Assessing the Leaf Blade Nutrient Status of Pinot Noir Using Hyperspectral Reflectance and Machine Learning Models
Notice bibliographique
Résumé
Monitoring grape nutrient status, from flowering to veraison, is important for viticulturists when implementing vineyard management strategies, in order to produce quality wines. However, traditional methods for measuring nutrient elements incur high labour costs. The aim of this study is to explore the potential of predicting grapevine leaf blade nutrient concentration based on hyperspectral data. Leaf blades were collected at two Pinot Noir commercial vineyards at Martinborough, New Zealand. The leaf blade spectral data were obtained with a handheld spectroradiometer, to evaluate surface reflectance and derivative spectra in the spectrum range between 400 and 2400 nm. Afterwards, leaf blades nutrient concentrations (N, P, K, Ca, and Mg) were measured, and their relationships with the hyperspectral data were modelled by machine learning models; partial least squares regression (PLSR), random forest regression (RFR), and support vector regression (SVR) were used. Pearson correlation and recursive feature elimination, based on cross-validation, were used as feature selection methods for RFR and SVR, to improve the model’s performance. The variable importance score of PLSR, and permutation variable importance of RFR and SVR, were used to determine the most sensitive wavelengths, or spectral regions related to each biochemical variable. The results showed that the best predictive performance for leaf blade N concentration was based on PLSR to raw reflectance data (R2 = 0.66; RMSE = 0.15%). The combination of support vector regression with the Pearson correlation selected method and second derivative reflectance provided a high accuracy for K and Ca modelling (R2 = 0.7; RMSE = 0.06%; R2 = 0.62; RMSE = 0.11%, respectively). However, the modelling performance for P and Mg, by different feature groups and variable selection methods, was poor (R2 = 0.15; RMSE = 0.02%; R2 = 0.43; RMSE = 0.43%, respectively). Thus, a larger dataset is needed for improving the prediction of P and Mg. The results indicated that for Pinot Noir leaf blades, raw reflectance data had potential for the prediction of N concentration, while the second-derivative spectra were more suitable to predict K and Ca. This study led to the provision of rapid and non-destructive measurements of grapevine leaf nutrient status.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 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 ».