Field Assessment Strategies: Assessing and Classifying Blight Disease in Wild Blueberry Populations Using Multispectral and Hyperspectral Sensors
Notice bibliographique
Résumé
(1) Background: Monilinia and Botrytis blight are significant diseases affecting wild blueberry fields, leading to substantial yield losses. Traditional methods for disease assessment rely on destructive sampling, which is labor-intensive and subjective. This study explored the use of multispectral and hyperspectral sensors through simple and machine learning approaches to detect and assess Monilinia and Botrytis blight diseases. (2) Methods: In this study, we adopted two experimental approaches: plot and patch assessment trials. These were conducted using a randomized complete block design at three locations in Nova Scotia. Disease detection was performed using vegetative indices (VIs) and spectral reflectance analysis, with destructive samples also assessed. Analysis of variance, correlations and classification approaches were used in the analysis. (3) Results: Significant spectral differences were observed between healthy and diseased plants, particularly in the near-infrared region (715–1050 nm). Nine significant wavelength bands were identified for blight disease detection. Classifier analysis revealed that support vector machines (SVM) and random forests (RF) outperformed k-nearest neighbors (KNN), achieving an overall accuracy of 96.6% and 76.8% in the broad and severity disease level classifications. (4) Conclusions: Despite some limitations, these findings underscore the potential of remote sensing tools for efficient, non-destructive disease management in wild blueberry fields.
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 ».