UAV-based hyperspectral imaging to evaluate plant moisture and desiccant response in lentil (<i>Lens culinaris</i>)
Notice bibliographique
Résumé
Many farmers rely on herbicides as desiccants to dry crops before harvest and aid in harvest efficiency. Optimizing desiccant selection, application rates, and timing is critical for maintaining lentil yield and quality while minimizing herbicide residues. This study utilizes unmanned aerial vehicle-based hyperspectral imaging to assess desiccant efficacy in lentil crops across field trials at Saskatoon (2019, 2020) and Lethbridge (2023) research farms in Canada. Five conventional herbicide treatments, two application rates of an organic desiccant, and an untreated control were evaluated. Desiccation progress was monitored using visual dry-down ratings and plant moisture content at 0, 3-4, 7, 10, 14, and 24 days after treatment. Spectral data were collected using an aerial hyperspectral system and analyzed with partial least squares regression and support vector regression models to predict desiccation response. Year-wise regression analyses yielded R2 values of 47%–68% for visual ratings and 27%–63% for moisture predictions, while combined analyses showed R2 values of 65% and 67%, respectively, with support vector regression consistently outperforming partial least squares regression. The area under the desiccation progress curve for visual ratings, moisture, and normalized difference vegetation index quantified desiccant performance. Ammonium nonanoate (32%) exhibited the fastest desiccation, occasionally surpassing conventional herbicides. These results highlight the potential of unmanned aerial vehicle-based hyperspectral and machine learning for evaluating desiccation efficiency and plant moisture content. This approach advances precision crop management and enhances desiccant screening methodologies in modern agriculture.
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 | 0,000 | 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) | 0,001 | 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 ».