Estimation of Nitrogen Content in Canola and Wheat Using Hyperspectral Drone Imaging
Notice bibliographique
Résumé
Accurately estimating nitrogen (N) content in crops is essential for assessing nitrogen use efficiency (NUE), a critical parameter for optimizing fertilizer management and improving crop productivity. Traditional methods for N estimation are often destructive, time-consuming, and labor-intensive, making them impractical for large-scale applications. This study presents a non-invasive approach using unmanned aerial vehicle (UAV)-based hyperspectral imaging to estimate N content in canola and wheat at different growth stages. Hyperspectral images were collected at three growth stages during an experimental field trial conducted in Lethbridge, Alberta, Canada. Concurrently, leaf tissue samples were gathered from seven nitrogen treatment levels, each replicated four times, to serve as ground truth data. Several machine learning (ML) models were developed and evaluated to predict plant N-uptake. The results demonstrated that hyperspectral imaging could estimate N content with high accuracy. For canola, the root mean square error (RMSE) ranged from 0.51 to 0.65, with R2values between 0.73 and 0.84. For wheat, the RMSE ranged from 0.28 to 0.49, with R2values between 0.75 and 0.92. These findings highlight the potential of UAV-based hyperspectral imaging, combined with ML models, as a powerful and efficient tool for estimating N-uptake. This approach offers significant benefits for precision agriculture, enabling sustainable nitrogen management and improving crop productivity.
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 | 0,001 | 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 ».