Decoding canola and oat crop health and productivity under drought and heat stress using bioelectrical signals and machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abiotic stresses , such as heat and drought, often reduce crop yields by harming plant health. Plants have evolved complex signaling networks to mitigate environmental impacts, making monitoring in-situ biosignals a promising tool for assessing plant health in real time. In this study, needle-like sensors were used to measure electrical potential changes in oat and canola plants under heat and drought stress conditions. Signals were recorded over a 30-min period and segmented into time intervals of 1-, 5-, 10-, 20-, and 30-min. Machine learning algorithms, including Random Forest, K-Nearest Neighbors, and Support Vector Machines , were applied to classify stress conditions and estimate biomass based on 14 extracted bioelectrical features, such as signal amplitude and entropy. Results showed that heat stress primarily altered signal patterns, whereas drought stress affected the signal intensity, possibly due to a reduction in the flow rate of charged ions. Random Forest classifier successfully identified over 85 % of stressed crops within 30 min of signal recording. These signals also explained 58–95 % of the variation in plant aboveground and root biomass, depending on stress intensity and crop genotype. This study demonstrates the potential of using bioelectrical sensing as a rapid and efficient tool for stress detection and biomass estimation. Future research should explore the ability to use biosensors to capture genetic variability to mitigate abiotic stresses and combine this with remote sensing and other emerging precision agriculture technologies.
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.
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 découle