Estimating Effective Leaf Area Index of Winter Wheat Using Simulated Observation on Unmanned Aerial Vehicle-Based Point Cloud Data
Notice bibliographique
Résumé
Within-field variation of leaf area index (LAI) plays an essential role in field crop monitoring and yield forecasting. Although unmanned aerial vehicle (UAV)-based optical remote sensing method can overcome the spatial and temporal resolution limitations associated with satellite imagery for fine-scale within-field LAI estimation of field crops, image correction and calibration of UAV data are very challenging. In this study, a physical-based method was proposed to automatically calculate crop effective LAI (LAIe) using UAV-based 3-D point cloud data. Regular high spatial resolution RGB images were used to generate point cloud data for the study area. The proposed method, simulated observation of point cloud (SOPC), was designed to obtain the 3-D spatial distribution of vegetation and bare ground points and calculate the gap fraction and LAIe from a UAV-based 3-D point cloud dataset at vertical, 57.5°, and multiview angle of a winter wheat field in London, Ontario, Canada. Results revealed that the derived LAIe using the SOPC multiview angle method correlates well with the LAIe derived from ground digital hemispherical photography, R2= 0.76. The root mean square error and mean absolute error for the entire experiment period from May 11 to May 27 were 0.19 and 0.14, respectively. The newly proposed method performs well for LAIe estimation during the main leaf development stages (BBCH 20-39) of the growth cycle. This method has the potential to become an alternative approach for crop LAIe estimation without the need for ground-based reference measurements, hence save time and money.
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 | 0,001 | 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 ».