Potato Late Blight Detection at the Leaf and Canopy Levels Based in the Red and Red-Edge Spectral Regions
Notice bibliographique
Résumé
Potato late blight, caused by Phytophthora infestans, is a major disease worldwide that has a significant economic impact on potato crops, and remote sensing might help to detect the disease in early stages. This study aims to determine changes induced by potato late blight in two parameters of the red and red-edge spectral regions: the red-well point (RWP) and the red-edge point (REP) as a function of the number of days post-inoculation (DPI) at the leaf and canopy levels. The RWP or REP variations were modelled using linear or exponential regression models as a function of the DPI. A Support Vector Machine (SVM) algorithm was used to classify healthy and infected leaves or plants using either the RWP or REP wavelength as well as the reflectances at 668, 705, 717 and 740 nm. Higher variations in the RWP and REP wavelengths were observed for the infected leaves compared to healthy leaves. The linear and exponential models resulted in higher adjusted R2 for the infected case than for the healthy case. The SVM classifier applied to the reflectance of the red and red-edge bands of the Micasense® Dual-X camera was able to sort healthy and infected cases with both the leaf and canopy measurements, reaching an overall classification accuracy of 89.33% at 3 DPI when symptoms were visible for the first time with the leaf measurements and of 89.06% at 5 DPI, i.e., two days after the symptoms became apparent, with the canopy measurements. The study shows that RWP and REP at leaf and canopy levels allow detecting potato late blight, but these parameters are less efficient to sort healthy and infected leaves or plants than the reflectance at 668, 705, 717 and 740 nm. Future research should consider larger samples, other cultivars and the test of unmanned aerial vehicle (UAV) imagery for field-based detection.
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 | 0,000 |
| 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) | 0,000 | 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 ».