NAPPN Annual Conference Abstract: Dissecting lentil crop growth across multi- environment trials using unoccupied aerial vehicles
Notice bibliographique
Résumé
In recent decades, the field of phenomics has lagged behind the advances in genomics, which have become increasingly high-throughput and low-cost. In comparison, manually collected phenotypes are often time-consuming, labor intensive, and more costly to obtain. The development of high-throughput phenotyping platforms (HTPP) are bridging these gaps and enabling improved spatial and temporal resolution for researchers. We used imagery from unoccupied aerial vehicles (UAV) flown over multiple site years in Saskatchewan and Italy to gather data for crop height, area and volume in a lentil diversity panel. We found high correlations for our UAV-derived traits (height & volume) with our manually collected phenotypes (height & biomass). In addition, the high-throughput nature of the UAV allowed for the collection of time-series data which enabled the modelling of growth curves for volume, height and area, which would be impractical under traditional phenotyping procedures given the large population grown in multiple environments. Principal component analysis and hierarchical clustering revealed differential growth strategies amongst our diverse lentil population across contrasting environments. Our study demonstrates the potential for HTPP to obtain data that traditionally require destructive sampling, e.g., volume as a proxy for vegetative biomass, and improve the temporal quality of phenotype data enabling researchers to take their analysis beyond single time points, e.g., model growth curves. In addition, performing our analysis on data from contrasting environments, i.e., Saskatchewan and Italy, has helped elucidate optimal adaptation with regard to growth strategies in lentils.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 tête enseignante, 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 ».