@inproceedings{siebers2016_41745,
  title = {Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren},
  author = {Siebers, Michael and Uhrmann, Franz and Scholz, Oliver and Stocker, Christoph and Schmid, Ute},
  editor = {Ruckelshausen, Arno and Meyer-Aurich, Andreas and Rath, Thomas and Recke, Guido and Theuvsen, Brigitte},
  year = {2016},
  booktitle = {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},
  pages = {197-200},
  publisher = {Köllen Druck+Verlag GmbH},
  address = {Bonn},
  series = {GI-Edition Lecture notes in informatics. Proceedings},
  isbn = {978-3-88579-647-3},
  url = {https://fis.uni-bamberg.de/handle/uniba/41745},
  language = {deu},
  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.},
  keywords = {Phänotypisierung, Trockenstress, Machine-Learning, Klassifikation, Merkmale}
}
