Application of a Multi-Spectral UAV Imagery in Germplasm Characterization: Prediction of Forage Biomass and Growth Patterns of Cicer Milkvetch (Astragalus cicer L.) Populations
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAV)-based multi-spectral imaging could reduce the intensive labour required in phenotyping germplasm in crop breeding. The objectives of this study were to examine if UAV-based imaging could differentiate cicer milkvetch (Astragalus cicer L.) germplasm and identify UAV-based vegetation indices with correlations to its dry matter yield (DMY). A spaced nursery from 27 cicer milkvetch populations was established near Saskatoon, SK, Canada, in 2019. From 1 June to 15 October in 2020 and 2021, phenotypic traits including maximum stem length, leaf number per stem, rhizome spread rate, and stem density, along with two UAV-measured traits, green area and canopy volume, were measured bi-weekly. Forage DMY was determined in late June and mid-October of each year. In this study, normalized difference vegetation index (NDVI) green area and NDVI canopy volume data differentiated the three selected populations. NDVI green area had the highest correlation with forage DMY among the traits (June harvest: r = 0.91, October harvest: r = 0.77). Among measured phenotypic traits, maximum stem length had the highest correlation with forage DMY (June harvest: r = 0.74, October harvest: r = 0.83), which was significantly correlated to NDVI green area. The results indicated potential use of UAV-phenotyping in single plant evaluation in plant breeding.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,000 | 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 ».