Questões de Concurso
Comentadas para embrapa
Foram encontradas 5.711 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
Julgue o próximo item, acerca de agricultura familiar e dos povos e comunidades tradicionais.
Comunidades tradicionais indígenas brasileiras praticam tecnologias sofisticadas ancestrais de manejo florestal, domesticação de espécies nativas e transformação de alimentos em seus sistemas agrícolas e, embora possuam toda a tecnologia para criar rebanhos, restringem essa prática por motivos culturais e religiosos.
Julgue o próximo item, acerca de agricultura familiar e dos povos e comunidades tradicionais.
A agricultura familiar contribui para dietas equilibradas e para a manutenção do patrimônio histórico, cultural e genético nas áreas rurais.
Julgue o próximo item, acerca de agricultura familiar e dos povos e comunidades tradicionais.
A agricultura familiar diminui a sustentabilidade ambiental da agricultura.
Julgue o próximo item, acerca de agricultura familiar e dos povos e comunidades tradicionais.
A agricultura familiar produz grande parte do alimento mundial em termos de valor, ao mesmo tempo que ajuda a preservar e restaurar a biodiversidade e os ecossistemas.
Julgue o próximo item, acerca de agricultura familiar e dos povos e comunidades tradicionais.
A agricultura familiar produz commodities que movimentam o comércio em escala global.
Considerando a aplicação de aprendizado de máquina para monitoramento de florestas, julgue o item a seguir.
A acurácia de um modelo classificador mede a taxa de previsões corretas, em relação ao total de previsões positivas.
Considerando a aplicação de aprendizado de máquina para monitoramento de florestas, julgue o item a seguir.
A maioria das métricas utilizadas para avaliação da qualidade de um classificador em aprendizado de máquina é obtida por meio da matriz de confusão.
Considerando a aplicação de aprendizado de máquina para monitoramento de florestas, julgue o item a seguir.
Em um modelo de identificação de incêndios florestais, a métrica sensibilidade, também chamada de recall, afere a capacidade do modelo de encontrar todos os incêndios reais.
Julgue o item subsequente, referente ao uso de veículo aéreo não tripulado (VANT) no manejo de recursos florestais, a tecnologias remotas de coletas de dados e aspectos relacionados a esses temas.
Quando da realização de um ortomosaico de imagens aéreas provenientes de um VANT, pontos de controle são necessários ao georreferenciamento e à melhoria da precisão absoluta, enquanto pontos de checagem servem para a validação da acurácia do modelo.
Julgue o item subsequente, referente ao uso de veículo aéreo não tripulado (VANT) no manejo de recursos florestais, a tecnologias remotas de coletas de dados e aspectos relacionados a esses temas.
Suponha que, durante um sobrevoo, um VANT equipado com RTK (real time kinematic) e com um receptor GNSS (sistema global de navegação por satélite) de alta qualidade tenha perdido a comunicação com a base por 8 minutos, mas tenha continuado a captar imagens. Nessa situação, a precisão das coordenadas das imagens coletadas durante a perda de conexão RTK será da ordem de centímetros, garantida pelo GNSS de alta qualidade.
Julgue o item subsequente, referente ao uso de veículo aéreo não tripulado (VANT) no manejo de recursos florestais, a tecnologias remotas de coletas de dados e aspectos relacionados a esses temas.
O uso de scanner a laser aerotransportado (tecnologia LIDAR — light detection and ranging) em povoamentos florestais permite a estimação indireta do volume de madeira.
Em relação ao uso de inteligência artificial para a automação de operações florestais, julgue o próximo item.
Os sistemas de visão computacional baseados em técnicas de redes neurais convolucionais podem ser empregados para identificar e classificar árvores em tempo real, permitindo o monitoramento da saúde da floresta.
Em relação ao uso de inteligência artificial para a automação de operações florestais, julgue o próximo item.
No treinamento de modelos de aprendizado de máquina aplicados a operações florestais, pode ocorrer underfitting quando o modelo aprende padrões específicos dos dados de treinamento, mas não faz boas generalizações para novos dados.
O NDVI (ou índice de vegetação por diferença normalizada) permite identificar a presença de vegetação verde e caracterizar sua distribuição espacial, como também sua evolução no decorrer do tempo. Para calcular o NDVI, a linguagem Python é amplamente utilizada, devido à sua flexibilidade e às bibliotecas de processamento de dados geoespaciais disponíveis. A seguir, é apresentado um código em Python relativo ao cálculo do NDVI.
import numpy as np
import rasterio def calcular_ndvi(arquivo_nir, arquivo_red,
saida_ndvi):
with rasterio.open(arquivo_nir) as nir_src:
nir = nir_src.read(1).astype('float32')
perfil = nir_src.profile
with rasterio.open(arquivo_red) as red_src:
red = red_src.read(1).astype('float32')
ndvi = (nir - red) / (nir + red + 1e-10)
perfil.update(dtype=rasterio.float32,
count=1)
with rasterio.open(saida_ndvi, 'w',
**perfil) as dst:
dst.write(ndvi, 1)
print(f"NDVI calculado e salvo em:
{saida_ndvi}")
Com base no código precedente, julgue os itens a seguir.
Com base no código precedente, julgue o item a seguir.
Se o código estiver processando imagens advindas do satélite LANDSAT 8, as bandas espectrais do vermelho e do infravermelho próximo serão B4 e B5, respectivamente.
O NDVI (ou índice de vegetação por diferença normalizada) permite identificar a presença de vegetação verde e caracterizar sua distribuição espacial, como também sua evolução no decorrer do tempo. Para calcular o NDVI, a linguagem Python é amplamente utilizada, devido à sua flexibilidade e às bibliotecas de processamento de dados geoespaciais disponíveis. A seguir, é apresentado um código em Python relativo ao cálculo do NDVI.
import numpy as np
import rasterio def calcular_ndvi(arquivo_nir, arquivo_red,
saida_ndvi):
with rasterio.open(arquivo_nir) as nir_src:
nir = nir_src.read(1).astype('float32')
perfil = nir_src.profile
with rasterio.open(arquivo_red) as red_src:
red = red_src.read(1).astype('float32')
ndvi = (nir - red) / (nir + red + 1e-10)
perfil.update(dtype=rasterio.float32,
count=1)
with rasterio.open(saida_ndvi, 'w',
**perfil) as dst:
dst.write(ndvi, 1)
print(f"NDVI calculado e salvo em:
{saida_ndvi}")
Com base no código precedente, julgue os itens a seguir.
Com base no código precedente, julgue o item a seguir.
Na interpretação do resultado do código, valores de NDVI próximos de 0 indicam maiores quantidades de vegetação fotossinteticamente ativa, enquanto valores próximos de 1 sugerem uma baixa vegetação.
O NDVI (ou índice de vegetação por diferença normalizada) permite identificar a presença de vegetação verde e caracterizar sua distribuição espacial, como também sua evolução no decorrer do tempo. Para calcular o NDVI, a linguagem Python é amplamente utilizada, devido à sua flexibilidade e às bibliotecas de processamento de dados geoespaciais disponíveis. A seguir, é apresentado um código em Python relativo ao cálculo do NDVI.
import numpy as np
import rasterio def calcular_ndvi(arquivo_nir, arquivo_red,
saida_ndvi):
with rasterio.open(arquivo_nir) as nir_src:
nir = nir_src.read(1).astype('float32')
perfil = nir_src.profile
with rasterio.open(arquivo_red) as red_src:
red = red_src.read(1).astype('float32')
ndvi = (nir - red) / (nir + red + 1e-10)
perfil.update(dtype=rasterio.float32,
count=1)
with rasterio.open(saida_ndvi, 'w',
**perfil) as dst:
dst.write(ndvi, 1)
print(f"NDVI calculado e salvo em:
{saida_ndvi}")
Com base no código precedente, julgue os itens a seguir.
Com base no código precedente, julgue o item a seguir.
Ao salvar a imagem resultante, o código preserva automaticamente a escala original dos valores de NDVI, sem precisar de ajustes adicionais.
O NDVI (ou índice de vegetação por diferença normalizada) permite identificar a presença de vegetação verde e caracterizar sua distribuição espacial, como também sua evolução no decorrer do tempo. Para calcular o NDVI, a linguagem Python é amplamente utilizada, devido à sua flexibilidade e às bibliotecas de processamento de dados geoespaciais disponíveis. A seguir, é apresentado um código em Python relativo ao cálculo do NDVI.
import numpy as np
import rasterio def calcular_ndvi(arquivo_nir, arquivo_red,
saida_ndvi):
with rasterio.open(arquivo_nir) as nir_src:
nir = nir_src.read(1).astype('float32')
perfil = nir_src.profile
with rasterio.open(arquivo_red) as red_src:
red = red_src.read(1).astype('float32')
ndvi = (nir - red) / (nir + red + 1e-10)
perfil.update(dtype=rasterio.float32,
count=1)
with rasterio.open(saida_ndvi, 'w',
**perfil) as dst:
dst.write(ndvi, 1)
print(f"NDVI calculado e salvo em:
{saida_ndvi}")
Com base no código precedente, julgue os itens a seguir.
Com base no código precedente, julgue o item a seguir.
A função calcular_ndvi recebe, como parâmetros obrigatórios, três arquivos; se um deles não for encontrado, o código gerará um erro, o que impedirá a continuidade da execução.
Tendo em vista que a análise da dinâmica florestal fornece informações sobre mudanças estruturais e florísticas ao longo do tempo, permitindo inferir alterações demográficas essenciais para o manejo sustentável, julgue o item subsecutivo.
A estrutura diamétrica de uma floresta, sob o ponto de vista da produção, permite caracterizar e indicar o estoque de madeira disponível anteriormente a uma exploração, além de fornecer informações que auxiliem na tomada de decisões sobre a necessidade de reposição florestal.
Tendo em vista que a análise da dinâmica florestal fornece informações sobre mudanças estruturais e florísticas ao longo do tempo, permitindo inferir alterações demográficas essenciais para o manejo sustentável, julgue o item subsecutivo.
No inventário de uma floresta plantada, é recomendado o uso de processo de amostragem estratificada, devido à uniformidade do cenário.
Tendo em vista que a análise da dinâmica florestal fornece informações sobre mudanças estruturais e florísticas ao longo do tempo, permitindo inferir alterações demográficas essenciais para o manejo sustentável, julgue o item subsecutivo.
O índice de sítio é a medida que representa a capacidade produtiva de um local e, geralmente, é representado pelo diâmetro da árvore na altura do peito (DAP) em uma idade de referência, que é uma variável altamente correlacionada com a produtividade volumétrica e pouco influenciada pela variação da densidade do povoamento e por tratos silviculturais.
Conheça nossos planos