High‐throughput drone‐based remote sensing reliably tracks phenology in thousands of conifer seedlings
Notice bibliographique
Résumé
Phenology is an important indicator of environmental variation and climate change impacts on tree responses. In conifers, monitoring phenology of photosynthesis through remote sensing has been unreliable, because needle foliage varies little throughout the year. This is challenging for modelling ecosystem carbon uptake and monitoring phenology for enhanced breeding (genomic selection) and forest health. Here, we demonstrate that drone-based carotenoid-sensitive spectral indices, such as the Chl/carotenoid index (CCI), can be used to track phenology in conifers by taking advantage of the close relationship between seasonally changing carotenoid levels and the variation of photosynthetic activity. Physiological ground measurements, including photosynthetic pigments and maximum quantum yield of Chl fluorescence, indicated that CCI tracked the variation of photosynthetic activity better than other vegetation indices for 30 white spruce seedlings measured over 1 yr. A machine-learning approach, using CCI derived from drone-based multispectral imagery, was used to model phenology of photosynthesis for the entire pedigree population (6000 seedlings). This high-throughput drone-based phenotyping approach is suitable for studying climate change impacts and environmental variation on the physiological status of thousands of field-grown conifers at unprecedented speed and scale.
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 ».