Stress Detection in Crops with Hyperspectral Remote Sensing and Physical Simulation Models
Notice bibliographique
Résumé
Progress made on the detection of stress in heterogeneous crop canopies with hyperspectral remote sensing imagery is presented.High-spatial resolution multispectral remote sensing imagery was collected in 2002, 2003 and 2004 over vineyard and olive orchards in Spain.Imagery acquired with the Compact Airborne Spectrographic Imager (CASI) and the Reflective Optics System Imaging Spectrometer (ROSIS) in the visible and near infrared wavelength regions 400-950 nm at 1 m resolution, and with the Airborne Hyperspectral Scanner (AHS) in the reflective and thermal regions at 2 m resolution enabled the study of narrow-band vegetation indices and model simulation for estimation of chlorophyll content for chlorosis detection at the tree and vine level, as well as deriving thermal information function of the stress status.Ground data collection consisted of measurements of crown transmittance with a PCA LAI-2000 and geometrical measurements of crown projected area, height, crown cross-section, and biochemical constituents such as chlorophyll a+b and carotenoids, enabling the estimation of crown leaf area index, crown leaf density, biophysical variables related to the crown intercepted radiation, such as crop yield and canopy fractional cover, as well as crop functioning through chlorophyll content estimation.Leaf and canopy simulation models, such as PROSPECT, SAILH, FLIM, and rowMCRM were used and the scaling up methodology presented.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».