Bacterial Leaf Blight Detection in Rice Crops Using Ground-Based Spectroradiometer Data and Multi-temporal Satellites Images
Notice bibliographique
Résumé
This study presents a method for detecting rice crop damage due to bacterial leaf blight (BLB) infestation. Rice crop samples are first analyzed using a handheld spectroradiometer. Then, multi-temporal satellite image analysis is used to determine the most suitable vegetation indices for detecting BLB. The results showed that healthy plants have the highest first derivative value of spectral reflectance of the different categories of diseased plants. Significant difference can be found at approximately 690-770 nm (red edge region) which peak or maximum of the first derivative occurs in healthy crop whereas the highest percentage of BLB showed the lowest in that region. Moreover, visible bands such as blue, green, red, and red edge 1 band show variation of correlation in the early (vegetative) to generative stage then getting high especially in early of harvesting stage than the other bands; the NIR band exhibits a low correlation from the early stage of the growing season whereas the red and red edge bands reveal the highest correlations in the later stage of harvesting. Similarly, the satellite image analysis also reveals that disease incidence gradually increases with increasing age of the plant. The vegetation indices whose formulas consist of blue, green, red, and red edge bands (NGRDI, NPCI, and PSRI) exhibit the highest correlation with BLB infestation. NPCI and PSRI indices indicate that crop stress due to BLB is detected from ripening stage of NPCI then the senescence condition is then detected 12 days later. The coefficients of determination between these indices and BLB are 0.44, 0.63, and 0.67, respectively
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».