Cherednyk, JuliiaJenz, MarioMöller, KimNieberg, DominikRuckelshausen, ArnoMeyer-Aurich, AndreasGandorfer, MarkusBarta, NorbertGronauer, AndreasKantelhardt, JochenFloto, Helga2019-05-212019-05-212019978-3-88579-681-7https://dl.gi.de/handle/20.500.12116/23098In diesem Dokument werden komplementäre Sensorfusionsansätze zur feldbasierten Hochdurchsatz-Phänotypisierung von Triticale auf Grundlage bildgebender LiDAR- und Lichtschattensensor-Daten vorgestellt. Die Sensordaten wurden mit der Multisensor-Plattform „BreedVision“ gewonnen. Zur Bestimmung des parzellenbezogenen Parameters werden die Messdaten von LiDAR- und Lichtschattensensor fusioniert. Mit Methoden des überwachten maschinellen Lernens wird ein Biomasse-Vorhersagemodell erstellt. Die extrahierten Pflanzenmerkmale werden auf feldbasierte Daten von 1503 Versuchsparzellen an zwei Versuchsstandorten für je zwei Wachstumsstadien trainiert. Das exponentielle Gauß'sche Prozessregressionsmodell wird mittels der Funktionen in MATLAB® entwickelt.deLiDARLichtschattensensorHochdurchsatz-PhänotypisierungSensordatenfusionMachine LearningText/Conference Paper1617-5468