Early Detection of Cassava Vascular Bacteriosis (Xanthomonas Axonopodis pv. Manihotis) by Visible Near-infrared Spectroscopy Before the Appearance of Critical Symptoms
Notice bibliographique
Résumé
Cassava is a crucial crop for food and nutritional security. It is an important source of carbohydrates in African countries. Cassava crops can sometimes be infected by leaf diseases, affecting overall production and reducing farmers' incomes. Early detection is therefore essential to reduce the impact of these diseases. Light reflections from leaves are known to convey information about plant health. In this study, healthy and inoculated cassava were detected from the reflections obtained from the leaves using a USB 4000 spectrometer with a spectral range of (350-1050) nm. Artificial neural networks (ANNs) and nearest neighbours (KNNs) were used with principal components and vegetation indices as input for classification. Various performance metrics, i.e. Precision, Recall, Accuracy and F1_score for KNN, Accuracy, RMSE and R2 for ANN were calculated to evaluate the different established models. Using the principal components (PC1, PC2) we obtained the best models with the ANNs with the following metrics (R2=0.9678; RMSE=0.0146; Accuracy =98.30%) for the variety IM 84 and (R2=0.9291; RMSE=0.0354 Accuracy=91.30%) for the Yacé variety. With vegetation indices, the best performing models were obtained with KNN whose input parameters are RatiodRE_703 ((Accuracy =92.50% and F1-score=0.9449) and fWBI ((Accuracy =90% and F1-score=0.9326) for Yacé and vog 3 (Accuracy=100% and F1-score=1), DD (Accuracy=100% and F1_score=1) and dNIRmin920_980 (Accuracy=95% and F1_score=0.9373) for the IM 84. Overall, the results showed that leaf spectral reflectance can be used successfully for the early detection of cassava bacterial blight.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».