A comparison between visual estimates and image analysis measurements to determine septoria leaf blotch severity in winter wheat
Notice bibliographique
Résumé
Methods to estimate disease severity vary in accuracy, reliability, ease of use and cost. Severity of septoria leaf blotch ( SLB , caused by Z ymoseptoria tritici ) was estimated by four raters and by image analysis (assumed actual values) on individual leaves of winter wheat in order to explore accuracy and reliability of estimates, and to ascertain whether there were any general characteristics of error. Specifically, the study determined: (i) the accuracy and reliability of visual assessments of SLB over the full range of severity from 0 to 100%; (ii) whether certain 10% ranges in actual disease severity between 0 and 100% were more prone to estimation error compared with others; and (iii) whether leaf position affected accuracy within those ranges. Lin's concordance correlation analysis of all severities (0–100%) demonstrated that all raters had estimates close to the actual values (agreement: ρ c = 0·92–0·99). However, agreement between actual SLB severities and estimates by raters was less good when compared over short 10% subdivisions within the 0–100% range (ρ c = −0·12 to 0·99). Despite common rater imprecision at estimating low and high SLB severities, individual raters differed considerably in their accuracy over the short 10% subdivisions. There was no effect of leaf position on accuracy or precision of severity estimate on separate leaves (L1–L3). Pursuing efforts in understanding error in disease estimation should aid in improving the accuracy of assessments, making visual estimates of disease severity more useful for research and applied purposes.
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 ».