Visually assessing maize leaves: from spectral sampling to high-fidelity color reproduction
Notice bibliographique
Résumé
Maize (Zea mays L., corn) crops are extensively used in food and biofuel production worldwide. A number of protocols have been proposed to use leaf color as an indicator of the health status of maize plants. Color perception is a complex process, however. The correct interpretation of its outcomes depends on several aspects. Accordingly, a variety of spectral vegetation indices have also been proposed to monitor the development of these plants. These indices usually require a number of spectral reflectance and transmittance samples taken from selected specimens using specialized sensors. Since these radiometric quantities do not depend neither on the spectra of the light sources nor on the physiological characteristics of the human visual system, these indices are not subject to color perception issues. The visual feedback provided by the chromatic attributes of plant leaves, on the other hand, can enable a broader assessment of the net effect of several environmental factors affecting an entire maize crop. Also, these attributes can be obtained using spectral reflectance and transmittance samples already employed in the computation of the aforementioned indices. These aspects indicate the potential benefits of the combined use of vegetation indices and leaf chromatic attributes in the monitoring of maize crops. Ideally, one would like to employ a number of spectral samples that would maximize the color fidelity to sensor costs ratio. In this paper, we address this practical trade-off. More specifically, using hyperspectral reflectance and transmittance data for maize specimens, we performed colorimetric experiments to obtain a lower bound for the number of spectral reflectance and transmittance samples sufficient to achieve a high degree of fidelity in the reproduction of maize leaves’ colors under distinct illumination conditions.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».