Using UAV hyperspectral imagery and deep learning for Object-Based quantitative inversion of Zanthoxylum rust disease index
Notice bibliographique
Résumé
• First UAV-based hyperspectral quantitative dataset established for ZR detection. • Pioneering object-based quantitative inversion for tree diseases. • Unveiling the spectral characteristics of ZR. Zanthoxylum rust (ZR) poses a significant threat to Zanthoxylum bungeanum Maxim.(ZBM) production, impacting both the yield and quality. The lack of current research on ZR using unmanned aerial vehicle (UAV) remote sensing poses a challenge to achieving precise management of individual ZBM plant. This study acquired six UAV hyperspectral images to create a ZR inversion dataset . This dataset, to our knowledge, is the first dataset for remote sensing deep learning (DL) of ZR using UAV. To facilitate automated extraction of individual ZBM plant and the quantitative inversion of ZR disease index (DI), we introduced the object-based quantitative inversion framework (OQIF). OQIF achieved high accuracy in recognizing ZBM (average precision at an intersection over union threshold of 0.5 was 90.0 %). Remarkably, OQIF demonstrates outstanding quantitative inversion results for ZR DI (R 2 = 0.90, RMSE = 3.97, n = 8166). For DI < 10, the RMSE was 2.48, showcasing early detection capability. Our research has significant implications for ZBM cultivation and precision management, pioneering object-based quantitative inversion for tree diseases and yield estimation, with potential for early ZR detection.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».