012. MAPA. 2014. Ministério da Agricultura, Pecuária e Abastecimento. Sistema Integrado de Legislação. Binagri Sislegis. Portaria 233/2014 de 24/11/2014. Disponível em:< http://sistemasweb.agricultura.gov.br/sislegis/action/detalhaAto.do?method=visualizarAtoPort alMapa&chave=304999056>. MARTINI, A.P.M., BRONDANI, I.L., SILVA, V.S.DA, ALVES FILHO, D.C., MARTINI,P.M., & ARGENTA, F.M. Características morfogênicas e estruturais do sorgo forrageiro submetido a lotação contínua com novilhos de corte suplementados. Ciência Animal Brasileira, v. 20, 2019. MATONGERA, T. N., Mutanga, O., Dube, T., & Sibanda, M. Detection and mapping the spatial distribution of bracken fern weeds using the Landsat 8 OLI new generation sensor. International journal of applied earth observation and geoinformation, v. 57, p. 93-103, 2017. MENESES, P. R.; ALMEIDA, T. de. Introdução ao processamento de imagens de sensoriamento remoto. Universidade de Brasília, Brasília, 2012. MIRIK, M.; ANSLEY, R.J.; STEDDOM, K.; JONES, D.C.; RUSH, C.M.; MICHELS, G.J.; ELLIOTT, N.C. Remote distinction of a noxious weed (Musk Thistle: Carduus Nutans) using airborne hyperspectral imagery and the support vector machine classifier. Remote Sensing, MOLIN, José Paulo; DO AMARAL, Lucas Rios; COLAÇO, André. Agricultura de precisão. Oficina de textos, 2015. NAWAR, S.; ABDUL MUNNAF, M.; MOUAZEN, A. M. Machine learning based on-line prediction of soil organic carbon after removal of soil moisture effect. Remote Sensing, v. 12, n. 8, p. 1308, 2020. OLIVEIRA, J. F.; BROSSARD, M.; VENDRAME, P. R. S.; MAYI III, S.; CORAZZA, E. J.; MARCHÃO, R. L.; GUIMARÃES, M. F. Soil discrimination using diffuse reflectance Vis– NIR spectroscopy in a local toposequence. C.R. Geoscience 2013, 345, 446. PERRY, E. M.; ROBERTS, D. A. Sensitivity of Narrow‐Band and Broad‐Band Indices for Assessing Nitrogen Availability and Water Stress in an Annual Crop. Agronomy journal, v. 100, n. 4, p. 1211-1219, 2008. PONZONI, F. J. Sensoriamento remoto no estudo da vegetação: diagnosticando a mata atlântica. São José dos Campos, Brasil: INPE, 2002. POTT, Luan Pierre et al. Revista Engenharia na Agricultura. Revista Engenharia na Agricultura, v. 28, p. 51-57, 2020. 47 PROSPERE, K.; MCLAREN, K.; WILSON, B. Plant species discrimination in a tropical wetland using in situ hyperspectral data. Remote sensing, v. 6, n. 9, p. 8494-8523, 2014. QIANG, Sheng. Multivariate analysis, description, and ecological interpretation of weed vegetation in the summer crop fields of Anhui Province, China. Journal of Integrative Plant Biology, v. 47, n. 10, p. 1193-1210, 2005. RIBEIRO, P. L., KLOCK, A. L. S., TRAMONTIN, M. A., TRAPP, M. A., MITHÖFER, A., & NANSEN, C. Hyperspectral imaging to characterize plant-plant communication in response to insect herbivory. Plant Methods, v. 14, p. 1-11, 2018. RIZZARDI, M. A.; KARAM, D.; CRUZ, M. B. Manejo de plantas daninhas em milho e sorgo. In: VARGAS, L.; ROMAM, E. S. Manual de manejo e controle de plantas daninhas Bento Gonçalves: Embrapa Uva e Vinho, p. 571-594, 2004. RODRIGUES FILHO, O., DE SOUZA FRANÇA, A. F., DE PAULA OLIVEIRA, R., DE OLIVEIRA, E. R., ROSA, B., SOARES, T. V., & MELLO, S. Q. S. Produção e composição bromatológica de quatro híbridos de sorgo forrageiro [Sorghum bicolor (L.) Moench] submetidos a três doses de nitrogênio. Ciência Animal Brasileira, v. 7, n. 1, p. 37-48, 2006. RUBIO-DELGADO, J., Pérez, C. J., & Vega-Rodríguez, M. A. Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture. Precision Agriculture, v. 22, n. 1, p. 1-21, 2021. RUFFIN, C., & KING, R. L. The analysis of hyperspectral data using Savitzky-Golay filtering- Theoretical basis (part 1). In: IGARSS’99 Proceedings: Remote Sensing of the System Earth—A Challenge for the 21st Century: IEEE 1999 International Geoscience and Remote Sensing Symposium, 28 June–2 July 1999, Congress Centrum Hamburg. 1999. p. 499-502. SAFANELLI, J. L., BOESING, B. F. B., BOTTEGA, E. L., & TEN CATEN, A. Diferenciação de Euphorbia Heterophylla L. em lavoura de soja utilizando espectrorradiometria. Congresso brasileiro de geoprocessamento. Vol. 5. 2014. SANDANIELO, V. L. M. Emprego de técnicas estatísticas na construção de índices de desenvolvimento sustentável aplicados a assentamentos rurais. Tese (Doutorado) - Universidade Estadual Paulista, Faculdade de Ciências Agronômicas de Botucatu. XV, 159f, 2008. SANTIN, T. P., FRIGERI, K. D. M., AGOSTINI, A., DA SILVA, H. R., FRIGERI, K. D. M., KALLES, N. Z., ... & DIAS, A. M. Características fermentativas e composição química da silagem de sorgo (Sorghum bicolor) com uso de aditivos absorventes. Brazilian Journal of Development, v. 6, n. 8, p. 54931-54943, 2020. SANTOS, L. M. D., BARBOSA, B. D. S., & ANDRADE, A. D. Use of remotely piloted aircraft in precision agriculture: a review. Dyna rev.fac.nac.minas, Medellín , v. 86, n. 210, p. 284- 291, July 2019. 48 SAVITZKY, A.; GOLAY, M. Smoothing and differentiation of data by simplified least squares procedures. Analytical chemistry, v. 36, n. 8, p. 1627-1639, 1964. SCHMIDT, K.; SKIDMORE, A. Discriminação espectral de tipos de vegetação em um pântano costeiro. Remoto Sens. Environ. 85, 92-108, 2003. SENSORIAMENTO REMOTO. Instituto Nacional de Pesquisas Espaciais (INPE), 2022. Disponível em: < https://www.gov.br/inpe/pt-br>. Acesso em: 20 de Julho de 2022. SILVA, E. M. S., Peres, A. E. C., Silva, A. C., Leal, M. C. D. M., Liao, L. M., & de Almeida, V. O. Amido de sorgo como depressivo na flutuação mineral: parte 1 - extração e caracterização. Journal of Materials Research and Technology, v. 8, n. 1, p. 396-402, 2019. SILVA, Y., Silva, I. D. C., ROMERO, C. D. S., ÁGUAS, T., GARCON, E., BRASCO, T., ... & LAMPARELLI, R. Análise multivariada de comportamentos espectrais de folhas em diferentes estágios de desenvolvimento. In: Embrapa Territorial-Artigo em anais de congresso (ALICE). In: Simpósio brasileiro de sensoriamento remoto, 19., 2019, Santos. Anais. São José dos Campos: INPE, 2019. SOUZA, A. M. de; POPPI, R. J. Experimento didático de quimiometria para análise exploratória de óleos vegetais comestíveis por espectroscopia no infravermelho médio e análise de componentes principais: um tutorial, parte I. Química nova, v. 35, p. 223-229, 2012. SUDBRINK, D.; THOMSON, S. J.; FLETCHER, R. S.; HARRIS, A.; ENGLISH, P. J.; ROBBINS, J. T. Remote Sensing of Selected Winter and Spring Host Plants of Tarnished Plant Bug (Heteroptera: Miridae) and Herbicide Use Strategies as a Management Tactic. American Journal of Plant Sciences, Irvine, v. 06, n. 8 p. 1313–1327, 2015. THENKABAIL, P. S., MARIOTTO, I., GUMMA, M. K., MIDDLETON, E. M., LANDIS, D. R., & HUEMMRICH, K. F. Selection of hyperspectral narrowbands (HNBs) and composition of hyperspectral twoband vegetation indices (HVIs) for biophysical characterization and discrimination of crop types using field reflectance and Hyperion/EO-1 data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 6, n. 2, p. 427-439, 2013. THENKABAIL, P. S.; KNOX, J. W.; OZDOGAN M.; GUMMAM. K.; CONGALTON, R. G.; WU, Z.; MILESI, C.; FINKRAL, A.; MARSHALL, M.; MARIOTTO, I. M.; YOU, S.; GIRI, C. NAGLER, P. Assessing future risks to agricultural productivity, water resources and food security: How can remote sensing help? PE&RS PhotogrammetricEngineering and Remote Sensing, v. 78, n. 8, p. 773-782, 2012 VAN OOSTEROM, E. J., CHAPMAN, S. C., BORRELL, A. K., BROAD, I. J., & HAMMER, G. L. Functional dynamics of the nitrogen balance of sorghum. II. Grain filling period. Field Crops Research, v. 115, n. 1, p. 29-38, 2010. VELOSO, A., MERMOZ, S., BOUVET, A., LE TOAN, T., PLANELLS, M., DEJOUX, J. F., & CESCHIA, E. Understanding the temporal behavior of crops using Sentinel-1 and Sentinel- 49 2-like data for agricultural applications. Remote sensing of environment, v. 199, p. 415-426, 2017. YANG, J., YANG, S., ZHANG, Y., SHI, S., & DU, L. Improving characteristic band selection in leaf biochemical property estimation considering interrelations among biochemical parameters based on the PROSPECT-D model. Optics Express, v. 29, n. 1, p. 400-414, 2021. ZHAI, Z., MARTÍNEZ, J. F., BELTRAN, V., & MARTÍNEZ, N. L. Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, v. 170, p. 105256, 2020. ZHANG, J. C., PU, R. L., WANG, J. H., HUANG, W. J., YUAN, L., & LUO, J. H. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements. Computers and Electronics in Agriculture, v. 85, p. 13-23, 2012. ZHANG, L., MA, H., CHEN, T., PEN, J., YU, S., & ZHAO, X. Morphological and physiological responses of cotton (Gossypium hirsutum L.) plants to salinity. PLoS One, v. 9, n. 11, p. e112807, 2014. | pt_BR |
dc.subject.cnpq | Engenharia Agrícola | pt_BR |
Appears in Collections: | Mestrado em Engenharia Agrícola e Ambiental |
Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2022 - Joyce de Aguiar Carvalho.Pdf | 1.69 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.