Canola Yield Simulation through Digitalized Flower Number Using High-Resolution UAV-RGB Imagery
Notice bibliographique
Résumé
Canola has a prominent floral signature and requires careful consideration when selecting spectral indices for yield estimation. This study evaluated several spectral indices derived from high-resolution RGB images. A small plot (2.75m x 6m) experiment was conducted at Kernen Research Farm, Saskatoon, where canola was grown under varying row spacings and seeding rates (192 plots). The canopy reflectance was imaged during the flowering period and seed yield was obtained at physiological maturity. Indices were evaluated for accuracy in quantifying canola flowers in high-resolution RGB imagery with within-canopy shadow pixels. Digitalized flower number from the peak flowering date was used to test and validate a non-linear three-parameter asymptotic regression model to simulate canola seed yield. 70 % of the data was used to develop the model, and 30 % was used to validate the model. Model performance was tested with Pseudo-R2, r, MAE, and RMSE. HFI (High-resolution Flowering Index) and MYI (Modified Yellowness Index) were able to accurately identify flowering pixels with the least amount of error pixel. The yield simulation model resulted in a pseudo-R2 value of 0.11 for the tested model and, correlation of 0.88 for validation with RMSE and MAE of 343.1 and 265.3, respectively. Our results indicate that HFI and MYI indices are a better indicator of yield potential compared to NDYI as the metric is well capable of handling within canopy shadows. Further studies are necessary to evaluate the performance of HFI and MYI vegetation indices for medium resolution-UAV and satellite imagery.
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 | 0,001 |
| 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 ».