|
|
Registro Completo |
Biblioteca(s): |
Epagri-Sede. |
Data corrente: |
01/09/2023 |
Data da última atualização: |
01/09/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso / Nota Técnica |
Autoria: |
GOULART JÚNIOR, R. |
Título: |
Banana. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
Síntese Anual da Agricultura em Santa Catarina 2021-2022, Florianópolis, p. 29-40, 2023. |
Idioma: |
Português |
Conteúdo: |
Análise do desempenho anual do mercado mundial, nacional e estadual, evolução da safra e dos preços ao produtor e no atacado, volume e valores do comércio externo da bananicultura entre 2021-2022. |
Thesagro: |
Comércio exterior; Economia agrícola; Fruticultura; Mercado agrícola; Preço agrícola. |
Categoria do assunto: |
E Economia e Indústria Agrícola |
|
|
Marc: |
LEADER 00717naa a2200181 a 4500 001 1133539 005 2023-09-01 008 2023 bl uuuu u00u1 u #d 100 1 $aGOULART JÚNIOR, R. 245 $aBanana.$h[electronic resource] 260 $c2023 520 $aAnálise do desempenho anual do mercado mundial, nacional e estadual, evolução da safra e dos preços ao produtor e no atacado, volume e valores do comércio externo da bananicultura entre 2021-2022. 650 $aComércio exterior 650 $aEconomia agrícola 650 $aFruticultura 650 $aMercado agrícola 650 $aPreço agrícola 773 $tSíntese Anual da Agricultura em Santa Catarina 2021-2022, Florianópolis, p. 29-40, 2023.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Epagri-Sede (Epagri-Sede) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
|
Voltar
|
|
Registro Completo
Biblioteca(s): |
Epagri-Sede. |
Data corrente: |
10/11/2023 |
Data da última atualização: |
10/11/2023 |
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
Autoria: |
BRUNETTO, G.; ROZANE, D. E.; NATALE, W.; HAHN, L.; ANDRADE, C. B.; MOURA-BUENO, J. M.; TRAPP, T.; COMIN, J. J. |
Título: |
Predição de nutrientes em frutíferas como estratégia para racionalizar a fertilização. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
In: Nogueira, T. A. R.; Cherubin, M. R.; Pereira, A. P. A.; Tiecher, T. (Eds.) Tópicos em Ciência do Solo. Viçosa, MG: SBCS, 2023. p. 205-237 |
Idioma: |
Português |
Conteúdo: |
Aborda-se neste capítulo as ferramentas de estudo e análise para determinação de parâmetros que possam predizer a adubação e nutrição de frutíferas. O destaque é dado para métodos de estabelecimento de níveis críticos de nutrientes em solos e modelos de predição de produção e sua relação com índices nutricionais e variáveis abióticas em frutíferas. Com o avanço na aplicação de métodos de machine learning aos dados agronômicos, com destaque na área da fruticultura, os sistemas de gerenciamento de fazendas estarão evoluindo para sistemas de inteligência artificial, fornecendo recomendações e insights mais ricos para tomada de decisões e ações com o escopo final de melhoria da produção. Para este escopo, no futuro, espera-se que o uso de modelos de machine learning seja ainda mais difundido, permitindo a possibilidade de ferramentas integradas e aplicáveis. Essa integração entre organização de banco de dados e análise de dados com a implementação de machine learning, fornecerá ferramentas práticas que se alinham com a chamada agricultura baseada no conhecimento para aumentar os níveis e a qualidade da produção. |
Thesagro: |
análise de linha de fronteira; machine learning; Modelagem bayseana; nutrição de plantas; predição da produtividade. |
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
|
|
Marc: |
LEADER 02059naa a2200265 a 4500 001 1133914 005 2023-11-10 008 2023 bl uuuu u00u1 u #d 100 1 $aBRUNETTO, G. 245 $aPredição de nutrientes em frutíferas como estratégia para racionalizar a fertilização.$h[electronic resource] 260 $c2023 520 $aAborda-se neste capítulo as ferramentas de estudo e análise para determinação de parâmetros que possam predizer a adubação e nutrição de frutíferas. O destaque é dado para métodos de estabelecimento de níveis críticos de nutrientes em solos e modelos de predição de produção e sua relação com índices nutricionais e variáveis abióticas em frutíferas. Com o avanço na aplicação de métodos de machine learning aos dados agronômicos, com destaque na área da fruticultura, os sistemas de gerenciamento de fazendas estarão evoluindo para sistemas de inteligência artificial, fornecendo recomendações e insights mais ricos para tomada de decisões e ações com o escopo final de melhoria da produção. Para este escopo, no futuro, espera-se que o uso de modelos de machine learning seja ainda mais difundido, permitindo a possibilidade de ferramentas integradas e aplicáveis. Essa integração entre organização de banco de dados e análise de dados com a implementação de machine learning, fornecerá ferramentas práticas que se alinham com a chamada agricultura baseada no conhecimento para aumentar os níveis e a qualidade da produção. 650 $aanálise de linha de fronteira 650 $amachine learning 650 $aModelagem bayseana 650 $anutrição de plantas 650 $apredição da produtividade 700 1 $aROZANE, D. E. 700 1 $aNATALE, W. 700 1 $aHAHN, L. 700 1 $aANDRADE, C. B. 700 1 $aMOURA-BUENO, J. M. 700 1 $aTRAPP, T. 700 1 $aCOMIN, J. J. 773 $tIn: Nogueira, T. A. R.; Cherubin, M. R.; Pereira, A. P. A.; Tiecher, T. (Eds.) Tópicos em Ciência do Solo. Viçosa, MG: SBCS, 2023. p. 205-237
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Epagri-Sede (Epagri-Sede) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|