Multispectral Drone Imaging for Non-Destructive Estimation of Nitrogen Content in Canola and Wheat
Notice bibliographique
Résumé
Estimating nitrogen (N) content of crops is essential for obtaining critical parameters such as nitrogen use efficiency (NUE). However, most of the methods developed for N content estimation are destructive and are time- and labor-intensive. Here, we show the results of a non-invasive method developed based on unmanned aerial vehicle (UAV) multispectral imaging of crops to estimate N content at different growth stages. To do so, multispectral drone images of canola and wheat were collected at three different stages of crop growth in an experimental field trial at AAFC Lethbridge, AB, Canada. Leaf tissue samples were also collected concurrently for seven different treatments of nitrogen applications, each of which was replicated four times. Several machine learning (ML) models were trained and evaluated for estimating plant N-uptake. The results show that multispectral imaging can estimate N content in canola with an RMSE of 0.38-0.59 and R2 of 0.77-0.92, while these numbers are 0.33-0.52 and 0.71-0.89 for wheat. We also show that N-content estimations based on multispectral imagery significantly benefit from incorporating ancillary data, such as treatments and image acquisition date into ML models, reducing RMSE by 5-10%. These results show the potential of UAV-based multispectral imaging in acquiring nitrogen-related parameters such as plant N-uptake and NUE measurements.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».