Human vs. Machine, the Eyes Have It. Assessment of Stemphylium Leaf Blight on Onion Using Aerial Photographs from an NIR Camera
Notice bibliographique
Résumé
Aerial surveillance could be a useful tool for early detection and quantification of plant diseases, however, there are often confounding effects of other types of plant stress. Stemphylium leaf blight (SLB), caused by the fungus Stemphylium vesicarium, is a damaging foliar disease of onion. Studies were conducted to determine if near-infrared photographic images could be used to accurately assess SLB severity in onion research trials in the Holland Marsh in Ontario, Canada. The site was selected for its uniform soil and level topography. Aerial photographs were taken in 2015 and 2016 using an Xnite-Canon SX230NDVI with a near-infrared filter, mounted on a modified Cine Star—8 MK Heavy Lift RTF octocopter UAV. Images were taken at 15–20 m above the ground, providing an average of 0.5 cm/pixel and a field of view of 15 × 20 m. Photography and ground assessments of disease were carried out on the same day. NDVI (normalized difference vegetation index), green NDVI, chlorophyll index and plant senescence reflective index (PSRI) were calculated from the images. There were differences in SLB incidence and severity in the field plots and differences in the vegetative indices among the treatments, but there were no correlations between disease assessments and any of the indices.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,102 | 0,047 |
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 ».