Soybean iron deficiency chlorosis high-throughput phenotyping using an unmanned aircraft system
Notice bibliographique
Résumé
BACKGROUND: Iron deficiency chlorosis (IDC) is an abiotic stress in soybean [Glycine max (L.) Merr.] that causes significant yield reductions. Symptoms of IDC include interveinal chlorosis and stunting of the plant. While there are management practices that can overcome these drastic yield losses, the preferred way to manage IDC is growing tolerant soybean varieties. To develop varieties tolerant to IDC, breeders may easily phenotype up to thousands of candidate soybean lines every year for severity of symptoms related to IDC, a task traditionally done with a 1-5 visual rating scale. The visual rating scale is subjective and, because it is time consuming and laborious, can typically only be accomplished once or twice during a growing season. RESULTS: The goal of this study was to use an unmanned aircraft system (UAS) to improve field screening for tolerance to soybean IDC. During the summer of 2017, 3386 plots were visually scored for IDC stress on two different dates. In addition, images were captured with a DJI Inspire 1 platform equipped with a modified dual camera system which simultaneously captures digital red, green, blue images as well as red, green, near infrared (NIR) images. A pipeline was created for image capture, orthomosaic generation, processing, and analysis. Plant and soil classification was achieved using unsupervised classification resulting in 95% overall classification accuracy. Within the plant classified canopy, the green, yellow, and brown plant pixels were classified and used as features for random forest and neural network models. Overall, the random forest and neural network models achieved similar misclassification rates and classification accuracy, which ranged from 68 to 77% across rating dates. All 36 trials in the field were analyzed using a linear model for both visual score and UAS predicted values on both dates. In 32 of the 36 tests on date 1 and 33 of 36 trials on date 2, the LSD associated with UAS image-based IDC scores was lower than the LSD associated with visual scores, indicating the image-based scores provided more precise measurements of IDC severity. CONCLUSIONS: Overall, the UAS was able to capture differences in IDC stress and may be used for evaluations of candidate breeding lines in a soybean breeding program. This system was both more efficient and precise than traditional scoring methods.
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) | 0,000 | 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) | 0,001 | 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 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 ».