HYPERSPECTRAL IMAGE CLASSIFICATION TO DETECT WEED INFESTATIONS AND NITROGEN STATUS IN CORN
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The potential of hyperspectral aerial imagery for the detection of weed infestation and nitrogen fertilization levelin a corn (Zea mays L.) crop was evaluated. A Compact Airborne Spectrographic Imager (CASI) was used to acquirehyperspectral data over a field experiment laid out at the Lods Agronomy Research Centre of Macdonald Campus, McGillUniversity, Qubec, Canada. Corn was grown under four weed management strategies (no weed control, control of grasses,control of broadleaf weeds, and full weed control) factorally combined with nitrogen fertilization rates of 60, 120, and 250 Nkg/ha. The aerial image was acquired at the tasseling stage, which was 66 days after planting. For the classification of remotesensing imagery, various widely used supervised classification algorithms (maximum likelihood, minimum distance,Mahalanobis distance, parallelepiped, and binary coding) and more sophisticated classification approaches (spectral anglemapper and linear spectral unmixing) were investigated. It was difficult to distinguish the combined effect of both weed andnitrogen treatments simultaneously. However, higher classification accuracies were obtained when only one factor, eitherweed or nitrogen treatment, was considered. With different classifiers, depending on the factors considered for theclassification, accuracies ranged from 65.84% to 99.46%. No single classifier was found useful for all the conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle