Name: Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán)
Price: 44560.00 CLP
Availability: InStock
Author: Tiwari, Sudheer Kumar ; Saha, S. K. ; Kumar, Suresh
ISBN: 9786207389025

portada Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán)

Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN (en Alemán)

Formato

Libro Físico

Autor

Editorial

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.10 kg.

ISBN13

9786207389025

Categorías

Tecnología: cuestiones generales

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

Libro Nuevo Importado

Envío: 19 a 23 días háb.

$ 89.120$ 44.560

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 44.560

Llega entre el 20 Jul y el 24 Jul a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

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.