Identifying crop phenology using maize height constructed from multi-sources images
Notice bibliographique
Résumé
In agriculture, crop height is an important indicator that is commonly applied for monitoring physiological-related traits such as above-ground biomass and grain yields. Timely and precisely acquiring information on crop height at a regional scale still remains challenging, and its potential effectiveness for identifying crop phenology is under studied. In this work, unmanned aerial vehicle (UAV)-based RGB and multispectral-based images, and maize height were collected at critical growth stages in 2019, 2020, and 2021. Direct method of extracting maize height using d-value in digital surface models (DSM), and indirect methods using linear regressions by RGB-based vegetation indices (VIs), RGB-based texture indices, and multispectral-based VIs were separately applied to extract maize height. The results indicated that the optimal variables for extracting maize height were DSM and RGB-based VIs, and these variables were then used to construct maize height through a multi-linear regression. The multi-indicators, namely, constructed maize height, RGB-based VIs, and multispectral-based VIs were filtered using a single logistic model (SLM) and HANTS, respectively. The heading and tasseling dates of maize were identified using threshold methods and the results were compared with measured ones. The average of RMSE was 6.83 (7.14) days for constructed maize height, 10.19 (12.02) days for RGB-based VIs, and 8.02 (7.92) days for multispectral-based VIs filtered by SLM and HANTS, respectively. In conclusion, the constructed maize height well described maize’s growth stages and can serve as an important complement means for extracting maize phenology compared to traditional remote sensing-formed VIs.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».