Modeling Hyperspectral Response of Water-Stress Induced Lettuce Plants Using Artificial Neural Networks

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de Mato Grosso do Sul (UFMS)-
Autor(es): dc.contributorUniv Western Sao Paulo-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.contributorUniv Waterloo-
Autor(es): dc.contributorUniv Estado Santa Catarina-
Autor(es): dc.creatorOsco, Lucas Prado-
Autor(es): dc.creatorMarques Ramos, Ana Paula-
Autor(es): dc.creatorSaito Moriya, Erika Akemi [UNESP]-
Autor(es): dc.creatorBavaresco, Lorrayne Guimaraes-
Autor(es): dc.creatorLima, Bruna Coelho de-
Autor(es): dc.creatorEstrabis, Nayara-
Autor(es): dc.creatorPereira, Danilo Roberto-
Autor(es): dc.creatorCreste, Jose Eduardo-
Autor(es): dc.creatorMarcato Junior, Jose-
Autor(es): dc.creatorGoncalves, Wesley Nunes-
Autor(es): dc.creatorImai, Nilton Nobuhiro [UNESP]-
Autor(es): dc.creatorLi, Jonathan-
Autor(es): dc.creatorLiesenberg, Veraldo-
Autor(es): dc.creatorAraujo, Fabio Fernando de-
Data de aceite: dc.date.accessioned2022-02-22T00:09:38Z-
Data de disponibilização: dc.date.available2022-02-22T00:09:38Z-
Data de envio: dc.date.issued2020-12-09-
Data de envio: dc.date.issued2020-12-09-
Data de envio: dc.date.issued2019-11-30-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.3390/rs11232797-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/196509-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/196509-
Descrição: dc.descriptionModeling the hyperspectral response of vegetables is important for estimating water stress through a noninvasive approach. This article evaluates the hyperspectral response of water-stress induced lettuce (Lactuca sativa L.) using artificial neural networks (ANN). We evenly split 36 lettuce pots into three groups: control, stress, and bacteria. Hyperspectral response was measured four times, during 14 days of stress induction, with an ASD Fieldspec HandHeld spectroradiometer (325-1075 nm). Both reflectance and absorbance measurements were calculated. Different biophysical parameters were also evaluated. The performance of the ANN approach was compared against other machine learning algorithms. Our results show that the ANN approach could separate the water-stressed lettuce from the non-stressed group with up to 80% accuracy at the beginning of the experiment. Additionally, this accuracy improved at the end of the experiment, reaching an accuracy of up to 93%. Absorbance data offered better accuracy than reflectance data to model it. This study demonstrated that it is possible to detect early stages of water stress in lettuce plants with high accuracy based on an ANN approach applied to hyperspectral data. The methodology has the potential to be applied to other species and cultivars in agricultural fields.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionFAPESC-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionUniv Fed Mato Grosso do Sul, Fac Engn Architecture & Urbanism & Geog, Av Costa & Silva, BR-79070900 Campo Grande, MS, Brazil-
Descrição: dc.descriptionUniv Western Sao Paulo, Environm & Reg Dev, R Jose Bongiovani 700, BR-19050920 Presidente Prudente, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, Dept Cartog Sci, BR-19060900 Presidente Prudente, Brazil-
Descrição: dc.descriptionUniv Western Sao Paulo, Agron Dev, R Jose Bongiovani 700, BR-19050920 Presidente Prudente, Brazil-
Descrição: dc.descriptionUniv Waterloo, Dept Geog & Environm Management, Waterloo, ON N2L 3G1, Canada-
Descrição: dc.descriptionUniv Waterloo, Dept Syst Design Engn, Waterloo, ON N2L 3G1, Canada-
Descrição: dc.descriptionUniv Estado Santa Catarina, Forest Engn Dept, BR-88040900 Florianopolis, SC, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, Dept Cartog Sci, BR-19060900 Presidente Prudente, Brazil-
Descrição: dc.descriptionCAPES: p: 88881.311850/2018-01-
Descrição: dc.descriptionFAPESP: p: 2013/20328-0-
Descrição: dc.descriptionFAPESC: 2017TR1762-
Descrição: dc.descriptionCNPq: 313887/2018-7-
Formato: dc.format15-
Idioma: dc.languageen-
Publicador: dc.publisherMdpi-
Relação: dc.relationRemote Sensing-
???dc.source???: dc.sourceWeb of Science-
Palavras-chave: dc.subjectspectroscopy-
Palavras-chave: dc.subjectartificial intelligence-
Palavras-chave: dc.subjectproximal sensing data-
Palavras-chave: dc.subjectprecision agriculture-
Título: dc.titleModeling Hyperspectral Response of Water-Stress Induced Lettuce Plants Using Artificial Neural Networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.