Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren

Publikation

Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren

Siebers, Michael; Uhrmann, Franz; Scholz, Oliver; u. a. (2016): Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren, in: Arno Ruckelshausen, Andreas Meyer-Aurich, Thomas Rath, u. a. (Hrsg.), Informatik in der Land-, Forst- und Ernährungswirtschaft Fokus : Intelligente Systeme - Stand der Technik und neue Möglichkeiten : Referate der 36. GIL-Jahrestagung, 22.-23. Februar 2016 in Osnabrück, Germany, Bonn: Köllen Druck+Verlag GmbH, S. 197–200.

Details

Fakultät/Lehrstuhl
Autorin(nen)/Autor(en)
Uhrmann, Franz
Scholz, Oliver
Stocker, Christoph
Herausgeberin(nen)/Herausgeber
Ruckelshausen, Arno
Meyer-Aurich, Andreas
Rath, Thomas
Recke, Guido
Theuvsen, Brigitte
Titel des Sammelwerks
Informatik in der Land-, Forst- und Ernährungswirtschaft Fokus : Intelligente Systeme - Stand der Technik und neue Möglichkeiten : Referate der 36. GIL-Jahrestagung, 22.-23. Februar 2016 in Osnabrück, Germany
Herausgebende Institution
GIL-Jahrestagung, 36, 2016, Osnabrück
Verlagsangabe
Köllen Druck+Verlag GmbH : Bonn
Erscheinungsjahr
2016
ISBN
978-3-88579-647-3
Sprache(n)
Deutsch
URL
Abstract

Dieser Beitrag befasst sich mit der Klassifikation der Vitalität von Pflanzen durch Machine-Learning-Verfahren am Beispiel von Trockenstress bei Tabak (Nicotiana tabacum). Wir zeigen, dass Machine-Learning-Verfahren die menschliche Unterscheidung von gesunden und gestressten Pflanzen durch einen Experten nachbilden können und zudem, dass eine frühzeitige Erkennung von Pflanzenstress möglich ist, indem eine dritte Klasse für mäßig gestresste Pflanzen eingeführt wird. Zur Klassifikation werden Entscheidungsbaumverfahren, Support Vector Machine, künstliche Neuronale Netze und Lineare Regression verglichen. Im Beitrag wird schwerpunktmäßig die Auswahl der Merkmale beschrieben, die für eine zuverlässige Klassifikation notwendig sind. Da die Experteneinschätzung weniger auf Einzelkriterien als vielmehr auf dem Gesamteindruck des Pflanzenphänotyps basiert, stellt sich die Frage, welche relevanten Merkmale ein automatisches Diagnose-System berücksichtigen muss. Es hat sich herausgestellt, dass neben blattspezifischen Merkmalen auch Merkmale, die sich auf die Gesamtpflanze beziehen, für die Klassifikation relevant sind.

Freie Schlagwort(e)
Phänotypisierung
Trockenstress
Machine-Learning
Klassifikation
Merkmale
Peer Reviewed
ja
Internationale Verbreitung
nein
Dokumenttyp
Konferenzveröffentlichung
URI
Datum der Freischaltung
07.03.2017, 07.03.2017

Permalink: https://fis.uni-bamberg.de/handle/uniba/41745 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 16.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.