Use hyperspectral remote sensing technique to monitoring pine wood nomatode disease preliminary
Notice bibliographique
Résumé
The pine wilt disease is a devastating disease of pine trees. In China, the first discoveries of the pine wilt disease on 1982 at Dr. Sun Yat-sen's Mausoleum in Nanjing. It occurred an area of 77000 hm2 in 2005, More than 1540000 pine trees deaths in the year. Many districts of Chongqing in Three Gorges Reservoir have different degrees of pine wilt disease occurrence. It is a serious threat to the ecological environment of the reservoir area. Use unmanned airship to carry high spectrum remote sensing monitoring technology to develop the study on pine wood nematode disease early diagnosis and early warning and forecasting in this study. The hyper spectral data and the digital orthophoto map data of Fuling District Yongsheng Forestry had been achieved In September 2015. Using digital image processing technology to deal with the digital orthophoto map, the number of disease tree and its distribution is automatic identified. Hyper spectral remote sensing data is processed by the spectrum comparison algorithm, and the number and distribution of disease pine trees are also obtained. Two results are compared, the distribution area of disease pine trees are basically the same, indicating that using low air remote sensing technology to monitor the pine wood nematode distribution is successful. From the results we can see that the hyper spectral data analysis results more accurate and less affected by environmental factors than digital orthophoto map analysis results, and more environment variable can be extracted, so the hyper spectral data study is future development direction.
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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».