Autoria: KUCHLER, P. C.; FERRAZ, R. P. D.; VIEIRA, L. P.; LAGE, S. M.; BENCHIMOL, M.; SIMÕES, M.

Resumo: O aprendizado por transferência (transfer learning) é uma técnica de machine learning que permite reaproveitar conhecimento adquirido em um domínio para tarefas em um novo, sendo útil para classes complexas com difícil aquisição de dados, como os sistemas integrados Lavoura- Pecuária (ILP). Este estudo investiga a aplicabilidade da técnica de Adaptação de domínio, baseada em TL, para otimizar a classificação de ILP em grandes áreas, aplicando modelos treinados em uma região ou ano específico para outras áreas e períodos distintos com características particulares. Observou-se que tanto o TL espacial quanto o temporal melhoraram significativamente a acurácia, mesmo em diferentes regimes climáticos e anos com características variadas. Em regiões com poucas amostras, os índices de acurácia mostraram grande melhoria, enquanto áreas com mais amostras apresentaram ganhos menores. Os resultados indicam o potencial de generalização dos modelos para o monitoramento de ILP em amplas áreas agrícolas como subsídio às políticas públicas setoriais.

Ano de publicação: 2025

Tipo de publicação: Artigo em anais e proceedings

Unidade: Embrapa Solos

Palavras-chave: Adaptação de domínio, Aprendizagem de máquina, Random forest, Sistemas integrados, Transferência de aprendizagem