Early detection of clubroot in canola using drone-based hyperspectral imaging and machine learning
Notice bibliographique
Résumé
Clubroot ( Plasmodiophora brassicae ) is spreading rapidly on canola ( Brassica napus ) in Canada. The disease often occurs first in small patches and then spreads across the field if not recognized and treated. Early detection is challenging because above-ground symptoms develop after the crop starts to flower, when scouting is difficult. Clubroot interferes with water uptake and delays flowering, which may result in changes in spectral reflectance that could be detected using a hyperspectral camera. The objective was to determine if a drone-mounted hyperspectral camera could be used to identify patches of clubroot from the air. Twenty-three research and commercial canola fields were imaged in Alberta and Saskatchewan during flowering from 2021 to 2023, using a remotely piloted aircraft system outfitted with a hyperspectral camera. One research site in Alberta offered an ideal mix of infected and non-infected canola for training a predictive classification model. Model development using machine learning (ML) and detailed plot mapping yielded the best results. Stochastic Gradient Boosting (SGB) consistently outperformed other ML classification algorithms tested. A 31-spectral band SGB model was subsequently used to assess 21 images from locations where comparisons with field sampling could be made with certainty. These comparisons yielded 100 % agreement in clubroot detection at the field level and > 90 % agreement for individual patches. Near infrared bands 758–764 nm were most important, especially 760 and 764 nm. Use of drones and hyperspectral technology offers promise for improved detection of clubroot so growers could choose appropriate crop rotations or treat infested patches.
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 | 0,000 |
| 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 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 ».