Yang Zhang

Hyperspectral imaging for nutrient detection and classification in maize and cotton


voorkant	achterkant

ISBN:

978-3-8191-0851-8

Reeks:

Schriftenreihe des Lehrstuhls für Agrartechnik in den Tropen und Subtropen der Universität Hohenheim
Uitgever: Prof. Dr. Joachim Müller
Stuttgart

Volume:

2026,39

Trefwoorden:

hyperspectral imaging; machine learning; nutrient status; maize; cotton

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

134 pagina's

Prijs:

55,80 €

Verschijningsdatum:

September 2026

DOI:

10.2370/9783819108518 (Online-Publicatie-Document)

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Samenvatting
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 943 kB (965477 Byte)
	Acties		downloaden van het bestand - 943 kB (965477 Byte)


	Document		Document
	Soort bestand		PDF
	Kosten		41,85 EUR
	Acties		Tonen en kopen van het bestand - 7,2 MB (7541688 Byte)
	Acties		Kopen en downloaden van het bestand - 7,2 MB (7541688 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 1,1 MB (1130199 Byte)
	Acties		downloaden van het bestand - 1,1 MB (1130199 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

This dissertation investigates the application of hyperspectral imaging (HSI) for rapid, non-destructive detection and classification of crop nutrient status in maize and cotton.
The research consists of three interconnected studies. The first study evaluates vegetation indices for detecting and classifying nitrogen deficiency in maize. By analyzing hyperspectral reflectance from maize leaves under different nitrogen treatments, sensitive wavelengths and optimized vegetation indices were identified for accurate estimation of leaf nitrogen concentration and nitrogen stress classification. The second study develops a more robust framework for maize nitrogen assessment by integrating hyperspectral data collected cross multiple growth stages and different leaf positions. Various feature selection methods and machine learning classifiers are compared to identify stable spectral features and improve classification performance.
The third study extends the methodology to cotton by estimating nitrogen and phosphorus status at different growth stages. Machine learning algorithms are employed for both regression and classification to identify key spectral regions associated with nutrient status and evaluate their predictive performance.
Overall, this research demonstrates that combining hyperspectral imaging with vegetation indices, feature selection, and machine learning enables accurate nutrient detection in different crops and growth stages. The findings contribute to the development of rapid , non-destructive cop nutrient monitoring systems and provide practical support for precision fertilization and sustainable agricultural management.