Use of Unmanned Aerial Vehicles (UAVs) Imagery in Phenotyping of Bambara Groundnut
Notice bibliographique
Résumé
In this experiment, proximal measurements and Unmanned Aerial Vehicle (UAV) imagery was used to determine growth stages for bambara groundnut (Vigna subterranea (L.) Verdc.). The crop is a high potential crop due to its ability to yield in marginal environments, but neglected and underutilised due to lack of information on its growth in different environments. This study evaluated the correlation between Normalised Difference Vegetation Index (NDVI) derived from the ground as well as airborne sensors to test the ability of remotely sensed data to identify growth stages. NDVI and chlorophyll content of bambara groundnut leaves were measured at ground level at 18, 32, 46 and 88 days after planting (DAP) comprising vegetative, flowering, pod formation and maturity growth stages. The UAV imagery for the experimental plots was acquired with 0.2m resolution at maturity. The result showed a significant (p < 0.05) linear relationship between proximal NDVI and chlorophylls content at all growth stages ofgrowth. The R2 varied from 0.57 in the vegetative stage to 0.78 in the flowering stage. Furthermore, NDVI derived from proximal measurements and UAV data showed a significant (p < 0.05) correlation. The observed high correlation between proximal sensors, UAV data and crop parameters suggest that remote sensing technologies can be used for rapid phenotyping to hasten the development of models to assess the performance of underutilised crops for food and nutrition security.
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) | 0,000 | 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 ».