Monitoring and Discrimination of Salt Stress in Salix matsudana × alba Using Vis/NIR-HSI Technology
Notice bibliographique
Résumé
(1) Background: Salt stress poses a significant challenge to plant productivity, particularly in forestry and agriculture. This research explored the physiological adaptations of Salix matsudana × alba to varying salt stress levels and assessed the utility of hyperspectral imaging (HSI) integrated with machine learning for stress detection; (2) Methods: Physiological metrics, such as photosynthesis, chlorophyll concentration, antioxidant enzyme activity, proline levels, membrane stability, and malondialdehyde (MDA) accumulation, were analyzed under controlled experimental conditions. Spectral data in the visible (Vis) and near-infrared (NIR) ranges were acquired, with preprocessing techniques enhancing data precision. The study established quantitative detection models for physiological indicators and developed a salt stress monitoring model; (3) Results: Photosynthetic efficiency and chlorophyll synthesis while elevating oxidative damage indicators, including enzyme activity, proline content, and membrane permeability. Strong correlations between spectral signatures and physiological changes highlighted HSI’s effectiveness for early stress detection. Among the machine learning models, the Convolutional Neural Network (CNN) trained on Vis+NIR data with standard normal variate (SNV) preprocessing achieved 100% classification accuracy; (4) Conclusions: The results demonstrated that HSI, coupled with modeling techniques, is a powerful non-invasive tool for real-time monitoring of salt stress, providing valuable insights for early intervention and contributing to sustainable agricultural and forestry practices.
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 | 0,001 |
| 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 ».