MétaCan
Menu
Retour à la cohorte
Enregistrement W4388475880 · doi:10.3920/9789086866649_046

Automated, low-cost yield mapping of wild blueberry fruit

2009· book-chapter· en· W4388475880 sur OpenAlexaboutno aff
Kishore Chandra Swain, Qamar U. Zaman, Arnold W. Schumann, David Percival, Dainis Nams, Travis J. Esau

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueHorticultural and Viticultural Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésYield (engineering)PixelPrecision agricultureHorticultureNova scotiaGeographyEnvironmental scienceMathematicsCartographyComputer scienceArtificial intelligenceBiologyPhysicsAgriculture

Résumé

récupéré en direct d'OpenAlex

The presence of weeds, bare spots, variation in soil/crop characteristics and fruit yield within the wild blueberry field requires more accurate applications to maximize profit and reduce environmental risks. The objective of this research was to develop an Automated Yield Monitoring and Mapping System to produce real-time fruit yield map for site-specific application of agrochemicals. This AYMMS was mounted on a specially designed Farm Motorized Vehicle (FMV). The AYMMS consists of a 10-mega pixel, 24-bit digital color camera (Canon Canada Inc., Mississauga, ON, Canada), Trimble Ag GPS 332 (Trimble Navigation Limited, Sunnyvale, CA) for geo-referencing and a laptop computer. Custom software was developed in ‘Delphi’ and ‘C’ programs for image processing to estimate %BPI (blue pixel index) representing ripe fruit. Two wild blueberry fields were selected in central Nova Scotia to evaluate the yield monitoring system. Percentage blue pixels correlated highly significantly with actual fruit yield in field 1 (R2=0.90; P<0.001; n=19) and field 2 (R2=0.97; P<0.001; n=19). The correlation between actual and predicted fruit yield in field 2 (validation) was also highly significant (R2=0.97; P<0.001; n=19). Real time yield mapping was carried out with AYMMS by acquiring images on the moving FMV at a spacing of 1.25 m and a ground speed of 0.5 m/sec. The estimated yield per image field of view along with geo-referenced coordinates was imported into ArcView 3.2 GIS (ESRI, Redlands, Calif., USA) to map fruit yield for the two selected fields. The maps showed substantial variability in fruit yield in both fields. The yield maps along with soil maps could be used for variable rate application of site specific crop inputs.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,266
Écart entre enseignants0,205 · 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
GenreEmpirique

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

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHorticultural and Viticultural ResearchTravaux en français237 207