Hyperspectral imaging: A potential tool for monitoring crop infestation, crop yield and macronutrient analysis, with special emphasis to Oilseed Brassica
Notice bibliographique
Résumé
Due to increase in human population at an alarming rate, there is tremendous pressure on the agriculture sector for increasing production of agricultural commodities. Oilseed Brassica is an important oilseed crops in India. Although, India occupies third position with about 10.3 % share in the acreage, and production of rapeseed-mustard in the world after China, and Canada, with the average yield of 1188 kg per hectare, which is low as compared to world average 1994 kg/ha. The major reasons for low exploitable yield are infestation by various pathogens, and pests, improper weed management, degradation of soils due to excessive use of pesticides, fertilizers, and emerging pesticide resistance. Hyperspectral imaging system (HIS), also known as imaging spectroscopy or 3D spectroscopy, combines imaging, and spectroscopy into a single system. Through its multi-spectral, multi-temporal, and multi-resolution observation capability, the technology provides an alternative to traditional methods for facilitating sustainable agriculture by mapping, and monitoring the agricultural situation, retrieval of biophysical parameter, and management/ decision support for agricultural development. For oilseed rape, the technology has been found to be useful for disease forecasting, monitoring infestation induced damages, predicting seed yield, detection of fungal pathogens, weeds and macronutrient analysis for monitoring fertilizer application.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».