Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes
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
Crop infestation with root-knot nematodes (RKN) and water deficiency lead to similar visible symptoms in the plant canopy. Identification of biotic or abiotic stress origin is therefore a problem, and currently the only reliable methods for determination of RKN infestation are invasive and applicable only for point-searches. In this study the applicability of hyperspectral remote sensing for early identification of drought stress and RKN infestations in tomato plants was tested. A four-stage image and data management pipeline was established: (1) image acquisition, (2) data extraction, (3) pre-processing, and (4) processing. •This pipeline reduces atmospheric impacts, facilitates data extraction (by using specially designed spectral libraries and supervised classification procedures), diminishes the impact of viewing geometry, and emphasized small spectral variations not apparent in the raw data.•By combining partial least squares - discriminant analysis and support vector machines with time series analysis, we achieved up to 100% classification success when determining watering regime and infestation, and their severity.•This pipeline could be at least partially automated, thus facilitating high throughput identification of stress origin in plants. Furthermore, the same pipeline could be applied to hyperspectral phenotyping procedures, which are gaining importance in breeding programs.
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 | 0,001 |
| 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