Публикации по теме 'remote-sensing'
Дистанционное зондирование для контроля азотного статуса картофеля
от Хорхе Луиса Алонсо с помощью ChatGPT-4
Картофель, признанный важной мировой продовольственной культурой, требует надлежащего управления азотом для получения высоких урожаев и экологической устойчивости. Однако традиционные методы мониторинга азота трудоемки, разрушительны и не дают достаточной точности. Напротив, технологии дистанционного зондирования (ДЗ) обеспечивают неразрушающее покрытие с высоким разрешением на больших площадях.
Эти технологии ДЗ, которые используют..
Идентификация сельскохозяйственных угодий — с использованием спутниковых снимков и неконтролируемого машинного обучения.
Часть II. Использование временных рядов различий NDVI в разные сезоны выращивания сельскохозяйственных культур.
Что мы сделали до сих пор:
В своей предыдущей статье я объяснил, как использовать Агро-индексы , полученные со спутника Сентинел-2 , для классификации земель по разным категориям и последующего определения активных сельскохозяйственных угодий.
Что теперь?
Мы достигли средней точности прогноза 66%, используя разницу временных рядов по 4 вегетационным индексам в качестве..
Как можно улучшить решения для наблюдения Земли в сельском хозяйстве с помощью машинного обучения
Как можно улучшить решения для наблюдения Земли в сельском хозяйстве с помощью машинного обучения
Машинное обучение сыграло жизненно важную роль в развитии сельского хозяйства во всем мире. Оно помогло выявить и изучить модели землепользования, а также улучшить использование ресурсов.
Машинное обучение и Наблюдение за Землей — мощные технологии по отдельности, но при совместной работе они очень хорошо дополняют друг друга. В то время как наблюдение за Землей помогает..
Машинное обучение + OpenCV для классификации сложных изображений RGB
Машинное обучение + OpenCV = ИИ
Фон
В настоящее время электронные устройства расширили возможности представления больших объемов информации в виде данных, позволяющих принимать решения. Одним из таких важных источников информации являются изображения (неструктурированные данные), снятые на простую профессиональную камеру, видеокадр, панорамный вид с дрона или спутниковые снимки.
Однако сложность данных изображения имеет существенные различия по двум основным факторам: размерности и..
Многопрофильная классификация земельного покрова с глубоким обучением
Пошаговое руководство по классификации многокомпонентной классификации земного покрова с использованием глубоких нейронных сетей
Классификация земного покрова с несколькими метками менее изучена по сравнению с классификациями с одной меткой. Напротив, классификации с несколькими метками более реалистичны, поскольку мы всегда обнаруживаем несколько видов земного покрова на каждом изображении. Однако с помощью приложений для глубокого обучения и сверточных нейронных сетей мы можем..
Встречайте нас на ESA Φ-week 2018
Европейское космическое агентство организует свое крупнейшее на сегодняшний день мероприятие Φ-неделя , которое пройдет с 12 по 16 ноября 2018 года во Фраскати, Италия. Наша команда Sentinel Hub будет там почти в полном составе, поэтому обязательно приходите и встречайтесь с нами.
Наш вклад в мероприятие:
Мы поддерживаем участников Phi Week Bootcamp услугами Sentinel Hub services . Вторник, 11:15, AI4GEO, зал Магеллана, Готовые к эксплуатации приложения для наблюдения Земли с..
Упражнение по машинному обучению в горной гидрологии - пассивная реконструкция холодного содержимого снежного покрова
Пассивная реконструкция холодного содержимого снежного покрова
Задний план
Горный снежный покров в средних широтах представляет собой сезонную водонапорную башню, которая сильно меняется от года к году. Как водный ресурс, довольно большие снежные покровы могут представлять опасность наводнений, в то время как небольшие снежные покровы могут усугублять засушливые условия в некоторых регионах. Таким образом, важно уметь понимать и прогнозировать количество снежного покрова и время его..