Διερεύνηση των εφαρμογών φασματοσκοπίας και τεχνητής νοημοσύνης στη λαχανοκομία (γεωργία) ακριβείας

Περίληψη

Η φασματική απεικόνιση και η Τεχνητή Νοημοσύνη στη λαχανοκομία (γεωργία) ακριβείας χρησιμοποιούνται συνήθως για μια ποικιλία εφαρμογών που κυμαίνονται από την ανίχνευση ασθενειών έως την εκτίμηση της ποιότητας. Ωστόσο, οι περισσότερες από τις διαθέσιμες λύσεις απαιτούν βαθιά κατανόηση της μηχανικής μάθησης και επικεντρώνονται κυρίως στην ανίχνευση ασθενειών και σε εφαρμογές μετά τη συγκομιδή. Αυτή η μελέτη είχε ως στόχο: (i) την ανάπτυξη μοντέλων τεχνητής νοημοσύνης που χρησιμοποιούν φασματικά δεδομένα και μπορούν να προσδιορίσουν διαφορετικά επίπεδα λίπανσης, (ii) την ανάπτυξη μοντέλων τεχνητής νοημοσύνης που χρησιμοποιούν φασματικά δεδομένα και είναι ικανά να προσδιορίσουν το έλλειμμα νερού των φυτών, (iii) τη σύγκριση των επιδόσεων των παραδοσιακών αλγορίθμων μηχανικής μάθησης με νέες φιλικές προς τον χρήστη τεχνικές Αυτόματης Μηχανικής Μάθησης, και (iv) την αξιολόγηση της δυνατότητας ανάπτυξης ενός μοντέλου τεχνητής νοημοσύνης με δυνατότητα γενίκευσης που χρησιμοποιεί φασματικά δεδ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Spectral imaging and Artificial Intelligence in precision horticulture are commonly used for a variety of applications ranging from disease detection to quality estimation. However, most of the available solutions require deep understanding of software engineering and they mostly focus on disease detection and post-harvest applications. This study aimed to (i)develop Artificial Intelligence models utilizing spectral data that can identify different fertilisation levels, (ii)develop Artificial Intelligence models utilizing spectral data capable of identifying plant water deficit, (iii)compare the performance of traditional machine learning algorithms with novel user-friendly Auto Machine Learning (AutoML) techniques and(iv)evaluate the feasibility of developing a generalisation-capable AI model utilizing spectral data. Towards that end, a progressive methodology was implemented to gather data and develop the required methodologies. During the first year spectral data from broccoli plant ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/58619
ND
58619
Εναλλακτικός τίτλος
Investigating the application of spectral imaging and AI in precision horticulture (agriculture)
Συγγραφέας
Μαλούνας, Ιωάννης (Πατρώνυμο: Δημήτριος)
Ημερομηνία
2025
Ίδρυμα
Γεωπονικό Πανεπιστήμιο Αθηνών. Σχολή Περιβάλλοντος και Γεωργικής Μηχανικής. Τμήμα Αξιοποίησης Φυσικών Πόρων και Γεωργικής Μηχανικής. Εργαστήριο Γεωργικής Μηχανολογίας
Εξεταστική επιτροπή
Φουντάς Σπυρίδων
Αρβανίτης Κωνσταντίνος
Ξανθόπουλος Γεώργιος
Σάββας Δημήτριος
Ταγαράκης Αριστοτέλης
Αργυρόπουλος Δημήτριος
Zude-Sasse Manuela
Επιστημονικό πεδίο
Γεωπονικές Επιστήμες και ΚτηνιατρικήΆλλες Γεωπονικές Επιστήμες ➨ Γεωπονική μηχανική
Λέξεις-κλειδιά
Γεωργία ακρίβειας; Τεχνητή νοημοσύνη; Φασματοσκοπία; Αυτόματη μηχανική μάθηση; Τηλεπισκόπηση; Λίπανση; Άρδευση; Αβιοτικό στρες; Προσαρμοστικό στρες; Γενίκευση; Περιεκτικότητα σε ξηρή ύλη; Πολυωνυμική παλινδρόμηση; Εξαγωγή χαρακτηριστικών
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.