Precision phenotyping in wheat: LiDAR-based plant height estimation and lodging classification using uncrewed ground vehicles
Notice bibliographique
Résumé
Accurate phenotyping of wheat traits is essential for advancing breeding programs and crop science research. This study employs the University of Saskatchewan Field Phenotyping Systems (UFPS), an uncrewed ground vehicle (UGV), across six Canadian research stations during the 2023 and 2024 field seasons to explore LiDAR-based evaluation of plant height and lodging in spring wheat. A total of 90 plots of 30 historical wheat cultivars were planted in a Randomized Complete Block Design (RCBD), with LiDAR data collected at key growth stages. Four methods—height distribution vector, overhead projection, orthographic projection, and voxelized spatial grid—were assessed for height and lodging classification. For plant height, overhead projection (95.98%) and orthographic projection (96.05%) delivered the highest accuracy, with RMSE and MAPE at 3.7 cm and 3.55%. Voxelized spatial grid and height distribution vector methods showed lower performance, with R-squared values of 88.15% and 84.37%. For lodging, overhead projection excelled, achieving up to 0.97 Quadratic Weighted Kappa (QWK), and 98.51% Macro-F1 (MF1), especially in 2- and 3-class scenarios. The voxelized spatial grid performed well, while the height distribution vector and orthographic projection lagged with more classes. These results establish overhead projection as a robust method for high-throughput phenotyping in spring wheat.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».