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}")

Ao salvar a imagem resultante, o código preserva automaticamente a escala original dos valores de NDVI, sem precisar de ajustes adicionais.

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}")

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.

Acerca de técnicas utilizadas na ciência de dados, julgue os itens a seguir.

O algoritmo Naive Bayes é inadequado para, por exemplo, a análise de dados de produção agrícola na previsão da qualidade de grãos de café, pois exige uma independência completa entre variáveis como pH do solo, umidade e temperatura, e não apresenta bons resultados quando essas variáveis são correlacionadas.

Em um sistema de rastreabilidade alimentar que utilize dados de GPS e imagens de satélite, a interpolação espacial pode ser aplicada para estimar a localização exata de um lote de produtos entre dois pontos conhecidos, garantindo a precisão do rastreamento em tempo real, sem a necessidade de sensores contínuos ao longo da rota.

A seleção de atributos em um modelo preditivo pode reduzir o over fitting e, ao mesmo tempo, garantir menor variância sem impactar o viés, desde que os atributos removidos não sejam altamente correlacionados com a variável resposta.

As CNNs podem ser aplicadas na agricultura digital para a análise de imagens obtidas por meio de veículos aéreos não tripulados (VANTs), o que permite a detecção automática de pragas e doenças.

Heaps são estruturas de dados que permitem operações eficientes de inserção, remoção e acesso; seu uso pode melhorar significativamente a eficiência de algoritmos de ordenação.

As informações fornecidas indicam que o primeiro quartil corresponde a 101,25 s e o terceiro quartil, a 154,75 s.

Acerca de governança de dados, julgue os itens que se seguem.

Se, nos dados de criação de suínos, um suíno foi registrado com 100 kg de peso e 2 meses de idade, então, como os valores registrados são incomuns para a espécie, tem-se, nesse caso, um exemplo de valores inconsistentes; essa discrepância pode indicar erro de preenchimento, como entrada incorreta de dados, ou a manipulação intencional para alterar informações e deve ser corrigida com técnicas como a remoção do registro inconsistente ou a substituição do peso por uma média calculada a partir de outros suínos da mesma idade.

Julgue os próximos itens, relativos a aprendizado de máquina.

Considere que, em um modelo de regressão linear ajustado para prever a produção de soja (Y, em sacas por hectare) com base na quantidade de fertilizante aplicado (X, em kg/ha), a equação estimada foi Y = 30 + 0,8X. Nesse caso, o coeficiente angular dessa equação indica que, ao aplicar 10 kg/ha a mais de fertilizante, espera-se um aumento de 8 sacas por hectare na produção de soja, e, sem aplicação de fertilizante, a produção esperada de soja será de 30 sacas por hectare.