Evaluating the Performance of Winter Wheat Under Late Sowing Using UAV Multispectral Data
Notice bibliographique
Résumé
In the lower and middle sections of the Yangtze River Basin Region (YRBR) in China, challenges posed by climate change and delayed harvesting of preceding crops have hindered the timely sowing of wheat, leading to an increasing prevalence of late-sown wheat fields. This trend has emerged as a significant impediment to achieving high and stable production of wheat in this area. During the growing seasons of 2022–2023 and 2023–2024, an unmanned aerial vehicle (UAV)-based multispectral camera was used to monitor different wheat materials at various growth stages under normal sowing treatment (M1) and late sowing with increased plant density (M2). By assessing yield loss, the wheat tolerance to late sowing was quantified and categorized. The correlation between the differential vegetation indices (D-VIs) and late sowing resistance was examined. The findings revealed that the J2-Logistic model demonstrated optimal classification performance. The precision values of stable type, intermediate type, and sensitive type were 0.92, 0.61, and 1.00, respectively. The recall values were 0.61, 0.92, and 1.00. The mean average precision (mAP) of the model was 0.92. This study proposes a high-throughput and low-cost evaluation method for wheat tolerance to late sowing, which can provide a rapid predictive tool for screening suitable varieties for late sowing and facilitating late-sown wheat breeding.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».