Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Application of feature selection for predicting leaf chlorophyll content in oats (Avena sativa l.) from hyperspectral imagery

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00027006%3A_____%2F20%3A10149389" target="_blank" >RIV/00027006:_____/20:10149389 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/60460709:41310/20:85216

  • Výsledek na webu

    <a href="https://agronomy.emu.ee/wp-content/uploads/2020/07/AR2020_Vol18No4_Zelazny.pdf" target="_blank" >https://agronomy.emu.ee/wp-content/uploads/2020/07/AR2020_Vol18No4_Zelazny.pdf</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.15159/AR.20.174" target="_blank" >10.15159/AR.20.174</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Application of feature selection for predicting leaf chlorophyll content in oats (Avena sativa l.) from hyperspectral imagery

  • Popis výsledku v původním jazyce

    Feature selection can improve predictions generated by partial least squares models. In the context of hyperspectral imaging, it can also enable the development of affordable devices with specialized applications. The feasibility of feature selection for oat leaf chlorophyll estimation from hyperspectral imagery was assessed using a public domain dataset. A wrapper approach resulted in a simplistic model with poor predictive performance. The number of model inputs decreased from 94 to 3 bands when a filter approach based on the minimum redundancy, maximum relevance criterion was attempted. The filtering led to improved prediction quality, with the root mean square error decreasing from 0.17 to 0.16 g m-2 and R2 increasing from 0.57 to 0.62. Accurate predictions were obtained especially for low chlorophyll levels. The obtained model estimated leaf chlorophyll concentration from near infra-red reflectance, canopy darkness, and its blueness. The prediction robustness needs to be investigated, which can be done by employing an ensemble methodology and testing the model on a new dataset with improved ground-truth measurements and additional crop species.

  • Název v anglickém jazyce

    Application of feature selection for predicting leaf chlorophyll content in oats (Avena sativa l.) from hyperspectral imagery

  • Popis výsledku anglicky

    Feature selection can improve predictions generated by partial least squares models. In the context of hyperspectral imaging, it can also enable the development of affordable devices with specialized applications. The feasibility of feature selection for oat leaf chlorophyll estimation from hyperspectral imagery was assessed using a public domain dataset. A wrapper approach resulted in a simplistic model with poor predictive performance. The number of model inputs decreased from 94 to 3 bands when a filter approach based on the minimum redundancy, maximum relevance criterion was attempted. The filtering led to improved prediction quality, with the root mean square error decreasing from 0.17 to 0.16 g m-2 and R2 increasing from 0.57 to 0.62. Accurate predictions were obtained especially for low chlorophyll levels. The obtained model estimated leaf chlorophyll concentration from near infra-red reflectance, canopy darkness, and its blueness. The prediction robustness needs to be investigated, which can be done by employing an ensemble methodology and testing the model on a new dataset with improved ground-truth measurements and additional crop species.

Klasifikace

  • Druh

    J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS

  • CEP obor

  • OECD FORD obor

    20705 - Remote sensing

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Agronomy Research

  • ISSN

    1406-894X

  • e-ISSN

  • Svazek periodika

    18

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    EE - Estonská republika

  • Počet stran výsledku

    12

  • Strana od-do

    2665-2676

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-85097302881