Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá thực địa việc sử dụng hình ảnh từ UAV để theo dõi cỏ dại trong suốt mùa vụ dưới các điều kiện quản lý và khí hậu đất khác nhau trên cánh đồng lúa mì
Tóm tắt
Việc có bản đồ nhiễm cỏ dại kịp thời là điều kiện tiên quyết quan trọng cho việc thực hiện quản lý cỏ dại theo địa điểm cụ thể. Hình ảnh trên không thấp từ các thiết bị bay không người lái (UAV) đã cho thấy tiềm năng đáng kể trong việc phát hiện cỏ dại ở các loại cây trồng. Tuy nhiên, hầu hết các nghiên cứu tập trung vào các loại cây hàng trồng thưa như ngô và hoa hướng dương và đánh giá các phương pháp đã đề xuất ở một hoặc một số địa điểm thí nghiệm được xác định rõ ràng vào những thời điểm cụ thể, đại diện cho một phạm vi ứng dụng hạn chế. Nghiên cứu này đã đánh giá khả năng phát hiện cỏ dại trong các cánh đồng lúa mì trên thực địa được đặc trưng bởi khoảng cách hàng hẹp, suốt các giai đoạn phát triển sớm và muộn, sử dụng hình ảnh UAV và hình ảnh độ phân giải cao từ mặt đất. Dữ liệu hình ảnh đã được thu thập cho chín địa điểm, đại diện cho một loạt điều kiện quản lý và khí hậu đất. Những địa điểm này có thể được xem là một mẫu đại diện cho các kịch bản có thể gặp trong thực tiễn. Một độ biến động cao cả trong và giữa các địa điểm cũng như theo thời gian đã được quan sát thấy ở mức độ nhiễm cỏ dại và thành phần loài cỏ dại, điều này nhấn mạnh sự cần thiết phải có bản đồ cỏ dại được giải quyết về không gian và thời gian. Phân loại hình ảnh dựa trên các đối tượng thực vật là cây trồng hoặc cây cỏ dại đã đạt được độ chính xác là 0.88 và 0.72 trong các hình ảnh độ phân giải cao từ mặt đất và hình ảnh trên không từ UAV được chụp từ độ cao 10 m, tương ứng. Độ chính xác của ước lượng nhiễm cỏ dại dựa trên chỉ số thực vật theo từng pixel trong giai đoạn phát triển muộn có sự thay đổi mạnh mẽ giữa các địa điểm. Kết quả của chúng tôi nhấn mạnh tầm quan trọng then chốt của độ phân giải mặt đất cao đối với phát hiện cỏ dại sử dụng phân tích hình ảnh dựa trên đối tượng trong các giai đoạn phát triển quan trọng của lúa mì và các phương pháp vững chắc có thể áp dụng trên một loạt các kịch bản. Điều này đã gợi ý rằng các nghiên cứu trong tương lai nhằm vào việc thực hiện nhanh chóng quản lý cỏ dại theo địa điểm cụ thể trong lúa mì nên tập trung vào việc phát triển các hệ thống từ mặt đất. Tuy nhiên, việc giám sát trên không về các cánh đồng lúa mì trong các giai đoạn phát triển muộn sử dụng thiết bị hiện có mang lại tiềm năng đáng kể để giảm áp lực cỏ dại với các biện pháp kiểm soát cỏ dại theo địa điểm cụ thể trong bối cảnh luân canh cây trồng.
Từ khóa
#Nông nghiệp chính xác #Phân tích hình ảnh dựa trên đối tượng #OBIA #Chỉ số thực vật #Quản lý theo địa điểm cụ thể #Viễn thámTài liệu tham khảo
Ambroise and McLachlan, 2002 C. Ambroise G.J. McLachlan Selection bias in gene extraction on the basis of microarray gene-expression data Proc. Natl. Acad. Sci. 99 2002 6562 6566 10.1073/pnas.102102699 Ambroise, C., McLachlan, G.J., 2002. Selection bias in gene extraction on the basis of microarray gene-expression data. Proc. Natl. Acad. Sci. 99, 6562–6566. https://doi.org/10.1073/pnas.102102699
Anderegg et al., 2020 J. Anderegg K. Yu H. Aasen A. Walter F. Liebisch A. Hund Spectral Vegetation Indices to Track Senescence Dynamics in Diverse Wheat Germplasm Front. Plant Sci. 10 2020 10.3389/fpls.2019.01749 Anderegg, J., Yu, K., Aasen, H., Walter, A., Liebisch, F., Hund, A., 2020. Spectral Vegetation Indices to Track Senescence Dynamics in Diverse Wheat Germplasm. Front. Plant Sci. 10. https://doi.org/10.3389/fpls.2019.01749
Argento et al., 2020 F. Argento T. Anken F. Abt E. Vogelsanger A. Walter F. Liebisch Site-specific nitrogen management in winter wheat supported by low-altitude remote sensing and soil data Precis. Agric. 2020 10.1007/s11119-020-09733-3 Argento, F., Anken, T., Abt, F., Vogelsanger, E., Walter, A., Liebisch, F., 2020. Site-specific nitrogen management in winter wheat supported by low-altitude remote sensing and soil data. Precis. Agric. https://doi.org/10.1007/s11119-020-09733-3
Beer and Heitefuss, 1981 E. Beer R. Heitefuss Ermittlung von Bekämpfungsschwellen und wirtschaftlichen Schadensschwellen für monokotyle und dikotyle Unkräuter in Winterweizen und -gerste: I. Zur Methodik der Bestimmung der Schwellenwerte unter Berücksichtigung wirtschaftlicher und biologisch-technischer Einflußgrößen am Beispiel des Winterweizens / Determination of economic thresholds and economic injury levels for monocotyle and dicotyle weeds in winter wheat and winter barley: I. The methods of calculating threshold values in relation to economical and biological-technical influences for the example winter wheat. Z. Für Pflanzenkrankh Pflanzenschutz J. Plant Dis. Prot. 88 1981 65 85 Beer, E., Heitefuss, R., 1981. Ermittlung von Bekämpfungsschwellen und wirtschaftlichen Schadensschwellen für monokotyle und dikotyle Unkräuter in Winterweizen und -gerste: I. Zur Methodik der Bestimmung der Schwellenwerte unter Berücksichtigung wirtschaftlicher und biologisch-technischer Einflußgrößen am Beispiel des Winterweizens / Determination of economic thresholds and economic injury levels for monocotyle and dicotyle weeds in winter wheat and winter barley: I. The methods of calculating threshold values in relation to economical and biological-technical influences for the example winter wheat. Z. Für Pflanzenkrankh. Pflanzenschutz J. Plant Dis. Prot. 88, 65–85.
Belgiu and Drăguţ, 2016 M. Belgiu L. Drăguţ Random forest in remote sensing: A review of applications and future directions ISPRS J. Photogramm. Remote Sens. 114 2016 24 31 10.1016/j.isprsjprs.2016.01.011 Belgiu, M., Drăguţ, L., 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
null
null
Bradski, 2000 G. Bradski The OpenCV Library Dr Dobbs J. Softw. Tools 120 2000 122 125 Bradski, G., 2000. The OpenCV Library. Dr Dobbs J. Softw. Tools 120, 122–125.
Burgos-Artizzu et al., 2009 X.P. Burgos-Artizzu A. Ribeiro A. Tellaeche G. Pajares C. Fernández-Quintanilla Improving weed pressure assessment using digital images from an experience-based reasoning approach Comput. Electron. Agric. 65 2009 176 185 10.1016/j.compag.2008.09.001 Burgos-Artizzu, X.P., Ribeiro, A., Tellaeche, A., Pajares, G., Fernández-Quintanilla, C., 2009. Improving weed pressure assessment using digital images from an experience-based reasoning approach. Comput. Electron. Agric. 65, 176–185. https://doi.org/10.1016/j.compag.2008.09.001
Castillejo-González et al., 2014 I.L. Castillejo-González J.M. Peña-Barragán M. Jurado-Expósito F.J. Mesas-Carrascosa F. López-Granados Evaluation of pixel- and object-based approaches for mapping wild oat (Avena sterilis) weed patches in wheat fields using QuickBird imagery for site-specific management Eur. J. Agron. 59 2014 57 66 10.1016/j.eja.2014.05.009 Castillejo-González, I.L., Peña-Barragán, J.M., Jurado-Expósito, M., Mesas-Carrascosa, F.J., López-Granados, F., 2014. Evaluation of pixel- and object-based approaches for mapping wild oat (Avena sterilis) weed patches in wheat fields using QuickBird imagery for site-specific management. Eur. J. Agron. 59, 57–66. https://doi.org/10.1016/j.eja.2014.05.009
David et al., 2020 E. David S. Madec P. Sadeghi-Tehran H. Aasen B. Zheng S. Liu N. Kirchgessner G. Ishikawa K. Nagasawa M.A. Badhon C. Pozniak B. de Solan A. Hund S.C. Chapman F. Baret I. Stavness W. Guo Global Wheat Head Detection (GWHD) Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods [WWW Document] Plant Phenomics. https:// 2020 10.34133/2020/3521852 David, E., Madec, S., Sadeghi-Tehran, P., Aasen, H., Zheng, B., Liu, S., Kirchgessner, N., Ishikawa, G., Nagasawa, K., Badhon, M.A., Pozniak, C., de Solan, B., Hund, A., Chapman, S.C., Baret, F., Stavness, I., Guo, W., 2020. Global Wheat Head Detection (GWHD) Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods [WWW Document]. Plant Phenomics. https://doi.org/10.34133/2020/3521852
de Camargo et al., 2021 T. de Camargo M. Schirrmann N. Landwehr K.-H. Dammer M. Pflanz Optimized Deep Learning Model as a Basis for Fast UAV Mapping of Weed Species in Winter Wheat Crops Remote Sens. 13 2021 1704 10.3390/rs13091704 de Camargo, T., Schirrmann, M., Landwehr, N., Dammer, K.-H., Pflanz, M., 2021. Optimized Deep Learning Model as a Basis for Fast UAV Mapping of Weed Species in Winter Wheat Crops. Remote Sens. 13, 1704. https://doi.org/10.3390/rs13091704
de Castro et al., 2013 A.I. de Castro F. López-Granados M. Jurado-Expósito Broad-scale cruciferous weed patch classification in winter wheat using QuickBird imagery for in-season site-specific control Precis. Agric. 14 2013 392 413 10.1007/s11119-013-9304-y de Castro, A.I., López-Granados, F., Jurado-Expósito, M., 2013. Broad-scale cruciferous weed patch classification in winter wheat using QuickBird imagery for in-season site-specific control. Precis. Agric. 14, 392–413. https://doi.org/10.1007/s11119-013-9304-y
De Castro et al., 2018 A.I. De Castro J. Torres-Sánchez J.M. Peña F.M. Jiménez-Brenes O. Csillik F. López-Granados An Automatic Random Forest-OBIA Algorithm for Early Weed Mapping between and within Crop Rows Using UAV Imagery Remote Sens. 10 2018 285 10.3390/rs10020285 De Castro, A.I., Torres-Sánchez, J., Peña, J.M., Jiménez-Brenes, F.M., Csillik, O., López-Granados, F., 2018. An Automatic Random Forest-OBIA Algorithm for Early Weed Mapping between and within Crop Rows Using UAV Imagery. Remote Sens. 10, 285. https://doi.org/10.3390/rs10020285
Fernández-Quintanilla et al., 2018 C. Fernández-Quintanilla J.M. Peña D. Andújar J. Dorado A. Ribeiro F. López-Granados Is the current state of the art of weed monitoring suitable for site-specific weed management in arable crops? Weed Res. 58 2018 259 272 10.1111/wre.12307 Fernández‐Quintanilla, C., Peña, J.M., Andújar, D., Dorado, J., Ribeiro, A., López‐Granados, F., 2018. Is the current state of the art of weed monitoring suitable for site-specific weed management in arable crops? Weed Res. 58, 259–272. https://doi.org/10.1111/wre.12307
Gašparović et al., 2020 M. Gašparović M. Zrinjski Đ. Barković D. Radočaj An automatic method for weed mapping in oat fields based on UAV imagery Comput. Electron. Agric. 173 2020 105385 10.1016/j.compag.2020.105385 Gašparović, M., Zrinjski, M., Barković, Đ., Radočaj, D., 2020. An automatic method for weed mapping in oat fields based on UAV imagery. Comput. Electron. Agric. 173, 105385. https://doi.org/10.1016/j.compag.2020.105385
Gerhards and Christensen, 2003 R. Gerhards S. Christensen Real-time weed detection, decision making and patch spraying in maize, sugarbeet, winter wheat and winter barley Weed Res. 43 2003 385 392 10.1046/j.1365-3180.2003.00349.x Gerhards, R., Christensen, S., 2003. Real-time weed detection, decision making and patch spraying in maize, sugarbeet, winter wheat and winter barley. Weed Res. 43, 385–392. https://doi.org/10.1046/j.1365-3180.2003.00349.x
Granitto et al., 2006 P.M. Granitto C. Furlanello F. Biasioli F. Gasperi Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products Chemom. Intell. Lab. Syst. 83 2006 83 90 10.1016/j.chemolab.2006.01.007 Granitto, P.M., Furlanello, C., Biasioli, F., Gasperi, F., 2006. Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products. Chemom. Intell. Lab. Syst. 83, 83–90. https://doi.org/10.1016/j.chemolab.2006.01.007
Hamuda et al., 2016 E. Hamuda M. Glavin E. Jones A survey of image processing techniques for plant extraction and segmentation in the field Comput. Electron. Agric. 125 2016 184 199 10.1016/j.compag.2016.04.024 Hamuda, E., Glavin, M., Jones, E., 2016. A survey of image processing techniques for plant extraction and segmentation in the field. Comput. Electron. Agric. 125, 184–199. https://doi.org/10.1016/j.compag.2016.04.024
Handford et al., 2015 C.E. Handford C.T. Elliott K. Campbell A review of the global pesticide legislation and the scale of challenge in reaching the global harmonization of food safety standards Integr. Environ. Assess. Manag. 11 2015 525 536 10.1002/ieam.1635 Handford, C.E., Elliott, C.T., Campbell, K., 2015. A review of the global pesticide legislation and the scale of challenge in reaching the global harmonization of food safety standards. Integr. Environ. Assess. Manag. 11, 525–536. https://doi.org/10.1002/ieam.1635
Hossard et al., 2017 L. Hossard L. Guichard C. Pelosi D. Makowski Lack of evidence for a decrease in synthetic pesticide use on the main arable crops in France Sci. Total Environ. 575 2017 152 161 10.1016/j.scitotenv.2016.10.008 Hossard, L., Guichard, L., Pelosi, C., Makowski, D., 2017. Lack of evidence for a decrease in synthetic pesticide use on the main arable crops in France. Sci. Total Environ. 575, 152–161. https://doi.org/10.1016/j.scitotenv.2016.10.008
Hunt et al., 2013 E.R. Hunt P.C. Doraiswamy J.E. McMurtrey C.S.T. Daughtry E.M. Perry B. Akhmedov A visible band index for remote sensing leaf chlorophyll content at the canopy scale Int. J. Appl. Earth Obs. Geoinformation 21 2013 103 112 10.1016/j.jag.2012.07.020 Hunt, E.R., Doraiswamy, P.C., McMurtrey, J.E., Daughtry, C.S.T., Perry, E.M., Akhmedov, B., 2013. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. Int. J. Appl. Earth Obs. Geoinformation 21, 103–112. https://doi.org/10.1016/j.jag.2012.07.020
Jurado-Expósito et al., 2021 M. Jurado-Expósito F. López-Granados F.M. Jiménez-Brenes J. Torres-Sánchez Monitoring the Spatial Variability of Knapweed (Centaurea diluta Aiton) in Wheat Crops Using Geostatistics and UAV Imagery: Probability Maps for Risk Assessment in Site-Specific Control Agronomy 11 2021 880 10.3390/agronomy11050880 Jurado-Expósito, M., López-Granados, F., Jiménez-Brenes, F.M., Torres-Sánchez, J., 2021. Monitoring the Spatial Variability of Knapweed (Centaurea diluta Aiton) in Wheat Crops Using Geostatistics and UAV Imagery: Probability Maps for Risk Assessment in Site-Specific Control. Agronomy 11, 880. https://doi.org/10.3390/agronomy11050880
null
null
López-Granados et al., 2016a F. López-Granados J. Torres-Sánchez A.-I. De Castro A. Serrano-Pérez F.-J. Mesas-Carrascosa J.-M. Peña Object-based early monitoring of a grass weed in a grass crop using high resolution UAV imagery Agron. Sustain. Dev. 36 2016 67 10.1007/s13593-016-0405-7 López-Granados, F., Torres-Sánchez, J., De Castro, A.-I., Serrano-Pérez, A., Mesas-Carrascosa, F.-J., Peña, J.-M., 2016a. Object-based early monitoring of a grass weed in a grass crop using high resolution UAV imagery. Agron. Sustain. Dev. 36, 67. https://doi.org/10.1007/s13593-016-0405-7
Lottes et al., 2017 P. Lottes M. Hörferlin S. Sander C. Stachniss Effective Vision-based Classification for Separating Sugar Beets and Weeds for Precision Farming J. Field Robot. 34 2017 1160 1178 10.1002/rob.21675 Lottes, P., Hörferlin, M., Sander, S., Stachniss, C., 2017. Effective Vision-based Classification for Separating Sugar Beets and Weeds for Precision Farming. J. Field Robot. 34, 1160–1178. https://doi.org/10.1002/rob.21675
Maes and Steppe, 2019 W.H. Maes K. Steppe Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture Trends Plant Sci. 24 2019 152 164 10.1016/j.tplants.2018.11.007 Maes, W.H., Steppe, K., 2019. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture. Trends Plant Sci. 24, 152–164. https://doi.org/10.1016/j.tplants.2018.11.007
Möhring et al., 2020 N. Möhring K. Ingold P. Kudsk F. Martin-Laurent U. Niggli M. Siegrist B. Studer A. Walter R. Finger Pathways for advancing pesticide policies Nat. Food 1 2020 535 540 10.1038/s43016-020-00141-4 Möhring, N., Ingold, K., Kudsk, P., Martin-Laurent, F., Niggli, U., Siegrist, M., Studer, B., Walter, A., Finger, R., 2020. Pathways for advancing pesticide policies. Nat. Food 1, 535–540. https://doi.org/10.1038/s43016-020-00141-4
Oerke, 2006 E.-C. Oerke Crop losses to pests J. Agric. Sci. 144 2006 31 43 10.1017/S0021859605005708 Oerke, E.-C., 2006. Crop losses to pests. J. Agric. Sci. 144, 31–43. https://doi.org/10.1017/S0021859605005708
Pedregosa et al., 2011 F. Pedregosa G. Varoquaux A. Gramfort V. Michel B. Thirion O. Grisel M. Blondel P. Prettenhofer R. Weiss V. Dubourg J. Vanderplas A. Passos D. Cournapeau M. Brucher M. Perrot É. Duchesnay Scikit-learn: Machine Learning in Python J. Mach. Learn. Res. 12 2011 2825 2830 Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É., 2011. Scikit-learn: Machine Learning in Python. J. Mach. Learn. Res. 12, 2825–2830.
Peña et al., 2013 J.M. Peña J. Torres-Sánchez A.I. de Castro M. Kelly F. López-Granados Weed Mapping in Early-Season Maize Fields Using Object-Based Analysis of Unmanned Aerial Vehicle (UAV) Images PLOS ONE 8 2013 e77151 Peña, J.M., Torres-Sánchez, J., Castro, A.I. de, Kelly, M., López-Granados, F., 2013. Weed Mapping in Early-Season Maize Fields Using Object-Based Analysis of Unmanned Aerial Vehicle (UAV) Images. PLOS ONE 8, e77151. https://doi.org/10.1371/journal.pone.0077151
Pérez-Ortiz et al., 2015 M. Pérez-Ortiz J.M. Peña P.A. Gutiérrez J. Torres-Sánchez C. Hervás-Martínez F. López-Granados A semi-supervised system for weed mapping in sunflower crops using unmanned aerial vehicles and a crop row detection method Appl. Soft Comput. 37 2015 533 544 10.1016/j.asoc.2015.08.027 Pérez-Ortiz, M., Peña, J.M., Gutiérrez, P.A., Torres-Sánchez, J., Hervás-Martínez, C., López-Granados, F., 2015. A semi-supervised system for weed mapping in sunflower crops using unmanned aerial vehicles and a crop row detection method. Appl. Soft Comput. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027
Pérez-Ortiz et al., 2016 M. Pérez-Ortiz J.M. Peña P.A. Gutiérrez J. Torres-Sánchez C. Hervás-Martínez F. López-Granados Selecting patterns and features for between- and within- crop-row weed mapping using UAV-imagery Expert Syst. Appl. 47 2016 85 94 10.1016/j.eswa.2015.10.043 Pérez-Ortiz, M., Peña, J.M., Gutiérrez, P.A., Torres-Sánchez, J., Hervás-Martínez, C., López-Granados, F., 2016. Selecting patterns and features for between- and within- crop-row weed mapping using UAV-imagery. Expert Syst. Appl. 47, 85–94. https://doi.org/10.1016/j.eswa.2015.10.043
Pflanz et al., 2018 M. Pflanz H. Nordmeyer M. Schirrmann Weed Mapping with UAS Imagery and a Bag of Visual Words Based Image Classifier Remote Sens. 10 2018 1530 10.3390/rs10101530 Pflanz, M., Nordmeyer, H., Schirrmann, M., 2018. Weed Mapping with UAS Imagery and a Bag of Visual Words Based Image Classifier. Remote Sens. 10, 1530. https://doi.org/10.3390/rs10101530
null
null
null
Rasmussen et al., 2021 J. Rasmussen S. Azim J. Nielsen Pre-harvest weed mapping of Cirsium arvense L. based on free satellite imagery – The importance of weed aggregation and image resolution Eur. J. Agron. 130 2021 126373 10.1016/j.eja.2021.126373 Rasmussen, J., Azim, S., Nielsen, J., 2021. Pre-harvest weed mapping of Cirsium arvense L. based on free satellite imagery – The importance of weed aggregation and image resolution. Eur. J. Agron. 130, 126373. https://doi.org/10.1016/j.eja.2021.126373
Rasmussen and Nielsen, 2020 J. Rasmussen J. Nielsen A novel approach to estimating the competitive ability of Cirsium arvense in cereals using unmanned aerial vehicle imagery Weed Res. 60 2020 150 160 10.1111/wre.12402 Rasmussen, J., Nielsen, J., 2020. A novel approach to estimating the competitive ability of Cirsium arvense in cereals using unmanned aerial vehicle imagery. Weed Res. 60, 150–160. https://doi.org/10.1111/wre.12402
Rasmussen et al., 2019 J. Rasmussen J. Nielsen J.C. Streibig J.E. Jensen K.S. Pedersen S.I. Olsen Pre-harvest weed mapping of Cirsium arvense in wheat and barley with off-the-shelf UAVs Precis. Agric. 20 2019 983 999 10.1007/s11119-018-09625-7 Rasmussen, J., Nielsen, J., Streibig, J.C., Jensen, J.E., Pedersen, K.S., Olsen, S.I., 2019. Pre-harvest weed mapping of Cirsium arvense in wheat and barley with off-the-shelf UAVs. Precis. Agric. 20, 983–999. https://doi.org/10.1007/s11119-018-09625-7
Roth et al., 2018a L. Roth H. Aasen A. Walter F. Liebisch Extracting leaf area index using viewing geometry effects—A new perspective on high-resolution unmanned aerial system photography ISPRS J. Photogramm. Remote Sens. 141 2018 161 175 10.1016/j.isprsjprs.2018.04.012 Roth, L., Aasen, H., Walter, A., Liebisch, F., 2018a. Extracting leaf area index using viewing geometry effects—A new perspective on high-resolution unmanned aerial system photography. ISPRS J. Photogramm. Remote Sens. 141, 161–175. https://doi.org/10.1016/j.isprsjprs.2018.04.012
Roth et al., 2018b L. Roth A. Hund H. Aasen PhenoFly Planning Tool: flight planning for high-resolution optical remote sensing with unmanned areal systems Plant Methods 14 2018 1 21 10.1186/s13007-018-0376-6 Roth, L., Hund, A., Aasen, H., 2018b. PhenoFly Planning Tool: flight planning for high-resolution optical remote sensing with unmanned areal systems. Plant Methods 14, 1–21. https://doi.org/10.1186/s13007-018-0376-6
Roth et al., 2020 L. Roth M. Camenzind H. Aasen L. Kronenberg C. Barendregt K.-H. Camp A. Walter N. Kirchgessner A. Hund Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones [WWW Document] Plant Phenomics. https:// 2020 10.34133/2020/3729715 Roth, L., Camenzind, M., Aasen, H., Kronenberg, L., Barendregt, C., Camp, K.-H., Walter, A., Kirchgessner, N., Hund, A., 2020. Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones [WWW Document]. Plant Phenomics. https://doi.org/10.34133/2020/3729715
Rozenberg et al., 2021 G. Rozenberg R. Kent L. Blank Consumer-grade UAV utilized for detecting and analyzing late-season weed spatial distribution patterns in commercial onion fields Precis. Agric. 22 2021 1317 1332 10.1007/s11119-021-09786-y Rozenberg, G., Kent, R., Blank, L., 2021. Consumer-grade UAV utilized for detecting and analyzing late-season weed spatial distribution patterns in commercial onion fields. Precis. Agric. 22, 1317–1332. https://doi.org/10.1007/s11119-021-09786-y
Sadeghi-Tehran et al., 2017 P. Sadeghi-Tehran N. Virlet K. Sabermanesh M.J. Hawkesford Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping Plant Methods 13 2017 103 10.1186/s13007-017-0253-8 Sadeghi-Tehran, P., Virlet, N., Sabermanesh, K., Hawkesford, M.J., 2017. Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping. Plant Methods 13, 103. https://doi.org/10.1186/s13007-017-0253-8
Sapkota et al., 2020 B. Sapkota V. Singh C. Neely N. Rajan M. Bagavathiannan Detection of Italian Ryegrass in Wheat and Prediction of Competitive Interactions Using Remote-Sensing and Machine-Learning Techniques Remote Sens. 12 2020 2977 10.3390/rs12182977 Sapkota, B., Singh, V., Neely, C., Rajan, N., Bagavathiannan, M., 2020. Detection of Italian Ryegrass in Wheat and Prediction of Competitive Interactions Using Remote-Sensing and Machine-Learning Techniques. Remote Sens. 12, 2977. https://doi.org/10.3390/rs12182977
null
van der Walt et al., 2014 S. van der Walt J.L. Schönberger J. Nunez-Iglesias F. Boulogne J.D. Warner N. Yager E. Gouillart T. Yu scikit-image: image processing in Python PeerJ 2 2014 e453 van der Walt, S., Schönberger, J.L., Nunez-Iglesias, J., Boulogne, F., Warner, J.D., Yager, N., Gouillart, E., Yu, T., 2014. scikit-image: image processing in Python. PeerJ 2, e453. https://doi.org/10.7717/peerj.453
null
Yu et al., 2017 K. Yu N. Kirchgessner C. Grieder A. Walter A. Hund An image analysis pipeline for automated classification of imaging light conditions and for quantification of wheat canopy cover time series in field phenotyping Plant Methods 13 2017 15 10.1186/s13007-017-0168-4 Yu, K., Kirchgessner, N., Grieder, C., Walter, A., Hund, A., 2017. An image analysis pipeline for automated classification of imaging light conditions and for quantification of wheat canopy cover time series in field phenotyping. Plant Methods 13, 15. https://doi.org/10.1186/s13007-017-0168-4