WEED COVER ON AND BETWEEN CORN ROWS IMPLICATIONS FOR REAL-TIME WEED DETECTION
Notice bibliographique
Résumé
The spatial distribution of weeds in crop fields is heterogeneous. Therefore, limiting herbicides application to weed infested areas would lead to economical and environmental benefits. For real-time spot treatments, sensors detecting weed patches are needed. Vegetation sensors could be used in the inter-rows to trigger herbicide spraying on both rows and inter-rows if weed cover on and between the crop rows is uniform. To verify this hypothesis, weed cover on and between corn rows was evaluated using photographs acquired in corn fields at the 3 to 5 leaf stage. A one hectare plot was sampled in 2004, 2005 and 2007 at one location and nine one hectare plots were sampled in corn fields dispersed across the province of Quebec (Canada) in 2008. All fields were planted in corn under conventional tillage (75 cm row spacing). A segmentation algorithm was used to isolate vegetation pixels. Samples for the analysis consisted of 23 x 750 mm strips free of corn plants and covering three regions: undisturbed inter-row (UIR), corn row and inter-row compacted by tractor and/or seeders wheel during the seeding process (WIR). Repeated Anova measures indicated that weed cover on the undisturbed inter-row was generally lower than on the CR or WIR (p<0.001). No significant difference in weed cover was observed between CR and WIR. A presence/absence contingency table showed that 13-15% of samples had no weed pixels on the WIR while pixels were present on the row, indicating that 13-15% of weeds located on the CR would be missed if detection was based on the WIR.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».