Automatic ordinal classification of olive plantations using deep learning and LiDAR data fusion

A. Morales-Martín; F.J. Mesas-Carrascosa; J. Muñoz-Lorite; S. Cantón-Martínez; F.J. Pérez-Porras; V.M. Vargas; P.A. Gutiérrez

Jump to Content

Automatic ordinal classification of olive plantations using deep learning and LiDAR data fusion

in Precision agriculture '25

Autor:innen:

A. Morales-Martín

A. Morales-Martín
g52momaa@uco.es

Search for other papers by A. Morales-Martín in
Current site
Google Scholar
PubMed

F.J. Mesas-Carrascosa

F.J. Mesas-Carrascosa

Search for other papers by F.J. Mesas-Carrascosa in
Current site
Google Scholar
PubMed

J. Muñoz-Lorite

J. Muñoz-Lorite

Search for other papers by J. Muñoz-Lorite in
Current site
Google Scholar
PubMed

S. Cantón-Martínez

S. Cantón-Martínez

Search for other papers by S. Cantón-Martínez in
Current site
Google Scholar
PubMed

F.J. Pérez-Porras

F.J. Pérez-Porras

Search for other papers by F.J. Pérez-Porras in
Current site
Google Scholar
PubMed

V.M. Vargas

V.M. Vargas

Search for other papers by V.M. Vargas in
Current site
Google Scholar
PubMed

, und

P.A. Gutiérrez

P.A. Gutiérrez

Search for other papers by P.A. Gutiérrez in
Current site
Google Scholar
PubMed

Art:: Kapitel

Seiten:: 538–545

DOI:: https://doi.org/10.1163/9789004725232_070

Angemeldet über:

Dar Hadith al Hassania

PDF herunterladen

The growing demand for olive oil has driven the intensification of olive plantations in the Mediterranean Basin. In this context, monitoring and classifying parcels is essential to evaluate environmental and socioeconomic impacts and use of resources and agricultural inputs. This study introduces an innovative ordinal classification model to distinguish four olive plantation systems: traditional, low-density intensive, high-density intensive, and super intensive. Employing this methodology with public LiDAR-PNOA data, the model achieved 85% accuracy, demonstrating its robustness and efficacy. These findings enrich the SIGPAC database, supporting the Spanish Government in developing decision-making models for future agricultural planning.

Zitierungsangaben

Save
Cite
Inhalt per Mail versenden

Link teilen

Sie können einen Link zu dieser Seite per E-Mail senden:
Inhalt per Mail versenden
oder den Link direkt kopieren:

https://brill.edhh.ma/edcollchap-oa/book/9789004725232/BP000070.xml
Der Link wurde nicht kopiert. Ihr aktueller Browser unterstützt das Kopieren über diese Schaltfläche möglicherweise nicht.

Link wurde kopiert

Reduzieren
Erweitern
Nach oben

Precision agriculture '25

ISBN:: 9789004725232

Verleger:: Wageningen Academic

Print-Publikationsdatum:: 18 Jun 2025

Fachgebiete
- Biowissenschaften
  - Allgemein
  - Landwirtschaft und Umwelt

Kennzahlen

	Insgesamt	Letzte 365 Tage	In den letzten 30 Tagen
Aufrufe von Kurzbeschreibungen	0	0	0
Gesamttextansichten	141	129	14
PDF-Downloads	184	156	10

Afrikanistik	Internationale Beziehungen	Nahost- und Islamwissenschaften
Altorientalistik und Ägyptologie	Internationales Recht	Pädagogik
Amerikanistik	Judaistik	Philosophie
Asienwissenschaften	Klassische Altertumswissenschaft	Religionswissenschaft
Bibelauslegung	Kunstgeschichte	Slawistik und Eurasienkunde
Biologie	Literatur- und Kulturwissenschaften	Sozialwissenschaften
Biowissenschaften	Medienwissenschaft	Sprachen und Linguistik
Buchgeschichte und Kartographie	Menschenrechte und humanitäres Völkerrecht	Theologie und Christentum
Geschichte	Musikwissenschaft

Fachgebiete

Autor:innen

Open Access

Produkt-Informationen

Über uns

Kontakt

Automatic ordinal classification of olive plantations using deep learning and LiDAR data fusion

Zitierungsangaben

Link teilen

Precision agriculture '25

Inhaltsverzeichnis

Kennzahlen

Kennzahlen