Comparisons of Two Hand-Held, Multispectral Field Radiometers and a Hyperspectral Airborne Imager in Terms of Predicting Spring Wheat Grain Yield and Quality by Means of Powered Partial Least Squares Regression

2010 ◽  
Vol 18 (4) ◽  
pp. 247-261 ◽  
Author(s):  
Stein Ivar Øvergaard ◽  
Tomas Isaksson ◽  
Knut Kvaal ◽  
Audun Korsaeth
Keyword(s):  
Grain Yield ◽  
Least Squares ◽  
Partial Least Squares ◽  
Spring Wheat ◽  
Partial Least Squares Regression ◽  
Least Squares Regression ◽  
Wheat Grain ◽  
Yield And Quality ◽  
Grain Yield And Quality

Predicting grain yield and protein content in winter wheat and spring barley using repeated canopy reflectance measurements and partial least squares regression

2002 ◽  
Vol 139 (3) ◽  
pp. 307-318 ◽  
Author(s):  
P. M. HANSEN ◽  
J. R. JØRGENSEN ◽  
A. THOMSEN
Keyword(s):  
Winter Wheat ◽  
Grain Yield ◽  
Least Squares ◽  
Protein Content ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Spring Barley ◽  
Grain Protein Content ◽  
Least Squares Regression ◽  
Reflectance Measurements

By providing both spatial and temporal information remote sensing may function as an important source of data for site-specific crop management. This technology has been used for nitrogen application strategies to obtain optimum yield and grain quality. Here, the objective was to use early repeated remotely sensed multi-spectral data to predict grain yield and quality for winter wheat (Triticum aestivum L.) and spring barley (Hordeum vulgare L.). The crops were sown with two different seeding rates and a wide range of nitrogen strategies were applied. Multi-way partial least squares regression (N-PLS) was used to predict grain yield and protein content. The results were compared with unfold-PLS1 and PLS1 using reflectance data from the last measurement day. Both single reflectance wavelengths and selected vegetation indices were used simultaneously. The results reveal that all models can make a good prediction of yield in both crops with unfold-PLS1 and N-PLS as the best. However, estimation of grain protein content at harvest was very poorly determined in barley, as no relation between the reflectance measurements and barley protein content was obtained. The relation between reflectance measurements and protein content was slightly better in wheat, where especially N-PLS improved the prediction of grain protein content. The overall conclusion of the present experiments is that data from repeated measurements of reflectance used in multi-way partial least squares regression before heading improved the prediction of grain yield and protein content in wheat and barley.

Relative Sensitivity of Spring Wheat Grain Yield and Quality Parameters to Moisture Deficit

Crop Science ◽  
2001 ◽  
Vol 41 (2) ◽  
pp. 327-335 ◽  
Author(s):  
Mary J. Guttieri ◽  
Jeffrey C. Stark ◽  
Katherine O'Brien ◽  
Edward Souza
Keyword(s):  
Grain Yield ◽  
Spring Wheat ◽  
Relative Sensitivity ◽  
Quality Parameters ◽  
Wheat Grain ◽  
Yield And Quality ◽  
Moisture Deficit ◽  
Grain Yield And Quality

Use of reflectance spectroscopy to estimate the organic carbon and CaCO3 contents of soils

2012 ◽  
Vol 61 (2) ◽  
pp. 277-290 ◽  
Author(s):  
Ádám Csorba ◽  
Vince Láng ◽  
László Fenyvesi ◽  
Erika Michéli
Keyword(s):  
Organic Carbon ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Mean Squared Error ◽  
Reflectance Spectroscopy ◽  
Least Squares Regression ◽  
Root Mean Squared Error ◽  
Squared Error

Napjainkban egyre nagyobb igény mutatkozik olyan technológiák és módszerek kidolgozására és alkalmazására, melyek lehetővé teszik a gyors, költséghatékony és környezetbarát talajadat-felvételezést és kiértékelést. Ezeknek az igényeknek felel meg a reflektancia spektroszkópia, mely az elektromágneses spektrum látható (VIS) és közeli infravörös (NIR) tartományában (350–2500 nm) végzett reflektancia-mérésekre épül. Figyelembe véve, hogy a talajokról felvett reflektancia spektrum információban nagyon gazdag, és a vizsgált tartományban számos talajalkotó rendelkezik karakterisztikus spektrális „ujjlenyomattal”, egyetlen görbéből lehetővé válik nagyszámú, kulcsfontosságú talajparaméter egyidejű meghatározása. Dolgozatunkban, a reflektancia spektroszkópia alapjaira helyezett, a talajok ösz-szetételének meghatározását célzó módszertani fejlesztés első lépéseit mutatjuk be. Munkánk során talajok szervesszén- és CaCO3-tartalmának megbecslését lehetővé tévő többváltozós matematikai-statisztikai módszerekre (részleges legkisebb négyzetek módszere, partial least squares regression – PLSR) épülő prediktív modellek létrehozását és tesztelését végeztük el. A létrehozott modellek tesztelése során megállapítottuk, hogy az eljárás mindkét talajparaméter esetében magas R2értéket [R2(szerves szén) = 0,815; R2(CaCO3) = 0,907] adott. A becslés pontosságát jelző közepes négyzetes eltérés (root mean squared error – RMSE) érték mindkét paraméter esetében közepesnek mondható [RMSE (szerves szén) = 0,467; RMSE (CaCO3) = 3,508], mely a reflektancia mérési előírások standardizálásával jelentősen javítható. Vizsgálataink alapján arra a következtetésre jutottunk, hogy a reflektancia spektroszkópia és a többváltozós kemometriai eljárások együttes alkalmazásával, gyors és költséghatékony adatfelvételezési és -értékelési módszerhez juthatunk.

Speech Emotion Recognition Based on Sparse Representation

2013 ◽  
Vol 38 (4) ◽  
pp. 465-470 ◽  
Author(s):  
Jingjie Yan ◽  
Xiaolan Wang ◽  
Weiyi Gu ◽  
LiLi Ma
Keyword(s):  
Dimensionality Reduction ◽  
Emotion Recognition ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Speech Emotion Recognition ◽  
Least Squares Regression ◽  
Computer Science Pedagogy ◽  
Reduction Methods ◽  
Analysis Computer

Abstract Speech emotion recognition is deemed to be a meaningful and intractable issue among a number of do- mains comprising sentiment analysis, computer science, pedagogy, and so on. In this study, we investigate speech emotion recognition based on sparse partial least squares regression (SPLSR) approach in depth. We make use of the sparse partial least squares regression method to implement the feature selection and dimensionality reduction on the whole acquired speech emotion features. By the means of exploiting the SPLSR method, the component parts of those redundant and meaningless speech emotion features are lessened to zero while those serviceable and informative speech emotion features are maintained and selected to the following classification step. A number of tests on Berlin database reveal that the recogni- tion rate of the SPLSR method can reach up to 79.23% and is superior to other compared dimensionality reduction methods.

Sign in / Sign up

Export Citation Format

Share Document