Detection and Mapping of Kochia Plants and Patches Using High-Resolution Ground Imagery and Satellite Data: Application of Machine Learning
Notice bibliographique
Résumé
The presence of Kochia weed can be harmful to crop production. It can grow well in harsh conditions and resist popular herbicides such as glyphosate. It causes chemical stress to crops and spreads quickly, forming large patches. Detecting Kochia early is crucial for effective control. However, it can be hard to identify it in its early stages as it closely resembles early-stage crops. Moreover, Kochia seeds can spread from neighbouring farms through water or wind, making early detection at both field and regional levels necessary. Currently, object-based detection methods are used for Kochia detection at the field level, but there is still a lack of literature on mapping Kochia at a regional level. Our research proposes a methodology for accurately detecting, localizing and quantifying Kochia plants in fields using high-resolution RGB imagery. We also explore the potential of detecting Kochia patches at a regional level using satellite imagery. Our approach uses semantic segmentation techniques to process geotagged RGB images, allowing us to identify and quantify individual Kochia plants in the field. To ensure accurate detection, we have established a minimum Kochia density threshold based on the density of Kochia in RGB images. This threshold enables us to distinguish the spectral signature of satellite imagery pixels with a high density of Kochia. We label the satellite imagery based on the geo-locations where Kochia density exceeds the threshold value. Our method has a 99% accuracy rate in detecting Kochia patches using multi-spectral satellite imagery with a density threshold of 40%. The semantic segmentation model trained on RGB imagery for in-field mapping has a mean intersection over union value of up to 0.8606. These results suggest pixel-level Kochia segmentation of satellite imagery can be performed more accurately if a pixel has more than 40% Kochia mix. Our study highlights the potential of using high-resolution RGB imagery and satellite data at the farm and regional levels for effective Kochia management. Detecting Kochia early and accurately can help prevent crop damage and ensure successful crop production.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».