Julgue o próximo item, relativo a aprendizado de máquina e modelagem preditiva. 

O uso de algoritmos de clustering é mais adequado que o uso de algoritmos de regressão linear para prever a produção agrícola, pois eles são capazes de encontrar relações lineares entre as variáveis. 

Julgue o item subsequente, a respeito de sensoriamento remoto e de sistemas de informação geográfica. 

A integração de dados provenientes de diferentes fontes, como sensores de solo, drones e satélites, permite a criação de modelos preditivos que ajudam na melhoria de práticas agrícolas e no aumento da produtividade. 

Julgue o item subsequente, a respeito de sensoriamento remoto e de sistemas de informação geográfica. 

Em sistemas de agricultura de precisão, o armazenamento de dados em servidores locais é preferível ao armazenamento em nuvem, pois garante maior controle sobre os dados e menor dependência de conectividade com a Internet. 

Julgue o item subsequente, a respeito de sensoriamento remoto e de sistemas de informação geográfica. 

O uso de plataformas de Big Data em agricultura dispensa algoritmos de aprendizado de máquina, pois a análise estatística tradicional é suficiente para gerar resultados úteis. 

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

A aplicação de algoritmos de aprendizado de máquina, como random forest e redes neurais artificiais, na modelagem de dados de imagens de satélite para estimativa de produtividade agrícola, elimina a necessidade de calibração e validação com dados coletados em campo.

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

Sensores multiespectrais embarcados em VANTs dispensam a necessidade de calibração com dados de campo para estimar biomassa e estresse hídrico das culturas. 

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

A estimativa de produtividade agrícola por meio de imagens de satélite pode ter sua acurácia comprometida, devido a fatores como cobertura de nuvens, resolução espectral inadequada e ausência de dados de calibração com medições de campo.

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

A análise de variabilidade espacial da umidade do solo a partir de dados de sensores remotos é imprecisa, pois, nas imagens obtidas, é difícil capturar variações na umidade do solo. 

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

A análise espacial de índices de vegetação, como o NDVI (normalized difference vegetation index), permite monitorar a saúde das culturas agrícolas e pode indicar deficiências nutricionais ou estresse hídrico. 

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

O uso de sistema de informação geográfica na agricultura de precisão permite mapear áreas com diferentes níveis de produtividade e criar zonas de manejo específicas, o que otimiza o uso de insumos e reduz os impactos ambientais. 

Julgue o próximo item, relativo a análise espacial e geoprocessamento. 

O uso de sistema de informação geográfica na inteligência estratégica territorial permite identificar zonas de conflito de uso da terra, auxiliando na tomada de decisão para o planejamento agrícola sustentável. 

Acerca de técnicas e métodos estatísticos para a análise de dados agrícolas, julgue o item que se segue. 

Em estatística descritiva aplicada a dados agrícolas, a mediana é uma medida de tendência central menos sensível a valores extremos do que a média aritmética. 

Acerca de técnicas e métodos estatísticos para a análise de dados agrícolas, julgue o item que se segue. 

A regressão linear simples, aplicada à análise de dados agrícolas, permite prever valores da variável independente com base na variável dependente. 

Acerca de técnicas e métodos estatísticos para a análise de dados agrícolas, julgue o item que se segue. 

O coeficiente de variação (CV) é um indicador estatístico que mede a dispersão dos dados em relação à média e, em experimentos agrícolas, valores de CV superiores a 30% são considerados inaceitáveis para quaisquer atributos físicos do solo. 

Acerca de técnicas e métodos estatísticos para a análise de dados agrícolas, julgue o item que se segue. 

Boxplots são úteis para comparar a variabilidade da qualidade das culturas entre diferentes tratamentos agrícolas, pois destacam a mediana, a dispersão dos dados e os possíveis valores atípicos. 

Acerca de técnicas e métodos estatísticos para a análise de dados agrícolas, julgue o item que se segue. 

A análise de variância (ANOVA) é um método estatístico adequado para comparar o efeito de diferentes práticas de manejo sobre o rendimento de uma cultura, desde que a suposição de normalidade dos resíduos seja atendida. 

No que diz respeito às aplicações do sensoriamento remoto na agricultura, julgue o item subsequente. 

Dados da refletância podem ser associados a características das plantas como índice da área foliar, biomassa ou fração radiativa interceptada fotossinteticamente.

No que diz respeito às aplicações do sensoriamento remoto na agricultura, julgue o item subsequente. 

Na agricultura, as propriedades da refletância em cada faixa do espectro eletromagnético são, por natureza, compostas de combinações matemáticas de diferentes bandas espectrais, conforme a qualidade do sensor.

No que diz respeito às aplicações do sensoriamento remoto na agricultura, julgue o item subsequente. 

A radiometria espectral é uma das mais importantes áreas do sensoriamento remoto, podendo ser efetivada por meio de medidas realizadas em laboratório ou em campo, para a determinação da densidade da cobertura vegetal, por meio das diferenças de detecção na reflectância. 

No que diz respeito às aplicações do sensoriamento remoto na agricultura, julgue o item subsequente. 

O índice de área foliar (IAF), um importante parâmetro biofísico da vegetação, é definido como a área foliar total projetada por unidade de área de terreno, não havendo ainda tecnologia de sensoriamento remoto disponível para estimá-lo.