Application of narrow-band digital camera imagery to plantation canopy condition assessment
Notice bibliographique
Résumé
AbstractEnsuring forest plantations remain in optimum health and condition is critical to minimizing adverse losses in productivity. A health monitoring program capable of accurately assessing the extent and severity of symptoms of canopy strain could permit forest managers to take a proactive course of action to minimize losses in productivity and tree mortality. Across a range of factors associated with tree stress and defoliation (a fungal pathogen Sphaeropsis sapinea, low soil nitrogen (N) availability, and an aphid Essigella californica), we compared field-based observations of canopy condition with coincident imagery obtained in September 2002 and 2003 from digital camera technology fitted with selected narrow-band (10 nm) spectral interference filters. From these wavelengths a number of chlorophyll and red-edge spectral indices were derived at 50 cm spatial resolution. In the case of S. sapinea where infection is significant and results in necrotic breakdown of needle tissue, the slope of the upper red-edge was the variable most highly correlated with crown attributes (r2 = 0.76 and 0.88 for the 2 years), with an independent classification accuracy of over 90%. Feeding by E. californica is commonly associated with needle chlorosis and defoliation and was predicted at a lower level of accuracy with a simple chlorophyll index (67% overall accuracy). The results indicate that narrow-band digital camera imagery can be used to derive indices of chlorophyll sensitivity and red-edge wavelengths. Comparison of predictions over a 2 year period indicate that the red-edge-based indicators can detect differences in canopy condition and that these relationships appear robust. The results indicate the chlorophyll-based indices were less robust through time, possibly due to interactions with needle defoliation.Il est essentiel d'assurer le maintien de l'état de santé et des conditions des plantations forestières dans des conditions optimales pour minimiser les pertes de productivité. Un programme de suivi de l'état de santé des plantations, capable d'évaluer de façon précise l'étendue et la sévérité des symptômes associés au stress dans le couvert, pourrait permettre aux gestionnaires de la forêt de prendre les mesures proactives nécessaires pour minimiser les pertes de productivité et la mortalité des arbres. À travers une gamme diversifiée de facteurs associés au stress dans les arbres et à la défoliation (un agent pathogène fongique Sphaeropsis sapinea, la faible disponibilité en azote (N) dans le sol et un aphide Essigella californica), nous avons comparé les observations au sol des conditions du couvert avec des images acquises en parallèle en septembre 2002 et 2003, à l'aide d'une caméra numérique munie de filtres spectraux d'interférence en bande étroite (10 nm). À partir de ces longueurs d'onde, un certain nombre d'indices spectraux de la chlorophylle et du point d'inflexion du rouge ont été dérivés à une résolution spatiale de 50 cm. Dans le cas du S. sapinea, où l'infection est significative et résulte dans la décomposition nécrotique du tissu des aiguilles, la pente à la limite supérieure du point d'inflexion du rouge était la variable la plus fortement corrélée avec les attributs de la couronne (r2 = 0,76, 0,88 pour les deux années), avec une précision de classification indépendante de plus de 90 %. La présence du E. californica se nourissant à même les arbres est généralement associée à la chlorose des aiguilles et à la défoliation et a été estimée avec un degré plus faible de précision à l'aide d'un simple indice de chlorophylle (précision globale de 67 %). Les résultats indiquent que les images en bande étroite de caméra numérique peuvent être utilisées pour dériver des indices de sensibilité à la chlorophylle et les longueurs d'onde du point d'inflexion du rouge. La comparaison des prévisions au cours d'une période de deux ans montre que les indicateurs basés sur le point d'inflexion du rouge peuvent détecter des différences dans les conditions du couvert et que ces relations semblent robustes. Les résultats montrent que les indices basés sur la chlorophylle étaient moins robustes dans le temps, possiblement à cause des interactions avec la défoliation des aiguilles.[Traduit par la Rédaction]
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».