Automated detection of phenological transitions for yellow flowering plants such as Brassica oilseeds
Notice bibliographique
Résumé
Abstract Monitoring crop phenology is crucial for making site‐specific management decisions for crop protection and nutrition. The prominent yellow bloom associated with canola ( Brassica napus L.) and similar yellow‐flowering plants can provide cues about spatial differences as well as timing of crop input requirements. The objective of this study was to remotely characterize the phenological development of Brassicaceae oilseeds such as canola and carinata ( B. carinata A. Braun) in terms of spectral‐temporal dynamics between vegetation density and yellow flower density. Temporal variation of spectral indices (normalized difference vegetation index [NDVI], normalized difference yellowness index [NDYI], and visible atmospherically resistant index [VARI]) were measured in small plots over the growing season in relation to changes in vegetation density and flower density in winter canola and spring carinata. Phenological change between vegetative and reproductive development could be automatically detected using the difference in the change of the sign of ΔIndex values between VARI and NDYI. An overall accuracy of 85% was obtained when testing the algorithm with Landsat 8 data of canola fields near Olds, AB, Canada. The contrasting behavior between reproductive and vegetation indices across flowering transitions was confirmed for three independent datasets across a range of genetic variation in Brassica oilseeds as well as geographic variation in soil types and management practices. A bivariate time series analysis procedure was developed for automatically estimating flowering transitions based on predictable, relative differences between vegetative and reproductive indices. Researchers and land managers can exploit optimal phenology windows to improve site‐specific models and disease risk assessments.
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) | 0,001 | 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 ».