These profiles were used as primary

These profiles were used as primary integrated observed knowledge about the farm to create the probabilistic hot-spot map (Figure 9). Each pixel on the Google earth represents 15m-resolution analytical outcome from the big data integration. Soil moisture, soil surface temperature, water consumption and NDVI values of each pixel were used to train a simple data driven model to train a supervised knowledge predictor. The refined threshold of these variables was modeled based on the ground truth collected and also by close consultation with farm manager. This predictive system was trained based on farms historical records and hyperspectral ground truth data as training targets.

ผลลัพธ์ (ไทย) 1:

Profiles เหล่านี้ถูกใช้เป็นความรู้ในการสังเกตรวมหลักเกี่ยวกับฟาร์มเพื่อสร้างแผนที่นิยมน่าจะ (9 รูป) แต่ละพิกเซลบน Google earth แสดงถึงความละเอียด 15 เมตรวิเคราะห์ผลจากการรวมข้อมูลขนาดใหญ่ ความชื้นในดิน อุณหภูมิพื้นผิวดิน การใช้น้ำ และค่า NDVI ของแต่ละพิกเซลใช้ในการฝึกแบบง่าย ๆ ข้อมูลขับเคลื่อนการฝึกทำนายความรู้ดูแล เกณฑ์การ refined ตัวแปรเหล่านี้ถูกจำลองขึ้น บนพื้นดินความจริงรวบรวม และ โดยใกล้ชิดให้คำปรึกษากับผู้จัดการฟาร์ม ระบบนี้ทำนายได้ผ่านการอบรมตามบันทึกทางประวัติศาสตร์ของฟาร์มและข้อมูลความจริงดิน hyperspectral เป็นเป้าหมายการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

เหล่านี้โปร Fi les ถูกนำมาใช้เป็นหลักความรู้แบบบูรณาการเกี่ยวกับการสังเกตฟาร์มเพื่อสร้างแผนที่ของจุดร้อนน่าจะเป็น (รูปที่ 9) พิกเซลบนแผ่นดินของ Google แต่ละ 15m ละเอียดผลการวิเคราะห์จากการรวมข้อมูลขนาดใหญ่ ความชื้นในดินอุณหภูมิผิวดิน, การใช้น้ำและค่า NDVI ของแต่ละพิกเซลถูกนำมาใช้ในการฝึกอบรมข้อมูลง่ายรูปแบบการขับเคลื่อนในการฝึกอบรมการทำนายความรู้ภายใต้การดูแล อีก Fi เกณฑ์เน็ดตัวแปรเหล่านี้ก็ย่อมขึ้นอยู่กับความจริงพื้นดินที่เก็บรวบรวมและโดยการให้คำปรึกษาอย่างใกล้ชิดกับผู้จัดการฟาร์ม ระบบการทำนายนี้ได้รับการฝึกฝนตามในฟาร์มบันทึกทางประวัติศาสตร์และ Hyperspectral ข้อมูลความจริงพื้นดินเป็นเป้าหมายของการฝึกอบรม