Hyperspectral imaging: a novel approach for plant root phenotyping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle