|
|
Registros recuperados : 99 | |
2. | | PINTO, C. E.; BALDISSERA, T. C.; GARAGORRY, F. C. HERBÁRIO DAS PASTAGENS NATURAIS: 41 ANOS DE HISTÓRIA. In: SIMPÓSIO INTERNACIONAL CIÊNCIA, SAUDE E TERRITORIO, 4., 2017, Lages, SC. Resumos... Lages, SC: UNIPLAC, 2017. Biblioteca(s): Epagri-Sede. |
| |
7. | | LOPES, C. F.; GARAGORRY, F. C.; BALDISSERA, T. C.; PINTO, C. E.; WERNER, S. S. Densidade de semeadura de azevém (Lolium multiflorum) no controle de capim-annoni (Eragrostis plana Ness). In: SIMPÓSIO DE INICIAÇÃO CIENTÍFICA DA EMBRAPA PECUÁRIA SUL, 11., 2021, Bagé, RS. Resumos... Bagé, RS: Embrapa Pecuária Sul, 2021. p. 25 Biblioteca(s): Epagri-Sede. |
| |
8. | | MEES, J. P.; GARAGORRY, F. C.; PINTO, C. E.; BALDISSERA, T. C.; CÓRDOVA, U. A. Alturas de resíduos para forrageiras de verão em sucessão às pastagens hibernais. In: SIMPÓSIO DE INICIAÇÃO CIENTÍFICA DA EMBRAPA PECUÁRIA SUL, 13., 2023, Bagé, RS. Resumos... Bagé, RS: Embrapa Pecuária Sul, 2023. p. 13 Biblioteca(s): Epagri-Sede. |
| |
9. | | RICCE, W. S.; BALDISSERA, T. C.; PINTO, C. E.; GARAGORRY, F. C. APRENDIZADO DE MÁQUINA PARA PREDIÇÃO DA QUALIDADE NUTRICIONAL DE FORRAGEIRAS. In: SIMPÓSIO INTERNACIONAL CIÊNCIA, SAÚDE E TERRITÓRIO, 6., 2021, Lages, SC. Resumos... Lages, SC: UNIPLAC, 2021. p. 31 Biblioteca(s): Epagri-Sede. |
| |
10. | | LOPES, C. F.; BALDISSERA, T. C.; PINTO, C. E.; ZANELLA, P. G.; GARAGORRY, F. C. Caracterização da qualidade de sementes de espécies hibernais comercializadas em Santa Catarina. In: SEMINÁRIO DE INICIAÇÃO CIENTÍFICA E INICIAÇÃO TECNOLÓGICA E INOVAÇÃO DA EMBRAPA PECUÁRIA SUL , 9., 2019, Bagé, RS. Resumos... Bagé, RS: Embrapa Pecuária Sul, 2019. Biblioteca(s): Epagri-Sede. |
| |
11. | | BALDISSERA, T. C.; WERLANG, T. R.; PINTO, C. E.; GARAGORRY, F. C.; PITTON FILHO, D. AVALIAÇÃO DA PRODUTIVIDADE DE FORRAGEM DO CAPIM- TANGOLA. In: SIMPÓSIO BRASIL SUL DE BOVINOCULTURA DE LEITE, 12., SIMPÓSIO CATARINENSE DE PECUÁRIA DE LEITE À BASE DE PASTO, 1., 2023, Chapecó, SC. ANAIS... Florianópolis: Epagri, 2023. p. 116-118 Biblioteca(s): Epagri-Sede. |
| |
12. | | MEES, J. P.; GARAGORRY, F. C.; BALDISSERA, T. C.; PINTO, C. E. EFEITOS DE ALTURAS DE RESÍDUO NOS COMPONENTES DE PASTAGEM DE ESTIVAL EM SUCESSÃO ÀS PASTAGENS HIBERNAIS. In: SIMPÓSIO BRASIL SUL DE BOVINOCULTURA DE LEITE, 12., SIMPÓSIO CATARINENSE DE PECUÁRIA DE LEITE À BASE DE PASTO, 1., 2023, Chapecó, SC. ANAIS... Florianópolis, SC: Epagri, 2023. p. 119-121 Biblioteca(s): Epagri-Sede. |
| |
17. | | RODRIGUES, T. M.; BRAND, M.; HESS, F.; BALDISSERA, T. C.; PINTO, C. E.; GARAGORRY, F. C. INDÍCES MORFOMÉTRICOS DA Araucaria angustifolia (BERT.) O. KTZE. EM CAMPO NATIVO NA SERRA CATARINENSE. In: REUNIÓN DEL GRUPO TÉCNICO REGIONAL DEL CONO SUR EN MEJORAMIENTO Y UTILIZACIÓN DE LOS RECURSOS FORRAJEROS DEL ÁREA TROPICAL Y SUBTROPICAL - GRUPO CAMPOS, 25., 2019, Santa Maria, RS. Anais... Santa Maria, RS: UFSM, 2019. Biblioteca(s): Epagri-Sede. |
| |
Registros recuperados : 99 | |
|
|
Registro Completo
Biblioteca(s): |
Epagri-Sede. |
Data corrente: |
19/10/2021 |
Data da última atualização: |
19/10/2021 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
RICCE, W. S.; BALDISSERA, T. C.; PINTO, C. E.; GARAGORRY, F. C. |
Título: |
APRENDIZADO DE MÁQUINA PARA PREDIÇÃO DA QUALIDADE NUTRICIONAL DE FORRAGEIRAS. |
Ano de publicação: |
2021 |
Fonte/Imprenta: |
In: SIMPÓSIO INTERNACIONAL CIÊNCIA, SAÚDE E TERRITÓRIO, 6., 2021, Lages, SC. Resumos... Lages, SC: UNIPLAC, 2021. p. 31 |
Idioma: |
Português |
Conteúdo: |
Algoritmos de aprendizado de máquina são ferramentas interessantes para
classificação de grupos e predição. Objetivo: avaliar alguns algoritmos de aprendizado de
máquina na predição da qualidade nutricional de forrageiras produzidas em sistemas integrados
de produção agropecuária. Método: o trabalho foi desenvolvido em Ponta Grossa ? PR, entre
2011 e 2013, com as seguintes forrageiras: Axonopus catharinensis, Brachiaria brizantha cv.
Marandu, Megathyrsus maximus cv. Aruana, Hemarthria altissima cv. Flórida, Cynodon spp.
Tifton 85 e Paspalum notatum cv. Pensacola. Os tratamentos utilizados foram doses de N (300
kg ha ano-1), condição de cultivo (sol ou sombra) e severidade de desfolha (50 e 70%). Foram
utilizados dados de altura das pastagens, interceptação da radiação solar, produção de matéria
seca e parâmetros de qualidade nutricional. Foram geradas variáveis com base nas relações
entre todas as variáveis disponíveis, e como variável alvo combinação de Fibra em detergente
neutro <70, Proteína bruta >15, Nutrientes digestíveis totais >62 e Fibra em detergente ácido
<35, sintetizando em um índice qualitativo. Foram avaliados os algoritmos de classificação
supervisionada: árvore de decisão, kNN, Naive Bayes, random forest, rede neural e regressão
logística com configurações básicas do software Orange, comparados pelas métricas baseadas
na matriz de confusão. Resultados: Os melhores desempenhos foram observados nos
algoritmos: árvore de decisão e random forest seguidos por naive bayes. A regressão logística
e kNN foram os seguintes na classificação e por último a rede neural. Conclusão: algoritmos
de aprendizado de máquina são ferramentas que podem ser usadas para predição da qualidade
de pastagens. MenosAlgoritmos de aprendizado de máquina são ferramentas interessantes para
classificação de grupos e predição. Objetivo: avaliar alguns algoritmos de aprendizado de
máquina na predição da qualidade nutricional de forrageiras produzidas em sistemas integrados
de produção agropecuária. Método: o trabalho foi desenvolvido em Ponta Grossa ? PR, entre
2011 e 2013, com as seguintes forrageiras: Axonopus catharinensis, Brachiaria brizantha cv.
Marandu, Megathyrsus maximus cv. Aruana, Hemarthria altissima cv. Flórida, Cynodon spp.
Tifton 85 e Paspalum notatum cv. Pensacola. Os tratamentos utilizados foram doses de N (300
kg ha ano-1), condição de cultivo (sol ou sombra) e severidade de desfolha (50 e 70%). Foram
utilizados dados de altura das pastagens, interceptação da radiação solar, produção de matéria
seca e parâmetros de qualidade nutricional. Foram geradas variáveis com base nas relações
entre todas as variáveis disponíveis, e como variável alvo combinação de Fibra em detergente
neutro <70, Proteína bruta >15, Nutrientes digestíveis totais >62 e Fibra em detergente ácido
<35, sintetizando em um índice qualitativo. Foram avaliados os algoritmos de classificação
supervisionada: árvore de decisão, kNN, Naive Bayes, random forest, rede neural e regressão
logística com configurações básicas do software Orange, comparados pelas métricas baseadas
na matriz de confusão. Resultados: Os melhores desempenhos foram observados nos
algoritmos: árvore de decisão e random forest seguidos por nai... Mostrar Tudo |
Palavras-Chave: |
Modelagem. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
|
Marc: |
LEADER 02364naa a2200169 a 4500 001 1131356 005 2021-10-19 008 2021 bl uuuu u00u1 u #d 100 1 $aRICCE, W. S. 245 $aAPRENDIZADO DE MÁQUINA PARA PREDIÇÃO DA QUALIDADE NUTRICIONAL DE FORRAGEIRAS.$h[electronic resource] 260 $c2021 520 $aAlgoritmos de aprendizado de máquina são ferramentas interessantes para classificação de grupos e predição. Objetivo: avaliar alguns algoritmos de aprendizado de máquina na predição da qualidade nutricional de forrageiras produzidas em sistemas integrados de produção agropecuária. Método: o trabalho foi desenvolvido em Ponta Grossa ? PR, entre 2011 e 2013, com as seguintes forrageiras: Axonopus catharinensis, Brachiaria brizantha cv. Marandu, Megathyrsus maximus cv. Aruana, Hemarthria altissima cv. Flórida, Cynodon spp. Tifton 85 e Paspalum notatum cv. Pensacola. Os tratamentos utilizados foram doses de N (300 kg ha ano-1), condição de cultivo (sol ou sombra) e severidade de desfolha (50 e 70%). Foram utilizados dados de altura das pastagens, interceptação da radiação solar, produção de matéria seca e parâmetros de qualidade nutricional. Foram geradas variáveis com base nas relações entre todas as variáveis disponíveis, e como variável alvo combinação de Fibra em detergente neutro <70, Proteína bruta >15, Nutrientes digestíveis totais >62 e Fibra em detergente ácido <35, sintetizando em um índice qualitativo. Foram avaliados os algoritmos de classificação supervisionada: árvore de decisão, kNN, Naive Bayes, random forest, rede neural e regressão logística com configurações básicas do software Orange, comparados pelas métricas baseadas na matriz de confusão. Resultados: Os melhores desempenhos foram observados nos algoritmos: árvore de decisão e random forest seguidos por naive bayes. A regressão logística e kNN foram os seguintes na classificação e por último a rede neural. Conclusão: algoritmos de aprendizado de máquina são ferramentas que podem ser usadas para predição da qualidade de pastagens. 653 $aModelagem 700 1 $aBALDISSERA, T. C. 700 1 $aPINTO, C. E. 700 1 $aGARAGORRY, F. C. 773 $tIn: SIMPÓSIO INTERNACIONAL CIÊNCIA, SAÚDE E TERRITÓRIO, 6., 2021, Lages, SC. Resumos... Lages, SC: UNIPLAC, 2021. p. 31
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. |
|
|