Compartir
Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán)
Suresh Kumar
(Autor)
·
Sudheer Kumar Tiwari
(Autor)
·
S. K. Saha
(Autor)
·
Verlag Unser Wissen
· Tapa Blanda
Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán) - Tiwari, Sudheer Kumar ; Saha, S. K. ; Kumar, Suresh
$ 85.796
$ 107.245
Ahorras: $ 21.449
Elige la lista en la que quieres agregar tu producto o crea una nueva lista
✓ Producto agregado correctamente a la lista de deseos.
Ir a Mis Listas
Origen: Estados Unidos
(Costos de importación incluídos en el precio)
Se enviará desde nuestra bodega entre el
Lunes 05 de Agosto y el
Miércoles 14 de Agosto.
Lo recibirás en cualquier lugar de Argentina entre 1 y 3 días hábiles luego del envío.
Reseña del libro "Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán)"
Der organische Kohlenstoff im Boden (SOC) ist ein wichtiger und zuverlässiger Indikator für die Bodenqualität. In dieser Studie wurden Bodenspektren charakterisiert und analysiert, um den räumlichen SOC-Gehalt mit Hilfe einer multivariaten prädiktiven Modellierungstechnik - einem künstlichen neuronalen Netz (ANN) - vorherzusagen. Es wurden hyper-spektrale EO1-Hyperion-Bilder (400 - 2500 nm), Feld- und Labordatensätze (350 - 2500 nm) erstellt, die aus dem im Labor geschätzten SOC-Gehalt der gesammelten Bodenproben (abhängige Variable) und den entsprechenden Reflexionsdaten der SOC-empfindlichen Spektralbänder (prädiktive Variablen) bestehen. Für jeden Datensatz wurden ANN-Vorhersagemodelle entwickelt, und drei Datensätze (im Bildma stab, im Feldma stab und im Laborma stab) zeigten signifikante Netzwerkleistungen für Training, Test und Validierung, was auf eine gute Netzwerkgeneralisierung für den SOC-Gehalt hinweist. Die ANN-basierte Analyse zeigte eine hohe Vorhersage des SOC-Gehalts im Bild (R2 = 0,93 und RPD = 3,19), im Feld (R2 = 0,92 und RPD = 3,17) und im Labor (R2 = 0,95 und RPD = 3,16). Die Validierungsergebnisse der ANN zeigten, dass die Vorhersagemodelle gut funktionierten (R2 = 0,90) mit einem RMSE von 0,070. Das Ergebnis zeigte, dass ANN-Methoden ein gro es Potenzial für die Schätzung des SOC-Gehalts haben.