UAV‐based high‐throughput phenotyping for crop growth analysis and seed yield prediction in a nested association mapping population of lentils
Notice bibliographique
Résumé
Abstract Unoccupied aerial vehicle (UAV)‐based high‐throughput phenotyping provides scalable and cost‐effective access to phenotypic information for crop improvement, yet its application in minor crops such as lentil ( Lens culinaris Medik.) remains limited. This study applied UAV‐derived canopy traits and crop growth regression modeling to a nested association mapping population developed from CDC Redberry crossed with 32 diverse founder lines. UAV imagery collected across four site‐years was used to capture canopy height, crop area, and crop volume per plot basis at multiple time points. Crop growth regression models were fitted to derive crop growth parameters, maximum canopy size, growth rate, and cumulative growth anchored to phenological stages. These static and time‐series traits were evaluated for seed yield prediction using partial least squares regression with a 70:20:10 data split and 10‐fold cross‐validation. Static traits such as maximum crop volume and maximum crop area were consistently associated with yield. Dynamic trait‐based models improved prediction accuracy and identified the swollen pod stage (R5–R6) as the most informative forecasting window. External validation using an independent trial confirmed the generalizability of the approach. This study presents a UAV phenotyping framework that supports crop growth dissection and early yield prediction and downstream trait discovery in lentil.
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 | 0,001 | 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 | 0,000 | 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 ».