Spectral unmixing of hyperspectral images revealed pine wilt disease sensitive endmembers
Notice bibliographique
Résumé
Throughout the entire cycle of leaf phenological events, leaf colour undergoes changes that are influenced by either abiotic stress or biotic infection. These changes in colouration are closely linked to the quantity and quality of photosynthetic pigments, which directly impact the primary productivity of plants. Therefore, monitoring and quantifying leaf colouration changes are crucial for distinguishing damage caused by pine wilt nematodes from natural tree senescence. In this study, a hyperspectral camera sensor was employed for the non-invasive and non-destructive evaluation of needle colour changes in coniferous trees grown in field tests. Three distinct needle colour variations of six coniferous tree species were selected and monitored using a hyperspectral sensor: those displaying seasonal autumn colours, undergoing nematode-infected necrosis processes, and experiencing natural death. To mitigate the inherently mixed spectral properties of hyperspectral data, endmembers were extracted from individual images using the Purity Pixel Index algorithm under the assumption of linear mixing of endmembers. From a total of 1,321 endmembers extracted from 378 hyperspectral images of six pine species, eight endmembers were ultimately chosen to reconstruct hyperspectral images and generate abundance maps. Among these eight endmembers, four represent varying levels of photosynthetic pigment contents-ranging from very low to high. Consequently, these coniferous endmembers hold promise for assessing seasonal leaf phenology and the extent of damage in pine trees infected by pine wilt nematodes. This comprehensive approach underscores the effectiveness of spectral unmixing of hyperspectral images in advancing precision forestry through meticulous coniferous needle trait analysis.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».