Leaf hyperspectral reflectance detects pre‐visual stress to <i>Fusarium</i> wilt in strawberries
Notice bibliographique
Résumé
Abstract Fusarium wilt, caused by Fusarium oxysporum , threatens global food security and high‐value crops like strawberries ( Fragaria × ananassa ) in California. Traditional detection, reliant on visual symptoms, often comes too late for intervention. This study uses leaf‐level hyperspectral reflectance to detect physiological changes in resistant and susceptible strawberry cultivars. Weekly measurements of leaf reflectance, stomatal conductance, and chlorophyll fluorescence were collected across 14 cultivars inoculated with the pathogen. We examined both common spectral vegetation indices (SVIs) and patterns across the full hyperspectral range. In addition to SVIs, we assessed the full reflectance space (400–2515 nm) using principal coordinates analysis on Bray–Curtis dissimilarity and calculated coefficient of variation to evaluate spectral sensitivity to disease progression. Susceptible plants showed spectral shifts 3–5 weeks before visible symptoms. The normalized phaeophytinization index was most sensitive, indicating early chlorophyll degradation, while normalized difference vegetation index and photochemical reflectance index captured structural and physiological changes prior to visible infection. Spectral indices outperformed physiological traits, with stronger responses in stomatal conductance and leaf temperature than fluorescence. Hyperspectral disease associations highlight predictive power concentrated in the red and near‐infrared range, highlighting the potential of multispectral tools for field applications.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».