Hyperspectral imaging: a novel approach for plant root phenotyping
Notice bibliographique
Résumé
BACKGROUND: Root phenotyping aims to characterize root system architecture because of its functional role in resource acquisition. RGB imaging and analysis procedures measure root system traits via colour contrasts between roots and growth media or artificial backgrounds. In the case of plants grown in soil-filled rhizoboxes, where the colour contrast can be poor, it is hypothesized that root imaging based on spectral signatures improves segmentation and provides additional knowledge on physico-chemical root properties. RESULTS: grown in soil-filled rhizoboxes were scanned in a spectral range of 1000-1700 nm with 222 narrow bands and a spatial resolution of 0.1 mm. A data processing pipeline was developed for automatic root segmentation and analysis of spectral root signatures. Spectral- and RGB-based root segmentation did not significantly differ in accuracy even for a bright soil background. Best spectral segmentation was obtained from log-linearized and asymptotic least squares corrected images via fuzzy clustering and multilevel thresholding. Root axes revealed major spectral distinction between center and border regions. Root decay was captured by an exponential function of the difference spectra between water and structural carbon absorption regions. CONCLUSIONS: Fundamentals for root phenotyping using hyperspectral imaging have been established by means of an image processing pipeline for automated segmentation of soil-grown plant roots at a high spatial resolution and for the exploration of spectral signatures encoding physico-chemical root zone properties.
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 | 0,001 | 0,001 |
| 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 ».