Satellite Imagery and AI-Based Detection of Common Waterhemp (AMATU) Infestation in Soybean Fields
Notice bibliographique
Résumé
Recent advances in Earth Observation (EO) and artificial intelligence (AI) have enabled scalable solutions for sustainable crop management. In Quebec soybean fields, weeds such as common waterhemp (Amaranthus tuberculatus, AMATU) are spreading rapidly, showing strong resistance to herbicides and threatening crop productivity. To address this challenge, we propose an operational pipeline that combines very highresolution (0.5 m) multispectral Pleiades imagery, ground-verified infestation data, and supervised machine learning. Spectral indices are extracted from four bands, with Random Forest emerging as the most robust model (Accuracy: 0.818, F1-score: 0.821) compared to Gradient Boosting, XGBoost, KNN, SVM, and Linear Regression. SHAP analysis shows that near-infrared (NIR) based measurements are the most important for the model's decisions. The final output is a probability heatmap that highlights true infestation zones with minimal false negatives and limited false positives, mainly in bare soil or dense soybean areas. Results demonstrate that this approach provides a cost-effective, scalable tool for early detection and targeted management of AMATU. These results contribute to reducing herbicide inputs, production costs, and also promote more sustainable agricultural practices.
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 ».