Multispectral Crop Yield Prediction Using 3D-Convolutional Neural Networks and Attention Convolutional LSTM Approaches

QR kód

Multispectral Crop Yield Prediction Using 3D-Convolutional Neural Networks and Attention Convolutional LSTM Approaches

Elmentve itt :

Bibliográfiai részletek
Szerzők:	Mirhoseini Nejad Seyed Mahdi Abbasi-Moghadam Dariush Sharifi Aireza Farmonov Nizom Amankulova Khilola Mucsi László
Dokumentumtípus:	Cikk
Megjelent:	2023
Sorozat:	IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 16
Tárgyszavak:	Föld- és kapcsolódó környezettudományok
doi:	10.1109/JSTARS.2022.3223423
mtmt:	33291883
Online Access:	http://publicatio.bibl.u-szeged.hu/25775

Hasonló tételek

Machine Learning-driven Crop Classification and Yield Prediction Using Combined Multispectral, Hyperspectral, and Environmental Data
Szerző: Farmonov Nizom
Megjelent: (2024)

Crop Type Classification by DESIS Hyperspectral Imagery and Machine Learning Algorithms
Szerző: Farmonov Nizom, et al.
Megjelent: (2023)

Combining time- and frequency-domain convolution in convolutional neural network-based phone recognition
Szerző: Tóth László
Megjelent: (2014)

Improved Processing of Ultrasound Tongue Videos by Combining ConvLSTM and 3D Convolutional Networks
Szerző: Honarmandi Shandiz Amin, et al.
Megjelent: (2022)

Spectra of convolution operators
Szerző: Boyd David W.
Megjelent: (1973)

The convolution theorems of Dieudonné
Szerző: Burnham J. T., et al.
Megjelent: (1974)

On a convolution theorem
Szerző: Yap Leonard Y. H.
Megjelent: (1976)

Dual convolutional neural network classifier with pyramid attention network for image-based kinship verification
Szerző: Rachmadi Reza Fuad, et al.
Megjelent: (2023)

Proactive Minimization of Convolutional Networks
Szerző: Jenei Bendegúz, et al.
Megjelent: (2019)

Sunflower Crop Yield Prediction by advanced statistical modeling using Satellite-derived Vegetation Indices and Crop Phenology
Szerző: Amankulova Khilola, et al.
Megjelent: (2023)

Convolutional deep rectifier neural nets for phone recognition
Szerző: Tóth László
Megjelent: (2013)

Implementing a self-scaling convolutional neural network
Szerző: Jenei Bendegúz
Megjelent: (2018)

End-to-end convolutional neural networks for intent detection
Szerző: Yolchuyeva Sevinj, et al.
Megjelent: (2019)

HypsLiDNet 3-D-2-D CNN Model and Spatial–Spectral Morphological Attention for Crop Classification with DESIS and LiDAR Data /
Szerző: Farmonov Nizom, et al.
Megjelent: (2024)

A combinatorial proof of Shapiro's Catalan convolution
Szerző: Nagy Gábor V.

Convolutional Deep Maxout Networks for Phone Recognition
Szerző: Tóth László
Megjelent: (2014)

A combinatorial proof of Shapiro's Catalan convolution
Szerző: Nagy Gábor
Megjelent: (2012)

A convolution formula for certain Diophantine equations
Szerző: Pombo Dinamérico Pereira
Megjelent: (1996)

Produit de convolution des mesures opératorielles
Szerző: Berberian Sterling Khazag
Megjelent: (1978)

A bijective proof of Shapiro's Catalan convolution
Szerző: Hajnal Péter, et al.
Megjelent: (2014)

Crop yield prediction using machine learning, multi-source remote sensing technologies and data fusion a case study of Mezőhegyes Hungary /
Szerző: Amankulova Khilola
Megjelent: (2024)

Modeling Long Temporal Contexts in Convolutional Neural Network-Based Phone Recognition
Szerző: Tóth László
Megjelent: (2015)

3D Convolutional Neural Networks for Ultrasound-Based Silent Speech Interfaces
Szerző: Tóth László, et al.
Megjelent: (2020)

Phone recognition with hierarchical convolutional deep maxout networks
Szerző: Tóth László
Megjelent: (2015)

Hybrid Unsupervised Methods and Inject-Multiply Morphological Features for Mapping Wildfire Burned Areas with Multi-Spectral Satellite Data
Szerző: Esmaeili Mohammad, et al.
Megjelent: (2025)

A Reconstruction-Free Projection Selection Procedure for Binary Tomography Using Convolutional Neural Networks
Szerző: Pap Gergely, et al.
Megjelent: (2019)

Optimizing sequence data analysis using convolution neural network for the prediction of CNV bait positions
Szerző: Maróti Zoltán, et al.
Megjelent: (2024)

Comparison of convolution based interpolation techniques in digital image processing [abstract] /
Szerző: Póth Miklós
Megjelent: (2006)

Time-series analysis of Sentinel-2 satellite images for sunflower yield estimation
Szerző: Amankulova Khilola, et al.
Megjelent: (2023)

A convolution theorem and a remark on uniformly closed Fourier algebras
Szerző: Bekes Robert A.
Megjelent: (1976)

Detection of Plastic Greenhouses Using High Resolution Rgb Remote Sensing Data and Convolutional Neural Network
Szerző: Jakab Balázs, et al.
Megjelent: (2021)

Detection of plastic greenhouses using high resolution Rgb remote sensing data and convolutional neural network
Szerző: Jakab Balázs, et al.
Megjelent: (2021)

Depthwise Convolutions using Physicochemical Features of DNA for Transcription Factor Binding Site Classification Physicochemical Features for DNA-Protein Classification with Depthwise Convolutions /
Szerző: Pap Gergely, et al.
Megjelent: (2022)

The infimal convolution can be used to derive extension theorems from the sandwich ones
Szerző: Száz Árpád
Megjelent: (2010)

Transcription factor binding site detection using convolutional neural networks with a functional group-based data representation
Szerző: Pap Gergely, et al.
Megjelent: (2021)

Ultrastructure of the proximal convoluted tubules during repair following hormonally induced necrosis in rat kidney
Szerző: Ormos Jenő, et al.
Megjelent: (1973)

Előrecsatolt és LSTM neuronhálózatok összehasonlítása beszédfelismerési feladatokon
Szerző: Hunyadi Zsombor
Megjelent: (2019)

Segmentation methods based on spatial characteristics of multispectral images [abstract] /
Szerző: Csornai Gábor, et al.
Megjelent: (2000)

Proximális kanyarulatos csatornák baktérium-phagocytosisa kísérletes pyelonephritisben [Bacterial phagocytosis of the proximal convoluted tubules in experimental pyelonephritis].
Szerző: Iványi Béla, et al.
Megjelent: (1986)

Integrating the Sentinel-1, Sentinel-2 and Topographic data into soybean yield modelling using Machine Learning
Szerző: Amankulova Khilola, et al.
Megjelent: (2024)