gmc價格的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

無人機於水稻穀粒含水量之評估

為了解決gmc價格的問題，作者曾偉誠 這樣論述：

穀粒含水量(Grain Moisture Content, GMC)是評估收穫時機、農機排程、價格的關鍵。若收穫時機不佳(32度以上)，造成收購商烘乾成本上升、農機具供不應求、倒伏發芽等損失。現今精確含水量調查需要收割脫粒後，立即送入烘箱烘乾7-10天才能獲得，工作勞動密集且不夠即時，故難以評估當前農地的GMC。本研究以無人飛行載具機搭載多光譜相機拍攝水稻田，同時採集現地含水量做為地真，並繪製GMC地圖，以提供農機排成之依據。為評估多光譜影像與GMC之關聯，本研究在108種特徵下，比較基於普通最小二乘迴歸、隨機森林與主成分分析的特徵選擇之性能，找出最佳的特徵組合，並以多層感知機、隨機森林與支

持向量機三種機器學習方法評估特徵組合之成效，建立最佳的特徵選擇與機器學習組合。為了使模型對陌生資料更具有適應性，本研究提出Extend Domain Principle Component Analysis (ED-PCA)特徵選擇方法與應用Synthetic Minority Oversampling Technique (SMOTE)用於迴歸問題，進一步提升模型對陌生資料的適應性。本研究共蒐集的四期水稻影像資料集，以2018 II與2019 I為訓練資料，2019 II與2020 I為測試資料，主成分分析+隨機森林之MAE為1.15%；比較無特徵篩選之隨機森林模型提升36.8%(MAE=1

.82%)，且優於現行電子式水分計點狀採樣之MAE (1.74%)。使用ED-PCA後，將2020 I 之MAE由4.34%降至2.23%，模型效能提升48.6%。使用SMOTE後，將陌生資料集(2019 II與2020 I)之平均MAE由3.85%降至2.21%，模型效能提升42.6%。本研究以特徵選擇結合機器學習的模式被證實能大幅提升時效性，可適用於全面稻田GMC調查，且避免現行單點取樣產生的高變異(標準差=1.47%)，能為提升農民收入與增加大面積收穫排程效率之重要參考。