Modeling Water Stress as an Indicator of Red Palm Weevil Infestation Using Field Sampling, Worldview-3 Reflectance, and Laboratory Analysis
Notice bibliographique
Résumé
This study focuses for the first time on the water content modeling as an indicator for red palm weevil (RPW) stress-attacks using field sampling, Worldview-3 (WV-3) reflectance measurements, water content estimation at the laboratory (WC-Lab), several water stress indices (WSI) and statistical analysis. Based on field identification and sampling, 100 date palm trees were considered and divided into four classes of RPW stress-attacks: dead, severely attacked, moderately attacked, and healthy trees (young and mature trees). Spectral measurements were acquired over each sample using Analytical Spectral Devices (ASD). Then, they were resampled and convolved using WV-3 spectral response profiles and the Canadian radiative transfer code (CAM5S). For model calibration, only 80 samples were considered, while 20 samples were used for validation purposes. Obtained results indicate that the proposed models based on PTWSI-4 and SRWI offer an important alternative to discriminate among different levels of RPW stress-attack. They discriminate significantly among the considered stress classes (R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ≥ 0.85) using second order regression . The validation of PTWSI-4 model revealed a significant correlation with the WC- <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Lab</sub> values (R2 of 0.95), and an acceptable RSME of 8.5 %.
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 | 0,001 |
| 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 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 ».