Einverständniserklärung zu Cookies, Daten- und Trackinginformationen Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren. Beim Besuch dieser Webseite werden Informationen gespeichert. Bei der Darstellung von Produkten werden Bilder von an anderen Webseiten geladen. Um das zu ermöglichen, ist es nötig, dass ihr Browser Verbindungen zu anderen Servern aufbaut und dorthin Daten überträgt. Die Verarbeitung der an Kostenscout.de gesendeten Daten erfolgt zur Leistungserbringung, zu statistischen sowie werbetechnischen Zwecken. Wenn Sie auf der Seite weitersurfen, stimmen Sie der Cookie-Nutzung und Datenverarbeitung zu. Datenschutzinformationen ansehen
Smart Big Data in Digital Agriculture Applications
In the dynamic realm of digital agriculture, the integration of big data acquisition platforms has sparked both curiosity and enthusiasm among researchers and agricultural practitioners. This book embarks on a journey to explore the intersection of artificial intelligence and agriculture, focusing on small-unmanned aerial vehicles (UAVs), unmanned ground vehicles (UGVs), edge-AI sensors and the profound impact they have on digital agriculture, particularly in the context of heterogeneous crops, such as walnuts, pomegranates, cotton, etc. For example, lightweight sensors mounted on UAVs, including multispectral and thermal infrared cameras, serve as invaluable tools for capturing high-resolution images. Their enhanced temporal and spatial resolutions, coupled with cost effectiveness and near-real-time data acquisition, position UAVs as an optimal platform for mapping and monitoring crop variability in vast expanses. This combination of data acquisition platforms and advanced analytics generates substantial datasets, necessitating a deep understanding of fractional-order thinking, which is imperative due to the inherent "complexity" and consequent variability within the agricultural process. Much optimism is vested in the field of artificial intelligence, such as machine learning (ML) and computer vision (CV), where the efficient utilization of big data to make it "smart" is of paramount importance in agricultural research. Central to this learning process lies the intricate relationship between plant physiology and optimization methods. The key to the learning process is the plant physiology and optimization method. Crafting an efficient optimization method raises three pivotal questions: 1.) What represents the best approach to optimization? 2.) How can we achieve a more optimal optimization? 3.) Is it possible to demand "more optimal machine learning," exemplified by deep learning, while minimizing the need for extensive labeled data for digital agriculture? This book details the foundations of the plant physiology-informed machine learning (PPIML) and the principle of tail matching (POTM) framework. It is the 9th title of the "Agriculture Automation and Control" book series published by Springer.
Die bei uns gelisteten Preise basieren auf Angaben der gelisteten Händler zum Zeitpunkt unserer Datenabfrage. Diese erfolgt einmal täglich. Von diesem Zeitpunkt bis jetzt können sich die Preise bei den einzelnen Händlern jedoch geändert haben. Bitte prüfen sie auf der Zielseite die endgültigen Preise.
Die Sortierung auf unserer Seite erfolgt nach dem besten Preis oder nach bester Relevanz für Suchbegriffe (je nach Auswahl).
Für manche Artikel bekommen wir beim Kauf über die verlinkte Seite eine Provision gezahlt. Ob es eine Provision gibt und wie hoch diese ausfällt, hat keinen Einfluß auf die Suchergebnisse oder deren Sortierung.
Unser Preisvergleich listet nicht alle Onlineshops. Möglicherweise gibt es auf anderen bei uns nicht gelisteten Shops günstigere Preise oder eine andere Auswahl an Angeboten.
Versandkosten sind in den angezeigten Preisen und der Sortierung nicht inkludiert.
* - Angaben ohne Gewähr. Preise und Versandkosten können sich zwischenzeitlich geändert haben. Bitte prüfen sie vor dem Kauf auf der jeweiligen Seite, ob die Preise sowie Versandkosten noch aktuell sind.
