Determination of Leaf Nitrogen Concentrations Using Electrical Impedance Spectroscopy in Multiple Crops
Notice bibliographique
Résumé
In this work, crop leaf nitrogen concentration (LNC) is predicted by leaf impedance measurements made by electrical impedance spectroscopy (EIS). This method uses portable equipment and is noninvasive, as are other available nondestructive methods, such as hyperspectral imaging, near-infrared spectroscopy, and soil-plant analyses development (SPAD). An EVAL-AD5933EBZ evaluation board is used to measure the impedances of four different crop leaves, i.e., canola, wheat, soybeans, and corn, in the frequency range of 5 to 15 kHz. Multiple linear regression using the least square method is employed to obtain a correlation between leaf nitrogen concentrations and leaf impedances. A strong correlation is found between nitrogen concentrations and measured impedances for multiple features using EIS. The results are obtained by PrimaXL Data Analysis ToolPak and validated by analysis of variance (ANOVA) tests. Optimized regression models are determined by selecting features using the backward elimination method. After a comparative analysis among the four different crops, the best multiple regression results are found for canola with an overall correlation coefficient (R) of 0.99, a coefficient of determination (R2) of 0.98, and root mean square (RMSE) of 0.54% in the frequency range of 8.7–12 kHz. The performance of EIS is also compared with an available SPAD reading which is moderately correlated with LNC. A high correlation coefficient of 0.94, a coefficient of determination of 0.89, and RMSE of 1.12% are obtained using EIS, whereas a maximum correlation coefficient of 0.72, a coefficient of determination of 0.53, and RMSE of 1.52% are obtained using SPAD for the same number of combined observations. The proposed multiple linear regression models based on EIS measurements sensitive to LNC can be used on a very local scale to develop a simple, rapid, inexpensive, and effective instrument for determining the leaf nitrogen concentrations in crops.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».