HYPERSPECTRAL IMAGE CLASSIFICATION TO DETECT WEED INFESTATIONS AND NITROGEN STATUS IN CORN
Notice bibliographique
Résumé
The potential of hyperspectral aerial imagery for the detection of weed infestation and nitrogen fertilization levelin a corn (Zea mays L.) crop was evaluated. A Compact Airborne Spectrographic Imager (CASI) was used to acquirehyperspectral data over a field experiment laid out at the Lods Agronomy Research Centre of Macdonald Campus, McGillUniversity, Qubec, Canada. Corn was grown under four weed management strategies (no weed control, control of grasses,control of broadleaf weeds, and full weed control) factorally combined with nitrogen fertilization rates of 60, 120, and 250 Nkg/ha. The aerial image was acquired at the tasseling stage, which was 66 days after planting. For the classification of remotesensing imagery, various widely used supervised classification algorithms (maximum likelihood, minimum distance,Mahalanobis distance, parallelepiped, and binary coding) and more sophisticated classification approaches (spectral anglemapper and linear spectral unmixing) were investigated. It was difficult to distinguish the combined effect of both weed andnitrogen treatments simultaneously. However, higher classification accuracies were obtained when only one factor, eitherweed or nitrogen treatment, was considered. With different classifiers, depending on the factors considered for theclassification, accuracies ranged from 65.84% to 99.46%. No single classifier was found useful for all the conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».