MétaCan
Menu
Retour à la cohorte
Enregistrement W4353085796 · doi:10.3389/fphy.2023.1101274

PlotCam: A handheld proximal phenomics platform

2023· article· en· W4353085796 sur OpenAlexaff
Malcolm J. Morrison, Alison Claire Gahagan, T. Hotte, Marc Lefebvre, Matthew Kenny, Alain Saumure

Notice bibliographique

RevueFrontiers in Physics · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésPhenomicsComputer scienceSensor fusionData collectionArtificial intelligencePopulationPoint cloudRemote sensingComputer visionEnvironmental scienceReal-time computingMathematicsGeographyStatisticsMedicine

Résumé

récupéré en direct d'OpenAlex

Future crop varieties must be higher yielding, stress resilient and climate agile to feed a larger population, and overcome the effects of climate change. This will only be achieved by a fusion of plant breeding with multiple “omic” sciences. Field-based, proximal phenomics assesses plant growth and responses to stress and agronomic treatments, in a given environment, over time and requires instruments capable of capturing data, quickly and reliably. We designed the PlotCam following the concepts of cost effective phenomics, being low-cost, light-weight (6.8 kg in total) and portable with rapid and repeatable data collection at high spatial resolution. The platform consisted of a telescoping, square carbon fiber unipod, which allowed for data collection from many heights. A folding arm held the sensor head at the nadir position over the plot, and an accelerometer in the arm ensured the sensor head was level at the time of data acquisition. A computer mounted on the unipod ran custom software for data collection. RGB images were taken with an 18 MP, WiFi controlled camera, infrared thermography data was captured with a 0.3 MP infrared camera, and canopy height measured with a 0.3 MP stereo depth camera. Incoming light and air temperature were logged with every image. New operators were quickly trained to gather reliable and repeatable data and an experienced operator could image up to 300 plots per hour. The PlotCam platform was not limited by field design or topography. Multiple identical PlotCams permitted the study of larger populations generating phenomic information useful in variety improvement. We present examples of data collected with the PlotCam over field soybean experiments to show the effectiveness of the platform.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,128

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0380,008

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,201
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PhysicsMême sujetRemote Sensing in AgricultureTravaux en français237 207