Characterization of leaf surface phenotypes based on light interaction
Notice bibliographique
Résumé
BACKGROUND: Leaf surface phenotypes can indicate plant health and relate to a plant's adaptations to environmental stresses. Identifying these phenotypes using non-invasive techniques can assist in high-throughput phenotyping and can improve decision making in plant breeding. Identification of these surface phenotypes can also assist in stress identification. Incorporating surface phenotypes into leaf optical modelling can lead to improved biochemical parameter retrieval and species identification. RESULTS: In this paper, leaf surface phenotypes are characterized for 349 leaf samples based on polarized light reflectance measured at Brewster's Angle, and microscopic observation. Four main leaf surface phenotypes (glossy wax, glaucous wax, high trichome density, and glabrous) were identified for the leaf samples. The microscopic and visual observations of the phenotypes were used as ground truth for comparison with the spectral classification. In addition to surface classification, the microscope images were used to assess cell size, shape, and cell cap aspect ratios; these surface attributes were not found to correlate significantly with spectral measurements obtained in this study. Using a quadratic discriminant analysis function, a series of 10,000 classifications were run with the data randomly split between training and testing datasets, with 150 and 199 samples, respectively. The average correct classification rate was 72.9% with a worst-case classification of 60.3%. CONCLUSIONS: Leaf surface phenotypes were successfully correlated with spectral measurements that can be obtained remotely. Remote identification of these surface phenotypes will improve leaf optical modelling and biochemical parameter estimations. Phenotyping of leaf surfaces can inform plant breeding decisions and assist with plant health monitoring.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».