Hybrid Segmentation – Artificial Neural Network Classification of High Resolution Hyperspectral Imagery for Site-Specific Herbicide Management in Agriculture
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
Site-Specific Herbicide Management (SSHM) in Precision Agriculture (PA) requires weed detection in crop fields for directed herbicide application instead of spraying entire fields. This has significant economic and environmental advantages for improved agricultural practices that are essential given forecast increases in global population and food production needs. In this study, a new hybrid segmentation - Artificial Neural Network (HS-ANN) method was compared to standard Maximum Likelihood Classification (MLC) for improving crop/weed species discrimination in SSHM/PA. Very high spatial resolution (1.25 mm) ground-based hyperspectral image data were acquired over field plots of canola, pea, and wheat crops seeded with two weed species (redroot pigweed, wild oat) in southern Alberta, Canada. The very high spatial and spectral resolution image data required development of a simple yet efficient vegetation index (Modified Chlorophyll Absorption in Reflectance Index (MCARI)) threshold segmentation to separate vegetation from soil for classification. The HSANN consistently outperformed MLC in both single date and multi-temporal classifications. Higher class accuracies were obtained with multi-temporally trained ANNs (84 to 92 percent overall), with improvements up to 31 percent over MLC. With advancements in imaging technology and computer processing speed, this HS-ANN method may constitute a viable farm option for real-time detection and mapping of weed species for SSHM in agriculture.
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 | 0,002 |
| 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