Water stress detection as an indicator of red palm weevil attack using worldview-3 data
Notice bibliographique
Résumé
This study focuses for the first time on the water stress detection and discrimination among different stages of red palm weevil (RPW) stress-attacks using water stress indices (WSI) and linear and second order polynomial statistical analysis. Different WSI were assessed using new technology Worldview-3 (WV-3) simulated data. Based on field identification, five palm tree classes were considered: dead, severely attacked, attacked-untreated, attacked-treated; and healthy trees. Spectral measurements were acquired over each sample using Analytical Spectral Devices (ASD). They were resampled and convolved using WV-3 spectral response profiles and the Canadian radiative transfer code (CAM5S). Results showed that the indices NDWI, SRWI, SIWSI-1, SIWSI-2 and NDII are sensitive to palm trees water agitation caused by RPW attacks. They discriminated among the considered classes with excellent R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> values (≈ 95%) using second order polynomial function (p < 0.05). Nevertheless, they express the water content dynamic range about only 10% to 55%. New Palm Tree Water Stress Index (PTWSI) were proposed using WV-3 SWIR bands. They differentiated among the considered classes with R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 90%, and enhanced significantly water content dynamic range for a maximum about 90% or 100%. According to these first results, it was concluded that remote sensing science using WV-3 data is a promising alternative for RPW detection based on WSI.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 tête enseignante, 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 ».