Potential of a Remotely Piloted Aircraft System with Multispectral and Thermal Sensors to Monitor Vineyard Characteristics for Precision Viticulture
Notice bibliographique
Résumé
Grapevines are subjected to many physiological and environmental stresses that influence their vegetative and reproductive growth. Water stress, cold damage, and pathogen attacks are highly relevant stresses in many grape-growing regions. Precision viticulture can be used to determine and manage the spatial variation in grapevine health within a single vineyard block. Newer technologies such as remotely piloted aircraft systems (RPASs) with remote sensing capabilities can enhance the application of precision viticulture. The use of remote sensing for vineyard variation detection has been extensively investigated; however, there is still a dearth of literature regarding its potential for detecting key stresses such as winter hardiness, water status, and virus infection. The main objective of this research is to examine the performance of modern remote sensing technologies to determine if their application can enhance vineyard management by providing evidence-based stress detection. To accomplish the objective, remotely sensed data such as the normalized difference vegetation index (NDVI) and thermal imaging from RPAS flights were measured from six commercial vineyards in Niagara, ON, along with the manual measurement of key viticultural data including vine water stress, cold stress, vine size, and virus titre. This study verified that the NDVI could be a useful metric to detect variation across vineyards for agriculturally important variables including vine size and soil moisture. The red-edge and near-infrared regions of the electromagnetic reflectance spectra could also have a potential application in detecting virus infection in vineyards.
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 | 0,000 |
| 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 ».