Mehr

„Offizielle“ Definition zum Hyperspektralsensor

„Offizielle“ Definition zum Hyperspektralsensor


Ich habe in der Literatur nach einer formalen Definition für Hyperspektralsensoren gesucht und die vollständigste Definition, die ich gefunden habe, stammt vom Center of Space Research (@ University of Texas in Austin):

Hyperspektrale Datensätze bestehen im Allgemeinen aus etwa 100 bis 200 Spektralbändern relativ schmaler Bandbreiten (5–10 nm), während multispektrale Datensätze normalerweise aus etwa 5 bis 10 Bändern relativ großer Bandbreiten (70–400 nm) bestehen.

Gibt es einen Konsens darüber? Existiert ein internationales Gremium oder Forum, das sich mit Definitionen der Fernerkundung befasst?


Nicht das ich wüsste. Manchmal werden die Sensoren benannt und dann die Definition geändert (z. B. würde Advanced Very High Resolution Radiometer nicht mehr VHR heißen, aber es war 1978)

Ihre Definition ist ziemlich praktisch, sagt Ihnen aber nicht, was Sie zwischen den beiden Bereichen haben (z. B. 15 Bänder wie MERIS, Rapideye Red Edge ist 40 nm… Ich würde diese beiden in die Kategorie mlti-spektral einordnen, aber wie Sie sehen können, ist dies der Fall außer Reichweite).

Davon abgesehen würde ich mich für eine Definition von Hyperspektral nicht zu sehr auf die Anzahl der Bänder verlassen. Was mir wichtiger ist, ist die Methode der Akquisition. Sehen Sie den Unterschied zwischen Radiometer (für Multispektral) und Spektrometer (für Hyperspektral) unten:

Radiometer. Radiometer werden verwendet, um die Menge an elektromagnetischer Energie innerhalb eines bestimmten Wellenlängenbereichs zu messen. Die Messung wird in Watt (W) ausgedrückt, einer Maßeinheit für die Leistung. Radiometer werden normalerweise verwendet, um die Energiemenge außerhalb des sichtbaren Lichtspektrums zu erkennen und zu messen, und werden verwendet, um ultraviolettes (UV) Licht oder Infrarot (IR) zu messen. Eine typische Verwendung für ein UV-Messgerät ist die Museumsbeleuchtung, wo das Vorhandensein von UV-Strahlen sehr problematisch sein kann. UV-Energie beschleunigt den Alterungsprozess aufgrund ihres höheren Energiegehalts, sodass jede Energie unter 400 nm herausgefiltert oder eliminiert werden muss. Eine weitere Anwendung für ein Radiometer ist die Detektion und Messung von Infrarot oder IR. Es wird verwendet, um Wärme auf einer Oberfläche zu erkennen und zu messen. Techniker verwenden sie, um überhitzte Motoren oder kurzgeschlossene Kabel sicher zu erkennen und zu reparieren. Radiometer können sehr schnell messen, da es sich um einfache Messgeräte handelt, die nur einen Sensor mit einem Filter verwenden, der nur den Wellenlängenbereich misst, für den sie bestimmt sind.

Spektrometer. Spektrometer sind wie Radiometer Instrumente, die auch zur Messung eines bestimmten Wellenlängenbereichs verwendet werden. Der größte Unterschied besteht darin, dass Spektrometer ein optisches Gitter oder Prisma und mehrere Sensoren verwenden, um die eingehende Energie in verschiedene Wellenlängen oder Komponenten zu zerlegen. Spektrometer sind keine vollständigen Instrumente und müssen mit einer Optik gepaart werden, um richtig zu funktionieren. Es kann mit einem Kamerasystem zur Messung von Watt pro Quadratmeter SR nm ( W / m2 * SR * nm ) oder mit einem kosinuskorrigierten Kopf zur Messung der Bestrahlungsstärke und zur Anzeige von Watt pro Quadratmeter nm ( W / m2 * nm ) verwendet werden. Spektrometer können bis zu 2048 Sensoren haben, sind also hochgradig analytisch und können sehr genaue Daten liefern und sehr genau messen. Und da es sich nicht um komplette Systeme handelt, können sie in vielen Branchen und Anwendungen adaptiert und eingesetzt werden.

  • Weitere Informationen finden Sie unter: http://sensing.konicaminolta.us/2013/11/what-is-the-difference-between-radiometers-spectrometers-and-spectroradiometers/#sthash.ftcJmYdC.dpuf

So ist die Bandbreite bei einem Radiometer für einen bestimmten Zweck festgelegt, während das Spektrometer potenziell ein kontinuierliches Spektrum liefert.


Eine hohe Anzahl von Bändern macht einen Sensor nicht "hyperspektral", obwohl die hyper könnte vermuten, dass "viele" die Lösung ist. Das typische Merkmal hyperspektraler Daten ist jedoch, dass sie zu einer kontinuierlichen Reflexionskurve über den gemessenen Wellenlängenbereich führen. Daher muss das Spektralintervall schmal sein, viel schmaler als bei den multispektralen Sensoren. Landsat 8 beispielsweise mittelt über einen breiten Spektralbereich, wie das Blaue Band, das 0,452-0,512 nm abdeckt (=60 nm!= Der hyperspektrale HyMap-Flugsensor hat ein Spektralintervall von 15 nm im VIS.

Ein gutes Beispiel für einen (semi)hyperspektralen Satelliten ist CHRIS-PROBA, entwickelt von der ESA, siehe hier. Im Modus 5 hat es nur 32 Bänder, diese erlauben aber noch einen mehr oder weniger zusammenhängenden Spektralverlauf. Es kommt nicht immer auf die Größe an :)


&ldquoOffizielle&rdquo-Definition für Hyperspektralsensor - Geographische Informationssysteme

2011 LCTES https://doi.org/10.1145/1967677.1967691 https://doi.org/10.1145/2016603.1967691 conf/lctrts/2011 db/conf/lctrts/lctes2011.html#WangLLFBL11 Feng Li Shuangli Ye Shifeng Li Xinzhi Shi Mikroinduktor für HF-ICs mit NiCuZn-Ferritfilm.

2011 RVSP https://doi.org/10.1109/RVSP.2011.49 http://doi.ieeecomputersociety.org/10.1109/RVSP.2011.49 conf/rvsp/2011 db/conf/rvsp/rvsp2011.html#JinHL011 Chun Chen Feng Li Beng Chin Ooi Sai Wu TI: ein effizienter Indexierungsmechanismus für die Echtzeitsuche in Tweets.

2011 Modellierung des Risikomanagements für Ressourcen und Umwelt in China https://doi.org/10.1007/978-3-642-18387-4_22 series/crm/WZ2011 db/series/crm/WZ2011.html#YinGL11 Feng Li Shilun Ge Jie Yin Research on Talent Introduction Hazard und Trainingsstrategie der Universität basierend auf Data Mining.

2011 Modellierung des Risikomanagements für Ressourcen und Umwelt in China https://doi.org/10.1007/978-3-642-18387-4_24 series/crm/WZ2011 db/series/crm/WZ2011.html#LiGY11 Feng Li Zong-Kun Li Chuan-Bin Yang Risikobewertung des Deichbaus basierend auf der Dreiecks-Fuzzy-Zahl und dem analytischen Netzwerkprozess und seiner Anwendung.

2011 Modellierung des Risikomanagements in nachhaltigem Bauen https://doi.org/10.1007/978-3-642-15243-6_48 series/crm/W2011 db/series/crm/W2011.html#LiLY11 Guomei Zhang Shihua Zhu Feng Li Pinyi Ren Verbesserte SISO MMSE-Erkennung für Joint Coded-Precoded OFDM unter Imperfect Channel Estimation.

2010 93-B IEICE-Trans. Komm. 3 https://doi.org/10.1587/transcom.E93.B.757 http://search.ieice.org/bin/summary.php?id=e93-b_3_757 db/journals/ieicet/ieicet93b.html#ZhangZLR10 Zhihua Xia Xingming Sun Wei Liang 0005 Jiaohua Qin Feng Li JPEG-Bild-Steganalyse unter Verwendung gemeinsamer diskreter Cosinus-Transformationsdomänenfunktionen.

2010 19 J. Electronic Imaging 2 https://doi.org/10.1117/1.3421972 db/journals/jei/jei19.html#XiaSLQL10 Jingen Ni Feng Li Ein Matrix-normalisierter adaptiver Subbandfilter mit variabler Schrittweite.

2010 18 IEEE-Trans. Sprachaudioprozess. 6 https://doi.org/10.1109/TASL.2009.2032948 db/journals/taslp/taslp18.html#NiL10 Jingen Ni Feng Li Adaptive Kombination von adaptiven Subbandfiltern zur akustischen Echokompensation.

2010 ICEBE https://doi.org/10.1109/ICEBE.2010.66 http://doi.ieeecomputersociety.org/10.1109/ICEBE.2010.66 conf/icebe/2010 db/conf/icebe/icebe2010.html#FengWFTL10 Huachun Tan Jie Zhang Jianshuai Feng Feng Li Fahrzeuggeschwindigkeitsmessung zur Unfalluntersuchung.

2010 ICEBE https://doi.org/10.1109/ICEBE.2010.74 http://doi.ieeecomputersociety.org/10.1109/ICEBE.2010.74 conf/icebe/2010 db/conf/icebe/icebe2010.html#TanZFL10 Zan Mo Haitao Xie Hongwei Liu Feng Li Parameteroptimierung von SVM basierend auf HQGA.

2009 92-B IEICE-Trans. Komm. 5 https://doi.org/10.1587/transcom.E92.B.1892 http://search.ieice.org/bin/summary.php?id=e92-b_5_1892&category=B&year=2009&lang= E&abst=db/journals/ieicet/ieicet92b.html#LiZR09 Guomei Zhang Shihua Zhu Shaopeng Wang Feng Li Ein verbesserter MMSE-Kanalschätzer für gemeinsames codiert-vorcodiertes OFDM.

2009 5 Int. J. Bioinform. Res. Appl. 6 https://doi.org/10.1504/IJBRA.2009.029043 https://www.wikidata.org/entity/Q33514774 db/journals/ijbra/ijbra5.html#ChenL09 Wenhui Nie Shiguang Ju Anrong Xue Feng Li Positionierung eines Knotens von Drahtlose Sensornetzwerke im dreidimensionalen Raum.

2009 2 Int. J. Komm. Netzw. Syst. Wissenschaft 6 https://doi.org/10.4236/ijcns.2009.26059 db/journals/ijcns/ijcns2.html#NieJXL09 Jingen Ni Feng Li Ein normalisierter Teilband-Adaptivfilter mit variabler Regularisierungsmatrix.

2009 FSKD (6) https://doi.org/10.1109/FSKD.2009.646 http://doi.ieeecomputersociety.org/10.1109/FSKD.2009.646 conf/fskd/2009 db/conf/fskd/fskd2009-6.html# LiaoLS09 Lili Ma Huaming Liao Yongqiang He Feng Li Qiang Gao Ein Wechselkriterium für Hybrid-Datensätze, die auf der Karte verschmelzen.

2009 GCC https://doi.org/10.1109/GCC.2009.28 http://doi.ieeecomputersociety.org/10.1109/GCC.2009.28 conf/gcc/2009 db/conf/gcc/gcc2009.html#MaLHLG09 Feng Li Cheng Liu Anwendungsstudie des neuronalen Netzwerks von BP zur Börsenprognose.

2009 HIS (3) https://doi.org/10.1109/HIS.2009.248 http://doi.ieeecomputersociety.org/10.1109/HIS.2009.248 conf/his/2009 db/conf/his/his2009-3.html# LiL09 Feng Li Qizhe Quan Studie zum Finanzrisiko basierend auf EVT.

2009 HIS (3) https://doi.org/10.1109/HIS.2009.249 http://doi.ieeecomputersociety.org/10.1109/HIS.2009.249 conf/his/2009 db/conf/his/his2009-3.html# LiQ09 Feng Li Jeff B. Pelz Scott J. Daly Messung von Hand-, Kopf- und Fahrzeugbewegungen in Pendlerumgebungen.

2009 ICC https://doi.org/10.1109/ICC.2009.5198630 conf/icc/2009 db/conf/icc/icc2009.html#LiWC09 Feng Li Second Derivative Approximation for Origin-Based Algorithm.

2009 PDCAT https://doi.org/10.1109/PDCAT.2009.46 http://doi.ieeecomputersociety.org/10.1109/PDCAT.2009.46 conf/pdcat/2009 db/conf/pdcat/pdcat2009.html#SunSLYMF09 Juni Xie Feng Li Keming Xie Xinying Xu Intelligenter Fehlerdiagnosealgorithmus basierend auf binärem Granule Neural Network.

2008 19 J. Vis. Komm. Bild darstellen. 3 https://doi.org/10.1016/j.jvcir.2007.04.009 db/journals/jvcir/jvcir19.html#ShenJCL08 Feng Li Shu Li Yigong Zhao Fokussierung von Azimut-invarianten bistatischen SAR-Daten mit Chirp-Skalierung.

CVPR-Workshops 2008 https://doi.org/10.1109/CVPRW.2008.4563010 http://doi.ieeecomputersociety.org/10.1109/CVPRW.2008.4563010 conf/cvpr/2008w db/conf/cvpr/cvprw2008.html#ZhouDLL08 Feng Li Chunhua Tian Rongzeng Cao Wei Ding 0002 Eine Integer Linear Programming for Container Stowage Problem.

2008 SJTU-TUB Gemeinsamer Workshop https://doi.org/10.1007/978-1-4020-8889-6_16 conf/jtb/2008 db/conf/jtb/jtb2008.html#LiLWZLWL08 Chunhua Tian Feng Li Rongzeng Cao Wei Ding 0002 Zuweisung und Preisgestaltung der Servicekapazität.

2008 PACIIA (1) https://doi.org/10.1109/PACIIA.2008.20 http://doi.ieeecomputersociety.org/10.1109/PACIIA.2008.20 conf/paciia/2008-1 db/conf/paciia/paciia2008-1. html#DengRLL08 Feng Li Changhua Deng Shaowei Song Jie Duan Vorhersage der Belastungen in Gasgeneratoren basierend auf neuronalen BP-Netzen.

2008 PACIIA (1) https://doi.org/10.1109/PACIIA.2008.22 http://doi.ieeecomputersociety.org/10.1109/PACIIA.2008.22 conf/paciia/2008-1 db/conf/paciia/paciia2008-1. html#LiDSD08 Fang Li Yihong Li Yanchen Wu Kai Zhou Feng Li Xinguang Wang Entdeckung der Interessen eines Benutzers im Internet.

2008 Web Intelligence https://doi.org/10.1109/WIIAT.2008.18 http://doi.ieeecomputersociety.org/10.1109/WIIAT.2008.18 conf/webi/2008 db/conf/webi/webi2008.html#LiLWZLW08 Chunhua Tian Hao Zhang Feng Li Regelflusslogik-Verifizierung: Ein simulationsbasierter Ansatz.

2007 BROADNETS https://doi.org/10.1109/BROADNETS.2007.4550522 http://eudl.eu/doi/10.1109/BROADNETS.2007.4550522 conf/broadnets/2007 db/conf/broadnets/broadnets2007.html#LiLLWCK07 Pei-lin Liu Feng Li Yi-jun Tan Forschung zur Verfeinerung des Netzes der Schiffslukenecke basierend auf dem Übergangselement.

2007 IIH-MSP https://doi.org/10.1109/IIHMSP.2007.4457784 http://doi.ieeecomputersociety.org/10.1109/IIH-MSP.2007.440 conf/iih-msp/2007 db/conf/iih-msp/iih -msp2007.html#WangLL07 Jianwei Shang Feng Li Yanyan Zhang Ein sicheres Schema zur verteilten symmetrischen Schlüsselgenerierung.

2007 SITIS https://doi.org/10.1109/SITIS.2007.139 http://doi.ieeecomputersociety.org/10.1109/SITIS.2007.139 conf/sitis/2007 db/conf/sitis/sitis2007.html#LiML07 Feng Li Jianwei Shang Daxing Li Ein proaktives, sicheres Multisecret-Sharing-Schwellensystem.

2005 52-I IEEE-Trans. Schaltungen Syst. Ich reguliere. Brei. 4 https://doi.org/10.1109/TCSI.2005.844367 db/journals/tcas/tcasI52.html#WenWLK05 Minghong Zhou Huaming Liao Feng Li Schemaanpassung unter Mehrbeziehungsabhängigkeiten.

2005 conf/skg/2005 SKG https://doi.org/10.1109/SKG.2005.82 http://doi.ieeecomputersociety.org/10.1109/SKG.2005.82 db/conf/skg/skg2005.html#LiHLL05 Feng Li Jiaxiong Peng Xiaojun Zheng Objektbasierte und semantische Bildsegmentierung mit MRF.

2004 2004 EURASIP J. Adv. Signalprozess. 6 https://doi.org/10.1155/S1110865704402182 db/journals/ejasp/ejasp2004.html#LiPZ04 Feng Li Jiaxiong Peng Doppelte Zufallsfeldmodelle für die Segmentierung von Fernerkundungsbildern.

https://doi.org/10.1007/978-3-540-30544-6_27 2004 conf/icadl/2004 ICADL db/conf/icadl/icadl2004.html#ZhangYDWLT04 Feng Li Jian Song Yongzhao Zhan Eine schnelle Farbkorrekturmethode basierend auf Bildanalyse.

2003 conf/ictai/2003 ICTAI https://doi.org/10.1109/TAI.2003.1250185 http://doi.ieeecomputersociety.org/10.1109/TAI.2003.1250185 db/conf/ictai/ictai2003.html#XiongWL03 Ying Wei Feng Li Fallbasierte Argumentation: Ein intelligenter Ansatz für die Warnung vor Finanzkrisen.

https://doi.org/10.1007/978-3-540-45080-1_134 2003 conf/ideal/2003 IDEAL db/conf/ideal/ideal2003.html#WeiL03 Rahim Ghasemiyeh Feng Li Informationstechnologie und -steuerung.

2001 conf/cscwd/2001 CSCWD https://doi.org/10.1109/CSCWD.2001.942300 db/conf/cscwd/cscwd2001.html#LiLGL01 Rahim Ghasemiyeh Feng Li Informationstechnologie und neue Organisationsformen.

1999 10 Int. J. Bildgebungssystem. techn. 4 https://doi.org/10.1002/(SICI)1098-1098(1999)10:4::AID-IMA7ɯ.0.CO2-7 db/journals/imst/imst10.html#LiZBW99 Feng Li Peng -Yung Woo Computererkennung von Jia Gu Wen-Zeichen.

1995 conf/icdar/1995-2 ICDAR https://doi.org/10.1109/ICDAR.1995.602030 http://doi.ieeecomputersociety.org/10.1109/ICDAR.1995.602030 db/conf/icdar/icdar1995-2.html#ZhouHL95 Feng Li Andrew Gillespie Team Telearbeit: Eine neue Form der Arbeitsorganisation.

1994 conf/ifip8-2/1994 Transformation von Organisationen mit Informationstechnologie db/conf/ifip8-2/ifip8-2-1994.html#LiG94 Feng Li Guozheng Yao Yun-jiu Wang Ein neues neuronales Netzwerkmodell für die Linienzeichnung von Textursegmenten.


Ansprüche

Empfangen von Bilderfassungsdaten, die ein oder mehrere Bilder umfassen, wobei die Daten eine Teilmenge von landwirtschaftlichen Objekten darstellen, die ein erstes landwirtschaftliches Objekt aus den Bilderfassungsdaten klassifizieren und dem ersten landwirtschaftlichen Objekt der Teilmenge von landwirtschaftlichen Objekten eine erste Identität zuweisen. Identifizieren eines Bildes, das das erste landwirtschaftliche Objekt darstellt, in einer Datenbank, die eine erste Karte umfasst, die eine Vielzahl von Bildern umfasst, die ein oder mehrere landwirtschaftliche Objekte darstellen, die das Bild, das das erste landwirtschaftliche Objekt darstellt, mit der ersten Identität des ersten landwirtschaftlichen Objekts abgleichen, Empfangen von Anweisungen, die mit einem oder mehreren verknüpft sind mit einem Emitter durchzuführende Aktionen, basierend auf der ersten Klassifizierung des einen oder der mehreren landwirtschaftlichen Objekte, was bewirkt, dass der Emitter dazu konfiguriert ist, die Aktion auszuführen, um ein landwirtschaftliches Projektil auszustoßen, um ein erstes landwirtschaftliches Objekt mit der ersten Klassifizierung abzufangen.

2. Verfahren nach Anspruch 1, ferner umfassend:

Erzeugen einer zweiten Karte, die einen zweiten Index einer Vielzahl von landwirtschaftlichen Objekten umfasst, die innerhalb einer geografischen Grenze assoziiert sind, basierend auf der ersten Karte und den Bilderfassungsdaten, die das eine oder die mehreren Bilder umfassen.

3. Verfahren nach Anspruch 2, wobei das Empfangen der Bilderfassungsdaten, die die Teilmenge von landwirtschaftlichen Objekten darstellen, umfasst:

Empfangen von Daten, die ein vorhergesagtes Bild des landwirtschaftlichen Objekts darstellen, um eine Änderung in einem Bild von dem einen oder den mehreren Sensoren des landwirtschaftlichen Objekts basierend auf dem vorhergesagten Wachstum vorherzusagen.

4. Verfahren nach Anspruch 1, ferner umfassend:

Zuweisen einer räumlichen Position des landwirtschaftlichen Objekts zu der ersten Klassifizierung basierend auf dem Vergleichen des Bildes, das das erste landwirtschaftliche Objekt darstellt, mit der ersten Identität des ersten landwirtschaftlichen Objekts.

5. Verfahren nach Anspruch 1, wobei das Erfassen des landwirtschaftlichen Objekts in Verbindung mit dem einen oder den mehreren Sensoren Folgendes umfasst:

Erzeugen von Bilddaten des landwirtschaftlichen Objekts, um ein abgebildetes landwirtschaftliches Objekt zu bilden, das das abgebildete landwirtschaftliche Objekt mit Daten korreliert, die ein indiziertes landwirtschaftliches Objekt in der Untermenge von landwirtschaftlichen Objekten darstellen, und das Identifizieren des abgebildeten landwirtschaftlichen Objekts als das indizierte landwirtschaftliche Objekt.

6. Verfahren nach Anspruch 1, wobei das Klassifizieren des einen oder der mehreren landwirtschaftlichen Objekte mit einem maschinellen Lernalgorithmus durchgeführt wird, der einen Deep-Learning-Algorithmus umfasst.

7. Verfahren nach Anspruch 1, wobei die eine oder die mehreren auszuführenden Aktionen auf dem Klassifizieren des einen oder der mehreren landwirtschaftlichen Objekten als Blüte oder Blütentraube basieren.

8. Verfahren nach Anspruch 1, wobei die erste Klassifizierung des einen oder der mehreren landwirtschaftlichen Objekte ein Apfelblüten-Cluster, eine Königsblüte oder eine Kombination davon ist.

9. Verfahren nach Anspruch 1, wobei das eine oder die mehreren Bilder von einem oder mehreren Bilderfassungsgeräten erzeugt werden, einschließlich einer oder mehrerer Spektralkameras, Tiefenerfassungskameras, Infrarotkameras, LiDAR oder einer Kombination davon.

10. Verfahren nach Anspruch 1, ferner umfassend:

Empfangen von Anweisungen, die einer oder mehreren Aktionen zugeordnet sind, die mit einem Emitter auszuführen sind, basierend auf einer zweiten Klassifizierung des einen oder der mehreren landwirtschaftlichen Objekte.

11. System, das ein oder mehrere nichtflüchtige computerlesbare Medien umfasst, die computerausführbare Anweisungen speichern, die, wenn sie auf einem oder mehreren Computerprodukten mit einem Prozessor und Speicher ausgeführt werden, den Prozessor veranlassen, Handlungen durchzuführen, umfassend:

Empfangen von Bilderfassungsdaten, die ein oder mehrere Bilder umfassen, wobei die Daten, die eine Teilmenge von landwirtschaftlichen Objekten darstellen, ein erstes landwirtschaftliches Objekt aus den Bilderfassungsdaten klassifizieren, dem ersten landwirtschaftlichen Objekt der Teilmenge von landwirtschaftlichen Objekten eine erste Identität zuweisen. ein Bild, das das erste landwirtschaftliche Objekt darstellt, in einer Datenbank identifizieren, die eine erste Karte umfasst, die eine Vielzahl von Bildern umfasst, die ein oder mehrere landwirtschaftliche Objekte darstellen, das Bild, das das erste landwirtschaftliche Objekt darstellt, mit der ersten Identität des ersten landwirtschaftlichen Objekts abgleichen, Anweisungen empfangen, die mit einem oder mehreren verknüpft sind mit einem Emitter durchzuführende Aktionen, basierend auf der ersten Klassifizierung des einen oder der mehreren landwirtschaftlichen Objekte, bewirken, dass der Emitter dazu konfiguriert ist, die Aktion auszuführen, um ein landwirtschaftliches Projektil auszustoßen, um ein erstes landwirtschaftliches Objekt mit der ersten Klassifizierung abzufangen.

12. System nach Anspruch 11, ferner umfassend:

Generieren einer zweiten Karte, die einen zweiten Index einer Vielzahl von landwirtschaftlichen Objekten umfasst, die innerhalb einer geografischen Grenze verknüpft sind, basierend auf der ersten Karte und den Bilderfassungsdaten, die das eine oder die mehreren Bilder umfassen.

13. System nach Anspruch 12, wobei das Empfangen der Bilderfassungsdaten, die die Teilmenge von landwirtschaftlichen Objekten darstellen, Folgendes umfasst:

Empfangen von Daten, die ein vorhergesagtes Bild des landwirtschaftlichen Objekts darstellen, um eine Änderung in einem Bild von dem einen oder den mehreren Sensoren des landwirtschaftlichen Objekts basierend auf dem vorhergesagten Wachstum vorherzusagen.

14. System nach Anspruch 11, ferner umfassend:

Zuweisen einer räumlichen Position des landwirtschaftlichen Objekts mit der ersten Klassifizierung basierend auf dem Vergleichen des Bildes, das das erste landwirtschaftliche Objekt darstellt, mit der ersten Identität des ersten landwirtschaftlichen Objekts.

15. System nach Anspruch 11, wobei das Erfassen des landwirtschaftlichen Objekts in Verbindung mit dem einen oder den mehreren Sensoren Folgendes umfasst:

Bilddaten des landwirtschaftlichen Objekts zu erzeugen, um ein abgebildetes landwirtschaftliches Objekt zu bilden, das abgebildete landwirtschaftliche Objekt mit Daten zu korrelieren, die ein indiziertes landwirtschaftliches Objekt in der Untermenge von landwirtschaftlichen Objekten darstellen, und das abgebildete landwirtschaftliche Objekt als das indizierte landwirtschaftliche Objekt zu identifizieren.

16. System nach Anspruch 11, wobei das Klassifizieren des einen oder der mehreren landwirtschaftlichen Objekte mit einem maschinellen Lernalgorithmus durchgeführt wird, der einen Deep-Learning-Algorithmus enthält.

17. System nach Anspruch 11, wobei die eine oder mehreren auszuführenden Aktionen auf dem Klassifizieren des einen oder der mehreren landwirtschaftlichen Objekte als Blüte oder Blütentraube basieren.

18. System nach Anspruch 11, wobei die erste Klassifikation des einen oder der mehreren landwirtschaftlichen Objekte eine Apfelblütengruppe, eine Königsblüte oder eine Kombination davon ist.

19. System nach Anspruch 11, wobei das eine oder die mehreren Bilder von einem oder mehreren Bilderfassungsgeräten erzeugt werden, einschließlich einer oder mehrerer Spektralkameras, Tiefenerfassungskameras, Infrarotkameras, LiDAR oder einer Kombination davon.

20. System nach Anspruch 11, ferner umfassend:

Empfangen von Anweisungen, die einer oder mehreren Aktionen zugeordnet sind, die mit einem Emitter durchzuführen sind, basierend auf einer zweiten Klassifizierung des einen oder der mehreren landwirtschaftlichen Objekte.