A Band Grouping Based Approach for Phenotype-Class Mapping of Tree Genotypes Using Spectro-Temporal Information in Hyperspectral Time-Series UAV Data
Notice bibliographique
Résumé
Modern genomic tree breeding studies and forest health monitoring programs demand accurate mapping of tree phenotype. However, conventional field-based approaches to map phenotype are costly in terms of time and money. The recent phenomenal advances in the low-flying Unmanned Airborne Vehicle (UAV) remote sensing platforms together with the availability of high-resolution hyperspectral cameras allow to periodically capture a huge amount of crown spectral details of individual trees. These details can be exploited to map phenotypic class of tree genotypes. State-of-the-art methods that maps tree phenotype often underexploit the information in hyperspectral time-series data by using only a few specific band-based remote sensing (RS) indices to model phenological tree parameters that define the phenotypic response. Thus, we propose a wavelet-based approach to map tree phenotype of trees that a) maximally exploits the spectral and temporal information in band-groups by addressing data redundancy problem, and b) uses spectro-temporal/phenological information in the hyperspectral time-series data to map phenotype class of tree genotype. The improved performance of the proposed method over a RS index-based state-of-the-art one to map trees to a phenotypic class, on a set of 100 trees from 10 genotypes, proves the method to be performing.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».