MétaCan
Menu
Retour à la cohorte
Enregistrement W2089016833 · doi:10.1109/mobserv.2014.23

Management of Mobile Data in a Crop Field

2014· article· en· W2089016833 sur OpenAlexafffund
Richard K. Lomotey, Ralph Deters

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueIoT and Edge/Fog Computing
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesUniversity of Saskatchewan
Mots-clésComputer scienceMobile technologyMobile computingMobile databaseData accessMobile broadbandMobile WebDatabaseTelecommunicationsWirelessMobile stationBase station

Résumé

récupéré en direct d'OpenAlex

The diversity of the mobile landscape is shaping the business outlook of several enterprises including the agricultural sector. Today, there are several opportunities that can be harnessed in terms of productivity, mechanization, revenue, and so on when mobile technology is combined with agriculture technology. Especially, with mobile apps, agriculturists such as crop farmers can have access to timely information that can aid them in making decisions on pesticide information control. The problem however is that, mobile devices communicate over wireless mediums that can be unreliable. This situation causes the back-end to be unreachable from the mobile, and subsequently denial of service when the farmers want to access information at the crop field. This work proposes a reliable distributed mobile architecture that enables crop farmers to access timely information. Firstly, we designed a three layered architecture that comprises a middleware to enable the farmers to access the data when they have access to Wi-Fi or 3.5/4G. Secondly, the mobile node is designed to hoard the data in a NoSQL database to prevent frequent requests being sent to the back-end and to ensure offline accessibility. Finally, when the farmers are offline, they are facilitated to communicate with their friends through Bluetooth in order to synchronize the most up to date information. Preliminary tests show that the proposed system is reliable in terms of the management of the mobile data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,275
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetIoT and Edge/Fog ComputingTravaux en français237 207