CONVOLUTIONAL SVM NETWORKS FOR DETECTION OF <i>GANODERMA BONINENSE</i> AT EARLY STAGE IN OIL PALM USING UAV AND MULTISPECTRAL PLEIADES IMAGES
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Oil palm performs a considerable role in Malaysia’s economic system as Malaysia is the second-biggest palm oil manufacturer in the world. In oil palm plantations. Basal stem rot (BSR) is a disease caused by Ganoderma boninense that is responsible for a considerable annual losses, particularly in South East Asia. The disease remains an unresolved problem in most production areas due to lack of disease management strategy to detect the infected palms at their early stage. In recent years, advancement in remote sensing platforms and image processing methods have produced remarkable results for the detection of diseases at early stage. In this study, support vector machine (SVM) classifier was performed on UAV and Pleiades imagery to determine the ideal classification model for the early diagnosis of BSR disease in oil palms. The investigation's results showed that UAV provided the most accurate prediction, with a total accuracy of 68.28%, while 64.52% of the early Ganoderma infections could be identified with accuracy levels of 64.07% and 64.49%, respectively. The early Ganoderma infection could be recognized with an overall accuracy of 64.07% and 64.49%, respectively, while the Pleiades had an overall accuracy of 68.28% and 64.52%. Although the categorization accuracy appeared to be only modest at first glance, the quantity of detail offered by the imageries suggested that the accuracies were acceptable.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle