مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

44
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی وضعیت نیتروژن در فصل مبتنی بر یادگیری ماشین با استفاده از سنجش از راه دور هواپیمای بدون سرنشین

صفحات

 صفحه شروع 243 | صفحه پایان 256

چکیده

 هدف: یکنواختی کاربرد کود در مزارع یک ​​روش معمول است که توسط قوانین محلی یا نظر متخصص هدایت می شود. با این حال, این رویکرد ممکن است منجر به استفاده بیش از حد از نیتروژن در مناطق با عملکرد ضعیف شود. سلامت انسان, عملکردهای اکولوژیکی, تنوع زیستی, تغییرات آب و هوا و پایداری درازمدت, همگی تحت تأثیر انتشار فزاینده نیتروژن فعال در محیط هستند که ممکن است در نتیجه استفاده بیش از حد از کودها باشد. هدف از این کار نشان دادن این بود که در طول فصل رشد, پیشنهادات نیتروژن خاص مکان ممکن است با استفاده از نظارت بر وضعیت محصول غیرتهاجمی که بر اساس فناوری های سنجش از راه دور (RST) ساخته شده است, تولید شود. این سیستم ردیابی می تواند موقعیت محصول نیتروژن را به دقت ارزیابی کند. مواد و روش ها: در این مطالعه, دو چارچوب - ماشین بردار پشتیبان (SVM) و شبکه های عصبی مصنوعی (ANN), که تنها بر داده های جمع آوری شده از حسگرهای محصول متکی هستند, با هدف بهبود توانایی ما در پیش بینی شاخص تغذیه N محصول (NNI) و عملکرد محصول در طول فصل رشد مقایسه شدند. این کار با ترکیب داده های خاک, آب و هوا و کشت با اطلاعات آشکارسازهای فعلی با استفاده از جنگل تصادفی (RF) انجام شد. نتایج: از طریق RST, یک ابزار ساده و کم هزینه که به عنوان وسیله نقلیه هوایی بدون سرنشین (UAV) با بال ثابت شناخته می شود, می تواند تصاویر بازتابی با طول موج بگیرد. این مجموعه از تصاویر برای PNSP ارزشمند است. همانطور که در نتایج مشاهده می شود, استفاده از تکنیک های ML تخمین NNI را افزایش داد. نتیجه گیری: استفاده از تکنیک های یادگیری ماشین فرصتی ارزشمند برای به حداکثر رساندن استفاده از داده های RST, امکان نظارت مؤثرتر بر عوامل تولید کشاورزی و هدایت استراتژی های PNSP را فراهم می کند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button