Breaking the field phenotyping bottleneck in maize with autonomous robots
Notice bibliographique
Résumé
Understanding phenotypic plasticity in maize (Zea mays L.) is a current grand challenge for continued crop improvement. Measuring the interactive effects of genetics, environmental factors, and management practices such as nitrogen rate (GxExM) on crop performance is time-consuming, expensive, and a major bottleneck to continued yield advancement. We demonstrate that a novel autonomous robotic platform, capable of collecting biologically relevant and commonly measured phenotypes, within a maize canopy at high-throughput, low-cost, and high-volume is now a reality. Field teams used multiple TerraSentia autonomous ground robots developed by EarthSense, Inc. (Champaign, IL) to capture data using a suite of low-cost sensors from nearly 200,000 experimental units, located at 142 unique research fields in the USA and Canada, across five years. Novel computer vision and machine learning algorithms, developed by EarthSense, Inc., analyzed these in-canopy multi-sensor data to deliver ground-truth validated plant height, ear height, stem diameter, and leaf area index at multiple time points during each season. We show the robot measured these phenotypes with high accuracy and reliability, at scales sufficient to functionally dissect interactions between genotypes and nitrogen rates in several environments. The results show that within-row, autonomous field robots hold great promise to increase understanding of GxExM interactions in maize research and decrease the amount of human labor required for plant phenotyping.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,004 |
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 ».