Abstract (deu)
In dieser Arbeit wird die Anwendung von Techniken des maschinellen Lernens (ML) für die Phänotypisierung unter Verwendung multispektraler und multitemporaler Daten aus der Luft untersucht, wobei der Schwerpunkt auf der Identifizierung von Gelbrost bei Weizen liegt. Das Hauptziel besteht darin, die Wirksamkeit der ML-basierten Phänotypisierung aus der Luft als Alternative zu herkömmlichen in-situ-Methoden zu bewerten. Ein bahnbrechender Aspekt dieser Studie ist die Erstellung eines neuartigen Datensatzes mit multispektralen Zeitreihenbildern, die jeweils eine Versuchsparzelle in einem Weizenfeld zeigen, zusammen mit entsprechenden Gelbrost Krankheitsbewertungen durch Experten. Anschließend wird eine vergleichende Analyse zwischen verschiedenen grundlegenden ML-Modellen und Deep-Learning-Modellen zur Vorhersage von Gelbrost anhand des Datensatzes durchgeführt. Unsere Ergebnisse zeigen die Herausforderungen, denen sich ML-Basismodelle bei der genauen Vorhersage von Gelbrost gegenübersehen, im Gegensatz zu den vielversprechenden Ergebnissen eines Deep-Learning-Modells, das den Merkmalsextraktor ResNet34 verwendet. Diese Ergebnisse unterstreichen das Potenzial von ML-Ansätzen bei der Fernphänotypisierung für die Pflanzenzüchtung, insbesondere wenn Deep-Learning-Modelle mit Aufmerksamkeitsmechanismen integriert werden. Die Studie liefert wertvolle Einblicke in die Techniken der Phänotypisierung aus der Ferne, was sich auf die Verbesserung der Krankheitsüberwachung und der Anbaupraktiken auswirkt. Allerdings ist eine weitere Verfeinerung erforderlich. Die beobachtete geringere Leistung bei einem der Testsätze deutet auf einen Mangel an Daten hin, die für die Gewährleistung der Robustheit des Modells und seiner Verallgemeinerungsfähigkeit unerlässlich sind. Künftige Forschungsarbeiten könnten zusätzliche Spektralindizes und die automatische Auswahl von Spektralbändern untersuchen. Schließlich könnte das Modell mit mehr Daten auch so trainiert werden, dass es robuster gegenüber beliebigen Zeitschritten ist, was eine entscheidende Eigenschaft für seine praktische Anwendbarkeit ist.