ГДЗ номер 133 математика 6 класс Мерзляк, Полонский – Telegraph
➡➡➡ ПОДРОБНЕЕ ЖМИТЕ ЗДЕСЬ!
ГДЗ номер 133 математика 6 класс Мерзляк, Полонский
ГДЗ (готовое домашние задание из решебника) на Номер №133 по учебнику Математика . 6 класс . Учебник для учащихся общеобразовательных организаций / А .Г . Мерзляк , В .Б . Полонский, М .С . Якир . Вентана-Граф . -2020
Подробное решение номер № 133 по математике для учащихся 6 класса Алгоритм успеха , авторов Мерзляк , Полонский, Якир 2019-2020 .
Разбор задания №133 по математике за 6 класс Мерзляк , Полонский . Задача №133 , ГДЗ по математике за 6 класс к учебнику Мерзляка .
ГДЗ учебник по математике 6 класс Мерзляк . авторы: А .Г . Мерзляк , В .Б . Полонский , М .С . Якир . издательство: Вентана-Граф, 2019 Номер №133 .
Заходите, не пожалеете! Тут отличные гдз по математике для 6 класса , А .Г . Мерзляк , В .Б . Полонский, М .С . Якир Алгоритм успеха от Путина .
И последняя глава затрагивает тему “рациональные числа и действия над ними” . ГДЗ по математике 6 класс рабочая тетрадь . .
Решебник (ГДЗ ) по Математике за 6 (шестой ) класс авторы: Мерзляк , Полонский, Якир издательство Вентана-граф, 2019 год . Авторы: А .Г . Мерзляк , В .Б . Полонский, М .С . Якир . Издательство: Вентана-граф 2019 год . Тип: Учебник, Алгоритм успеха .
➜ Ответ к заданию №133 — готовое решение к учебнику по математике за 6 класс (упражнение 133) . Ответы к учебнику по математике за 6 класс Мерзляк , Полонский , Якир — номер 133 .
ГДЗ (готовые домашние задания ), решебник онлайн по математике за 6 класс авторов Мерзляк , Полонский , Якир задание (номер ) 133 — вариант решения упражнения 133 .
Если ученик не расположен к изучению точных наук, ему поможет решебник по математике 6 класс Мерзляк , Полонский, Якир, который Учебник Мерзляк для 6 класса разделен на несколько частей: — математические действия с рациональными числами (положительными и .
.
Если возникла потребность в ГДЗ по книге авторов Мерзляк , Якир, Полонский, то на этом специализированном онлайн-портале есть возможность найти ответы на Именно поэтому можно воспользоваться решебником разработанным для учебника по математике за 6 класс .
ГДЗ по математике 6 класс Мерзляк поможет справиться с любым заданием из учебника, если возникают трудности . Ученик не всегда может быстро решить задачу . Этот решебник создан, чтобы школьнику было проще подготовиться к контрольным и самостоятельным работам . .
ГДЗ математика 6 класс Мерзляк , Полонский , Якир Вентана-Граф . Начиная с 6 -го класса , курс математики углубляется, дополняясь заданиями Систематическая работа с ГДЗ существенно повышает уровень знаний по математике . Шестой класс — окончание изучения математики .
Мерзляк А .Г . за 6 класс , математика : на данной странице представлено решение задания «133 » из секции «Номера»
Ответы к учебнику математики за 6 класс авторов Мерзляк , Полонский .
Здесь представлен решебник по математике 6 класса автора Мерзляк . Наше онлайн пособие с ответами к учебнику поможет школьникам легко и быстро сверяться с решениями упражнений, а также поможет . .
ГДЗ (домашнее задание ) по математике за 6 класс к учебнику Мерзляк , Полонский, Якир . Что необходимо делать родителям для помощи в математике 6 -ого класса : избавить его от мелочной опеки – приучите школьника к тому, что он должен выполнять домашние задания . .
ГДЗ (готовое домашние задание из решебника) на Номер №133 по учебнику Математика . 6 класс . Учебник для учащихся общеобразовательных организаций / А .Г . Мерзляк , В .Б . Полонский, М .С . Якир . Вентана-Граф . -2020
Подробное решение номер № 133 по математике для учащихся 6 класса Алгоритм успеха , авторов Мерзляк , Полонский, Якир 2019-2020 .
Разбор задания №133 по математике за 6 класс Мерзляк , Полонский . Задача №133 , ГДЗ по математике за 6 класс к учебнику Мерзляка .
ГДЗ учебник по математике 6 класс Мерзляк .
авторы: А .Г . Мерзляк , В .Б . Полонский , М .С . Якир . издательство: Вентана-Граф, 2019 Номер №133 .
Заходите, не пожалеете! Тут отличные гдз по математике для 6 класса , А .Г . Мерзляк , В .Б . Полонский, М .С . Якир Алгоритм успеха от Путина . И последняя глава затрагивает тему “рациональные числа и действия над ними” . ГДЗ по математике 6 класс рабочая тетрадь . .
Решебник (ГДЗ ) по Математике за 6 (шестой ) класс авторы: Мерзляк , Полонский, Якир издательство Вентана-граф, 2019 год . Авторы: А .Г . Мерзляк , В .Б . Полонский, М .С . Якир . Издательство: Вентана-граф 2019 год . Тип: Учебник, Алгоритм успеха .
➜ Ответ к заданию №133 — готовое решение к учебнику по математике за 6 класс (упражнение 133) . Ответы к учебнику по математике за 6 класс Мерзляк , Полонский , Якир — номер 133 .
ГДЗ (готовые домашние задания ), решебник онлайн по математике за 6 класс авторов Мерзляк , Полонский , Якир задание (номер ) 133 — вариант решения упражнения 133 .
Если ученик не расположен к изучению точных наук, ему поможет решебник по математике 6 класс Мерзляк , Полонский, Якир, который Учебник Мерзляк для 6 класса разделен на несколько частей: — математические действия с рациональными числами (положительными и .
.
Если возникла потребность в ГДЗ по книге авторов Мерзляк , Якир, Полонский, то на этом специализированном онлайн-портале есть возможность найти ответы на Именно поэтому можно воспользоваться решебником разработанным для учебника по математике за 6 класс .
ГДЗ по математике 6 класс Мерзляк поможет справиться с любым заданием из учебника, если возникают трудности . Ученик не всегда может быстро решить задачу . Этот решебник создан, чтобы школьнику было проще подготовиться к контрольным и самостоятельным работам . .
ГДЗ математика 6 класс Мерзляк , Полонский , Якир Вентана-Граф . Начиная с 6 -го класса , курс математики углубляется, дополняясь заданиями Систематическая работа с ГДЗ существенно повышает уровень знаний по математике . Шестой класс — окончание изучения математики .
Мерзляк А .Г . за 6 класс , математика : на данной странице представлено решение задания «133 » из секции «Номера»
Ответы к учебнику математики за 6 класс авторов Мерзляк , Полонский .
Здесь представлен решебник по математике 6 класса автора Мерзляк . Наше онлайн пособие с ответами к учебнику поможет школьникам легко и быстро сверяться с решениями упражнений, а также поможет . .
ГДЗ (домашнее задание ) по математике за 6 класс к учебнику Мерзляк , Полонский, Якир . Что необходимо делать родителям для помощи в математике 6 -ого класса : избавить его от мелочной опеки – приучите школьника к тому, что он должен выполнять домашние задания . .
ГДЗ страница 109 английский язык 6 класс рабочая тетрадь Rainbow Афанасьева, Михеева
ГДЗ страница 84 английский язык 8 класс рабочая тетрадь Кузовлев, Перегудова
ГДЗ номер 849 математика 6 класс Мерзляк, Полонский
ГДЗ номер 287 алгебра 7 класс Макарычев, Миндюк
ГДЗ § 13 6 алгебра 9 класс Задачник Мордкович
ГДЗ §41 6 химия 10 класс Рудзитис, Фельдман
ГДЗ номер 852 алгебра 8 класс Алимов, Колягин
ГДЗ самостійні роботи / СР-4. варіант 1 алгебра 9 класс тестовый контроль знаний Гальперина
ГДЗ вправа 602 математика 5 класс Истер
ГДЗ вправа 523 украинский язык 6 класс Глазова
ГДЗ номер 284 математика 5 класс Дорофеев, Шарыгин
ГДЗ номер 176 физика 10‐11 класс задачник Рымкевич
ГДЗ глава 20 / § 20.
8 7 химия 9 класс Гузей, Сорокин
ГДЗ часть №1 / 4 45 химия 8‐9 класс задачник с помощником Гара, Габрусева
ГДЗ часть 1. страница 77 английский язык 7 класс rainbow Афанасьева, Михеева
ГДЗ вопрос / §23 7 география 5‐6 класс Дронов, Савельева
ГДЗ номер 63 алгебра 9 класс Макарычев, Миндюк
ГДЗ задача 72 алгебра 10‐11 класс Колмогоров, Абрамов
ГДЗ упражнение 143 алгебра 7 класс Дорофеев, Суворова
ГДЗ часть 2. местоимение 15 русский язык 4 класс Зеленина, Хохлова
ГДЗ вопрос / Итоговые задания по теме раздела 1 география 6 класс Домогацких, Алексеевский
ГДЗ упражнение 136 русский язык 5 класс Русская речь Никитина
ГДЗ номер 975 алгебра 7 класс Макарычев, Миндюк
ГДЗ тетрадь №1. страница 3 математика 1 класс рабочая тетрадь Бененсон, Итина
ГДЗ контрольные работа / К-5 / вариант 3 4 алгебра 8 класс дидактические материалы Потапов
ГДЗ Учебник 2019 / часть 2 376 (1226) математика 5 класс Виленкин, Жохов
ГДЗ часть 1. страница 140 математика 2 класс Дорофеев, Миракова
ГДЗ часть 2 / страница 62 4 математика 1 класс Моро, Волкова
ГДЗ самостоятельная работа / С-27 В1 математика 5 класс Cамостоятельные и контрольные работы Ершова, Голобородько
ГДЗ обучающие работы / О-42 3 математика 6 класс дидактические материалы Кузнецова, Минаева
ГДЗ страница 137 биология 10 класс рабочая тетрадь Захаров, Цибулевский
ГДЗ упражнение 491 русский язык 6 класс Ладыженская, Баранов
ГДЗ упражнение 35 русский язык 7 класс Коновалова
ГДЗ по обществознанию 10 класс Боголюбов, Аверьянов Решебник
ГДЗ № 300 математика 5 класс Зубарева, Мордкович
ГДЗ упражнение 167 русский язык 5 класс Ладыженская, Баранов
ГДЗ контрольная работа / К-4А / вариант 1 5 алгебра 7 класс дидактические материалы Звавич, Кузнецова
ГДЗ номер 408 алгебра 9 класс Макарычев, Миндюк
ГДЗ тест 7.
вариант 1 русский язык 6 класс контрольные измерительные материалы Аксенова
ГДЗ самостоятельная работа / вариант 1 224 математика 6 класс дидактические материалы Чесноков, Нешков
ГДЗ задача для повторения 247 алгебра 11 класс Никольский, Потапов
ГДЗ вариант 1 9 геометрия 7 класс дидактические материалы Мерзляк, Полонский
ГДЗ часть 1 442 математика 6 класс задачник Бунимович, Кузнецова
ГДЗ глава 9 9.38 физика 7 класс задачник Артеменков, Ломаченков
ГДЗ упражнение 332 русский язык 8 класс Бархударов, Крючков
ГДЗ номер 962 алгебра 7 класс Никольский, Потапов
ГДЗ §21 21.6 алгебра 10‐11 класс Учебник, Задачник Мордкович, Семенов
ГДЗ по Немецкому языку за 10-11 класс: Книга для чтения. Воронина Г.И., Карелина И.В. Решебник
ГДЗ самостоятельная работа / вариант 2 / С-54 1 алгебра 7 класс дидактические материалы Звавич, Кузнецова
ГДЗ упражнение 490 геометрия 9 класс Мерзляк, Полонский
2 Класс Русский Язык Школа России ГДЗ
ГДЗ По Алгебре 7 Класс Никольский Макарычев
ГДЗ По Англ Агабекян Среднее Профессиональное Образование
ГДЗ Дидактика Алгебра 7 Мерзляк
ГДЗ Русский 3 Класс Моро 1 Часть
Прогнозирование физиологических признаков хвои с использованием изображений БПЛА для размножения сосны слэш
1.
Блюмштейн М., Хопкинс Р. Адаптивная изменчивость и пластичность в неструктурных запасах углеводов у видов деревьев умеренного пояса. Окружающая среда растительной клетки. 2021;44(8):2494–2505. [PubMed] [Google Scholar]
2. Hoch G, Richter A, Körner C. Неструктурные соединения углерода в деревьях умеренных лесов. Окружающая среда растительной клетки. 2003;26(7):1067–1081. [Google Scholar]
3. Латт С., Наир П., Канг Б. Резервные уровни углеводов в штамбах и структурных корнях пяти многоцелевых видов деревьев в сезонно засушливом тропическом климате. Для Экол Манаг. 2001;146(1-3):145–158. [Академия Google]
4. Jiang L, Tian D, Ma S, Zhou X, Xu L, Zhu J, Jing X, Zheng C, Shen H, Zhou Z и др.. Реакция роста деревьев на добавки азота и фосфора в горных тропических лесах. Научная общая среда. 2018; 618:1064–1070. [PubMed] [Google Scholar]
5. Бусадия О., Степ К., Згаллай Х., Бен эль Хадж С., Брахам М., Лемер Р., ван Лабеке М.С. Влияние дефицита азота на фотосинтез листьев, углеводный статус и производство биомассы у двух сортов оливок «Мески» и «Коронейки».
6. Song J, Wang Y, Pan Y, Pang J, Zhang X, Fan J, Zhang Y. Влияние доступности азота на анатомические и физиологические реакции Populus alba × P. glandulosa на стресс от засухи. BMC Растение Биол. 2019;19(1):1–12. [Бесплатная статья PMC] [PubMed] [Google Scholar]
7. Demotes-Mainard S, Boumaza R, Meyer S, Cerovic ZG. Показатели азотного статуса декоративных древесных растений на основе оптических измерений содержания полифенолов эпидермиса листьев и хлорофилла. Научный Хортик. 2008;115(4):377–385. [Академия Google]
8. Zheng H, Cheng T, Li D, Zhou X, Yao X, Tian Y, Cao W, Zhu Y. Оценка RGB, цветных инфракрасных и мультиспектральных изображений, полученных с беспилотных авиационных систем, для оценки накопления азота в рис. Remote Sens. 2018;10(6):824. [Google Scholar]
9. Тан Л., Шао Г. Дистанционное зондирование с помощью дронов для исследований и практики лесного хозяйства. J для рез.
2015;26(4):791–797. [Google Scholar]
10. Whitehead K, Hugenholtz CH. Дистанционное зондирование окружающей среды с помощью малых беспилотных авиационных систем (БАС), часть 1: обзор достижений и проблем. J Система беспилотных транспортных средств. 2014;2(3):69–85. [Google Scholar]
11. Whitehead K, Hugenholtz CH, Myshak S, Brown O, LeClair A, Tamminga A, Barchyn TE, Moorman B, Eaton B. Дистанционное зондирование окружающей среды с помощью малых беспилотных авиационных комплексов (БАС), часть 2: Научные и коммерческие приложения. J Система беспилотных транспортных средств. 2014;2(3):86–102. [Google Scholar]
12. Грюнер Э., Вахендорф М., Астор Т. Потенциал спектральной и текстурной информации с БПЛА для прогнозирования надземной биомассы и фиксации N в бобово-травяных смесях. ПЛОС ОДИН. 2020;15(6):e0234703. [Бесплатная статья PMC] [PubMed] [Google Scholar]
13. Ю Дж., Ван Дж., Леблон Б. Оценка свойств почвы, топографических показателей, высоты растений и многоспектральных изображений с беспилотных летательных аппаратов с использованием методов машинного обучения для оценки веса азота в пологе кукурузы.
Дистанционный датчик 2021;13(16):3105. [Google Scholar]
14. Чеа С., Саенгпрачатанаруг К., Посом Дж., Сайкаев К., Вонгфати М., Тайра Э. Оптимальные модели для нескольких типов ресурсов для прогнозирования содержания Брикса на полях сахарного тростника с использованием машинного обучения. Приложение Remote Sens. 2022;26:100718. [Академия Google]
15. Найк П., Далпонте М., Бруццоне Л. Прогноз надземной биомассы леса с использованием многовременных мультиспектральных данных дистанционного зондирования. Дистанционный датчик 2021;13(7):1282. [Google Scholar]
16. Xuefeng L, Qiang L, Shaolan H, Shilai Y, Deyu H, Zhitao W, Rangjin X, Yongqiang Z, Lie D. Оценка содержания углерода и азота в пологе цитрусовых с помощью маловысотного дистанционного зондирования . Int J Agric Biol Eng. 2016;9(5):149–157. [Google Scholar]
17. Гелади П., Ковальски Б.Р. Частичная регрессия по методу наименьших квадратов: учебник. Анальный Чим Акта. 1986;185:1–17. [Google Scholar]
18.
Херст М.А., Дюме С.Т., Осуна Э., Платт Дж., Шолкопф Б. Машины опорных векторов. Приложение IEEE Intel Systems. 1998;13(4):18–28. [Google Scholar]
19. Фридман Дж. Х. Аппроксимация жадной функции: машина повышения градиента. Энн Стат. 2001; 1189–1232. [Google Scholar]
20. Бельгиу М., Драгуц Л. Случайный лес в дистанционном зондировании: обзор приложений и будущих направлений. ISPRS J Photogramm Remote Sens. 2016; 114:24–31. [Академия Google]
21. Ашапуре А., Ох С., Маркони Т., Чанг А., Юнг Дж., Ландивар Дж., Энсисо Дж. Оценка урожайности томатов на основе беспилотной авиационной системы с использованием машинного обучения. В: Автономные системы воздушного и наземного зондирования для сельскохозяйственной оптимизации и фенотипирования IV . Международное общество оптики и фотоники; 2019. с. 171–180.
22. Дайсон Дж., Манчини А., Фронтони Э., Зингаретти П. Глубокое обучение для сегментации почвы и сельскохозяйственных культур на основе данных дистанционного зондирования.
Дистанционный датчик 2019;11(16):1859. [Google Scholar]
23. Воланин А., Кэмпс-Валлс Г., Гомес-Чова Л., Матео-Гарсия Г., Ван дер Тол К., Чжан И., Гуантер Л. Оценка первичной продуктивности сельскохозяйственных культур с помощью Sentinel-2 и Landsat 8 с использованием машины методы обучения, обученные с помощью моделирования переноса излучения. Окружающая среда удаленных датчиков. 2019; 225:441–457. [Google Scholar]
24. Cheng J-H, Sun D-W. Частичная регрессия методом наименьших квадратов (PLSR) применяется к моделированию спектральных данных NIR и HSI для прогнозирования химических свойств мышц рыб. 2017;9(1): 36–49. [Google Scholar]
25. Ergon R, Granato D, Ares G. Регрессия главных компонентов (PCR) и частичная регрессия наименьших квадратов (PLSR). Математические статистические методы Food Sci Technol. 2014; 121–142. [Google Scholar]
26. Huang S, Miao Y, Yuan F, Gnyp M, Yao Y, Cao Q, Wang H, Lenz-Wiedemann V, Bareth G. Потенциал спутниковых данных RapidEye и WorldView-2 для улучшения содержания азота в рисе мониторинг состояния на разных стадиях роста.
Remote Sens. 2017;9(3):227. [Академия Google]
27. Li F, Mistele B, Hu Y, Chen X, Schmidhalter U. Оценка отражательной способности содержания азота в кроне озимой пшеницы с использованием оптимизированных гиперспектральных спектральных индексов и частичной регрессии методом наименьших квадратов. Эур Джей Агрон. 2014;52:198–209. [Google Scholar]
28. Onoyama H, Ryu C, Suguri M, Iida M. Модель прогнозирования содержания азота в растениях риса на стадии закладки метелки с использованием наземной гиперспектральной визуализации: интегрированная модель выращивания градусо-дней. Прецис Агрик. 2015;16(5):558–570. [Академия Google]
29. Yao X, Huang Y, Shang G, Zhou C, Cheng T, Tian Y, Cao W, Zhu Y. Оценка шести алгоритмов для контроля концентрации азота в листьях пшеницы. Remote Sens. 2015;7(11):14939–14966. [Google Scholar]
30. Маунтракис Г., Им Дж., Оголе К. Машины опорных векторов в дистанционном зондировании: обзор. ISPRS J Photogramm Remote Sens. 2011;66(3):247–259.
31. Благородный В.С. Что такое машина опорных векторов? Нац биотехнолог. 2006;24(12):1565–1567. [PubMed] [Академия Google]
32. Риджуэй Г. Обобщенные усиленные модели: Руководство по пакету gbm. Обновлять. 2007;1(1):2007. [Google Scholar]
33. Хорнинг Н. Случайные леса: алгоритм классификации изображений и создания наборов данных непрерывных полей. Документ представлен на: Материалы Международной конференции по геоинформатике для развития пространственной инфраструктуры в науках о Земле и смежных областях; 2010 г.; Осака, Япония. п. 1–6.
34. Яница С., Хорнунг Р. О переоценке случайной ошибки случайного леса. ПЛОС ОДИН. 2018;13(8):e0201904. [Бесплатная статья PMC] [PubMed] [Google Scholar]
35. Li HB, Wang W, Ding HW, Dong J. Метод случайного леса со взвешиванием деревьев для классификации многомерных зашумленных данных. Документ представлен в: IEEE. Материалы 7-й Международной конференции IEEE 2010 г. по разработке электронного бизнеса; 2010 10–12 ноября.
36. Цзинь С-л, Дяо В-у, Сяо С-ч, Ван Ф-у, Чен Б, Ван К-р, Ли С-к. Оценка агрономических показателей пшеницы с использованием новых спектральных показателей. ПЛОС ОДИН. 2013;8(8):e72736. [Бесплатная статья PMC] [PubMed] [Google Scholar]
37. Han Z, Zhu X, Fang X, Wang Z, Wang L, Zhao G, Jiang Y. Гиперспектральная оценка кроны яблони LAI на основе SVM и регрессии RF. Гуан Пу Сюэ Юй Гуан Пу Фен Си. 2016;36(3):800–805. [PubMed] [Google Scholar]
38. Yue J, Feng H, Yang G, Li Z. Сравнение методов регрессии для оценки надземной биомассы озимой пшеницы с использованием приповерхностной спектроскопии. Remote Sens. 2018;10(1):66. [Google Scholar]
39. Zhao J, Fang Y, Chu G, Yan H, Hu L, Huang L. Идентификация мучнистой росы пшеницы на листовой чешуе ( Blumeria graminis f. сп. Tritici ), сочетающий в себе гиперспектральную визуализацию и классификатор SVM. Растения. 2020;9(8):936. [Бесплатная статья PMC] [PubMed] [Google Scholar]
40.
Jin L, Liu Y, Ning J, Liu L, Li X. Хранение углерода на плантациях экзотической сосны в субтропическом Китае. J Для наук об окружающей среде. 2019;35(3):150–158. [Google Scholar]
41. Чжан С., Луан К., Цзян Дж. Анализ генетической изменчивости роста и свойств древесины сосны слэш на основе технологий неразрушающего контроля. Наука Сильва Син. 2017;53(6):30–36. [Академия Google]
42. Song Z, Tomasetto F, Niu X, Yan WQ, Jiang J, Li Y. Включение селекции биомассы в сосне с использованием БПЛА. Феномика растений. 2022;2022. [Бесплатная статья PMC] [PubMed] [Google Scholar]
43. Tao X, Li Y, Yan W, Wang M, Tan Z, Jiang J, Luan Q. Наследуемые вариации в росте деревьев и показателях вегетации хвои сосны косой (
44. Dandois JP, Ellis EC. Дистанционное зондирование структуры растительности с помощью компьютерного зрения.
Remote Sens. 2010;2(4):1157–1176. [Академия Google]
45. Наварро А., Янг М., Аллан Б., Карнелл П., Макреди П., Иеродиакону Д. Применение беспилотных летательных аппаратов (БПЛА) для оценки надземной биомассы мангровых экосистем. Окружающая среда удаленных датчиков. 2020;242:111747. [Google Scholar]
46. Westoby MJ, Brasington J, Glasser NF, Hambrey MJ, Reynolds JM. Фотограмметрия «Структура из движения»: недорогой и эффективный инструмент для геолого-геофизических исследований. Геоморфология. 2012;179:300–314. [Google Scholar]
47. Burdziakowski P. Оценка открытого инструментария карты беспилотников для геодезического картографирования с помощью дронов – тематическое исследование. Доклад представлен на: Материалы 17-й Международной междисциплинарной научной геоконференции SGEM 2017; 20 июня 2017 г .; Албена, Болгария. стр. 101–110.
48. Gallardo-Salazar JL, Pompa-García M. Обнаружение отдельных признаков деревьев и многоспектральных индексов с использованием беспилотных летательных аппаратов: приложения в сосновом клоновом саду.
Удаленный датчик
2020;12(24):4144. [Google Scholar]
49. Hijmans RJ, Van Etten J, Cheng J, Mattiuzzi M, Sumner M, Greenberg JA, Lamigueiro OP, Bevan A, Racine EB, Shortridge A, et al. Пакет «растр». Пакет R, 2015; 734.
50. Guo Y, Wang H, Wu Z, Wang S, Sun H, Senthilnath J, Wang J, Robin Bryant C, Fu Y. Модифицированный красно-синий вегетационный индекс для оценки хлорофилла и прогнозирования урожайности кукурузы на основе видимых изображений. захвачен БПЛА. Датчики. 2020;20(18):5055. [Бесплатная статья PMC] [PubMed] [Google Scholar]
51. Росси А.М., Вильярреал М., Хуарес М.Д., Самман Н.К. Содержание азота в продуктах питания: сравнение методов Кьельдаля и Хаха. In: Anales de la Asociación Química Argentina . SciELO Аргентина; 2004. с. 99–108.
52. Саес-Плаза П., Михаловски Т., Навас М.Ю., Асуэро А.Г., Выбранец С. Обзор метода Кьельдаля для определения азота. Часть I. Ранняя история, химия процедуры и титриметрическое завершение. Crit Rev Anal Chem.
2013;43(4):178–223. [Академия Google]
53. Li H, Sun Q, Zhao S, Zhang W. Принципы и методы физиолого-биохимического эксперимента на растениях. Высшее образование, Пекин; 2000. с. 195–197.
54. Салехи А., Тасдиги Х., Голамхосейни М. Оценка содержания пролина, хлорофилла, растворимых сахаров и усвоения питательных веществ немецкой ромашкой ( Matricaria chamomilla L.) в условиях засушливого стресса и обработки органическими удобрениями. Asian Pac J Trop Biomed. 2016;6(10):886–891. [Google Scholar]
55. Мевик Б.-Х., Веренс Р. Пакет pls: главный компонент и частичная регрессия методом наименьших квадратов в R. J Stat Softw. 2007; 18:1–23. [Академия Google]
56. Мейер Д., Димитриаду Э., Хорник К., Вайнгессель А., Лейш Ф. Пакет «e1071». The R Journal, 2019.
57. Лиав А., Винер М. Классификация и регрессия с помощью randomForest. Р Новости. 2002;2(3):18–22. [Google Scholar]
58. Yuan H, Yang G, Li C, Wang Y, Liu J, Yu H, Feng H, Xu B, Zhao X, Yang X.
Получение индекса площади листьев сои с помощью гиперспектрального дистанционного зондирования с беспилотного летательного аппарата. : Анализ регрессионных моделей RF, ANN и SVM. Remote Sens. 2017;9(4):309. [Академия Google]
59. Кун М. Карет: Обучение классификации и регрессии. Библиотека исходного кода по астрофизике ; 2015: аскл: 1505.1003.
60. Li Y, Apiolaza LA, Altaner C. Генетическая изменчивость свойств сердцевины и признаков роста Eucalyptus bosistoana. Eur J для Res. 2018;137(4):565–572. [Google Scholar]
61. Wickham H, Chang W, Wickham MH. Пакет «ggplot2». Создавайте элегантные визуализации данных, используя грамматику графики. Версия 2016; 2(1):1–189.
62. Ван З., Ван Т., Дарвишзаде Р., Скидмор А., Джонс С., Суарес Л., Вудгейт В., Хейден У., Хойрих М., Херн Дж. Индексы растительности для картирования лиственного азота полога в смешанном умеренном лесу. Дистанционная чувствительность 2016;8(6):491. [Google Scholar]
63. Hassan MA, Yang M, Rasheed A, Yang G, Reynolds M, Xia X, Xiao Y, He Z.
Экспресс-мониторинг NDVI в течение всего цикла роста пшеницы для прогнозирования урожайности зерна с использованием многоспектральная платформа БПЛА. Растениевод. 2019; 282:95–103. [PubMed] [Google Scholar]
64. Нгуен Х.Т., Ким Дж.Х., Нгуен А.Т., Нгуен Л.Т., Шин Дж.С., Ли Б.В. Использование коэффициента отражения растительного покрова и частичной регрессии методом наименьших квадратов для расчета статистических вариаций внутри поля в росте урожая и азотном статусе риса. Прецис Агрик. 2006;7(4):249–264. [Google Scholar]
65. Барзин А., Шмитц Дж. Л., Розин С., Сирпал Р., Алмонд М., Робинетт С., Уэллс С., Хадженс М., Олшан А., Дин С. и др.. Серораспространенность SARS-CoV-2 среди населения южных штатов США указывает на ограниченное бессимптомное распространение при соблюдении мер физического дистанцирования. МБио. 2020;11(5):e02426-20. [Бесплатная статья PMC] [PubMed] [Google Scholar]
66. Schucknecht A, Seo B, Krämer A, Asam S, Atzberger C, Kiese R. Оценка сухой биомассы и концентрации азота растений на предальпийских пастбищах с низкой стоимостью Мультиспектральные данные БПЛА — сравнение датчиков, алгоритмов и наборов предикторов.
Биогеонауки. 2022;19(10): 2699–2727. [Google Scholar]
67. Li X, Ba Y, Zhang M, Nong M, Yang C, Zhang S. Прогнозирование концентрации азота в сахарном тростнике и уровня орошения на основе мультиспектральных изображений БПЛА. Датчики. 2022;22(7):2711. [Бесплатная статья PMC] [PubMed] [Google Scholar]
68. Pissard A, Fernández Pierna JA, Baeten V, Sinnaeve G, Lognay G, Mouteau A, Dupont P, Rondia A, Lateur M. Неразрушающее измерение содержания витамина C, общее содержание полифенолов и сахара в яблоках с использованием спектроскопии в ближней инфракрасной области. J Sci Food Agric. 2013;93(2):238–244. [PubMed] [Google Scholar]
69. Yang C, Zhao Y, An T, Liu Z, Jiang Y, Li Y, Dong C. Количественный прогноз и визуализация ключевых физических и химических компонентов ферментации черного чая с использованием гиперспектральной визуализации. LWT. 2021;141:110975. [Google Scholar]
70. Могими А., Пурреза А., Зунига-Рамирес Г., Уильямс Л.Е., Фиделибус М.В. Новый подход к машинному обучению для оценки концентрации азота в листьях виноградной лозы с использованием мультиспектральных аэрофотоснимков.
Дистанционный датчик 2020;12(21):3515. [Академия Google]
71. Яхата Н., Моримото Дж., Хашимото Р., Лиси Г., Шибата К., Кавакубо Ю., Кувабара Х., Курода М., Ямада Т., Мегуми Ф. и др.. Небольшое количество аномальных мозговых связей предсказывает расстройство аутистического спектра у взрослых. Нац коммун. 2016;7(1):1–12. [Бесплатная статья PMC] [PubMed] [Google Scholar]
72. Krause S, Sanders TGM, Mund JP, Greve K. Фотограмметрическое измерение высоты деревьев с помощью БПЛА для интенсивного мониторинга леса. Remote Sens. 2019;11(7):758. [Google Scholar]
73. Kwong IHY, Fung T. Картирование высоты деревьев и оконтуривание крон с использованием LiDAR, широкоформатных аэрофотоснимков и фотограмметрии с беспилотных летательных аппаратов в субтропическом городском лесу. Int J Remote Sens. 2020;41(14):5228–5256. [Академия Google]
74. Панайотидис Д., Абдоллахнежад А., Суровы П., Читекуло В. Определение высоты дерева и диаметра кроны по изображениям с БПЛА высокого разрешения.
Int J Remote Sens. 2017; 38 (8-10): 2392–2410. [Google Scholar]
75. Слевински Т.Л., Браун Д.М. Современные взгляды на регуляцию распределения углеводов по всему растению. Растениевод. 2010;178(4):341–349. [Google Scholar]
76. Zhang L, Sun S, Liang Y, Li B, Ma S, Wang Z, Ma B, Li M. Уровни азота регулируют метаболизм и транспорт сахаров в верхушках побегов яблони. Фронт завод науч. 2021;12:372. [Бесплатная статья PMC] [PubMed] [Google Scholar]
77. Бойович Б., Маркович А. Корреляция между содержанием азота и хлорофилла в пшенице ( Triticum aestivum L.). Крагуевац J Sci. 2009;31(5827):69–74. [Google Scholar]
78. Эрколи Л., Мариотти М., Масони А., Массантини Ф. Взаимосвязь между содержанием азота и хлорофилла и спектральными свойствами листьев кукурузы. Эур Джей Агрон. 1993;2(2):113–117. [Google Scholar]
79. Schlemmer M, Gitelson A, Schepers J, Ferguson R, Peng Y, Shanahan J, Rundquist D. Дистанционная оценка содержания азота и хлорофилла в кукурузе на уровне листьев и полога.
Int J Appl Earth Obs Geoinf. 2013; 25:47–54. [Академия Google]
80. Шеперс Дж., Фрэнсис Д.Д., Виджил М., Ниже FE. Сравнение концентрации азота в листьях кукурузы и показаний измерителя хлорофилла. Коммунальный почвоведческий анал. 1992;23(17-20):2173–2187. [Google Scholar]
81. Vapaavuori EM, Rikala R, Ryyppö A. Влияние температуры корня на рост и фотосинтез сеянцев хвойных при удлинении побега. Физиол дерева. 1992;10(3):217–230. [PubMed] [Google Scholar]
82. Гибсон С.И. Контроль развития растений и экспрессии генов с помощью передачи сигналов сахара. Curr Opin Plant Biol. 2005;8(1):93–102. [PubMed] [Google Scholar]
83. Роуз Дж. В. мл., Хаас Р. Х., Диринг Д. В., Шелл Дж. А., Харлан Дж. К. Мониторинг весеннего продвижения и ретроградации (эффект зеленой волны) естественной растительности. Сервер технических отчетов НАСА; 1973.
84. Гительсон А.А., Мерзляк М.Н. Дистанционное зондирование концентрации хлорофилла в листьях высших растений. Adv Space Res.
1998;22(5):689–692. [Google Scholar]
85. Гительсон А, Мерзляк МН. Изменения спектральной отражательной способности, связанные с осенним старением Aesculus hippocastanum L. и Acer platanoides L. листья. Спектральные особенности и связь с оценкой хлорофилла. Дж. Физиол растений. 1994;143(3):286–292. [Google Scholar]
86. Рондо Г., Стивен М., Барет Ф. Оптимизация вегетационных индексов с поправкой на почву. Окружающая среда удаленных датчиков. 1996;55(2):95–107. [Google Scholar]
87. Джаспер Дж., Реуш С., Линк А. Активное определение азотного статуса пшеницы с использованием оптимизированной комбинации длин волн: влияние нормы высева, сорта и стадии роста. Прецис Агрик. 2009 г.;9:23–30. [Google Scholar]
88. Каур Р., Сингх Б., Сингх М., Тинд С.К. Гиперспектральные индексы, корреляционная и регрессионная модели для оценки параметров роста генотипов пшеницы. J Indian Soc Remote Sens. 2015;43(3):551–558. [Google Scholar]
89. Raper T, Varco J.
Чувствительность длины волны и вегетативного индекса вегетативного индекса к параметрам роста хлопка и статусу азота. Прецис Агрик. 2015;16(1):62–76. [Google Scholar]
90. Schleicher TD, Bausch WC, Delgado JA, Ayers PD. Оценка и уточнение индекса отражения азота (NRI) для управления удобрениями на конкретном участке. Документ представлен на ежегодном собрании ASAE. Американское общество инженеров-агрономов и биологических инженеров, 2001; 19.98. с. 1.
91. Такер С.Дж. Линейные комбинации красных и фотографических инфракрасных лучей для наблюдения за растительностью. Окружающая среда удаленных датчиков. 1979;8(2):127–150. [Google Scholar]
92. Ян З., Уиллис П., Мюллер Р. Влияние изображения AWIFS с улучшенным соотношением каналов на точность классификации культур. Документ представлен на: Материалы симпозиума Pecora 17 по дистанционному зондированию; 18–20 ноября 2008 г.; Денвер, Колорадо, Канада. стр. 18–20.
93. Наджи Т.А. Изучение распределения растительного покрова по индексам DVI, PVI, WDVI с двухмерным графиком.