Контрольная работа мерзляк 7 класс: АЛГЕБРА Контрольные работы 7 класс Мерзляк

Содержание

АЛГЕБРА Контрольные работы 7 класс Мерзляк

АЛГЕБРА Контрольные работы 7 класс

Дидактические материалы.

ОТВЕТЫ: АЛГЕБРА Контрольные работы 7 класс. Решения вопросов и задач из пособия для учащихся «Дидактические материалы по алгебре 7 класс ФГОС» (авт. А.Г. Мерзляк, В.Б. Полонский, Е.М.Рабинович, изд-во «Вентана-Граф»), которое используется в комплекте с учебником «Алгебра. 7 класс» (авт. А.Г. Мерзляк, В.Б. Полонский, М.С. Якир). Ответы на контрольные работы адресованы родителям, которые смогут проконтролировать правильность выполнения задания, а в случае необходимости помочь детям в выполнении домашней контрольной работы по математике.

В начале указана цитата (образец варианта контрольной работы) из вышеуказанного учебного пособия. Затем представлены ответы. Цитата из пособия указана в учебных целях, а также во избежание редакционных ошибок (в разных редакциях книги встречаются разные вопросы).

При постоянном использовании контрольных работ в 7 классе лучше всего купить книгу Алгебра 7 класс. Дидактические материалы. ФГОС (переход по ссылке в интернет-магазин «Лабиринт.Ру»).

Выберите нужную вам контрольную работу:

ВХОДНАЯ КР-00 Входная контрольная работа
Контрольная 1 КР-01 Линейное уравнение с одной переменной
Контрольная 2 КР-02 Степень с натуральным показателем. Одночлены. Многочлены
Контрольная 3 КР-03 Умножение одночлена на многочлен. Умножение многочлена на одночлен. Разложение многочленов на множители

Контрольная 4 КР-04 Формулы сокращенного умножения
Контрольная 5 КР-05 Сумма и разность кубов двух выражений. Применение способов разложения многочленов на множители
Контрольная 6 КР-06 Функции
Контрольная 7 КР-07 Системы линейных уравнений с двумя переменными
ИТОГОВАЯ КР-08 Итоговая работа за 7 класс

Вы смотрели АЛГЕБРА Контрольные работы 7 класс Мерзляк + Ответы.

Смотреть все материалы по математике для УМК МЕРЗЛЯК

Вернуться на страницу «Алгебра 7 класс. Все тесты и контрольные».

ГДЗ по алгебре 7 класс дидактические материалы Мерзляк, Полонский, Рабинович

Для глубокой самостоятельной подготовки к урокам, конкурсным математическим мероприятиям, ВПР и иным предстоящим формам контроля знаний отлично подходит дидактический материал-практикум. Проверку правильности выполнения заданий можно проводить, опираясь на гдз по алгебре за 7 класс дидактический материал Мерзляк, по которым можно отследить и понять логику получения верных ответов, технологию и алгоритм решения и принцип верной записи результатов. Успех такой работе обеспечит её регулярность и выделение на ее проведение достаточного количества времени. Специалисты советуют заниматься не менее часа в день, делать это ежедневно и не допускать системных длительных (сверх двух недель) пропусков в подготовке.

Кому могут быть полезны готовые решения по алгебре 7 класс к дидактическому материалу Мерзляк?

В числе тех, кто активно применяет справочные материалы в своей практике – такие категории пользователей:
— семиклассники, нередко и подолгу пропускающие занятия в классе. Например, часто болеющие подростки, ребята, активно участвующие в творческих конкурсах и спортивных состязаниях, выезжающие в другие города и даже регионы на длительный срок;
— осуществляющие самостоятельную подготовку к математическим конкурсам и олимпиадам дети, особенно если в классе дисциплина преподается по другим учебникам, программам, УМК. Данный ресурс позволит получить всесторонние знания, глубже рассмотреть темы и разделы курса;

— выпускники, готовящиеся к ОГЭ или ЕГЭ по математике и повторяющие материалы за седьмой класс;
— переведенные на дистанционную, домашнюю/семейную форму обучения. Решебник в этом случае становится альтернативой или эффективным дополнением к получаемым не на каждом уроке объяснениям учителя;
— сами педагоги-предметники, которые при помощи этого источника информации смогут быстро проверить большое количество ученических работ, не рискуя качеством проверки;
— родители семиклассников, чтобы оценить, насколько хорошо их ребенок готов к ответу, проверочной, ориентируется ли в изучаемом материале курса.

Споры за и против применения онлайн сборников

Некоторые родители и педагоги не уверены, что еуроки ГДЗ – это лучшее решение в процессе обучения. Но с каждым годом скептиков становится все меньше. Поскольку преимуществ у этого ресурса немало:
— его доступность для всех пользователей круглосуточно;
— грамотно организованный поиск, позволяющий оперативно найти и применить нужный ответ;
— экономическая выгода, поскольку нередко решебник — альтернатива найму репетиторов и посещению платных математических курсов;

— соответствие данных требованиям Стандартов образования, в том числе — в части оформления работ.

Научившись применять сборник ответов по алгебре для 7 класса дидактический материал (авторы Мерзляк, Полонский), школьники приобретут ценный и полезный навык работы с информацией в условиях ограниченного времени.

Математика Контрольные работы | 7 класс Онлайн

Контрольные работы по алгебре.

7 класс

УМК Мерзляк, Полонский, Якир — Контрольные работы по алгебре 7 кл.
УМК Мерзляк, Полонский, Якир — Алгебра. 7 класс. Самостоятельные работы

УМК Макарычев (Просвещение) — Глазков и др. Контрольные и самостоятельные. 7 кл.
УМК Макарычев (Просвещение) — Мартышова. Контрольно-измерительные материалы. 7 кл.
УМК Макарычев (Просвещение) — Звавич и др. Дидактические материалы по алгебре 7 кл.
ГДЗ Алгебра 7 класс Макарычев 2018. Решебник к новому учебнику.

УМК Мордкович — Александрова. Контрольные работы по алгебре в 7 классе.

УМК Никольский (МГУ — школе) — Потапов и др. Дидактические материалы по алгебре 7 кл.

УМК — Дорофеев и др. — Кузнецова. Контрольные работы по алгебре. 7 кл.

К любому УМК (базовому) — Ершова. Самост. и контр. работы по алгебре и геометрии

Углубленное изучение алгебры. УМК Мерзляк и Поляков, УМК Макарычев (Мнемозина):

Мерзляк и Поляков. Контрольные и самостоятельные работы. 7 кл.
Феоктистов. Дидактические материалы к уч.Макарычева (угл.) 7кл.

Контрольные работы по геометрии

УМК Мерзляк, Полонский, Якир — Дидактические материалы по геометрии 7 кл.

УМК Атанасян — Мельникова Контрольные работы в 7 классе
УМК Атанасян — Ершова. Самост. и контр. работы по алгебре и геометрии (годовая)

УМК Погорелов — Ершова. Самост. и контр. работы по алгебре и геометрии (итоговая)

К любому УМК — Глазкова, КИМ: контрольные работы. 7 класс. ВАКО
К любому УМК — Глазкова, КИМ: самостоятельные работы. 7 класс.

ГДЗ Алгебра 7 класс Мерзляк, Полонский, Рабинович, Якир

Алгебра 7 класс

Самостоятельные и контрольные работы

Мерзляк, Полонский, Рабинович, Якир

Алгоритм успеха

Готовиться к проверочным работам ребята не особо любят, ведь это означает, что они еще больше времени должны просиживать над тетрадями. А так как им этого хватает и в школе, и во время выполнения д/з, то такая перспектива их не радует. Однако необходимость и полезность подобных занятий сложно отрицать, ведь они позволяют скомпоновать знания таким образом, чтобы потом в любой момент можно было ими воспользоваться. И в этом учащимся отлично поможет

решебник к учебнику «Алгебра. Самостоятельные и контрольные работы 7 класс» Мерзляк, Полонский, Рабинович.

Что можно найти в пособии

В сборнике приведено тридцать восемь самостоятельных работ, которые рассчитаны для четырех вариантов. Помимо этого имеется девять контрольных работ по два варианта каждая. В целом все они охватывают весь учебный курс и помогают лучше разобраться в изучаемой тематике. Решения в

ГДЗ по алгебре 7 класс Мерзляк поданы таким образом, что учащиеся смогут лучше систематизировать свои познания.

Как именно им нужно пользоваться

Довольно часто, когда ребята получают доступ к подобным пособиям, они начинают злоупотреблять этой информацией. Родители же, которые признали за своим чадом самостоятельность, порой даже не знают, что учащиеся просто переписывают готовые решения, не особо заботясь о последствиях. И тут уже на лицо упущение взрослых, которые не объяснили своим отпрыскам самых элементарных вещей. Так как при выполнении д/з таким халтурным образом школьники не используют ни память, ни знания, то вполне естественно, что новая информация нигде не откладывается. Поэтому решебник к учебнику

«Алгебра. Самостоятельные и контрольные работы 7 класс» Мерзляк необходимо использовать только как вспомогательное средство для самопроверки, а не как шпаргалку.

«Вентана-граф», 2017 г.

Название

Условие

Решение

ГДЗ по алгебре за 7 класс самостоятельные и контрольные работы Мерзляк, Полонский Углубленный уровень

Авторы: Мерзляк А.Г., Полонский В.В., Рабинович Е.М., Якир М.С..

Тип: Самостоятельные и контрольные работы, Алгоритм успеха, Углубленный уровень

Подготовка к контрольным и проверочным работам — это большой стресс и огромная трата времени для любого школьника, в том числе и для семиклассника. Тем не менее, данный процесс помогает систематизировать знания и повысить вероятность приобретения положительной оценки. Также в дальнейшем учащийся сможет успешно использовать полученные знания для преодоления новых задач. Помочь в этом деле способны решебники.

Онлайн ГДЗ по алгебре за 7 класс самостоятельные и контрольные работы Мерзляк, Полонский Углубленный уровень является одним из таких средств. Это пособие предоставляет шанс ученику отлично подготовиться к грядущим проверочным испытаниям индивидуально в домашних условиях. Содержание тетради выглядит следующим образом:

38 самостоятельных работ, разделенных на четыре варианта;
9 контрольных с двумя вариантами.

Структурно решебник повторяет оригинальный учебник Мерзлякова и Полякова для углубленного изучения математической дисциплины. В каждом решении имеются алгоритмы достижения правильного ответа для всех упражнений, все расписано максимально подробно, что позволяет быстро понять суть.

Как пособие поможет ребенку?

С помощью ГДЗ при правильном применении ученик сможет улучшить навыки памяти и логического мышления. Верное использование данного информационного ресурса подразумевает сначала самостоятельное решение, а затем уже проверку его правильности. Только так семиклассник имеет превосходную перспективу закрепления пройденного материала и успешного его воспроизведения в будущем.

Польза для родителей и учителей

Взрослым также следует прибегнуть просмотру решебника к самостоятельным и контрольным работам по алгебре (автор: Мерзляк А.Г.) . Во-первых, это даст возможность сэкономить на репетиторах, а во-вторых — позволит установить контроль за успеваемостью. Таким образом, мама и папа всегда будут в курсе, какую тему проходят на уроках алгебры их дети, и смогут прийти на помощь в трудную минуту.

Преподаватели на основе готовых правильных ответов имеют шанс работать над собственными методичками. Также ключи к упражнениям помогут педагогам быстро проверять домашние задания подопечных и повышать собственную профессиональную квалификацию.

Контрольные работы по алгебре в 7 классе по УМК А.Г. Мерзляк

Контрольная работа №8

«Итоговая контрольная работа»

Вариант 1

Упростите выражение (5a − 4)² − (2a − 1)(3a + 7).
Разложите на множители: 1) 5x²y² − 45y²c²; 2) 2x² + 24xy + 72y².
График функции y = kx + b пересекает оси координат в точках A (0; −6) и B (3; 0). Найдите значения k и b.
Решите систему уравнений
Найдите четыре последовательных натуральных числа таких, что
произведение третьего и четвёртого из этих чисел на 22 больше произведения первого и второго.
Решите уравнение x² + y² − 2x + 6y + 10 = 0.

Вариант 2

Упростите выражение (3a − 2)² − (3a + 1)(a + 5).
Разложите на множители: 1) 3m²n² − 48m²p²; 2) 3x² + 12xy + 12y².
График функции y = kx + b пересекает оси координат в точках C (0; 15) и D (−5; 0). Найдите значения k и b.
Решите систему уравнений
Найдите четыре последовательных натуральных числа таких, что
произведение первого и третьего из этих чисел на 17 меньше произведения второго и четвёртого.
Решите уравнение x² + y² + 4x − 8y + 20 = 0.

Вариант 3

Упростите выражение (4a + 3)² − (2a + 1)(4a − 3).
Разложите на множители: 1) 7a²c² − 28b²c²; 2) 5a² − 30ab + 45b².
График функции y = kx + b пересекает оси координат в точках M (0; −12) и K (−3; 0). Найдите значения k и b.
Решите систему уравнений
Найдите четыре последовательных натуральных числа таких, что
произведение четвёртого и третьего из этих чисел на 42 больше произведения первого и второго.
Решите уравнение x² + y² − 8x + 2y + 17 = 0.

Вариант 4

Упростите выражение (2b + 5)² − (b − 3)(3b + 5).
Разложите на множители: 1) 6a²b² − 600a²c²; 2) 7a² − 28ab + 28b².
График функции y = kx + b пересекает оси координат в точках E (0; −36) и F (4; 0). Найдите значения k и b.
Решите систему уравнений
Найдите четыре последовательных натуральных числа таких, что
произведение первого и третьего из этих чисел на 31 меньше произведения второго и четвёртого.
Решите уравнение x² + y² − 12x + 4y + 40 = 0.

Контрольная работа №8

«Итоговая контрольная работа»

№ задания	Уровень	Количество баллов
№ 1	Базовый	3
№ 2	Базовый	3
№ 3	Базовый	3
№ 4	Базовый	2
№ 5	Повышенный	3
№6	Повышенный	3

Баллы	Критерии оценивания задания №1
3	Задание выполнено верно (приведено полное обоснованное решение)
2	Задание решено верно, но отсутствует обоснование решения ИЛИ ход решения верный, все шаги присутствуют, но получен неверный ответ из-за ошибки/описки вычислительного характера
1	Выбран верный ход рассуждений, но решение не доведено до конца (выполнено верно не менее 2/3 задания)
0	Другие случаи, не соответствующие указанным выше критериям
3	Максимальный балл

Баллы	Критерии оценивания задания №2
3	Выполнены верно два пункта задания(приведено полное обоснованное решение)
2	Выполнен верно один пункт задания и допущена ошибка во втором пункте задания вычислительного характера, с её учётом дальнейшие шаги выполнены верно
1	Выполнен верно один пункт задания
0	Другие случаи, не соответствующие указанным выше критериям
3	Максимальный балл

Баллы	Критерии оценивания задания №3
3	Задание выполнено верно (приведено полное обоснованное решение)
2	Задание решено верно, но отсутствует обоснование решения ИЛИ ход решения верный, все шаги присутствуют, значение k ( b) найдено верно, а при нахождении b (k ) получен неверный ответ из-за ошибки/описки вычислительного характера
1	Выбран верный ход рассуждений, но решение не доведено до конца (выполнено верно не менее 2/3 задания)
0	Другие случаи, не соответствующие указанным выше критериям
3	Максимальный балл

Баллы	Критерии оценивания задания №4
2	Задание выполнено верно и обоснованно
1	Допущена одна вычислительная ошибка, приведшая к неверному ответу
0	Другие случаи, не соответствующие указанным выше критериям
2	Максимальный балл

Баллы	Критерии оценки выполнения задания №5
3	Приведено верное обоснованное решение задачи, получен верный ответ
2	Задача решена верно, но отсутствует обоснование решения ИЛИ ход решения верный, все шаги присутствуют, но получен неверный ответ из-за ошибки/описки вычислительного характера
1	Выбран верный ход рассуждений, но решение не доведено до конца (выполнено верно не менее 2/3 задания)
0	Другие случаи, не соответствующие указанным выше критериям
3	Максимальный балл

Баллы	Критерии оценивания задания №6
3	Задание выполнено верно (приведено полное обоснованное решение)
2	Задание решено верно, но отсутствует обоснование решения ИЛИ ход решения верный, все шаги присутствуют, но получен неверный ответ из-за ошибки/описки вычислительного характера
1	Выбран верный ход рассуждений, но решение не доведено до конца (выполнено верно не менее 2/3 задания)
0	Другие случаи, не соответствующие указанным выше критериям
3	Максимальный балл

Максимальный балл всей контрольной работы 17 баллов

Перевод первичного балла в отметку:

16-17 баллов – «5» (95% — 100 %)

12-15 баллов – «4» (70 % — 94%)

9-11 баллов – «3» (50 % — 69%)

0–8 баллов – «2» (менее 50 %)

Спецификация промежуточного контроля по алгебре 7 класс за 1 полугодие

Спецификация контрольной работы по алгебре для 7 класса

Промежуточный контроль по алгебре за первое полугодие 2018-2019гг

Учитель математики Вдовина Е. Ф.

Формат итоговой промежуточной аттестации (согласно Учебному плану МБУ лицея №76 на 2018-19 уч.год) — контрольная работа.
Сроки (дата) проведения: 18.12.2018
Цель контрольной работы: проверка академических знаний учащихся 7 класса за 1 полугодие
Время контрольной работы: 45 минут
Количество учебных часов за год 2018-19 уч.года: 175 часов.
Программы: —Примерная программа основного (общего) образования по математике министерства образования и науки Российской Федерации

— Рабочая программа по математике 7 классы на 2018-19 уч. год (Протокол №1 педагогического совета МБУ «Лицей №76» от 30.08.18 г.)

Учебники и другие материалы, использованные при подготовке теста: 1)Алгебра: 7 класс: учебник для учащихся общеобразовательных организаций /А.Г. Мерзляк, В.М. Поляков -М.: «Вентана –Граф»,2018г .

2)Мерзляк А.Г. Алгебра: 7класс: самостоятельные и контрольные работы: пособие для учащихся общеобразовательных учреждений/ А.Г. Мерзляк, В.Б. Полонский, Е.М. Рабинович, М.С. Якир.-М.: Вентана-Граф, 2017. 3)Буцко Е.В., Алгебра: 7класс: методическое пособие/ Е.В. Буцко, А.Г. Мерзляк, В.Б. Полонский, М.С. Якир.-М: Вентана-Граф, 2017

7. Количество вариантов: 2 варианта. 8. Способ формирования вариантов: параллельный. 9.Подход к разработке и интерпретации результатов контрольной работы: критериально–ориентированный. 10.Структура контрольной работы: контрольная работа содержит 5 заданий, где необходимо написать подробное решение.

11.Дополнительные материалы и оборудование: линейка и карандаш.

Кодификатор

№ задания	Уровень сложности	Максимальный балл	КЭС	Проверяемое содержание
1	Базовый	3	2. 2	Свойства степени с целым показателем
2	Базовый	3	2.3.1	Многочлен. Сложение, вычитание, умножение многочленов
3	Базовый	4	3.1.1	Уравнение с одной переменной. Корень уравнения.
4	Базовый	3	3.3.2	Решение текстовых задач алгебраическим способом
5	Базовый	3	1.3.5 2.2	Степень с целым показателем. Свойства степени с целым показателем

Контрольная работа для 7класса

Промежуточный контроль по алгебре за 1 полугодие

Вариант 1

1. Упростить выражение:

а) с⁴∙ с⁷ : с⁹ б) ( а⁴)³ ∙ а в) ( -2х)⁴

2. Выполнить действия:

а) (2х² – 3х) – (5х – х²) б) – 3х(2х – 1)

в) (3 – у²)(у – 4)

3. Решить уравнения: а) б);

4. Решите с помощью уравнения задачу:

От села до станции Вася может доехать на велосипеде за 3ч., а пешком дойти за 7ч. Его скорость пешком на 8км/ч меньше, чем на велосипеде. С какой скоростью ездит Вася на велосипеде

5. Вычислите:

Вариант 2

1. Упростить выражение:

а) с¹⁸: с¹⁵ ∙ с² б) ( а²)⁵ : а в) ( -7у)²

2. Выполнить действия:

а) (4х² + 2х) – (3х – 2х²) б) – 2х(4х – 2)

в) (у² + 3)(2 — у)

3. Решить уравнения: а) б)

4. Решите с помощью уравнения задачу:

От села до города легковой автомобиль едет 5 часов, а грузовик 7 часов. Какова скорость легкового автомобил если скорость автомобиля на 20 км/ч больше скорости грузовика?

5. Вычислите:

Ключи ответов к вариантам контрольной работы по алгебре

Предмет: алгебра Класс 7

Ответы

Вариант 1

№1

№2

№3

№4

№5

а) с²; б) а¹³; в) 16х⁴

а) 3х²-8х;

б) — 6х²+3х;

в)-у³+4у²+3у-12

а) -4/23;

б) х=5

14 км/ч

а) 36;

б) 9

Вариант 2

№1

№2

№3

№4

№5

а) с⁵; б) а⁹;

в) 49х²

а)6х²-х;

б) -8х²+4х;

в)-у³+2у²-3у+6

а) -5/17;

б) х= — 8

50 км/ч

а) 49;

б) 5

КРИТЕРИИ ОЦЕНКИ

ВСЕГО – 5 заданий. Наивысшее количество баллов

16 баллов – 100 %

0-52 %	0-8 баллов	«2»
53-66 %	9-10 балла	«3»
67-87 %	11-14 баллов	«4»
88-100 %	15-16 баллов	«5»

Гдз по русскому языку 7 дидактических материалов

Изображения обложек учебников приведены на страницах сайта исключительно в качестве иллюстративного материала (статья 1274, пункт 1 части четвертой ГК РФ)

Алгебра 7 класс. ФГОС Мерзляк, Полонский, Якир Вентана Граф
Алгебра 7 класс. Продвинутый уровень Макарычев Миндюк Мнемозина
Алгебра 7 класс. ФГОС Мордкович, Александрова, Мишустина Мнемозина
Алгебра 7 класс Алимов Просветление
Алгебра 7 класс.ФГОС Дорофеев, Суворова Образование
Алгебра 7 класс. ФГОС Колягин, Ткачева, Федорова Образование
Алгебра 7 класс. ФГОС Никольский, Потапов, Решетников Образование
Алгебра 7 класс. ФГОС Макарычев, Миндюк, Нешков Просвещение
Мерзляк, Полонский, Рабинович Вентана Граф
Дидактические материалы по алгебре 7 класс Феоктистов Мнемозин
Дидактические материалы по алгебре 7 класс Зив, Гольдич Петроглиф 5 Дидактические материалы по алгебре
Дидактические материалы по алгебре 7 класс
Дидактические материалы по алгебре 7 класс Ткачева Федорова Образование
Дидактические материалы по алгебре.7 класс ФГОС Звавич, Кузнецова Образование
Дидактические материалы по алгебре 7 класс Попов. К учебнику Мордкович Экзамен
Дидактические материалы по алгебре 7 класс Звавич, Дьяконова Экзамен
Экзамен по алгебре 7 класс Мордкович Мнемозин
Александрова Мнемозин
Экзамен по алгебре 7 класс. ГЭФ Кузнецова Просветление
Контрольная и самостоятельная работа по алгебре 7 класс. Попов Г.Ф., Мордкович Экзамен
Самостоятельная и контрольная работа по алгебре 7 класс.ГЭФ Глазков, Гаяшвили Экзамен
Контрольная работа по алгебре 7 класс. ГЭФ Александрова Мнемозин
Самостоятельная работа по алгебре 7. ФГОС Александрова Мнемозин
Мартышова Вако
Контрольно-измерительные материалы (КИМ) для 7 класса по алгебре. ГЭФ Глазков, Гаяшвили Экзамен

Рабочие тетради

Мерзляк, Полонский, Якир Вентана Граф
Зубарева, Мильштейн Мнемозина
Минаев, Рослова Просвещение
Рабочая тетрадь по алгебре 7 класс.Часть 1, Потапов 2, Шевкин Просветление
Рабочая тетрадь по алгебре 7 класс. Часть 1, 2. ФГОС Миндюк, Шлыкова Просветление
Рабочая тетрадь по алгебре 7 класс. Часть 1, 2. ГЭФ Колягин, Ткачева Образование
Рабочая тетрадь по алгебре
Учебное пособие по алгебре 7 класс. Г.Э.Ф. Ключникова, Комиссарова. К учебнику Мордкович Экзамен
Рабочая тетрадь по алгебре 7 класс. Ч. 1, 2. ГЭФ Ерина. К учебнику Макарычева Экзамен

Тесты

Мордкович, Тульчинская Мнемозина
Кузнецова Просветление
Тематические тесты по алгебре 7 класс.ГЭФ Дудницын, Кронгауз Просвещение
Тематические тесты по алгебре 7 класс. ФГОС Ткачева Просветление
Контрольные работы по алгебре 7. Ф.Г.Ф. Ключникова, Комиссарова. К учебнику Мордкович Экзамен

ГДЗ по алгебре 7 кл. GEF

Как быстро и правильно сделать домашнее задание по алгебре ученику 7 класса без помощи родителей и репетитора? Как сделать так, чтобы уроки прошли, а время для отдыха на свежем воздухе осталось? А если очень хочется поиграть на компьютере, но до ночи надо разбираться в алгебре? Как раз все эти вопросы поможет решить методическое пособие GDZ по 7 алгебре в классе. Заботливые авторы математиков уже решили все домашние задания по алгебре за год! Гадкие неравенства и уравнения, сложные задачи и примеры. Теперь не нужно ломать голову над тем, правильно ли решилась задача, можно просто сравнить ее с решателем!

Лучше вдумчиво списать с книжки решений с формулами, чем торопиться с записной книжки с ошибками

Всем известно, что даже отличники иногда не хотят долго сидеть над «домом».Первая любовь, интересные премьеры в кинотеатрах или новые игры на приставках, которые ждут, когда их примут, — все это зовет и отвлекает от уроков семиклассников. Правильно, потому что в школе не видно реальной жизни!
Что в этом случае делает средний студент? Ничего. Ходьба. А перед уроками в спешке списывает «домашнее задание» одноклассников из тетради с ошибками и непониманием. Родителям хватит купить и отдать свой GDZ по алгебре 7 класс, все проблемы с решением домашних заданий будут устранены.Время, отведенное на уроки, сократится в 3 раза, а в тетради для домашних заданий будет гарантирована высокая оценка. Кроме того, в проблемной книге дано подробное объяснение решения задач и уравнений, необходимые формулы и правила. Таким образом, даже при механическом списании работы ученик охотно запоминает правила выполнения заданий и систематизирует эти знания в голове.

Родители, умеющие решать алгебру, могут легко проверить семиклассников

Особо строгие родители могут покупать ребенку не ребенку, а себе.С тех пор как вы закончили школу, прошло много времени, некоторые знания могут исчезнуть или быть забыты. Неловко запутаться перед ребенком, показывая его невежество в каком-то математическом вопросе. А решатель по математике всегда поможет быстро и четко проверить задание, поможет ученику понять и решить особо сложные упражнения, освежить его знания.
В 7-м классе традиционная математика в рамках школьного курса делится на два предмета — геометрию и алгебру.Последние семиклассники считаются более понятными для учебы. Тем не менее обилие новой терминологии, законов и практики требует внимательного, скрупулезного и вдумчивого отношения к дисциплине. Часто одних школьных уроков для полного усвоения материала недостаточно. В этом случае пригодятся специальные обучающие материалы и решатели для них. Но важно помнить, что работа с GDZ дает значительные результаты при выполнении:
— регулярно;
— на основании специально разработанной схемы, учебного плана;
— при запоминании и изучении рассмотренного материала вернуться к тем темам, заданиям, вызвавшим наибольшие трудности.
Такая работа полезна еще и тем, что позволяет изучить и запомнить порядок правильной, грамотной записи результатов. Это важно для студентов, потому что в диагностической работе, VLR, способность представлять и записывать ответы в соответствии с требованиями стандарта дает студентам дополнительные баллы. К тому же все семиклассники — будущие выпускники, а грамотное письмо — основа высокой оценки на экзамене. На выпускных экзаменах девятиклассников и одиннадцатиклассников, которые сдают математику в обязательном порядке, много заданий по алгебре.
Перед тем, как выбрать лучший учебник по алгебре для 7 класса, необходимо оценить:
— начальный уровень собственных знаний;
— УМК, программа, по которой в школе изучается дисциплина. Если школьные знания преподаются качественно, есть смысл выбрать дополнительный учебник по программе, отличной от школьной. Если нет, выберите книгу, которую изучают в классе;
— четкость изложения материала, задач, ответов на них.
Ученики седьмого класса могут проанализировать все вышеперечисленные вопросы в школе, с учителем-предметником, с репетитором или самостоятельно.Специалисты называют самоподготовку одной из самых эффективных форм работы учащихся средних и старших классов. Но для того, чтобы она принесла желаемый результат, необходимы настойчивость, регулярность и выдержка, объективная оценка собственных успехов. Самостоятельную работу можно совмещать с посещением спецкурсов.

Физика 7 класс. ГЭФ Перышкин Дрофа

Алгебра 7 класс. Продвинутый уровень Макарычев Миндюк Мнемозина

Алгебра 7 класс.

ФГОС Мордкович, Александрова, Мишустина Мнемозина

История России 7 класс.Тематический контроль Акиньшина, Артхасов Народное образование

Русский язык 7 класс. Тематический контроль Александров, Цыбулько Народное образование

Контурные карты для географии 7 класс. География континентов и океанов. ГЭФ Полункина ОКФ

Контурные карты для новой истории 7 класса. ГЭФ Стоялова ОКФ

Алгебра 7 класс Алимов Просветление

Алгебра 7 класс. ФГОС Дорофеев, Суворова Образование

Алгебра 7 класс. ФГОС Колягин, Ткачева, Федорова Образование

Алгебра 7 класс.ФГОС Никольский, Потапов, Решетников Образование

Алгебра 7 класс. ФГОС Макарычев, Миндюк, Нешков Просвещение

Английский язык 7. Учебник. ФГОС Кузовлев, Paw Enlightenment

Английский язык 7. Starlight: Учебник. ФГОС Баранова Просвещение

Английский язык 7 класс. В центре внимания 7: Учебное пособие — Учебник ученика Ваулина, Дули Просвещение

Геометрия 7 класс.

ГЭФ Атанасян Просветление

Контурные карты для географии 7 класс. Россия, 7 класс Тороп Просвещение

Немецкий язык 7 класс Бим, Садомова Просветление

Русский язык 7 класс Рыбченкова, Александрова Просвещение

Русский язык 7 класс.ФГОС Баранов, Ладыженская Образование

Физика 7 класс. Сборник заданий Лукашик Иванова Образование

Английский язык 7. Английский язык 7. Учебник — Учебник. ГЭФ Биболетова Название

Контурные карты по истории России 7 класс. К учебнику Торкунова Экзамен

Контурные карты по истории России XVII-XVIII веков. 7 класс Павлова Экзамен

Физика 7 класс Перышкин (сборник заданий) Экзамен

Мерзляк, Полонский, Рабинович Вентана Граф

Учебные материалы по физике 7 класс.ГЭФ Марон Дрофа

Дидактические материалы по алгебре 7 класс Феоктистов Мнемозин

Дидактические материалы по алгебре 7 класс Зив, Гольдич Петроглиф

Дидактические материалы по 7 классу алгебры Евстафьева, Карп Обучение

Дидактические материалы по алгебре

алгебра 7 класс Ткачева, Федорова Образование

Дидактические материалы по алгебре.

7 класс ФГОС Звавич, Кузнецова Просвещение

Дидактические материалы по геометрии 7 класс Зив, Мейлер Просвещение

Дидактические материалы по алгебре 7 класс Попов.К учебнику Мордкович Экзамен

Дидактические материалы по алгебре 7 класс Звавич, Дьяконова Экзамен

Самостоятельная и контрольная работа по физике 7 класс. GEF Maron Bustard

Экзамен по алгебре 7 класс Мордкович Мнемозин

Александрова Мнемозин

Александрова Мнемозин 7 класс. ФГОС Кузнецова Просвещение

Экзамены по истории России 7 класс. Артхасов Просветление

Контрольно-проверочные работы по истории Нового времени 7 класс Баранов Просветление

Самостоятельная и контрольная работа по геометрии 7 класс.ФГОС Иченская, Атанасян Образование

Контрольная и самостоятельная работа по алгебре 7 класс. ФГОС Попов, Мордкович Экзамен

Контрольно-самостоятельная работа по физике 7 класс. ФГОС Громцева Экзамен

Экзамен по геометрии 7 класс.

ФГОС Мельникова Экзамен

Независимый и Контрольная работа по алгебре 7 класс. Глазков Г.Э., Гаяшвили Экзамен

Контрольная работа по алгебре 7 класс. ФГОС Александрова Мнемозин

Самостоятельная работа по алгебре 7 класс. ФГОС Александрова Мнемозин

Мартышова Вако

Контрольно-измерительные материалы (КИМ) по английскому языку 7 класс.ГЭФ Артюхова Waco

Контрольно-измерительные материалы (КИМ) в биологии 7 класс. ГЭФ Артемьева Waco

Контрольно-измерительные материалы (КИМ) в географии 7. ГЭФ Жукин Вако

Гаврилова Вако

Контрольно-измерительные материалы (КИМ) по информатике 7 класс. ГЭФ Масленикова Waco

Волкова Waco

Контрольно-измерительные материалы (КИМ) по истории России 7 класс. ГЭФ Волкова Waco

Контрольно-измерительные материалы (КИМ) по литературным данным, 7 класс.ГЭФ Зубова Вако

Контрольно-измерительные материалы (КИМ) по обществоведению 7 класс. ГЭФ Волкова Вако

Контрольно-измерительные материалы (КИМ) по русскому языку 7.

ГЭФ Егорова Вако

Зорин Вако

Контрольно-измерительные материалы ( КИМ) за 7 класс по алгебре. ГЭФ Глазков, Гаяшвили Экзамен

Контрольно-измерительные материалы (КИМ) в классе геометрии 7. ФГОС Рязановский, Мухин Экзамен

Контрольно-измерительные материалы (КИМ) по истории New Age 7 класс Калачева Экзамен

Контрольно-измерительные материалы (КИМ) по истории России 7 класс Смирнов Экзамен

Контрольно-измерительные материалы (КИМ) по русскому языку 7 класс Потапова Экзамен

Контрольно-измерительные материалы (КИМ) по физике 7 класс.ФГОС Бобошина Экзамен

Рабочие тетради

Рабочая тетрадь по истории Нью Эйдж 7 класс Малкова, Данилов (Всеобщая история) Балас
Малкова, Данилов Балас
Соловьев, Турчина Балас
Рабочая тетрадь по информатике 7 класс. Часть 1, 2. ФГОС Босова Бином
Мерзляк, Полонский, Якир Вентана Граф
Суматохин, Кучменко Вентана Граф
Рабочая тетрадь по биологии 7 класс. Часть 1, 2. ГЭФ Пономарева, Корнилова, Кучменко Вентана Граф
Баранов Вентана
000500050005000500050005 Баранов Вентана-Граф Рабочая тетрадь по геометрии 7 класс.Часть 1. ГЭФ Мерзляк, Полонский, Якир Вентана Граф
Рабочая тетрадь по истории России 7 класс Баранова Вентана-Граф
Рабочая тетрадь по обществознанию 7 класс. ФГОС Соболева Вентана Граф
Богданова Генжер
Рабочая тетрадь на английском языке. Enjoy English 7. Рабочая тетрадь Биболетова Дрофа
Захаров, Сонин Дрофа
Учебник по биологии 7 класс. ГЭФ Латюшин, Ламехова Дрофа
Учебное пособие по общей истории 7 класс Волкова, Пономарев Дрофа
Румянцева
Рабочая тетрадь по географии 7 класс.ГЭФ Душина Дрофа
Рабочая тетрадь по географии 7 класс. Дрофа ГЭФ
Протасов, Шарыгина Дрофа
Клоков, Симонова Дрофа
Рабочая тетрадь 7 класс Федорова, Никитин Дрофа
Ларионова. К учебнику Разумовская Дрофа
Рабочая тетрадь 7 класс Касьянов, Дмитриева Дрофа
Учебное пособие по физике 7. ГЭФ Дрофа Ханнанова
Учебное пособие по биологии 7. ГЭФ Захаров, Сонин Дрофа (синий)
Учебное пособие на английском языке.Rainbow English 7: Рабочая тетрадь Афанасьев, Михеев, Баранов Дрофа 3
Рабочая тетрадь по биологии 7 класс Метод Бодрова
Зубарева, Мильштейн Мнемозина
Рабочая тетрадь по биологии 7 класс.
Рабочая тетрадь по алгебре 7. Часть 1, 2 Потапов, Шевкин Просветление
Рабочая тетрадь по алгебре 7 класс. Часть 1, 2. ФГОС Миндюк, Шлыкова Просветление
Рабочая тетрадь по алгебре 7 класс.Часть 1, 2. ГЭФ Колягин, Ткачева Просвещение
Рабочая тетрадь по английскому языку 7. Starlight Baranova Enlightenment
Рабочая тетрадь по английскому языку 7 класс (нумерация страниц не совпадает со старым изданием) Кузовлева Просветление
Рабочая тетрадь по английскому языку 7 класс • В центре внимания 7: Рабочая тетрадь. GEF Vaulina, Dooley Enlightenment
Рабочая тетрадь на английском языке 7 класс. В центре внимания 7: Учебные упражнения GIA Vaulina, Podolyako Education
Учебное пособие по биологии 7 класс. GEF Beekeeper Enlightenment
Учебное пособие по географии 7 класс Nikolina Enlightenment Workbook
, Прасолов Просвещение
Рабочая тетрадь по геометрии 7 класс Дудницына Просвещения
Рабочая тетрадь по геометрии 7 класс.ФГОС Атанасян, Бутузов, Глазков Просвещение
Рабочая тетрадь по истории New Age, 7 класс. Часть 1, 2. ФГОС Юдовская, Ванюшкина Просвещение
Рабочая тетрадь по истории России 7 класс. ФГОС Данилов, Косулина Просвещение
Немецкий рабочая тетрадь 7 класс Бим, Садомова Просветление
Немецкая рабочая тетрадь 7. Горизонты Аверина Просветление
Рабочая тетрадь по обществознанию 7 класс. ГЭФ Котова, Лискова Просветление
Рабочая тетрадь по русскому языку 7 класс.ФГОС Ефремова Просветление
Рабочая тетрадь по русскому языку 7 класс. Часть 1, Рыбченкова 2, Роговик Просвещение
Учебное пособие по биологии 7 класс. ФГОС Сухорукова Просветление
Тетрадь-практикум по географии 7 класс. ФГОС Ходова Просветление
Grade 7 Белага, Воронцова Education
Тетрадь-тренажер по биологии 7 класс. ФГОС Сухоруков, Кучменко, Vlasov Education
Тетрадь-тренажер по географии 7-го класса. ГЭФ Котляр, Bannikov Education
Тетрадь-тренажер для истории Нового времени 7 класс Ведюшкин Просвещение
Блокнот-тренажер по истории России, 7 класс Данилов, Лукутин Просвещение
Блокнот-тренажер по физике 7 класс.ФГОС Артеменков, Белага Просвещение
Записная книжка по биологии 7 класс. ФГОС Сухорукова, Кучменко Просвещение
Записная книжка по географии 7 класс. ФГОС Барабан, Дюкова Просвещение
Записная книжка по истории Нового времени, 7 класс
Тетрадь экзаменатора по истории России 7 класс Артасова Просвещения
Учебная тетрадь по биологии 7. ГЭФ Тихонов, Романова Русское слово
Рабочая тетрадь по географии 7 класс. Часть 1, 2.ФГОС Домагацкий Русское слово
Рабочая тетрадь по истории Нового времени, 7 класс. ФГОС Стецюра. К учебнику Дмитриевой Русское слово
Рабочая тетрадь по истории России 7 класс. X Кочегаров. К учебнику Пчелов, Лукин Русское слово
Рабочая тетрадь по обществознанию 7 класс. ФГОС Хромова, Кравченко, Певцова Русское слово

ГДЗ для 7 класса — это большое количество школьников, составленное на основе базовых учебников по используемым предметам. средними школами России.Они служат опорой для школьников при выполнении домашних заданий, а также помощниками родителей, которые хотят следить за успеваемостью своих детей.

Как семиклассник может проверить свою домашнюю работу для семиклассника?

Когда домашние задания по алгебре и геометрии решены, тесты по физике выполнены, а упражнение по русскому языку выполнено, наступает время проверки заданий. Для этих целей школьникам удобнее всего использовать резольверы на 7 класс.Эти практические руководства содержат готовые ответы, а также структуру заданий и примеры.

На основе сборников готовых домашних заданий вы также сможете:

подробно разбираться в сложных примерах и упражнениях;
устранить допущенные ошибки;
подготовка к выпускным зачетам и экзаменам.

ГДЗ также играет важную роль в проверке успеваемости школьников родителями: теперь они смогут качественно оценить результат, процесс выполнения задания и его оформление.Кроме того, не нужно будет нанимать репетитора — на основе готовых упражнений студенты смогут разбираться в сложных упражнениях.

Каковы преимущества использования сайта с готовым домашним заданием (dhc) в седьмом классе?

Для того, чтобы качественно и быстро выполнять домашние задания по многочисленным предметам школьного курса — алгебре, геометрии, физике, географии, языкам, семикласснику стоит воспользоваться онлайн-решателями, представленными на нашем сайте.

Практические руководства ни в коем случае не предназначены для бездумного обмана.Они служат основой для проверки выполненных заданий и упражнений; на их основе можно разобраться с запутанными и сложными задачами и подготовиться к финальному контролю.

Наш ресурс предоставляет пользователям уникальные преимущества:

все материалы доступны бесплатно и без регистрации;
правильный ответ можно найти через строку поиска — в нем нужно прописать номер задачи или часть ее состояния;
Регулярно обновляемые коллекции GDZ обеспечивают соответствие номеров работ и готовых решений.

Такие условия позволяют найти готовое упражнение буквально за пару секунд. К тому же правильность оформления готовых задач не подлежит сомнению.

Русский язык 7 класс. ГЭФ Разумовская Дрофа
Русский язык 7 класс. Александров, Цыбулько Государственное образование
Русский язык 7 класс Рыбченкова, Александрова Образование
Русский язык 7 класс.ГЭФ Баранов, Ладыженская Образование
Контрольно-измерительные материалы (КИМ) по русскому языку 7 класс. ГЭФ Егорова Вако
Контрольно-измерительные материалы (КИМ) по русскому языку 7 класс Потапова Экзамен

Рабочие тетради

Богданова Генжер
Ларионова. К учебнику Разумовской Дрофы
Рабочая тетрадь по русскому языку 7 класс. ФГОС Ефремова Просвещение
Рабочая тетрадь по русскому языку 7. Часть 1, Рыбченкова 2, Роговик Просвещение
Рабочая тетрадь по русскому языку 7 класс.Комплексный анализ текста (КАТ) Малюшкин Сфера
Рабочая тетрадь по русскому языку 7 класс Львов К учебнику Разумовской Экзамен
Рабочая тетрадь по русскому языку 7. ГЭФ Ерохина Экзамен

Тесты

Тесты по русскому языку 7. Часть 1, 2 Лицей Книгина
Тематическое Каськова Просветление
Тесты по русскому языку 7. ГЭФ Малюшкин Сфера
Тесты по русскому языку 7. ГЭФ Сергеева. К учебнику Баранова, Ладыженская Экзамен
Тесты по русскому языку 7 класс.ФГОС Груздева, Разумовская Экзамен
Контрольные работы по русскому языку 7 класс. Часть 1, 2. ФГОС Селезнева. К учебнику Баранова, Ладыженская Экзамен

ГДЗ по русскому языку 7 класс. GEF

Современным школьникам нелегко осваивать весь объем знаний, приемов и задач, который накапливается по мере творческого прогресса современной педагогической науки. И это касается практически всех предметов. Конечно, детский мозг отлично накапливает полученные в школе знания, но тем не менее оптимизация этого процесса существенно снизит нагрузку на ребенка.Например, при изучении русского языка имеет значение не процесс поиска правильных решений, а практика правильного использования и письма.
Один из проверенных способов эффективно помочь ребенку с подготовкой к урокам в седьмом классе — это GDZ на русском языке. Текущая программа по русскому языку включает повторение материала, изученного на предыдущих занятиях, и детальное изучение довольно сложных частей речи: причастие
причастия
;
наречий
слов категории условий;
служебных частей речи;
предлогов;
союзов;
частиц;
междометий.
Не каждый взрослый, прочитав этот список, сможет восстановить в своей памяти соответствующий школьный материал. Это только подтверждает необходимость ГДЗ на русском языке для 7 класса для контроля правильности домашнего задания.
Подготовка уроков в домашних условиях подразумевает возможность более тщательного изучения данного материала в целом, а также отдельных вопросов, которые сложнее всего усвоить для каждого конкретного ребенка. Для этого в процессе выполнения домашних заданий необходимо уметь проверить правильность выполнения и изучить эталонный вариант.Не менее важным является то, что в готовом домашнем задании на русском языке есть комментарии, объясняющие принципы выполнения сложных заданий. Для тех, кто боится банальной накрутки готового домашнего задания, есть простой и неоспоримый контраргумент: это будет наиболее эффективная практика написания примеров, позволяющая развить правильные навыки их использования.
Исследователи по русскому языку просто необходимы родителям при проверке домашних заданий своих детей. Управление будет быстрым и правильным, что позволит сэкономить много времени и использовать его для расслабления или выполнения более важных задач. Сложность русского языка неоспорима. Для достижения высоких успехов в ее изучении и постоянной практике правильного использования языковых структур наиболее эффективным будет GDZ .

Основы успешного обучения

Программа русского языка для семиклассников достаточно сложная. Это признает большинство школьных педагогов. Более того, некоторые разделы и темы из курса русского языка даже не входят в итоговый экзамен ЕГЭ / ЕГЭ, например, написание наречий и т. Д.и отступники к ним. Помимо подбора литературы, важно использовать личностный потенциал семиклассника. Работу по ГДЗ должны проводить студенты:
— регулярно;
— систематически, на основе разработанных планов уроков, определенной схемы, учитывающей базовый уровень подготовки семиклассника, его языковые способности, усидчивость и т.д .;
— с периодической проверкой достигнутых результатов, оценкой динамики получения результатов, возвращением к темам и разделам, вызвавшим наибольшее количество вопросов и затруднений.
Порядок работы каждый семиклассник выбирает сам. Сделать это можно как самостоятельно, например, прибегнув к помощи родителей, так и с учителем-предметником — школьным учителем или репетитором. Обратиться за профессиональной помощью можно в специализированные центры тестирования, где будут оценены знания и умения семиклассника и даны рекомендации по выбору оптимального набора учебников русского языка для 7 класса в каждой конкретной ситуации.
В процессе подготовки следует ориентироваться на такой необходимый набор, расширяя или дополняя его по мере необходимости другими источниками:
— учебник по теории.Желательно выбирать, какая дисциплина изучается в классе, школе;
— практические занятия, рабочие тетради, тренажеры, обучение грамоте, сборники диктантов и дидактических материалов , контрольные и презентации.
Потратив хотя бы немного времени на ежедневную работу с каждым из выбранных руководств, семиклассники выработают «базовые», достаточные знания по предмету, которые позволят им успешно написать текущие проверочные работы, VLR и диагностические. Эти же знания позволят быстро, последовательно и эффективно подготовиться к написанию итогового эссе, обязательных итоговых тестов (ОГЭ и ЕГЭ) по русскому языку, которые пройдут все студенты без исключения.

Решатель для 7 класса Макарычева от Путина — это сборник готовых решений и ответов на задачи и примеры из учебника, составленный коллективом авторитетных российских ученых: Ю.Н. Макарычев, Н. Миндюком, К. Нешков, С. Суворов.

ГДЗ по алгебре 7 класс: Макарычев, Миндюк, Нешков, Суворова

В 7 классе ученики начинают углубленное изучение отдельного раздела математики — алгебры. Иногда многие из них начинают испытывать трудности с решением проблем и заполнением примеров. Родители в этой ситуации видят только одно решение — нанять репетитора для ребенка.

Однако проблема решается и без привлечения специалистов извне: достаточно использовать ГДЗ по алгебре для 7 класса Макарычева.В книге есть не только готовые ответы, но и пошаговый алгоритм выполнения домашнего задания. Это позволит учащимся разбираться дома с непонятными примерами в классе, а их родителям контролировать успеваемость своего ребенка.

В целях оптимизации времени и усилий, затрачиваемых на выполнение алгебраических задач и примеров, стоит воспользоваться интерфейсом нашего сайта, который позволяет:

выбрать нужный номер в таблице и перейти к решаемой задаче;
получить доступ к базе ответов с любого электронного устройства;
найти несколько решений для одного и того же примера.

Поскольку база данных сборников Госдумы регулярно обновляется, студенты могут быть уверены в правильности домашнего задания, как с точки зрения правил языка, так и с точки зрения его оформления.

Решатель для алгебры 7 класс Макарычев — учебник 2013-2017 гг.

В настоящее время в большинстве школ России используется учебник 2013 г., составленный группой российских ученых под руководством Ю. Н. Макарычев.

Алгебра Макарычева — это 46 тем, распределенных между 6 большими разделами. Книга знакомит студентов с основными алгебраическими понятиями:

преобразование выражений и решение уравнений с одной переменной;
основных типов функций и построение их в декартовой системе координат;
сокращенные формулы умножения: структура и применение;
математических операций с одночленами и многочленами;
системы линейных уравнений и два метода их решения.

Каждый раздел пособия сопровождается примерами и задачами, как стандартного типа, так и повышенного уровня сложности.

Дистанционное зондирование | Бесплатный полнотекстовый | Оценка влияния реального пространственного разрешения мультиспектральных изображений с БПЛА на мониторинг роста проростков рапса

1. Введение

В настоящее время проблема продовольственной безопасности стала серьезной проблемой для многих стран и регионов в свете меняющихся климатических условий и политической нестабильности , и увеличение потребления ресурсов [1]. Для обеспечения стабильности производства продуктов питания для фермеров важно быстро и точно получать информацию о росте сельскохозяйственных культур на поле и принимать соответствующие эффективные меры [2].Традиционно информация о росте сельскохозяйственных культур, такая как индекс площади листьев (LAI) [3] и биомасса [4], в основном получается с помощью ручных методов разрушающего отбора проб, которые требуют много времени. В настоящее время во многих исследованиях сообщается, что портативные спектрометры GreenSeeker (GS), ASD, анализаторы растительного покрова и другие полевые датчики дистанционного зондирования могут точно определять нормализованный разностный вегетационный индекс (NDVI), LAI и другие биофизические параметры, связанные с ростом сельскохозяйственных культур [5 , 6,7,8]. Однако эти методы по-прежнему требуют ручного управления и трудозатратны для обширных процессов отбора проб.Авиационные и космические технологии дистанционного зондирования применялись для широкого спектра мониторинга роста сельскохозяйственных культур на протяжении десятилетий [9], но разрешение изображения с помощью этой технологии слишком низкое для измерения роста сельскохозяйственных культур в мелких масштабах [10]. В последние годы быстрое развитие технологии дистанционного зондирования беспилотных летательных аппаратов (БПЛА) предоставило эффективный способ точного получения информации о росте сельскохозяйственных культур на уровне участка. Датчики изображения, установленные на БПЛА, в основном включают гиперспектральные, RGB и мультиспектральные датчики.Сообщается, что они отлично подходят для мониторинга роста сельскохозяйственных культур [11,12,13,14,15,16]. По сравнению с двумя предыдущими, мультиспектральные датчики на базе БПЛА могут получать изображения с пространственным разрешением от сантиметрового до дециметрового уровня вблизи земли, достигая лучшего баланса между стоимостью и доступностью [17]. В предыдущих исследованиях было подтверждено, что индексы растительности (VI) красного края (RE) и ближнего инфракрасного диапазона (NIR), извлеченные из мультиспектральных изображений БПЛА, способны точно оценивать параметры, связанные с ростом сельскохозяйственных культур, такие как индекс площади листьев (LAI). пшеница [18] и азотистый статус семян рапса [19].Расстояние наземной выборки (GSD) использовалось для измерения пространственного разрешения изображений. В предыдущих исследованиях влияние GSD на оценку биофизических параметров растений обсуждалось редко. Однако GSD имеет решающее значение для спектроскопической оценки биохимических параметров растений и влияет на эффективность получения изображений с БПЛА [20]. В некоторых исследованиях оценивалась эффективность VI по изображениям с различными GSD для оценки концентрации азота в листьях риса [20] и содержания хлорофилла в листьях сахарной свеклы [21].Однако изображения с разными GSD в этих исследованиях были получены путем повторной выборки изображений с высоким разрешением, поэтому вывод, основанный на передискретизированных изображениях, может не подходить для оценки производительности VI с изображений БПЛА in situ. Кроме того, VI в сочетании с высотой растений (PH) из цифровых моделей поверхности (PH _DSM) также использовались для оценки биомассы сельскохозяйственных культур для достижения более высокой точности [22,23,24]. GSD изображений БПЛА тесно связан с точностью получения PH _DSM, таким образом влияя на оценку роста урожая с помощью VI * PH _DSM (продукт VI и PH _DSM).GSD изображения зависит в основном от поля зрения датчика (FOV) и высоты наблюдательной платформы. Изображения с большими GSD собирались на больших высотах полета, что могло повысить эффективность получения и обработки изображений с БПЛА на месте. Однако большие размеры GSD могут привести к нестабильности спектроскопической оценки биохимических переменных [25] и оценки PH [26]. Следовательно, очень важно определить оптимальное пространственное разрешение с помощью анализа чувствительности и достичь баланса между точностью измерения и эффективностью измерения изображений с БПЛА на месте [27].Необходимо использовать полевые данные в качестве эталона, чтобы оценить эффективность изображений с БПЛА на месте для оценки параметров, связанных с ростом сельскохозяйственных культур [28]. Наземные датчики, такие как GreenSeeker и анализаторы листовой поверхности, часто используются для получения NDVI (GS-NDVI) и LAI растительного покрова. GS-NDVI измеряется с помощью активного дистанционного зондирования и не зависит от теней и изменений в условиях освещения [29]. Следовательно, GS-NDVI надежен при инверсии параметров роста сельскохозяйственных культур, таких как урожай кукурузы [30] и содержание азота в рисе [31].LAI — важный индикатор для описания биофизических процессов растительности, таких как фотосинтез [32].
На основании вышеизложенных знаний, отдельные VI и VI * PH _DSM, полученные из изображений БПЛА in situ с разными GSD, были использованы для оценки GS-NDVI и LAI проростков рапса в нашем исследовании. На этой основе обсуждалась разница между ВП из изображений БПЛА in situ и из изображений с передискретизацией и анализировалось влияние пространственного разрешения на точность извлечения PH и генерацию ВИ в соответствии с вариограммой.Наконец, было определено оптимальное пространственное разрешение для достижения баланса между точностью измерения и эффективностью измерения изображений БПЛА на месте.
2. Материалы и методы
2.1. Зона исследования
Зона исследования (рис. 1) расположена на экспериментальной станции Хуачжунского сельскохозяйственного университета, город Ухань, провинция Хубэй (30 ° 28′8 ″ с.ш., 114 ° 21′18 ″ в.д.). Было проведено три эксперимента на 180 площадках над исследуемой территорией, каждый из которых занимал площадь 10 м ² (5.0 × 2,0 м). Каждую обработку из трех экспериментов проводили в трех повторностях.
Первым был эксперимент по инкорпорации соломы на сорте рапса «Huayouza No. 62». В этом эксперименте были установлены четыре обработки: внесение соломы и удобрение (A1), включение соломы и отказ от удобрения (A2), отказ от соломы и удобрение (A3) и отказ от соломы и внесение удобрений (A4). Плотность посадки 50 000 растений / га, количество соломы 800 кг / га. Восемь N удобрений были установлены для стадии полного роста.Нормы основных удобрений: удобрение для культиватора: удобрение на зиму: удобрение для цветков составляли 100%: 0: 0: 0 (B1), 60%: 40%: 0: 0 (B2), 60%: 0: 40%: 0 ( B3), 60%: 0: 0: 40% (B4), 60%: 20%: 20%: 0 (B5), 60%: 20%: 0: 20% (B6), 60%: 0: 20 %: 20% (B7), 60%: 40%: 0: 0 (B8). В первых семи обработках количество азотных удобрений (мочевина) составляло 16 кг / га. При восьмой обработке количество внесенных азотных удобрений составило 20 кг / га. Однако до сбора данных с БПЛА применялись только основные удобрения и удобрения для культиватора.
Во втором эксперименте сорта рапса «Huayouza No. 62 (H)» и «Juayouza No. 158 (J)» были посеяны в три разные даты (20 сентября (S1), 1 октября (S2), 10 Октябрь 2018 г. (S3)) при густоте посадки 30 000 растений / га. В третьем эксперименте те же два сорта рапса были посеяны 28 сентября 2018 года с тремя разными плотностями (30 000 растений / га (D1), 40 000 растений / га (D2) и 50 000 растений / га (D3)). Во втором и третьем опыте применяли только базальное удобрение и удобрение для культиватора.В качестве основного удобрения использовалось комплексное удобрение в количестве 50 кг / га. Удобрение для тилла представляло собой азотное удобрение (мочевину) в количестве 10 кг / га.
Для мозаики и исправления изображений семь наземных контрольных точек (GCP) были равномерно распределены в исследуемой области (рис. 1). Информация о местоположении опорных точек была собрана с помощью инструмента кинематики в реальном времени (GNSS RTK) глобальной навигационной спутниковой системы (UniStrong Science and Technology Co., Ltd, Пекин, Китай). Этот инструмент имел горизонтальную точность 1.0 см и точность по вертикали 2,0 см.
2.2. Получение изображений с БПЛА
Камера MicaSense RedEdge 3 (MR) (MicaSense, Inc., Сиэтл, Вашингтон, США) была установлена на гексакоптер БПЛА Matrice 600 (DJI, Шэньчжэнь, Китай) для захвата мультиспектральных изображений. МР-камера представляла собой 12-битный мультиспектральный формирователь изображения с пятью каналами (т.е. синий (475 ± 20 нм), зеленый (560 ± 20 нм), красный (668 ± 10 нм), NIR (840 ± 40 нм) и RE ( 717 ± 10 нм)) при разрешении 1,2 мегапикселя (1280 × 960 пикселей). Кривые спектрального отклика пяти каналов показаны на рисунке 2, который был измерен со ссылкой на предыдущее исследование [33].Кампания с использованием БПЛА проводилась 13 декабря 2018 года при ясных и спокойных погодных условиях. Из-за различных экспериментальных обработок стадия роста проростков рапса на исследуемой территории немного отличалась, в основном, от 8 до 10 листьев. Было зафиксировано пять полетов с 10:00 до 14:00 по местному времени. Для получения мультиспектральных изображений использовался автоматический режим, рекомендованный MicaSense для нормальной экспозиции. Изображения были получены каждые 1 с с перекрытием вперед 85,0% и 70.Боковое перекрытие 0%. Высота, время сбора данных, время обработки изображения и GSD изображения для каждого полета приведены в таблице 1. Наконец, полученные изображения были сохранены в 16-битном формате tiff. Время обработки изображений включало только время, когда изображения автоматически обрабатывались в программном обеспечении PIE-UAV (Beijing Piesat Information Technology Co., Ltd., Пекин, Китай).
2.3. Сбор полевых данных
Измерение наземных проб проводилось в тот же день, что и полеты БПЛА (рис. 3). Показания GS-NDVI были измерены портативным датчиком урожая GreenSeeker® (Trimble Navigation Limited, Саннивейл, Калифорния, США) между 8:30 и 10:00 часами. Этот прибор работал в режиме активного дистанционного зондирования с красным диапазоном длин волн 660 ± 25 нм и диапазоном длин волн БИК 780 ± 25 нм. LAI и полевые данные гиперспектрального отражения были получены между 10:00 и 14:00 часами. Показания LAI были измерены анализатором растительного покрова AccuPAR LP-80 (Decagon Devices, Inc., Пуллман, Вашингтон, США). Зонд прибора включал 80 независимых датчиков, расположенных на расстоянии 1 см друг от друга, для измерения интенсивности фотосинтетически активного излучения в спектральном диапазоне 400–700 нм.Полевое гиперспектральное отражение измеряли портативным спектрорадиометром FieldSpec HandHeld 2 (ASD Inc., Боулдер, Колорадо, США). Спектрометр ASD был помещен над навесом для сбора спектральных данных в диапазоне от 325 до 1075 нм со спектральным разрешением, указанным в таблице 2.
2.4. Предварительная обработка данных
Мультиспектральные изображения с БПЛА, снятые во время пяти разных полетов, обрабатывались отдельно. Мультиспектральные изображения БПЛА прошли серию предварительной обработки, включая коррекцию виньетирования, коррекцию искажения линз, мозаику изображения, регистрацию полос и радиометрическую калибровку.За исключением радиометрической калибровки, все остальные этапы предварительной обработки были выполнены с использованием программного обеспечения PIE-UAV (Beijing Piesat Information Technology Co., Ltd., Пекин, Китай). Относительные различия между начальными и оптимизированными параметрами внутренней камеры для полетов с 1 по 5 (таблица 1) были небольшими (0,49%, 0,50%, 0,60%, 0,61%, 0,94% соответственно), что указывает на точность исходных параметров для изображения. мозаика. Во время мозаики изображения GPS-информация семи контрольных точек (рис. 1), измеренная GNSS RTK, была импортирована в PIE-UAV для повышения пространственной точности созданных ортофотопланов и облаков точек.GSD пяти ортофотопланов были 1,35, 1,69, 2,61, 5,73 и 11,61 см соответственно. На основе облаков точек с географической привязкой были созданы и экспортированы цифровые модели поверхности (DSM) в формате TIF с теми же GSD, что и соответствующие ортофотоплан. Три калибровочные мишени с номинальными значениями отражательной способности 11,0%, 31,0% и 51,0% были помещены в исследуемую область, и фотографии этих калибровочных мишеней были захвачены датчиком MR (рис. 1). Фактическая отражательная способность мишеней была измерена с помощью спектрометра ASD, а цифровые числа (DN) соответствующих областей были извлечены из ортофотоплана.Затем DN в ортофотоплане были преобразованы в коэффициент отражения с помощью эмпирического метода линейной коррекции [34]. Поскольку камера MicaSense RedEdge 3 давала отличный линейный отклик [35], уравнения калибровки мультиспектральных изображений MicaSense были линейными.
2,5. Регрессионные модели GS-NDVI и LAI
2.5.1. Оценка GS-NDVI и LAI с помощью UAV-VI
Чтобы оценить влияние различных изображений GSD на оценку LAI и GS-NDVI, некоторые часто используемые VI были рассчитаны по формулам, приведенным в таблице 3.Было подтверждено, что все ВИ являются полезным индикатором роста растительности. Круглый буфер диаметром 50 см был создан для каждого образца, и значения отражательной способности всех пикселей в пределах области были усреднены, чтобы представить значение отражательной способности для образца. Затем были рассчитаны ВП с использованием различных математических комбинаций отражательной способности. На этой основе с помощью MATLAB R2013a (MathWorks, Inc.) были созданы регрессионные модели между каждым из двух измеренных на земле параметров сельскохозяйственных культур (GS-NDVI и LAI) и каждым из UAV-VI.Натик, Массачусетс, США) и коэффициенты детерминации (R ²) были рассчитаны для оценки точности регрессионных моделей.
2.5.2. Оценка GS-NDVI и LAI с помощью ASD-VI
Для того, чтобы оценить влияние типов VI на оценку GS-NDVI и LAI, коэффициент отражения купола, измеренный спектрометром ASD, был использован для моделирования эквивалентной отражательной способности пяти полос с помощью следующую формулу (1) [45]. VI (Таблица 3) были рассчитаны на основе данных ASD (ASD-VI) и коэффициентов детерминации (R ²) между каждым из двух измеренных параметров (GS-NDVI и LAI) и каждым из пяти ASD. -VI также были вычислены.
Ri = ∑λ1λ2Sλ Rλ dλ∑λ1λ2Rλ dλ
(1)
где Ri представляет коэффициент отражения, соответствующий полосе i, а Rλ представляет коэффициент отражения, измеренный спектрорадиометром на длине волны λ. Sλ — спектральный отклик на длине волны λ полосы i. λ1 и λ2 — длина волны нижнего и верхнего пределов соответственно для диапазона i.
2.5.3. Оценка LAI с помощью БПЛА-ВИ * PH
_DSM PH является описателем роста растений. Для получения информации PH цифровые модели поверхности (DSM), сгенерированные из облаков точек в различных GSD, были вычтены с помощью DSM для «голой земли» [22] (рисунок 4).Модель голого грунта была представлена константой, которая представляла собой среднее значение пикселя голой почвы в DSM при GSD 1,35 см. Голая почва была отделена от NIR-изображений на расстоянии 1,35 см GSD с использованием метода Осту [46], который, как сообщается, позволяет эффективно и быстро определять порог и осуществлять сегментацию почвы и проростков рапса [47]. Затем было вычислено среднее значение PH _DSM в каждом кольцевом буфере. На этой основе VI и PH были объединены в форме умножения (VI * PH _DSM) для создания регрессионных моделей LAI, и соответствующий R ² также был рассчитан в MATLAB R2013a.
5. Выводы
В этом исследовании оценивалось влияние БПЛА-ВП и БПЛА-ВИ * PH _DSM на различные GSD на мониторинг роста проростков рапса. Результаты показали, что NDRE имеет лучшую производительность для оценки GS-NDVI и LAI, чем другие VI, и что NDRE * PH _DSM, полученный на основе изображений БПЛА in situ с подходящим пространственным разрешением (1,35–2,61 см), может обеспечить более высокую точность для оценки LAI, чем только NDRE. Более того, пространственное разрешение прямо пропорционально высоте полета БПЛА и влияет на эффективность получения и обработки изображений.Время сбора и обработки изображений на GSD 1,35 см было примерно в три раза больше, чем на 2,61 см. Следовательно, выбор относительно низкого пространственного разрешения, обеспечивающего точность мониторинга, может сократить время и затраты. В этом исследовании было определено, что оптимальное пространственное разрешение для оценки LAI рапса составляет около 2,61 см.
В данном исследовании мультиспектральные изображения с различными GSD были получены путем сбора in situ. Изображения с фактическими GSD сравнивались с изображениями с повторно дискретизированными GSD, чтобы оценить влияние пространственного разрешения на мониторинг роста рапса.Таким образом, наши результаты могут служить точным и практическим ориентиром для мониторинга роста сельскохозяйственных культур с использованием технологии мультиспектрального дистанционного зондирования БПЛА.
Вакцины | Бесплатный полнотекстовый | Взаимодействие иммунного старения и микробиоты в эффективности вакцин
1. Введение
Вакцинация — одна из наиболее эффективных медицинских процедур, оказавшая значительное влияние как на качество жизни, так и на ожидаемую продолжительность жизни людей [1]. Тем не менее, некоторые группы населения подвергаются более высокому риску развития побочных эффектов от введения вакцин или отсутствия реакции.Несмотря на то, что дети обычно рассматриваются как наиболее подверженные риску развития таких побочных эффектов, на самом деле именно пожилые люди и люди с ослабленным иммунитетом находятся в опасности. Пожилое население и люди с подавленным иммунитетом также подвергаются очень высокому риску развития потенциально смертельных инфекций, выздоравливают дольше и часто сталкиваются с долгосрочными последствиями. Для этих групп действительно разработаны особые протоколы вакцинации, и живые вакцины очень подходят используется редко из-за риска развития инфекций после самой вакцинации [2].С другой стороны, эти группы населения также имеют худший и менее эффективный ответ на неживые вакцинации: использование бустеров иммунитета обязательно для получения любого ответа. Подавление иммунитета само по себе определяет измененный ответ на вакцинацию и пожилых людей. люди часто попадают в эту группу, в основном из-за недоедания [3]. Тем не менее, даже у тех пожилых людей, которые не соответствуют требованиям, чтобы их считали иммуносупрессивными, наблюдается измененный иммунный ответ, состояние, известное как иммуносенесценция [4].Иммунное старение включает в себя в основном адаптивную иммунную систему с пониженной способностью реагировать на новые антигены, накоплением Т-клеток памяти и постоянным присутствием слабого воспаления, так называемого воспаления. Более того, врожденный ответ претерпевает некоторые изменения, особенно в плане передачи сигнала, но они не так важны [5]. Несмотря на то, что некоторые из этих изменений можно частично объяснить клеточным старением, до сих пор отсутствует понимание иммунного старения.
В последние годы роль микробиоты кишечника (ГМ) в модулировании иммунитета стала предметом пристального внимания.Таким образом, мы обсудим изменения иммунитета у пожилого населения и согласованные изменения их микробиоты. Кроме того, мы рассмотрим роль микробиоты в усилении реакции на вакцинацию.
3. Врожденный иммунный ответ
Что касается изменений, наблюдаемых во врожденном иммунном ответе, то с возрастом нейтрофилы снижают свою способность мигрировать к участкам инфекции. Это в основном связано с развитием дефектов передачи сигнала. В частности, фундаментальный путь p1 — это путь фосфатидилинозитол-3 киназы (PI3K), который обычно активируется хемокинами через опосредованные рецепторы белка G, присутствующие на мембранах нейтрофилов; это связывание приводит к фосфорилированию фосфатидилинозитол-4,5-бисфосфата.Аберрантная активация этого сигнального каскада может вызвать измененную миграцию нейтрофилов к месту инфекции [10]. Кроме того, активность фагоцитоза, по-видимому, также снижается как из-за сниженной экспрессии рецептора Fcγ CD16 [11,12], так и из-за более низкой производственной способности активных форм кислорода [13]. Также наблюдаются изменения в активности макрофагов: в пожилом возрасте наблюдается снижение способности продуцировать цитокины (в основном IL6 и TNF-альфа), вероятно, из-за измененной экспрессии Toll-подобных рецепторов (TLR) [14]. Механизмы, лежащие в основе этого измененного производства, сложны и не совсем ясны [9]. В то же время с возрастом у макрофагов возникает дефект макроаутофагии [15]. Этот дефект вызывает накопление макрофагов и, как следствие, воспалительных цитокинов, что способствует ранее упомянутому воспалению [9]. Макрофаги снижают способность отвечать на IFN-γ с одновременным снижением фосфорилирования пути STAT-1alfa [16]. Этот путь является фундаментальным для активации макрофагов и для IFN-зависимой продукции супероксид-аниона.Наконец, моноциты и макрофаги, по-видимому, экспрессируют более низкие уровни HLA и MHC класса II с возрастом на их поверхности [17,18]. Связанные с возрастом изменения в клетках Natural Killer (NK) состоят в прогрессирующем снижении экспрессии CD56 ^{ярких Рецептор}, который выполняет в основном иммунорегуляторную функцию, с одновременным увеличением количества NK-клеток, экспрессирующих рецептор CD56 ^dim, который обеспечивает цитотоксическое действие. Это приводит к снижению реакции на передачу сигналов цитокинов [19].Оставшиеся клетки CD56 ^bright развивают большую способность к ответу на INF-γ, но этот феномен не был замечен для других цитокинов [20,21]. Во время иммуносценции возникает нарушение связи между врожденным и адаптивным иммунными ответами. Плазмацитоидные дендритные клетки и миелоидные дендритные клетки у пожилых людей снижают их способность представлять антиген и стимулировать активацию CD4 ⁺ и CD8 ⁺ Т-клеток [22]. Более того, в фолликулярных дендритных клетках происходит связанное с возрастом снижение экспрессии рецептора Fcγ RII, что вызывает дефект в формировании центров прорастания.Это вызывает общее изменение пролиферации В-клеток и продукции антител [23].
4. Адаптивный иммунный ответ
Что касается системы адаптивного иммунитета, то наблюдались многие изменения, которые, вероятно, являются центральными в развитии иммунного старения и, возможно, в недостаточном ответе на вакцины у пожилого населения.
В-клетки играют ключевую роль в гуморальном компоненте адаптивной иммунной системы, секретируя антитела, с их активностью антигенпредставляющих и секретирующих цитокинов.С возрастом созревание В-клеток в костном мозге нарушается из-за снижения выработки стромальными клетками ИЛ-7, который является важным фактором роста для созревания В-клеток; Предшественники В-клеток также менее чувствительны к ИЛ-7 [24]. Исследования, проведенные на мышах, связывают это нарушение с состоянием хронического воспаления в костном мозге [25]. Однако исследования этого дефекта на людях ограничены. Интересно, что в исследованиях, проведенных на людях, был обнаружен пониженный уровень сывороточного фактора активации B-клеток (BAFF).BAFF — важный фактор, связанный с выживанием В-клеток [26]. Однако общее количество В-клеток остается стабильным с возрастом [27], что свидетельствует о снижении клеточного оборота с одновременным накоплением старых В-клеток, которые проявляют дефекты в нормальных функциях, таких как способность распознавать новые и реагировать на них. антигены. В частности, у старых В-клеток пониженное разнообразие В-клеточных рецепторов (BCR) [28]. Внутренний дефект рекомбинации с переключением классов также способствует снижению чувствительности к новым антигенам.Этот дефект, по-видимому, связан с измененной транскрипцией фактора E47 с последующим нарушением регуляции экспрессии индуцированной активацией цитидиндезаминазы (AID), необходимой для процесса рекомбинации [29]. Кроме того, старые В-клетки демонстрируют пониженную способность дифференцироваться в плазматические клетки и, следовательно, способность продуцировать антитела [30], и в то же время может наблюдаться спонтанное и немотивированное производство TNF-α, которое способствует ранее упомянутому воспалительные [31].Что касается Т-клеток, как и В-клеток, их общее количество не меняется с возрастом [32]. Однако есть внутренние изменения в Т-клетках, которые изменяют клеточный иммунный ответ. Физиологический дефект продукции цитокинов и факторов роста клетками тимуса, вызванный инволюцией тимуса, определяет снижение циркулирующих наивных Т-клеток [33]. Была высказана гипотеза, что хронические инфекционные состояния играют роль в измененном иммунном ответе, опосредованном CD8 + Т-клетками [9]. Предполагалось, что это результаты исследований у пожилых людей с ЦМВ-инфекцией.В частности, было замечено, что хроническая ЦМВ-инфекция вызывает олигоклональную экспансию ЦМВ-специфических CD8 + Т-клеток памяти; это вызывает сокращение репертуара CD8 + Т-клеток на периферии, способных отвечать на другие антигенные стимулы [34]. Кроме того, старые Т-клетки снижают экспрессию костимулирующего регулятора CD28, который является фундаментальным для полной активации Т-клеток [35], с не совсем ясным механизмом; TNF-α, по-видимому, играет роль в этом дефекте, поскольку он способен ингибировать транскрипцию CD28 [36].Кроме того, исследования, проведенные на мышах и людях, показывают измененное производство цитокинов в Т-клетках. Более конкретно, эффекторные клетки памяти имеют пониженную продукцию цитокинов в ответ на антиген [37,38], тогда как окончательно дифференцированные стареющие CD4 + Т-клетки проявляют более высокую секреторную активность, способствующую уже упомянутому воспалению [39]. В заключение, иммунное старение можно определить как результат изменений функции всех ветвей иммунного ответа человека, что вызывает дефект в нормальном гомеостазе иммунной системы, что, вероятно, приводит к высокой восприимчивости к инфекциям и ухудшению ответа. к прививкам (рисунок 1).
5. Иммунное старение и воспаление
Как упоминалось ранее, воспаление относится к высокой самореактивности у пожилых людей, что приводит к типичному хроническому системному воспалению слабой степени, в основном вызванному адаптивным иммунитетом, в частности измененными Т-лимфоцитами, как обсуждается ниже [ 40]. Воспаление тесно связано со старением, поэтому его можно до некоторой степени рассматривать как другую сторону иммуносарения; действительно, эти два процесса тесно связаны [41]. В частности, повышенное количество Т-лимфоцитов памяти и количество В-лимфоцитов, типичное для пожилого возраста, может быть вызвано постоянной хронической антигенной стимуляцией, имитирующей воспаление. Следствием хронической стимуляции является истощение, характеризующееся появлением тормозных рецепторов, таких как PD-1, CTLA-4 и других, которые нарушают функцию иммунной системы [42]. Эти изменения могут вызвать нарушение нормальной иммунной функции, что подвергает пожилых пациентов повышенному риску инфекций, рака и хронических заболеваний [43]. Тимус также играет важную роль в воспалении. Действительно, с возрастом атрофия тимуса снижает его способность устанавливать центральную толерантность, тем самым вызывая увеличение количества циркулирующих самореактивных Т-клеток, тем самым увеличивая общее воспаление.Обычно Treg-клетки подавляют самореактивность, но старые Treg-клетки обычно не могут этого сделать [44]. Действительно, изменение контроля над аутоиммунитетом, которое происходит у пожилых людей, также оказывает негативное влияние на безопасность вакцинации в этой популяции, хотя в настоящее время данные, кажется, предполагают, что это все еще приемлемый риск [45]. В целом, изменение функции адаптивного иммунитета, по-видимому, является основной движущей силой воспаления.
6. Иммунологическое старение в контексте пониженного ответа на вакцины
Множественные явления, наблюдаемые в иммунной системе пожилых людей и описанные выше, могут считаться ответственными за продемонстрированный более слабый иммунологический ответ на вакцинацию у пожилых людей [46,47].Учитывая возросшую тяжесть вирусных и бактериальных инфекций, а также более высокий риск острых и долгосрочных последствий [48], неоптимальный ответ на вакцинацию пожилых людей является новой проблемой общественного здравоохранения, которая привела к осознанию того, что конкретные стратегии для это население необходимо. Сегодня мы способствуем новому импульсу в исследовании возможных способов усиления реакции пожилых людей на вакцины, что уже привело к экспериментированию альтернативных стратегий для решения этой проблемы, например.g., использование новых высоких доз гриппа и адъювированных вакцин в этой популяции [49].
Связь между возрастными изменениями в регуляции иммунного ответа и ответом на вакцину подтверждается несколькими наблюдениями, даже если механистическое объяснение этого явления все еще отсутствует. Большинство клеточных изменений у пожилых людей наблюдались в исследованиях, касающихся реакции на вакцину против гриппа, и обсуждаются ниже.
Прежде всего, хорошо известен более слабый иммунный ответ на вакцину против гриппа у пожилых людей, при этом, по оценкам, доля сероконверсии составляет всего 10–30% по сравнению с 50–75% у более молодых людей [50,51].Более того, даже при достижении сероконверсии у пожилых людей вырабатывается менее разнообразный репертуар антител против вируса [52]. Что касается клеточного иммунитета, исследования на мышах показывают, что у пожилых людей CD8 + Т-клетки демонстрируют ограниченное разнообразие TCR, чем у более молодых людей [53]; кроме того, было отмечено уменьшение количества Th2-клеток, продуцирующих воспалительные цитокины [54]. Наблюдение, полученное на людях, показывает различную картину клональных экспансий в эффекторных Т-клетках после вакцины против гриппа, с большим увеличением CD45RA + CD28-CD8 + Т-клеток у пожилых людей; Некоторые авторы предполагали, что это способствует нарушению продукции цитокинов Th2 / Th3, что приводит к ограничению эффективности ответа антител [55]. Также наблюдались различия в ответе NK-клеток. Исследование показывает, что между пожилыми людьми и молодыми людьми после вакцинации против гриппа наблюдаются различные модификации подтипов NK-клеток: более того, вакцинация пожилых людей значительно снижает долю NK-клеток CD3-CD56 + и CD3-CD56 + CD57 +, но не у более молодых людей. . Напротив, после вакцинации у более молодых субъектов присутствует большее количество клеток CD56 ^bright и меньшее количество клеток CD56 ^dim [56].Другие данные, подтверждающие связь между старением иммунитета у пожилых людей и более слабым ответом на вакцину, доступны в исследованиях, проведенных на мышах и людях, получивших вакцину от пневмококковой инфекции. Действительно, исследования на мышах показывают ухудшение продукции IgA после назальной вакцинации с возрастом [57,58]. У людей антитела пожилых людей снижают опсонизирующую активность против S. pneumoniae по сравнению с более молодыми людьми [59,60].
В заключение, иммунное старение у пожилых людей проявляется также в более слабой реакции на многие из наиболее рекомендуемых вакцин для этой группы населения, что, вероятно, представляет собой биологическую основу этого явления. Понимание механизмов старения иммунной системы является фундаментальным шагом к улучшению здравоохранения пожилых людей и гарантирует более эффективные стратегии снижения рисков, связанных с наиболее распространенными инфекционными заболеваниями.
7. Иммунитет и микробиота
Интересную роль в изменениях иммунной системы пожилого населения можно объяснить изменениями, происходящими в микробиоме кишечника (GM) в этой группе. В последние годы ГМ превратился в важный иммуномодулятор: его состав играет преобладающую роль во многих заболеваниях, от рака до аутоиммунных патологий, и определяет общее состояние здоровья каждого человека.Даже такие болезни, как болезнь Паркинсона и Альцгеймера, подвержены влиянию сигналов, посылаемых микробной популяцией, живущей в нашем кишечнике, до такой степени, что можно говорить об оси кишечник-мозг, интенсивно модулируемой GM. С другой стороны, ГМ также претерпевает огромные изменения после диеты и употребления наркотиков, которые, в свою очередь, сильно зависят от состава ГМ.
Способ, которым ГМ может изменять иммунную систему хозяина и реакцию на вакцинацию, все еще неизвестен и является объектом многих наблюдательных и интервенционных исследований.Даже если обсуждаемое взаимодействие с участием многих классов молекул и клеточных взаимодействий является, по крайней мере частично, ответственным за это, растущее внимание к классу молекул короткоцепочечных жирных кислот (SCFAs), продуцируемых несколькими видами в GM, примечательно [10 ]. В целом, хотя механизмы точно не известны, роль микробиоты кишечника в ответе на вакцинацию признана в медицинской литературе [61]. Согласно нескольким исследованиям, проведенным в последние годы [62, 63, 64, 65], существует корреляция между составом микробиоты и индивидуальной реакцией на пероральные и парентеральные вакцины.Согласно недавнему обзору [66], оказывается, что дети с обилием филума актинобактерий в их ГМ имеют более высокий гуморальный и клеточный ответ на некоторые пероральные и парентеральные вакцины [62,65]. Точно так же более высокая экспрессия Proteobacteria связана с более низким клеточным и гуморальным ответом [62]. И у детей, и у взрослых высокая распространенность филума Firmicutes связана с высокой клеточной и гуморальной реакцией на пероральные вакцины [63]; более высокая распространенность филума Bacteroidetes у детей связана с более низким гуморальным ответом на пероральные вакцины [64].Другими наблюдаемыми молекулами, играющими роль в этом взаимодействии, являются мурамилдипептидный компонент пептидогликана (MDP) и нуклеотид-связывающие агонисты олигомеризации, содержащие домен 2 (NOD2), которые также наблюдались как имеющие адъювантный эффект для вакцины против холеры, вводимой через носовую полость в исследование, проведенное на мышах [61,67]. Лечение антибиотиками у этих мышей определило подавление гуморального ответа на вакцину и последующую иммунизацию слизистой оболочки; напротив, реконструкция кишечной микробиоты с помощью агониста NOD2 определяла хороший ответ на вакцинацию [67]. Это подтверждает, что ГМ влияет на активность адъюванта слизистой оболочки [61]. Производство эндотоксина ЛПС несколькими бактериями, присутствующими в микробиоте, может влиять на реакцию антител на вакцину [68], хотя пока неизвестно, каким образом. LPS действительно обладает иммуномодулирующей активностью, которая может иметь важное значение, особенно когда вакцина вводится после антибиотикотерапии, которая обычно вызывает чрезмерный рост бактерий, включая Enterobacteriaceae, которые продуцируют высокие уровни LPS [69]. Кроме того, пробиотики, живые микроорганизмы, с Потенциально полезный эффект для хозяина при пероральном введении был проанализирован в ответ на вакцины [70].Недавний обзор [71] 26 исследований, проведенных на 17 различных типах как пероральных, так и парентеральных вакцин, документально подтвердил положительный эффект пробиотиков на реакцию на вакцинацию примерно в половине проанализированных исследований. Этот эффект проявляется сильнее при оральной вакцинации и парентеральной вакцинации против гриппа. Последующий обзор четырех исследований оральных вакцин [72] не подтвердил положительный эффект пробиотиков. Cho et al. провели исследование с использованием модели мышей среднего возраста, чтобы продемонстрировать тесную связь между иммуносенесценцией и нарушением микробиоты кишечника, которое происходит в пожилом возрасте.Лечение высокими дозами сирингарезинола (SYR), полифенольного химического вещества, выделенного из мякоти ягод женьшеня Panax, замедляло возрастные изменения в наивных Т-лимфоцитах и популяциях Treg-клеток и уменьшало воспаление на моделях мышей. Лечение также значительно улучшило состав микробиоты, особенно благоприятствуя популяциям бактерий Lactobacillus и Bifidobacterium, уменьшая количество условно-патогенных микроорганизмов. Лечение также улучшило гуморальный ответ на вакцинацию против гриппа на уровне здоровых молодых людей из контрольной группы [73].Эту сложную сеть взаимодействий между ГМ и иммунным ответом хозяина следует рассматривать в более широком контексте нарушения иммунного ответа у пожилых людей. Количество клеточных и молекулярных изменений, ранее упомянутых и синтезированных концепцией иммуно-старения, действительно могло быть следствием или даже причинным фактором для изменений нормального равновесия и состава ГМ с возрастом. Фактически, хорошо известно, что ГМ подвержен изменениям из-за многих приобретенных факторов, наиболее важными из которых являются диета, состояние здоровья, прием лекарств и образ жизни [61,62].Эти изменения в основном возникают у пожилых людей по вполне понятным причинам, таким как соблюдение очень плохой диеты, высокое потребление наркотиков и количество сопутствующих заболеваний. Таким образом, было замечено, что микробиом кишечника сильно различается у пожилых и молодых людей [63]. Ответ на вакцинацию чрезвычайно разнообразен: возраст, состояние здоровья, генетика хозяина, статус питания и состав вакцины — все это факторы, которые необходимо учитывать. рассмотрение. Иммунологический импринтинг в результате предыдущего контакта с патогеном и распространенности хронических инфекций, таких как туберкулез, ВИЧ или паразиты, также может иметь влияние [74]. Кроме того, у пожилых пациентов частота ответа значительно ниже. Однако введение нескольких иммуногенных вакцин помогло повысить частоту ответа и улучшить общую эффективность вакцинации [44]. Появляется новая глава, касающаяся роли ГМ в модулировании иммунного ответа в целом и в отношении вакцинации в частности. ГМ модулирует иммунитет разными способами, и не только на местном уровне. Некоторые бактерии являются хорошо известными промоторами воспаления (например, E. faecalis, C. septicum), тогда как другие бактерии обладают противовоспалительным действием, особенно продуценты SCFAs.ГМ, по-видимому, участвует в сложной перекрестной связи с различными компонентами иммунной системы, как в ее врожденных, так и в адаптивных компонентах. Например, дифференциация Т-лимфоцитов зависит от различных популяций микробов, обитающих в кишечнике: B. fragilis способен влиять на развитие T-regs с общим противовоспалительным действием, а его энтеротоксигенный вариант способствует развитию дифференцировка Th27 лимфоцитов, которые, по-видимому, способствуют онкогенезу у мышей [75]. Кроме того, ГМ может оказывать прямое барьерное действие на кишечник: присутствие определенных бактерий предотвращает рост других видов и может препятствовать абсорбции определенных питательных веществ. Вакцины, вводимые перорально, были изучены в отношении состава микробиоты, и результаты показали, что различный состав ГМ действительно влияет на реакцию на вакцинацию. Например, более низкий социально-экономический статус и плохое питание были связаны с плохой реакцией на вакцинацию. Это произошло как при вакцинации против полиомиелита, так и при оральной вакцинации против ротавируса [76,77,78].Важно отметить, что измененная реакция этой популяции на оральные вакцинации особенно прискорбна, поскольку именно эти группы населения наиболее выиграют от оральной вакцинации, однако неудивительно, что плохой пищевой статус имеет отрицательные последствия. влияние на реакцию на вакцину. Как показано Arrietta et al. [79], раннее воздействие фекальных бактерий имеет тяжелые последствия для развития детей, приводя к развитию энтерита, который, в свою очередь, определяет статус хронического недоедания, одну из причин иммунодефицита. Дети, живущие в бедных районах, гораздо больше подвержены риску подобного воздействия, также учитывая плохие гигиенические условия, и, таким образом, у них гораздо больше шансов развить пищевой иммунный дефицит. Кроме того, статус питания матери играет важную роль в определении состава ГМ у детей, и это еще больше увеличивает риск развития тяжелого дисбактериоза в этой группе и всех связанных с ним последствий [80]. Еще один аспект, который необходимо учитывать, — это тот факт, что, основываясь исключительно на географии, GM довольно сильно различается.Поскольку большинство вакцин разработано на основе европейского и североамериканского населения, это может повлиять на скорость ответа на вакцинацию в других популяциях. Влияние ГМ на реакцию на вакцину в первую очередь изучалось на мышах. Без зародышей не развился специфический иммунный ответ через дифференцировку B-лимфоцитов, но как только GM был восстановлен, ответ TRL-5 активировался и, таким образом, дифференцировка B-лимфоцитов [81].
8. Микробиота пожилых людей
Все вышеупомянутые исследования показывают важность раннего состава ГМ, но недавние исследования были сосредоточены на важности состава ГМ у пожилых людей, в том числе с точки зрения реакции на вакцинацию.
Микробиота пожилых людей имеет тенденцию к изменению по сравнению с более молодым населением, с увеличением присутствия потенциально опасных бактерий, таких как Clostridia и Enterobacteria [82]. Тем не менее, до сих пор не ясно, изменяется ли GM с возрастом или это фактор старения. Ясно то, что на здоровое старение влияет состав ГМ: метаболические, неврологические и сердечно-сосудистые заболевания связаны с изменениями в составе ГМ [83,84,85]. В некоторых случаях, однако, изменяется не столько состав ГМ, сколько его способность преодолевать кишечный барьер и попадать в кровоток, что является ключевым этапом в процессе воспаления.Такое явление известно как «дырявый кишечник», состояние, связанное со многими заболеваниями и часто встречающееся у пожилых людей [86,87] (рис. 2). Повышенная проницаемость кишечника, по-видимому, связана как с немодифицируемыми изменениями (например, изменения гладких кишечных мышц, изменения кишечной нервной системы), так и с изменениями, связанными с образом жизни (например, употреблением наркотиков, изменениями в диете) [88]. люди часто придерживаются очень плохой диеты, учитывая изменения в центрах контроля голода в мозгу и высокое потребление наркотиков, и, таким образом, состав их ГМ сильно отличается от такового у населения в целом [89].Диета, богатая жирами, такая как диета западного мира, может способствовать «воспалительной» флоре, которая способствует внекишечным расстройствам и заболеваниям. Вместо этого диета с высоким содержанием клетчатки способствует «противовоспалительной» флоре: как будет обсуждаться далее, ГМ имеет не только местные эффекты, но и системные. В целом, похоже, что у людей в возрасте 55 лет и старше с течением времени наблюдается тенденция к ухудшению режима питания [90]. Потребление ингибиторов протонной помпы (ИПП) особенно опасно для этой группы населения: из-за снижения выработки хлоридов в желудке, он способствует избыточному бактериальному росту и действительно известен как фактор риска развития C. difficile у госпитализированных пациентов [91]. Лекарства в целом влияют на состав микробиоты: антибиотики являются наиболее очевидными виновниками, и даже короткие курсы антибиотикотерапии могут значительно изменить ГМ, способствуя развитию и усугубляя заболевание [92,93]. Нестероидные противовоспалительные препараты (НПВП) и стероиды также могут изменять состав ГМ, отчасти потому, что их часто назначают вместе с ИПП. Лекарства в целом взаимодействуют с ГМ двунаправленным образом: с одной стороны, на их метаболизм влияет состав ГМ, а с другой стороны, они выбирают ГМ.
В целом, некоторые изменения микробиоты пожилых людей настолько обычны, что их можно считать стандартной чертой старшего GM.
В частности, наиболее частым различием является соотношение между различными генами, составляющими микробиоту человека: у взрослых преобладают Firmicutes, в то время как у пожилых Bacteroides доминируют, Bifidobacteria и Akkermansia muciniphila, разлагающие муцин, также чаще встречаются у пожилых людей, чем в молодости. Тем не менее, таких изменений нет у тех, кто доживает до ста лет, что позволяет предположить, что состав ГМ действительно влияет на продолжительность жизни.В частности, Firmicutes у очень пожилых людей в основном представлены бациллами, при этом Clostridium IV встречается гораздо реже [94]. В целом, наиболее часто встречающиеся бактериальные популяции пожилых людей, по-видимому, производят меньше короткоцепочечных жирных кислот (SCFA), которые играют важную роль в уменьшении воспаления как через прямые механизмы (например, ингибирование продукции медиаторов воспаления, таких как TNF-α, IL-6 и NO, так и за счет стимулирования IL-10), так и косвенные механизмы (например, модуляция инсулинового ответа, тесно связанные метаболического синдрома; гормональная модуляция) [95,96,97] Уменьшение такого механизма действительно является одним из предполагаемых механизмов, лежащих в основе процесса воспаления.Любопытно, что это верно также и для долгожителей, у которых есть ГМ, обогащенный протеобактериями, которые также состоят из «воспалительной» флоры. Эти результаты предполагают, что воспалительная или невоспалительная роль некоторых бактерий может меняться в зависимости от различных факторов. Эффекты SCFA могут быть даже более поразительными, поскольку оказывается, что они могут даже модулировать пролиферацию раковых клеток при раке толстой кишки, влияя на общий рост опухоли и ответ на лекарства [94]. Краткое описание роли различных видов микробов можно найти в таблице 1.
9. Микробиота и вакцинация пожилых людей, отношения между любовью и ненавистью
Иммунное старение считается основной причиной разной степени ответа на вакцинацию между пожилыми и молодыми пациентами, но он не может учитывать другие различия. Аспект, который до сих пор не совсем понятен, заключается в том, почему у некоторых людей наблюдается сильный иммунный ответ на вакцинацию, а у других, которые имеют схожие характеристики с точки зрения возраста и состояния здоровья, нет. Вакцинация против гепатита B — одна из наиболее изученных вакцин с точки зрения эффективности: CDC сообщает, что частота ответа колеблется от 80% до 95%, но существует высокая вариабельность уже у лиц старше 40 лет, что вряд ли можно приписать иммунному старению. один.
Одной из наиболее эффективных вакцин для пожилого населения является вакцина против гриппа, которая, как было доказано, является одной из наиболее эффективных профилактических мер в долгосрочном плане для людей старше 65 лет, а не только для снижения бремени связанных с этим заболеваний. группы, но также улучшают здоровье сердечно-сосудистой системы и сокращают побочные эффекты сердечно-сосудистой системы [98]. Тем не менее, ответ на вакцину против гриппа у пожилых людей может составлять всего 20%, особенно из-за старения иммунитета [99]. Адъювированные вакцины, высокие дозы и рекомбинантные вакцины улучшили скорость ответа, но все еще не оптимально [100,101].На этом рисунке, учитывая его потенциал в производстве «естественных» адъювантов, таких как LPS, GM может оказать серьезное влияние на эту ситуацию. Кроме того, микробиота помогает дифференцировать B-лимфоциты: GM стимулирует передачу сигналов TLR-5 и продукцию IL-1B и IL-6, что приводит к стимуляции B-лимфоцитов [102]. Другой интересный аспект заключается в том, что в оптимальном состоянии GM продуцирует SCFAs, которые, опять же, играют важную роль в стимуляции оптимального метаболизма и роста B-лимфоцитов. Интересно, что уровни специфических IgA в крови выше у тех, чьи ГМ продуцируют большое количество SCFA.Более того, микробиота может играть роль естественного адъюванта в ответ на вакцину против гриппа [68,103]. Это то, что явилось результатом исследования, которое показало, что мыши с дефицитом TLR5, молекула, обычно продуцируемая GM, проявляют измененный ответ на вакцину из-за измененного опосредованного обнаружения флагеллина [104]. Нормальный ответ антител был восстановлен пероральной реконструкцией микробиоты с помощью флагеллированного штамма Escherichia coli у мышей, ранее получавших антибиотики, или мышей, свободных от микробов [104].Еще один интересный взгляд на взаимодействие между вакцинацией против гриппа и микробиотой был представлен Bartley et al. [105]. Это общепризнанная правда, что ограничение калорийности полезно для замедления процесса старения: Бартли и ее коллеги предполагают, что это может происходить через модуляцию GM. Еще одним интересным аспектом, выявленным в ходе исследования, является тот факт, что вакцинация против гриппа сама по себе является модулятором ГМ, хотя и не особенно сильным. Хотя B-лимфоциты являются основным фактором, определяющим реакцию на вакцины, необходимо идеальное равновесие между все части иммунной системы для оптимального ответа на вакцину.GM помогает поддерживать здоровье Т-лимфоцитов, стимулируя специфическую дифференцировку CD8 + на поверхности кишечника, что, как было показано, улучшает реакцию на инфекции [106]. К сожалению, до сих пор исследования включали только небольшие образцы, и результаты все еще нуждаются в дальнейшей проверке. но предварительные результаты показывают, что может быть место вакцинации на основе микробиоты. В частности, использование пробиотиков может изменить ГМ таким образом, чтобы он мог работать как естественный адъювант [107,108].Также было проанализировано использование пребиотиков, хотя оно не принесло значительных преимуществ тем, кто их принимал, по сравнению с теми, кто их не принимал. Тем не менее, объяснение может заключаться в том, что иммунное старение не может быть полностью обращено вспять, поэтому те, кто получит больше пользы от этого вида лечения, вероятно, будут теми, чей ответ более слабый [109].
10. Выводы
Хотя данные о взаимодействиях между микробиотой и вакцинацией все еще являются предварительными, имеющаяся справочная информация убедительно свидетельствует о том, что иммуномодуляция, осуществляемая микробиотой, сильно влияет на реакцию на вакцинацию.
Взаимодействие между ответом на вакцинацию и микробиотой явно двунаправлено. Как обсуждалось выше, вакцинация действует как слабые иммуномодуляторы ГМ, слегка увеличивая воспаление. С другой стороны, ГМ является сильным модулятором воспаления: роль, которую он играет в индукции или уменьшении воспаления, вероятно, будет иметь серьезное влияние на вакцинацию пожилых людей. Наличие хронического воспаления слабой степени является ключевым компонентом иммунного старения и вызывает измененную и не столь эффективную реакцию на вакцинацию.В целом, вероятно, что ГМ — самый сильный агент во взаимодействии с вакцинацией.
Более того, пожилое население — это одно из тех, кто больше всего получает пользу от вакцинации, но в то же время хуже реагирует на эту меру [70].
Возможность модуляции иммунного ответа у пожилых людей с помощью манипуляций с микробиотой (включая диетические вмешательства, пробиотики и разумное использование антибиотиков) является многообещающей с точки зрения повышения эффективности протоколов вакцинации пожилых людей.
Мониторинг степени полегания кукурузы с помощью мультиспектрального изображения с беспилотного летательного аппарата
Полегание — один из основных факторов, влияющих на качество и урожайность сельскохозяйственных культур. Своевременное и точное определение степени полегания культур имеет большое значение для количественной и объективной оценки потерь урожая. Целью данного исследования был анализ возможности мониторинга мультиспектрального изображения, полученного с помощью беспилотного летательного аппарата (БПЛА), для определения степени полегания кукурузы.Мультиспектральная камера Parrot Sequoia специально разработана для сельскохозяйственных работ и предоставляет новую информацию, полезную для принятия решений в сельском хозяйстве. Действительно, изображение в ближнем инфракрасном диапазоне, которое невозможно увидеть невооруженным глазом, можно использовать для высокоточной диагностики состояния растительности. Полученные изображения представляют собой высокоэффективный инструмент для анализа здоровья растений. Образцы кукурузы с разной степенью полегания были получены путем визуальной интерпретации, и из обучающих образцов были извлечены спектральная отражательная способность, параметры текстурных признаков и индексы вегетации.Были выполнены различные преобразования признаков, особенности текстуры и индексы растительности были объединены, а изображения различных признаков были классифицированы по классификации максимального правдоподобия (MLC) для извлечения четырех степеней полегания. Точность классификации оценивалась с использованием матрицы неточностей, основанной на проверочных образцах, и были проверены признаки, подходящие для мониторинга степени полегания кукурузы. Результаты показали, что по сравнению с мультиспектральным изображением основные компоненты, особенности текстуры и комбинация свойств текстуры и индексов растительности были улучшены в разной степени. Общая точность сочетания текстурных признаков и индексов растительности составляет 86,61%, а коэффициент Каппа — 0,8327, что выше, чем у других характеристик. Таким образом, результат классификации, основанный на комбинациях признаков мультиспектрального изображения БПЛА, полезен для мониторинга степени полегания кукурузы.
1. Введение
Кукуруза (Zea mays L.) — важная пищевая и кормовая культура, которая в основном распространяется на широтах 30 ° -50 °, а также является самой урожайной культурой в мире.Север, северо-восток и юго-запад горных районов Китая являются основными производителями кукурузы. Кукуруза — теплолюбивая культура, требующая высоких температур в течение всего периода роста. На поздней стадии роста кукурузы сильный ветер и проливные дожди, а также структурные характеристики растений кукурузы, такие как высокие и более слабые стебли, увеличивают вероятность крупномасштабного полегания [1–4]. Полегание препятствует росту кукурузы, что приводит к снижению урожайности и ухудшению качества зерна [4, 5]. Своевременный и точный сбор информации о различных сортах кукурузы поможет департаментам управления сельским хозяйством и страховым компаниям рассчитать площадь и потери урожая, управлять производством после стихийных бедствий и оказать помощь.
Точный сбор информации о полегании кукурузы зависит от традиционных средств, таких как искусственные полевые исследования и замеры образцов, которые отнимают много времени, трудоемки и неэффективны. Быстрое развитие технологий дистанционного зондирования предоставляет новые методы получения информации о полегании сельскохозяйственных культур.Метод, основанный на дистанционном зондировании, имеет преимущества низкой стоимости и высокого удобства и широко используется для извлечения фенотипической информации о сельскохозяйственных культурах [6, 7]. Модель полегания кукурузы, основанная на разнице коэффициента вегетационного индекса (RVI) до и после полегания, может быть построена с использованием мультиспектральных изображений HJ-1B CCD [8]. Гиперспектральное дистанционное зондирование с анализом главных компонентов (PCA) и искусственные нейронные сети могут применяться для различения полегших культур от нормальных культур в региональном и крупном масштабе [9].Благодаря улучшенным возможностям дистанционного зондирования, система БПЛА на сверхнизкой высоте стала центром исследования полегания сельскохозяйственных культур из-за таких преимуществ, как низкая стоимость, высокое разрешение и возможность получения изображений под облаками. Красно-зелено-синие (RGB) изображения были получены с помощью небольшого беспилотного летательного аппарата, оснащенного цифровой камерой для анализа характеристик изображения нелегкой и полегающей кукурузы, и был разработан метод выделения площади полегания кукурузы на основе характеристик цвета и текстуры [10 ]. Лю и др.[11] проанализировали спектральные характеристики и особенности текстуры полегания пшеницы на основе данных БПЛА и применили объектно-ориентированный метод для выделения площади полегания пшеницы. Основываясь на цифровой модели поверхности (DSM) и текстурной информации, полученной из изображения БПЛА, Yang et al. [12] сообщили, что оптимальной моделью была классификация дерева решений в сочетании со значением вероятности одного признака (SFP). Метод был предложен Chu et al. [13] для оценки степени полегания кукурузных полей с помощью цифровых камер БПЛА и информации о высоте растений.Генетические факторы, влияющие на полегание кукурузы и прогнозирование скорости полегания, были количественно определены на основе цифровых и мультиспектральных изображений БПЛА путем анализа номограмм [14]. Wilke et al. [15] количественно оценили частоту и степень полегания на основе модели высоты купола БПЛА в сочетании с методом целевого порога и оценили потенциальное применение изображений БПЛА в количественных исследованиях скорости и степени полегания с использованием структуры из движения (SfM). Для количественной оценки и проверки полегания пшеницы использовалась дифференциальная цифровая модель возвышения беспилотных авиационных систем (БАС). Было обнаружено, что альтернативная визуальная оценка фенотипов высокопродуктивных культур на основе БАС играет важную роль в сложных фенологических характеристиках полегания [16].
На сегодняшний день многие исследования были сосредоточены на извлечении информации о жилье и площади с использованием изображения RGB, но относительно немного исследований дополнительно подразделяли оценки жилья. Изображение RGB содержит только три полосы данных, представляющих интенсивности красной, зеленой и синей длин волн каждого пикселя [17, 18]. Он охватывает меньше информации об урожае и может получать только информацию об изображении наземных объектов.Мультиспектральный формирователь изображения в ближнем инфракрасном диапазоне — важный датчик, широко используемый в сельскохозяйственном дистанционном зондировании от спутниковой платформы до приземной платформы, который может одновременно получать как информацию изображения, так и спектральную информацию наземных объектов. В существующих исследованиях по мониторингу полегания сельскохозяйственных культур с помощью БПЛА исследований по спектральным характеристикам сельскохозяйственных культур немного. Спектральные характеристики, особенно красный край и инфракрасный диапазон, могут отражать состояние роста сельскохозяйственных культур с учетом таких важных аспектов, как физические и химические свойства и структура растительного покрова [19, 20].Существует очевидная физическая значимость мониторинга полегания сельскохозяйственных культур на основе спектральных характеристик. Многочисленные исследования [21–23] показали, что полегающие культуры имеют более сильное отражение от листьев и стеблей в ближнем ИК-диапазоне, что приводит к большому контрасту между полегающими и нелегающими участками. Parrot Sequoia специально разработан для сельского хозяйства и может использоваться в различных сельскохозяйственных целях с шириной и глубиной нанесения. БПЛА с мультиспектральной камерой Sequoia используется для получения изображений сельскохозяйственных угодий и сбора информации в видимом и невидимом свете для измерения здоровья и жизнеспособности сельскохозяйственных культур.На основе мультиспектрального изображения с пространственным разрешением 0,05 м, полученного с помощью БПЛА 10 сентября 2018 г. , на стадии заполнения кукурузы проанализированы спектральные характеристики полога разных классов полегания. Было выполнено преобразование основных компонентов, были извлечены признаки текстуры, построены индексы вегетации, и была использована классификация максимального правдоподобия (MLC) для классификации степени полегания кукурузы. Полученные результаты являются основой для исследования степени полегания сельскохозяйственных культур с помощью изображений высокого разрешения с БПЛА.
2. Материалы и методы
2.1. Обзор зоны исследований
Район исследований расположен в Гаочэн, город Шицзячжуан, провинция Хэбэй, Китай, с географическими координатами 37 ° 51–38 ° 18N, 114 ° 39E-114 ° 59E (рис. 1). Гаочэн расположен на Северо-Китайской равнине и имеет умеренно-теплый полувлажный континентальный муссонный климат, характеризующийся холодной зимой и жарким летом. На территории есть четыре разных сезона со средней годовой температурой 12.5 ° C, среднегодовое количество осадков 494 мм и годовая продолжительность солнечного сияния 2711,4 часа. Площадь обрабатываемых земель Гаочэн составляет около 549,02 км ². Посев культур — это ежегодная система двойного посева. Это район севооборота пшеница-кукуруза. Сорт кукурузы в исследуемой области — Zhengdan 958 , который широко выращивается в районе Хуан-Хуай-Хай. Период роста кукурузы около 96 дней, растение компактное, высота около 246 см, положение колоса около 110 см, устойчиво к болезням, полеганию и засухе.Летний посев кукурузы обычно завершается примерно 20 июня, а уборка урожая — в октябре того же года.

2.2. Сбор данных
5 сентября 2018 г. в Гаочэне дул сильный ветер, и скорость местного ветра достигла 6 баллов, что привело к значительной площади полегания кукурузы в период налива кукурузы. Данные в этом исследовании были получены на участках кукурузы с разной степенью полегания, полученных платформой БПЛА в 14:00 10 сентября 2018 года.
Камера Parrot Sequoia служила мультиспектральным датчиком для получения изображений, установленных на DJI Spreading Wings. S1000.Длина одной руки БПЛА составляет 386 мм, масса нетто БПЛА — около 4 кг, вес носителя — 6 кг, продолжительность съемки — 15-20 мин. Камера Parrot Sequoia состоит из четырех спектральных каналов зеленого, красного, красного краев и ближнего инфракрасного (таблица 1) с глобальной системой позиционирования (GPS) и датчиками освещенности. В день сбора данных погода была ясной и спокойной. Радиометрические калибровочные изображения, полученные с помощью камеры Parrot Sequoia, были получены с использованием калиброванной панели отражательной способности на земле до и после каждого полета.Разрешение изображения составляло пиксели. Высота полета была установлена на уровне 60 м над землей. Переднее и боковое перекрытие 80%. Скорость полета была установлена на 6 м / с. Всего было восемь маршрутов, и в каждой полосе было собрано 271 мультиспектральное изображение.
907 907 907 9037 907 907 907 907 907 6603. Предварительная обработка изображений
Мультиспектральные изображения БПЛА предварительно обрабатываются следующим образом: (1) Скрининг изображений: изображения плохого качества во время взлета и посадки БПЛА удаляются для уменьшения количества изображений и обеспечения качества изображения. (2) Сшивание изображений: 240 групп растрированных изображений были сшиты с использованием сельскохозяйственного мультиспектрального шаблона в программе картографирования Pix4D (версия 4.0, Лозанна, Швейцария) [24, 25]. (3) Обрезка изображения: из-за большой площади полета БПЛА размер области интереса (ROI) был приблизительно (рис. 1) и содержал различные типы жилья.
Камера Sequoia в сочетании с программным обеспечением Pix4D позволяет лучше оценивать собранные данные. Конкретные шаги создания мозаики из мультиспектральных изображений с помощью программного обеспечения Pix4D [26] заключаются в следующем: (1) Создание нового проекта. (2) Импорт всех дискретных изображений (зеленый, красный, красный край и изображения в ближнем инфракрасном диапазоне) из полета. Сюда входят изображения калибровочной мишени. (3) Выбор шаблона сельскохозяйственной мультиспектральной обработки. (4) Начало обработки, включая начальную обработку, облако точек и сетку, DSM (цифровую модель поверхности), ортофотоплан и индекс.(5) Создание ортофотоплана. Шаблон сельскохозяйственной мультиспектральной обработки Pix4D автоматически выполняет радиометрическую калибровку [27, 28], которая заключается в преобразовании цифрового номера (DN) наземного объекта в данные абсолютного отражения.
Географическая система координат мультиспектрального изображения — GCS_WGS_1984, а система координат проекции — UTM_Zone_50N, состоящая из зеленого, красного, красного краев и ближнего инфракрасного диапазона с пространственным разрешением 0,05 м.
2.4. Метод анализа
Спектральная отражательная способность кукурузы с разной степенью полегания различается в четырех диапазонах.Проанализированы спектральные характеристики кукурузы разной полегости и построены вегетационные индексы. Параллельно с этим были выделены основные компоненты мультиспектрального изображения БПЛА и проанализированы особенности текстуры. Извлечены пять признаков; это спектральные характеристики, главный компонент, особенности текстуры, индексы растительности и комбинация индексов растительности и характеристик текстуры. Метод контролируемой классификации MLC [29, 30] использовался для классификации оценок проживания в сочетании с обучающими выборками на основе вышеупомянутых пяти характеристик.Точность классификации оценивалась с использованием матрицы неточностей с проверочными выборками. Предпочтительным является метод извлечения информации о кукурузе с разными степенями полегания на основе мультиспектральных изображений БПЛА. Схема классификации посевных качеств кукурузы представлена на рисунке 2.

2.5. Оценка точности
Оценка точности — важный и важный шаг в процессе классификации [31], который заключается в количественном определении того, насколько эффективно пиксели были сгруппированы в правильные классы объектов в данной области.Чтобы проверить эффективность результатов классификации различных признаков, нам необходимо использовать проверочные образцы, чтобы оценить результаты классификации после реализации контролируемой классификации. Наиболее распространенный метод, используемый для оценки точности классификации изображений дистанционного зондирования, — это создание матрицы неточностей [32] для статистического анализа, которая обеспечивает точность классификации для населения и каждой категории. Кроме того, точность результатов классификации отображается в матрице неточностей, которая является основным, интуитивно понятным и простым методом измерения модели классификации.Результаты классификации оценивались с использованием матрицы неточностей в сочетании с контрольными образцами кукурузы. Для оценки точности классификации использовались шесть показателей (таблица 2): точность производителя, точность пользователя, ошибка комиссии, ошибка упущения, общая точность и коэффициент Каппа.
Название диапазона Центральная длина волны (нм) Ширина полосы (нм)
550 40
Красный край 735 10
Ближний инфракрасный 790 40

Оценочный индекс Формула Описание Ссылки
907 точность 907 истина от производителя совпадает с результатом классификации, вычисляется с использованием столбцов матрицы неточностей. [32–34]
Точность пользователя Любой пиксель, выбранный из результата классификации, и вероятность того, что он согласуется с основной истиной, вычисляются с использованием строк матрица путаницы. [32–34]
Ошибка комиссии Пиксели, которые принадлежат основной истине, но не классифицируются по соответствующим категориям и отображаются в столбцах матрицы неточностей. [31, 34]
Ошибка пропуска Пиксели, которые разделены на одну категорию и фактически принадлежат другой, отображаются в строках матрицы путаницы. [31, 34]
Общая точность Для каждого случайного пикселя вероятность того, что результат классификации согласуется с фактическим типом соответствующей области на земле. [32–34]
Коэффициент Каппа Анализ Каппа — это индикатор для определения совпадения или точности между двумя изображениями. Коэффициент Каппа равен -1-1, но обычно находится в пределах от 0 до 1. Чем ближе к 1, тем выше точность. [32–34]
3. Мониторинг полегчести кукурузы
3.1. Определение классов полегания кукурузы
Поскольку пространственное разрешение мультиспектрального изображения БПЛА в нашем исследовании достигало сантиметров, можно визуально различать кукурузу с разными степенями полегания.Основываясь на предыдущих знаниях и полевых наблюдениях, в районе исследования наблюдались нелегальные и три типа ночлега; Жилье можно разделить на легкую, среднюю и тяжелую степень (рис. 3). Отсутствие посадки указывает на то, что растения кукурузы поддерживают прямое состояние роста; то есть угол наклона (между растением кукурузы и вертикальной линией) кукурузы составляет 0 ° -10 °. Это связано с сильной устойчивостью кукурузы к восстановлению, а кукуруза с небольшим полеганием может быстро восстановиться за короткое время.Легкое полегание указывает на угол наклона 10-30 °; растение искривлено и имеет некоторую способность к самовосстановлению. Умеренное полегание относится к растению с углом наклона 30-60 ° и частично обнаженным стеблем кукурузы. Тяжелое полегание указывает на угол наклона 60 ° -90 °; растение падает так близко к земле, что стебель полностью обнажен, некоторые стебли сломаны, а некоторые нижние листья засохли.

3.2. Образцы для обучения и проверки
Наименьшей единицей изображения дистанционного зондирования является пиксель.Классификация изображений определяется как процесс категоризации всех пикселей изображения или необработанных спутниковых данных для получения заданного набора меток [35]. Классификация с учителем по методу максимального правдоподобия — это метод, при котором аналитик определяет репрезентативные небольшие области, называемые учебными площадками, для каждой категории изображения. Затем программа использует эти обучающие сайты и применяет их ко всему изображению. Выделение областей обучения, представляющих категорию, наиболее эффективно, когда аналитик изображений имеет опыт работы со спектральными свойствами категории [35, 36].
Пространственное разрешение мультиспектрального изображения БПЛА достигает сантиметрового уровня, который составляет 5 см. По изображению можно определить различные типы жилья путем визуальной интерпретации. Визуальная интерпретация относится к процессу извлечения и анализа наземной информации, содержащейся в изображениях дистанционного зондирования, посредством наблюдения человеческого глаза [37, 38]. Его преимущество в том, что он может полностью использовать предшествующие знания, а точность его интерпретации, как правило, высока. Визуальная интерпретация использовалась для случайного выбора участков кукурузы с разными степенями полегания в качестве обучающих и проверочных образцов в ROI на основе предварительных знаний, полевых исследований и спектральной отражательной способности.Поскольку образцы различаются по размеру и основной единицей классификации является пиксель, мы подсчитали количество пикселей обучающих и проверочных образцов в программном обеспечении ENVI 5.3 (таблица 3).
Промежуточный класс Учебный образец Контрольный образец
Незамедлительный 907 907 9037 907 907 907
Умеренное полегание 7461 6448
Суровое полегание 7495 6434
Почва и тень 7487 904 907 907 907 904 907 904 907 .3. Вариация спектрального отражения
Сельскохозяйственная мультиспектральная камера Parrot Sequoia имеет четыре спектральных канала, включая зеленый, красный, красный краевой и ближний инфракрасный. Средние значения и стандартные отклонения отражательной способности кукурузы с разными степенями полегания обучающих выборок были извлечены и рассчитаны (Рисунок 4). Поскольку мультиспектральные изображения были скорректированы радиометрической калибровкой в программном обеспечении Pix4D, были получены фактические данные об отражательной способности поверхностного объекта. Четыре спектральных коэффициента отражения вычисляются как среднее значение всех пикселей обучающих выборок с различными типами размещения; мы извлекли его непосредственно из статистической функции ENVI 5.3 программное обеспечение.

Спектральная отражательная способность одного и того же типа жилья согласуется со спектральной кривой растительности. Спектральный коэффициент отражения с разными степенями полегания постоянно изменялся в четырех диапазонах, которые были ниже в красном и выше в ближнем инфракрасном диапазоне. В разных диапазонах спектральный коэффициент отражения полегания был выше, чем у нелегального, и чем серьезнее полегание, тем выше спектральный коэффициент отражения [39] (рис. 4). Основная причина в том, что полегание изменяет структуру и форму популяции сельскохозяйственных культур и вызывает изменение спектральной отражательной способности растительного покрова.Чем серьезнее полегание, тем больше обнажается стебель, и коэффициент отражения стебля выше, чем у листа [39]. Из-за сильного полегания стебли кукурузы ломались, а нижние листья высыхали; таким образом, коэффициент отражения в ближней инфракрасной области немного ниже, чем у умеренного полегания. После полегания первоначальная структура полога разрушилась, доля стеблей значительно увеличилась, а доля листьев уменьшилась, что привело к увеличению отражательной способности разных степеней полегания [40, 41]. В четырех диапазонах спектральная отражательная способность полегающей кукурузы больше всего варьируется в ближнем инфракрасном диапазоне по сравнению с нелегающей кукурузой [42] (Рисунок 4, Таблица 4).
907 0
Уровень жилья \ название группы Зеленый Красный Красный край Ближний инфракрасный порт
0
Светлое жилье 0,0234 0,0108 0,0660 0,0766
Умеренное проживание 0.0531 0,0255 0,1249 0,1493
Тяжелое полегание 0,1126 0,0794 0,1798 0,0794 0,1798 0,1181
907 907 907 жилье увеличилось на 24,54–32,28%, умеренное — на 47,84–66,03%, тяжелое — на 37,83–205,79%. Это показало, что чем серьезнее полегание, тем выше увеличение спектральной отражательной способности.При том же уровне проживания скорость увеличения в видимом диапазоне была больше, чем в ближнем инфракрасном диапазоне [39] (Рисунок 5).

3.4. Построение индексов растительности
Индекс растительности представляет собой линейную или нелинейную комбинацию двух или более характерных полос, которая отражает относительную численность и активность зеленой растительности. Основная цель установления индексов растительности состоит в том, чтобы эффективно синтезировать соответствующие спектральные сигналы, улучшить информацию о растительности и уменьшить информацию, не связанную с растительностью.Индекс растительности в основном отражает разницу между видимым и ближним инфракрасным диапазоном и почвенным фоном. Каждый вегетационный индекс можно использовать для количественного описания состояния роста растительности в определенных условиях.
Нормализованный дифференциальный вегетационный индекс (NDVI) [43] в настоящее время является наиболее широко используемым индексом. Из-за легкого насыщения красной полосы и игнорирования зеленой полосы Gitelson et al. [44] предложили зеленый нормализованный вегетационный индекс (GNDVI).Исследования показали, что зеленая полоса тесно связана с параметрами растительности [45, 46]. Индекс вегетации с поправкой на почву (SAVI) изменил чувствительность NDVI к почвенному фону и снизил его влияние. Ренормализованный разностный вегетационный индекс (RDVI) обеспечивает преимущества как NDVI, так и разностного вегетационного индекса (DVI), который можно использовать для растительности с различным покрытием. Формулы расчета четырех индексов вегетации представлены в Таблице 5.
907 907 9037 9037 9037 9037 9037 9037 [48]
Индекс вегетации Формула расчета Ссылка
V 43]
GNDVI [44]
SAVI
Примечание: в зоне среднего растительного покрова.
Дисперсия вегетационных индексов для разных степеней полегания показана на Рисунке 6. Тенденция изменения различных вегетационных индексов различна при стрессе полегания. Чем серьезнее жилье, тем меньше NDVI, что согласуется с результатами предыдущих исследований [39]. GNDVI уменьшается с повышением оценок жилья, потому что относительная скорость увеличения спектральной отражательной способности в видимом диапазоне была больше, чем у ближнего инфракрасного диапазона после размещения.По сравнению с нелегальным полеганием, снижение NDVI и GNDVI светового полегания меньше, потому что мы собрали данные БПЛА на 5-й день после полегания, и кукуруза в светлом полегании вернулась к нормальному росту.

SAVI и RDVI снизились в тяжелых полеганиях, которые были ниже, чем у нелегальных, после небольшого увеличения с повышением оценок полегания. Значения SAVI находятся в диапазоне от -1 до 1. Чем ниже покрытие зеленой растительностью, тем ниже значение SAVI [49]. Нелегающие растения кукурузы прямостоячие, а спектры полога в основном относятся к верхним листьям.И листья затеняли друг друга, что влияет на спектры полога. По сравнению с нелегающими растениями, растительный покров легкого и умеренного полегания увеличился, а растительный покров умеренного полегания был выше, чем растительный покров легкого полегания. Следовательно, порядок значений SAVI следующий: умеренное проживание> легкое проживание> нелегкое проживание. При сильном полегании из-за пожелтения и засыхания нижних листьев растений обнажился почвенный фон и уменьшился растительный покров.Растительный покров на сильном полегании ниже, чем на нелегком, поэтому значение SAVI ниже, чем у нелегающей кукурузы.
NDVI снизился с увеличением степени полегания, а RDVI уменьшился после увеличения, что указывает на то, что на RDVI в основном влияет DVI, а DVI чрезвычайно чувствителен к изменениям почвенного фона [50]. Спектральный коэффициент отражения растительности в ближнем инфракрасном диапазоне выше, чем в красном диапазоне. В нелегком, легком и умеренном полегании разница между ближней инфракрасной и красной полосой увеличивается с увеличением оценок полегания.В случае сильного полегания коэффициент отражения в ближнем инфракрасном диапазоне уменьшается из-за влияния почвы, поэтому RDVI уменьшается и меньше, чем у нелегального.
3.5. Основные компоненты и особенности текстуры
PCA может удалять избыточную информацию между полосами, одновременно сжимая многополосную информацию в несколько более эффективных полос [51, 52]. На мультиспектральном изображении четыре полосы; Чтобы избежать избыточности данных, PCA была проведена для получения первых нескольких основных компонентов, которые содержали больше информации.Первые два основных компонента содержат 96,86% информации обо всех полосах и могут быть использованы для извлечения текстурных особенностей в этом исследовании.
Функция текстуры включает в себя извлечение и анализ моделей пространственного распределения градации серого в изображении, что широко используется при классификации изображений и распознавании целей [53–55]. Параметры свойств текстуры извлекаются для получения качественных или количественных описаний текстуры с помощью определенной технологии обработки изображений. Матрица совпадения уровней серого (GLCM) представляет собой всесторонний анализ ее локальных особенностей и расположения на основе пикселей.Haralick et al. [56] извлекали и анализировали особенности текстуры изображения с помощью GLCM и выводили 14 параметров для количественной оценки характеристик текстуры. GLCM отражает характеристики распределения уровня серого и представляет изменения в повторении, чередовании или определенных правилах в пространственном диапазоне, что является статистической характеристикой второго порядка изменения оттенков серого изображения. При извлечении 8 признаков текстуры (Таблица 6) на основе GLCM используются первые два основных компонента. 8 характеристик текстуры: среднее значение, дисперсия, однородность, несходство, контраст, энтропия, второй момент и корреляция.После сравнительного анализа было установлено окно фильтрации, смещение матрицы пространственной корреляции равнялось 1, а качество оттенков серого — 64.
Параметры Формула Ссылки 43
Среднее значение
[57–59]
Дисперсия
Однородность 907 907 907 9037 9037 907 907 9037 Различие 9037
Второй момент
Корреляция
В качестве примера были использованы различные параметры текстурных элементов первого основного компонента. жилье марки (рисунок 7).Поскольку параметры различаются по величине, среднее значение, дисперсия, контраст и энтропия были представлены в виде столбчатой диаграммы, а однородность, несходство, второй момент и корреляция — в виде линейной диаграммы. Было ясно, что различные параметры различаются, когда различаются оценки жилья. Среднее значение, однородность и второй момент уменьшались с увеличением оценок по жилью, в то время как дисперсия, несходство, контраст, энтропия и корреляция увеличивались с увеличением оценок по жилью. Особенности текстуры отражают пространственную изменчивость спектральных изменений в каждой полосе.Особенности текстуры разных полос обычно различны, поэтому особенности текстуры имеют разные способности различать разные степени полегания.

4. Результаты
4.1. Результаты классификации
Основываясь на спектральных характеристиках, особенностях основных компонентов, особенностях текстуры, индексах растительности и комбинации признаков, метод MLC был использован для классификации степеней полегания (рис. 8). На рисунке 8 (а) представлено исходное мультиспектральное изображение БПЛА, которое отображается как комбинация ложных цветов красного, ближнего инфракрасного и зеленого диапазонов.Пространственное разрешение изображения до 0,05 м. Основываясь на предварительных знаниях и агрономическом опыте, на изображении можно четко выделить различные степени полегания, тень от растений кукурузы и почву, обнаженную в результате полегания, а почва и тень были объединены в одну категорию. Было ясно, что площадь полегания кукурузы была больше из-за влияния сильного ветра, а площадь сильного полегания была самой большой, в основном распределяясь в левой половине ROI (Рисунок 8 (а)).Также было ясно, что зона сильного полегания является самой большой, и все зоны расположены в лево-центральной области ROI (Рисунки 8 (b) –8 (f)). Площадь ROI составила около 31718,39 м ²; мы посчитали площадь каждого типа жилья (таблица 7). Результаты немного различались, но показали, что зона сурового проживания была самой большой, а средняя — самой маленькой.

мы извлекаем частичное расширение результатов классификации, которые содержат основную истину с различными типами жилья (рис. 9). Для нелегкости результат текстурных характеристик и комбинации текстурных характеристик и показателей растительности правильный; в других результатах классификации есть феномен ошибки при классификации нелегального положения в легкое полегание.Для легкого полегания все результаты классификации показали, что некоторые пиксели были классифицированы на нелегкие и умеренные. Для умеренного размещения все результаты классификации показали, что некоторые пиксели были классифицированы на нелегальные, легкие и тяжелые. Для суровых условий проживания также существует феномен неправильной классификации. Некоторые пиксели были разделены на светлые, умеренные, тени и почвы.

4.2. Проверка
Классификация степени полегания кукурузы была проверена с использованием матрицы неточностей в сочетании с проверочными образцами.Точность классификации по 6 оценочным показателям для каждой категории показана в таблице 8. С точки зрения точности производителя и пользователя, точность класса тени и почвы была самой высокой, за ней следовало сильное полегание, а легкое полегание было самым низким. Поскольку характеристики изображения тени и почвы далеки от характеристик изображения нормальной кукурузы и кукурузы полегания в ROI, их легко идентифицировать. Из-за сильного полегания большая часть или все стебли кукурузы обнажились в результате падения на землю.Кроме того, отражательная способность листьев и стеблей кукурузы, а также характеристики изображения различаются, что позволяет легко их распознать. С точки зрения ошибки комиссии наиболее серьезными являются легкое и умеренное жилье, что может быть связано с небольшой разницей между легким, умеренным и нелегальным типами жилья. Ошибка пропуска велика в случае светлого жилья, которое делится на другие типы жилья. Это происходит из-за некоторого совпадения характерной информации между разными типами жилья.
Уровень полноты Spectra Главный компонент Особенности текстуры Индексы вегетации
4689.19 5628,52 4228,78 5448,82 4503,47
Light жилье 4498,63 4923,99 4229,87 6728,50 6672,33
Умеренный жилье 2648,37 1849,09 2459,68 2153,50 2888,99
Жилье в тяжелых условиях 12521,23 12341,78 16513,41 9385.36 10780.50
Тень и почва 7360.97 6975.01 4286.65 8002.21 6873.10

98377 9037
307
2 9037 9037 9037
Оценочный индекс Уровень полегания Spectra Главный компонент Индекс вегетации Элемент текстуры 904 907 904 907 Точность производителя Без смещения 78,35 78,11 74,57 88,49 86.40
Легкое жилье 74,12 75,43 77,25 69,07 75,11
Умеренное жилье 80,20 82.92 80.20 82.92 80.20 82.92 86,57 87,50 87,47 88,73 88,56
Тень и почва 98,79 98,88 99.19 93,43 98,27
Точность пользователя Незамедлительный 84,17 85,00 85,87 86,17 907 907 907 907 9037 9037 907 907 907 907 907 907 69,58 80,56 80,96
Умеренное жилье 77,75 79,19 79,12 76,10 77.39
Сложное полегание 86,48 89,29 86,11 84,92 86,99
Тень и почва 98,48
Комиссионная ошибка Незамедлительный 15,83 15,00 14,13 13,83 10,10
Легкое жилье 28.28 28,34 30,42 19,44 19,04
Умеренное размещение 22,25 20,81 20,88 23,90 22,61 22,61 23,90 22,61
15,08 13,01
Тень и почва 1,52 1,26 1,89 1,27 1,48
Неисправность 65 21,89 25,43 11,51 13,60
Легкое размещение 25,88 24,57 22,75 14,36 15,15
Сложное полегание 13,43 12,50 12,53 11,27 11,44
Тень и почва 1 21 1,12 0,81 6,57 1,73
Общая погрешность 83,58 84,54 83,40 85,05 83,40 85,05 907app7 7937 81,31 83,27
Общая точность характеристик спектра, основных компонентных характеристик, индексов растительности, текстурных элементов и комбинации характеристик составила 83.58, 84,54, 83,40, 85,05 и 86,61% соответственно, а коэффициенты Каппа составляли 0,7947, 0,8068, 0,7925, 0,8131 и 0,8327 соответственно. Общая точность характеристик спектра достигла 83,58%, что свидетельствует о том, что визуальная интерпретация надежна для определения различных классов полегания с изображениями с высоким разрешением. Общая точность первых двух основных компонентов примерно на 1% выше, чем у спектрального изображения. PCA фокусируется на различных информационных характеристиках разных категорий жилья в меньшем количестве диапазонов, что позволяет избежать избыточности данных.Индексы растительности были на 0,18% ниже спектральной характеристики, что может быть связано с меньшими показателями растительности, а также с небольшой дифференциацией между различными полегательными сортами кукурузы (особенно между легким и умеренным полеганием). Общая точность текстурных элементов была выше, чем спектральных и основных компонентных характеристик, главным образом потому, что пространственное разрешение изображения БПЛА высокое, а текстурные элементы отражают однородное явление в изображении. Кроме того, можно избежать явлений «один и тот же объект с разными спектрами» и «разные объекты с одинаковыми спектрами» при распознавании спектральных характеристик, и точность классификации улучшится.Общая точность и коэффициент Каппа комбинации функций были самыми высокими, что выше, чем у одиночной функции. Результаты показывают, что метод, основанный на комбинации признаков, может значительно повысить точность классификации полегковых сортов кукурузы на стадии наполнения.
5. Обсуждение
Мониторинг полегания культур должен одновременно определять классы и площадь, чтобы лучше оценить урожай и экономические потери, вызванные стрессом от полегания [60, 61].После полегания структура полога кукурузы сильно изменилась, главным образом в отношении соотношения стебля и листа в поле зрения обнаружения и условий освещения каждой части растения; Таким образом, существует значительная разница в спектральной отражательной способности разных типов помещений. Чем серьезнее напряжение полегания, тем больше обнажается стебель и тем выше спектральная отражательная способность. Нами предложен метод, основанный на мультиспектральном изображении БПЛА, для классификации классов полегания кукурузы на стадии заполнения.
Своевременное получение оценок полегаемых культур и площадей имеет большое значение для оценки потерь урожая. Развитие дистанционного зондирования обеспечивает важный метод мониторинга полегания сельскохозяйственных культур [6, 62]. Однако на спутниковые данные могут влиять облака, время повторного посещения велико, а пространственное разрешение низкое. Существует явление смешанных пикселей, и стоимость данных дистанционного зондирования с высоким пространственным разрешением также высока, что приводит к большой неопределенности при мониторинге полегания сельскохозяйственных культур.В настоящее время основное внимание уделяется исследованиям по мониторингу полегания сельскохозяйственных культур на платформе БПЛА с цифровыми и мультиспектральными камерами. Система визуализации БПЛА является быстрой, неразрушающей, недорогой и не подверженной влиянию атмосферы [10–16, 63]. Данные в настоящем исследовании были получены из мультиспектральных изображений БПЛА, которые содержат четыре полосы: зеленый, красный, красный край и ближний инфракрасный. По сравнению с RGB-изображением [12–15] спектральные характеристики кукурузы в разных полосах можно использовать для качественного различения разных классов полегания.В то же время индексы растительности могут быть построены с использованием нескольких диапазонов. Индекс вегетации отражает активность и физиологические характеристики зеленой растительности (например, содержание хлорофилла и интенсивность фотосинтеза), которые могут использоваться для количественного объяснения статуса роста сельскохозяйственных культур [64, 65]. Вариативность показателей вегетации различается в зависимости от степени полегания. Текстурные особенности также могут быть извлечены на основе GLCM, который отражает пространственную изменчивость спектральных изменений наземных объектов [66].Различные текстурные параметры кукурузы разной степени полегания различаются. Кроме того, было проведено множество исследований по выявлению полегающих культур и извлечению их участков с помощью БПЛА; однако они только классифицировали посевы на полегание и нелегкость или предсказали вероятность полегания [12, 14, 15]. На самом деле влияние разных степеней полегания на посевы обычно различно. После того, как посевы подвергаются стрессу полегания, фотосинтез в листьях в той или иной степени подавляется, а также изменяются физиологические и биохимические параметры [67–69].Таким образом, сказывается урожайность; легкое полегание приведет к снижению урожайности, а серьезное — к неурожаю; поэтому необходимо более детальное разделение степеней полегания сельскохозяйственных культур.
В данном исследовании метод MLC был использован для классификации полегательных сортов кукурузы на стадии наполнения. Из-за отсутствия данных полевых съемок и высокого пространственного разрешения 0,05 м в сочетании с предшествующими агрономическими знаниями стало возможным визуально различать разные степени полегания.Общая точность мультиспектрального изображения составила 83,58%, а коэффициент Каппа составил 0,7947, что указывает на то, что обучающие образцы для визуальной интерпретации надежны для определения степени полегания кукурузы. Общая точность комбинации признаков текстуры и индексов вегетации была на 3,03% выше, чем у спектрального признака, что указывает на то, что комбинация признаков лучше для классификации степеней полегания.
RGB-изображения долгое время использовались для наблюдения за посевами с целью составления истории полей и анализа повторного разбиения.Камера RGB получает информацию только о красных, зеленых и синих полосах, и все они находятся в видимой полосе. По сравнению с данными RGB, мультиспектральные данные содержат не только видимый, но и ближний инфракрасный диапазон. Когда растительность подвергается стрессу, содержание хлорофилла и содержание воды изменятся, хотя это изменение проявляется синхронно в видимом и ближнем инфракрасном диапазонах, но это изменение более очевидно в ближнем инфракрасном диапазоне [20]. Наши предыдущие исследования [40–42] показали, что полегание сельскохозяйственных культур вызывает разрушение первоначальной структуры полога и нарушает распределение листьев; некоторые или значительное количество листьев прижаты или покрыты.Чем серьезнее степень полегания, тем увеличивается стебле-листовая пологость. Чем выше степень экспонирования ствола навеса, тем выше спектральная отражательная способность, и изменение в ближнем инфракрасном диапазоне более значимо, чем в видимом диапазоне. Таким образом, ближний инфракрасный диапазон предоставляет важную информацию для мониторинга полегания сельскохозяйственных культур.
По поводу высоты полета см. Ссылки [14, 28, 70, 71]. Когда высота полета слишком велика, пространственное разрешение изображения будет низким, и спектральная информация будет потеряна.Когда высота полета слишком мала, а пространственное разрешение высокое, растение кукурузы будет разделено на несколько категорий; в то же время объем данных изображения увеличится, что приведет к избыточности данных. Кроме того, уменьшится и площадь полета. Высокое пространственное разрешение 0,05 м гарантирует наличие всех чистых пикселей, что позволяет избежать помех, вызванных смешанными пикселями, и исключает разложение смешанных пикселей при классификации изображений [72, 73]. На классификацию мультиспектральных изображений сильно влияет пространственное разрешение, тогда как точность не обязательно улучшается увеличением пространственного разрешения [74].Для каждого географического объекта существует оптимальное разрешение, соответствующее его внутренним пространственным и спектральным характеристикам. Поскольку разрешение мультиспектрального изображения БПЛА было высоким, а в качестве базовой единицы классификации использовался пиксель, отражательная способность и характеристики листьев и стеблей кукурузы различались. Таким образом, одна и та же кукуруза неизбежно делится на две или более категорий. Хотя степень обнажения стеблей кукурузы была разной, спектры и другие характеристики разных классов полегания были схожими, что легко может привести к ошибочной классификации.
На посевной площади кукурузы мы провели полевое обследование сортов кукурузы и типов полегания. Выбранные нами участки полета БПЛА включали различные типы полегания, а сорта кукурузы были Zhengdan 958 , что позволяет избежать различий, вызванных сортами кукурузы и дефектом единственного типа полегания на одном участке. Кукуруза обладает высокой способностью к росту и определенной способностью к восстановлению после полегания, которая различается в зависимости от степени полегания [40, 41]. В разное время одного и того же типа полегания в сочетании с самовосстановлением кукурузы структура растительного покрова будет сильно меняться, а также изменится спектральная отражательная способность.Кроме того, механизм восстановления растений после полегания — сложный процесс, на который влияет множество факторов. Метод, предложенный в этой статье, эффективен для классификации типов жилья по данным, собранным в один день, и позволяет избежать влияния отражательной способности одного и того же типа жилья в разные периоды. В следующей работе мы изучим восстановление кукурузы после полегания по данным многолетних рядов. Кроме того, мы добавим данные полевых исследований, всесторонне будем использовать данные дистанционного зондирования из нескольких источников, введем больше функций изображения, объединим различные функции и будем использовать объектно-ориентированный метод и другие методы классификации для повышения точности и определения оптимального метода классификации полегания кукурузы. оценки.Предоставление соответствующим отделам сельскохозяйственного производства и агростраховым компаниям точных данных о потерях, вызванных различными сортами полегания сельскохозяйственных культур, позволит провести разумные восстановительные работы после бедствия и программы урегулирования претензий.
6. Выводы
Во-первых, спектральная отражательная способность кукурузы с разными степенями полегания была извлечена из изображений БПЛА с использованием обучающих выборок, и были проанализированы спектральные характеристики кукурузы с разными степенями полегания.По сравнению с нелегальным режимом, чем серьезнее степень полегания, тем выше спектральная отражательная способность, тем больше увеличение спектральной отражательной способности. Затем были извлечены основные компоненты, преобразованы текстурные особенности на основе GLCM, построены четыре индекса растительности и объединены текстурные признаки и индексы растительности. Классификация полегательных качеств кукурузы по разным признакам проводилась методом MLC. Результаты показали, что зона сильного полегания была самой большой и располагалась в левой половине поля.Наконец, на основе проверочных выборок с разными степенями посадки точность классификации была оценена с использованием матрицы неточностей. Общая точность спектральных характеристик составила 83,58%, а коэффициент Каппа — 0,7947. Общая точность комбинации текстурных особенностей и индексов растительности составила 86,61%, а коэффициент Каппа — 0,8327, и эти значения были на 3,03% и 0,038 выше, чем у характеристик спектра, соответственно. Существует преимущество быстрого и точного определения степени полегания кукурузы на основе комбинации характеристик мультиспектрального изображения с БПЛА высокого разрешения.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.
Вклад авторов
Цянь Сунь и Сяохэ Гу внесли свой вклад в концепцию и дизайн исследования; Цянь Сунь написал первый черновик рукописи; Сяохэ Гу, Линь Сунь и Мэйян Шу написали разделы рукописи; Цянь Сунь, Мэйян Шу, Гуйцзюнь Ян и Лунфэй Чжоу принимали участие в экспериментах, сборе наземных данных и полевых исследованиях.Все авторы внесли свой вклад в доработку рукописи, прочитали и одобрили представленную версию.
Выражение признательности
Эта работа была поддержана Национальным фондом естественных наук Китая (41571323), Пекинским фондом естественных наук (6172011) и специальными фондами для наращивания потенциала технологических инноваций, спонсируемыми Пекинской академией сельскохозяйственных и лесных наук ( KJCX20170705).
Границы | Выявление сорняков на основе гиперспектральных изображений и машинного обучения
Введение
Пастбища на основе райграса многолетнего ( Lolium perenne ) и белого клевера ( Trifolium repens ) являются основным источником кормов для животноводства в Новой Зеландии (McClearn et al., 2020). Сорняки — главное экономическое препятствие. Только в первичном секторе выращивание сорняков обходится фермерам в 50 миллионов новозеландских долларов в виде фактических затрат на химические гербициды и рабочую силу (Bourdôt et al., 2007). Технологии, которые снижают эти затраты и помогают свести к минимуму использование синтетических гербицидов, повысят ценность производства кормов (Bacco et al., 2018).
В последнее время такие технологии, как системы гиперспектральной визуализации (HSI), открывают возможности для быстрой классификации видов растений как в лаборатории, так и в полевых условиях (Griffel et al., 2018; Лю и Чжан, 2018; Сюй и др., 2018; Ferreira et al., 2019). Преимущество HSI — это обеспечение комбинированной спектроскопии и взаимосвязей между различными химическими компонентами и спектров поглощения (Curran, 1989; Ebbers et al., 2002). Принцип спектроскопии HSI основан на молекулярных колебаниях в ИК-области (Youngentob et al., 2012). Следовательно, поглощение на определенных длинах волн, которые могут быть связаны с конкретными химическими полосами, можно использовать для классификации различных материалов и определения качества (Vaiphasa et al., 2007; Schwanninger et al., 2011).
Было предпринято множество попыток использовать визуализацию в видимом свете или красно-зелено-синий (RGB) для идентификации сорняков (Ahmad et al., 2018; Raja et al., 2020). Однако форма, цвет и размер являются ограничивающими ограничениями для визуализации RGB для идентификации видов со схожим фенотипом (Wang et al., 2019). HSI может преодолеть эти ограничения, одновременно собирая спектральную и пространственную информацию. Доказано, что он широко используется для распознавания материалов и оценки качества, в том числе в мясной науке (Al-Sarayreh et al., 2018; Reis et al., 2018), лесное хозяйство (Te et al., 2019) и картографирование земного покрова (Jiang et al., 2017; Xu et al., 2018). Shorten et al. (2019) показали потенциал HSI для измерения нескольких компонентов качества кормов. Другие исследования (Ahmad et al., 2019; Farooq et al., 2019b) указывают на многообещающие возможности для идентификации растений на основе химических сигнатур различных видов.
Сообщалось о многочисленных аналитических методах классификации данных HSI (Lunga et al., 2014; Li et al., 2017; Audebert et al., 2019). Среди этих методов — машина опорных векторов (SVM; Yu et al., 2012; Peng et al., 2015) и частичный дискриминантный анализ методом наименьших квадратов (PLS-DA; Yang et al., 2015; Carreiro Soares et al., 2016; Walter et al., 2019) считаются наиболее надежными методами. Это особенно верно, когда доступны ограниченные данные по обучению (Melgani and Bruzzone, 2004; Chevallier et al., 2006).
Машинное обучение широко используется для классификации изображений (Chen et al., 2014). Преимущество методов многослойных персептронов (MLP) заключается в обработке большого количества обучающих данных (Golhani et al., 2018; Taneja, 2020). Эти методы могут автоматически изучать особенности, давая при этом результаты по процессу классификации HSI, сопоставимые с другими методами (Sutskever and Hinton, 2008).
Как правило, исходное изображение HSI содержит цель (например, сорняки), а также фон и другие компоненты, которые могут повлиять на точность маркировки целевых видов.Чтобы удалить фон и получить область интереса (ROI), требуется стратегия сегментации (Ren and Malik, 2003). Одно- или многоступенчатые алгоритмы пороговой обработки обычно используются для получения ROI и извлечения среднего спектра выборки (Sharma and Bhavya, 2020). Построение моделей прогнозирования на основе извлеченных спектров обычно используется для приложений внутри помещений (Mishra et al., 2017; Yuan et al., 2019). Пространственные вариации в спектрах требуют большего внимания при пиксельном прогнозировании и применении на открытом воздухе для достижения высокой точности прогнозирования (Vaughn et al., 2016).
Сегментация изображения — важный шаг в анализе и понимании содержания изображения. Его можно использовать для извлечения широкого спектра функций изображения, включая пространственные особенности, и суперпиксельная (Sp) сегментация является одним из этих методов сегментации (Ren and Malik, 2003). В этом методе пиксели группируются во множество небольших сегментов, придерживающихся границ цели, где каждый сегмент имеет те же спектральные и пространственные характеристики общей цели (Li and Chen, 2015). Он обеспечивает компактную и однородную сегментацию для цели и извлекает пространственные спектры из изображения (Fan et al., 2017).
Таким образом, мы предполагаем, что у каждого вида сорняков есть уникальные спектральные признаки, которые можно обнаружить с помощью HSI и моделирования. Чтобы проверить нашу гипотезу, мы использовали три распространенных сорняка и прокси-вид сорняков в пастбищах райграса Новой Зеландии (NZ). Тремя видами сорняков были однолетний чертополох ( Carduus tenuiflorus Curtis) и однолетняя трава с желтой щетиной [ Setaria pumila (Poir.) Roem. & Schult.] И многолетний гигантский лютик ( Ranunculus acris L.). Чертополох является проблемным сорняком склонных к засухе низкоплодородных пастбищ овец и мясного скота, в то время как желтая щетинистая трава и гигантский лютик являются сорняками высокоплодородных молочных пастбищ (Bourdôt et al., 2003; Lamoureaux, 2014). Четвертый вид, ветряная трава [ Anemanthele lessoniana (Steud.) Veldkamp], является аборигенным видом Новой Зеландии. Он использовался в качестве заменителя чилийской игольчатой травы [ Nassella nessiana (Trin. & Rupr.)], Которую нельзя законно культивировать в Новой Зеландии. В настоящее время эта трава ограничена в своем географическом распространении в Новой Зеландии, но угрожает обширным участкам пастбищ в холмистой местности, подверженных засухе и низкой плодородности (Bourdôt et al., 2010, 2012). Доказанная истинность этой гипотезы позволит в будущем разработать базу данных для спектральных признаков сорняков, которая имеет важное значение для обнаружения сорняков независимо от типа полей, на которых они находятся (т. Е. Независимо от типа видов растений, окружающих сорняки).
Материалы и методы
Подготовка образца сорняков
Для выбора видов сорняков были рассмотрены четыре критерия: покровная трава, широколиственные, многолетние и однолетние сорняки. Отобранные виды сорняков включали три сорняков райграсовых пастбищ [чертополох (TT), желтую щетину (YBG) и лютик (BC)] и один замещающий эндемичный вид [ветряная трава (WG)] (Рисунок 1).Семена сорняков были получены из Центра гермоплазмы Марго Форд (MFGC), Пальмерстон-Норт, Новая Зеландия. 2 октября 2018 г. в кампусе AgResearch Ruakura (Гамильтон, Новая Зеландия) было посажено 30 отдельных семян в горшки (одно растение на горшок) для каждого вида сорняков. Горшки были стандартными пластиковыми горшками 7 см (7 × 7 × 8 см). на столах в теплице под открытым небом с температурой от 18 до 25 градусов и поливом по мере необходимости (2–3 раза в неделю). Использовалась загрязненная стандартная почвенная смесь Daltons (40% волокон коры, 20% C.A.N Fines Сорт A, 20% кокосового волокна classic, 20% пемзы 7 мм плюс удобрения, содержащие известь, пермавет, осмокот, микроплюс (Te, Mg и Fe), гипс, доломит и ExteNd с покрытием). Через 3 недели все растения были перенесены в лабораторию для сканирования HSI.
Рис. 1. Четыре вида сорняков (a) : чертополох (TT), (b) : трава с желтой щетиной (YBG), (c) : лютик (BC) и (d) : ветряная трава (WG).
Гиперспектральная визуализация
Система спектрографа HSI с линейной разверткой (Extended VNIR, Headwall Photonics, Фитчбург, Массачусетс, США) с камерой 320 × 240 пикселей использовалась для сбора данных HSI.Эта система охватывала диапазон спектров 550–1700 нм со спектральным разрешением 5 нм и длинами волн 235 из видимого и ближнего инфракрасного диапазонов электромагнитного спектра. Источник света галогенной лампы (JCR 21V 150W / AL Japan 2DB) был установлен на одной стороне объектива камеры на 30 ^o от вертикальной плоскости в качестве системы освещения. Мощность света регулировали с использованием белой эталонной плитки (Labsphere Inc., North Sutton, NH, США), где наибольшая интенсивность обнаруживалась в белой эталонной плитке (Labsphere Inc., North Sutton, NH, United States) было установлено равным 85% от насыщения детектора, чтобы предотвратить области, где образец может насыщать детектор. Расстояние между образцом растений и камерой было отрегулировано на 25 см, и растения были помещены непосредственно под системой HSI с временем экспозиции камеры, установленным на 25 мс. Скорость перемещения линейного столика была установлена на 11,1 мм / с. Белое эталонное изображение было получено путем размещения белой плитки под гиперспектральной камерой. Темные эталонные изображения были получены через крышку объектива гиперспектральной камеры.
Одиночные горшки с сорняками были размещены на линейной платформе для получения гиперспектральных изображений, когда они проходят под камерой. Учитывая, что каждый горшок сканировался индивидуально, наличие теней не было большой проблемой. В случаях, когда сканирование выполняется в полевых условиях, можно использовать другую систему освещения, чтобы уменьшить присутствие теней (Bateman et al., 2020).
Три этапа рабочего процесса для идентификации сорняков показаны на рисунке 2. Эти три этапа следующие:
Рисунок 2. Предлагаемый рабочий процесс для определения сорняков.
Шаг 1. Получение гиперспектральных изображений:
Было получено
гиперспектральных изображений для 30 образцов каждого сорняка. Были представлены образцы сорняков четырех типов, так что всего было получено 120 гиперспектральных изображений сорняков.
Шаг 2: Обработка изображения
Захваченные гиперспектральные изображения прошли через серию этапов их обработки для извлечения спектральных данных для моделирования.
Шаг 3: Моделирование
Спектральные данные, извлеченные на этапе обработки изображения, предварительно обрабатываются, а затем они используются в качестве входных данных для разработки модели.
Обработка изображений
Это был второй этап рабочего процесса, на котором ROI извлекался путем сегментации откалиброванных гиперспектральных изображений.
Калибровка
Каждое захваченное гиперспектральное изображение было откалибровано с использованием темного эталонного изображения (D) и белого эталонного изображения (W). Необработанные значения интенсивности гиперспектральных изображений использовались для расчета коэффициента отражения по формуле.1.
Rc = Xr⁢a⁢w-XDXw-XD (1)
, где R _c — абсолютная отражательная способность, X _raw обозначает значение интенсивности отсканированных образцов сорняков, X _w обозначает значение интенсивности захваченного белого эталона и X _D представляет интенсивность темного эталона.
Сегментация
Целью сегментации было извлечение рентабельности инвестиций растений путем выделения фона (т.е., почва, камни и т. д.) от растительности (т.е. листьев различных сорняков). Пользовательский код был сгенерирован собственными силами с использованием R для пороговой сегментации и суперпиксельной сегментации. Подробности этого представлены ниже.
(a) Сегментация с установлением порога: был разработан алгоритм определения порога с применением порогового значения 0,19 на длине волны 950 нм. Это сгенерировало маску, которая затем была умножена на исходное изображение HSI, чтобы создать изображение только растительного материала (Рисунок 3). Спектральные данные, извлеченные после пороговой сегментации, были усреднены, и мы назвали эти усредненные спектры «Av» спектрами, которые представляют собой спектры для каждого растения с 235 компонентами, соответствующими 235 длинам волн.Для получения Av средний спектр 120 сегментированных изображений HSI (одно изображение HSI для каждого горшечного растения) был рассчитан на листьях сорняков, в результате чего было собрано 120 образцов, которые были использованы для обучения (96 образцов) и проверки (24 образца). ) модели PLS-DA, SVM и MLP.
Рис. 3. Сегментация с пороговым значением для извлечения спектральных характеристик.
(b) Суперпиксельная сегментация (рисунок 4): алгоритм простой линейной итеративной кластеризации (SLIC) (Achanta et al., 2012) был использован для разделения изображения растения на неперекрывающиеся участки Sp (суперпиксели). Это было достигнуто за счет учета сходства в спектральной и пространственной областях при группировании пикселей в кластеры. Анализ основных компонентов (PCA) использовался для преобразования исходного изображения HSI (где каждый пиксель содержал 235 длин волн) в три канала (каждый пиксель содержал 3 основных компонента). Всего было создано 120 изображений PCA. За этим последовала сегментация каждого изображения PCA на 400 фрагментов с использованием алгоритма SLIC.Участки, содержащие листья, были извлечены, и средний спектр каждого действительного участка был извлечен из изображения HSI и использован в качестве спектральных и пространственных (спектрально-пространственных) характеристик листьев сорняков. Все пятна на каждом растении были помечены одной и той же этикеткой. Мы обозначили его как усредненные спектры «Sp», что означает, что каждое растение имеет «n» спектров SP, каждый из которых содержит 235 элементов, соответствующих 235 длинам волн. «N» — это количество суперпикселей для отдельного растения. Это количество кластеров, используемых в SLIC (т.е.е. 400 пятен) было достаточно, чтобы избежать смешивания участков листьев сорняков и фона. В то время как для этого исследования действительные участки (содержащие листья) были разделены вручную, в практическом применении модель может использоваться для разделения участков, представляющих листья растений, и фона.
Рисунок 4. Суперпиксельная сегментация для извлечения пространственно-спектральных характеристик.
Моделирование
В этом исследовании использовались три часто используемые модели дискриминации для классификации объектов.Это были частичный дискриминантный анализ наименьших квадратов (PLS-DA), SVM и MLP.
Дискриминантный анализ методом наименьших квадратов
Дискриминантный анализ методом наименьших квадратов — очень популярный метод линейной классификации в хемометрике, основанный на алгоритме регрессии PLS (Lee et al., 2018). В PLS-DA, выход ( у переменных) из PLS регрессии переносят в категориальную структуру в качестве опорного значения и матрицы дескриптора х используются для анализа дискриминации.Обычно это дает наименьшую вариативность внутри класса и, следовательно, максимальное разделение. Оценки скрытых переменных (LV) из полученной модели PLS-DA использовались для идентификации групп образцов, представляющих четыре типа / класса сорняков. Коэффициенты регрессии, соответствующие тем LV, обладающим способностью распознавания между классами, затем оценивались, чтобы идентифицировать спектральные области, потенциально связанные с распознаванием сорняков (Wold et al., 2001; Barker and Rayens, 2003). Этот метод широко используется для определения химических признаков и классификации видов в науках о продуктах питания и сельском хозяйстве (Bassbasi et al., 2014; Ботельо и др., 2015; Lenhardt et al., 2015).
Машина опорных векторов
Поддержка векторного машинного анализа (Boser et al., 1992) — это мощный метод, идеально подходящий для классификации данных, особенно для данных большой размерности с ограниченным количеством обучающих выборок (Tarabalka et al., 2010). Этот метод был первоначально определен для бинарной классификации, а также был расширен для формирования многоклассовой классификации (Pérez-Cruz and Artés-Rodríguez, 2002). Это расширение позволяет широко применять в анализе гиперспектральных изображений (Fauvel et al., 2008; Pal and Foody, 2010) и дистанционное зондирование (Melgani, Bruzzone, 2004; Mountrakis et al., 2011).
Многослойный персептрон
Многослойный перцептрон — это мощный метод машинного обучения, который может характеризовать особенности образцов и изучать соответствующие характеристики классификации из образцов (Goodfellow et al., 2016). Модель MLP зависит от нескольких наборов параметров, таких как количество скрытых слоев, параметр регуляризации и эпоха активации (Ramchoun et al., 2017). Функция активации позволяет ввести нелинейную функцию в нейронную сеть. Эпоха активации также не позволяет модели MLP стать простой линейной функцией с ограниченной способностью к обучению. Есть три основные функции активации: гиперболический тангенс (Tanh; Kalman, Kwasny, 1992), выпрямитель (Xavier et al., 2011) и maxout (Goodfellow et al., 2013). Два типа регуляризации (L1 и L2) — полезные функции в модели MLP для уменьшения эффекта переобучения.
Многомерный анализ данных
Анализ данных проводился в программе R. Версия 3.1.2 (R Core Team, 2017). Пакет «mdatools» (Кучерявский, 2019) применялся для модели PLS-DA, а пакет «e1071» (Meyer et al., 2019) — для построения модели SVM. Пакет «h3o» (Erin et al., 2019) использовался для моделирования MLP и выбора переменных.
Два типа данных, то есть (а) спектральные данные, то есть «Av» и (б) комбинированные спектральные и пространственные данные «Sp», использовались для обучения модели с использованием методов PLS-DA, SVM и MLP. Они включали в себя среднее значение спектра листьев для каждого сорняка и среднее значение для каждого выбранного участка листа одного вида сорняков (рисунки 3, 4).Мы выбрали 80% каждого набора данных для калибровки модели и оставшиеся 20% для проверки и элементарного тестирования. Использовались две оценки: (1) все пиксели сегментированного растения; и (2) усредненные спектры сегментированных растений. Это сгенерировало два набора данных: «набор данных всех пикселей» и «средний набор данных». Затем каждый набор данных был разделен на два набора. «Все пиксели» сгенерировали «набор данных калибровки всех пикселей» и «набор данных проверки всех пикселей». Точно так же «усредненный набор данных» генерировал «усредненный набор данных калибровки» и «усредненный набор данных проверки».«Каждый набор калибровочных данных использовался для подбора модели независимо. Затем каждая модель была применена к соответствующему набору данных проверки. Оценка прогнозов, полученных на основе этих двух независимых наборов данных проверки, привела к двум наборам точности.
Метод предварительной обработки SNV (стандартная нормальная переменная) был применен к спектрам перед калибровкой модели, которая, как было показано, является надежным методом предварительной обработки при классификации сорняков (Shirzadifar et al., 2018). Количество значимых LV для PLS-DA, а также параметры эпсилон и стоимость для моделей SVM были определены с использованием метода перекрестной проверки с исключением по одному (Sudheer et al., 2014; Vehtari et al., 2017).
Метрики производительности и оптимизация модели
Для производительности моделей PLS-DA, SVM и MLP использовались параметры отзыва (R), точности (P), средней точности (AA) и общей точности (OA). Для расчета R, P, AA и OA использовались четыре величины из выполнения процесса классификации в популяции всех экземпляров: истинные положительные (TP), ложные срабатывания (FP), истинно отрицательные (TN) и ложноотрицательные ( FN), используя следующие уравнения:
R = T⁢PT⁢P + F⁢N
P = TPT⁢P + F⁢P
AA = TP + TN⁢T⁢P + T⁢N + F⁢P + F⁢N
OA = AA1 + AA1 + AA….+ AAnn
, где n — количество классов [чертополох (TT), трава с желтой щетиной (YBG), лютик (BC) и ветряная трава (WG)]. Для качественной оценки предсказуемости моделей классификации сорняков был применен алгоритм t-SNE (Maaten and Hinton, 2008). Точность процесса классификации определялась как доля истинно положительных и истинно отрицательных во всех случаях.
Оптимизация модели
Чтобы найти лучшие параметры модели MLP для данных Av и Sp, была создана сеточная петля с различными скрытыми слоями, функцией активации, эпохами и различными параметрами регуляризации l1 или l2 (рисунок 5).Пятикратная перекрестная проверка использовалась для точной настройки этих параметров. В качестве окончательной модели были выбраны модели с наивысшим значением OA и наименьшими потерями, а для оценки характеристик использовался вес характеристик из последней модели с наилучшими характеристиками.
Рисунок 5. Структура петли для всех моделей MLP.
Результаты
Средние необработанные и стандартные нормальные спектры переменной
Сырые и средние значения SNV для 30 сорняков для каждого вида представлены на рисунке 6.В то время как все сорняки показали сходные общие закономерности в обоих типах спектров, также наблюдалась большая изменчивость между четырьмя сорняками. Спектры SNV выделяют области, которые можно использовать для различения четырех видов сорняков. На основе этих двух типов спектров были идентифицированы три важных области: от 550 до 700 нм, от 1000 до 1200 нм и от 1300 до 1500 нм. Эти области — единственные области в спектрах, использованных в данном исследовании, с обнаруживаемой разницей в величине отражения между четырьмя видами сорняков.
Рис. 6. Необработанные и средние спектры SNV VIS-NIR для четырех видов сорняков. TT: чертополох, YBG: трава с желтой щетиной, BC: лютик и WG: ветряная трава.
Оценка моделей
Обозначения, используемые для моделей, разработанных с данными Av и Sp с использованием PLS-DA, SVM и MLP, приведены ниже:
(a) Av_PLS-DA: модель PLS-DA, разработанная с использованием данных Av
(b) Sp_PLS-DA: модель PLS-DA, разработанная с использованием данных Sp
(c) Av_SVM: модель SVM, созданная с использованием данных Av
(d) Sp_SVM: модель SVM, созданная с данными Sp
(e) Av_MLP: модель MLP, созданная с использованием данных Av
(f) Sp_MLP: модель MLP, созданная с использованием данных Sp
Оптимальное количество LV было выбрано 10 для моделей Av и Sp_PLS-DA на основе перекрестной проверки.Оптимальное значение epsilon и стоимость для модели SVM с использованием данных Av и Sp составляли 0 и 32, а также 0 и 4 соответственно. Для модели MLP для окончательного применения была выбрана активация Tanh с двумя скрытыми слоями (32, 16). Полноразмерные спектры с 5% выпадением были установлены в качестве входного слоя, а четыре класса классификации были установлены в качестве выходного слоя. Набор данных для проверки Av и Sp использовался для проверки способности нашей модели классификации сорняков. Результаты моделирования представлены в таблице 1.В целом, модели PLS-DA, SVM и MLP дали относительно высокие результаты классификации на основе данных Av и Sp с общей точностью (OA) 70–100%. Модель MLP показала самый высокий уровень отзыва (R) и точности (P). Кроме того, средняя точность (AA) и OA с данными Av и Sp составляли 1, 1 и 0,89, 0,90 соответственно.
Таблица 1. Оценка эффективности предложенных моделей PLS-DA SVM, MLP для распознавания сорняков в проверочном наборе с использованием четырех параметров: средняя точность (AA), общая точность (OA), отзыв (R) и точность (P) на основе данных Av и Sp.
Многослойные модели персептрона
оказались наиболее эффективными моделями с данными Av и Sp. Алгоритм t-SNE был применен к функциям, которые были извлечены из скрытого слоя модели Av_MLP, и необработанных спектральных данных Av для сравнения. Результаты показали, что исходные данные Av не различают четыре вида (рис. 7A). Однако они были четко классифицированы после применения модели извлечения MLP (Рисунок 7B).
Рисунок 7. Производительность прогнозирования Av_MLP с использованием спектральных данных четырех сорняков. (A) необработанные средние спектральные данные (B) содержат данные, извлеченные из скрытого слоя модели Av_MLP.
Характеристики моделей на всех гиперспектральных пикселях
Матрица неточностей фактических сорняков и предсказанных сорняков с помощью моделей Av_MLP и Sp_MLP показана на рисунке 8. Модель Sp_MLP дает более высокую точность прогноза, чем модель Av_MLP. Точность прогнозирования модели Av_ MLP (81,6%) с использованием набора данных проверки всех пикселей была ниже, чем точность использования усредненного набора данных проверки (100%; Таблица 1). Модели Sp_MLP и Av_MLP дали аналогичную точность для предсказания всех пикселей с 89.1 и 81,6% соответственно. Av_MLP показал более низкую точность (65 и 65,8%), чем модель Sp_MLP (80,7 и 93,4%) для идентификации YBG и windgrass. Эти результаты предполагают, что усреднение всех спектров по видам сорняков увеличивает объем информации о сорняках. Однако, когда спектры поступают из меньших областей (например, из одного пикселя из Sp), эта возможность снижается.
Рисунок 8. Матрица неточностей предсказанных видов сорняков для набора для проверки (A), , Av_MLP, (B), , Sp_MLP.Числа в матрицах представляют собой процент предсказания каждого сорняка. (TT: чертополох, YBG: трава с желтой щетиной, BC: лютик и WG: ветряная трава).
Предсказанные, достоверные и ложные цветные изображения сорняков представлены на рисунке 9. Из рисунков 9C, D мы можем сделать вывод, что модель Sp_MLP показала лучшую точность в общем распознавании сорняков (то есть для сорняков YBG, BC и WG), чем модель Av_MLP. Кроме того, в случае чертополоха аналогичный прогноз наблюдался с помощью моделей Sp_MLP и Av_MLP.
Рис. 9. Ложный цвет и предсказанные изображения набора для проверки сорняков (A) Ложные цветные изображения сорняков: TT: чертополох, YBG: трава с желтой щетиной, BC: лютик и WG: ветряная трава (B ) сгенерированных наземных истинных изображений (C) Предсказанное изображение с моделью Av_ MLP (D) Предсказанное изображение с моделью Sp_MLP. Примечание: были использованы четыре цвета прогноза; Красный: чертополох, синий: YBG, зеленый: лютик и розовый: ветряная трава, и для удаления фона листьев использовался жесткий порог.Разные цвета представляют разные сорняки, а это означает, что некоторые пиксели на этом изображении были предсказаны как другие растения, и не все пиксели были предсказаны правильно.
Обсуждение
Целенаправленная борьба с сорняками может повысить скорость и точность, а также снизить затраты фермеров (Коми и др., 2007). Предпосылкой целенаправленной борьбы с сорняками является надежная система идентификации сорняков. В последние годы для повышения точности и скорости идентификации сорняков использовалось множество методов, в основном с использованием изображений RGB (Solahudin et al., 2018). Однако HSI имеет то преимущество, что выявляет сорняки на основе данных об их отражательной способности, которая является индикатором химического состава растения (Farooq et al., 2019a). Использование HSI повысит ценность методов идентификации сорняков, основанных на визуализации RGB, которая зависит от формы, размера и различения цветов. Wei et al. (2014) применили канонический дискриминантный анализ и модель PLS-DA к данным с пятью длинами волн (672, 757, 897, 1117 и 1722 нм), чтобы отличить почву и пять видов сорняков от озимого рапса.Они достигли этого с высокой точностью 90,91%, что немного выше нашего результата. Причина этого может заключаться в том, что они различали только виды с широкими листьями, тогда как у нас также есть виды трав с очень узкими листьями. Виды с широкими листьями немного проще идентифицировать, чем виды с узкими листьями, из-за более единообразного сбора спектральных данных.
Метод MLP широко используется для классификации в сельскохозяйственных исследованиях (Golhani et al., 2018; Kiani et al., 2018). В нашем исследовании четыре важных спектральных области (550–750, 995–1 005, 1110–1220 и 1380–1 470 нм) были определены моделью Sp_MLP как «лучшая модель» с высокой эффективностью идентификации сорняков. В целом спектральная область 500–750 нм считается важной для распознавания растительности (Cochrane, 2000; Smith and Blackshaw, 2003; Frels et al., 2018). Кроме того, известно, что область около 700 нм является очень информативной для распознавания растительности из-за ее связи с содержанием хлорофилла (Гительсон и Мерзляк, 1997).Спектры в диапазонах 880–1000, 1050–1200 и 1250–1550 нм в основном связаны с третьим и вторым обертоном растяжения CH и вторым обертоном растяжения OH (Burns and Ciurczak, 2007; Schwanninger et al., 2011). Danson et al. (1992) описали, что полосы на длинах волн 970, 1200 и 1450 нм являются полосами поглощения воды.
Все три модели идентификации, использованные в этом исследовании, дали высокую точность прогноза как на основе выбранных спектров Av, так и Sp.Однако модель MLP обеспечивает наивысшую точность, чувствительность и особенность по сравнению с другими моделями идентификации как в калибровочных, так и в проверочных наборах с использованием данных Av и Sp. Метод t-SNE был признан очень мощным подходом для исследования данных и визуализации многомерных данных (Maaten and Hinton, 2008). В этом исследовании первые два измерения t-SNE, извлеченные из исходных спектров и Av_MLP, показали, что исходные спектры не позволяют эффективно различать четыре вида сорняков.Однако способность распознавания была улучшена моделью Av_MLP с выявлением и различением четырех сорняков.
Спектральные модели Av также четко идентифицировали четыре вида сорняков. Вероятно, это связано с химическим составом каждого вида (Vengris et al., 1953). Однако данные не могли быть просто усреднены для калибровки модели, когда модель использовалась для классификации по всем пикселям, полученным из гиперспектральных изображений. Согласно (Fang et al., 2015) форма гиперспектральных изображений должна оцениваться на основе различных структур HSI, особенно если неоднородная пространственная область велика.Преимущество усреднения каждой выбранной области Sp в качестве входных данных для калибровки модели состоит в том, что она включает общую и распределенную спектральную информацию о листьях. Это также уменьшит размер входных данных для обучения модели. Этот метод широко используется для получения изображений RGB и HSI (Achanta et al., 2012; Fang et al., 2015).
В целом, модель Sp_MLP показала лучшие результаты прогнозирования, за ней следуют Sp_SVM и Sp_PLS-DA. Silva et al. (2013) также предположили, что PLS-DA имеет более низкую классификационную способность и не подходит для идентификации сорняков.
Новый подход, представленный в этом исследовании, основанный на суперпикселях (Sp), позволяет обнаруживать сорняки даже там, где видны только некоторые части растения, например, на пастбищах, где эти сорняки смешаны с другими видами растений. Таким образом, представленный подход помогает преодолеть сложную ситуацию, когда неполная видимость морфологии растений является ограничивающим фактором для получения изображений RGB. Кроме того, стоит отметить, что спектральные сигнатуры могут быть получены с помощью подходов, не связанных с визуализацией, но это будет иметь практические проблемы на больших пастбищах.HSI, используемый для обнаружения сорняков в нашем исследовании, основан либо на уникальной спектральной сигнатуре и / или на морфологических характеристиках, извлеченных из гиперспектральных изображений.
Заключение
Это исследование продемонстрировало способность HSI обнаруживать уникальные спектральные признаки разнообразной группы видов сорняков, включая травы и широколистные, а также однолетние и многолетние сорняки. Модели, разработанные с использованием спектральных данных Sp, могут обеспечить лучшие результаты по сравнению со усредненными спектральными данными для классификации сорняков.По сравнению с традиционными методами классификации MLP является более надежным и надежным методом при разработке с использованием данных Sp. Этот новый подход, основанный на Sp, значительно расширит возможности применения HSI для идентификации растений. Это особенно полезно, когда он применяется на пастбищах, в том числе на смешанных травяных покровах нескольких видов растений. Дальнейшая работа должна быть сосредоточена на разработке системы, которая обеспечивает классификацию с использованием спектральной сигнатуры и / или морфологических признаков, согласованных со стратегиями дерева решений, для работы со сложными системами, такими как смешанные травы.
Заявление о доступности данных
Данные для этой рукописи доступны по запросу у соответствующего автора.
Авторские взносы
KG и MR разработали и спланировали эксперименты. MR и DH провели эксперименты и внесли свой вклад в подготовку образцов. YL, MA-S, KI, MR и KG внесли свой вклад в интерпретацию результатов. YL обработал экспериментальные данные и написал рукопись при участии всех авторов. MA-S, KI, GB, MR и KG внесли свой вклад в окончательную версию рукописи.KG курировал проект. Все авторы предоставили критические отзывы и помогли сформировать исследование.
Финансирование
Финансирование было предоставлено Министерством бизнеса, инноваций и занятости по схеме «Умные идеи».
Конфликт интересов
MA-S, DH, GB, MR и KG работали в компании AgResearch Ltd. KI работал в компании Red Fern Solutions Ltd.
Оставшийся автор заявляет, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Благодарности
Мы хотели бы поблагодарить доктора Тревора Джеймса за щедрое посвящение его времени и приверженности научным советам, Джека Сомертона за получение гиперспектральных изображений, Клэр Даусет и Элизабет Норт за подготовку сорняков, а также Тревора Джеймса и Абхиманью Гарвал за их вклад в качестве внутренних рецензентов.
Список литературы
Аханта, Р., Шаджи, А., Смит, К., Луччи, А., Фуа, П., и Сюсстранк, С. (2012). Суперпиксели SLIC по сравнению с современными методами суперпикселей. ITPAM 34, 2274–2282.
Google Scholar
Ахмад, А., Гийонно, Р., Мерсье, Ф., и Белин, Э (2018). «Метод обработки изображений, основанный на выборе признаков сельскохозяйственных культур и различении сорняков с использованием изображений RGB», в документе Image and Signal Processing , ред. А. Мансури, А. Эль Моатас, Ф. Нубуд и Д. Маммасс (Берлин: Springer International Publishing), 3–10. DOI: 10.1007 / 978-3-319-94211-7_1
CrossRef Полный текст | Google Scholar
Ахмад, М., Хан, А. М., Маццара, М., Дистефано, С. (2019). «Многослойный машинный автокодер с экстремальным обучением для классификации гиперспектральных изображений», в материалах материалов 14-й Международной конференции по теории и приложениям компьютерного зрения (VISAPP’19), , Прага.
Google Scholar
Аль-Сарайрех, М., Рейс, М. М., Ян, В. К., и Клетт, Р. (2018). Обнаружение фальсификации красного мяса по глубоким спектрально-пространственным особенностям на гиперспектральных изображениях. J. Imaging 4:63.DOI: 10.3390 / jimaging4050063
CrossRef Полный текст | Google Scholar
Одебер, Н., Ле Со, Б., и Лефевр, С. (2019). Глубокое обучение для классификации гиперспектральных данных: сравнительный обзор. IEEE Trans. Geosci. Remote Sens. 7, 159–173. DOI: 10.1109 / MGRS.2019.2
3
CrossRef Полный текст | Google Scholar
Бакко, М., Бертон, А., Ферро, Э., Дженнаро, К., Готта, А., Маттеоли, С. и др. (2018). «Интеллектуальное сельское хозяйство: возможности, вызовы и инструменты реализации», в документе 2018 IoT Вертикальный и тематический саммит по сельскому хозяйству — Тоскана (IOT Tuscany) , Сиена, doi: 10.1109 / IOT-TUSCANY.2018.8373043
CrossRef Полный текст | Google Scholar
Баркер М. и Райенс В. (2003). Метод наименьших квадратов для дискриминации. J. Chemometrics 17, 166–173. DOI: 10.1002 / cem.785
CrossRef Полный текст | Google Scholar
Bassbasi, M., De Luca, M., Ioele, G., Oussama, A., and Ragno, G. (2014). Прогнозирование географического происхождения масел с помощью частичного дискриминантного анализа наименьших квадратов (PLS-DA) применительно к данным инфракрасной спектроскопии (FTIR). J. Food Compos. Анальный. 33, 210–215. DOI: 10.1016 / j.jfca.2013.11.010
CrossRef Полный текст | Google Scholar
Бейтман, К. Дж., Фурье, Дж., Сяо, Дж., Ири, К., Хеслоп, А., Хилдич, А., и др. (2020). Оценка смешанной травы с помощью контекстно-зависимых сверточных нейронных сетей. Фронт. Plant Sci. 11: 159. DOI: 10.3389 / fpls.2020.00159
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Бозер, Б. Э., Гийон, И. М., и Вапник, В.Н. (1992). «Обучающий алгоритм для оптимальных классификаторов маржи», в материалах Proceedings of the Fifth Annual Workshop on Computational Learning Theory , Pittsburgh, PA, 144–152. DOI: 10.1145 / 130385.130401
CrossRef Полный текст | Google Scholar
Ботельо Б.Г., Рейс Н., Оливейра Л.С. и Сена М.М. (2015). Разработка и аналитическая проверка метода скрининга для одновременного обнаружения пяти примесей в сыром молоке с использованием спектроскопии в среднем инфракрасном диапазоне и PLS-DA. Food Chem. 181, 31–37. DOI: 10.1016 / j.foodchem.2015.02.077
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Бурдо, Дж., Сэвилл, Д. и Крон, Д. (2003). Потеря выручки от производства молочной продукции в Новой Зеландии из-за гигантского лютика ( Ranunculus acris ). N. Z. J. Agric. Res. 46, 295–303.
Google Scholar
Бурдо, Г. В., Фаулер, С. В., Эдвардс, Г. Р., Критикос, Д. Дж., Кин, Дж. М., Рахман, А. и др. (2007).Пастбищные сорняки в Новой Зеландии: состояние и возможные решения. N. Z. J. Agric. Res. 50, 139–161. DOI: 10.1080 / 00288230709510288
CrossRef Полный текст | Google Scholar
Бурдо, Г. В., Ламуро, С. Л., Критикос, Д. Дж., Ватт, М. С., и Браун, М. (2010). «Текущее и возможное распространение Nassella neesiana (чилийская игольчатая трава) в Австралии и Новой Зеландии», Труды 17-й Австралазийской конференции по сорнякам , Крайстчерч, .
Google Scholar
Бурдо, Г.В., Ламуро, С. Л., Ватт, М. С., Мэннинг, Л. К., и Критикос, Д. Дж. (2012). Возможное глобальное распространение инвазивного сорняка Nassella neesiana в текущих и будущих климатических условиях. Biol. Вторжения 14, 1545–1556.
Google Scholar
Бернс, Д. А., Чюрчак, Э. В. (2007). Справочник по анализу в ближней инфракрасной области. Бока-Ратон, Флорида: CRC press.
Google Scholar
Каррейро Соарес, С. Ф., Медейрос, Э. П., Паскуини, К., Де Лелис Морелло, К., Харроп Гальвао, Р. К., и Угулино Араужу, М. К. (2016). Классификация отдельных семян хлопчатника по сортам с использованием гиперспектральных изображений в ближнем инфракрасном диапазоне. Анал. Методы 8, 8498–8505. DOI: 10.1039 / C6AY02896A
CrossRef Полный текст | Google Scholar
Чен, Ю., Линь, З., Чжао, X., Ван, Г., и Гу, Ю. (2014). Классификация гиперспектральных данных на основе глубокого обучения. IEEE J Sel Top Appl Earth Obs Remote Sens. 7, 2094–2107. DOI: 10.1109 / JSTARS.2014.2329330
CrossRef Полный текст | Google Scholar
Шевалье, С., Бертран, Д., Колер, А., и Курку, П. (2006). Применение PLS-DA в многомерном анализе изображений. J. Chem. 20, 221–229. DOI: 10.1002 / cem.994
CrossRef Полный текст | Google Scholar
Кокрейн, М.А. (2000). Использование изменчивости отражательной способности растительности для классификации гиперспектральных данных на уровне видов. Внутр. J. Remote Sens. 21, 2075–2087. DOI: 10.1080/01431160050021303
CrossRef Полный текст | Google Scholar
Курран, П. Дж. (1989). Дистанционное зондирование химического состава листвы. Remote Sens. Environ. 30, 271–278. DOI: 10.1016 / 0034-4257 (89)
-2
CrossRef Полный текст | Google Scholar
Дэнсон, Ф. М., Стивен, М. Д., Мальтус, Т. Дж., И Кларк, Дж. А. (1992). Данные высокого спектрального разрешения для определения влажности листьев. Внутр. J. Remote Sens. 13, 461–470. DOI: 10.1080 / 01431169208
9
CrossRef Полный текст | Google Scholar
Эбберс, М.Дж. Х., Уоллис, И. Р., Дьюри, С., Флойд, Р., и Фоли, В. Дж. (2002). Спектрометрическое прогнозирование вторичных метаболитов и азота в свежей листве эвкалипта: к дистанционному зондированию питательных свойств листвы для сумчатых-листоедов. Aust. J. Bot. 50, 761–768. DOI: 10.1071 / BT02025
CrossRef Полный текст | Google Scholar
Эрин Л., Навдип Г., Спенсер А., Анки Ф., Арно К., Клифф К. и др. (2019). h3o : R Интерфейс для «h3O», R Package Version 3.24.0.5. Доступно по адресу: https://github.com/h3oai/h3o-3 (по состоянию на 25 мая 2019 г.).
Google Scholar
Фан, Ф., Ма, Ю., Ли, К., Мэй, X., Хуанг, Дж., И Ма, Дж. (2017). Шумоподавление гиперспектрального изображения с суперпиксельной сегментацией и представлением низкого ранга. Инф. Sci. 397-398, 48–68. DOI: 10.1016 / j.ins.2017.02.044
CrossRef Полный текст | Google Scholar
Фанг, Л., Ли, С., Дуан, В., Рен, Дж., И Бенедиктссон, Дж. А. (2015). Классификация гиперспектральных изображений путем использования спектрально-пространственной информации о суперпикселе через несколько ядер. IEEE. Пер. Geosci. Удаленный. Sens. 53, 6663–6674. DOI: 10.1109 / TGRS.2015.2445767
CrossRef Полный текст | Google Scholar
Фарук, А., Ху, Дж., И Цзя, X. (2019a). Анализ спектральных диапазонов и пространственного разрешения для классификации сорняков с помощью глубокой сверточной нейронной сети. IEEE Geosci. Remote Sens. Lett. 16, 183–187. DOI: 10.1109 / LGRS.2018.2869879
CrossRef Полный текст | Google Scholar
Фарук А., Цзя X., Ху Дж. И Чжоу Дж.(2019b). Классификация сорняков с несколькими разрешениями с помощью сверточной нейронной сети и локального двоичного шаблона на основе суперпикселей с использованием изображений дистанционного зондирования. Пульт дистанционного управления 11: 1692. DOI: 10.3390 / RS11141692
CrossRef Полный текст | Google Scholar
Фовел М., Бенедиктссон Дж. А., Шануссо Дж. И Свейнссон Дж. Р. (2008). Спектральная и пространственная классификация гиперспектральных данных с использованием SVM и морфологических профилей. IEEE. Пер. Geosci. Удаленный. Sens. 46, 3804–3814.DOI: 10.1109 / TGRS.2008.4
CrossRef Полный текст | Google Scholar
Феррейра, М. П., Вагнер, Ф. Х., Арагао, Л. Э. О. К., Шимабукуро, Ю. Э., и Де Соуза Филью, К. Р. (2019). Классификация видов деревьев в тропических лесах с использованием изображений WorldView-3 в диапазоне видимых и коротких волн и анализа текстуры. ISPRS J. Photogr. Remote Sens. 149, 119–131. DOI: 10.1016 / j.isprsjprs.2019.01.019
CrossRef Полный текст | Google Scholar
Фрелс, К., Гуттьери, М., Джойс Б., Ливитт Б. и Баензигер П. С. (2018). Оценка показателей растительности спектральной отражательной способности растительного покрова для оценки характеристик использования азота твердой озимой пшеницей. Field Crops Res. 217, 82–92. DOI: 10.1016 / j.fcr.2017.12.004
CrossRef Полный текст | Google Scholar
Гительсон, А.А., Мерзляк, М.Н. (1997). Дистанционная оценка содержания хлорофилла в листьях высших растений. Внутр. J. Remote Sens. 18, 2691–2697. DOI: 10.1080 / 014311697217558
CrossRef Полный текст | Google Scholar
Глорот, X., Бордес, А., Бенжио, Ю. (2011). «Глубокие нейронные сети с разреженным выпрямителем», в материалах Труды четырнадцатой Международной конференции по искусственному интеллекту и статистике, Практикум и материалы конференции JMLR , 15, 315–323. Доступно в Интернете по адресу: http://proceedings.mlr.press/v15/glorot11a.html
Google Scholar
Голхани, К., Баласундрам, С. К., Вадамалай, Г., и Прадхан, Б. (2018). Обзор нейронных сетей в обнаружении болезней растений с использованием гиперспектральных данных. Инф. Обработать. Agric. 5, 354–371. DOI: 10.1016 / j.inpa.2018.05.002
CrossRef Полный текст | Google Scholar
Гудфеллоу И., Бенжио Ю. и Курвиль А. (2016). Глубокое обучение. Кембридж, Массачусетс: MIT press.
Google Scholar
Гудфеллоу, И., Вард-Фарли, Д., Мирза, М., Курвиль, А., Бенжио, Ю. (2013). «Сети Maxout», в Труды 30-й Международной конференции по машинному обучению (PMLR) , 28, 1319–1327.Доступно в Интернете по адресу: http://proceedings.mlr.press/v28/goodfellow13.html
Google Scholar
Гриффель, Л. М., Делпарт, Д., и Эдвардс, Дж. (2018). Использование машинной классификации опорных векторов для дифференциации спектральных сигнатур растений картофеля, инфицированных Potato Virus Y. Comput. Электрон. Agric. 153, 318–324. DOI: 10.1016 / j.compag.2018.08.027
CrossRef Полный текст | Google Scholar
Цзян, Дж., Чен, К., Ю, Ю., Цзян, X., и Ма, Дж.(2017). Совместное представление с учетом пространства для классификации гиперспектральных изображений дистанционного зондирования. IEEE Geosci. Удаленный. Sens. Lett. 14, 404–408. DOI: 10.1109 / LGRS.2016.2645708
CrossRef Полный текст | Google Scholar
Кальман, Б. Л., и Квасны, С. К. (1992). «Почему tanh: выбор сигмоидальной функции», в труде 1992 г. Международной объединенной конференции по нейронным сетям (IJCNN) , Балтимор, Мэриленд. DOI: 10.1109 / IJCNN.1992.227257
CrossRef Полный текст | Google Scholar
Киани, С., Ван Рут, С. М., Минаи, С., Гасеми-Варнамкхасти, М. (2018). Гиперспектральная визуализация, неразрушающий метод в производстве лекарственных и ароматических растительных продуктов: текущее состояние и возможные будущие применения. Comput. Электрон. Agric. 152, 9–18. DOI: 10.1016 / j.compag.2018.06.025
CrossRef Полный текст | Google Scholar
Коми П. Дж., Джексон М. Р. и Паркин Р. М. (2007). «Классификация растений, сочетающая цветные и спектральные камеры для борьбы с сорняками», в Международный симпозиум IEEE по промышленной электронике , Виго, 2039–2042.DOI: 10.1109 / ISIE.2007.4374921
CrossRef Полный текст | Google Scholar
Ламуро, С. (2014). Возможное распространение желтой щетинистой травы (Setaria pumila) в Новой Зеландии. Н. З. Защита растений. 67, 226–230.
Google Scholar
Ли, Л. К., Лионг, К.-Й., и Джемейн, А. А. (2018). Частичный дискриминантный анализ наименьших квадратов (PLS-DA) для классификации данных большой размерности (HD): обзор современных стратегий практики и пробелов в знаниях. Аналитик 143, 3526–3539. DOI: 10.1039 / C8AN00599K
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Ленхардт, Л., Бро, Р., Зекович, И., Драмичанин, Т., и Драмичанин, М. Д. (2015). Флуоресцентная спектроскопия в сочетании с PARAFAC и PLS DA для характеристики и классификации меда. Food Chem. 175, 284–291. DOI: 10.1016 / j.foodchem.2014.11.162
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Ли, Ю., Се, В., и Ли, Х. (2017). Реконструкция гиперспектрального изображения глубокой сверточной нейронной сетью для классификации. Распознавание образов 63, 371–383. DOI: 10.1016 / j.patcog.2016.10.019
CrossRef Полный текст | Google Scholar
Ли, З., и Чен, Дж. (2015). «Суперпиксельная сегментация с использованием линейной спектральной кластеризации», в материалах Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition , Boston, MA, 1356–1363.
Google Scholar
Лю, Ю., и Чжан Ю. (2018). «Классификация растений с уточненными гиперспектральными изображениями с помощью составного ядра на основе графов», в Международном симпозиуме по геонаукам и дистанционному зондированию (IGARSS) , Валенсия, doi: 10.1109 / IGARSS.2018.8518585
CrossRef Полный текст | Google Scholar
Лунга, Д., Прасад, С., Кроуфорд, М. М., и Эрсой, О. (2014). Извлечение признаков на основе многообразного обучения для классификации гиперспектральных данных: обзор достижений в многообразном обучении. IEEE. Сигнал.Обработать. Mag. 31, 55–66. DOI: 10.1109 / MSP.2013.2279894
CrossRef Полный текст | Google Scholar
Маатен, Л.В.Д., и Хинтон, Г. (2008). Визуализация данных с помощью t-SNE. J. Mach. Учить. Res. 9, 2579–2605.
Google Scholar
МакКлерн, Б., Гиллиланд, Т., Гай, К., Дайн, М., Кофлан, Ф., и Маккарти, Б. (2020). Влияние плоидности райграса многолетнего и включения клевера белого на молочную продуктивность дойных коров. Anim. Prod.Sci. 60, 143–147. DOI: 10.1071 / AN18539
CrossRef Полный текст | Google Scholar
Мельгани Ф. и Бруззоне Л. (2004). Классификация гиперспектральных изображений дистанционного зондирования с помощью опорных векторных машин. IEEE. Пер. Geosci. Удаленный. Sens. 42, 1778–1790. DOI: 10.1109 / TGRS.2004.831865
CrossRef Полный текст | Google Scholar
Мейер Д., Димитриаду Э., Хорник К., Вайнгессель А. и Лейш Ф. (2019). «Пакет« e1071 »», в: The R Journal. Доступно по адресу: https://CRAN.R-project.org/package=e1071 (по состоянию на 14 октября 2020 г.).
Google Scholar
Мишра П., Асаари М. С. М., Эрреро-Лангрео А., Лохуми С., Диезма Б. и Шеундерс П. (2017). Гиперспектральная съемка растений с близкого расстояния: обзор. Biosys. Англ. 164, 49–67. DOI: 10.1016 / j.biosystemseng.2017.09.009
CrossRef Полный текст | Google Scholar
Маунтракис, Г., Им, Дж., И Оголе, К. (2011). Поддержка векторных машин в дистанционном зондировании: обзор. ISPRS J. Photogramm. Удаленный. Sens. 66, 247–259. DOI: 10.1016 / j.isprsjprs.2010.11.001
CrossRef Полный текст | Google Scholar
Пэл М. и Фуди Г. М. (2010). Выбор признаков для классификации гиперспектральных данных с помощью SVM. IEEE. Пер. Geosci. Удаленный. Sens. 48, 2297–2307. DOI: 10.1109 / TGRS.2009.2039484
CrossRef Полный текст | Google Scholar
Пэн Дж., Чжоу Ю. и Чен К. Л. П. (2015). Поддерживающие векторные машины на основе регионального ядра для классификации гиперспектральных изображений. IEEE. Пер. Geosci. Удаленный. Sens. 53, 4810–4824. DOI: 10.1109 / TGRS.2015.2410991
CrossRef Полный текст | Google Scholar
Перес-Крус, Ф., и Артес-Родригес, А. (2002). «Выкалывание мультиклассовых машин векторов поддержки», в Искусственные нейронные сети — ICANN 2002 , изд. J. R. Dorronsoro, Берлин: SringerBerlinHeidelberg. DOI: 10.1007 / 3-540-46084-5_122
CrossRef Полный текст | Google Scholar
R Основная команда, (2017). R: Язык и среда для статистических вычислений. Вена: Фонд R для статистических вычислений.
Google Scholar
Раджа Р., Нгуен Т. Т., Слотер Д. К. и Феннимор С. А. (2020). Классификация сорных культур и метод локализации в режиме реального времени для роботизированной борьбы с сорняками в салате. Biosys. Англ. 192, 257–274. DOI: 10.1016 / j.biosystemseng.2020.02.002
CrossRef Полный текст | Google Scholar
Рамчун, Х., Идрисси, М., Гану, Й., и Эттауил, М. (2017). Новое моделирование оптимизации архитектуры многослойного персептрона с регуляризацией: приложение к классификации паттернов. IAENG.Int. J. Comput. Sci. 44, 261–269.
Google Scholar
Рейс, М. М., Ван Бирс, Р., Аль-Сарайрех, М., Шортен, П., Ян, В. К., Саис, В., и др. (2018). Хемометрия и гиперспектральная визуализация применяются для оценки химических, текстурных и структурных характеристик мяса. Мясо. Sci. 144, 100–109. DOI: 10.1016 / j.meatsci.2018.05.020
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Рен и Малик (2003). «Изучение модели классификации для сегментации», Труды Девятая международная конференция IEEE по компьютерному зрению, , Ницца, doi: 10.1109 / ICCV.2003.1238308
CrossRef Полный текст | Google Scholar
Шваннингер, М., Родригес, Дж. К., и Факлер, К. (2011). Обзор распределения полос в ближнем инфракрасном спектре древесины и деревянных компонентов. J. Спектроскопия в ближнем инфракрасном диапазоне. 19, 287–308. DOI: 10.1255 / jnirs.955
CrossRef Полный текст | Google Scholar
Шарма, С., и Бхавья, С. (2020). Алгоритмы определения пороговых значений для сегментации изображений — сравнение на основе энтропии. Glob. Дж.Enterp. Инф. Syst. 11, 19–23.
Google Scholar
Ширзадифар А., Баджва С., Мирией С. А., Ховатт К. и Новацки Дж. (2018). Распознавание видов сорняков на основе анализа спектральных данных растительного покрова с помощью SIMCA. Biosyst. Англ. 171, 143–154. DOI: 10.1016 / j.biosystemseng.2018.04.019
CrossRef Полный текст | Google Scholar
Шортен, П. Р., Лит, С. Р., Шмидт, Дж., И Гамхар, К. (2019). Прогнозирование качества райграса с помощью гиперспектральных изображений. Методы растений 15:63.
Google Scholar
Сильва, Л. О. Л., Кога, М. Л., Кугнаска, К. Э., и Коста, А. Х. Р. (2013). Сравнительная оценка методов отбора признаков и классификации для визуального осмотра сеянцев горшечных растений. Comput. Электрон. Agric. 97, 47–55. DOI: 10.1016 / j.compag.2013.07.001
CrossRef Полный текст | Google Scholar
Смит, А. М., и Блэкшоу, Р. Э. (2003). Распознавание сорняков и культур с использованием дистанционного зондирования: эксперимент с отдельными листьями. Weed Technol. 17, 811–820. DOI: 10.1614 / WT02-179
CrossRef Полный текст | Google Scholar
Солахудин, М., Видодо, С., и Вахью, В. (2018). Разработка системы оценки плотности сорняков на основе датчика RGB. IOP Conf. Ser.Earth Environ. Sci. 147: 012047. DOI: 10.1088 / 1755-1315 / 147/1/012047
CrossRef Полный текст | Google Scholar
Судхир, К., Махесваран, Р., Паниграхи, Б. К., и Матур, С. (2014). Гибридная модель SVM-PSO для прогнозирования месячного стока. Neural Comput. Appl. 24, 1381–1389. DOI: 10.1007 / s00521-013-1341-y
CrossRef Полный текст | Google Scholar
Танежа, К. (2020). Моделирование временных рядов данных электростанции на основе машинного обучения. Ватерлоо, ONT: UWSpace.
Google Scholar
Тарабалка Ю., Фаувель М., Шануссот Дж. И Бенедиктссон Дж. А. (2010). Метод на основе SVM и MRF для точной классификации гиперспектральных изображений. IEEE Geosci.Удаленный. Sens. Lett. 7, 736–740. DOI: 10.1109 / LGRS.2010.2047711
CrossRef Полный текст | Google Scholar
Те, М., Тэцуя, И., Маюка, Б., и Сатору, Т. (2019). Быстрая идентификация пород древесины с помощью ближней инфракрасной спектроскопии с пространственным разрешением (NIR-SRS) на основе гиперспектральной визуализации (HSI). Holzforschung 73, 323–330. DOI: 10.1515 / hf-2018-0128
CrossRef Полный текст | Google Scholar
Вайфаса, К., Скидмор, А. К., Де Бур, В.Ф. и Вайфаса Т. (2007). Селектор гиперспектральных полос для распознавания видов растений. ISPRS J. Photogramm. Удаленный. Sens. 62, 225–235. DOI: 10.1016 / j.isprsjprs.2007.05.006
CrossRef Полный текст | Google Scholar
Вон, А. Б., Нейлсен, Т. Б., Джи, К. Л., Окамото, К., и Акамине, М. (2016). Пространственное изменение ближнего поля при разложении спектров подобия лабораторной струи с Маха 1,8. Proc. Встретить. Акуст. 29: 045004. DOI: 10.1121 / 2.0000456
CrossRef Полный текст | Google Scholar
Вехтари, А., Гельман, А., Габри, Дж. (2017). Практическая оценка байесовской модели с использованием перекрестной проверки исключения по одному и WAIC. Stat. Comput. 27, 1413–1432. DOI: 10.1007 / s11222-016-9696-4
CrossRef Полный текст | Google Scholar
Венгрис, Дж., Дрейк, М., Колби, У. Г. и Барт, Дж. (1953). Химический состав сорняков и сопутствующих им сельскохозяйственных культур 1. Агрон. J. 45, 213–218. DOI: 10.2134 / agronj1953.00021962004500050009x
CrossRef Полный текст | Google Scholar
Уолтер, К., Онисимо, М., и Чандрашекхар, Б. (2019). Различение сортов кукурузы ( Zea mays L.) на основе фенологии с использованием разновременных гиперспектральных данных. J. Appl. Remote Sens. 13, 1–19. DOI: 10.1117 / 1.JRS.13.017504
CrossRef Полный текст | Google Scholar
Ван, А., Чжан, В., и Вэй, X. (2019). Обзор обнаружения сорняков с помощью наземных технологий машинного зрения и обработки изображений. Comput. Электрон. Agric. 158, 226–240. DOI: 10.1016 / j.compag.2019.02.005
CrossRef Полный текст | Google Scholar
Вэй, X., Бай, Дж., Чжан, Дж., И Ву, С. (2014). Идентификация сорняков озимого рапса на стадии всходов на основе отбора спектральных переменных. Sensor Lett. 12, 530–536. DOI: 10.1166 / sl.2014.3107
CrossRef Полный текст | Google Scholar
Вольд, С., Сьёстрём, М., и Эрикссон, Л. (2001). PLS-регрессия: основной инструмент хемометрики. Chemometrics Intelligence. Лаборатория. Syst. 58, 109–130.DOI: 10.1016 / S0169-7439 (01) 00155-1
CrossRef Полный текст | Google Scholar
Xu, X., Li, W., Ran, Q., Du, Q., Gao, L., и Zhang, B. (2018). Классификация данных дистанционного зондирования с несколькими источниками на основе сверточной нейронной сети. IEEE. Пер. Geosci. Удаленный. Sens. 56, 937–949. DOI: 10.1109 / TGRS.2017.2756851
CrossRef Полный текст | Google Scholar
Ян X., Хун Х., Ю З. и Ченг Ф. (2015). Спектральный и визуальный комплексный анализ гиперспектральных данных для классификации сортов семян восковой кукурузы. Датчики 15, 15578–15594. DOI: 10.3390 / s150715578
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Янгентоб, К. Н., Рензулло, Л. Дж., Хелд, А. А., Цзя, X., Линденмайер, Д. Б., и Фоли, В. Дж. (2012). Использование спектроскопии изображений для оценки комплексных показателей качества питания листвы. Methods Ecol. Evol. 3, 416–426. DOI: 10.1111 / j.2041-210X.2011.00149.x
CrossRef Полный текст | Google Scholar
Ю X., Лю К., Ву, Д., и Хе, Ю. (2012). Классификация качества изюма с использованием метода наименьших квадратов поддерживает векторную машину (LSSVM), основанную на комбинированных характеристиках цвета и текстуры. Еда. Bioproc. Tech. 5, 1552–1563. DOI: 10.1007 / s11947-011-0531-9
CrossRef Полный текст | Google Scholar
Юань, Л., Янь, П., Хань, В., Хуанг, Ю., Ван, Б., Чжан, Дж. И др. (2019). Обнаружение антракноза в чайных растениях на основе гиперспектральных изображений. Comput. Электрон. Agric. 167: 105039. DOI: 10.1016 / j.compag.2019.105039
CrossRef Полный текст | Google Scholar
Веб-информационные системы и горное дело
Об этом производстве
Введение
Двухтомный набор LNCS 6987 и LNCS 6988 представляет собой рецензируемые материалы Международной конференции по веб-информационным системам и горнодобывающей промышленности, WISM 2011, состоявшейся в Тайюане, Китай, в сентябре 2011 года.112 представленных обновленных полных статей были тщательно просмотрены и отобраны из 472 представленных материалов. Первый том включает 56 статей, организованных в следующие тематические разделы: приложения в информационных веб-системах; приложения веб-майнинга; распределенные системы; электронное правительство и электронная коммерция; географические информационные системы; информационная безопасность; и интеллектуальные сетевые системы.
Ключевые слова
ассоциативное правило интеллектуальный анализ распределенные вычисления эллиптическая кривая криптография генетический алгоритм семантическая онтология
Редакторы и филиалы
Чжиго Гун
Сянфенг Луо
Цзюньцзе Чен
Цзиншэн Лэй
Фу Ли Ван
1.Кафедра компьютерных и информационных наук, Университет Макао, Тайпа, Китай,
2. Школа компьютеров, Шанхайский университет, Китай,
3. Колледж компьютеров и программного обеспечения, Тайюаньский технологический университет, Тайюань, Китай,
4. Школа компьютерной и информационной инженерии, Шанхайский университет электроэнергетики,
, Китай, 9000, факультет энергетики, Китай, 9000, Китай. Институт высшего образованияTseung Kwan OChina
Библиографическая информация
DOI https: // doi.org / 10.1007 / 978-3-642-23971-7
Информация об авторских правах Springer-Verlag GmbH Берлин Гейдельберг 2011
Имя издателя Шпрингер, Берлин, Гейдельберг
электронные книги Информатика Компьютерные науки (R0)
Печатать ISBN 978-3-642-23970-0
Интернет ISBN 978-3-642-23971-7
Серия Печать ISSN 0302-9743
Серия Интернет ISSN 1611-3349
Купить эту книгу на сайте издателя
Этот сайт использует файлы cookie для повышения производительности.Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.
Настройка вашего браузера для приема файлов cookie
Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:
В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались.Чтобы принять файлы cookie с этого сайта, используйте кнопку «Назад» и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie.Вы должны отключить приложение при входе в систему или уточнить у системного администратора.
Почему этому сайту требуются файлы cookie?
Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.
Что сохраняется в файле cookie?
Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.
Как правило, в файле cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его.
No related posts.
Posted in Контрольная
Навигация по записям
Previous
Next
Leave a Reply
Добавить комментарий Отменить ответ
Ваш адрес email не будет опубликован. Обязательные поля помечены *
Комментарий *
Имя *
Email *
Сайт

Рубрики
Контрольная
Советы
2024 © Все права защищены. Карта сайта