A Sustainable Learning Framework: UAV-Based Oat Chlorophyll Monitoring Using Radiative Transfer Models and Deep Learning Techniques
Notice bibliographique
Résumé
Accurately and efficiently estimating leaf chlorophyll content (LCC) and canopy chlorophyll content (CCC) is crucial for assessing photosynthetic productivity and monitoring crop growth in agroecosystems. The unmanned aerial vehicle (UAV)-based multispectral sensors, combined with machine learning models, offer high-precision solutions for estimating crop chlorophyll. However, several challenges, such as model performance limited by ground-truth data and issues with spatiotemporal scalability and transferability, hinder the broader application of these methods. This study proposed a transferable pretraining framework (PROSAIL-StDNN), which leveraged knowledge from PROSAIL simulations through three deep learning models to improve the accuracy of monitoring oat LCC and CCC using UAV-acquired multispectral data. The results indicated that PROSAIL-StDNN achieved the highest accuracy in predicting LCC ($R ^{2} =0.745$, RMSE$= 4.499~\mu $g/cm2, and RPD = 1.989) and CCC ($R ^{2} =0.822$, RMSE$= 30.535~\mu $g/cm2, and RPD = 2.378). Relative to common statistical models, PROSAIL-StDNN reduced LCC RMSE by 10.11%–15.86% and CCC RMSE by 11.68%–22.30%. Additionally, the PROSAIL-StDNN model demonstrated significant spatial and temporal transferability after secondary fine-tuning with data from two additional field sites, achieving$R ^{2}$values around or above 0.8 for both LCC and CCC. This framework offers a transferable approach for advancing UAV-based monitoring of crop physiological traits in agricultural practice.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».