Potential in detection of cereal yellow dwarf virus in cereals through VisNIR spectroscopy
Notice bibliographique
Résumé
Plant disease management often involves timely strategies and practices to prevent the spread and establishment of viral pathogens within plant populations. This study investigated the potential of using proximal sensing technologies for early detection of the yellow dwarf virus (YDV) disease. Four cereal cultivars (two wheat cultivars, Revenue and Mace, and two oat cultivars, Bass and Eurabbie) were grown under glasshouse conditions and inoculated with a YDV strain (Cereal yellow dwarf virus; CYDV) using aphid vectors. Spectral measurements of the third leaf were taken 3 weeks after infection using a FieldSpec spectrometer covering the wavelength range 325–1075 nm. Two machine learning (ML) classification algorithms, namely the eXtreme gradient boosting (XGBOOST) and the support vector machine (SVM), were used following the leave-one-cultivar-out-cross-validation (LOCOCV) approach. According to the results, virus infection in its early stages could be detected for susceptible oats (Eurabbie) with reasonable accuracy but no other cultivars. Best overall accuracy (OA) and kappa coefficient values were achieved for Eurabbie using XGBOOST built with vegetation indices (VIs) (OA = 0.79; kappa = 0.57). Further investigation into cultivar differences and growing conditions would be beneficial. More work is required to confirm the potential of VisNIR spectroscopy for detecting CYDV, especially in cultivars such as Eurabbie.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».